基于AutoML的空间机动目标应急调度与追踪优化研究

本文针对非合作空间目标（RSO）机动后追踪难题，提出了一种融合自动化机器学习（AutoML）与拍卖算法的应急任务三阶段调度框架（ETTSF）。该框架通过资源匹配、任务调度与重调度三阶段协同优化，显著提升应急目标完成率（CRER）并降低对常规观测任务的影响率（IR），为异构地基观测资源（含单目标/多目标雷达）的协同调度提供了创新性解决方案，对提升空间态势感知（SSA）能力具有重要意义。

　　

Highlight

本研究通过引入自动化机器学习（AutoML）与拍卖算法的协同优化机制，构建了面向空间机动目标应急调度的创新框架。该框架通过三阶段分解策略有效降低了NP难问题的求解复杂度，显著提升了应急任务响应效率。

Introduction

大规模星座技术的快速发展导致在轨空间目标（RSOs）数量激增，极大增加了空间态势感知（SSA）的复杂性。非合作星座卫星具备侦察、监视与追踪能力，其不可预测的机动行为对空间安全构成威胁，并对地基观测资源调度算法提出了极高时效性与适应性要求。本文建立的应急调度数学模型首次整合了协同观测与同步观测需求，为异构资源调度提供了理论框架。

Related work

当前针对空间应急调度的研究仍较有限，但无人机（UAV）与地球观测卫星等领域的调度模型为本研究提供了重要借鉴。这些成果在资源分配算法与动态约束处理方面的创新为本文框架设计奠定了基础。

Problem description

模型通过六元组{Res, Win, Act, Req, C, O}形式化描述，其中Res代表地基观测资源集合，Win为可见时间窗口（VTWs），Act指定观测任务分配的资产与时间窗口，Req包含任务完成所需的协同与同步观测要求，C为约束条件集，O为目标函数。该模型精准刻画了异构资源下的应急调度问题本质。

ETTSF designing

ETTSF框架包含三阶段：资源匹配阶段通过AutoML预测RSO与资源偏好关系，拍卖算法基于实时约束进行分配优化；任务调度阶段采用动态邻域启发式算法将应急任务插入常规计划；重调度阶段最小化对原有任务的影响。闭环学习机制确保模型持续适应未知RSO的轨道特性。

Simulation scenario

仿真场景设定于2024年10月13日UTC时间04:00，包含5个单脉冲雷达站与1个相控阵雷达站。通过与实时动态调度（RTDS）和改进自适应大邻域搜索（IALNS）对比，ETTSF在CRER指标提升2.82%，IR指标降低27.83%， ablation实验验证了各阶段的有效性。

Conclusion

本研究通过ETTSF框架成功解决了应急RSO调度中的关键挑战，主要结论包括：

1. 1.
   所建数学模型为协同/同步观测场景提供了理论基础
2. 2.
   三阶段分解策略显著提升了求解效率与方案质量
3. 3.
   AutoML与拍卖算法的闭环学习机制有效克服了数据稀缺场景下的模型退化问题