衛星觀測任務規劃問題研究熱點與趨勢分析

摘 要：面對日益增長的觀測任務需求，衛星資源合理高效的任務規劃愈發關鍵。為更好地把握當前衛星觀測任務規劃問題的研究熱點與發展趨勢，結合文獻計量分析和內容分析方法，首先，利用可視化科學知識圖譜工具CiteSpace對該領域關鍵詞進行分析，得出分布式協同任務規劃方法和規劃求解算法為該領域的主要熱點問題，接著，對其研究現狀進行綜述，最后，對未來研究可重點關注的發展方向進行展望，為衛星觀測任務規劃問題研究及應用提供參考。

關鍵詞：衛星任務規劃;觀測任務;可視化分析;分布式協同;規劃求解算法

中圖分類號：E917；V474 文獻標志碼：A DOI：10.3969/j.issn.1673-3819.2025.01.019

Satellite observation mission planning issues： hotspots and trends analysis

WANG Yi， LIU Desheng， LIU Jiatong， YANG Yang， HU Qinying

（Space Engineering University， Beijing 101416， China）

Abstract：In the face of the continuous growth of demand for observation missions， it is increasingly critical to execute reasonable and efficient mission planning for more and more satellite resources. In order to better grasp the current research hotspots and trends of satellite observation mission planning， this paper combines the bibliometric analysis and content analysis methods. First of all， by using science knowledge mapping tool CiteSpace， the visualization analysis of keywords in this field is carried out， drawing a conclusion that the main hotspots are distributed collaboration mission planning methods and planning solving algorithms. Then， the researches on these two issues are respectively discussed. On this basis， the development directions of this field that can be focused on in the future are forecasted at last. This paper provides reference for the research and application of satellite observation mission planning.

Key words： satellite mission planning; observation mission; visual analysis; distributed collaboration; planning solving algorithm

衛星觀測任務規劃是面向具體任務需求的頂層規劃設計問題，主要目標是在衛星有效的工作時間段內，依據觀測任務需求、衛星資源能力、外界約束條件等信息，合理高效地安排有限的資源執行更多、更重要的任務，規劃方案的優劣決定觀測效益的高低，因而受到學者的廣泛關注和研究。

本文基于文獻計量學的研究方法，采用定量和定性分析相結合的方式，利用CiteSpace可視化科學知識圖譜軟件對衛星觀測任務規劃研究熱點與趨勢進行分析與總結，并對分析得出的主要熱點問題的研究現狀進行梳理與歸納，最后總結并展望未來發展方向。

1 研究方法及數據處理

文獻計量法是一種基于數學和統計學的定量分析方法［1］，通常輔以可視化科學知識圖譜，更生動形象地展現某領域研究的發展進程、研究熱點和趨勢。本文將應用CiteSpace可視化分析軟件，挖掘衛星觀測任務規劃問題研究關鍵詞聚類分布，發現該領域研究熱點及前沿趨勢，并基于此對目前的相關研究進行總結。

文獻檢索數據來源于中國知網（CNKI）數據庫和Web of Science（WOS）核心合集數據庫，詳細檢索情況如表1所示。

數據獲取并篩選完畢后，在CiteSpace軟件中進行數據預處理，并設置相應的參數構建關鍵詞共現圖譜，最后，利用其聚類分析功能得到以關鍵詞為標簽的聚類網絡。基于CNKI數據庫的關鍵詞聚類網絡節點數為290，節點間存在521條連線，模塊值（簡稱Q值）為0．576 2，表明該結構較為清晰（當Q值gt;0．3時，可以認為該聚類結構顯著），且用于衡量網絡平均同質性的平均輪廓值（簡稱S值）為0．902 7，可認為該聚類圖合理（當S值gt;0．5時，可以認為該聚類合理）。基于WOS核心合集數據庫的關鍵詞聚類網絡節點數為237，節點間存在662條連線，Q值為0．660 7，S值為0．901 9，表明該聚類圖合理且結構較為清晰。

2 國內外研究熱點與發展趨勢分析

綜合關鍵詞共現和聚類分析功能，關鍵詞聚類按照聚類規模從大到小進行排序，經過整理篩選得出如圖1所示的國內外衛星觀測任務規劃問題關鍵詞聚類圖譜。

對國內外衛星觀測任務規劃問題關鍵詞聚類圖譜進行綜合分析，可以得知：具有靈活姿態機動能力的敏捷衛星具備更大范圍、更加高效的對地觀測能力，備受研究者青睞;隨著在軌衛星資源的不斷增加，多星協同以及分布式衛星系統架構也是當前該領域的研究熱點;作為規劃求解的關鍵，算法一詞在多個聚類中均有出現，可見其廣受該領域研究者的重點關注。

