低地球轨道卫星地面站位置的自由放置优化

大家读完觉得有帮助记得关注和点赞！！！

摘要
快速扩张的低地球轨道卫星星座对地面网络提出了日益增长的需求，这推动了更高效的地面站网络设计的发展。当前的方法从预定义位置中选择站点，将优化限制在现有基础设施内，从而约束了性能。相比之下，自由放置优化在地球的连续空间域上进行，拓宽了搜索空间，并允许以实现更高吞吐量的配置，其代价是可能需要部署新的基础设施。在这项工作中，我们引入了SCORE（通过细化与评估的顺序循环优化），一种用于地面站设计的两阶段自由放置方法。SCORE将顺序坐标选择与循环细化相结合，以管理高维性、非凸性和困扰全局优化器的局部极小值问题。我们将SCORE与一次性方法（如差分进化）和使用Kongsberg卫星服务公司及世界电信港口协会位置数据的整数规划方法进行了基准测试。在两个商业地球观测星座（Capella Space和ICEYE）和一个合成的Walker-Star星座上的测试表明，与DE相比，SCORE收敛所需的函数评估次数最多减少5倍，同时下行链路吞吐量提高多达13%。与固定站点方法相比，无约束的SCORE实现了高达15%的总下行链路提升，为灵活放置建立了强大的经验性能基准；受基础设施约束的SCORE在限制放置在现有光纤和电力基础设施附近的同时，保留了超过92%的增益。我们还探讨了扩展现有站点与部署新站点之间的权衡，为运营星座的未来地面网络设计提供了信息。

命名法
n = 选定站点的数量
λ = 经度 [度]
φ = 纬度 [度]
ℒ = 地面站位置集合
L = 单个地面站，坐标 (λ, φ)
𝒮 = 星座中的卫星集合
S = 星座中的单个航天器
f = 性能目标函数
f_data = 数据下行链路最大化目标函数
T_opt = 任务持续时间 [秒]
t_opt_start = 任务持续时间开始时间 [秒]
t_opt_end = 任务持续时间结束时间 [秒]
T_sim = 仿真时间段 [秒]
t_sim_start = 仿真开始时间 [秒]
t_sim_end = 仿真结束时间 [秒]
𝒢 = 地球上所有坐标点的集合
𝒯 = 地球陆地表面上所有坐标点的集合
ℐ = 地球表面上可行基础设施的集合
𝒫 = 来自现有“地面站即服务”站点或电信端口位置的预定义位置集合
P = 𝒫 中的单个地面站
p = 用于选择位置 P 的二元决策变量
𝒞_{ℒ,𝒮} = 网络 ℒ 与星座 𝒮 之间的接触窗口
𝒞_L = 与站点 L 关联的接触集合
𝒞_S = 与航天器 S 关联的接触集合
𝒞_P = 与位置 P 关联的接触集合
C = 单个接触对象
c = 用于选择接触 C 的二元决策变量
L_dr = 固定地面站数据速率 [Gbps]
S_dr = 固定卫星数据速率 [Gbps]
C_dr = 固定接触数据速率 [Gbps]
C_duration = 接触 C 的持续时间 [s]
C_start = 接触开始时间 [s]
C_end = 接触结束时间 [s]
Q = 惩罚函数
Q_𝒯 = 陆地放置约束的惩罚
Q_proximity = 站点邻近约束的惩罚
Q_ℐ = 基础设施邻近约束的惩罚
L_𝒯 = 𝒯 中的单个地面站站点
d_min = 地面站之间的最小距离 [km]
d_{L_i, L_j} = 位置 L_i 和 L_j 之间的距离 [km]
r_infra = 距基础设施的最大允许距离 [km]
L_ℐ = 距站点 L 最近的 ℐ 中的点
t_min = 接触的最小持续时间 [s]
E_max = SCORE算法中循环评估的最大次数
e = SCORE算法中的评估计数
𝐱 = 为差分进化算法分解的 ℒ 的一维坐标列表
D = 差分进化算法中 𝐱 的维度
d = 差分进化算法中 1…D 之间的随机索引
NP = 差分进化算法的种群大小参数
F = 差分进化算法的变异缩放因子
CR = 差分进化算法的交叉率参数
𝐮 = 差分进化算法中 𝐱 的变异向量
G_max = 差分进化算法的最大代数
g = 差分进化算法中的代数计数
𝒳 = 差分进化算法的候选解种群
N_ρ = Walker-Star星座中的平面数
ρ = Walker-Star星座中的单个平面
Ω = 升交点赤经 [度]
Ω_ρ = 平面 ρ 的升交点赤经 [度]
s_per_plane = Walker-Star星座中每个平面的卫星数量
s = Walker-Star星座中的平面内卫星索引
S_{ρ,s} = 具有平面索引 ρ 和平面内索引 s 的Walker-Star卫星
M_{ρ,s} = Walker-Star星座中卫星 S_{ρ,s} 的平近点角 [度]
f_gap = 平均间隙时间最小化目标函数
g_gaps = 接触窗口中的所有间隙
ḡ_gaps = 接触窗口中每颗卫星的平均间隙时间
n_gaps = 接触窗口中所有间隙的计数

1. 引言

近年来卫星星座的激增正在改变全球连接、行星观测和科学探索。在过去十年中，卫星部署速度显著加快[1, 2, 3]，这得益于通过拼车任务降低的发射成本[4]以及小卫星开发成本的下降。这种快速增长增加了对能够满足延迟、成本和容量要求的可靠地面站基础设施的需求[5]。选择地面站位置对任务运营商来说是一个具有挑战性的决策，因为它是一个由轨道对齐、访问机会、成本和站点可用性驱动的多约束问题。满足覆盖、带宽、大气条件、基础设施和重访要求需要仔细规划卫星轨迹和地面段资产，这激发了对系统性位置选择策略的需求。

尽管其具有操作重要性，但地面站网络优化在文献中仍然相对未被充分探索。在这项工作中，我们解决了核心的地面站规划问题：选择最多预定义数量的地面站位置，以优化给定任务目标的性能。我们将地面站规划问题分为两个不同的变体：自由放置和固定站点选择。在自由放置问题中，候选位置可以在经度和纬度上连续变化，而固定站点选择问题则将选择限制在一组离散的预定义位置。这两个变体分别处理规划环境的两个极端，从为新设计网络进行完全灵活的部署，到受现有基础设施约束的配置。我们注意到，自由放置仅考虑几何（经度和纬度）优化，不包括地形适宜性（坡度、障碍物）或“绿地”部署特有的土木工程约束。我们特别关注在为低地球轨道（LEO）地球观测（EO）卫星星座服务的背景下优化地面站布局，这带来了卫星相对于站点位置连续移动的挑战。这与对地静止卫星形成对比，后者通常能持续被其支持的地面站网络看到。

近年来，低地球轨道中的地球观测卫星数量激增。截至2024年，有589颗地球观测卫星在轨运行，由53个不同的商业实体运营[6]。这些卫星支持广泛的应用，包括精准农业[7, 8]、用于野火探测的灾害监测[9]以及水资源管理[10]。由于搭载了高分辨率传感器，地球观测卫星产生大量的图像数据。大多数地球观测卫星每天产生超过1太字节（TB）的数据[11]，有些，如NASA的NISAR任务，每天交付超过80 TB的数据[12]。这些卫星通常在500-650公里的低地球轨道高度运行，导致相对于单个地面站的可见窗口很短[7]。低地球轨道卫星的通信窗口通常每次访问持续3到10分钟[13]。收集的数据可以临时存储在航天器上，但任务运营商必须保持足够的下行链路节奏，以避免缓冲区溢出、数据丢失和数据传输延迟，这些都可能严重影响操作[14]。次优的地面站布局会大幅减少这些机会的数量，进一步限制通信能力并影响整体任务性能。

先前的工作主要研究在给定现有地面网络的情况下优化航天器操作和接触调度，而不是解决地面基础设施本身的布局问题。混合整数线性规划（MILP）是该领域常用的技术，能为复杂的调度约束提供最优解。例如，Shaving模型[15]使用MILP动态调整固定网络上的通行持续时间，相比传统的整数规划方法[16]减少了23%的错失连接。中国遥感卫星地面站应用了MILP和粒子群优化，将多站中继任务分解为可处理的单站子问题[17]。对于拥有50颗或更多卫星的星座，已经引入了诸如几何邻域分解等分散方法来局部化决策，同时保持全局协调[18]。冲突解决也受到了显著关注：例如，Terran Orbital实施了一个基于任务关键性的分层优先级系统来分配天线时间[19]，而其他人则通过量子密钥分发框架探索安全调度[20]。尽管在调度和操作效率方面取得了这些进步，但几乎所有先前的工作都假设地面站位置是固定的。因此，地面基础设施是否最优地放置以满足任务需求的问题仍然 largely unexamined。

地面站和网关位置优化文献通常沿着三个关键维度变化：目标数量、优化技术和问题表述。单目标工作在固定站点筛选中占主导地位，其中元启发式和启发式方法从预定义的候选池中选择最优子集。例如，Guo等人[21]采用元启发式粒子群优化来平衡固定网关候选者的流量负载和部署成本，而Liu等人[22]使用吞吐量评估启发式方法从现有站点进行地面站规划。多目标表述扩展到网格筛选和联合优化挑战，通常将元启发式与数学规划相结合。Baeza等人[23]在一个多标准网格框架中集成了雨衰、可见性、仰角和流量，用于非静止轨道网关；他们的后续工作[24]通过类似的网格筛选增加了容量多样性。Abe等人[25]在流量和成本的加权多目标上使用混合整数规划进行联合布局-路由优化，而Chen等人[26]将MILP启发式方法应用于启用星间链路的星座中的多网关覆盖问题。

