PLDs-CNN-ridge-ELM：一种可解释的轻量级废弃物分类框架

《Engineering Science and Technology, an International Journal》：PLDs-CNN-ridge-ELM: Interpretable lightweight waste classification framework

多无人机动态目标分配问题研究，提出基于SECA框架的分布式算法DCBGA，解决能力需求匹配约束下的动态分配，包含市场机制的目标选择和共识冲突解决，仿真验证其收敛性和优化性能优于传统算法。

　　本文探讨了多无人飞行器（UAV）在具备能力需求匹配约束条件下的动态目标分配问题。研究的目标在于通过分布式协作，实现一种无冲突的目标分配方式，以适应不断变化的环境条件。为此，作者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。该算法采用了一种基于规则的决策框架，即状态-事件-条件-动作（State-Event-Condition-Action，SECA）机制。此外，DCBGA由两个阶段构成：目标选择和冲突解决。在目标选择阶段，每架UAV采用市场机制选择目标，并遵循“能力需求匹配”原则。在冲突解决阶段，设计了一种基于共识的机制，使得每架UAV能够与邻近的UAV进行通信，从而达成无冲突的目标分配结果。通过模拟实验，文章对DCBGA进行了收敛性分析、敏感性分析和优化比较，结果表明该算法不仅具有良好的收敛性和鲁棒性，而且在优化性能方面优于其他先进的算法。

无人飞行器因其成本低廉、机动性强以及能够避免人员伤亡等特点，在多个领域得到了广泛应用。然而，在面对复杂环境时，单架UAV往往难以高效完成任务，而多UAV协作则能够显著提升任务执行的适应性和灵活性。例如，在多UAV协同执行侦察与攻击任务时，UAV普遍具备的包括传感器、弹药和干扰设备等能力，而目标普遍需要的包括检测、攻击和干扰等需求。UAV的能力被设计用于满足不同目标的需求，二者之间存在对应关系。例如，传感器对应检测，弹药对应攻击，干扰设备对应干扰。每架UAV可能具备一种、两种或全部的能力，具体取决于其能力的复杂性。同样，每个目标的需求复杂性也决定了其所需满足的需求类型数量。例如，一架配备传感器和弹药的UAV具有复杂性为2，而一个需要检测、攻击和干扰的目标具有复杂性为3。通过灵活配置UAV的能力，可以提升资源利用率，同时增强其在复杂环境中的适应性和灵活性。目标分配是实现多UAV协作的关键和基础问题，合理且一致的目标分配是多UAV系统任务协调和运动控制的坚实基础。本文重点研究了在已知目标需求前提下的多UAV协作动态目标分配问题。

多UAV协作目标分配问题具有以下特点：（1）UAV和目标在动态过程中持续移动，导致时间变化的评分和最优分配结果；（2）能力需求匹配约束由能力复杂性和需求复杂性引起，限制了UAV与目标之间的分配关系；（3）采用分布式协作模式，即在没有集中节点的情况下，UAV通过与邻近节点通信完成目标分配。基于这些特点，该问题可以描述为一个多UAV协作的动态目标分配问题，受到能力需求匹配约束的限制。

根据目标的特性，目标分配问题可以分为预分配和动态分配两类。预分配主要针对静态目标，其信息固定不变。相比之下，动态分配则处理具有时间变化信息的动态目标。预分配通常被建模为混合整数规划问题，并采用优化方法或启发式方法进行求解。而动态分配则涉及UAV的实时决策，方法主要包括优化方法、规则方法和学习方法。优化方法通过建立数学模型并结合启发式或分布式算法实现目标分配的实时决策，能够保证近似最优解。然而，在高度动态的环境中，满足严格的实时要求变得困难。规则方法则利用预定义规则进行目标分配的实时决策，其优势在于可解释性、效率以及部署和修改的便捷性。规则方法可以与优化方法结合，以实现快速响应时间，同时保持近似最优解。学习方法则通过代理与环境之间的交互实现目标分配的实时决策，具有较强的适应性和实时决策能力。然而，该方法的训练过程耗时较长，且需要大量高质量的数据，其结果的可解释性有限。因此，学习方法更适合信息丰富且变化迅速的环境。

