中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
Command Control and Simulation

Command Control and Simulation >

2025 , Vol. 47 >Issue 1: 141 - 147

DOI: https://doi.org/10.3969/j.issn.1673-3819.2025.01.019

Satellite & Communication

Satellite observation mission planning issues: hotspots and trends analysis

  • WANG Yi ,
  • LIU Desheng ,
  • LIU Jiatong ,
  • YANG Yang ,
  • HU Qinying
Expand
  • Space Engineering University, Beijing 101416, China

Received date: 2024-02-20

  Revised date: 2024-03-18

  Online published: 2025-01-20

Fold

Abstract

In the face of the continuous growth of demand for observation missions, it is increasingly critical to execute reasonable and efficient mission planning for more and more satellite resources. In order to better grasp the current research hotspots and trends of satellite observation mission planning, this paper combines the bibliometric analysis and content analysis methods. First of all, by using science knowledge mapping tool CiteSpace, the visualization analysis of keywords in this field is carried out, drawing a conclusion that the main hotspots are distributed collaboration mission planning methods and planning solving algorithms. Then, the researches on these two issues are respectively discussed. On this basis, the development directions of this field that can be focused on in the future are forecasted at last. This paper provides reference for the research and application of satellite observation mission planning.

Key words： satellite mission planning; observation mission; visual analysis; distributed collaboration; planning solving algorithm

Cite this article

WANG Yi , LIU Desheng , LIU Jiatong , YANG Yang , HU Qinying . Satellite observation mission planning issues: hotspots and trends analysis[J]. Command Control and Simulation, 2025 , 47(1) : 141 -147 . DOI: 10.3969/j.issn.1673-3819.2025.01.019

卫星观测任务规划是面向具体任务需求的顶层规划设计问题,主要目标是在卫星有效的工作时间段内,依据观测任务需求、卫星资源能力、外界约束条件等信息,合理高效地安排有限的资源执行更多、更重要的任务,规划方案的优劣决定观测效益的高低,因而受到学者的广泛关注和研究。
本文基于文献计量学的研究方法,采用定量和定性分析相结合的方式,利用CiteSpace可视化科学知识图谱软件对卫星观测任务规划研究热点与趋势进行分析与总结,并对分析得出的主要热点问题的研究现状进行梳理与归纳,最后总结并展望未来发展方向。

1 研究方法及数据处理

文献计量法是一种基于数学和统计学的定量分析方法[1],通常辅以可视化科学知识图谱,更生动形象地展现某领域研究的发展进程、研究热点和趋势。本文将应用CiteSpace可视化分析软件,挖掘卫星观测任务规划问题研究关键词聚类分布,发现该领域研究热点及前沿趋势,并基于此对目前的相关研究进行总结。
文献检索数据来源于中国知网(CNKI)数据库和Web of Science(WOS)核心合集数据库,详细检索情况如表1所示。
表1 文献检索情况

Tab.1 Literature retrieval information

数据库 CNKI Web of Science Core Collection
检索方式 高级检索(Advanced Search)
检索公式 主题=卫星任务规划OR多星
任务规划OR观测任务规划		 TI=(satellite* OR multi-satellite* OR multi sat* OR observation satellite*) AND TI=(mission scheduling OR mission plan* OR mission programming OR task schedule OR task plan* OR task scheduling OR task programming OR observation scheduling OR observation task plan* OR observation mission scheduling OR observation task scheduling OR observation mission plan*)AND (Keywords added: agile satellite scheduling OR multi-satellite scheduling OR satellite mission scheduling OR satellite scheduling)
时间跨度 2003-01-01至2023-12-31
检索数据 600 400
有效数据 475 337
导出格式 Refworks 全记录(Full Record)的纯文本文件(Plain Text File)
数据获取并筛选完毕后,在CiteSpace软件中进行数据预处理,并设置相应的参数构建关键词共现图谱,最后,利用其聚类分析功能得到以关键词为标签的聚类网络。基于CNKI数据库的关键词聚类网络节点数为290,节点间存在521条连线,模块值(简称Q值)为0.576 2,表明该结构较为清晰(当Q值>0.3时,可以认为该聚类结构显著),且用于衡量网络平均同质性的平均轮廓值(简称S值)为0.902 7,可认为该聚类图合理(当S值>0.5时,可以认为该聚类合理)。基于WOS核心合集数据库的关键词聚类网络节点数为237,节点间存在662条连线,Q值为0.660 7,S值为0.901 9,表明该聚类图合理且结构较为清晰。