纯自由放置问题表述，即在经度和纬度上连续进行优化而没有预定义站点，由于计算复杂性而不太普遍。Del Portillo等人的架构研究[27, 28]利用遗传算法进行光学/电射频频段地面段设计，在最小化云层覆盖和延迟的同时权衡可用性、成本和容量。大量先前的工作集中在从预定义的现有候选站点池中选择最佳子集，而不是探索全新站点的自由放置方法。在地球观测背景下，Eddy等人[29]提出了一种基于整数规划（IP）的方法，使用商业“地面站即服务”（GSaaS）提供商来识别数据和成本最优的配置。对于光学地面站（OGS）网络，Fuchs等人[30]和其他人选择现有OGS中最有效的子集来支持可靠的空对地光通信[31, 30]。虽然当基础设施与任务需求一致时，候选扩展和筛选是足够的，但地形适宜性、法规限制、电力接入、回程和大气因素 often 将最优位置排除在商业池之外。虽然纯连续搜索方法解决了这一差距，但其计算成本阻碍了大型网络的收敛；这需要为支持任务规模LEO星座的绿地网络提供可扩展的自由放置优化方法。

在航天领域之外，关于运筹学[32]、电信[33]和城市管理[34]中的自由放置位置优化存在大量文献。优化仓库、医院、消防站和手机信号塔的位置以最大化覆盖是一个经典的设施位置问题，通常使用元启发式算法（如差分进化[35, 36]、遗传算法[33, 37]、粒子群优化[38]和蚁群优化[39]）来解决。这些方法在大型、复杂的解空间中导航，使得灵活放置成为可能，同时平衡成本、覆盖范围和需求等竞争目标。在这类问题中，基于梯度的方法 often 不可靠，因为梯度可能不存在于所有可行点，或者可能无法引导搜索走向全局最优。类似的特征出现在自由放置地面站优化问题中，其中不连续、非凸的目标使搜索复杂化。因此，从其他领域改编元启发式或试错法是一种自然的方法，因为它们可以探索这些复杂的空间并实现接近最优的解[40, 37, 41]。尽管有效，但即使在大型搜索空间中，接近最优的解在计算上也是昂贵的，这突显了对更高效方法的需求[42, 40]。

这项工作对LEO地球观测卫星星座的自由放置地面站优化进行了全面研究。我们引入了SCORE（通过细化与评估的顺序循环优化），一个通过迭代、循环坐标搜索来选择地面站位置的框架。与传统的全局优化方法不同，SCORE将高维放置问题分解为一系列聚焦的选择步骤，从而能够高效地探索大型决策空间。我们通过两项比较研究来评估SCORE的性能。首先，我们将该算法与差分进化（一种自由放置元启发式方法）进行基准测试，证明SCORE实现了相当或更优的站点放置，同时将收敛所需的函数评估次数减少了5倍。其次，为了评估连续坐标自由放置优化相对于固定站点选择的优势，我们将SCORE与一个全局最优的IP公式进行比较，该公式专门从KSAT和世界电信港口协会列出的位置中选择站点。SCORE的连续自由放置优化识别出的放置配置比固定站点方法高出多达15%，突显了灵活放置的潜在收益。在操作上可行的纬度约束下，SCORE在保持在商业可行部署区域内的同时，保留了超过92%的增益。我们在涉及5颗卫星的Capella星座和34颗卫星的ICEYE星座的案例研究中展示了这些优势，并探讨了部署额外地面站与在当前基础设施站点增加天线容量之间的权衡。

2. 问题形式化

地面站放置问题是：为给定的卫星星座 𝒮 选择一组 n 个经纬度 (λ, φ) 坐标位置 ℒ，以最大化特定于任务目标的性能 f。理想情况下，地面站放置问题可以通过预测整个任务期间所有可能的卫星到地面接触机会，然后确定该时间段内的最优接触机会集，从而将其表述为调度优化问题。这种表述将保证整个任务期间的最优性能，但由于低地球轨道航天器经历的随机轨道扰动，不可能以足够的精度执行长期轨道传播来预测多年内的所有接触机会。

为了应对这一挑战，我们采用了一种受Eddy等人[29]启发的替代优化方法，该方法专注于在较短的时间段（通常为7到10天）内进行地面站放置优化，而不是长达数年的完整任务持续时间。卫星轨道的周期性意味着这样的窗口捕获了多个轨道周期，产生的接触机会分布被认为近似于星座的长期接触机会。虽然季节性变化确实会影响长期内的确切接触机会，但假设较短周期内的总数量和顺序是具有代表性的替代。我们在附录6.3中进行了一项大规模计算研究来验证这一假设。完整任务持续时间由优化开始时间 t_opt_start 和结束时间 t_opt_end 定义，总持续时间为 T_opt = t_opt_end - t_opt_start。对于替代优化，使用较短的仿真窗口，由开始时间 t_sim_start 和结束时间 t_sim_end 定义，产生一个固定的为期一周的持续时间 T_sim = t_sim_end - t_sim_start。

我们首先定义地球椭球表面上所有坐标点 𝒢 的集合，其中

是所有可能的经纬度坐标对 (λ_i, φ_i) 的集合。然后定义一个地面站网络为

其中 ℒ 是最终 n 个选定站点位置的集合。每个站点 L ∈ ℒ 都有一个固定的数据速率 L_dr，表示该站点每秒可以接收的最大比特数。在这项工作中，假设 L_dr 在所有站点上是常数，尽管它通常可以在站点之间变化。网络选择是针对一组卫星 𝒮 进行优化的，其中每个航天器 S ∈ 𝒮 都有相关的设计常数，如其轨道根数（本文中是双行轨道根数，TLE）和固定数据速率 S_dr。我们研究了选择 ℒ 的两种问题表述：自由放置和固定站点选择。

在自由放置问题中，站点位置 ℒ 可以是 𝒢 中的任何经纬度坐标。这种表述模拟了需要从任何连续变化位置中选择地面站网络位置的情况。额外的约束可以减少 𝒢 的搜索空间，例如将放置限制在陆地位置 𝒯（其中 𝒯 ⊆ 𝒢），或进一步限制在基础设施可访问区域 ℐ ⊆ 𝒯（由靠近现有居民点和地面基础设施定义）。在这项工作中，自由放置优化在几何坐标位置上进行，不考虑传统“绿地”站点选择中的地形适宜性或土木工程约束。

对于固定站点选择问题，最终地面网络 ℒ 的候选地面站点来自一个离散的预定义地面站坐标列表 𝒫。每个位置 (p, P) ∈ 𝒫 都有一个关联的二元决策变量 p ∈ {0, 1}，如果该位置被选中则为1，否则为0。位置 P 是一个坐标 (λ, φ)。最终选定的地面站站点集合定义为

即所有 p=1 位置的子集。这个固定站点选择问题更适用于GSaaS或电信端口选择案例，其中现有地面站设施或基础基础设施已经存在，选择问题仅限于从这些预先存在的位置中进行选择。

基于其可能的接触窗口 𝒞_{ℒ,𝒮} 的质量来评估选定的网络，这些窗口代表网络 ℒ 和航天器 𝒮 在仿真窗口 T_sim 期间的所有通信机会。由于我们的目标是在现实操作约束下估计可实现的通信性能，我们针对这些接触制定了一个调度问题，以近似任务期间可实现网络容量。类似于 𝒫，每个接触 (c, C) ∈ 𝒞_{ℒ,𝒮} 包含一个二元决策变量 c ∈ {0, 1}，指示该接触是否已被选择用于调度。每个接触 C 有各种其他常数，如接触开始时间和结束时间（C_start, C_end）。每个接触 C 的数据速率 C_dr 设置为参与接触的卫星和地面站数据速率的最小值

接触的持续时间取为接触结束和开始时间之差 C_duration = C_end - C_start。

2.1 目标函数

任务运营商在选择地面站网络来支持卫星星座时可能会优先考虑不同的目标。通常，这些目标可以表示为选择一组站点，使得在航天器和地面网络之间产生最有利的接触窗口 𝒞_{ℒ,𝒮}，同时服从于任务目标和约束。我们首先定义一个一般的优化形式为

其中决策变量是一组候选地面站 ℒ ⊂ 𝒢，f(ℒ, 𝒮) 是一个目标函数，用于评估给定星座 𝒮 下所选网络的质量。

这项工作专注于为高数据量地球观测星座设计地面站网络，主要目标是在任务期间最大化总下行链路数据，与传输延迟无关。我们称之为数据下行链路最大化目标。为了评估给定候选网络 ℒ 的这个目标，我们首先制定一个调度问题，确定每个航天器与 ℒ 中的地面站之间的哪些接触是可行的，服从于网络和可见性约束。可见性通过一个最小仰角要求来强制执行，只有当卫星仰角超过10°时，接触才是可行的。网络约束在第2.2和2.3节中进一步详述。只有调度中选择的接触（c=1）才被包含在最终目标计算中。从网络 ℒ 下行的总数据定义为

其中 𝒞_L ⊆ 𝒞_{ℒ,𝒮} 表示与站点 L 关联的接触集合。我们用因子 T_opt/T_sim 来加权目标，以适当近似任务持续时间内的总下行数据量，而不仅仅是仿真时间窗口。我们还概述了其他目标，如平均间隙最小化；详细信息在附录6.1中提供。

2.2 正则化：减少搜索空间

对于自由放置问题，需要对搜索空间 𝒢 施加额外的约束，以防止选择不可行的位置。我们考虑三个定义不可行地面站位置的约束：站点必须位于陆地上；站点之间必须保持最小间隔距离以防止通信锥重叠；站点必须靠近现有的电力和地面通信基础设施。然而，如果我们将每个不可行区域作为硬约束，就会限制可用于解决问题的优化方法。许多高效的优化技术，如基于梯度的方法或为无约束问题设计的全局启发式方法，自然不具备处理高度不规则、非凸可行区域的能力，这使得直接强制执行硬约束变得不可能或计算成本高昂。为了解决这个问题，我们将这些约束作为从第2.1节目标函数中减去的惩罚项，在不限制优化方法的情况下抑制违规行为。每个惩罚项采用二次损失函数的形式

