지구 관측 위성 스케줄을 미리 알 수 없는 운영 제약조건 하에서 최적화하기: 능동 제약 조건 취득 접근법

지구 관측 위성 스케줄링(관측할 Imaging 작업을 결정하고 언제 수행할지)은 잘 연구된 조합 최적화 문제이다. 현재의 방법들은 일반적으로 운영 제약 모델이 미리 완전히 지정된 것으로 가정한다. 그러나 실제로 관측 간의 분리, 전력 예산 및 열 한계를 규정하는 제약은 명시적인 수학적 모델 대신 엔지니어링 장치나 고밀도 시뮬레이터에 내장되어 있다. 우리는 \emph{미지의 제약 조건} 하에서 지구 관측 스케줄링을 연구한다: 목적은 알려져 있지만 유용성은 이진 오라클에서 연관적으로 학습해야 한다. 단순화된 모델에 제약 조건 간의 분리 및 전역 용량 제약을 제한하여, 우리는 Conservative Constraint Acquisition(CCA)라는 도메인 특정 절차를 도입한다. CCA는 실제에서 효율적으로 정당한 제약 조건을 식별하는 동시에 학습된 모델의 불필요한 단축을 제한한다. CCA는 Learn\&Optimize 프레임워크에 내장되어, 목표를 달성하기 위해 제약 모델을 학습한 후에 목표를 달성하기 위해 연관된 오라클 쿼리를 수행하는 반복적인 검색 프로세스를 지원한다. 50개의 작업과 밀도가 높은 제약 네트워크를 가진 합성 인스턴스에서, L\&O는 no-knowledge greedy baseline보다 개선되고, FAO baseline보다 훨씬 적은 main oracle 쿼리를 사용한다. n\leq 30의 경우, 평균적인 하은이 Priority Greedy에서 65--68%에서 L\&O를 사용하여 17.7--35.8%로 하락한다. n=50의 경우, CP-SAT 참조는 120초에 찾은 가장 좋은 가능 솔루션을 사용하는 FAO보다 L\&O가 평균적으로 개선되며(17.9% vs. 20.3%), 21.3개의 main 쿼리 대신 100개와 약 5배 적은 실행 시간을 사용한다.