优化地球观测卫星调度：主动约束获取方法应对未知操作约束
地球观测（EO）卫星调度——决定何时执行哪些成像任务——是一个经典的组合优化问题。传统方法通常假设操作约束模型已预先完全指定。然而，在实际应用中，约束条件（如观测间隔、功耗预算和热限制）往往嵌入在工程构件或高保真模拟器中，而非明确的数学模型。
核心挑战：未知约束下的优化
论文《Optimizing Earth Observation Satellite Schedules under Unknown Operational Constraints: An Active Constraint Acquisition Approach》提出了一种新方法，专门应对“未知约束”场景：优化目标已知，但可行性必须通过二元预言机（binary oracle）交互学习。
方法创新：保守约束获取（CCA）
研究团队引入了一种领域特定的程序——保守约束获取（Conservative Constraint Acquisition, CCA）。该方法旨在高效识别合理约束，同时避免对学习模型进行不必要的收紧。CCA被嵌入到 Learn & Optimize（L&O） 框架中，支持一个交互式搜索过程：在学习的约束模型下进行优化，然后进行有针对性的预言机查询，如此交替进行。
实验验证与性能提升
在包含多达50个任务和密集约束网络的合成实例上，L&O框架的表现优于无知识贪婪基线（Priority Greedy），并且使用的“主预言机查询”次数远少于“先获取后求解”的两阶段基线（FAO）。
- 任务数 n ≤ 30 时：平均差距从贪婪基线的65-68%降至使用L&O后的17.7-35.8%。
- 任务数 n = 50 时：以CP-SAT求解器在120秒内找到的最佳可行解为参考，L&O的平均表现优于FAO（17.9% vs. 20.3%），同时仅使用了21.3次主查询（FAO为100次），且执行时间减少了约5倍。
AI技术背景与行业意义
这项研究将主动学习（Active Learning） 与组合优化（Combinatorial Optimization） 相结合，为解决现实世界中约束不明确或难以形式化的复杂调度问题提供了新思路。它代表了AI从“完全已知环境下的优化”向“与不完全信息环境交互学习并优化”的重要迈进。
对于卫星运营、物流规划、资源分配等依赖复杂、隐性规则的实际领域，此类方法有望减少对完整、精确先验模型的依赖，通过更智能的交互式查询，以更低的成本获得更优的解决方案，提升自动化决策系统的鲁棒性和实用性。