论文标题
Hybrid Large Language Models and Reinforcement Learning for Energy-Efficient Multi-Satellite Scheduling: Boosting the Performance from Scratch
混合大语言模型与强化学习用于高能效多星调度：从零开始的性能提升
作者
Hyojun Ahn、Gyu Seon Kim（学生会员，IEEE）、In-Sop Cho、Soyi Jung（高级会员，IEEE）、Joongheon Kim（高级会员，IEEE）
出处
IEEE Internet of Things Journal，2025 年已录用（作者稿，尚未正式排版），DOI: 10.1109/JIOT.2025.3645077
研究背景与动机
低轨（LEO）巨型星座能为全球提供低时延、大容量覆盖，但卫星 7.5 km s⁻¹ 的高速运动导致拓扑持续剧变，传统调度策略难以实时收敛。纯强化学习（RL）虽可在线适应，却需数百万轮迭代才能稳定，等到策略收敛时轨道环境早已变化。作者观察到近期大语言模型（LLM）在推理与策略生成上的突破，提出"用 LLM 先给 RL 一个好起点"，让卫星在轨只跑轻量 RL，地面一次性 LLM 推理即可。
核心贡献
首次把 LLM 引入 LEO 调度领域，提出 BoostRL 框架：
-
离线阶段：地面 LLM 读取当前星座拓扑、失效节点、轨道根数，生成"初始策略概率表"；
-
在线阶段：星上 DQN 以该表初始化 Q 值并持续更新，LLM 影响随训练指数衰减；
-
整体收敛速度提升 48%，最终调度效率再提高 16%，且对失效卫星具有天然避障能力。
第二节 预备知识
回顾 LEO 星座拓扑建模方式（四向永久星间链、Walker 构型）、TLE 轨道外推、自由空间路径损耗（FSPL）与跳数联合目标函数；总结既有研究------从最短跳数、分层路由、到近年深度强化学习，指出它们仍依赖随机或启发式初始策略，在拓扑剧变时需重新探索。
第三节 动态建模
给出基于 SGP4 的精确轨道递推公式，把 TLE 六根数转为时变经纬度，再计算大圆距离；把失效卫星视为永久阻塞节点，任何链路只要一端在失效集 M 内即不可用。该模型成为后续 RL 状态-动作空间的实时输入。
第四节 算法设计
状态：每颗卫星的连续 10 个时刻的经纬度序列、源/目的/失效节点经纬度、两两卫星距离矩阵。
动作：从四邻居中选下一跳，若邻居在 M 内则掩码概率置 0。
奖励：由距离项与终止项加权，距离项按 FSPL 公式惩罚路径损耗，终止项在到达目的时给正奖励 ξ、选中失效节点给惩罚 η、每步小惩罚 ε。
LLM 增强机制：
-
提示模板（图 4）让 LLM 扮演"星座网络专家"，直接输出 25×4 的 JSON 概率表；
-
Q 值初始化时，LLM 推荐动作对应 Q_high，其余 Q_low；
-
损失函数增加 LLM 指导项 −α(t)π_LLM·log π_θ，随训练指数衰减；
-
星上只保存 3 层 MLP 的 Q 网络，推理延迟 <1 ms，LLM 重推理周期 ≥1 h。
第五节 实验评估
仿真规模：25 颗 LEO 卫星，源节点（−90°, −180°）、目的节点（90°, 180°），永久失效节点 {7,14,17}，邻居数 4，使用真实 TLE 数据。
基准：纯 DQN、A2C；BoostRL 分别搭载 GPT-o1-pro、GPT-o3、GPT-4o、Claude-3.7-Sonnet。
结果：
-
奖励曲线：BoostRL 在 2 k 回合即收敛，比 DQN 快 3×，比 A2C 快 5×；GPT-o1-pro 初始策略最佳，GPT-4o 最差。
-
跳数与成功率：BoostRL 平均 5.06 跳、成功率 99%；DQN 5.98 跳、89%；A2C 12.5 跳、27%。
-
FSPL：BoostRL 比 DQN 低 12%，比 A2C 低 60%。
-
轨迹可视化：BoostRL 给出近乎大圆的最短 5 跳路径；A2C 迂回 15 跳，总距离多出 140%。
-
LLM 敏感性：结构化推理能力强的模型（o1-pro）显著优于对话优化型（4o），说明"LLM 选得对"比"LLM 更大"更重要。
第六节 结论与展望
BoostRL 首次验证"LLM 给先验、RL 做微调"在动态空间网络中的可行性，显著减少训练能耗并提升在轨决策质量。未来工作包括：
-
将框架扩展到千颗量级星座，研究分层联邦 RL；
-
采用量化/蒸馏 LLM，实现星上轻量推理；
-
在真实卫星平台上做硬件在环验证，考虑星地链路延迟、计算功耗、单粒子翻转等实际约束。