在实现动态目标分配的过程中，需要一个基于规则的决策框架来支持多UAV的动态决策。在Hou et al. (2023)和Yang et al. (2023)的研究中，提出了一种基于SECA的规则决策框架。该框架考虑了有限状态机（Finite State Machine，FSM）的状态转移机制，同时结合了事件-条件-动作（Event-Condition-Action，ECA）模型的事件和条件触发机制。SECA规则已被应用于自主对抗和协同拦截任务，显示出其在处理实时决策问题中的有效性。然而，将SECA框架应用于动态目标分配仍面临新的挑战。

根据是否存在集中节点，多UAV的协作模式可分为集中式和分布式两种。集中式模式中，集中节点协调UAV之间的通信，生成一个最优或近似最优的全局计划。然而，集中式模式具有较高的通信开销，并且容易受到单点故障的影响。相比之下，分布式模式中，每架UAV通过本地信息和共识机制做出决策，具有去中心化、适应性和鲁棒性等优势。因此，分布式模式更适合多UAV的协作任务。

分布式目标分配问题可以分为优化方法和市场方法两类。优化方法包括分布式匈牙利算法（Decentralized Hungarian Algorithm）和启发式算法，这些方法旨在优化每个局部目标函数以实现全局优化。然而，优化方法在处理大规模目标分配问题时需要在计算复杂性方面进行调整，并且容易陷入局部最优解。市场方法则被广泛用于解决分布式目标分配问题，其优势在于提升通信效率并降低计算复杂性。在Choi et al. (2009)和Brunet et al. (2008)的研究中，提出了基于市场机制的共识拍卖算法（Consensus-Based Auction Algorithm，CBAA）和共识捆绑算法（Consensus-Based Bundle Algorithm，CBBA）。为了提升算法的适应性，Bertuccelli et al. (2009)在模型中考虑了障碍区域，从而生成无碰撞的路径。考虑到动态环境和实时实现的挑战，Johnson et al. (2010)和Johnson et al. (2011)提出了异步共识捆绑算法（Asynchronous Consensus-Based Bundle Algorithm，ACBBA），使UAV能够通过异步通信渠道进行信息交换。在Hunt et al. (2014)、Wang et al. (2022)和Bai et al. (2023)的研究中，考虑了需要多代理协作完成的多智能体任务。综上所述，以往的研究主要关注能力与需求的数量，假设每架UAV仅具备一种能力，每个目标仅有一种特定需求。然而，在实际应用中，每架UAV通常具备多种能力，每个目标也通常有多种需求需要满足。因此，有必要考虑能力复杂性和需求复杂性，以提升研究的实际适用性。

受上述观察的启发，本文研究了具有以下特点的多UAV协作目标分配问题：（1）动态目标分配问题；（2）能力需求匹配约束；（3）分布式协作模式。本文的研究贡献主要体现在三个方面。

首先，我们设计了一个基于SECA的动态决策框架，以应对动态环境中的目标分配问题。相比Wang et al. (2018)、Geng et al. (2021)、Xu et al. (2022)、Qie et al. (2019)、Kong et al. (2024)所采用的优化方法和学习方法，我们提出了一种基于规则的框架，其优势在于可解释性、效率以及部署和修改的便捷性。

其次，与以往研究（如Hunt et al. (2014)、Wang et al. (2022)、Bai et al. (2023)）仅考虑能力与需求的数量不同，我们引入了能力复杂性和需求复杂性，使分配模型更加贴近实际情况。通过引入这些复杂性，分配模型能够更准确地反映实际任务需求，同时满足能力需求匹配的约束条件。

