在多星协同观测任务中，连续监测、接续观测和多目标跟踪需要根据时变可见窗口与资源竞争关系，动态调整卫星与目标之间的分配。轨道运动、遮挡及任务时效使可行分配随时间变化，频繁切换又会 引入额外代价，因此滚动规划需要兼顾当前观测收益与后续决策影响。采用前瞻搜索能够评价未来一段时间内的分配方案，但在星数、目标数与候选方案增加时，求解开销也会随之上升。如何在保留既有决策质 量与约束可行性的同时降低重复规划成本，是多星在线任务分配中的重要计算问题。本文以地面集中式滚动任务分配为研究场景，针对具有连续区间划分和状态依赖匹配结构的前瞻搜索，研究可复用计算的识别 条件与高效实现方法。 已有研究通过前瞻优化、多智能体强化学习和约束调度等方法改善多星协同决策。本文选取带前瞻的切换感知分配算法（Handover-Aware Assignment with Lookahead，HAAL）作为实验基线。该算法通过枚举前瞻窗口内的连续区间划分，并依次执行任务匹配与候选评价，实现对当前观测收益和未来切换代 价的联合考虑。然而，随着候选区间划分数量增加，前瞻搜索需要反复求解大量具有重复结构的任务匹配 子问题，造成不必要的计算开销。具体而言，一方面，不同候选方案可能具有相同的决策前缀，导致相同区间的匹配结果被重复计算；另一方面，即使候选方案具有不同的搜索路径，也可能到达具有相同区间和前 序分配的等价匹配状态，使相同子问题被多次求解。传统的区间收益预计算只能避免重复的收益求和，无法充分消除与前序分配相关的匹配计算。因此，如何在不改变候选搜索规则、任务分配结果及约束可行性 的前提下，识别并复用前瞻搜索过程中的重复计算，是提升此类在线任务分配算法计算效率的关键问题。 针对上述问题，本文提出前缀共享与匹配状态缓存方法（Prefix-Sharing and Matching-State Caching， PSMC），融合共享前缀增量计算与等价状态匹配缓存，从搜索路径和匹配状态两个层面消除冗余求解。本 文的主要创新体现在以下两个方面：（1）提出面向共享决策前缀的增量计算机制。针对不同候选区间划分存在共同决策前缀、导致相同任务匹配过程重复执行的问题，利用候选之间的前缀共享关系，复用已完成区间的分配结果及累计评价值，仅对新增决策区间执行必要的匹配计算。该机制将原本在不同候选中重复执行的公共前缀计算转化为可继承 的中间结果，在保留原始候选枚举与评价规则的同时，减少由搜索路径重叠产生的重复求解开销。 （2）提出考虑前序分配依赖的等价状态匹配缓存机制。针对不同搜索路径可能到达相同匹配子问题的情况，结合任务匹配结果对当前区间及前序分配状态的依赖关系，构建状态等价条件，并通过缓存复用满足该条件的匹配结果。相较于仅缓存区间收益的预计算方法，该机制进一步复用状态相关的任务匹配计算， 避免对等价子问题重复调用匹配求解器。考虑到卫星可见窗口及任务条件随滚动规划窗口变化，缓存限定在当前固定窗口内，并随窗口更新重新构建，以避免跨窗口复用不再适用的匹配结果。 上述两种机制分别针对相同搜索前缀的重复计算和不同搜索路径下等价匹配状态的重复求解，形成互补的计算复用框架。PSMC 借鉴记忆化搜索思想 [5]，并针对连续区间划分搜索及其前序分配依赖关系明确复用条件，并保持原有候选评价、匹配求解及滚动执行规则不变。两类复用分别利用路径重叠与状态等 价，在保留原有规划行为的条件下降低重复匹配开销。为验证 PSMC 的有效性，在轨道高度 550 km、倾角 29° 和三轨道面设置下，构建同类卫星多目标接续 监测模型，轨道相位等采用合成初值。模型包含地球遮挡、日月规避、请求时效和任务互斥约束；每场景模拟 180 步，步长 60 s，切换系数为 0.5。设置五种对照方法：HAAL 枚举基线、在 HAAL 中仅增加区间收益预计算的基线、PSMC、当前调整收益贪心和单步最优匹配。HAAL、区间收益预计算基线和 PSMC 均采用 6 步前瞻，保持候选集合、评价顺序、匹配求解与执行规则一致，以隔离计算复用带来的加速效果； 当前调整收益贪心和单步最优匹配仅使用当前步信息。 实验分为小规模验证实验和独立规模扩展实验。小规模验证实验包含 5、10、20 星与 20 目标的组合， 每档 30 个场景，每种方法预热 1 次并交错计时 5 次，共获得 2250 条正式计时。规模扩展实验采用与开发 集分离的 30 个母场景，基于共享目标母目录和嵌套卫星子集，交叉构造 20、50、100、108 星与 20、100、 200 目标的 12 个设置，共 360 个场景。