在關鍵詞聚類圖譜的基礎上，繪制關鍵詞聚類時間線圖譜如圖2所示。

從圖2可以看出，當前衛星觀測任務規劃問題熱度持續不減，多星協同和遺傳算法自2010年左右興起，分布式衛星系統自2015年開始受到大量研究關注，至今仍是該領域研究的熱點問題。近年來，針對更大規模衛星網絡和衛星集群的關注和研究日益增加;在考慮星間協商決策問題上，多星協同和博弈逐漸成為主要研究的熱點;隨著智能化、自主化的發展熱潮，衛星自主規劃、在線調度、分布式協同也成為該領域的研究熱點;在求解算法上，遺傳算法持續備受關注，智能體學習和強化學習也是熱點關鍵詞，算法的更新與改進研究持續升溫。

綜上，衛星觀測任務規劃問題受到國內外研究者的持續關注，分布式多星協同和任務規劃求解算法不僅是當前該領域研究的熱點問題，也是該領域持續深入研究的重要方向。

3 主要熱點問題研究現狀分析

通過分析可知，當前衛星觀測任務規劃問題的研究熱點及發展趨勢主要集中在分布式協同規劃和規劃求解算法兩大方向，分布式協同是規劃架構層面，側重于頂層設計的研究，算法是規劃求解層面，側重于效益提升的研究。

3．1 分布式協同規劃研究

分布式的多星協同任務規劃是指每顆衛星在避免與其他衛星沖突的前提下，結合自身與其他衛星的狀態，分別進行自主決策完成部分對地觀測任務，從而實現多星協同完成總體觀測任務。

在解決多星分布式協同任務規劃問題時，具有分配效率高、環境適應性強等特點的合同網協議機制逐漸成為一種有效的方法［2］。文獻［3］設計了投標者初選策略以及誠信機制，有效降低了系統的通信負擔，但衛星之間沒有建立有效的協調機制。文獻［4］針對海洋目標的快速響應問題設計了改進的合同網算法，充分利用了衛星計算的實時特征和靈活性。文獻［5］設計了分層分布式任務框架，底層規劃根據合同網協議進行任務分配。文獻［6］提出了可解約循環合同網進行任務規劃，有效降低了衛星的通信成本，但沒有考慮突發情況的影響。

合同網協議機制雖然能夠對多星協同任務規劃問題進行建模優化，但是由于評標節點和拍賣節點的中心性較高，一旦中心節點發生故障，很可能導致整個任務的失敗。基于Multi-Agent和博弈理論的分布式規劃研究提供了新的解決思路。文獻［7］面向應急任務建立了基于虛擬星座的Multi-Agent任務規劃模型，對標準的合同網協議進行了改進求解。文獻［8］考慮了許多動態因素，應用Multi-Agent的體系結構進行求解，并總結了Multi-Agent這一分布式架構的優勢。文獻［9］構建基于Multi-Agent的星上自主管理和多衛星協同體系結構，解決多星系統的自主任務規劃問題。文獻［10］以黑板模型建立衛星協作的Multi-Agent協商機制，并采用串行和并行兩種策略，有效降低了星間平均協商次數。

研究理性個體間競爭與合作的博弈理論也逐漸得到衛星任務規劃領域研究人員的關注。文獻［11］提出了基于效用的后悔博弈、煙霧信號博弈和基于廣播的博弈作為分布式協商策略，但僅適用于任務規模小并且需求簡單的衛星任務規劃。文獻［12］提出一種基于博弈的網絡化博弈模型，能夠得到性能略低于集中式調度的解，但場景約束較為簡化。文獻［13］提出了基于博弈的分布式任務算法，在各規模場景實驗下，可以獲得接近集中式粒子群優化算法的結果。文獻［14］提出了一種博弈協商機制的多星自主分布式任務規劃模型，能夠用于較大規模問題，但對于博弈均衡的具體過程和結果沒有進行詳細闡述。

綜上分析，隨著衛星智能化的不斷發展，博弈論研究的不斷深入，隱含著Agent理論、星間競爭合作關系描述更為清晰的基于博弈理論的協同規劃方式更可能成為未來研究的重要方向。

