تعد جدولة أقمار المراقبة الأرضية (Earth Observation satellites) من التحديات الكبيرة في مجال تحسين الأداء التكنولوجي، حيث تتعلق بتحديد المهام التصويرية المناسبة وأوقات تنفيذها. وفي العادة، تفترض الطرق التقليدية أن نموذج القيود التشغيلية معروف بشكل كامل مسبقًا. لكن في الواقع، تتضمن القيود المرتبطة بالفصل بين الملاحظات، ميزانيات الطاقة، والحدود الحرارية، الكثير من الغموض وتعتمد غالبًا على نماذج هندسية أو محاكيات معقدة.

في هذا السياق، يقدم باحثون نهجًا جديدًا يعد بتحسين جدولة هذه الأقمار باستخدام ما يعرف بـ "اكتساب القيود النشطة" (Active Constraint Acquisition)، حيث يتم التعرف على القيود بشكل تفاعلي وذكي دون الحاجة إلى نموذج رياضي محدد سلفًا.

تعمل هذه الطريقة من خلال نموذج مبسط يركز على قيود الفصل الزواجي والسعة العامة. وأطلق فريق البحث على هذه العملية اسم "اكتساب القيود المحافظة" (Conservative Constraint Acquisition - CCA)، وهي إجراءات مصممة لتحديد القيود المبررة بكفاءة مع الحد من أي تشديد غير ضروري للنموذج المتعلم.

تم تضمين CCA في إطار عمل يتفاعل فيه التعلم مع التحسين "Learn&Optimize"، حيث يقوم بمحركات بحث تفاعلية تقلب بين تحسين القيود التي تم تعلمها والاستعلامات الهادفة للقيود. وفي التجارب العملية، أظهرت النتائج أن هذا النظام يحسن الأداء بشكل ملحوظ، حيث أظهر نتائجه على نماذج افتراضية تحتوي على ما يصل إلى 50 مهمة.

على سبيل المثال، أشارت البيانات إلى أن متوسط الفجوة في الأداء انخفض من 65-68% مع طرق "Priority Greedy" إلى 17.7-35.8% عند استخدام النظام الجديد. وحتى في الحالات التي تتضمن 50 مهمة، كان التحسين ملحوظًا حيث تفوقت النتائج الجديدة على أساليب الاعتماد على المعرفة السابقة في نسبة النجاح والوقت المستغرق.

🏷️ #جدولة الأقمار الصناعية

ثورة جديدة في جدولة أقمار المراقبة الأرضية: اكتشاف القيود التشغيلية غير المعروفة!