⚡ electrical engineering

Route-Phasing-Split-Encoded Genetic Algorithm for Multi-Satellite On-Orbit Servicing Mission Planning

Dit artikel introduceert een Route-Phasing-Split-Encoded Genetisch Algorithm (RPS-GA) voor het plannen van multi-satelliet orbitale onderhoudsmissies in een geo-stationaire baan, dat sequentiëren, fase-rotaties en routeverdeling simultaan optimaliseert en zo de totale brandstofverbruik met 24,5% verlaagt ten opzichte van bestaande methoden.

Oorspronkelijke auteurs: Shridhar Velhal, Avijit Banerjee, George Nikolakopoulos

Gepubliceerd 2026-03-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Shridhar Velhal, Avijit Banerjee, George Nikolakopoulos

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een gigantische, complexe logistieke uitdaging hebt: je moet een vloot van twee ruimtevaartuigen (de "servicers") sturen om 14 verschillende satellieten in een hoge baan rond de aarde te repareren en tanken.

Dit klinkt als een gewone koeriersdienst, maar dan in het heelal. En daar gelden heel andere regels dan op aarde.

Hier is wat dit paper doet, vertaald naar simpele taal met een paar leuke vergelijkingen:

1. Het Probleem: De Ruimtelijke Pizzakoerier

Op aarde kun je een pizza bezorgen door gewoon de kortste weg te rijden. In de ruimte is dat niet zo.

De "Tijdsafhankelijke" Weg: Stel je voor dat je naar een vriend moet, maar hij beweegt continu. Soms is hij dichtbij, soms ver weg. Als je op het verkeerde moment vertrekt, moet je urenlang wachten of een enorme omweg maken.
De Brandstof: Elke keer dat je van richting verandert of snelheid aanpast, kost dat brandstof (in de ruimte heet dit $\Delta V$ ). Als je te veel brandstof verbruikt, is je missie voorbij voordat je klaar bent.
De Uitdaging: Je moet niet alleen beslissen wie je eerst bezoekt (de volgorde), maar ook hoe lang je wacht tussen de bezoeken (de "fase") en hoe je de 14 taken verdeelt over je twee schepen. Als je één ding verkeerd doet, kan de hele route onmogelijk worden.

2. De Oplossing: De "RPS-Drie-eenheid"

De auteurs van dit paper hebben een slim algoritme bedacht, een soort "super-rekenmachine" die heet een Genetisch Algorithm (RPS-GA). Ze noemen het een "RoutePhasingSplit" methode.

Laten we het vergelijken met het plannen van een vakantie voor een groep vrienden:

Route (De Reisroute): Welke steden bezoeken we? (Welke satelliet eerst?)
Phasing (De Wacht-tijd): Moeten we een dag wachten op de trein, of kunnen we direct doorreizen? In de ruimte betekent dit: hoeveel rondjes moet het schip om de aarde draaien voordat het de andere satelliet kan inhalen?
Split (De Verdeling): Welke vrienden gaan met welke auto? (Welke taken krijgt Schip A en welke Schip B?)

De Innovatie:
Bij eerdere methoden werd dit vaak stap voor stap gedaan: eerst de route, dan de wacht-tijd, dan de verdeling. Dat is alsof je eerst een route plandt, en dan pas beseft dat je te laat bent voor de trein.
Deze nieuwe methode doet alles tegelijk. Ze gebruiken een "chromosoom" (een digitale blauwdruk) dat eruitziet als een drietal:

De volgorde van de taken.
Het aantal rondjes om te wachten.
De verdeling over de schepen.

Het is alsof je één keer een compleet reisplan schrijft in plaats van drie losse lijstjes.

3. De Slimme Trucs: Hoe het werkt

Het algoritme werkt als een natuurlijke selectie (evolutie), maar dan voor ruimteplannen:

De "Goede" Plannen Overleven: Het systeem probeert duizenden verschillende plannen. Plannen die te veel brandstof kosten of te lang duren, worden weggegooid.
De "Split-Bewuste" Kruising: Als twee goede plannen worden "gepaard" om een nieuw plan te maken, doet het algoritme dit heel voorzichtig. Het breekt geen hele routes kapot. Het is alsof je twee goede recepten combineert, maar je breekt niet de hele keuken op de grond. Je neemt een heel goed stuk van het ene plan en plakt het op het andere, zonder de logica te verstoren.
De "Boete" voor Onmogelijke Plannen: Soms probeert het algoritme een plan dat heel weinig brandstof kost, maar onmogelijk is (bijvoorbeeld: je komt te laat aan). Het systeem geeft hier een enorme "boete" voor. Dit zorgt ervoor dat het algoritme niet blijft hangen in droomplannen die in de realiteit niet werken. Het dwingt het systeem om eerst haalbare plannen te vinden, en dan pas de beste te zoeken.

