随着微小卫星技术的迅猛发展，由数十至数百颗卫星构成的大规模遥感星座已成为对地观测领域的主流趋势。此类星座虽具备高频次重访与持久覆盖的显著优势，却也引发了任务规划搜索空间呈指数级扩张及计算复杂度急剧攀升的严峻挑战。现有研究多聚焦于小规模星座或单区域目标的协同调度，然而当面对大尺度观测区域、长时序跨度及海量卫星节点时，决策变量的超线性增长使得传统精确算法难以奏效。而常规启发式或强化学习方法在超大规模场景下极易陷入局部最优或收敛性能不佳。此外，针对长周期任务，单纯追求“全覆盖”往往导致资源冗余与浪费。因此，构建兼顾覆盖率与覆盖均匀性的大规模星座长周期多区域巡检调度机制，已成为当前亟待突破的重要研究问题。
日前，南京航空航天大学航天新技术实验室团队针对上述难题，提出了一种两阶段混合规划框架，旨在攻克数百颗卫星协同执行大尺度区域长周期观测任务时的组合优化“维度灾难”。首先，团队构建了统一的多目标非线性整数规划模型。该模型以最大化多重覆盖率和最小化覆盖方差为双重优化目标，更精准地契合了长期观测任务对数据时空均衡性与可靠性的实际需求。其次，为解决大规模组合优化中的初始解质量瓶颈，提出了一种基于字典序最大最小分配的多采样初始化方法（LAMSI）。该方法引入字典序最大最小（Leximin）原则对卫星资源进行排序与分配，优先保障低效用卫星的任务执行，从而促进系统整体资源的平衡配置（如图1所示）。同时，结合边际增益评估与随机选择策略，生成具有优良收敛特性的启发式个体，并与随机个体混合构建高质量初始种群。进一步地，为增强算法在超大解空间中的全局探索能力，团队将思维创新策略（TIS）嵌入遗传算法框架，开发了TISGA算法（如图2所示）。该策略通过挖掘个体历史经验信息以量化“知识深度”，并利用创新思维机制引导个体进行多方向探索，有效提升了全局搜索效率，显著规避了早熟收敛风险。
图1利用字典序最大最小原则对卫星进行排序和任务分配
图2思维创新策略
为了验证所提出的两阶段混合规划方法的有效性和优越性，以某大型遥感星座为例进行数值仿真。仿真结果表明，提出的LAMSI方法能生成高质量的初始解，有效解决了大规模问题中初始种群质量差导致的收敛慢问题，特别对传统优化算法增效显著（图3）。同时通过将TIS融入遗传算法，显著增强了算法在大规模解空间中的探索能力。对比实验显示，TISGA在优化效能（图4）、优化效能（图5）和收敛稳定性上均优于IMODE、SACOSO、BSPGA等多种前沿算法，且未出现明显的早熟收敛现象。仿真结果整体验证了“LAMSI启发式初始化+ TISGA”的两阶段框架在处理超大规模调度问题上的有效性，为未来智能自主星座的任务规划提供了可扩展的解决方案。
图3 LAMSI（图左）和贪婪初始化（图右）相对于随机初始化的优化效能提升
图4 LAMSI族内不同算法在十次独立运行中的优化性能对比分析
图5基于十次独立试验，LAMSI族内不同算法的计算时间
该研究论文于2025年11月26日在中科院一区航宇SCI期刊Aerospace Science and Technology在线发表。该研究得到了“微小型航天器快速设计与智能集群”全国重点实验室开放基金支持。航天新技术实验室博士生曾欣喜为论文第一作者，李爽教授为论文通讯作者。
论文链接：
Zeng X, Yuan R, Yang L, et al. Long-Term Multi-Region Observation Scheduling for Large-Scale Constellations via Two-Stage Hybrid Planning. Aerospace Science and Technology, 2025: 111358.
https://doi.org/10.1016/j.ast.2025.111358