2 国内外研究热点与发展趋势分析

综合关键词共现和聚类分析功能,关键词聚类按照聚类规模从大到小进行排序,经过整理筛选得出如图1所示的国内外卫星观测任务规划问题关键词聚类图谱。对国内外卫星观测任务规划问题关键词聚类图谱进行综合分析,可以得知:具有灵活姿态机动能力的敏捷卫星具备更大范围、更加高效的对地观测能力,备受研究者青睐;随着在轨卫星资源的不断增加,多星协同以及分布式卫星系统架构也是当前该领域的研究热点;作为规划求解的关键,算法一词在多个聚类中均有出现,可见其广受该领域研究者的重点关注。
图1 国内外卫星观测任务规划问题关键词聚类图谱

Fig.1 Domestic and international clustering maps of keywords in the field of satellite observation mission planning

在关键词聚类图谱的基础上,绘制关键词聚类时间线图谱如图2所示。从图2可以看出,当前卫星观测任务规划问题热度持续不减,多星协同和遗传算法自2010年左右兴起,分布式卫星系统自2015年开始受到大量研究关注,至今仍是该领域研究的热点问题。近年来,针对更大规模卫星网络和卫星集群的关注和研究日益增加;在考虑星间协商决策问题上,多星协同和博弈逐渐成为主要研究的热点;随着智能化、自主化的发展热潮,卫星自主规划、在线调度、分布式协同也成为该领域的研究热点;在求解算法上,遗传算法持续备受关注,智能体学习和强化学习也是热点关键词,算法的更新与改进研究持续升温。
图2 国内外卫星观测任务规划问题关键词聚类时间线图谱

Fig.2 Domestic and international timeline diagram of keywords clustering in the field of satellite observation mission planning

综上,卫星观测任务规划问题受到国内外研究者的持续关注,分布式多星协同和任务规划求解算法不仅是当前该领域研究的热点问题,也是该领域持续深入研究的重要方向。

3 主要热点问题研究现状分析

通过分析可知,当前卫星观测任务规划问题的研究热点及发展趋势主要集中在分布式协同规划和规划求解算法两大方向,分布式协同是规划架构层面,侧重于顶层设计的研究,算法是规划求解层面,侧重于效益提升的研究。

3.1 分布式协同规划研究

分布式的多星协同任务规划是指每颗卫星在避免与其他卫星冲突的前提下,结合自身与其他卫星的状态,分别进行自主决策完成部分对地观测任务,从而实现多星协同完成总体观测任务。
在解决多星分布式协同任务规划问题时,具有分配效率高、环境适应性强等特点的合同网协议机制逐渐成为一种有效的方法[2]。文献[3]设计了投标者初选策略以及诚信机制,有效降低了系统的通信负担,但卫星之间没有建立有效的协调机制。文献[4]针对海洋目标的快速响应问题设计了改进的合同网算法,充分利用了卫星计算的实时特征和灵活性。文献[5]设计了分层分布式任务框架,底层规划根据合同网协议进行任务分配。文献[6]提出了可解约循环合同网进行任务规划,有效降低了卫星的通信成本,但没有考虑突发情况的影响。
合同网协议机制虽然能够对多星协同任务规划问题进行建模优化,但是由于评标节点和拍卖节点的中心性较高,一旦中心节点发生故障,很可能导致整个任务的失败。基于Multi-Agent和博弈理论的分布式规划研究提供了新的解决思路。文献[7]面向应急任务建立了基于虚拟星座的Multi-Agent任务规划模型,对标准的合同网协议进行了改进求解。文献[8]考虑了许多动态因素,应用Multi-Agent的体系结构进行求解,并总结了Multi-Agent这一分布式架构的优势。文献[9]构建基于Multi-Agent的星上自主管理和多卫星协同体系结构,解决多星系统的自主任务规划问题。文献[10]以黑板模型建立卫星协作的Multi-Agent协商机制,并采用串行和并行两种策略,有效降低了星间平均协商次数。
研究理性个体间竞争与合作的博弈理论也逐渐得到卫星任务规划领域研究人员的关注。文献[11]提出了基于效用的后悔博弈、烟雾信号博弈和基于广播的博弈作为分布式协商策略,但仅适用于任务规模小并且需求简单的卫星任务规划。文献[12]提出一种基于博弈的网络化博弈模型,能够得到性能略低于集中式调度的解,但场景约束较为简化。文献[13]提出了基于博弈的分布式任务算法,在各规模场景实验下,可以获得接近集中式粒子群优化算法的结果。文献[14]提出了一种博弈协商机制的多星自主分布式任务规划模型,能够用于较大规模问题,但对于博弈均衡的具体过程和结果没有进行详细阐述。
综上分析,随着卫星智能化的不断发展,博弈论研究的不断深入,隐含着Agent理论、星间竞争合作关系描述更为清晰的基于博弈理论的协同规划方式更可能成为未来研究的重要方向。

