EOS-Bench: 地球観測衛星スケジューリングのための包括的ベンチマーク

- Earth observation satellite (EOS) の撮像スケジューリングを対象とした包括的ベンチマーク EOS-Bench を提案。 - NP-hard な組合せ最適化問題であり、次世代 agile EOS で複雑化。 - 統一・オープンソースのベンチマーク不在を解決。 - 高忠実度の軌道力学とプラットフォーム制約を統合。 - 1,390 シナリオ、13,900 インスタンスを生成。 - 小規模検証から最大 1,000 衛星・10,000 リクエストの大規模協調問題まで網羅。

- 従来は統一・オープンソースのベンチマークがなく、研究間のアルゴリズム比較が困難。 - EOS-Bench は再現可能な評価のための包括的フレームワークを提供。 - 高忠実度の軌道力学とプラットフォーム制約を統合。 - 1,390 シナリオ・13,900 インスタンスという大規模かつ多様なベンチマークを生成。 - シナリオ特性評価スキームと多次元評価プロトコルを導入。 - agile/non-agile 両設定で評価可能。

- 高忠実度の軌道力学とプラットフォーム制約を統合し、シナリオとインスタンスを生成。 - 1,390 シナリオ、13,900 ベンチマークインスタンスを作成。 - 小規模検証から最大 1,000 衛星・10,000 リクエストの大規模協調問題まで包含。 - シナリオ特性評価スキームを提案：opportunity density、task flexibility、conflict intensity、satellite congestion などで構造的難易度を定量化。 - 多次元評価プロトコル：task profit、completion rate、workload balance、timeliness、runtime の 5 指標。 - mixed-integer programming、heuristics、meta-heuristics、deep reinforcement learning を agile/non-agile 設定で評価。

- mixed-integer programming、heuristics、meta-heuristics、deep reinforcement learning を用いてフレームワークを評価。 - agile と non-agile の両設定で検証。 - 結果、EOS-Bench がスケールと条件に応じてソルバー性能を効果的に区別。 - 解品質と計算効率のトレードオフを明らかにし、シナリオ複雑性への洞察を提供。 - コードとデータは https://github.com/Ethan19YQ/EOS-Bench で公開。

- EOS-Bench はスケールと条件にわたりソルバー性能を効果的に区別。 - 解品質と計算効率のトレードオフを明らかに。 - シナリオ複雑性へのより深い洞察を提供。 - 統一・拡張可能なオープンテストベッドとして EOS スケジューリング研究の進展に寄与。 - 具体的な限界や議論の詳細は要旨からは不明。

- 要旨で参照/比較されている個別研究は明示されていない。 - 関連手法として mixed-integer programming、heuristics、meta-heuristics、deep reinforcement learning が挙げられている。 - 同分野の定番として agile Earth observation satellite scheduling、NP-hard combinatorial optimisation に関する研究が次に読むべき候補。 - 具体的な論文名は要旨からは不明。