摘 要：面對(duì)日益增長(zhǎng)的觀測(cè)任務(wù)需求，衛(wèi)星資源合理高效的任務(wù)規(guī)劃愈發(fā)關(guān)鍵。為更好地把握當(dāng)前衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題的研究熱點(diǎn)與發(fā)展趨勢(shì)，結(jié)合文獻(xiàn)計(jì)量分析和內(nèi)容分析方法，首先，利用可視化科學(xué)知識(shí)圖譜工具CiteSpace對(duì)該領(lǐng)域關(guān)鍵詞進(jìn)行分析，得出分布式協(xié)同任務(wù)規(guī)劃方法和規(guī)劃求解算法為該領(lǐng)域的主要熱點(diǎn)問(wèn)題，接著，對(duì)其研究現(xiàn)狀進(jìn)行綜述，最后，對(duì)未來(lái)研究可重點(diǎn)關(guān)注的發(fā)展方向進(jìn)行展望，為衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題研究及應(yīng)用提供參考。

關(guān)鍵詞：衛(wèi)星任務(wù)規(guī)劃;觀測(cè)任務(wù);可視化分析;分布式協(xié)同;規(guī)劃求解算法

中圖分類號(hào)：E917；V474 文獻(xiàn)標(biāo)志碼：A DOI：10.3969/j.issn.1673-3819.2025.01.019

Satellite observation mission planning issues： hotspots and trends analysis

WANG Yi， LIU Desheng， LIU Jiatong， YANG Yang， HU Qinying

（Space Engineering University， Beijing 101416， China）

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

衛(wèi)星觀測(cè)任務(wù)規(guī)劃是面向具體任務(wù)需求的頂層規(guī)劃設(shè)計(jì)問(wèn)題，主要目標(biāo)是在衛(wèi)星有效的工作時(shí)間段內(nèi)，依據(jù)觀測(cè)任務(wù)需求、衛(wèi)星資源能力、外界約束條件等信息，合理高效地安排有限的資源執(zhí)行更多、更重要的任務(wù)，規(guī)劃方案的優(yōu)劣決定觀測(cè)效益的高低，因而受到學(xué)者的廣泛關(guān)注和研究。

本文基于文獻(xiàn)計(jì)量學(xué)的研究方法，采用定量和定性分析相結(jié)合的方式，利用CiteSpace可視化科學(xué)知識(shí)圖譜軟件對(duì)衛(wèi)星觀測(cè)任務(wù)規(guī)劃研究熱點(diǎn)與趨勢(shì)進(jìn)行分析與總結(jié)，并對(duì)分析得出的主要熱點(diǎn)問(wèn)題的研究現(xiàn)狀進(jìn)行梳理與歸納，最后總結(jié)并展望未來(lái)發(fā)展方向。

1 研究方法及數(shù)據(jù)處理

文獻(xiàn)計(jì)量法是一種基于數(shù)學(xué)和統(tǒng)計(jì)學(xué)的定量分析方法［1］，通常輔以可視化科學(xué)知識(shí)圖譜，更生動(dòng)形象地展現(xiàn)某領(lǐng)域研究的發(fā)展進(jìn)程、研究熱點(diǎn)和趨勢(shì)。本文將應(yīng)用CiteSpace可視化分析軟件，挖掘衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題研究關(guān)鍵詞聚類分布，發(fā)現(xiàn)該領(lǐng)域研究熱點(diǎn)及前沿趨勢(shì)，并基于此對(duì)目前的相關(guān)研究進(jìn)行總結(jié)。

文獻(xiàn)檢索數(shù)據(jù)來(lái)源于中國(guó)知網(wǎng)（CNKI）數(shù)據(jù)庫(kù)和Web of Science（WOS）核心合集數(shù)據(jù)庫(kù)，詳細(xì)檢索情況如表1所示。