其中 L* 表示满足 L 约束的最近可行地面站位置。当约束满足时，‖L - L*‖=0，不施加惩罚。当违反时，惩罚随到最近可行点的距离呈二次增长。这为建模地面站放置约束提供了一个灵活的工具，因为任何硬约束都可以以此形式纳入目标函数。

我们首先将此应用于陆地放置约束。该约束确保所有地面站只能放置在可行的陆地位置 ℒ ⊆ 𝒯。尽管此约束侧重于排除水域，但 𝒯 的定义可以修改以缩小搜索空间，排除任何不可行的站点放置位置。我们将此硬约束转换为如公式7所示的惩罚函数

其中我们计算站点 L 与 L_𝒯 之间的大圆距离，L_𝒯 表示 𝒯 中离站点 L 最近的陆地坐标。如果站点 L 在 𝒯 中，则 L - L_𝒯 的距离为零。这个惩罚可以从我们第2.1节的目标函数中减去，以惩罚给定地面站不在可行陆地位置内的情况。站点 L 离 𝒯 越远，惩罚呈二次增长。通过这种二次损失惩罚的表述，任何地理区域在搜索空间中都会受到严重惩罚，从而有效地阻止其在自由放置地面站优化问题中被选择。

接下来，我们考虑站点邻近约束，该约束确保所有地面站之间保持最小距离 d_min，以最小化网络位置冗余，并防止间距过近的地面站经历干扰限制。在实践中，通过诸如极化分集或在高需求地面站点进行频率分配等技术，可以放宽这一限制，使得多个天线能够在近距离内运行。纳入这些能力需要扩展表述以联合建模空间布局和通信资源分配，这超出了本工作的范围，但代表了未来研究的一个有趣方向。

给定一组选定的候选位置 ℒ，d_{L_i, L_j} 表示位置 L_i 和 L_j 之间的距离。对于所有位置 L_i, L_j ∈ ℒ，d_min 是一个预定义常数，表示任意两个站点之间允许的最小距离。该约束表述为

这确保了任意一对候选地面站位置 L_i, L_j ∈ ℒ 保持至少 d_min 的最小间隔距离。为了正则化此约束，我们再次将公式9转化为公式7中一般惩罚函数的形式

其中 Q_proximity(ℒ) 是针对 ℒ 中每对 L_i, L_j 组合计算的。公式10中与每对 L_i, L_j 相关的惩罚可以再次从目标函数 f(ℒ, 𝒮) 中减去以应用这些约束。

最后，我们考虑基础设施邻近约束，该约束鼓励地面站放置在靠近现有居民点和地面基础设施的位置。这个约束的动机是实际要求：地面站需要可靠的电力接入和光纤回程以进行高吞吐量数据下行操作。我们将可行基础设施区域 ℐ ⊆ 𝒢 定义为以已知居民点为中心、半径为 r_infra 的圆形区域的并集，使得

其中 (λ_k, φ_k) 是已知居民点的坐标，r_infra 是距基础设施的最大允许距离，本文中设为50公里。类似于陆地放置约束，我们将其转换为惩罚函数

其中 L_ℐ 表示 ℐ 中离站点 L 最近的点。公式5中的完整正则化优化问题现在可以写为

带有陆地放置、站点间邻近度和基础设施邻近度惩罚的正则化项。对于固定站点选择情况，这些惩罚设置为零，因为 𝒫 中的所有位置已经过预过滤，保证它们不违反这些条件。通过上述表述，自由放置问题被完全指定，并且可以使用现有的优化技术（如基于梯度的搜索或进化算法）来解决。然而，对于固定站点选择变体，需要额外的工作将表述转化为明确建模离散决策的整数规划。

2.3 约束与固定站点整数规划表述

在选择目标和正则化项之后，引入约束来模拟系统、设计和操作的局限性。这些可以分为两类：接触排除约束，防止调度中不可行的重叠；以及选择约束，强制执行接触、站点和网络规模之间的一致性。这些对于在给定预测接触集的情况下正确计算可获取的最大可行接触数和下行数据量是必要的。在自由放置情况下，接触排除约束在选定候选网络后进行评估时应用，以确保与固定站点结果比较时的公平性。在固定站点选择中，接触排除和选择约束都直接编码到整数规划中。这种表述提供了一个统一的优化框架：自由放置问题通过公式13中的惩罚正则化搜索进行优化，而固定站点选择则利用具有精确最优性保证的整数规划求解器。它们共同使得在不同操作背景下能够一致地评估放置策略。

2.3.1 接触排除约束

接触排除约束模拟了航天器或地面站站点与不同资产通信能力的局限性。这些约束反映了卫星或地面站上存在的单天线限制，确保在任何给定时间，每颗卫星最多与一个地面站通信，反之亦然。为了构建卫星接触排除约束，必须检查卫星 S 的所有接触（记为 𝒞_S），以识别来自候选网络 ℒ 内多个站点的任何同时接触。为了计算效率，可以将接触按时间升序排序，以将对检查限制在时间上邻近的接触，但这对于约束本身不是必需的。此约束可以表示为

即对于卫星的每一对重叠接触，只选择一个，从而使得每颗卫星一次只与一个地面站通信。也可以反过来制定卫星接触排除约束的逆约束，以反映地面站基础设施的限制，其中每个站点一次仅限于服务一颗卫星。对于站点接触排除约束，该约束概述为

其中每个位置被设定为确保一次只能与一颗卫星通信。𝒞_L 中的所有接触都按时间顺序排列。

2.3.2 固定站点整数规划选择约束

固定站点地面站选择问题特别适合表述为整数规划，因为预定义地面站选择列表 𝒫 和接触集合 𝒞(ℒ,𝒮) 都具有关联的二元决策变量，指示接触 (c,C) 或站点 (p,P) 是否被选中。通过耦合站点选择变量 p 与接触调度变量 c，IP 表述能够同时优化站点位置和通信调度。这种方法使我们能够利用成熟的求解器库，如 Gurobi [43] 或 COIN-OR [44]，它们为 IP 问题提供快速、高效的解决方案以及指示解是全局最优、次优还是不可行的最优性证明。我们遵循先前工作中[29, 45]为 GSaaS 提供商解决固定站点地面站选择问题的现有整数规划选择表述。

为了使用 IP 正确描述固定站点选择地面站优化问题，我们考虑第2.1节中定义的数据下行链路最大化目标，并应用两种接触排除约束。我们还引入了几个额外的 IP 选择约束，以确保接触级和站点级决策之间的一致性，强制执行网络设计要求。第一个额外约束是确保如果选择了一个接触 c，那么该位置 p 的决策变量也被选择。除非位置被激活，否则不应在该位置调度任何接触。这表示为

其中 𝒞_P 表示来自站点 P 的接触集合。其次，我们引入一个网络规模约束来强制执行地面站网络的规模约束 n

以确保我们选择具有预期规模的地面站网络。我们还引入了一个最小接触持续时间约束，以确保只有持续时间大于指定 t_min 的接触才被考虑用于规划。该约束定义为

这消除了可能在操作上无用的短持续时间接触。

3. 方法论

我们概述了解决第2节中描述的自由放置地面站问题的方法。为了在大型、高维搜索空间中导航，我们采用了两种无梯度优化方法。首先，我们介绍了通过细化与评估的顺序循环优化（SCORE），它结合了顺序循环搜索与单步无梯度优化方法；在本文中，我们展示了使用 Nelder-Mead [46] 和 Powell [47] 的应用。由于 SCORE 与优化器无关，其他无梯度方法可以轻松替换单步优化器而无需更改框架。选择 Nelder-Mead 是因为其简单性、在无梯度设置中的广泛适用性以及在低维空间中已被充分理解的收敛行为。它特别适用于局部细化，这与 SCORE 的顺序循环更新自然契合。选择 Powell 是因为其对噪声或不规则目标的鲁棒性及其高效的线搜索方法，为 SCORE 内的 Nelder-Mead 提供了一种补充的局部优化策略。其次，我们回顾了差分进化（DE），一种广泛用于位置选择的进化算法[35, 36]。DE 是一种基于种群的全局优化器，可作为比较的强大基线。虽然它可以实现高质量的解决方案，但相比 SCORE，它需要更多的目标评估，特别是随着站点数量的增加。

算法1 SCORE：通过细化与评估的顺序循环优化
1: function SCORE(𝒮, f, n, E_max) ⊳ n: 所需地面站数量, E_max: 最大循环评估次数
2: 初始化 ℒ ← ∅, 评估计数 e ← 0
3: (1) 初始顺序坐标选择
4: while |ℒ| < n do
5: L ← Optimizer(ℒ, 𝒮, f) ⊳ Optimizer 可以是任何无梯度方法
6: ℒ ← ℒ ∪ {L} ⊳ 将 L 添加到地面站位置集合 ℒ
7: (2) 顺序循环细化
8: while e < E_max do
9: 存储 ℒ 的副本为 ℒ₁
10: for each L ∈ ℒ do
11: ℒ' ← ℒ \ {L} ⊳ 移除当前站点位置 L 后的新集合 ℒ'
12: L' ← Optimizer(ℒ', 𝒮, f) ⊳ 选择新的站点 L'
13: ℒ' ← ℒ' ∪ {L'} ⊳ 包含当前站点位置 L 的新集合 ℒ'
14: if f(ℒ', 𝒮) 产生比 f(ℒ, 𝒮) 更好的目标值 then
15: ℒ ← ℒ'
16: if ℒ₁ == ℒ then ⊳ 未做任何更改，当前站点序列是最优的
17: break
18: e = e + 1
19: return ℒ