3.2 规划求解算法研究

随着智能技术的发展,越来越多的研究将智能优化算法应用到卫星观测任务规划问题的求解中。智能优化算法计算相对简单,求解效率更高,面对大规模问题也能在有效时间范围内寻得较优解,因而应用日益广泛。从形成原理角度,智能优化算法可分为4类:进化机制算法、群智能算法、虚拟物理规则算法和机器学习方法。
(1)进化机制算法
进化机制算法是一种基于种群划分的优化算法,主要包括遗传算法、多目标进化算法、差分进化算法等。文献[15]提出一种改进遗传算法,引入资源随机分配的解码策略来提高算法性能。文献[16]提出了一种多目标二进制编码差分进化算法,能够更有效地获得收敛性和分布都较优的解。文献[17]提出一种基于偏好的多目标进化算法,在计算效率上有较好的提升。文献[18]提出一种多目标学习进化算法来解决成像卫星任务规划的区域映射问题。
(2)群智能算法
群智能算法通常是模拟自然界中生物的聚集、合并、觅食等行为构建的一类智能优化算法,主要包括蚁群算法、人工蜂群算法和粒子群算法等。文献[19]基于合作竞争机制和动态调整方法,提出一种进化蚁群优化方法进行任务预规划。文献[20]建立了基于分治策略的多星观测分层调度框架,在第一层采用蚁群算法将任务分配至卫星轨道圈次进行求解。文献[21]提出一种改进的人工蜂群算法,提高了搜索优化能力。文献[22]提出一种改进的粒子群优化算法,解决了该优化模型中的离散-连续混合变量问题。
(3)虚拟物理规则算法
虚拟物理规则算法是模拟自然界中的一些物理和化学现象的智能优化算法,主要包括模拟退火算法、多元宇宙算法等。文献[23]提出了一种自适应模拟退火算法,通过引入额外参数解决由连续不满意迭代次数导致的温度上升过快问题。文献[24]基于双层编程和分而治之的思想设计了自适应大邻域搜索算法,外层采用模拟退火准则来控制搜索过程。文献[25]提出禁忌退火遗传混合算法,提高了寻得全局最优解的概率和求解速度。文献[10]提出一种混合离散多元宇宙优化算法,有效降低了求解复杂度,寻优能力得到提升。
(4)机器学习方法
随着人工智能技术快速发展,通过优化方法挖掘数据规律的机器学习方法逐渐被大量研究人员关注。文献[26]构建了动态随机背包观测模型,采取神经网络和强化学习的方式进行求解。文献[27]研究了一种通用数据驱动的机器学习算法对任务规划模型进行求解。文献[28]提出一种基于Multi-Agent深度强化学习的多星协同观测调度方法,能够降低系统通信负担,缩短响应时间。文献[29]提出多头注意力指针网络算法,求解效率较高,但仅针对单星单次观测任务规划问题进行研究。
综上分析,卫星观测任务规划求解算法作为解决该问题的关键一环,算法的设计优化是研究的重中之重。随着人工智能技术的不断成熟,具备自我学习能力、环境感知能力和自主决策能力的机器学习方法更可能成为未来规划求解算法的重点研究方向。

