异构资源类型下多无人机任务分配

针对多无人机在执行侦察、打击任务的过程中携带任务资源的异构性,以及任务对于异构资源的要求,设计了一种改进的基于共识的捆绑算法(consensus-based bundle algorithm, CBBA)。考虑任务价值、任务执行时间窗以及航程代价等条件建立了多无人机对地目标侦察、打击任务分配模型。利用K-medoids聚类分析方法对多无人机进行基于距离和携带资源平衡的聚类,以解决多无人机对于异构资源类型的要求。对打击任务进行子任务生成,并利用改进后的CBBA求解所建立的任务分配模型,通过对比仿真实验验证了算法的可行性和有效性。

自主性不断提高。相比于有人机，在遂行某些特定任务时无人机具有成本低、伤亡风险小等优点，在军事、民用、工业等领域得到了广泛的应用[1-2]。相比于单架无人机遂行任务，多无人机协同具有效率更高、鲁棒性更强。其中，合理的任务分配是发挥多无人机协同作战效能的重要基础，也是充分发挥多无人机系统作战优势的关键[3]。多无人机协同任务分配问题（multi-UAV task allocation problem, MTAP）已成为目前无人机群式作战研究的重点问题[4]。

MTAP问题是指在考虑任务执行顺序、时间、环境威胁以及无人机自身物理条件等因素的情况下，将任务区内各目标所包含的任务分配给无人机，使多无人机执行任务的综合收益最大化。因此该问题属于典型的非确定性多项式难题（non-deterministic polynomial-hard, NP-hard）[5]，解决此类问题主要包括模型的建立与求解两部分。针对MTAP问题的建模方法，常见的包括多旅行商问题（multi-traveling salesman problem, MTSP）模型[6]、车辆路径问题（vehicle routing problem, VRP）模型[7]以及定向问题（orientation problem, OP）模型[8]等。基于上述基本的任务分配模型，学者们还提出了一些扩展模型。其中，文献[9]针对大规模无人机集群的任务分配问题，提出了一种基于特征权重聚类的任务分配模型，减少了无人机之间的通信次数，提高了任务分配的效率。文献[10]针对多个异构目标中侦察任务的方案的实时响应能力。同时, 该方法能够保证多无人机间资源的平衡与最优化，有效地提高了任务执行的效率和鲁棒性。经过一系列的仿真实验，结果表明本文提出的基于改进的CBB算法的多无人机协同任务分配方法在任务完成时间、计算复杂度和任务执行效率等方面都有着明显的优势。

总结来说，多无人机系统在战场应用中逐渐得到广泛关注和研究，而如何有效、快速和稳定地对任务进行分配则是关键。本文提出的基于改进的CBB算法的方法在多种情景下均表现出了优越的性能，为多无人机协同任务分配提供了一种新的思路和方法。

未来的研究可以进一步考虑更为复杂的战场环境，如动态变化的任务、敌方干扰以及无人机之间的协作策略等，以期在更多实际应用场景中验证和优化本文提出的方法。