arXiv · cs.AI · Tristan Leuridan (LGI), Yiping Fang (LGI), Adam Abdin (LGI) · 9 小时前模型评分31
离线近似值迭代：卫星星座部署的强化学习方法
Offline Approximate Value Iteration: A Reinforcement Learning Approach for Satellite Constellation Deployment
导读
一项研究提出用离线近似值迭代（一种强化学习方法）优化 Walker 型卫星星座部署，把发射失败、卫星故障等不确定性建模为马尔可夫决策过程，并用线性函数近似与动作剪枝降低求解所需算力和内存。初步结果显示，其策略的预期成本与部署时间均低于滚动时域基线。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
应用领域：交通与物流、科学研究
事件类型：研究发布
证据摘录
- “This paper introduces a reinforcement learning-based approximate dynamic programming approach to optimize the deployment of Walker-type satellite constellations under uncertainties, including launch failures and satellite malfunctions.”
来源：arXiv · cs.AI · arxiv.org