一种基于动态共识的去中心化方法，用于多架无人机协同进行目标分配

《Engineering Science and Technology, an International Journal》：A dynamic consensus-based decentralized method for multiple unmanned aerial vehicles cooperative target allocation

多无人机协同动态目标分配问题研究，提出基于SECA框架的去中心化算法DCBGA，通过市场机制进行目标选择和共识算法消解冲突，满足能力-需求匹配约束，仿真验证其收敛性和优越性。

　　本研究聚焦于多无人飞行器（UAV）在动态环境下的协同目标分配问题，特别是如何在具备能力-需求匹配约束的条件下，实现无冲突的分配结果。随着无人飞行器在侦察、攻击、监视、通信等任务中的广泛应用，其协同作业的效率和适应性成为研究的重点。然而，在实际应用中，由于环境的复杂性和动态性，目标分配问题面临诸多挑战，如如何在有限的资源下合理分配任务，如何在实时决策中保持系统稳定性，以及如何在分布式架构下实现高效的协同控制。

在研究中，我们提出了一种名为“动态共识基于群体算法”（Dynamic Consensus-Based Group Algorithm, DCBGA）的分布式方法，旨在解决上述问题。该算法以“状态-事件-条件-行动”（State-Event-Condition-Action, SECA）作为决策框架，结合了市场机制与共识机制，实现了在动态环境下对目标的合理分配。SECA框架借鉴了有限状态机（Finite State Machine, FSM）的状态转移机制，同时融合了事件-条件-行动（Event-Condition-Action, ECA）模型中的触发机制，使得系统能够在复杂多变的环境中做出快速、准确的响应。

目标分配问题可以分为静态和动态两种类型。静态目标分配主要关注固定不变的目标，通常采用混合整数规划等优化方法进行求解。而动态目标分配则涉及目标和UAV的实时移动，其分配结果会随时间变化。因此，动态目标分配需要更加灵活的决策机制，如市场机制、优化机制和学习机制等。其中，市场机制因其在提升通信效率和降低计算复杂度方面的优势，被广泛应用于分布式目标分配问题中。例如，共识基于拍卖算法（Consensus-Based Auction Algorithm, CBAA）和共识基于捆绑算法（Consensus-Based Bundle Algorithm, CBBA）等方法，均采用了市场机制来实现资源的合理分配。

然而，传统的市场机制和优化机制在处理复杂能力-需求匹配约束时存在一定的局限性。一方面，市场机制虽然在通信效率上表现良好，但在面对多目标、多能力的复杂匹配时，难以保证分配结果的最优性；另一方面，优化机制虽然能够提供高质量的解决方案，但在高度动态的环境中，其计算复杂度和实时响应能力往往无法满足需求。为此，我们提出了一种结合市场机制与共识机制的分布式算法——DCBGA，该算法通过分阶段处理目标选择和冲突解决，能够在动态环境下实现高效、灵活的目标分配。

在目标选择阶段，每个UAV根据自身的状态和需求，采用市场机制进行目标选择。这一阶段强调“能力-需求匹配”原则，即每个UAV根据其拥有的能力类型，选择能够满足目标需求的合适目标。例如，如果某个目标需要检测和攻击，那么UAV必须具备相应的传感器和弹药能力才能被分配。通过市场机制，UAV能够根据自身能力和目标需求的匹配程度，进行高效的资源分配，避免资源浪费和任务冲突。

在冲突解决阶段，我们引入了共识机制，使得每个UAV能够在与邻居通信的基础上，调整自身的选择，以达到整体的无冲突分配。这一阶段的关键在于如何在分布式系统中实现有效的信息共享和决策协调。传统的集中式方法虽然能够实现全局最优，但其通信开销大，且存在单点故障的风险。因此，我们采用分布式方式，通过局部信息和共识机制，使得每个UAV能够独立完成任务分配，同时保证系统的整体一致性。

为了验证DCBGA的有效性，我们在仿真部分进行了收敛性分析、敏感性分析和优化比较。仿真结果表明，DCBGA能够在动态环境中实现稳定的目标分配，并且具有较强的鲁棒性。与现有的优化算法和学习算法相比，DCBGA在优化性能上表现更优，尤其是在处理复杂能力和需求匹配时，能够更快速地调整分配策略，减少计算时间。

此外，我们还考虑了多目标、多需求的复杂场景，使得目标分配更加贴近实际应用。在传统研究中，通常假设每个UAV只具备单一类型的能力，每个目标只需要单一类型的需求。然而，在现实任务中，UAV可能具备多种能力，如传感器、弹药、干扰设备等，而每个目标也可能需要多种类型的需求，如检测、攻击、干扰等。因此，为了提升研究的实用性，我们引入了“能力复杂度”和“需求复杂度”概念，即每个UAV的能力种类数量和每个目标的需求种类数量。通过考虑这些复杂度，我们的模型能够更准确地反映实际任务的分配需求，提高系统的适应性和灵活性。

在实际应用中，多UAV系统的协同作业需要考虑多个因素，包括任务的动态性、资源的有限性、通信的实时性等。因此，如何在这些因素之间取得平衡，是研究的关键。DCBGA算法通过分阶段处理目标选择和冲突解决，能够有效应对这些挑战。在目标选择阶段，UAV根据自身能力和目标需求的匹配程度，进行市场机制下的目标选择；在冲突解决阶段，UAV通过与邻居的通信，利用共识机制调整分配策略，以达到整体的无冲突状态。

在仿真环境中，我们设置了一个2D空间，尺寸为40公里乘40公里，边界相连，如图1所示。在这个空间中，我们假设了一个理想的外部环境，不考虑障碍物和干扰因素。边界相连的设计确保了UAV和目标在离开一侧时，能够自动返回到另一侧，类似于电子游戏中的循环机制。在仿真过程中，我们使用了红色圆圈和蓝色方块分别表示UAV和目标，以直观地展示系统的运行情况。

通过仿真结果，我们验证了DCBGA在动态环境下的有效性。在收敛性分析中，我们观察到该算法能够在有限的迭代次数内达到稳定的目标分配状态，表明其具备良好的收敛性。在敏感性分析中，我们测试了不同参数变化对算法性能的影响，结果表明DCBGA在面对环境变化时仍能保持较高的适应性。在优化比较中，我们与现有的优化算法和学习算法进行了对比，结果表明DCBGA在优化性能上具有明显优势，特别是在处理复杂能力和需求匹配时，能够更快速地调整分配策略，减少计算时间。

综上所述，本研究提出了一种新的分布式算法——DCBGA，该算法结合了市场机制和共识机制，能够在动态环境下实现高效、灵活的目标分配。通过分阶段处理目标选择和冲突解决，DCBGA不仅提高了系统的适应性和灵活性，还增强了系统的鲁棒性和稳定性。仿真结果表明，DCBGA在动态环境下的表现优于现有算法，具有较高的实用价值。未来的研究将进一步优化算法的性能，提升其在实际任务中的应用效果。