3.1 通过细化与评估的顺序循环优化（SCORE）

为了解决一步式全局优化方法计算成本高昂的问题，我们引入了 SCORE，一种通过细化与评估的顺序循环优化方法。SCORE 将完整的优化分解为一系列较小的问题，并分两个阶段进行。(1) 顺序坐标选择：从一个空集开始，SCORE 顺序地向 ℒ 添加地面站，在每一步中，根据当前网络配置选择使目标函数最大化的经纬度对。重复此过程，直到网络 ℒ 达到预定的网络规模 n。(2) 顺序循环细化：有了 n 个站点后，该算法一次迭代地重新优化一个站点，同时固定其他站点，循环遍历所有站点以细化其位置并改进目标，直到满足停止标准（例如，改进可以忽略不计或达到迭代预算）。通过重用仅每次修改一个站点 L ∈ ℒ 时的中间接触评估 𝒞_{ℒ,𝒮}，SCORE 减少了搜索过程中所需的整个网络接触评估次数。这种对坐标结构感知的策略使 SCORE 能够保持解质量，同时显著降低计算成本，使其对于大规模或设计迭代密集的场景更加实用。我们在算法1中定义了完整的框架。

在第一阶段，顺序坐标选择中，算法增量式地构建地面站集合 ℒ。从一个空集开始，它反复添加一个能相对于已选站点使目标函数获得最大改进的站点位置 L ∈ 𝒢。这个新位置被添加到 ℒ，过程继续，直到达到所需站点数量 n。每个添加的位置 L 基于现有集合 ℒ 是局部最优的，并且站点的最终组合以一小部分计算成本接近最优配置。SCORE的第二阶段，顺序循环细化，对组合后的站点集合执行进一步的微调。在这里，我们通过迭代更新来细化站点集合。对于每个站点 L ∈ ℒ，算法暂时移除 L 以形成缩减集 ℒ' = ℒ \ {L}，并使用相同的优化器重新优化该位置。然后，更新后的站点 L' 被添加回来，形成一个新的候选集 ℒ' ∪ {L'}。比较原始集合 ℒ 和修改后的集合 ℒ' ∪ {L'} 的目标函数值，如果新集合提高了性能，则替换当前集合。对每个站点 L ∈ ℒ 重复此过程，最多进行 E_max 个总循环。如果完整遍历所有站点后没有更新，则提前终止优化，表明当前集合 ℒ 已收敛到局部最优解。任何无梯度优化器都可用于算法1中每个坐标选择所标注的优化器。在本文中，我们采用了 Nelder-Mead 单纯形搜索算法[46]以及 Powell 共轭方向法[47]。

算法2 Nelder-Mead (NM)
1: function NelderMead(f, α, γ, ρ, σ, Z_max, 𝒮)
2: 随机初始化单纯形 {L₁, …, L_{k+1}}；设置 z ← 0
3: while z < Z_max 且未满足停止条件 do
4: 排序单纯形点 {L₁, …, L_{k+1}} 使得 f(L₁,𝒮) ≤ … ≤ f(L_{k+1},𝒮)
5: 计算最佳 k 个点（排除最差点）的质心 L_cen
6: L_r ← L_cen + α*(L_cen - L_{k+1})
7: if f(L₁) ≤ f(L_r) < f(L_k) then
8: 用 L_r 替换 L_{k+1} ⊳ (1) 反射
9: else if f(L_r) < f(L₁) then
10: L_e ← L_cen + γ*(L_r - L_cen)
11: if f(L_e) < f(L_r) then ⊳ (2) 扩展
12: 用 L_e 替换 L_{k+1}
13: else
14: 用 L_r 替换 L_{k+1}
15: else if f(L_r) ≥ f(L_n) then
16: if f(L_r) < f(L_{k+1}) then
17: L_c ← L_cen + ρ*(L_r - L_cen) ⊳ (3) 外部收缩
18: else
19: L_c ← L_cen - ρ*(L_cen - L_{k+1}) ⊳ (3) 内部收缩
20: if f(L_c) < f(L_{k+1}) then
21: 用 L_c 替换 L_{k+1}
22: else
23: for i = 2 to k+1 of {L₁, …, L_{k+1}} do ⊳ (4) 收缩
24: L_i ← L₁ + σ*(L_i - L₁)
25: z ← z + 1
26: return 单纯形中使得 f(L,𝒮) 最小化的最佳 L ∈ {L₁, …, L_{k+1}}

3.1.1 Nelder-Mead

与进化算法类似，Nelder-Mead 是一种无梯度直接搜索方法，应用于工程[48]、化学[49]、控制理论[50]和计算机科学[50]等领域。Nelder-Mead 优化过程的核心是单纯形，即 k 维空间中具有 k+1 个点的多面体[51]。在自由放置地面站问题中，Nelder-Mead 单纯形的每个顶点对应一个候选地面站配置，记作 {L₁, …, L_{k+1}}，其中该单纯形中的每个 L_i 编码了站点 i 的经度和纬度。因此，一个单纯形 {L₁, …, L_{k+1}} 代表了搜索空间中 k+1 个竞争的站点放置配置。在每次迭代中，单纯形顶点按其目标值排序，最差点通过其余 k 个点的质心 L_cen 进行反射，以探索可能更好的位置。此行为由四个参数控制：反射系数 α>0，扩展系数 γ>1，收缩系数 ρ∈(0,1) 和压缩系数 σ∈(0,1)。如果反射能充分改善目标，则接受新点；否则，算法尝试扩展（如果反射结果非常好）或收缩。存在两种收缩：当反射结果中等好时进行外部收缩，当反射结果比当前最差点更差时进行内部收缩。如果收缩都没有带来改善，算法会朝向最佳点压缩整个单纯形，缩放因子为 σ。此迭代过程持续进行，直到收敛或达到最大迭代次数 Z_max。然后返回最佳顶点作为近似解。我们在算法2中提供了 Nelder-Mead 的完整伪代码。

我们对 Nelder-Mead 算法进行了两个实现调整，以使该方法适合用于地面站放置问题。首先，我们不是在二维经纬度空间（k=2）中优化，而是将候选位置投影到三维单位球面上，并在该域（k=3）中进行优化。这需要一个具有 k+1=4 个顶点（四面体）的单纯形，而不是三角形。直接在三维中操作避免了经纬度系统中在两极（φ=±90°）出现的退化情况，在那里所有经度都汇聚到一个点。其次，我们在单位坐标球上选择具有最大可能单纯形面积的随机起始单纯形。具体来说，我们生成100个可行点，并评估所有 (k+1)-点组合以形成候选单纯形。选择体积最大的单纯形，确保起始配置具有良好的缩放和分布。如果没有这样的分散，Nelder-Mead 可能因对解空间的覆盖不足而陷入较差的局部最小值。

算法3 Powell 共轭方向法
1: function Powell(f, Z_max, ε_pow, 𝒮)
2: 初始化起点 𝐰；设置搜索方向 𝐫_i ← 𝐞_i for i=1,…,m；设置 z ← 0
3: while z < Z_max 且未满足停止条件 do
4: 𝐩 ← 𝐰 ⊳ 保存本轮循环的起始点
5: for i = 1 to m do
6: t* ← arg min_t f(𝐰 + t*𝐫_i, 𝒮) ⊳ 沿 𝐫_i 进行线最小化
7: 𝐰 ← 𝐰 + t* * 𝐫_i
8: 𝐯 ← 𝐰 - 𝐩 ⊳ 净位移（新的共轭方向候选）
9: if ‖𝐯‖ < ε_pow then
10: break ⊳ 收敛
11: t* ← arg min_t f(𝐰 + t*𝐯, 𝒮) ⊳ 沿 𝐯 进行线最小化
12: 𝐰 ← 𝐰 + t* * 𝐯
13: 更新方向：对于 i=1,…,m-1，𝐫_i ← 𝐫_{i+1}；𝐫_m ← 𝐯/‖𝐯‖ ⊳ 丢弃 𝐫₁，添加 𝐯
14: z ← z + 1
15: return 使 f(𝐰,𝒮) 最小化的 𝐰

3.1.2 Powell 方法

Powell 共轭方向法[47]是一种无导数直接搜索优化器，通过连续的一维线最小化来最小化 m 个变量的函数。与 Nelder-Mead 类似，Powell 是一种只需要函数评估的无梯度方法。该方法维护一组 m 个搜索方向 𝐫₁, …, 𝐫_m，初始化为标准基向量 𝐞₁, …, 𝐞_m。在每个外层迭代中，算法依次沿每个方向最小化 f，在每次线最小化后更新当前点 𝐰。在所有 m 次线搜索中累积的净位移 𝐯 = 𝐰 - 𝐩 然后被用作最后的线最小化步骤，利用整个循环中改进的聚合方向。Powell 方法的关键创新在于其方向更新规则，该规则逐步构建一组相互共轭的方向。在每个完整循环之后，最旧的方向 𝐫₁ 被丢弃，其余方向移位，归一化的位移 𝐯/‖𝐯‖ 作为新方向 𝐫_m 添加。对于严格二次的目标，这个过程保证了在 m 个完整循环后，所有搜索方向相对于 Hessian 矩阵是相互共轭的，并找到精确的最小值[47]。对于本文 f 这样的非二次目标，该方法无需导数即可提供快速的实用收敛。当位移范数 ‖𝐯‖ 低于容差 ε_pow 或达到最大迭代次数 Z_max 时，算法终止，返回找到的最佳点 𝐰。我们在算法3中提供了完整的伪代码。