最后，相比Choi et al. (2009)、Brunet et al. (2008)、Bertuccelli et al. (2009)、Johnson et al. (2010)、Johnson et al. (2011)等研究中对多UAV协作目标分配的探讨，我们考虑了每项任务可能包含多种需求，并且需要多架UAV协作才能完成。此外，我们提出DCBGA可以解决动态目标分配问题，同时满足能力需求匹配约束，从而生成无冲突的目标分配结果。

本文的结构如下。在第二部分，我们建立了UAV和目标的模型，以描述其属性和行为。同时，我们对多UAV协作目标分配问题进行了建模，其中包含能力需求匹配约束。在第三部分，我们提出了DCBGA算法，包括基于SECA的动态决策框架以及目标选择和冲突解决算法。第四部分对DCBGA进行了收敛性分析、敏感性分析和模拟比较。第五部分对全文进行了简要总结。

在问题建模部分，多UAV系统被划分为三个层级：任务规划层、分配决策层和执行控制层。任务规划层负责确定整个系统的目标任务和目标分配要求。分配决策层执行具体的目标分配和冲突解决，确保目标分配的合理性和一致性。执行控制层则负责每架UAV的执行任务，使其能够根据分配结果完成相应的操作。通过这种分层结构，可以更清晰地理解多UAV系统在不同阶段的任务分工和协作机制。

在动态共识基于群体算法（DCBGA）部分，本文提出了一种适用于多UAV协作动态目标分配的算法。该算法基于SECA框架，将目标分配过程划分为两个阶段：目标选择和冲突解决。同时，DCBGA的执行方式为分布式，即每架UAV独立地在其本地执行该算法，利用自身的局部信息和邻近节点的信息进行决策。这种分布式执行方式不仅能够提高系统的灵活性和适应性，还能够降低对集中节点的依赖，增强系统的鲁棒性。

在场景和参数配置部分，模拟实验的区域被设定为一个二维空间，尺寸为40公里乘以40公里，并且具有连接的边界，如图1所示。在模拟环境中，我们假设存在一个理想的外部环境，不考虑障碍物和干扰因素。连接的边界确保了当UAV或目标超出某一侧时，会自动循环至对侧，而超出顶部时则会回到底部，这种设定与电子游戏中的常见处理方式相似。在图1中，红色圆圈代表UAV，蓝色方块代表目标。通过这种设定，可以更直观地展示UAV与目标之间的互动和分配过程。

在结论部分，本文的研究重点在于多UAV协作动态目标分配问题，特别关注了动态决策过程、分布式协作模式以及能力需求匹配约束。研究结果表明，DCBGA能够在动态环境中实现高效的实时决策，并且具备良好的适应性和鲁棒性。通过引入SECA框架，DCBGA能够更好地应对动态目标分配中的不确定性，确保目标分配的合理性和一致性。此外，该算法的分布式特性使其能够适应复杂的任务需求，提高系统的整体效率和可靠性。

在作者贡献声明部分，Han Wang负责撰写和审阅稿件、验证研究方法、提出研究思路，并进行问题探究。Xiaolong Liang负责研究思路的提出。Jiaqiang Zhang负责问题探究。Aiwu Yang负责撰写和审阅稿件、验证研究方法、提出研究思路，并进行问题探究。

在利益冲突声明部分，所有作者均未披露任何相关利益关系。本文的研究基于客观的数据和实验结果，未涉及任何商业利益或个人利益。研究团队在进行实验和分析时，保持了学术的独立性和公正性，确保研究结果的真实性和可靠性。

综上所述，本文的研究不仅在理论层面丰富了多UAV协作目标分配的建模方法，还在实践层面提供了一种有效的解决方案。通过引入能力复杂性和需求复杂性，研究更贴近实际任务需求，提升了算法的适用性和针对性。同时，基于SECA框架的DCBGA算法能够在动态环境中实现高效的实时决策，满足多UAV协作的复杂要求。本文的研究成果有望为未来多UAV系统在动态环境中的目标分配提供理论支持和实践指导，推动相关技术的发展和应用。