1.タイトルキーワードと
タイトル：
雲の不確実性の下でのプロアクティブな純地球観測複数スケジューリングアルゴリズムSATELLITES
純地球観測衛星複数雲不確実アクティブスケジューリングアルゴリズム
キーワード：
地球観測SATELLITES地球観測衛星
の雲の不確実性雲不確実
なプロアクティブスケジューリング
チャンス制約プログラミングチャンス制約プログラミング
サンプル近似
ブランチアンドカット
2.まとめ
ほとんどの地球観測衛星（EOS）には、雲が透けて見えない光学センサーが搭載されています。したがって、観測は雲によって大きな影響を受け、ブロックされます。この作業では、禁止シーケンスの概念に着想を得て、EOSスケジューリングの新しい割り当て定式化を提案します。雲の不確実性を考慮して、観測の雲量を確率的イベントとして定式化し、割り当ての定式化を確率制約プログラミング（CCP）モデルに拡張します。この問題を解決するために、CCPモデルを整数線形計画法（ILP）モデルに変換するサンプル近似（SA）法を提案します。続いて、レイジー制約生成に基づくブランチアンドカット（B＆C）アルゴリズムが開発され、ILPモデルが解決されます。最後に、
ほとんどの地球観測衛星には光学センサーが装備されていますが、雲を貫通することはできません。そのため、観察は雲の影響を大きく受け、妨げられました。この作業では、禁止シーケンスの概念に触発されて、新しいEOSスケジューリング割り当て式を提案します。クラウドの不確実性を考慮して、クラウドカバーを観測されたランダムイベントと見なし、割り当て式をチャンス制約付きプログラミング（CCP）モデルに拡張します。この問題を解決するために、CCPモデルを整数線形プログラミング（ILP）モデルに変換するサンプル近似法を提案します。続いて、ILPモデルを解決するために、レイジー制約生成に基づくブランチカット（B＆C）アルゴリズムが提案されました。最後に、多数のシミュレーション実験に基づいて、提案した式とアルゴリズムの有効性と効率を検証しました。
3.创新性
この研究では、最初に、エネルギー制約が禁止シーケンスとして定式化される、EOSスケジューリングの新しい割り当て定式化を提案します。雲の不確実性を考慮して、観測の各時間ウィンドウの雲量を確率的イベントとして定式化し、割り当ての定式化をチャンス制約プログラミング（CCP）モデルに拡張します。サンプル近似（SA）法は、CCP問題を整数線形計画法（ILP）問題、たとえばSA問題に変換するために適用されます。SA問題の特性に関しては、レイジー制約生成に基づくブランチアンドカット（B＆C）アルゴリズムが設計されています。その後、シミュレーションによる多数の実験が行われ、サンプル近似とB＆Cアルゴリズムの有効性と効率性が検証されます。
この研究では、最初に、エネルギー制約が禁止シーケンスとして表される新しいEOSスケジューリング割り当て式を提案しました。雲の不確実性を考慮して、各観測時間ウィンドウの雲の被覆をランダムなイベントと見なし、割り当て式をチャンスに制約のあるプログラミングモデルに拡張します。CCP問題は、SA問題と呼ばれるサンプル近似の方法によって整数線形プログラミング（ILP）問題に変換されます。SA問題の特性に応じて、レイジー制約生成に基づくブランチカット（B＆C）アルゴリズムが設計されます。次に、多数のシミュレーション実験により、サンプル近似アルゴリズムとB＆Cアルゴリズムの有効性と効率が証明されました。
4.結論と展望
本論文では、雲の不確実性を考慮して、観測用の雲ブロックを確率的事象として定式化し、複数のEOSのスケジューリングを調査した。時間インデックス、フロー、および割り当ての定式化を比較した後、変数と制約が少ない禁止シーケンスの概念に着想を得た新しい割り当ての定式化を提案しました。その後、雲の不確実性の下で、割り当ての定式化を確率制約プログラミングモデルに拡張しました。CCPモデルを解くために、サンプル近似によってモデルを整数線形計画モデルに変換しました。その後、レイジー制約の生成を使用して、サンプル近似問題を解決するためのブランチアンドカットアルゴリズムを提案しました。最後に、
この記事では、クラウドの不確実性を考慮して、クラウドクラスターを観測されたランダムイベントとして扱い、複数のEOSのスケジューリングを検討します。時間指数、流量、割り当て式を比較した後、禁止シーケンスの概念に触発され、変数と制約が少ない新しい割り当て式を提案しました。その後、クラウドの不確実性の下で、割り当て式をチャンス制約のあるプログラミングモデルに拡張しました。CCPモデルを解くために、サンプル近似法を使用してモデルを整数線形プログラミングモデルに変換します。次に、レイジー制約の生成に基づいて、サンプル近似問題を解決するためのブランチカットアルゴリズムを提案します。最後に、多数のシミュレーション実験により、サンプル近似法とB＆Cアルゴリズムの有効性と実現可能性が証明されています。
将来的には、不確実性の下でアジャイルEOSのスケジューリングを検討します。この研究の非アジャイル衛星とは異なり、アジャイル衛星は、軌道に沿って、旋回の機動性だけでなく、ピッチングの機動性も備えています。したがって、衛星は観測のための長い時間枠を持っています。したがって、タスクを軌道に割り当てるだけでなく、開始時間と終了時間を決定する必要があります。さらに、ユニークなウィンドウの場合、さまざまな部分に対する雲の影響が異なり、問題がより複雑になります。
将来的には、不確実な状況下でのアジャイルEOSスケジューリングを検討します。この研究の非アジャイル衛星とは異なり、アジャイル衛星は回転移動度だけでなく、軌道に沿ったピッチ移動度も持っています。したがって、衛星の観測時間枠は長くなります。したがって、タスクをトラックに割り当てるだけでなく、いつ開始および終了するかを決定する必要もあります。さらに、特定のウィンドウでは、クラウドがさまざまな部分にさまざまな影響を与えるため、問題がより複雑になります。