3.2 差分进化

差分进化[52]是一种鲁棒的、基于非梯度的元启发式算法，能够有效地探索复杂、高维的解空间，使其适用于广泛的全局优化问题。该方法类似于遗传算法等进化方法，但 DE 使用实值向量种群而不是编码的基因型。使用实值向量种群，变异和重组步骤可以直接在连续解空间中进行，无需编码或解码。种群中的新向量由现有候选者的组合生成，并且 DE 算法总是保留得分最高的解。这种黑盒方法不需要梯度信息来指导优化。

为了将 DE 应用于自由放置地面站问题，将地面站候选列表 ℒ 分解为一个有序的经度和纬度坐标的一维向量，记为 𝐱。该算法维护一个由这种候选解 𝒳 = {𝐱_i}_{i=1}^{NP} 组成的种群，种群大小为 NP，以平衡探索和计算成本。使用变异缩放因子 F ∈ [0,2] 生成新的候选向量，该因子设置了对每个向量修改的大小，控制了每次迭代中全局探索与局部细化之间的权衡。这些变异向量的分量可以根据交叉率 CR ∈ [0,1] 替换当前候选者，其中 CR=1 意味着 𝐱 的每个分量都被替换，CR=0 意味着没有替换发生。该过程持续进行到最大代数 G_max，提供了一个实用的停止标准。DE 需要访问目标函数 f、𝐱 的维度 D（等于 2n，因为 n 个地面站中的每一个都由一个经度和一个纬度坐标表示）以及 𝐱 中每个维度的边界。完整的伪代码在算法4中提供。

算法4 差分进化 (DE)
1: function DifferentialEvolution(f, NP, F, CR, G_max, D, 𝒮)
2: 在边界内随机初始化维度为 D 的种群 𝒳 = {𝐱_i}{i=1}^{NP}
3: 初始化代数计数 g ← 0
4: while g < G_max 且解未收敛 do
5: for each 种群中的基向量 𝐱_i do
6: (1) 变异:
7: 随机选择 3 个不同的向量，使得 𝐱₁ ≠ 𝐱₂ ≠ 𝐱₃ ≠ 𝐱_i
8: 𝐯_i = 𝐱₁ + F * (𝐱₂ - 𝐱₃)
9: (2) 交叉:
10: 选择一个随机向量索引 d ∈ 1,…,D
11: for j = 1,…,D do
12: 生成 rand_j ∼ U(0,1)
13: if rand_j < CR 或 j == d then
14: 𝐮{i,j} = 𝐯_{i,j}
15: else
16: 𝐮_{i,j} = 𝐱_{i,j}
17: (3) 选择:
18: if f(𝐮_i, 𝒮) ≤ f(𝐱_i, 𝒮) then
19: 𝐱_i ← 𝐮_i
20: 更新代数计数: g ← g + 1
21: return 种群中使 f(𝐱_i,𝒮) 最小化的最佳 𝐱_i

一般的 DE 大纲包括对 𝒳 中的每个向量 𝐱_i 执行变异、交叉和选择过程。变异使用种群中三个不同的向量计算，这些向量不同于被修改的向量 𝐱_i。此变异的缩放因子由 F 决定。然后，向量 𝐱_i 的每个维度进行交叉步骤，其中每个索引要么保留其原始值，要么根据交叉率 CR 与变异向量值进行交叉。事先选择一个随机向量索引 d ∈ 1,…,D，以确保在罕见情况下所有索引随机地未被选中进行交叉时，向量 𝐱_i 中的索引 d 确保发生变异。变异后的向量保存在 𝐮_i 中。最后，算法在原始向量 𝐱_i 和修改后的向量 𝐮_i 之间进行选择，选择目标值较低的向量。如果新向量具有更优的目标函数值，则该向量替换种群中现有的向量 𝐱_i。在解达到收敛或完成最大代数 G_max 后，返回具有最低目标值的候选向量 𝐱_i。

尽管 DE 的无梯度方法允许搜索地面站放置优化的不连续搜索空间，但该方法依赖于大量的函数评估，这使得计算成本高昂。对于每次计算评估都很轻量的问题，这种开销可能是可以接受的。然而，在我们的案例中，每个候选配置 𝐱_i 或地面站 L 都需要重新计算接触 𝒞_{L,𝒮} 以进行评估，计算成本很快成为瓶颈。此外，需要评估的候选解数量随着需要优化的地面站网络 ℒ 的规模而增长，这限制了 DE 对更大网络设计问题的可扩展性。SCORE 作为针对地面站放置问题结构量身定制的更高效、无梯度的替代方案，解决了这些计算挑战。

4. 实验设置

在讨论 SCORE 相对于其他地面站优化方法的性能之前，我们概述了实验仿真参数以确保可复现性。对于所有实验，我们使用了表1中列出的仿真参数，并使用 SGP4 传播器[53]传播每个航天器的动力学。遵循第2节中的替代优化框架，我们将仿真限制在最初的7天（T_sim），并通过因子 T_opt/T_sim 进行缩放，以近似整个任务持续时间 T_opt。在计算接触机会时，我们在地面站位置应用了10°的仰角掩膜。在当前表述中，我们假设所有地面站和卫星在每个接触窗口期间具有固定的数据速率，与仰角无关，并且不对频段分配进行建模。所有仿真均在一个双插槽工作站上运行，该工作站共有28个物理核心（56个线程），使用2.6 GHz Intel Xeon E5-2690 v4处理器和128 GB RAM。

表1：仿真参数

仿真参数	值
t_sim_start	2025-04-01 17:23:40.69 UTC
t_sim_end	2025-04-08 17:23:40.69 UTC
t_opt_start	2025-04-01 17:23:40.69 UTC
t_opt_end	2026-04-01 17:23:40.69 UTC
C_dr	1.2 Gbps

4.1 卫星星座

在我们的评估中，我们既在合成星座上进行了实验，也在真实卫星上进行了实验，其轨道由双行轨道根数（TLE）集定义。我们特别在探索不同星座规模影响的参数扫描中使用了合成星座。通过生成合成星座，我们可以精确调整仿真环境，以测量星座规模增加如何影响优化器达到收敛的速度。对于不涉及改变星座规模的实验，我们使用了现有的地球观测卫星星座，其TLE提供了在轨卫星的轨道数据。在实践中，卫星运营商从GSaaS提供商提供的有限位置集合中选择地面站，以建立支持性的地面网络。在此背景下，我们将无约束自由放置方法的性能与代表当前行业实践的固定站点选择进行了比较。通过直接将使用基于IP的求解器（受限于现有地面站位置）的固定站点选择与自由放置方法进行评估，我们可以量化消除预定义站点位置限制时可实现的潜在增益。

4.1.1 合成 Walker-Star 星座

在无约束自由放置问题评估中，我们针对具有表2中列出的参数的 Walker-Star 星座进行了优化。此配置用于对仿真中的卫星总数（范围为1到4）进行参数扫描。对于我们的 Walker-Star 编队，我们将每个轨道平面限制为仅包含一颗卫星，因此轨道平面数 N_ρ 等于卫星数 |𝒮|。

表2：Walker-Star 星座参数

Walker-Star 星座参数	值
高度	781 km
偏心率	0.001
倾角	86.4°
参数扫描中变化的平面数 (N_ρ)	1–4
每个平面的卫星数 (s_per_plane)	1

4.1.2 现有地球观测星座

对于本文中考虑的现有地球观测卫星星座，我们重点关注两个主要的地球观测运营商：Capella Space 和 ICEYE。相关的轨道特性列于表3中。我们特别选择了这两个星座，因为它们的轨道参数不同。Capella Space 代表了一个由中倾角（45°, 53°）和太阳同步（97°）轨道组成的较小的混合星座，而 ICEYE 代表了一个更传统的、规模更大的纯太阳同步轨道星座。研究这两个星座使我们能够识别出为混合轨道与太阳同步轨道设计地面站网络时出现的不同挑战。

表3：地球观测卫星星座

地球观测卫星运营商	星座规模	轨道高度	倾角
Capella Space	5	525-575 km	45°, 53°, 97°
ICEYE	34	560-580 km	97°

4.2 现有地面站网络

为了将 SCORE 与在固定站点选择上进行优化的方法进行比较，我们考虑了两个地面站位置数据集作为潜在的固定站点，如图1和图2所示。第一个数据集由 Kongsberg Satellite Services (KSAT) 提供，这是目前最大的现有 GSaaS 提供商。从 KSAT 的广泛网络中选择站点代表了一个特别具有挑战性的 GSaaS 优化问题。我们还考虑了来自世界电信港口协会（WTA）全球电信端口地图的100个地理多样性子集位置。完整的 WTA 数据集包含915个站点，超过了在合理时间内获得精确 IP 解决方案的规模，因此我们选择了100个站点，以在保持计算可行性的同时最大化地理多样性。该数据集使得能够在具有现有卫星通信基础设施的地区评估网络规划，在这些地区，即使没有专门的 GSaaS 提供商，运营商也可能希望扩展或优化地面站部署。将固定站点选择扩展到更大的候选集仍然是一个开放的挑战，尽管最近的工作已经开始解决可扩展的地面站网络优化问题[45]。

图1：KSAT地面站网络。 KSAT运营中地面站的位置。通信锥假设高度为525公里，最小仰角为10°。

(a) 全球电信端口列表。 来自世界电信港口协会全球电信端口地图的100个地理多样性子集电信端口站点的位置，选择以保持整数规划公式的计算可行性。通信锥假设高度为525公里，最小仰角为10°。

(b) 世界电信港口协会全球电信端口地图的完整全球电信端口列表。 为更好地显示位置，未绘制通信锥。
图2：全球电信端口列表地图。

5. 结果

我们将结果组织为两个主要评估。首先，我们将 SCORE 与差分进化进行比较，以评估使用合成 Walker-Star 星座的计算效率、收敛性以及存在多个接近最优解的可能性。该分析量化了 SCORE 相对于 DE 的收敛速度改进，表明对于更大的地面站选择配置，SCORE 在实现等效或更优目标值的同时，将收敛所需的函数评估次数比 DE 减少了最多5倍。