數(shù)據(jù)獲取并篩選完畢后，在CiteSpace軟件中進(jìn)行數(shù)據(jù)預(yù)處理，并設(shè)置相應(yīng)的參數(shù)構(gòu)建關(guān)鍵詞共現(xiàn)圖譜，最后，利用其聚類分析功能得到以關(guān)鍵詞為標(biāo)簽的聚類網(wǎng)絡(luò)?；贑NKI數(shù)據(jù)庫(kù)的關(guān)鍵詞聚類網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)為290，節(jié)點(diǎn)間存在521條連線，模塊值（簡(jiǎn)稱Q值）為0．576 2，表明該結(jié)構(gòu)較為清晰（當(dāng)Q值gt;0．3時(shí)，可以認(rèn)為該聚類結(jié)構(gòu)顯著），且用于衡量網(wǎng)絡(luò)平均同質(zhì)性的平均輪廓值（簡(jiǎn)稱S值）為0．902 7，可認(rèn)為該聚類圖合理（當(dāng)S值gt;0．5時(shí)，可以認(rèn)為該聚類合理）。基于WOS核心合集數(shù)據(jù)庫(kù)的關(guān)鍵詞聚類網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)為237，節(jié)點(diǎn)間存在662條連線，Q值為0．660 7，S值為0．901 9，表明該聚類圖合理且結(jié)構(gòu)較為清晰。

2 國(guó)內(nèi)外研究熱點(diǎn)與發(fā)展趨勢(shì)分析

綜合關(guān)鍵詞共現(xiàn)和聚類分析功能，關(guān)鍵詞聚類按照聚類規(guī)模從大到小進(jìn)行排序，經(jīng)過(guò)整理篩選得出如圖1所示的國(guó)內(nèi)外衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題關(guān)鍵詞聚類圖譜。

對(duì)國(guó)內(nèi)外衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題關(guān)鍵詞聚類圖譜進(jìn)行綜合分析，可以得知：具有靈活姿態(tài)機(jī)動(dòng)能力的敏捷衛(wèi)星具備更大范圍、更加高效的對(duì)地觀測(cè)能力，備受研究者青睞;隨著在軌衛(wèi)星資源的不斷增加，多星協(xié)同以及分布式衛(wèi)星系統(tǒng)架構(gòu)也是當(dāng)前該領(lǐng)域的研究熱點(diǎn);作為規(guī)劃求解的關(guān)鍵，算法一詞在多個(gè)聚類中均有出現(xiàn)，可見(jiàn)其廣受該領(lǐng)域研究者的重點(diǎn)關(guān)注。

在關(guān)鍵詞聚類圖譜的基礎(chǔ)上，繪制關(guān)鍵詞聚類時(shí)間線圖譜如圖2所示。

從圖2可以看出，當(dāng)前衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題熱度持續(xù)不減，多星協(xié)同和遺傳算法自2010年左右興起，分布式衛(wèi)星系統(tǒng)自2015年開(kāi)始受到大量研究關(guān)注，至今仍是該領(lǐng)域研究的熱點(diǎn)問(wèn)題。近年來(lái)，針對(duì)更大規(guī)模衛(wèi)星網(wǎng)絡(luò)和衛(wèi)星集群的關(guān)注和研究日益增加;在考慮星間協(xié)商決策問(wèn)題上，多星協(xié)同和博弈逐漸成為主要研究的熱點(diǎn);隨著智能化、自主化的發(fā)展熱潮，衛(wèi)星自主規(guī)劃、在線調(diào)度、分布式協(xié)同也成為該領(lǐng)域的研究熱點(diǎn);在求解算法上，遺傳算法持續(xù)備受關(guān)注，智能體學(xué)習(xí)和強(qiáng)化學(xué)習(xí)也是熱點(diǎn)關(guān)鍵詞，算法的更新與改進(jìn)研究持續(xù)升溫。

綜上，衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題受到國(guó)內(nèi)外研究者的持續(xù)關(guān)注，分布式多星協(xié)同和任務(wù)規(guī)劃求解算法不僅是當(dāng)前該領(lǐng)域研究的熱點(diǎn)問(wèn)題，也是該領(lǐng)域持續(xù)深入研究的重要方向。

