論文の概要: Optimizing Earth Observation Satellite Schedules under Unknown Operational Constraints: An Active Constraint Acquisition Approach

• arxiv url: http://arxiv.org/abs/2604.13283v1
• Date: Tue, 14 Apr 2026 20:19:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.288317
• Title: Optimizing Earth Observation Satellite Schedules under Unknown Operational Constraints: An Active Constraint Acquisition Approach
• Title（参考訳）: 未知の操作制約の下での地球観測衛星スケジューリングの最適化:アクティブな制約取得アプローチ
• Authors: Mohamed-Bachir Belaid,
• Abstract要約: 保守的制約獲得(英: conservative Constraint Acquisition, CCA)は、正当化された制約を効果的に識別するために設計されたドメイン固有の手続きである。 L&Oは、学習制約モデルの下で最適化をターゲットとするオラクルクエリと交換する対話型検索プロセスをサポートする。 CP-SAT参照が120年代に見つかった最良のソリューションである$n=50$では、L&Oは平均17.9%対20.3%)で改善され、100の代わりに21.3のメインクエリを使用する。
• 参考スコア（独自算出の注目度）: 1.3097161185372153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earth Observation (EO) satellite scheduling (deciding which imaging tasks to perform and when) is a well-studied combinatorial optimization problem. Existing methods typically assume that the operational constraint model is fully specified in advance. In practice, however, constraints governing separation between observations, power budgets, and thermal limits are often embedded in engineering artefacts or high-fidelity simulators rather than in explicit mathematical models. We study EO scheduling under \emph{unknown constraints}: the objective is known, but feasibility must be learned interactively from a binary oracle. Working with a simplified model restricted to pairwise separation and global capacity constraints, we introduce Conservative Constraint Acquisition~(CCA), a domain-specific procedure designed to identify justified constraints efficiently in practice while limiting unnecessary tightening of the learned model. Embedded in the \textsc{Learn\&Optimize} framework, CCA supports an interactive search process that alternates optimization under a learned constraint model with targeted oracle queries. On synthetic instances with up to 50~tasks and dense constraint networks, L\&O improves over a no-knowledge greedy baseline and uses far fewer main oracle queries than a two-phase acquire-then-solve baseline (FAO). For $n\leq 30$, the average gap drops from 65--68\% (Priority Greedy) to 17.7--35.8\% using L\&O. At $n{=}50$, where the CP-SAT reference is the best feasible solution found in 120~s, L\&O improves on FAO on average (17.9\% vs.\ 20.3\%) while using 21.3 main queries instead of 100 and about $5\times$ less execution time.
• Abstract（参考訳）: 地球観測(EO)衛星スケジューリング(どの撮像タスクを実行するか、いつ実行するかを決定する)は、よく研究されている組合せ最適化問題である。 既存の手法は通常、運用制約モデルが事前に完全に指定されていると仮定する。 しかし、実際には、観測、電力予算、熱限界の分離を規定する制約は、明示的な数学的モデルではなく、工学的成果物や高忠実性シミュレータに埋め込まれることが多い。 我々は,emph{unknown constraints} の下で EO スケジューリングについて検討する: 目的は分かっているが,その実現性は二項オラクルから対話的に学ばなければならない。 ペア分離とグローバルキャパシティ制約に制限された単純化されたモデルを用いて作業し、学習モデルの不要な厳密化を抑えながら、実際に正当化された制約を効果的に識別するドメイン固有の手順である、保守的制約獲得~(CCA)を導入する。 CCA は \textsc{Learn\&Optimize} フレームワークに組み込まれており、学習制約モデルの下で最適化をターゲットのオラクルクエリと交換する対話型検索プロセスをサポートしている。 最大50–taskと高密度制約ネットワークを持つ合成インスタンスでは、L&Oは無知識のグリードベースラインよりも改善され、二相取得・解法ベースライン(FAO)よりもはるかに少ない主オラクルクエリを使用する。 n\leq 30$の場合、平均的なギャップは65--68\%(Priority Greedy)から17.7--35.8\%(L\&O)に減少する。 CP-SAT参照が120~sで見つかる最も実現可能なソリューションである$n{=}50$では、L\&Oは平均17.9\%対FAOで改善される。 20.3\%)で、100ではなく21.3のメインクエリを使用し、約5\times$少ない実行時間である。