接下来，我们评估 SCORE 与基于整数规划（IP）的固定站点选择方法的比较，以分析当网络位置受限于现有基础设施时的性能权衡。使用 KSAT 和 WTA 电信端口网络作为基线，我们量化了有限的站点可用性如何限制可达到的下行性能，与 SCORE 的无约束放置相比。专注于为 CAPELLA 和 ICEYE 星座选择站点，我们发现 SCORE 始终优于基于 IP 的固定站点方法，相对于固定站点解决方案实现了超过9%的数据吞吐量提升。总的来说，这些评估突显了 SCORE 在各种地面站网络设计场景中的可扩展性、效率和适用性。

5.1 自由放置问题

我们首先比较自由放置问题的方法，使用第4.1.1节中描述的合成 Walker-Star 星座，将 SCORE 与差分进化进行基准测试。任务目标 f 是在仿真时间段 T_sim 内最大化总数据下行链路，如公式6所述。最终目标函数值通过因子 T_opt/T_sim 缩放，以近似整个优化期间的数据下行链路。我们分别在 {1,2,3,4} 范围内独立地改变卫星和地面站的数量，生成了16个独特的场景来评估算法性能和计算效率。我们的评估侧重于达到收敛所需的函数评估次数和解质量，每个场景重复10次随机种子以确保鲁棒性。接触排除约束分两步处理，以防止跨地面站的重叠卫星接触。优化后，使用整数规划求解器对解进行后处理，以强制执行严格的不重叠分配，在最终目标中仅计算一次任何重叠。

(a) SCORE（Nelder-Mead 和 Powell）和 DE 自由放置算法达到收敛所需的总函数评估次数

(b) SCORE（Nelder-Mead 和 Powell）和 DE 自由放置方法的最终下行数据量（PB）
图3：SCORE 与领先自由放置优化算法的计算量与性能增益对比

5.1.1 计算与性能增益

首先，我们评估了 SCORE 和 DE 在计算效率与任务目标性能之间的权衡。图3显示了两个关键指标：(a) 每个算法达到解收敛所需的函数评估次数，以及 (b) 在 T_opt 期间总下行数据量（PB）的最终目标值。我们使用两种无导数局部搜索方法（Nelder-Mead 和 Powell）评估 SCORE，展示了优化器的灵活性，同时保持比 DE 等全局元启发式方法更低的每迭代成本。在图3(a)的热图中，由于 SCORE 的顺序选择过程，其函数评估次数随地面站数量 n 线性增加。然而，DE 的函数评估次数增长得更快，在最大场景中达到超过17,000次函数评估，而 SCORE 为4,100次。对于两种算法，改变星座规模 |𝒮| 对收敛前所需的函数评估次数影响最小。

图3(b)显示了两种方法在总下行数据量（PB）方面的最终任务目标值。关键的是，SCORE 的有效性对底层优化器的选择很敏感；虽然 Powell 方法提供了最低的计算开销（平均比 Nelder-Mead 少约50%的评估），但它导致了显著降低的目标值，甚至在最简单的配置上也常常无法超越 DE 的性能。相反，使用像 Nelder-Mead 这样不同的优化器，SCORE 能够保持其可预测的线性复杂度增长，同时始终获得接近最优的下行性能。在更大的网络中，尽管 DE 需要多达五倍的函数评估（例如，在4个地面站和3颗卫星时，DE 需要21,000次对比 SCORE 的4,000次评估），但使用 Nelder-Mead 的 SCORE 在总下行数据量上最多超过 DE 13%。这些结果突显了 SCORE 在探索地面站网络优化解空间方面的卓越效率、可扩展性和有效性，前提是采用高性能的局部搜索方法。

图4：SCORE 和 DE 的数据下行链路比较。SCORE（橙色）在大约4000次函数评估后收敛至一个解；DE（蓝色）收敛更慢且变异性更高。

5.1.2 收敛行为

为了更好地理解 SCORE 和 DE 之间收敛行为的差异，图4显示了图3中最大场景（需要放置4个地面站的4星 Walker-Star 星座）的性能随时间变化。我们绘制了每种方法完成的总数据下行量随函数评估次数变化的情况。SCORE 快速达到接近最大下行量，平均在4,160次函数评估中实现了3.4 PB的平均性能（橙色曲线，垂直虚线）。DE 的增长更慢且更不稳定，在平均17,432次函数评估后仅达到3.2 PB（蓝色虚线）。

SCORE 的快速收敛可归因于其战略性的顺序坐标选择阶段和 Nelder-Mead 高效的单纯形搜索，这只需要很少的函数评估即可迭代改进解。在快速选择初始坐标集后，随后的循环细化促进了增量改进，直到收敛，找到的解比 DE 最多减少5倍的函数评估次数，同时实现相当的解质量。围绕每个算法平均收敛曲线的阴影区域反映了随机种子的变异性。SCORE 的变异性仍然有限，而 DE 的基于种群的随机搜索则表现为更广泛的变异性和不太可预测的收敛率，这是由于其依赖于初始种群和随机遗传操作。对于更多的消融研究，我们请读者参阅附录6.4（我们探索了更广泛的 DE 参数）和附录6.5（我们验证了循环细化步骤及其对选择顺序的鲁棒性），两者都针对4个地面站和4颗卫星的最大场景。

5.1.3 多个接近最优的解

在改变随机种子的实验中，我们发现了对于4个地面站和4颗卫星的 Walker-Star 星座，存在多个不同的高性能地面站布局。图5展示了几个示例布局。尽管空间布局不同，但所有配置都实现了相似的目标值，表明存在多个局部最优。这表明整体布局模式，而非确切的站点位置，是影响性能的关键因素。所有坐标及其在 T_opt 期间的数据下行值的完整列表在表4中提供。

(a)

 (b)

 (c)
图5：多个高性能地面站布局产生相似的目标值，显示了布局的灵活性。坐标和目标值列于表4。

表4：三个优化案例中对齐的地面站坐标，重新排序以突出空间相似性。整体分布模式，而非具体站点，主要驱动数据下行链路表现。

	坐标1		坐标2		坐标3		坐标4
剧情	隆。	纬度。	隆。	纬度。	隆。	纬度。	隆。	纬度。	数据（PB）
A	15.65	78.23	2.53	−72.01	−133.72	68.36	−57.85	−51.68	3.11
B	−26.51	64.14	2.53	−72.01	−148.49	70.26	168.38	−46.53	3.10
C	25.75	71.17	2.53	−72.01	−51.72	64.18	−70.87	−52.94	3.12

5.2自由放置与固定地点选择方法的比较

5.2 自由放置与固定站点选择方法的比较

接下来，我们评估 SCORE 与使用整数规划求解器的固定站点选择优化的性能。为了引入更高的真实性，我们将 SCORE 与在现有地面站网络（特别是 KSAT 和 WTA 全球电信端口地图提供的网络）上的 IP 优化进行比较。我们针对固定站点方法评估了 SCORE 的三个变体。首先，无约束 SCORE 执行没有基础设施惩罚的自由放置，作为可达到的下行性能的强大经验性能基准。其次，SCORE（纬度约束） 将放置限制在 [-73°, 78°] 的纬度范围内，对应于现有 KSAT 基础设施的范围，代表了完全无约束和基础设施约束优化之间的中间地带。第三，SCORE（基础设施约束） 纳入了公式12中的基础设施邻近惩罚，鼓励放置在靠近现有居民点且可接入光纤和电力基础设施的位置。比较这三个变体，可以将纯几何优化的贡献与站点可行性的实际成本分离开来，量化运营商从理想化部署转向操作实际部署时所面临的性能权衡。我们将评估进一步聚焦于为成熟的地球观测卫星星座（即 Capella Space 和 ICEYE）最大化数据下行链路，其特性在第4.1.2节中详述。当在预定义的候选位置集 𝒫 上进行优化时，IP 求解器返回全局最优解（假设存在可行解）。

5.2.1 SCORE、固定站点选择（来自电信端口和KSAT）之间的性能比较

SCORE 和基于 IP 的优化在任务窗口 T_opt 期间的下行性能如图6所示，适用于1到20个站点的网络。对于 Capella Space 星座（图6(a)），无约束 SCORE 始终优于基于 IP 的方法，尽管 IP 在较小网络上取得了类似的结果。固定站点 IP 解决方案的强大性能可归因于 Capella 的中纬度轨道倾角，这与图1和图2中地面站和电信端口主要分布在中纬度的情况高度吻合。在这种情况下，对于小型网络，无约束 SCORE 带来的增益很小（对于3个站点，比电信端口高0.4%，比 KSAT 高4.6%），但其优势随着网络规模的增长而增加，在20个站点时达到比电信端口高7%，比 KSAT 高22%。对于 ICEYE 星座（图6(b)），无约束 SCORE 显著优于两个 IP 基线，在所有网络规模下领先8-15%。这反映了 KSAT 和电信端口网络中高纬度地面站有限，这阻碍了对 ICEYE 高倾角轨道的支持。我们注意到，这些无约束的结果代表了一个强大的经验性能基准，因为这个版本的 SCORE 可以自由选择位置，无论基础设施可行性或操作可访问性如何。

