Redes Neurais para nanossatélites

Abstract

O problema de Agendamento de Tarefas de Nanosatélites Offline (ONTS) é um desafio na alocação de recursos limitados para a execução de tarefas em satélites. Este trabalho tem como objetivo aplicar Redes Neurais Orientadas a Grafos (GNNs) para melhorar a eficiência da resolução de problemas de Programação Linear Inteira-Mista (MILP), usados no planejamento de nanossatélites. Utilizamos uma versão modificada do modelo SatGNN, que permite a filtragem de restrições para acelerar os cálculos de tarefas, reduzindo o tempo computacional em comparação com métodos tradicionais.

A metodologia consistiu na modelagem do problema ONTS como MILP, convertendo-o em grafos bipartidos que são processados pela GNN. O desempenho do modelo foi avaliado numericamente, comparando os tempos de execução com e sem a filtragem de restrições. Os resultados indicam que o uso de GNNs otimiza significativamente o desempenho em casos específicos, oferecendo um ganho percentual entre 100,6% e 101,8% em relação ao modelo sem filtragem, o que demonstra a viabilidade do método proposto, além disso apresenta também ganhos muito significativos em casos específicos.

As conclusões deste trabalho reforçam a eficácia da abordagem de GNNs para a otimização de problemas MILP, especialmente no contexto do agendamento de tarefas de nanossatélites. Apesar de os ganhos de desempenho variarem dependendo do caso, os resultados são promissores, com potencial para futuras melhorias. Esta pesquisa contribui para o avanço na área de otimização e aprendizado de máquina aplicada a satélites, abrindo espaço para estudos futuros.