系统工程与电子技术

作者：孟麟芝, 孙小涓, 胡玉新, 高斌, 孙国庆, 牟文浩

单位：1. 中国科学院空天信息创新研究院, 北京 100190；2. 中国科学院空间信息处理与应用系统技术重点实验室, 北京 100190；3. 中国科学院大学电子电气与通信工程学院, 北京 100049

关键词：卫星在轨处理,任务调度,资源分配,深度强化学习,李雅普诺夫优化

随着卫星对地观测进入多卫星、高分辨率、实时响应、全球观测的时代, 卫星在轨数据处理已成为提高遥感数据处理实时性的主流手段之一。在卫星资源受限、数传链路信道资源受限、随遇观测任务具有不可预测性的场景下, 进行数据处理任务实时调度具有较大挑战。首先，构建以最大化系统平均数据处理吞吐率为目标的优化问题模型。然后，提出一种在线的结合深度强化学习(deep reinforcement learning, DRL)的任务调度算法, 采用DRL算法能够实时计算任务调度策略, 选取拉格朗日对偶优化算法能够准确计算最优资源分配量。最后，通过仿真实验对算法有效性和数据处理吞吐率进行评价, 结果表明算法能够收敛并接近最优解, 相比于已有算法将数据处理吞吐率提高了约8%, 且在卫星数据到达速率及卫星计算节点数量增大时具有一定扩展性。所提算法能够在最大化系统平均数据处理吞吐率的同时, 保障高动态环境下任务队列长度及平均能耗稳定收敛。

来源：2025年第6期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2025年第6期