関連論文リスト

• Compact Constraint Encoding for LLM Code Generation: An Empirical Study of Token Economics and Constraint Compliance [0.0]
  本研究では,コンパクトで構造化された制約ヘッダーが制約コンプライアンスを低下させることなく,トークンの迅速な消費を低減できるかどうかを検討する。 コンパクトヘッダーは、3ラウンドで複製された制約ポートトークンを約71%減らし、フルプロンプトトークンを25～30%減らした。
  論文  参考訳（メタデータ） (2026-04-08T15:18:33Z)
• CCTU: A Benchmark for Tool Use under Complex Constraints [66.87622847854337]
  複雑な制約下での大規模言語モデル(LLM)を評価するためのベンチマークであるCCTUを紹介する。 ベンチマークは、さまざまなツール使用シナリオに対して、慎重にキュレートされ、挑戦的なテストケースが200から成っている。 ステップレベルの検証を行い、コンプライアンスを強制する実行可能な制約検証モジュールを開発する。
  論文  参考訳（メタデータ） (2026-03-16T14:05:13Z)
• ConstraintBench: Benchmarking LLM Constraint Reasoning on Direct Optimization [0.0]
  ConstraintBenchは、直接制約付き最適化において、大きな言語モデルを評価するためのベンチマークである。 200のタスクで6つのフロンティアモデルを評価し、最適性ではなく実現可能性が主要なボトルネックであることを確認した。 解法基準の0.1%の範囲内で、結合実現可能性と最適性について30.5%を超えるモデルはない。
  論文  参考訳（メタデータ） (2026-02-25T22:54:26Z)
• Programming over Thinking: Efficient and Robust Multi-Constraint Planning [54.77940831026738]
  SCOPEは、クエリ固有の推論をジェネリックコード実行から切り離すフレームワークである。 SCOPEは、コストとレイテンシを下げながら最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-14T02:58:07Z)
• Efficient LLM Collaboration via Planning [56.081879390960204]
  小規模で大規模なモデルでは、プランナーと実行担当者として交代で行動し、タスクを協調的に解決するために、多段階のカスケードでプランを交換する。 私たちはCOPEが大規模プロプライエタリモデルに匹敵するパフォーマンスを実現し,推論APIのコストを大幅に削減できることを実証した。
  論文  参考訳（メタデータ） (2025-06-13T08:35:50Z)
• Learning to Learn in Interactive Constraint Acquisition [7.741303298648302]
  制約獲得(CA:Constraint Acquisition)では、モデルを自動的に学習することでユーザを支援することが目標である。 アクティブCAでは、クエリを対話的にユーザにポストすることでこれを行う。 本稿では、確率論的分類モデルを用いて対話型CAを誘導し、より有望なクエリを生成することを提案する。
  論文  参考訳（メタデータ） (2023-12-17T19:12:33Z)
• $\texttt{FedBC}$: Calibrating Global and Local Models via Federated Learning Beyond Consensus [66.62731854746856]
  フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。 本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。 私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
  論文  参考訳（メタデータ） (2022-06-22T02:42:04Z)
• An Information Theory-inspired Strategy for Automatic Network Pruning [97.03772272417599]
  深層畳み込みニューラルネットワークは、リソース制約のあるデバイスで圧縮されることがよく知られている。 既存のネットワークプルーニング手法の多くは、人的努力と禁忌な計算資源を必要とする。 本稿では,自動モデル圧縮のための情報理論に基づく戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-19T07:03:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。