3 主要熱點(diǎn)問(wèn)題研究現(xiàn)狀分析

通過(guò)分析可知，當(dāng)前衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題的研究熱點(diǎn)及發(fā)展趨勢(shì)主要集中在分布式協(xié)同規(guī)劃和規(guī)劃求解算法兩大方向，分布式協(xié)同是規(guī)劃架構(gòu)層面，側(cè)重于頂層設(shè)計(jì)的研究，算法是規(guī)劃求解層面，側(cè)重于效益提升的研究。

3．1 分布式協(xié)同規(guī)劃研究

分布式的多星協(xié)同任務(wù)規(guī)劃是指每顆衛(wèi)星在避免與其他衛(wèi)星沖突的前提下，結(jié)合自身與其他衛(wèi)星的狀態(tài)，分別進(jìn)行自主決策完成部分對(duì)地觀測(cè)任務(wù)，從而實(shí)現(xiàn)多星協(xié)同完成總體觀測(cè)任務(wù)。

在解決多星分布式協(xié)同任務(wù)規(guī)劃問(wèn)題時(shí)，具有分配效率高、環(huán)境適應(yīng)性強(qiáng)等特點(diǎn)的合同網(wǎng)協(xié)議機(jī)制逐漸成為一種有效的方法［2］。文獻(xiàn)［3］設(shè)計(jì)了投標(biāo)者初選策略以及誠(chéng)信機(jī)制，有效降低了系統(tǒng)的通信負(fù)擔(dān)，但衛(wèi)星之間沒(méi)有建立有效的協(xié)調(diào)機(jī)制。文獻(xiàn)［4］針對(duì)海洋目標(biāo)的快速響應(yīng)問(wèn)題設(shè)計(jì)了改進(jìn)的合同網(wǎng)算法，充分利用了衛(wèi)星計(jì)算的實(shí)時(shí)特征和靈活性。文獻(xiàn)［5］設(shè)計(jì)了分層分布式任務(wù)框架，底層規(guī)劃根據(jù)合同網(wǎng)協(xié)議進(jìn)行任務(wù)分配。文獻(xiàn)［6］提出了可解約循環(huán)合同網(wǎng)進(jìn)行任務(wù)規(guī)劃，有效降低了衛(wèi)星的通信成本，但沒(méi)有考慮突發(fā)情況的影響。

合同網(wǎng)協(xié)議機(jī)制雖然能夠?qū)Χ嘈菂f(xié)同任務(wù)規(guī)劃問(wèn)題進(jìn)行建模優(yōu)化，但是由于評(píng)標(biāo)節(jié)點(diǎn)和拍賣(mài)節(jié)點(diǎn)的中心性較高，一旦中心節(jié)點(diǎn)發(fā)生故障，很可能導(dǎo)致整個(gè)任務(wù)的失敗?；贛ulti-Agent和博弈理論的分布式規(guī)劃研究提供了新的解決思路。文獻(xiàn)［7］面向應(yīng)急任務(wù)建立了基于虛擬星座的Multi-Agent任務(wù)規(guī)劃模型，對(duì)標(biāo)準(zhǔn)的合同網(wǎng)協(xié)議進(jìn)行了改進(jìn)求解。文獻(xiàn)［8］考慮了許多動(dòng)態(tài)因素，應(yīng)用Multi-Agent的體系結(jié)構(gòu)進(jìn)行求解，并總結(jié)了Multi-Agent這一分布式架構(gòu)的優(yōu)勢(shì)。文獻(xiàn)［9］構(gòu)建基于Multi-Agent的星上自主管理和多衛(wèi)星協(xié)同體系結(jié)構(gòu)，解決多星系統(tǒng)的自主任務(wù)規(guī)劃問(wèn)題。文獻(xiàn)［10］以黑板模型建立衛(wèi)星協(xié)作的Multi-Agent協(xié)商機(jī)制，并采用串行和并行兩種策略，有效降低了星間平均協(xié)商次數(shù)。