4 结束语

本文基于CiteSpace可视化科学知识图谱软件,对CNKI数据库和WOS核心合集数据库中近20年的卫星观测任务规划问题研究文献的关键词进行了可视化的系统分析,并梳理总结了当前主要热点问题研究现状,充分展现了卫星观测任务规划问题的研究热点及发展趋势,其研究前景十分广阔。该领域未来深入研究的方向可以着重关注以下两个方面:
(1)融合博弈理论的卫星观测任务主从规划方法研究。卫星观测任务规划问题其实际是任务分配-资源调度两阶段问题,是一类多层级优化问题,两阶段不仅是主从关系,还具有不同的优化目标,其分别制定决策的过程就是一场博弈:任务分配阶段的决策不仅受其自身条件约束限制,还受资源调度阶段决策结果的影响,资源调度阶段的决策亦然。两阶段互相影响、互相约束、互为博弈对象相互制衡。因此,如何应用博弈思想充分阐明卫星观测任务规划问题两阶段的内在耦合关系,利用博弈协商机制以卫星个体间的交互实现全局优化,将主从博弈理论与该问题的求解更加系统、完整地结合,是未来研究的重要方向。
(2)融合博弈理论的深度强化学习规划求解算法研究。已有研究对问题以Multi-Agent结构进行系统建模,并引入机器学习算法实现小规模场景的卫星快速、自主规划求解,可见其具有进一步发展的潜力。面对大规模复杂场景,由于卫星数量的增加,在强化学习中将最大化单个个体的累积回报的期望值作为学习目标往往很难收敛,而博弈理论可以很好地解决卫星间交互关系,能用均衡解来替代最优解,进而求得更为行之有效的策略。因此,如何针对卫星观测任务规划这一大规模复杂实际问题,采用融合博弈理论的深度强化学习算法对卫星系统的Multi-Agent模型进行规划求解,是未来实现多星自主协同完成任务规划的突破性关键技术问题。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
朱亮, 孟宪学. 文献计量法与内容分析法比较研究[J]. 图书馆工作与研究, 2013(6): 64-66.

ZHU L, MENG X X. The comparative study on bibliometric method and content analysis method[J]. Library Work and Study, 2013(6): 64-66.

[2]
SMITH R G, DAVIS R. Frameworks for cooperation in distributed problem solving[J]. IEEE Transactions. on Systems, Man, and Cybernetics, 1981, 11(1): 61-70.

[3]
YANG W Y, HE L, LIU X L, et al. Onboard coordination and scheduling of multiple autonomous satellites in an uncertain environment[J]. Advances in Space Research, 2021, 68(11): 4 505-4 524.

[4]
ZHANG C, CHEN J Y, LI Y B, et al. Satellite group autonomous operation mechanism and planning algorithm for marine target surveillance[J]. Chinese Journal of Aeronautics, 2019, 32(4): 991-998.

[5]
CHEN Y T, TIAN G Q, GUO J Y, et al. Task planning for multiple-satellite-space-situational-awareness systems[J]. Aerospace, 2021, 8(3): 73.

[6]
靳鹏, 李康. 基于改进合同网协议的分布式卫星资源调度[J]. 系统工程与电子技术, 2022, 44(10): 3 164-3 173.

JIN P, LI K. Distributed satellite resource scheduling based on improved contract network protocol[J]. Systems Engineering and Electronics, 2022, 44(10): 3 164-3 173.

[7]
张超, 靳鹏, 陈金勇, 等. 面向应急观测的虚拟星座任务规划技术[J]. 系统工程与电子技术, 2019, 41(4): 819-825.

ZHANG C, JIN P, CHEN J Y, et al. Virtual constellation task planning technology for emergency observation[J]. Systems Engineering and Electronics, 2019, 41(4): 819-825.

DOI

[8]
SKOBELEV P O, SIMONOVA E V, ZHILYAEV A A, et al. Application of multi-agent technology in the scheduling system of swarm of earth remote sensing satellites[J]. Procedia Computer Science, 2017(103): 396-402.

[9]
LONG J, WU S M, HAN X D, et al. Autonomous task planning method for multi-satellite system based on a hybrid genetic algorithm[J]. Aerospace, 2023, 10(1): 70.

[10]
YANG Y, LIU D S. Distributed imaging satellite mission planning based on multi-agent[J]. IEEE Access, 2023(11): 65 530-65 545.

[11]
ZHENG Z X, GUO J, GILL E. Distributed onboard mission planning for multi-satellite systems[J]. Aerospace Science and Technology, 2019(89): 111-122.

[12]
LIU L H, DONG Z H, SU H X, et al. A study of distributed earth observation satellites mission scheduling method based on game-negotiation mechanism[J]. Sensors, 2021, 21(19): 6 660.

[13]
SUN C H, WANG X C, QIU H X, et al. Game theoretic self-organization in multi-satellite distributed task allocation[J]. Aerospace Science and Technology, 2021(112): 106 650.

[14]
刘立昊, 董正宏, 苏昊翔, 等. 博弈协商策略下的多星分布式协同任务规划[J]. 控制理论与应用, 2023, 40(3): 502-508.