3．2 規劃求解算法研究

隨著智能技術的發展，越來越多的研究將智能優化算法應用到衛星觀測任務規劃問題的求解中。智能優化算法計算相對簡單，求解效率更高，面對大規模問題也能在有效時間范圍內尋得較優解，因而應用日益廣泛。從形成原理角度，智能優化算法可分為4類：進化機制算法、群智能算法、虛擬物理規則算法和機器學習方法。

（1）進化機制算法

進化機制算法是一種基于種群劃分的優化算法，主要包括遺傳算法、多目標進化算法、差分進化算法等。文獻［15］提出一種改進遺傳算法，引入資源隨機分配的解碼策略來提高算法性能。文獻［16］提出了一種多目標二進制編碼差分進化算法，能夠更有效地獲得收斂性和分布都較優的解。文獻［17］提出一種基于偏好的多目標進化算法，在計算效率上有較好的提升。文獻［18］提出一種多目標學習進化算法來解決成像衛星任務規劃的區域映射問題。

（2）群智能算法

群智能算法通常是模擬自然界中生物的聚集、合并、覓食等行為構建的一類智能優化算法，主要包括蟻群算法、人工蜂群算法和粒子群算法等。文獻［19］基于合作競爭機制和動態調整方法，提出一種進化蟻群優化方法進行任務預規劃。文獻［20］建立了基于分治策略的多星觀測分層調度框架，在第一層采用蟻群算法將任務分配至衛星軌道圈次進行求解。文獻［21］提出一種改進的人工蜂群算法，提高了搜索優化能力。文獻［22］提出一種改進的粒子群優化算法，解決了該優化模型中的離散-連續混合變量問題。

（3）虛擬物理規則算法

虛擬物理規則算法是模擬自然界中的一些物理和化學現象的智能優化算法，主要包括模擬退火算法、多元宇宙算法等。文獻［23］提出了一種自適應模擬退火算法，通過引入額外參數解決由連續不滿意迭代次數導致的溫度上升過快問題。文獻［24］基于雙層編程和分而治之的思想設計了自適應大鄰域搜索算法，外層采用模擬退火準則來控制搜索過程。文獻［25］提出禁忌退火遺傳混合算法，提高了尋得全局最優解的概率和求解速度。文獻［10］提出一種混合離散多元宇宙優化算法，有效降低了求解復雜度，尋優能力得到提升。

（4）機器學習方法

隨著人工智能技術快速發展，通過優化方法挖掘數據規律的機器學習方法逐漸被大量研究人員關注。文獻［26］構建了動態隨機背包觀測模型，采取神經網絡和強化學習的方式進行求解。文獻［27］研究了一種通用數據驅動的機器學習算法對任務規劃模型進行求解。文獻［28］提出一種基于Multi-Agent深度強化學習的多星協同觀測調度方法，能夠降低系統通信負擔，縮短響應時間。文獻［29］提出多頭注意力指針網絡算法，求解效率較高，但僅針對單星單次觀測任務規劃問題進行研究。

綜上分析，衛星觀測任務規劃求解算法作為解決該問題的關鍵一環，算法的設計優化是研究的重中之重。隨著人工智能技術的不斷成熟，具備自我學習能力、環境感知能力和自主決策能力的機器學習方法更可能成為未來規劃求解算法的重點研究方向。

4 結束語

本文基于CiteSpace可視化科學知識圖譜軟件，對CNKI數據庫和WOS核心合集數據庫中近20年的衛星觀測任務規劃問題研究文獻的關鍵詞進行了可視化的系統分析，并梳理總結了當前主要熱點問題研究現狀，充分展現了衛星觀測任務規劃問題的研究熱點及發展趨勢，其研究前景十分廣闊。該領域未來深入研究的方向可以著重關注以下兩個方面：

（1）融合博弈理論的衛星觀測任務主從規劃方法研究。衛星觀測任務規劃問題其實際是任務分配-資源調度兩階段問題，是一類多層級優化問題，兩階段不僅是主從關系，還具有不同的優化目標，其分別制定決策的過程就是一場博弈：任務分配階段的決策不僅受其自身條件約束限制，還受資源調度階段決策結果的影響，資源調度階段的決策亦然。兩階段互相影響、互相約束、互為博弈對象相互制衡。因此，如何應用博弈思想充分闡明衛星觀測任務規劃問題兩階段的內在耦合關系，利用博弈協商機制以衛星個體間的交互實現全局優化，將主從博弈理論與該問題的求解更加系統、完整地結合，是未來研究的重要方向。