研究理性個(gè)體間競(jìng)爭(zhēng)與合作的博弈理論也逐漸得到衛(wèi)星任務(wù)規(guī)劃領(lǐng)域研究人員的關(guān)注。文獻(xiàn)［11］提出了基于效用的后悔博弈、煙霧信號(hào)博弈和基于廣播的博弈作為分布式協(xié)商策略，但僅適用于任務(wù)規(guī)模小并且需求簡(jiǎn)單的衛(wèi)星任務(wù)規(guī)劃。文獻(xiàn)［12］提出一種基于博弈的網(wǎng)絡(luò)化博弈模型，能夠得到性能略低于集中式調(diào)度的解，但場(chǎng)景約束較為簡(jiǎn)化。文獻(xiàn)［13］提出了基于博弈的分布式任務(wù)算法，在各規(guī)模場(chǎng)景實(shí)驗(yàn)下，可以獲得接近集中式粒子群優(yōu)化算法的結(jié)果。文獻(xiàn)［14］提出了一種博弈協(xié)商機(jī)制的多星自主分布式任務(wù)規(guī)劃模型，能夠用于較大規(guī)模問(wèn)題，但對(duì)于博弈均衡的具體過(guò)程和結(jié)果沒(méi)有進(jìn)行詳細(xì)闡述。

綜上分析，隨著衛(wèi)星智能化的不斷發(fā)展，博弈論研究的不斷深入，隱含著Agent理論、星間競(jìng)爭(zhēng)合作關(guān)系描述更為清晰的基于博弈理論的協(xié)同規(guī)劃方式更可能成為未來(lái)研究的重要方向。

3．2 規(guī)劃求解算法研究

隨著智能技術(shù)的發(fā)展，越來(lái)越多的研究將智能優(yōu)化算法應(yīng)用到衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題的求解中。智能優(yōu)化算法計(jì)算相對(duì)簡(jiǎn)單，求解效率更高，面對(duì)大規(guī)模問(wèn)題也能在有效時(shí)間范圍內(nèi)尋得較優(yōu)解，因而應(yīng)用日益廣泛。從形成原理角度，智能優(yōu)化算法可分為4類：進(jìn)化機(jī)制算法、群智能算法、虛擬物理規(guī)則算法和機(jī)器學(xué)習(xí)方法。

（1）進(jìn)化機(jī)制算法

進(jìn)化機(jī)制算法是一種基于種群劃分的優(yōu)化算法，主要包括遺傳算法、多目標(biāo)進(jìn)化算法、差分進(jìn)化算法等。文獻(xiàn)［15］提出一種改進(jìn)遺傳算法，引入資源隨機(jī)分配的解碼策略來(lái)提高算法性能。文獻(xiàn)［16］提出了一種多目標(biāo)二進(jìn)制編碼差分進(jìn)化算法，能夠更有效地獲得收斂性和分布都較優(yōu)的解。文獻(xiàn)［17］提出一種基于偏好的多目標(biāo)進(jìn)化算法，在計(jì)算效率上有較好的提升。文獻(xiàn)［18］提出一種多目標(biāo)學(xué)習(xí)進(jìn)化算法來(lái)解決成像衛(wèi)星任務(wù)規(guī)劃的區(qū)域映射問(wèn)題。

（2）群智能算法

群智能算法通常是模擬自然界中生物的聚集、合并、覓食等行為構(gòu)建的一類智能優(yōu)化算法，主要包括蟻群算法、人工蜂群算法和粒子群算法等。文獻(xiàn)［19］基于合作競(jìng)爭(zhēng)機(jī)制和動(dòng)態(tài)調(diào)整方法，提出一種進(jìn)化蟻群優(yōu)化方法進(jìn)行任務(wù)預(yù)規(guī)劃。文獻(xiàn)［20］建立了基于分治策略的多星觀測(cè)分層調(diào)度框架，在第一層采用蟻群算法將任務(wù)分配至衛(wèi)星軌道圈次進(jìn)行求解。文獻(xiàn)［21］提出一種改進(jìn)的人工蜂群算法，提高了搜索優(yōu)化能力。文獻(xiàn)［22］提出一種改進(jìn)的粒子群優(yōu)化算法，解決了該優(yōu)化模型中的離散-連續(xù)混合變量問(wèn)題。

