1.一种敏捷卫星的星上调度方法，其特征在于，包括：步骤100，离线训练：根据输入的训练用的历史数据，对样本进行训练，以输出机器学习分类器；所述历史数据包括：训练场景集合S＝{sce 1 ,sce 2 ,…,sce n },每个任务场景sce i 均由一系列元任务task i,j 组成，所述任务场景sce i 表示为： 步骤200，在线调度：根据输入的新的调度场景sce以及由所述步骤100得到的所述机器学习分类器，利用调度算法，获得与所述新的调度场景sce对应的调度方案Sol；其中，所述新的调度场景sce由一系列元任务task k 组成，k＝1……m；其中：所述步骤100具体包括：步骤110：求取训练场景集合S＝{sce 1 ,sce 2 ,…,sce n }中的每个场景sce i 中的每个元任务task i,j 的特征向量X i,j ，j＝1……m i ；步骤120：求解训练场景集合S＝{sce 1 ,sce 2 ,…,sce n }中的每个场景sce i 对应的调度方案Sol i ；步骤130：确定训练场景集合S＝{sce 1 ,sce 2 ,…,sce n }中的每个场景sce i 中的每个元任务task i.j 的标签值Y i,j ；步骤140：将分配好标签值Y i,j 且获取了特征向量X i,j 的元任务task i,j 作为训练样本训练所述机器学习分类器，并输出训练好的机器学习分类器；所述步骤200具体包括：步骤210：求取输入的新的调度场景sce以及场景中的每个元任务task j 的特征向量X j ；步骤220：利用所述机器学习分类器对新的调度场景sce中的每个元任务task k 进行分类，以获得待调度任务集合；步骤230：对于待调度任务集合中的每个任务，按照时间窗的开始时间升序排序；步骤240：按照排序顺序依次为待调度任务安排观测窗口，若安排成功，则将该任务添加到所述新的调度场景的调度方案中，并输出所述新的调度场景的调度方案。
2.如权利要求1所述的敏捷卫星的星上调度方法，其特征在于，所述步骤110中每个元任务task i,j 的特征向量X i,j 包含如下特征：基本特征、转换时间冲突度量、时间窗冲突度量、任务密度度量和局部最优度量，其中，所述基本特征包括任务时长、任务收益、时间窗口长度和时间窗的数量，所述转换时间冲突度量包括转换时间损失和利润和过渡时间的比值，所述时间窗冲突度量包括冲突长度、无冲突长度、冲突数和可能损失，所述任务密度度量包括元任务的均匀性和密度。
3.如权利要求1所述的敏捷卫星的星上调度方法，其特征在于，所述步骤130中，通过查看每个场景sce i 中的各元任务task i,j 是否在对应的调度方案Sol i 中，如果是，则元任务task i,j 的标签值Y i,j 分配为1；否则将task i,j 的标签值Y i,j 分配为0。
4.如权利要求1所述的敏捷卫星的星上调度方法，其特征在于，所述步骤120中，使用ALNS算法对训练场景集合S＝{sce 1 ,sce 2 ,…,sce n }中的每个场景sce i 对应的调度方案Sol i 进行求解。
5.如权利要求1所述的敏捷卫星的星上调度方法，其特征在于，所述步骤220具体包括：如果所述机器学习分类器输出1，即该样本是正样本，则将该任务添加至本次待调度任务集合中；反之，如果所述机器学习分类器输出0，则将该任务舍弃，不参与本次调度。