LIU L H, DONG Z H, SU H X, et al. Multi-satellite distributed mission scheduling via game strategy[J]. Control Theory & Applications, 2023, 40(3): 502-508.

[15]
韩传奇, 刘玉荣, 李虎. 基于改进遗传算法对小卫星星群任务规划研究[J]. 空间科学学报, 2019, 39(1): 129-134.

HAN C Q, LIU Y R, LI H. Mission planning for small satellite constellations based on improved genetic algorithm[J]. Chinese Journal of Space Science, 2019, 39(1): 129-134.

[16]
LI Z L, LI X J. A multi-objective binary-encoding differential evolution algorithm for proactive scheduling of agile earth observation satellites[J]. Advances in Space Research, 2019, 63(10): 3 258-3 269.

[17]
LI L M, CHEN H, LI J, et al. Preference-based evolutionary many-objective optimization for agile satellite mission planning[J]. IEEE Access, 2018(6): 40 963-40 978.

[18]
CHEN Y X, SHEN X, ZHANG G, et al. Multi-objective multi-satellite imaging mission planning algorithm for regional mapping based on deep reinforcement learning[J]. Remote Sensing, 2023, 15(16): 3 932.

[19]
QI J T, GUO J J, WANG M M, et al. A cooperative autonomous scheduling approach for multiple earth observation satellites with intensive missions[J]. IEEE Access, 2021(9): 61 646-61 661.

[20]
刘建银, 贾学卿, 王忠伟. 面向多星观测调度的分层迭代算法[J]. 国防科技大学学报, 2018, 40(5): 183-190.

LIU J Y, JIA X Q, WANG Z W. Hierarchical iteration algorithm for multi-satellite observation scheduling[J]. Journal of National University of Defense Technology, 2018, 40(5): 183-190.

[21]
宋彦杰, 宋冰玉, 邢立宁, 等. 面向星地协同观测规划问题的改进人工蜂群算法[J]. 控制与决策, 2022, 37(3): 555-564.

SONG Y J, SONG B Y, XING L N, et al. Improved artificial bee colony algorithm for satellite-ground cooperative observation planning problem[J]. Control and Decision, 2022, 37(3): 555-564.

[22]
LU Z Z, SHEN X, LI D R, et al. Multiple super-agile satellite collaborative mission planning for area target imaging[J]. International Journal of Applied Earth Observation and Geoinformation, 2023(117): 103 211.

[23]
WU G H, WANG H L, PEDRYCZ W, et al. Satellite observation scheduling with a novel adaptive simulated annealing algorithm and a dynamic task clustering strategy[J]. Computers & Industrial Engineering, 2017(113): 576-588.

[24]
HE L, LIU X L, LAPORTE G, et al. An improved adaptive large neighborhood search algorithm for multiple agile satellites scheduling[J]. Computers & Operations Research, 2018(100): 12-25.

[25]
高新洲, 郭延宁, 马广富, 等. 采用混合遗传算法的敏捷卫星自主观测任务规划[J]. 哈尔滨工业大学学报, 2021, 53(12): 1-9.

GAO X Z, GUO Y N, MA G F, et al. Agile satellite autonomous observation mission planning using hybrid genetic algorithm[J]. Journal of Harbin Institute of Technology, 2021, 53(12): 1-9.

[26]
WANG H J, YANG Z, ZHOU W G, et al. Online scheduling of image satellites based on neural networks and deep reinforcement learning[J]. Chinese Journal of Aeronautics, 2019, 32(4): 1 011-1 019.

[27]
SONG Y J, ZHOU Z Y, ZHANG Z S, et al. A framework involving MEC: imaging satellites mission planning[J]. Neural Computing and Applications, 2020, 32(19): 15 329-15 340.

[28]
LI D L, WANG H J, YANG Z, et al. An online distributed satellite cooperative observation scheduling algorithm based on multiagent deep reinforcement learning[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(11): 1 901-1 905.

[29]
马一凡, 赵凡宇, 王鑫, 等. 基于改进指针网络的卫星对地观测任务规划方法[J]. 浙江大学学报(工学版), 2021, 55(2): 395-401.

MA Y F, ZHAO F Y, WANG X, et al. Satellite earth observation task planning method based on improved pointer networks[J]. Journal of Zhejiang University (Engineering Science), 2021, 55(2): 395-401.

Options
Outlines

/

〈 〉