（2）融合博弈理論的深度強化學習規劃求解算法研究。已有研究對問題以Multi-Agent結構進行系統建模，并引入機器學習算法實現小規模場景的衛星快速、自主規劃求解，可見其具有進一步發展的潛力。面對大規模復雜場景，由于衛星數量的增加，在強化學習中將最大化單個個體的累積回報的期望值作為學習目標往往很難收斂，而博弈理論可以很好地解決衛星間交互關系，能用均衡解來替代最優解，進而求得更為行之有效的策略。因此，如何針對衛星觀測任務規劃這一大規模復雜實際問題，采用融合博弈理論的深度強化學習算法對衛星系統的Multi-Agent模型進行規劃求解，是未來實現多星自主協同完成任務規劃的突破性關鍵技術問題。

參考文獻：

[1] 朱亮， 孟憲學. 文獻計量法與內容分析法比較研究［J］. 圖書館工作與研究， 2013（6）： 64-66.ZHU L， MENG X X. The comparative study on bibliometric method and content analysis method［J］. Library Work and Study， 2013（6）： 64-66.

［2］ SMITH R G， DAVIS R. Frameworks for cooperation in distributed problem solving［J］. IEEE Transactions. on Systems， Man， and Cybernetics， 1981， 11（1）： 61-70.

［3］ YANG W Y， HE L， LIU X L， et al. Onboard coordination and scheduling of multiple autonomous satellites in an uncertain environment［J］. Advances in Space Research， 2021， 68（11）： 4 505-4 524.

［4］ ZHANG C， CHEN J Y， LI Y B， et al. Satellite group autonomous operation mechanism and planning algorithm for marine target surveillance［J］. Chinese Journal of Aeronautics， 2019， 32（4）： 991-998.

［5］ CHEN Y T， TIAN G Q， GUO J Y， et al. Task planning for multiple-satellite-space-situational-awareness systems［J］. Aerospace， 2021， 8（3）： 73.

［6］ 靳鵬， 李康. 基于改進合同網協議的分布式衛星資源調度［J］. 系統工程與電子技術， 2022， 44（10）： 3 164-3 173.JIN P， LI K. Distributed satellite resource scheduling based on improved contract network protocol［J］. Systems Engineering and Electronics， 2022， 44（10）： 3 164-3 173.

［7］ 張超， 靳鵬， 陳金勇， 等. 面向應急觀測的虛擬星座任務規劃技術［J］. 系統工程與電子技術， 2019， 41（4）： 819-825.ZHANG C， JIN P， CHEN J Y， et al. Virtual constellation task planning technology for emergency observation［J］. Systems Engineering and Electronics， 2019， 41（4）： 819-825.

［8］ SKOBELEV P O， SIMONOVA E V， ZHILYAEV A A， et al. Application of multi-agent technology in the scheduling system of swarm of earth remote sensing satellites［J］. Procedia Computer Science， 2017（103）： 396-402.

［9］ LONG J， WU S M， HAN X D， et al. Autonomous task planning method for multi-satellite system based on a hybrid genetic algorithm［J］. Aerospace， 2023， 10（1）： 70.

［10］YANG Y， LIU D S. Distributed imaging satellite mission planning based on multi-agent［J］. IEEE Access， 2023（11）： 65 530-65 545.

［11］ZHENG Z X， GUO J， GILL E. Distributed onboard mission planning for multi-satellite systems［J］. Aerospace Science and Technology， 2019（89）： 111-122.

［12］LIU L H， DONG Z H， SU H X， et al. A study of distributed earth observation satellites mission scheduling method based on game-negotiation mechanism［J］. Sensors， 2021， 21（19）： 6 660.

［13］SUN C H， WANG X C， QIU H X， et al. Game theoretic self-organization in multi-satellite distributed task allocation［J］. Aerospace Science and Technology， 2021（112）： 106 650.

［14］劉立昊， 董正宏， 蘇昊翔， 等. 博弈協商策略下的多星分布式協同任務規劃［J］. 控制理論與應用， 2023， 40（3）： 502-508.LIU L H， DONG Z H， SU H X， et al. Multi-satellite distributed mission scheduling via game strategy［J］. Control Theory ＆ Applications， 2023， 40（3）： 502-508.

