2025年DT SCI1区TOP，无人机编队鲁棒多目标任务规划：融合任务预分配与重分配框架，深度解析+性能实测-编程实验室

1.摘要

针对无人机编队在任务执行过程中因平台损毁或目标未完成而导致作战效能下降的问题，本文提出了一种融合任务预分配与重分配的鲁棒任务规划框架。在任务预分配阶段，通过引入任务最小成功率的概率约束，构建多目标优化模型，并采用改进多种群遗传算法及专门设计的进化算子实现高效求解。在任务重分配阶段，首先分析可能触发重规划的突发事件，然后基于实时合同网协议提出应急重分配算法，将预分配阶段的双目标模型简化为单目标，以保持作战意图的一致性。

2.无人机编队任务的预先分配与重新分配问题

无人机编队协同任务分配问题（CTAP）划分为**任务预分配（CTPAP）和任务重分配（CTRAP）**两个阶段。战前，基于目标信息与无人机能力，对任务进行优化预分配，确定各无人机的任务集合及执行顺序，以获得最优作战效果。战中，由于无人机损毁或任务失败等突发事件，原方案可能失效，需要实时进行任务重分配以适应战场态势。任务重分配由三类事件触发，并根据不同情形采取取消任务或重新分配并规划航线的策略。

在异构无人机与目标、多次攻击允许、信息可共享等假设下，构建了统一的任务与概率描述模型。整体框架实现了预分配的全局优化与重分配的快速响应相结合，提升了无人机编队在复杂战场环境下的任务执行鲁棒性与适应性。

无人机编队 CTPAP 多目标优化模型

本文将无人机编队协同任务分配划分为任务预分配与任务重分配两个阶段，并分别建立相应的优化模型。在任务预分配阶段，通过引入任务成功概率阈值与攻击次数限制，构建了一个兼顾可靠性与效率的多目标优化模型。作战收益以目标被成功攻击的期望价值来衡量：
max ⁡ J 1 : = ∑ j 2 = 1 N T [ 1 − ∏ i = 1 N U ∏ j 1 = 0 N T ∏ l = 1 a j 2 ( ( 1 − P i , j 2 s u ) I j 1 , j 2 i , l ) ] V T j 2 \max J_1:=\sum_{j_2=1}^{N_T}\left[1-\prod_{i=1}^{N_U}\prod_{j_1=0}^{N_T}\prod_{l=1}^{a_{j_2}}\left(\left(1-P_{i,j_2}^{su}\right) I_{j_1,j_2}^{i,l}\right)\right]V_{T_{j_2}}maxJ1:=j2=1∑NT[1−i=1∏NUj1=0∏NTl=1∏aj2((1−Pi,j2su)Ij1,j2i,l)]VTj2

未成功完成攻击目标的期望价值损失:
min ⁡ J 2 : = ∑ j 2 = 1 N T V T j 2 − J 1 \min J_2:=\sum_{j_2=1}^{N_T}V_{T_{j_2}}-J_1minJ2:=j2=1∑NTVTj2−J1

无人机编队的综合作战成本:
min ⁡ J 3 : = ∑ i = 1 N U ∑ j 1 = 0 N T ∑ j 2 = 1 N T ∑ l = 1 a j 2 [ ( ( 1 − P i , j 2 s V ) V U i + d L T j 1 , L T j 2 ) X L T j 1 , L T j 2 i , l ] \min J_3:=\sum_{i=1}^{N_U}\sum_{j_1=0}^{N_T}\sum_{j_2=1}^{N_T}\sum_{l=1}^{a_{j_2}}\left[\left(\left(1-P_{i,j_2}^{s_V}\right)V_{U_i}+d_{L_{T_{j_1}},L_{T_{j_2}}}\right)X_{L_{T_{j_1}},L_{T_{j_2}}}^{i,l}\right]minJ3:=i=1∑NUj1=0∑NTj2=1∑NTl=1∑aj2[((1−Pi,j2sV)VUi+dLTj1,LTj2)XLTj1,LTj2i,l]

在任务重分配阶段，为满足实时决策需求，将原有的多目标优化问题转化为单目标加权优化模型，在保持作战意图一致性的同时显著降低计算复杂度。

3.改进多目标进化算法

编解码方案

针对任务数量受资源限制且目标攻击次数不确定的特点，本文设计了一种变长染色体编码方式。染色体仅包含被分配的目标编号及对应的无人机编号，在满足约束条件的前提下，通过随机选择无人机与目标进行编码以增强种群多样性。染色体中的基因按照无人机编号进行排序，若同一无人机多次攻击同一目标，则相应基因连续排列，表示连续执行攻击任务。

交叉&变异算子

在交叉算子方面，传统交叉方法容易产生不可行解，因此本文基于无人机替换的思想构造专用交叉机制。在满足任务成功概率与航程等约束的前提下，对父代染色体选定区间内的基因逐一执行交叉，根据无人机剩余弹药情况选择合适的无人机进行替换，从而在保持可行性的同时有效提升种群多样性。

在变异算子方面，为避免算法陷入局部最优，采用基于双变异点交换的策略，并针对不同任务场景设计了三类变异操作：交换基因位置、交换基因中的无人机以及交换基因中的目标。该变异机制在引入新搜索方向的同时兼顾任务可行性。

多子群进化算法

多种群多目标进化算法（MPMOEA）通过设置多个独立演化的子种群，并为其分配不同的交叉与变异概率，在提升搜索多样性的同时增强全局搜索能力。为实现不同子种群之间的有效信息共享，引入了周期性迁移机制。在给定迁移间隔内，通过非支配排序，将相邻子种群中的帕累托优良个体用于替换劣质个体，从而避免算法早熟收敛并加快收敛速度。

基于实时CNP的CTRAP算法

为满足无人机编队在动态战场环境下对实时任务调整的需求，本文提出了一种基于合同网协议（CNP）的实时任务重分配算法（RTCNP-CTRAP）。

算法针对战斗过程中可能出现的三类触发事件，设计了差异化的重分配流程：当目标成功执行且存在冗余任务时，通过信息广播取消重复任务并重规划航迹；当任务执行失败或无人机被摧毁时，启动基于CNP的竞标机制，由具备剩余资源的无人机参与竞标，并根据作战收益与成本综合评估选择最优执行者完成任务重分配。在竞标过程中，充分考虑任务插入位置对无人机航程和执行成本的影响，确保重分配方案在满足资源约束的同时具有较优性能。对于无人机损毁的情况，其未完成任务将依次触发重分配过程，保证整体任务的连续执行。

4.结果展示

5.参考文献

[1] Wang X, Gao X, Wang L, et al. Resilient multi-objective mission planning for UAV formation: A unified framework integrating task pre-and re-assignment[J]. Defence Technology, 2025, 45: 203-226.