LLM生成并迭代改进启发式规则，提升卫星调度观测收益
资讯摘要
论文提出一种大语言模型辅助的自适应启发式搜索方法，用于敏捷地球观测卫星调度。LLM先根据调度实例特征生成初始启发式规则，在蚁群搜索过程中将搜索性能与调度信息反馈给LLM以改进规则，修改方案经配对解构造评估后再纳入搜索。统一调度流程在运行约束下确定任务选择、卫星分配与观测时机。作者报告在六个含50至200个成像任务的场景中，平均观测收益比最强基线高4.3%至9.6%。
要点速读
- LLM依据调度实例特征生成初始启发式规则，并在蚁群搜索中接收性能与调度信息反馈来改进规则
- 规则修改需通过配对解构造评估后才进入搜索流程
- 作者报告六个场景（50至200个成像任务）中平均观测收益较最强基线高4.3%至9.6%
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。