（3）虛擬物理規(guī)則算法

虛擬物理規(guī)則算法是模擬自然界中的一些物理和化學(xué)現(xiàn)象的智能優(yōu)化算法，主要包括模擬退火算法、多元宇宙算法等。文獻(xiàn)［23］提出了一種自適應(yīng)模擬退火算法，通過(guò)引入額外參數(shù)解決由連續(xù)不滿意迭代次數(shù)導(dǎo)致的溫度上升過(guò)快問(wèn)題。文獻(xiàn)［24］基于雙層編程和分而治之的思想設(shè)計(jì)了自適應(yīng)大鄰域搜索算法，外層采用模擬退火準(zhǔn)則來(lái)控制搜索過(guò)程。文獻(xiàn)［25］提出禁忌退火遺傳混合算法，提高了尋得全局最優(yōu)解的概率和求解速度。文獻(xiàn)［10］提出一種混合離散多元宇宙優(yōu)化算法，有效降低了求解復(fù)雜度，尋優(yōu)能力得到提升。

（4）機(jī)器學(xué)習(xí)方法

隨著人工智能技術(shù)快速發(fā)展，通過(guò)優(yōu)化方法挖掘數(shù)據(jù)規(guī)律的機(jī)器學(xué)習(xí)方法逐漸被大量研究人員關(guān)注。文獻(xiàn)［26］構(gòu)建了動(dòng)態(tài)隨機(jī)背包觀測(cè)模型，采取神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)的方式進(jìn)行求解。文獻(xiàn)［27］研究了一種通用數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)算法對(duì)任務(wù)規(guī)劃模型進(jìn)行求解。文獻(xiàn)［28］提出一種基于Multi-Agent深度強(qiáng)化學(xué)習(xí)的多星協(xié)同觀測(cè)調(diào)度方法，能夠降低系統(tǒng)通信負(fù)擔(dān)，縮短響應(yīng)時(shí)間。文獻(xiàn)［29］提出多頭注意力指針網(wǎng)絡(luò)算法，求解效率較高，但僅針對(duì)單星單次觀測(cè)任務(wù)規(guī)劃問(wèn)題進(jìn)行研究。

綜上分析，衛(wèi)星觀測(cè)任務(wù)規(guī)劃求解算法作為解決該問(wèn)題的關(guān)鍵一環(huán)，算法的設(shè)計(jì)優(yōu)化是研究的重中之重。隨著人工智能技術(shù)的不斷成熟，具備自我學(xué)習(xí)能力、環(huán)境感知能力和自主決策能力的機(jī)器學(xué)習(xí)方法更可能成為未來(lái)規(guī)劃求解算法的重點(diǎn)研究方向。

4 結(jié)束語(yǔ)

本文基于CiteSpace可視化科學(xué)知識(shí)圖譜軟件，對(duì)CNKI數(shù)據(jù)庫(kù)和WOS核心合集數(shù)據(jù)庫(kù)中近20年的衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題研究文獻(xiàn)的關(guān)鍵詞進(jìn)行了可視化的系統(tǒng)分析，并梳理總結(jié)了當(dāng)前主要熱點(diǎn)問(wèn)題研究現(xiàn)狀，充分展現(xiàn)了衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題的研究熱點(diǎn)及發(fā)展趨勢(shì)，其研究前景十分廣闊。該領(lǐng)域未來(lái)深入研究的方向可以著重關(guān)注以下兩個(gè)方面：

（1）融合博弈理論的衛(wèi)星觀測(cè)任務(wù)主從規(guī)劃方法研究。衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題其實(shí)際是任務(wù)分配-資源調(diào)度兩階段問(wèn)題，是一類多層級(jí)優(yōu)化問(wèn)題，兩階段不僅是主從關(guān)系，還具有不同的優(yōu)化目標(biāo)，其分別制定決策的過(guò)程就是一場(chǎng)博弈：任務(wù)分配階段的決策不僅受其自身?xiàng)l件約束限制，還受資源調(diào)度階段決策結(jié)果的影響，資源調(diào)度階段的決策亦然。兩階段互相影響、互相約束、互為博弈對(duì)象相互制衡。因此，如何應(yīng)用博弈思想充分闡明衛(wèi)星觀測(cè)任務(wù)規(guī)劃問(wèn)題兩階段的內(nèi)在耦合關(guān)系，利用博弈協(xié)商機(jī)制以衛(wèi)星個(gè)體間的交互實(shí)現(xiàn)全局優(yōu)化，將主從博弈理論與該問(wèn)題的求解更加系統(tǒng)、完整地結(jié)合，是未來(lái)研究的重要方向。