受约束的 SCORE 变体揭示了强制执行基础设施可行性的实际成本。对于 Capella，SCORE（纬度约束）和 SCORE（基础设施约束）的表现略低于无约束 SCORE，但仍接近 Teleports IP 基线，因为 Capella 的中纬度轨道能很好地被基础设施可访问的位置服务。值得注意的是，SCORE（基础设施约束）与 Teleports 线紧密相连，这表明对于中纬度星座，将放置限制在基础设施可访问区域会产生与现有电信端口网络相当的性能。对于 ICEYE，纬度约束导致了更显著的性能损失。在小型网络规模下，受约束的 SCORE 变体与固定站点方法性能相当，因为几何上最有价值的极地位置被排除在搜索空间之外。然而，对于更大的网络，SCORE（纬度约束）和 SCORE（基础设施约束）始终优于 Teleports 和 KSAT，在20个站点时，相比 Teleports 和 KSAT 分别实现了2-5%和2-5%的增益。相比之下，无约束 SCORE 的改进为8-15%，这表明基础设施约束降低但并未完全消除自由放置的性能优势。这些结果突显了运营商的一个关键权衡：基础设施约束降低了自由放置的性能上限，特别是对于高倾角星座，但在更大的网络规模下，仍然可以提供优于固定站点选择且物理上更易实现的站点放置。

(a) 完整 Capella Space 星座

(b) 完整 ICEYE 星座

(c) Capella 星座放大视图

(d) ICEYE 星座放大视图
图6：Capella 和 ICEYE 星座的完整星座视图（上）及其相应的放大区域视图（下）的比较，说明了自由放置与固定站点地面站选择。

5.2.2 坐标位置比较

我们现在对 Capella Space（图7）和 ICEYE（图8）星座的10站点网络的优化地面站坐标进行详细评估。在两幅图中，无约束 SCORE、KSAT IP 解和 Teleport IP 解的优化地面站位置都显示在全球地图上。图中显示了优化后的站点位置，坐标列于表5和表6。半透明圆圈代表每个地面站的通信覆盖锥，计算时假设卫星高度为525公里，最小仰角为10°。

图7：Capella Space 星座的优化，显示了10站点网络的最终地面站位置。解包括 KSAT 站点（红色）、Teleport 站点（紫色）和 SCORE 自由放置（蓝色）。

图8：ICEYE 星座的优化，显示了10站点网络的最终地面站位置。解包括 KSAT 站点（红色）、Teleport 站点（紫色）和 SCORE 自由放置（蓝色）。

地图表明，轨道倾角强烈影响地面站网络设计。对于遵循极地或太阳同步轨道的 ICEYE 星座，最佳地面站聚集在中高纬度地区以最大化接触机会。相比之下，对于具有中倾角轨道的 Capella Space 星座，站点主要聚集在中纬度地区。虽然纬度主要决定地面站能看到卫星的频率，但经度被发现会影响卫星通过的时间。经度的广泛分布似乎有助于提供随时间更连续和均匀分布的下行链路机会。总的来说，优化网络中纬度聚集和经度分布的组合展示了自由放置和固定站点策略如何平衡最大化通过频率与维持时间覆盖。

表5：Capella 的 KSAT、Teleport 和 SCORE 地面站比较：已放置 10 个站点，SCORE 在TOPT.

表6：ICEYE的KSAT、Teleport和SCORE地面站比较：共放置10个站点，SCORE在TOPT.

 

表5总结了 Capella Space 地面站的指标，显示 SCORE 在 T_opt 期间下行43.43 PB，优于 KSAT 的37.44 PB 和 WTA Teleports 的41.24 PB。对于 ICEYE（表6），SCORE 实现了165.20 PB，超过 KSAT 的151.06 PB 和 Teleports 的148.25 PB，高出9-11%。SCORE 始终选择位于高纬度或偏远地区的更具战略性、更多样化的站点，从而带来了显著的数据下行改进。这些结果表明，将地面网络扩展到传统基础设施枢纽之外，进入未充分利用或偏远地区，可以产生有意义的性能增益。然而，实际的部署考虑因素，包括回程可用性和电力基础设施，仍然是将这些几何增益转化为操作改进的重要因素。

表7：比较Capella空间的SCORE、SCORE（纬度-恒经）和SCORE（红外-恒定）地面站坐标：已放置10个站点。图2中每个站点报告了最近的传送点距离。

表8：比较ICEYE的SCORE、SCORE（纬度-纪值）和SCORE（红下-纪值）地面站坐标：已放置10个站点。图2b每个站点报告了最近的传送点距离。

5.2.3场地可行性与基础设施邻近性分析

 

5.2.3 站点可行性与基础设施邻近性分析

为了直接解决自由放置解决方案的实际可行性，我们针对每个 SCORE 变体，分析了优化后的地面站位置与图2(b)中最近的现有电信端口基础设施之间的距离。表7和表8报告了所有三个变体在两个星座下的坐标和基础设施距离。

无约束 SCORE 选择几何最优的站点，其到最近电信端口基础设施的平均距离为 Capella 1,011公里、ICEYE 860公里，包括诸如南极点（-89.94°N）和缺乏商业地球观测下行操作所需的光纤回程和电力基础设施的高北极站点等偏远位置。这些结果证实，无约束自由放置代表了一个强大的经验性能基准，可以量化通过无约束网络放置可实现的巨大增益。

受纬度和基础设施约束的变体揭示了在实际部署假设下可以恢复多少这种增益。基础设施约束的 SCORE 将到最近电信端口的平均距离减少到 Capella 113公里、ICEYE 116公里——减少了一个数量级——同时分别保留了无约束性能的96.5%（41.90/43.43 PB）和92.0%（152.03/165.20 PB）。纬度约束的变体为 Capella 保留了98.0%（42.58/43.43 PB），为 ICEYE 保留了93.5%（154.51/165.20 PB），但基础设施成本略高（平均距离分别为785公里和810公里）。这表明，通过在现有基础设施枢纽附近进行战略性扩展，无需在偏远或后勤不可行的地点部署，仍然可以实现可观的几何增益。

因此，自由放置定义了一个强大的性能基准，并确定了战略性基础设施投资可能产生显著收益的区域。受约束的变体为在现实部署约束内工作的网络规划者提供了可操作的指导，弥合了几何最优性与操作可行性之间的差距。

5.2.4 增加天线与增加地面站

在第5.2节的所有评估中，每个地面站一次仅限于一个主动卫星链路，代表单天线配置。我们进一步研究了通过为站点配备多个天线所带来的吞吐量改进。图9和图10显示了 Capella Space 和 ICEYE 星座的三个示例地面站的24小时接触窗口，突出了使用模式以及单天线架构的基本限制。

两个星座都表现出重叠的接触期，用红色区域表示。对于 Capella Space（图9），重叠在各个站点间循环出现。在 ICEYE 星座（图10）中，重叠更为明显，尤其是在高纬度站点。这些重叠揭示了单天线站点的一个关键限制：同时的卫星接触迫使进行优先级排序，导致下行链路机会的损失。随着星座规模的扩大，这一挑战加剧，如图中大片红色区域所示。

分析表明，仅扩大地理覆盖范围可能不会显著增加容量。相反，在战略位置为现有站点配备多个天线可以提供更大的吞吐量增益。表9量化了这种影响：在网络规模为1时，天线约束使 ICEYE 的吞吐量降低了68%（从85.29 PB 降至27.55 PB），在网络规模为20时降低了53%（从553.81 PB 降至260.89 PB）。Capella Space 受影响较小，在网络规模1和20时，惩罚分别为7%和12%，反映了轨道和接触模式的差异。这些结果表明，对于像 ICEYE 这样的极地轨道星座，多天线站点可以在不增加地理足迹的情况下使吞吐量提高一倍以上，这是卫星网络基础设施的一个关键设计考虑因素。

图9：Capella 上三个优化的 SCORE 地面站的接触窗口：蓝色（接触），灰色（无接触），红色（来自多个卫星的重叠接触）。

图10：前五颗 ICEYE 卫星上三个优化的 SCORE 地面站的接触窗口：蓝色（接触），灰色（无接触），红色（来自多个卫星的重叠接触）。

表9：比较支持Capella Space和ICEYE星座的单天线与多天线SCORE总下行数据。

6. 结论

在这项工作中，我们引入了 SCORE，一种支持自由放置位置优化的地面站网络设计算法。SCORE 采用了两步过程：顺序坐标选择，然后是顺序循环细化，以有效应对高维优化挑战，从而能够设计更大的地面站网络来支持日益复杂的卫星星座。

我们针对单步自由放置优化方法（如差分进化）以及使用 KSAT 和世界电信港口协会真实基础设施的固定站点选择优化 IP 基线，对 SCORE 进行了全面的评估。在自由放置设置中，SCORE 在计算效率和解决方案质量方面始终优于 DE。在我们的研究中，SCORE 达到收敛所需的函数评估次数比 DE 少5倍，同时实现了13%更高的数据下行吞吐量。这些结果突显了 SCORE 的顺序坐标选择和局部细化策略有效地克服了 DE 在精细开发方面的局限性，因为我们的方法不仅收敛更快，而且找到了更高质量的站点放置。我们的结果还强调，在实现稳健的卫星通信和数据下行性能方面，站点位置的整体构成比任何单个站点都起着更关键的作用。

当与固定站点选择优化（其中基于 IP 的公式在有限的位置集合内产生最优解）进行比较时，SCORE 的无约束全局搜索建立了一个强大的经验性能基准，在灵活的选址条件下实现了高达15%的总数据下行量。这量化了超越预先存在的站点约束的几何性能潜力，并激励了在高价值区域进行战略性基础设施扩展。受基础设施约束的 SCORE 在保持在现有光纤和电力基础设施附近的同时，保留了超过92%的增益，表明在现实的部署约束内可以实现显著的改进。我们还研究了在现有站点增加天线与使用战略性放置的新地面站扩展网络之间的权衡。

