Thousands of satellites and hundreds of thousands of pieces of space debris are constantly orbiting our planet. Space surveillance involves tracking these objects to prevent collisions and ensure space safety. On clear nights, they can be tracked using optical ground stations, sometimes referred to as ground- based optical sensors or telescopes. Each object can only be observed during specific time windows when the observation geometry is correct, and weather conditions are favorable. Additionally, all objects must be reobserved frequently to maintain accurate estimates of the orbits. Given the large number of objects and parameters to consider, creating a good schedule for when to observe each object is a profound challenge. In this thesis, an automated scheduler was developed that autonomously produces a schedule for a network of optical sensors. Four different scheduling algorithms were developed to enable schedule optimization for a wide range of situations, objectives, and requirements. Test results show that a near-optimal schedule can be obtained with heuristic algorithms in a fraction of the time required to produce an exact optimal schedule. For large instances with thousands of objects to schedule, only greedy optimization was feasible. For smaller instances, an anytime genetic algorithm performed well. Multithreading was implemented to enable usage of all algorithms in parallel. Finally, the automated scheduler successfully demonstrated dynamic rescheduling and schedule optimization with respect to weather forecasts.

Tusentals satelliter och hundratusentals skrotpartiklar kretsar ständigt runt vår planet. Rymdövervakning involverar att spåra dessa objekt för att förhindra kollisioner och säkerställa rymdsäkerhet. Under klara nätter kan dessa objekt spåras med hjälp av optiska markstationer, ibland kallade markbaserade optiska sensorer eller teleskop. Varje objekt kan endast observeras under specifika tidsfönster, när observationsgeometrin är korrekt och väderförhållan- dena är gynnsamma. Dessutom måste alla objekt återobserveras regelbundet för att bibehålla noggrannheten i uppskattningen av omloppsbanorna. På grund av det stora antalet objekt och parametrar att beakta är det en stor utmaning att skapa ett bra schema för när varje objekt ska observeras. I detta examensarbete har ett automatiskt schemaläggningsprogram utvecklats som autonomt genererar ett schema för ett nätverk av optiska sensorer. Fyra olika schemaläggningsalgoritmer utvecklades för att möjliggöra optimering av scheman för en mängd olika situationer, mål och krav. Testresultaten visar att ett nära optimalt schema kan erhållas med heuristiska algoritmer, på en bråkdel av den tid som krävs för att skapa ett exakt optimalt schema. För stora instanser med tusentals objekt att schemalägga var endast girig optimering möjlig. Genetisk optimering fungerade bra på mindre instanser. Multitrådning implementerades för att möjliggöra körning av samtliga algoritmer parallellt. Slutligen demonstrerades framgångsrikt att schemaläggningsprogrammet kan utföra dynamisk omplanering och optimering av scheman med hänsyn till väderprognoser.