本研究提出一种基于图神经网络和强化学习的框架来解决工厂作业车间调度问题，该框架将调度问题表示成了状态图，并使用GNN进行表示学习和策略学习，最终使用PPO算法对模型进行优化。实验结果表明，该模型优于传统的调度规则和基于强化学习的调度器，并且可以学习到一种具有泛化能力的调度策略。

Jun, 2021

本文提出了一个用于大区域目标的EOS观测调度问题的非线性整数规划模型，以及一种基于贪婪初始化的重采样粒子群优化算法；通过实验证明，算法优于传统粒子群优化和贪婪算法。

Jun, 2022

本文介绍了两种卫星调度问题模型，并提出了基于强化学习的进化算法框架，以应对复杂组合优化问题中的NP难题，为卫星任务规划提供了解决方案。

Jan, 2023

本文介绍了FedLEO，一种应用于卫星边缘计算的联邦学习框架，可以快速收敛且不牺牲模型准确度，并优化了通信调度策略。

Feb, 2023

本研究探讨了如何使用图神经网络（GNN）更有效地调度纳米卫星任务，并将优化问题表示为二分图。同时，应用可解释性人工智能（XAI）确定对学习表现影响最大的要素。结果表明GNN对于调度纳米卫星任务是一种可能有效的方法，并突出了可解释性机器学习模型在挑战性组合优化问题上的优点。

Mar, 2023

卫星任务和地球观测系统对于环境监测和及时发现灾难性事件以及长期监测自然资源和人造资产如植被、水体、森林和建筑物方面具有基础性作用。近期机器学习、计算机视觉的进展以及标注数据的可用性使得研究人员通过使用深度神经网络展示了在土地利用监测系统和遥感图像分类方面的可行性和精确性。该研究调查了一种最新的视觉图神经网络架构（ViG）在土地覆盖分类任务中的性能，并实验结果显示ViG在多类别和多标签分类背景下的表现超过了ViT和ResNet在大规模基准测试中的最新水平。

Feb, 2024

通过建模卫星星座和卫星接触计划为动态网络并采用基于图论的技术，提出了一种新方法来解决卫星网络通信调度的复杂性问题，通过仿真退火的启发式算法更新，推测网络延迟误差平均为3.6分钟，在提高29.1%延迟的同时，实现20倍的目标评估速度。

Mar, 2024

这篇论文介绍了基于持续的深度强化学习的低轨卫星星座分散路由的完整解决方案，采用多智能体方法，其中每个卫星作为一个独立的决策制定智能体，通过从附近的智能体接收的反馈来获取环境的有限知识。

May, 2024

此篇综述主要介绍了图神经网络在解决调度问题中的应用，探讨了不同类型的作业车间调度问题和流水车间调度问题，并重点研究了深度强化学习方法。通过介绍图表示和常用的图神经网络架构，作者回顾了各种问题类型的GNN方法，在图表示、图神经网络架构、GNN任务和训练算法等技术要素方面进行了重点概述。最后，作者总结和分析了GNN在解决调度问题中的优势和局限性，并提供了潜在的未来研究机会。希望这个综述能够激发创新思路，为更强大的基于图神经网络的方法解决调度问题和其他调度问题提供启示。

Jun, 2024

本文针对卫星星座在重配置与再任务方面的研究空白，提出了一种系统建模方法，并引入了强化学习技术，如深度Q网络和近端策略优化，来应对卫星故障后的挑战。研究结果表明，这些方法在任务完成率和响应时间等指标上表现出色，具有重要的实际应用潜力。

Sep, 2024