4. Het Resultaat: Een Reusachtige Besparing

De auteurs hebben dit getest met een echt scenario uit de ruimtevaartwereld.

De Oude Methode: De beste bekende methode (LNS-AGA) had een totaal brandstofverbruik nodig van ongeveer 1956 meter per seconde (een maat voor de energie die nodig is).
De Nieuwe Methode (RPS-GA): Haalde een totaal van 1476 meter per seconde.

Dat is een besparing van 24,5%.
In het dagelijks leven is dat alsof je met je auto van Amsterdam naar Berlijn rijdt en door een slimme routeplanner 25% minder benzine verbruikt. In de ruimte is dit enorm: het betekent dat je met dezelfde brandstof veel meer satellieten kunt redden, of dat je schepen veel langer mee kunnen.

Samenvatting

Kortom: Deze paper introduceert een slimme manier om ruimtevaartuigen te sturen die niet alleen kijkt naar "wie gaat waarheen", maar ook naar "wanneer" en "hoe lang ze wachten". Door alles tegelijk te plannen en slimme regels toe te passen om onmogelijke plannen direct te weren, vinden ze routes die veel zuiniger en betrouwbaarder zijn dan wat we tot nu toe konden doen. Het is een grote stap naar een duurzamere ruimtevaart.

Titel: RoutePhasingSplit-Encoded Genetisch Algorithm voor de Planning van Meervoudige Satelliet-Diensten in de Baan (Multi-Servicer On-Orbit Servicing)

Auteurs: Shridhar Velhal, Avijit Banerjee en George Nikolakopoulos (Luleå University of Technology, Zweden)

1. Het Probleem

Het artikel adresseert de complexe uitdaging van het plannen van missies voor on-orbit servicing (OOS) in de geostationaire aardbaan (GEO). In deze scenario's moeten meerdere onderhoudssatellieten (SSC's) een reeks doelsatellieten bezoeken voor taken zoals brandstofopvulling of reparatie.

De kernproblemen zijn:

Tijdsafhankelijke Orbital Routing: In tegenstelling tot terrestrische logistiek, zijn de kosten ( $\Delta V$ ) en de haalbaarheid van overgangen tussen satellieten niet stationair. Ze hangen sterk af van de orbital phasing (de relatieve positie in de baan). Een verandering in de volgorde van bezoeken kan de benodigde wachttijd en brandstofkosten drastisch beïnvloeden.
Strikte Beperkingen: Missies moeten voldoen aan strikte beperkingen op brandstof ( $\Delta V$ budget per SSC) en missieduur (deadline).
Gekoppelde Beslissingen: Er is een sterke koppeling tussen drie beslissingslagen die vaak los van elkaar worden geoptimaliseerd:
1. Route Sequencing: De volgorde waarin doelen worden bezocht.
2. Phasing Rotaties: Het aantal omwentelingen dat een SSC wacht om de juiste fase te bereiken.
3. Route Splitting: Hoe de taken worden verdeeld over de beschikbare SSC's.
Haalbaarheid: Traditionele methoden leiden vaak tot oplossingen die tijdelijk haalbaar lijken maar tijdens de zoektocht oscilleren tussen haalbare en onhaalbare toestanden, of waarbij onhaalbaarheid wordt verschoven van de ene naar de andere SSC in plaats van opgelost.

2. Methodologie: RPS-GA

De auteurs stellen een nieuw RoutePhasingSplit Genetisch Algorithm (RPS-GA) voor om deze problemen aan te pakken.

A. Chromosoomrepresentatie (RPS-Drietal)

In plaats van traditionele coderingen, gebruiken ze een uniek RPS-triplet-chromosoom dat drie componenten in één structuur combineert:

R (Route): Een permutatie van alle taken (globale uitvoeringsvolgorde).
n (Phasing): Het aantal phasing-omwentelingen (wachtcycli) voor elke overgang tussen taken.
L (Split): De lengtevectoren die definiëren hoe de globale taakreeks wordt opgesplitst in aparte routes voor elke SSC.

