Gu等云量预测任务重规划：滚动修复与SAR替代动作

文献与适用边界

对应文献：Gu, Y.; Han, C.; Chen, Y.; Xing, W. W. Mission Replanning for Multiple Agile Earth Observation Satellites Based on Cloud Coverage Forecasting. IEEE JSTARS, 2022.

该文研究基于云量预测的敏捷卫星任务重规划。它主要服务光学卫星调度，但其“预测-识别受影响任务-局部修复计划”的流程非常适合扩展为同平台SAR补观测。

算法思路

原始计划 $P^0$ 在执行前或执行中获得新的云量预测。若某些光学任务的云量风险过高，则这些任务的实际收益下降。重规划需要在两类目标之间折中：提高新计划的有效收益，同时尽量减少对原计划的扰动。

变量定义

原计划中任务 $i$ 的执行变量为 $x_i^0$，新计划变量为 $x_i$。云量预测为 $\hat{C}_{iw}$，有效收益为：

$$\hat{p}_{iw}=p_i q(\hat{C}_{iw})$$

计划扰动可定义为：

$$\Delta(P,P^0)=\sum_i |x_i-x_i^0|+\sum_i \delta_i^{time}$$

其中 $\delta_i^{time}$ 表示任务时间变化幅度。

目标函数推导

重规划目标可写为：

$$\max \sum_{i,w}\hat{p}_{iw}x_{iw}-\lambda \Delta(P,P^0)$$

第一项追求新预测下的有效收益，第二项惩罚计划扰动。若某些任务是应急任务，可使用更大的 $p_i$ 或更小的扰动惩罚。

同平台光学/SAR扩展：

$$\max \sum_{i,w}\left[ p_i q(\hat{C}_{iw})x_{iw,OPT} +p_i q_{SAR}(\theta_{iw},k_{iw})x_{iw,SAR} \right] -\lambda \Delta(P,P^0) -\lambda_s C_{switch}$$

其中 $C_{switch}$ 是光学与SAR载荷切换成本。

约束推导

任务执行约束：

$$\sum_{w,m}x_{iwm}\le 1$$

若任务必须被保障观测，可写为：

$$\sum_{w,m}x_{iwm}=1,\quad i\in I^{urgent}$$

重规划冻结约束：对已经执行或即将执行且不可更改的任务：

$$x_i=x_i^0,\quad i\in I^{fixed}$$

载荷切换约束：

$$s_j\ge s_i+d_i+\tau_{ij}^{att}+\tau_{m_i,m_j}^{payload}$$

算法流程

1. 读取原计划和最新云量预测。
2. 计算每个光学任务的新有效收益。
3. 标记高云量风险任务和可调整任务。
4. 生成替代窗口，包括其他光学窗口和SAR窗口。
5. 在局部时间范围内求解重规划模型。
6. 比较收益提升与扰动成本，输出修复计划。

对同平台光学/SAR的意义

该模型给出了云量驱动的滚动重规划机制。真正迁移到同平台时，需要把“换一个光学窗口”扩展为“换载荷、换模式、换窗口”，并加入SAR能耗、热控和数据量惩罚。

论文截图（算法流程、步骤与效果）

截图来自对应论文 PDF 页面，并已通过 PicGo 上传。用于快速定位原文中的算法流程、关键步骤或实验效果；若截图为相关替代文献，已在说明中标注。

截图 1：模型页：云量预测、任务收益与重规划模型

来源：R05_Mission Replanning for Multiple Agile Earth Observation Satellites Based on Cloud Coverage Forecasting.pdf，PDF 第 3 页。

截图 2：实验/效果页：云量预测和重规划效果曲线

来源：R05_Mission Replanning for Multiple Agile Earth Observation Satellites Based on Cloud Coverage Forecasting.pdf，PDF 第 12 页。