Earth Observation Satellite Scheduling with Graph Neural Networks

要約

地球観測衛星計画 (EOSP) は、実用上非常に興味深い難しい最適化問題です。
要求された一連の観測は、可視ウィンドウの制約と、連続する観測の間にさまざまな遅延を課す操縦上の制約を考慮しながら、機敏な地球観測衛星でスケジュールする必要があります。
さらに、この問題は大幅にオーバーサブスクライブされてお​​り、達成できる可能性があるものよりもはるかに多くの候補観測値が存在します。
したがって、加重累積利益を最大化しながら実行される一連の観察を選択し、これらの観察の実行可能なスケジュールを提案する必要があります。
これまでの研究は主にヒューリスティック検索アルゴリズムと反復検索アルゴリズムに焦点を当てていたため、この論文では、グラフ ニューラル ネットワーク (GNN) と深層強化学習 (DRL) に基づいて観測を選択およびスケジュールするための新しい手法を紹介します。
GNN は、EOSP のインスタンスを表すグラフから関連情報を抽出するために使用され、DRL は最適なスケジュールの検索を推進します。
私たちのシミュレーションでは、小規模な問題インスタンスを学習し、より大規模な実世界のインスタンスに一般化することができ、従来のアプローチと比較して非常に優れたパフォーマンスを発揮できることが示されています。

要約(オリジナル)

The Earth Observation Satellite Planning (EOSP) is a difficult optimization problem with considerable practical interest. A set of requested observations must be scheduled on an agile Earth observation satellite while respecting constraints on their visibility window, as well as maneuver constraints that impose varying delays between successive observations. In addition, the problem is largely oversubscribed: there are much more candidate observations than what can possibly be achieved. Therefore, one must select the set of observations that will be performed while maximizing their weighted cumulative benefit, and propose a feasible schedule for these observations. As previous work mostly focused on heuristic and iterative search algorithms, this paper presents a new technique for selecting and scheduling observations based on Graph Neural Networks (GNNs) and Deep Reinforcement Learning (DRL). GNNs are used to extract relevant information from the graphs representing instances of the EOSP, and DRL drives the search for optimal schedules. Our simulations show that it is able to learn on small problem instances and generalize to larger real-world instances, with very competitive performance compared to traditional approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google