Deze codering zorgt ervoor dat de genetische operator de koppeling tussen volgorde, timing en verdeling behoudt.

B. Fitnessfunctie en Haalbaarheid

De fitnessfunctie is ontworpen om haalbaarheid te garanderen en niet alleen kosten te minimaliseren:

Strafmechanisme: Er wordt een straf toegepast voor overtredingen van brandstof- en tijdslimieten.
Balans: De straf straft zowel de totale som van overtredingen als een onbalans (waarbij één SSC alle overtredingen draagt). Dit voorkomt dat de optimalisatie onhaalbaarheid tussen SSC's heen en weer schuift.
Forward-Invariantie: Een cruciaal kenmerk is dat zodra een haalbare oplossing wordt gevonden, deze als "haalbaar" wordt behouden in latere generaties. Dit voorkomt dat de algoritme terugvalt naar een onhaalbare oplossing met een lagere $\Delta V$ .

C. Genetische Operatoren

Speciale operatoren zijn ontwikkeld om de RPS-structuur te respecteren:

Route-Block Crossover (RBC): Wisselt complete route-blokken tussen ouders uit zonder de interne volgorde of phasing-informatie te verstoren.
Adaptieve Mutatie: Past de mutatiekans aan op basis van de kwaliteit van de oplossing en past mutaties toe op routes, phasing-waarden en splitsingspunten.
Regret-based Large Neighborhood Search (LNS): Een lokale zoektocht die wordt ingebed om de beste oplossingen te verfijnen. Deze gebruikt een "2-regret" insertie-strategie om taken opnieuw te plaatsen en phasing-waarden te optimaliseren voor betere tijdscoherentie.

3. Belangrijkste Bijdragen

Novel RPS Triplet Chromosome: Een geïntegreerde codering die route, phasing en splitsing gelijktijdig optimaliseert, wat essentieel is voor de niet-stationaire kosten in de ruimte.
Constraint-Aware Fitness met Forward-Invariantie: Een mechanisme dat de zoektocht richt op fysiek realiseerbare plannen en voorkomt dat de beste oplossing degradeert naar een onhaalbare staat.
Significante Brandstofbesparing: De methode toont aan dat co-optimatie van deze lagen leidt tot aanzienlijke verbeteringen ten opzichte van bestaande methoden.

4. Resultaten

De methode is getest op een realistisch GEO-servicing-scenario met 2 SSC's en 14 doelsatellieten (gebaseerd op een bestaand dataset uit de literatuur).

Vergelijking: De RPS-GA werd vergeleken met de state-of-the-art LNS-AGA (Large Neighborhood Search met Adaptief Genetisch Algorithm) en een standaard GA.
Prestatie:
- LNS-AGA (Beste bestaande): Totale $\Delta V$ van 1956.36 m/s.
- RPS-GA (Nieuwe methode): Totale $\Delta V$ van 1476.32 m/s.
- Verbetering: Een reductie van 24.5% in het totale brandstofverbruik.
Haalbaarheid: Alle 100 uitgevoerde simulaties resulteerden in een volledig haalbare oplossing binnen de tijdslimiet van 30 dagen (720 uur) en het brandstofbudget van 1000 m/s per SSC.
Stabiliteit: Zonder de specifieke "infeasibility penalty" in de fitnessfunctie oscilleerde het algoritme tussen haalbare en onhaalbare oplossingen, wat de noodzaak van hun nieuwe fitness-strategie onderstreept.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat voor complexe ruimtemissies in de GEO, het loskoppelen van routeplanning, timing (phasing) en resource-toewijzing (splitsing) suboptimale resultaten oplevert. Door deze elementen te co-optimeren via een gespecialiseerd genetisch algoritme met een haalbaarheidsbewust fitnessmechanisme, kunnen operaties aanzienlijk efficiënter worden.

De RPS-GA biedt een robuust kader voor toekomstige missies met meerdere onderhoudssatellieten, waarbij het niet alleen de kosten verlaagt, maar ook de betrouwbaarheid van de missieplanning vergroot door het garanderen van fysiek realiseerbare trajecten. Dit is een belangrijke stap naar duurzame en kosteneffectieve ruimte-infrastructuur.