4. 权衡空间与设计变量

在卫星任务方案权衡中，真正决定方案形态的不是“有多少个参数”，而是“哪些参数一动，整个方案就跟着变”。这些参数就是设计变量。设计变量构成一个多维空间，每个变量取一组值，就对应一个候选方案；所有满足约束的取值组合构成可行域，可行域的边界则由边界条件刻画。理解这三者的关系，是把“拍脑袋选方案”变成“有依据地搜索方案”的前提。

一、从任务目标反推关键设计变量

识别关键设计变量，最有效的方法不是罗列所有参数，而是从任务目标出发做“敏感度反推”。以一颗对地观测卫星为例，任务目标通常包括地面分辨率、重访周期、覆盖范围、数据下传时延和在轨寿命。与这些目标直接耦合的参数包括：轨道高度 h、轨道倾角 i、相机焦距 f、探测器像元尺寸 p、卫星总质量 m、太阳翼面积 A、蓄电池容量 E、数传速率 R 等。

但并非所有参数都同等关键。判断标准有两条：一是对目标函数的敏感度，二是可调整的自由度。例如像元尺寸往往由选定的探测器决定，自由度低，通常作为固定参数而非设计变量；而轨道高度、焦距、太阳翼面积则可以在较大范围内调整，且对分辨率、覆盖、能量平衡影响显著，应优先纳入设计变量集合。一个实用的做法是：先列出全部候选参数，再对每个参数做±10%的扰动，观察目标函数变化幅度，保留变化超过阈值的参数作为关键设计变量。

二、离散变量与连续变量的区分

设计变量按取值性质分为两类。连续变量可以在区间内取任意实数值，如轨道高度、焦距、太阳翼面积、发射质量余量；离散变量只能取有限个或可数个值，如星上计算机型号、相机探测器规格、推进方式、数传频段、是否配置星间链路等。

区分二者不是为了分类而分类，而是因为它们的搜索策略完全不同。连续变量适合用梯度类方法、序列二次规划或遗传算法在连续空间内寻优；离散变量则构成组合优化问题，常用枚举、分支定界或混合整数规划处理。实际卫星方案中，两类变量往往同时存在，形成混合整数非线性规划问题。例如“轨道高度连续可调，但相机只能从三种货架产品中选一种”，就是典型的混合变量场景。

处理混合变量时，一个常见且有效的策略是分层搜索：外层对离散变量做组合枚举，内层对每个组合用连续优化求最优连续变量取值，最后比较各组合的最优目标值。这样可以把一个高维混合问题拆成若干低维连续问题，显著降低搜索难度。

三、可行域与边界条件的数学含义

可行域是设计空间中所有满足约束的点的集合。约束通常分为等式约束和不等式约束。等式约束来自物理规律，例如轨道周期与半长轴的关系、能量平衡方程；不等式约束来自工程限制，例如运载能力上限、整流罩尺寸限制、相机视场角要求、蓄电池放电深度限制。

边界条件则是可行域的“边缘”，它决定了方案能走多远。以轨道高度为例，下限可能来自大气阻力导致的寿命要求，上限可能来自分辨率要求或运载能力；这两个边界共同围出一个可行的高度区间。当多个变量的边界相互耦合时，可行域的形状可能非常不规则，甚至出现“可行域被分割成多个不相连区域”的情况，这对优化算法的全局搜索能力提出了更高要求。

在实际权衡中，识别边界条件比识别变量本身更重要，因为最优解往往落在边界上。如果某个方案的最优解出现在可行域内部，通常说明还有未利用的约束松弛空间，值得进一步检查约束是否设置过紧。

四、边界条件的工程来源与量化方法

边界条件不是凭空设定的，每一条都对应一个具体的工程来源。轨道高度下限通常来自大气阻力导致的轨道衰减与寿命要求，可以用轨道寿命方程反推；上限来自运载火箭的入轨能力或地面分辨率要求。焦距下限来自探测器像元尺寸与视场角的匹配关系，上限来自相机包络尺寸和整星质量预算。

量化边界条件时，建议采用“约束—来源—量化公式—当前值”四列记录。例如：

这张表本身就是权衡空间的一份“边界清单”。当设计变量取值触碰某一行边界时，说明该约束正在起作用，方案对该约束敏感；如果所有变量都远离边界，则说明约束设置可能过松，方案还有压缩空间。

五、可行域搜索的实操要点

在工程实践中，直接在高维空间搜索可行域往往效率低下。推荐采用降维—切片—边界追踪三步法。第一步，通过敏感度分析把设计变量从十几个压缩到三到五个关键变量；第二步，固定其中两个变量，对剩余变量做切片扫描，观察可行域截面形状；第三步，沿边界逐步移动，记录边界上的目标函数值，找到“边界最优”区域。

以轨道高度和焦距为例，固定其他变量后，在 h-f 平面上扫描，可以得到一条由分辨率约束、视场角约束和能量约束共同围成的可行域边界。最优解通常出现在两条约束线的交点附近，这个交点就是“约束切换点”——在此点两侧，起主导作用的约束不同。识别约束切换点，对后续方案调整和鲁棒性分析非常有价值。

总结来说，权衡空间的核心工作可以概括为三件事：选对变量——用敏感度反推关键设计变量；分清类型——连续变量与离散变量采用不同的搜索策略；画准边界——每条边界条件都要有明确的工程来源和量化关系。做到这三点，后续的优化算法才有意义，否则只是在错误的空间里高效地搜索错误答案。