（2）融合博弈理論的深度強(qiáng)化學(xué)習(xí)規(guī)劃求解算法研究。已有研究對(duì)問(wèn)題以Multi-Agent結(jié)構(gòu)進(jìn)行系統(tǒng)建模，并引入機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)小規(guī)模場(chǎng)景的衛(wèi)星快速、自主規(guī)劃求解，可見(jiàn)其具有進(jìn)一步發(fā)展的潛力。面對(duì)大規(guī)模復(fù)雜場(chǎng)景，由于衛(wèi)星數(shù)量的增加，在強(qiáng)化學(xué)習(xí)中將最大化單個(gè)個(gè)體的累積回報(bào)的期望值作為學(xué)習(xí)目標(biāo)往往很難收斂，而博弈理論可以很好地解決衛(wèi)星間交互關(guān)系，能用均衡解來(lái)替代最優(yōu)解，進(jìn)而求得更為行之有效的策略。因此，如何針對(duì)衛(wèi)星觀測(cè)任務(wù)規(guī)劃這一大規(guī)模復(fù)雜實(shí)際問(wèn)題，采用融合博弈理論的深度強(qiáng)化學(xué)習(xí)算法對(duì)衛(wèi)星系統(tǒng)的Multi-Agent模型進(jìn)行規(guī)劃求解，是未來(lái)實(shí)現(xiàn)多星自主協(xié)同完成任務(wù)規(guī)劃的突破性關(guān)鍵技術(shù)問(wèn)題。

參考文獻(xiàn)：

[1] 朱亮， 孟憲學(xué). 文獻(xiàn)計(jì)量法與內(nèi)容分析法比較研究［J］. 圖書(shū)館工作與研究， 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］ 靳鵬， 李康. 基于改進(jìn)合同網(wǎng)協(xié)議的分布式衛(wèi)星資源調(diào)度［J］. 系統(tǒng)工程與電子技術(shù)， 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］ 張超， 靳鵬， 陳金勇， 等. 面向應(yīng)急觀測(cè)的虛擬星座任務(wù)規(guī)劃技術(shù)［J］. 系統(tǒng)工程與電子技術(shù)， 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.

［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］劉立昊， 董正宏， 蘇昊翔， 等. 博弈協(xié)商策略下的多星分布式協(xié)同任務(wù)規(guī)劃［J］. 控制理論與應(yīng)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］韓傳奇， 劉玉榮， 李虎. 基于改進(jìn)遺傳算法對(duì)小衛(wèi)星星群任務(wù)規(guī)劃研究［J］. 空間科學(xué)學(xué)報(bào)， 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］劉建銀， 賈學(xué)卿， 王忠偉. 面向多星觀測(cè)調(diào)度的分層迭代算法［J］. 國(guó)防科技大學(xué)學(xué)報(bào)， 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］宋彥杰， 宋冰玉， 邢立寧， 等. 面向星地協(xié)同觀測(cè)規(guī)劃問(wèn)題的改進(jìn)人工蜂群算法［J］. 控制與決策， 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， 郭延寧， 馬廣富， 等. 采用混合遺傳算法的敏捷衛(wèi)星自主觀測(cè)任務(wù)規(guī)劃［J］. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)， 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］馬一凡， 趙凡宇， 王鑫， 等. 基于改進(jìn)指針網(wǎng)絡(luò)的衛(wèi)星對(duì)地觀測(cè)任務(wù)規(guī)劃方法［J］. 浙江大學(xué)學(xué)報(bào)（工學(xué)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.

（責(zé)任編輯：胡前進(jìn)）