强化学习调度算法

星载任务执行更快

一种不需要实时硬件状态、基于反馈冗余调度并动态调整冗余时间的星载数据分析任务调度算法。

Qiu, Junji · 孙其博

Lecture Notes in Computer Science 2023

技术优势

不依赖实时硬件状态

调度决策不需要随时获知每颗卫星的硬件状态，因此在间歇连接场景下依然可用。

自适应冗余调度

算法动态调整冗余调度的时间，而不是预设固定节点，从而在任务执行时间和资源消耗之间取得平衡。

同时优化两项指标

在仿真中相比基准同时降低了任务执行时间和卫星资源消耗。

应用场景

• 星载计算：在星上直接处理数据，减少下行带宽需求。
• 空间数据分析：加速在轨数据分析流程，支撑时敏任务。
• 卫星任务规划：动态调度计算任务，提升任务完成率和资源利用率。
• 强化学习调度：用强化学习在不确定环境中做出调度决策。