当LLM学会指挥卫星群: 基于双层优化框架的多LLM智能体协同调度
你可曾想过,在你在手机地图中查看气象情况、或者看到灾后第一时间传回的卫星影像时,背后有多少卫星在为你“打工”?
答案是“越来越多”。
随着遥感卫星数量爆发式增长,如何能够实时、高效地为这些卫星分配观测任务,已经成为一个极其复杂的资源优化难题。面对这样的问题,传统的调度算法的能力边界逐渐凸显。而发表在IEEE Transactions on Geoscience and Remote Sensing的这篇论文,给出了一个新颖的答案:让大模型来指挥星群。
1. 问题有多复杂?
随着“吉林一号”等星座计划部署推进,我国卫星数量呈爆炸式增长趋势,卫星调度问题的规模同步激增。同时,卫星的观测能力也在逐步提高,传统的地球观测卫星只能在过顶目标时进行拍摄,而敏捷卫星能通过调整俯仰角和偏航角让卫星能在过顶前甚至过顶后也能对目标成像,大大提高卫星计划的灵活性。但灵活性也是一把“双刃剑”,它让每个任务都有更多的选择,也让问题的解空间呈指数级爆炸。

图注:敏捷卫星通过调整姿态角度扩大决策空间。
更难的是,当卫星从一颗变成几十颗甚至上百颗,任务从静态到达变为实时涌入,这个问题就很难使用传统算法求解了。传统算法要么采用集中优化,把所有的决策放在一起算,但是50颗卫星200个任务就有50200个选择,不仅cplex等精确求解器无法求解,其他传统算法也难以搜索到满意的结果;要么双层优化,先把任务分给卫星,在逐个卫星进行调度,但是上下层的协调往往不够灵活、不够智能。二者都难以同时满足大规模和实时性两个要求。
2. 该论文的核心思想
这篇论文提出的解决方案叫做 LLM-OODS(LLM Agent-enhanced Bi-level Online Order Dispatching and Scheduling)。它的核心思想是:与其让一个算法包办一切,不如组建一支大模型增强的智能体团队。

图注:总调度员和重调度员在上层,评估员和单星调度员在下层,相互协调配合,最大化任务观测。
这个团队包含四个职能不同的智能体,运行在双层框架之上。
总调度员Dispatcher in Chief,由大模型增强的总调度员在框架上层负责全局视野。每当有新一批任务到达,它就会根据各颗卫星的实时状态、能力、位置,智能判断每个任务应该由哪个卫星来执行。
单星调度员Single-Satellite Scheduler,每颗卫星都有自己地“专属调度员”。接收到来自上层总调度员分配的任务后,它就开始为这个卫星规划出最合适的观测计划——什么时候以什么角度拍摄哪个任务。为应对这个规划子问题,论文采用了自适应大邻域搜索元启发式算法,并引入了后向松弛策略进一步提升智能体的灵活性。
重调度员Re-scheduler,辅助总调度员进行更灵活的分配。总有一些任务因为各种原因无法被安排进卫星的观测计划,为了应付这种情况,重调度员扮演团队的协调师,把未完成的任务移交到其他合适的卫星上,寻找可行的观测间隙,尽量让每个任务都不被落下。
评估员Evaluator,由大模型增强的复盘家和建议家。任务调度的过程中总有值得记住的经验和需要避免的教训,评估员分析整个调度过程,找出哪里做的好、哪里需要改进,并总结出经验和建议反馈给其他智能体,尤其让总调度员越来越会指挥星群。
3. 实验结果
论文基于DeepSeek-R1大模型开展实验,并将算法于传统的精确求解算法、启发式算法和元启发式算法进行对比。在20个对比场景中, LLM-OODS在16个场景中分数最高,同时能在数秒内完成星群规划,较好响应了问题对大规模和实时性的要求。实验结果还表明,大模型增强的智能体团队能够超越一般的启发式分配算法,能够为任务提供更智能的分配方案。论文还讨论了各个智能体的消融作用,以及框架对不同大模型(Kimi-2.5,GLM-5.1等)的适应性。

图注:大模型增强的智能体团队在不同进化次数下的表现,随着团队的学习和进化推进,团队的总体表现逐渐提升后趋于稳定。

表注:大模型增强的智能体团队与多种(元)启发式算法的对比结果,LLM-OODS在16个场景中超越其他基线算法并且实时性良好。
4. 总结
回顾全文,针对大规模敏捷卫星的在线调度问题,论文提出了LLM-OODS,它不是用一个优化算法搜索出全局最优解,而是组建了一支大模型增强的智能体团队:总调度员统筹全局、单星调度员精耕细作、重调度员查漏补缺、评估员复盘进化。四个角色各司其职,在双层框架下形成闭环,共同完成复杂问题的求解。论文的意义不仅在卫星调度,还在于其能够为其他复杂优化问题(例如车间调度)的求解提高一种新的视角。
5. 写在最后
从“会聊天”到“会指挥”,大语言模型正在走出对话框,进入真实的物理世界。这篇来自IEEE的组合优化研究,让我们看到了AI从“语言理解”走向“复杂系统决策” 的一个生动案例。
参考文献
Zhang, Z., Du, Y., Song, Y., Liu, X., Chen, J., Zhu, Z., & Xing, L. (2026). LLM Agent-enhanced Bi-level Online Order Dispatching and Scheduling for Large-scale Agile Earth Observation Satellites. IEEE Transactions on Geoscience and Remote Sensing, 64. DOI: 10.1109/tgrs.2026.3710264