SCORE 为旨在优化其地面基础设施的卫星运营商提供了一个实用的解决方案，同时也为可扩展和自适应网络设计的研究开辟了新的方向。虽然是为自由放置地面站优化而开发的，但 SCORE 的方法广泛适用于其他需要在复杂配置空间上进行结构化搜索的问题。随着卫星星座在规模和复杂性上的不断增长，像 SCORE 这样的方法对于有效评估和设计能够支持日益增长的数据需求和不断发展的任务要求的地面站网络将至关重要。

附录

6.1 替代目标函数：平均间隙时间最小化

另一个可能的目标包括平均间隙时间最小化，旨在减少连续接触之间的平均时间，以防止任何卫星出现长时间的通信中断。对于地球观测任务，这通过减少上行和下行链路机会之间的典型停机时间来鼓励整个星座更一致的通信节奏。为了计算平均间隙时间，仅考虑可行的接触机会（即，对于每个接触对 (c,C)，我们设置 c=1 以指示每个可行接触都包含在间隙计算中）。这确保了间隙度量测量网络的固有通信节奏，独立于调度决策。令 𝒞_S ⊆ 𝒞_{ℒ,𝒮} 是由地面网络 ℒ 支持的卫星 S ∈ 𝒮 的接触。我们假设 𝒞_S 中的所有接触 (c,C) 按开始时间 C_start 升序排列。这个排序允许我们将通信间隙定义为差值 C_{i+1}start - C_i_end，其中 C_i_end ≤ C{i+1}start。如果 C_i_end ≥ C{i+1}_start，则前一个接触窗口与下一个接触窗口的开始时间重叠或恰好结束，导致连续通信，接触之间没有间隙。对于所有接触 i=1,…,|𝒞_S|-1，我们为每颗卫星定义正的间隙长度 g_gaps(ℒ, S) 为：

来自使用给定候选网络 ℒ 生成的接触。那么卫星 S 的实际间隙数定义为

其中只计算大于零秒的间隙。使用公式19和公式20，每颗卫星的平均间隙时间计算为

适用于 n 非零时，或任务窗口内没有间隙时。这确保了平均值是在实际通信间隙上计算的，排除了重叠的接触。然后完整的目标函数变为

它代表每颗卫星的平均通信间隙时间长度，在整个星座上取平均值。我们再次用因子 T_opt/T_sim 加权目标，以适当地反映整个任务期间的预期总停机时间。

6.2 合成 Walker-Star 星座

我们概述了计算定义用于仿真目的的合成 Walker-Star 星座所需的几个参数的方法，包括每个轨道平面的升交点赤经、为引入相位而确定的每颗卫星的平近点角，以及用于识别平面内和跨平面卫星的唯一索引方案。每个平面 ρ ∈ {1, …, N_ρ} 的升交点赤经（Ω）均匀分布在360°上，如下所示：

此 Walker-Star 星座中的每颗卫星 S ∈ 𝒮 通过其轨道平面 ρ 及其平面内索引 s 唯一索引，写为 S_{ρ,s}。为了在平面之间引入相位，我们定义卫星 S_{ρ,s} 的平近点角 M 为

其中 s = 1, …, s_per_plane 是平面内卫星索引，s_per_plane 是每个轨道平面的卫星数量。公式24中的第一项控制每个平面内卫星的相对位置，而第二项引入平面间的相位。对于这个合成的 Walker-Star 星座，由于 s_per_plane=1，平面内间距项消失，M_{ρ,s} 完全由平面间相位决定。

6.3 替代优化分析

如第2节所述，长期轨道传播无法以足够的精度可靠地预测多年时间跨度的接触机会，因为低地球轨道航天器经历的随机扰动（特别是太阳辐射压力和大气阻力）会随时间累积。为了捕捉跨轨道周期的卫星接触的周期性特性，我们遵循先前的工作[29, 45]，采用7-10天的替代窗口作为长期接触分布的统计代表性近似。

为了验证这一假设，我们对5,250种配置进行了参数扫描，涵盖不同的高度、倾角和地面站位置，详见表10。对于每种配置，在365个离散持续时间（1天、2天、…、365天窗口）上模拟接触，相对于365天参考值，在每个持续时间生成接触/天和持续时间/天的运行平均值。在5,250种配置中，有3,644种产生了非零接触并被包含在分析中。

表10：替代验证参数扫描。

参数	范围
高度	300–1000 km（50 km步长）
倾角	0–90°（10°步长）
KSAT 位置	来自35个地面站集合的站点
仿真持续时间	1–365天（1天步长）
总配置数	5,250（3,644个非零接触）

图11显示了接触/天和持续时间/天的运行平均值，归一化到365天参考值，为清晰起见，显示了前100天。随着仿真持续时间的增加，运行平均接触统计量稳步向全年平均值收敛。对于超过70%的测试配置，一个7天的替代窗口可以在5%的误差内估计年度平均接触频率和持续时间，使用20-25天的更长窗口时，这一比例上升到95%以上。鉴于由于累积的随机扰动，传播精度在更长时间范围内下降，我们采用7-10天作为在统计代表性和传播保真度之间取得平衡的实用替代持续时间。这些结果大大扩展了 Eddy 等人[29]的初步分析，为这一假设提供了大规模的经验证明。

图11：跨3,644种配置的运行平均接触统计量向365天参考值的收敛。红色虚线标记了采用的7天替代窗口。

6.4 差分进化超参数扫描

为了确保 SCORE 和差分进化（DE）之间的公平比较，我们针对第5.1节中最大的合成 Walker-Star 星座实验，对9种配置进行了超参数扫描。扫描范围包括交叉率 CR ∈ {0.3, 0.5, 0.9}、变异缩放因子 F ∈ {0.5, 0.6, 0.7, 0.9}、种群大小 NP ∈ {5, 10, 15} 和变异策略 ∈ {best1bin, rand1bin}。我们注意到最终选定的配置在表11中。这些范围的选择涵盖了保守和激进的探索策略，遵循了 DE 文献[52]的标准建议。我们注意到，尽管大多数 DE 配置在足够的函数评估下最终可以接近 SCORE 的解质量，但识别性能良好的超参数本身就需要额外的调整工作。所有配置的收敛行为如图12所示。尽管进行了如此广泛的扫描，没有配置能匹配 SCORE 的收敛速度，大多数需要多4-5倍的函数评估才能达到相当的解决方案质量，而两个配置（运行1和5）完全未能收敛到有竞争力的解决方案。

表11：参数扫描中测试的微分进化超参数配置。种群规模按问题维度进行缩放d（例如，5​d手段5×d其中d=2​n对于n地面站）。

跑	人口。大小	F	犯罪记录	战略	目的
1	5​d	0.5	0.3	最佳1bin	快速收敛，局部开发
2	10​d	0.7	0.9	兰德1bin	平衡探索
3	10​d	0.9	0.3	最佳1bin	高突变，低混合
4	15​d	0.7	0.3	兰德1bin	保守的大人口
5	5​d	0.9	0.9	兰德1bin	混乱、高探索
6	10​d	0.5	0.9	兰德1bin	基线（原始实验）
7	15​d	0.9	0.9	兰德1bin	最大限度探索，人口大
8	10​d	0.7	0.5	最佳1bin	适度探索
9	10​d	0.6	0.6	最佳1bin	中等平衡配置

这种超参数敏感性随着地面站网络规模的增大而变得愈发成问题，因为每次函数评估都需要传播卫星轨道并计算整个仿真窗口上的访问窗口，使得在大规模下进行详尽的参数扫描在计算上不可行。相比之下，除了局部优化器的选择外，SCORE 不需要超参数调整，并且随着网络规模的增长，其函数评估次数增长适度，始终收敛到接近最优的解。

图12：SCORE 与9种 DE 超参数配置的收敛比较：SCORE 收敛速度快4到5倍，多个 DE 运行在评估预算内未能收敛。

6.5 SCORE 循环细化消融研究

我们对 SCORE 算法中的循环细化步骤进行了消融研究，解决了两个问题：(1) 循环细化步骤是否比纯贪婪放置提供了有意义的性能增益，以及 (2) 在细化步骤中随机化地面站选择顺序是否影响解质量。

6.5.1 循环细化的效果

SCORE 算法包括两个阶段：初始贪婪放置阶段，在此阶段顺序选择地面站以最大化边际覆盖；随后是循环细化阶段，在此阶段，在固定所有其他站点的同时重新优化每个站点，重复 E_max 次循环。为了评估细化阶段的贡献，我们在第4.1.1节中描述的四星、四站 Walker-Star 场景中，比较了启用和禁用循环细化时的收敛行为。

如图13所示，大约在800次函数评估处的垂直虚线标记了贪婪放置阶段和循环细化开始之间的边界。仅贪婪阶段就实现了最终解质量的很大一部分；然而，循环细化阶段始终带来额外的改进，特别是在贪婪放置产生次优初始配置的运行中。这证明了第二阶段不是多余的，并且对最终解质量有可测量的贡献。

6.5.2 随机化选择顺序的影响

我们还研究了在循环细化阶段中用于重新优化的地面站选择顺序的随机化是否影响性能。对于九个具有不同随机种子的独立试验，我们使用固定确定性顺序（i=0,1,…,n-1）和随机打乱顺序运行 SCORE，其中使用种子随机数生成器在每个细化周期重新绘制打乱顺序。

图13显示了所有九个试验中两种条件的收敛曲线。在大多数运行中，随机化和确定性顺序收敛到相当的最终解，没有一种始终优于另一种。一些运行在收敛轨迹上表现出瞬态差异，但这些差异不会持续到最终解。这表明 SCORE 的性能对细化步骤中使用的特定选择顺序是鲁棒的，并且主要结果中使用的确定性顺序不是系统性偏差的来源。

图13：SCORE 解质量对循环细化顺序具有鲁棒性：在九个独立的 Walker-Star 试验中，随机化和确定性变体的收敛情况相当。