RL-styrd algoritm optimerar schemaläggning av jordobservationssatelliter

arXiv cs.AI

Forskare har kombinerat reinforcement learning (förstärkningsinlärning) med evolutionära algoritmer för att lösa ett klassiskt schemaläggningsproblem: hur man bäst koordinerar en grupp satelliter med olika egenskaper för att fotografera jordens yta. Metoden, kallad RLOSMEA, låter RL-agenten välja vilka sökstrategier som ska användas – snarare än att bygga scheman direkt – och presterar bättre än jämförbara baslinjealgoritmer. Det intressanta här är egentligen hur RL används som 'dirigent' för andra optimeringsmetoder, ett tillvägagångssätt som kan tillämpas långt utanför satellitschemaläggning.