摘要
在智能技术的赋能下，无人机（Unmanned Aerial Vehicle, UAV）作为战场上不可或缺的力量单元，多无人机自主执行任务已然成为未来的必然趋势。多无人机任务规划问题则是战场的关键，其有效解决可提高效能并保障无人机的安全。然而，目前关于边缘环境下的多无人机任务规划问题的研究相对较少。本文具体工作如下： 首先，详细分析了边缘环境的特点，完成边缘环境的建模，同时将边缘环境下的任务规划问题解耦为任务分配和航迹规划两方面。详细描述目前任务分配和航迹规划常用的模型、算法。 其次，针对多无人机任务分配问题进行了深入研究，旨在提高任务分配算法的求解效率和适应性。在边缘场景下，建立异构多无人机执行多任务的任务分配数学模型，考虑了无人机自身性能约束和任务约束。以最大化无人机执行任务分配获得总收益为目标函数，采用CBBA分布式算法进行求解。针对原始CBBA算法得分收益指标考虑单一，不符合实际的问题，在算法收益函数中引入在线任务权重系数和时距系数，设计新的任务收益函数，形成权重时距一致性包算法。设置三种场景的仿真实验验证了改进算法的有效性；并设计静态和动态两种实验算例，与原始CBBA算法，合同网算法，粒子群算法对目标函数值和算法求解时间两个指标进行对比，进一步表明改进算法的优越性。 最后，基于精英反向学习的灰狼优化算法对多无人机航迹规划问题进行求解，在三维地理环境下进行数学建模，考虑威胁区约束和空间协同约束实现无人机与障碍物之间、各无人机之间的协同避障，引入时间协同约束实现多无人机在时间上的协同，结合单机航迹规划中的核心代价指标，建立多无人机航迹代价函数。灰狼优化算法搜索过程中的位置确定方式会导致算法过早收敛于局部最优解，本文在传统灰狼优化算法求解框架下引入精英反向学习策略来提高算法的收敛速度和寻优能力，并融合非线性收敛因子来提高算法的搜索和开发效率，采用自适应位置更新方法，通过引入动态权值来调整平衡全局搜索和局部搜索。设置三组算例进行算法适应性测试，仿真结果验证了改进算法的有效性和适用性；再分别与传统航迹规划算法针对航迹长度、平均代价值、平均时间、标准差以及平均执行时间进行对比，证明了改进算法的优越性，可以有效地减小航迹代价。
NETL