综述：大规模成像卫星任务规划的框架、模型与算法研究

这篇综述系统梳理了大规模成像卫星任务规划（LSISMP）领域的研究进展，聚焦（centralized/distributed/hybrid）规划框架、（CSP/MILP）数学模型及（metaheuristic/ML-driven）算法的演进路径，提出未来将向自主建模与智能优化深度融合方向发展，为应对卫星数量激增（>100颗）和任务复杂度提升（>1000次调度）提供理论支撑。

　　

LSISMP框架

大规模成像卫星任务规划（LSISMP）的核心挑战在于应对卫星数量指数级增长（中国在轨卫星数量已达628颗）带来的协同控制难题。研究揭示了三种主流框架的适用边界：集中式（centralized）框架虽能实现全局优化，但在超过100颗卫星时面临计算瓶颈；分布式（distributed）框架通过任务分解提升扩展性，却可能牺牲整体最优性；混合式（hybrid）框架通过分层协调机制，在300+卫星规模的星座中展现出独特优势。值得注意的是，中国"吉林一号"星座的实际运行数据表明，混合框架可使任务响应速度提升40%。

LSISMP模型

约束满足问题（CSP）和混合整数线性规划（MILP）构成LSISMP模型的两大支柱。光学/雷达卫星的敏捷机动约束（如俯仰角±45°）常被建模为动态时间窗，而多星协同观测则需处理NP-hard的路径规划问题。新兴的元模型（meta-model）技术通过参数化建模，将5000+任务的求解时间从72小时压缩至4.8小时。特别值得关注的是，深度学习驱动的概率模型（如Transformer架构）在预测云层干扰方面达到92%的准确率。

LSISMP算法

算法演进呈现明显的智能化趋势：传统精确算法（如分支定界法）在20颗卫星规模内保持优势；遗传算法（GA）等元启发式方法通过种群并行处理，可将1000+任务的优化速度提升30倍；而深度强化学习（DRL）与图神经网络（GNN）的结合，在Starlink星座仿真中实现了85%的动态任务插入成功率。实验数据显示，智能算法的引入使大规模星座的资源利用率从68%跃升至89%。

结论

LSISMP正经历从"人工规则驱动"到"自主智能决策"的范式转变。未来突破点在于：1）量子退火算法处理超大规模（>500颗卫星）组合优化；2）数字孪生技术实现全生命周期建模；3）联邦学习保障多主体协同安全。中国研究团队提出的"感知-决策-执行"闭环架构，已在亚米级遥感卫星群中得到验证，标志着该领域的技术成熟度已达到TRL7级。