对于动态空间任务，规划决策需要适应不断演化的任务状态，包括新到达的任务、
在途任务承诺以及资源可用性的变化。在长时域在轨服务任务中，反复进行全局重规划会
产生较高的计算开销，而过度限制重规划范围的局部优化则可能损害任务执行效果。针对
这一问题，本文建立了一种综合考虑任务分配、服务序列和轨道转移选择的多服务星路径
规划模型，并将任务截止时间、有限机动预算和有限物资资源纳入约束。进一步地，本文
提出一种基于大邻域搜索的自适应范围增量重规划方法（ASIR-LNS）。在每次任务事件触
发时，该方法根据当前任务状态和保留计划，在延续与当前状态一致的计划、对选定路线
进行局部重优化以及面向整个服务星队伍进行全局重规划之间自适应地选择。大邻域搜索
负责更新任务分配与服务序列，嵌入式路线评价器则用于检查轨道转移、时间安排和资源
约束的可行性。本文在正常任务需求和持续高任务需求两种场景下开展仿真实验，从任务
完成总价值、路线评价次数和规划时间等方面分析方法性能。实验结果表明，在正常任务
需求下，ASIR-LNS 在减少重复路线评价次数和规划时间的同时，能够获得与逐事件全局重
规划相同的任务完成总价值。在持续高任务需求下，该方法仍能降低计算开销，但局部重
规划可能导致任务完成总价值下降。上述结果揭示了重规划计算效率与任务执行效果之间
的权衡，并为长时域空间任务中基于任务状态自适应选择重规划范围提供了依据。

空间任务规划,任务状态驱动决策,在轨服务,增量重规划,大邻域搜索