［15］韓傳奇， 劉玉榮， 李虎. 基于改進遺傳算法對小衛星星群任務規劃研究［J］. 空間科學學報， 2019， 39（1）： 129-134.HAN C Q， LIU Y R， LI H. Mission planning for small satellite constellations based on improved genetic algorithm［J］. Chinese Journal of Space Science， 2019， 39（1）： 129-134.

［16］LI Z L， LI X J. A multi-objective binary-encoding differential evolution algorithm for proactive scheduling of agile earth observation satellites［J］. Advances in Space Research， 2019， 63（10）： 3 258-3 269.

［17］LI L M， CHEN H， LI J， et al. Preference-based evolutionary many-objective optimization for agile satellite mission planning［J］. IEEE Access， 2018（6）： 40 963-40 978.

［18］CHEN Y X， SHEN X， ZHANG G， et al. Multi-objective multi-satellite imaging mission planning algorithm for regional mapping based on deep reinforcement learning［J］. Remote Sensing， 2023， 15（16）： 3 932.

［19］QI J T， GUO J J， WANG M M， et al. A cooperative autonomous scheduling approach for multiple earth observation satellites with intensive missions［J］. IEEE Access， 2021（9）： 61 646-61 661.

［20］劉建銀， 賈學卿， 王忠偉. 面向多星觀測調度的分層迭代算法［J］. 國防科技大學學報， 2018， 40（5）： 183-190.LIU J Y， JIA X Q， WANG Z W. Hierarchical iteration algorithm for multi-satellite observation scheduling［J］. Journal of National University of Defense Technology， 2018， 40（5）： 183-190.

［21］宋彥杰， 宋冰玉， 邢立寧， 等. 面向星地協同觀測規劃問題的改進人工蜂群算法［J］. 控制與決策， 2022， 37（3）： 555-564.SONG Y J， SONG B Y， XING L N， et al. Improved artificial bee colony algorithm for satellite-ground cooperative observation planning problem［J］. Control and Decision，2022， 37（3）： 555-564.

［22］LU Z Z， SHEN X， LI D R， et al. Multiple super-agile satellite collaborative mission planning for area target imaging［J］. International Journal of Applied Earth Observation and Geoinformation， 2023（117）： 103 211.

［23］WU G H， WANG H L， PEDRYCZ W， et al. Satellite observation scheduling with a novel adaptive simulated annealing algorithm and a dynamic task clustering strategy［J］. Computers ＆ Industrial Engineering， 2017（113）： 576-588.

［24］HE L， LIU X L， LAPORTE G， et al. An improved adaptive large neighborhood search algorithm for multiple agile satellites scheduling［J］. Computers ＆ Operations Research， 2018（100）： 12-25.

［25］高新洲， 郭延寧， 馬廣富， 等. 采用混合遺傳算法的敏捷衛星自主觀測任務規劃［J］. 哈爾濱工業大學學報， 2021， 53（12）： 1-9.GAO X Z， GUO Y N， MA G F， et al. Agile satellite autonomous observation mission planning using hybrid genetic algorithm［J］. Journal of Harbin Institute of Technology， 2021， 53（12）： 1-9.

［26］WANG H J， YANG Z， ZHOU W G， et al. Online scheduling of image satellites based on neural networks and deep reinforcement learning［J］. Chinese Journal of Aeronautics， 2019， 32（4）： 1 011-1 019.

［27］SONG Y J， ZHOU Z Y， ZHANG Z S， et al. A framework involving MEC： imaging satellites mission planning［J］. Neural Computing and Applications， 2020， 32（19）： 15 329-15 340.

［28］LI D L， WANG H J， YANG Z， et al. An online distributed satellite cooperative observation scheduling algorithm based on multiagent deep reinforcement learning［J］. IEEE Geoscience and Remote Sensing Letters， 2021， 18（11）： 1 901-1 905.

［29］馬一凡， 趙凡宇， 王鑫， 等. 基于改進指針網絡的衛星對地觀測任務規劃方法［J］. 浙江大學學報（工學版）， 2021， 55（2）： 395-401.MA Y F， ZHAO F Y， WANG X， et al. Satellite earth observation task planning method based on improved pointer networks［J］. Journal of Zhejiang University （Engineering Science）， 2021， 55（2）： 395-401.

（責任編輯：胡前進）