其中，预先指定 100 星、200 目标为主要验证设置，108 星用于进一 步扩展规模。每种方法预热 1 次并交错计时 3 次，共获得 5400 条正式计时。两批均在 Linux 服务器上限制 数值库为单线程并使用 CPU 求解；耗时包含必要预处理和缓存管理，不含公共几何生成、加载及传输。各 场景先取重复耗时中位数，再计算基线与 PSMC 的配对耗时比；以各批次 30 个母场景为重采样单位，进行 10000 次配对 bootstrap，分别估计各设置的 95% 置信区间，跨批次不直接比较绝对耗时。决策一致性验证表明，计算复用在所测场景中保留了前瞻分配结果。小规模验证实验 450 条、规模扩 展实验 1800 条轨迹均未发现模型内约束违规，HAAL、区间收益预计算基线和 PSMC 的完整分配、净收益、 切换及曝光指标一致。小规模验证实验 5、10、20 星场景中，PSMC 相对 HAAL 的配对加速比中位数分别 为 3.498、3.193 和 2.799，相对区间收益预计算基线分别为 3.162、2.850 和 2.490。上述结果验证了组合复 用机制的计算价值：在保持前瞻分配与模型内可行性的同时，相对仅采用区间收益预计算的基线仍获得额 外加速。 百星实验将上述计算收益扩展至多星与多目标同时增加的场景。规模扩展实验全部 12 个设置的加速比 95% 置信区间下限均大于 1，支持 PSMC 在所测星数与目标数配置中的加速有效性。主要设置中，100 星、 200 目标下 PSMC 相对 HAAL 和区间收益预计算基线的配对加速比中位数分别为 2.033 和 1.817，95% 置信 区间分别为 [2.006,2.046] 和 [1.795,1.831]，完成 180 步规划的耗时中位数为 16.262 s。108 星、200 目标下对 应加速比为 2.056 和 1.854，耗时中位数为 18.930 s。两种百星设置在每一步的最大合法非空闲匹配规模及 PSMC 的实际观测星数均等于卫星数，表明加速效果在全部卫星参与观测的负载下仍然成立。固定 200 目 标时，PSMC 在 20 星和 100 星设置下相对 HAAL 分别获得 2.865 倍和 2.033 倍加速，表明计算复用在所测 规模扩展场景中持续有效。策略对照进一步区分了前瞻决策的收益价值与 PSMC 的计算贡献。100 星、200 目标的 30 个场景中， PSMC 的净收益均高于当前调整收益贪心和单步最优匹配，配对差中位数分别为 106.501 和 102.299，95% 置信区间分别为 [99.067,119.620] 和 [92.554,106.593]，逐场景相对提升中位数为 0.345% 和 0.328%。当前调 整收益贪心和单步最优匹配的整段规划耗时中位数分别为 1.979 s 和 0.204 s，均低于 PSMC。PSMC 的加权 曝光更高，但总曝光与当前调整收益贪心和单步最优匹配在全部主要场景中相同，未观测目标数的配对增量中位数分别为 11 和 8；相对单步最优匹配的切换次数中位数减少 64 次。净收益与加权曝光的改善体现了 目标优先级及切换代价下的前瞻分配价值。HAAL、区间收益预计算基线和 PSMC 质量一致，说明 PSMC 在降低计算开销的同时保留了既有前瞻策略的决策结果与收益特征。单种子隔离测量中，100、108 星与 200目标下 PSMC 的 tracemalloc 峰值分别为 101.3、108.5 MiB，高于区间收益预计算基线的 73.6、78.8 MiB，表 明缓存提速伴随额外空间开销；该指标仅反映被跟踪的内存分配。 综上，本文针对连续区间划分搜索中的路径重叠与状态等价，构建共享前缀增量继承和匹配结果缓存 相结合的 PSMC，将重复匹配转化为可复用计算。以 HAAL 为实验基线，在保持候选搜索与评价规则的条件下，小规模及独立百星实验均保持完整分配、净收益与模型内可行性；100 星、200 目标时，相对 HAAL 和区间收益预计算基线分别获得约 2.03 倍和 1.82 倍加速，108 星扩展得到相近结果。实验从决策一致性、 相对预计算基线的额外加速及百星负载下的计算效率三个方面，支持了 PSMC 组合复用机制的有效性。该 方法为保留既有前瞻决策质量、降低重复规划成本提供了实现依据。