复杂海洋救援环境中无人机群的双阶段协同路径规划与任务分配

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Dual-Stage Collaborative Path Planning and Task Allocation for UAV Swarms in Complex Maritime Rescue Environments

多无人机协同优化框架在复杂海事环境中的应用研究。提出双阶段协同优化框架，集成改进的梦想优化算法（IDOA）处理动态路径规划，离散梦想优化算法（DIDOA）解决故障容忍任务分配，实现耦合问题全局优化。实验表明任务完成时间缩短37.4%，路径成本降低28.7%，系统在多故障场景下仍保持稳定可靠。

　　随着海洋活动的频繁增加，如海上运输和海洋资源开发，海洋事故的发生概率也在上升。在这种背景下，多无人机（multi-UAV）协同救援任务的复杂性和紧迫性日益凸显，传统的多无人机协调方法在面对非线性约束和任务执行不确定性时表现出一定的局限性。因此，亟需一种更为稳健且高效的联合优化框架，以应对动态路径规划与容错任务分配之间的耦合问题。本文提出了一种新颖的双阶段协同优化框架，旨在解决这一复杂挑战。

在第一阶段，改进的梦优化算法（Improved Dream Optimization Algorithm, IDOA）引入了基于差分进化（Differential Evolution, DE）的扰动机制和局部记忆搜索机制，以增强全局探索能力和路径的鲁棒性，特别是在复杂风场和地形环境中。这一阶段的算法设计不仅考虑了单个无人机的路径优化，还通过智能优化策略提升了多无人机系统在动态环境中的适应性。IDOA 的引入使得无人机在复杂海洋环境中的路径规划更加高效，同时减少了路径成本和任务完成时间。

在第二阶段，针对异构无人机的容错协同多任务分配问题（Adaptive Fault-Tolerant Cooperative Multi-Task Assignment Problem, AFT-CMTAP）模型被构建，该模型能够有效应对无人机故障和任务执行风险。为了处理这一离散的组合优化问题，我们设计了一种离散版本的梦优化算法（Discrete Dream Optimization Algorithm, DIDOA），该算法基于梦启发的元启发式原则，结合遗传算法的操作符，从而提高了离散任务分配的效率和适应性。DIDOA 的引入不仅提升了多无人机系统在复杂环境中的协同能力，还通过实时风险评估和自适应资源调度机制，确保了在任务失败情况下的系统稳定性与任务连续性。

本文提出的双阶段协同优化框架在多个方面实现了突破。首先，通过将动态路径规划与容错任务分配相结合，突破了传统多无人机协调研究中将这两个子问题独立处理的局限性。这种联合优化方式使得无人机在复杂海洋环境中能够更高效地完成任务，同时确保了系统的整体可靠性。其次，该框架在面对潜在任务失败时，能够快速进行任务重新分配和资源重新配置，从而提升了系统的容错能力。第三，通过在实际海洋救援场景中的验证，该框架展示了在路径可行性与系统鲁棒性方面的显著提升，特别是在多无人机同时发生故障的情况下，其稳定性和适应性远超现有方法。

本文的研究成果具有重要的实际意义和应用价值。在海洋救援任务中，无人机需要在复杂、动态的环境中进行高效协作，这不仅要求无人机具备良好的路径规划能力，还需要其具备快速适应任务变化和应对突发情况的能力。通过引入 IDOA 和 DIDOA 算法，本文提出的双阶段协同优化框架能够有效解决这些问题，为多无人机系统在海洋救援中的应用提供了坚实的理论基础和技术支持。

此外，本文还探讨了多无人机协同任务分配和路径规划在实际海洋作业中的应用。在海洋环境中，无人机的飞行路径受到风场、地形、障碍物等多重因素的影响，而任务分配则需要考虑无人机的性能差异、任务优先级、时间限制等。因此，构建一个能够综合考虑这些因素的协同优化框架，对于提升海洋救援任务的效率和可靠性至关重要。本文提出的双阶段协同优化框架不仅能够有效处理这些复杂因素，还能够在实际应用中实现快速响应和灵活调整，从而确保任务的顺利完成。

为了进一步验证本文提出的双阶段协同优化框架的有效性，我们进行了多项实验测试。实验环境配置为：一台 Intel? Core? i5-1035G1 处理器，运行频率为 1.19 GHz，16 GB 内存，64 位 Windows 11 操作系统，以及 MATLAB R2022a 作为软件平台。实验结果表明，与传统方法相比，本文提出的 IDOA + DIDOA 框架在任务完成时间上减少了高达 37.4%，在路径成本上降低了 28.7%。这些显著的性能提升证明了该框架在复杂海洋环境中的优越性。

在面对多无人机同时发生故障的情况下，该框架仍然能够保持良好的性能，展示了其在不确定性环境中的适应性和稳定性。这种容错能力对于确保海洋救援任务的连续性和系统可靠性至关重要。通过实时风险评估和自适应资源调度机制，该框架能够在任务失败后迅速调整无人机的路径和任务分配，从而确保任务的顺利完成。

本文的研究还揭示了当前多无人机协同路径规划和任务分配算法在实际应用中面临的挑战。尽管已有许多经典的确定性算法和元启发式算法被应用于无人机路径规划，如 Dijkstra 算法、A* 算法、RRT 算法等，但在面对高度非结构化的海洋环境时，这些算法在计算效率和适应性方面存在一定的不足。因此，本文提出的双阶段协同优化框架为解决这些问题提供了一种新的思路和方法。

此外，本文还探讨了多无人机协同任务分配模型的扩展。传统的任务分配模型通常基于静态假设，无法有效应对动态变化的环境和任务需求。而本文提出的 AFT-CMTAP 模型则能够将实时执行风险和动态故障概率纳入任务分配过程中，从而提升了模型的适应性和灵活性。这种模型的引入使得多无人机系统在面对突发情况时能够快速做出反应，确保任务的顺利完成。

在实际应用中，本文提出的双阶段协同优化框架不仅适用于海洋救援任务，还具有广泛的适用性。该框架能够支持跨区域的安全和可靠性规划，适用于多种复杂环境下的多无人机协同任务。通过结合 IDOA 和 DIDOA 算法，该框架能够有效提升无人机系统的协同能力和任务执行效率，为多无人机在复杂海洋环境中的应用提供了重要的理论和技术支持。

总的来说，本文的研究为多无人机协同路径规划和任务分配提供了一种新的解决方案。通过构建一个双阶段协同优化框架，将动态路径规划与容错任务分配相结合，本文提出的 IDOA 和 DIDOA 算法能够有效应对复杂海洋环境中的各种挑战。实验结果表明，该框架在任务完成时间、路径成本、系统鲁棒性等方面均表现出显著的优势，具有广阔的应用前景。未来的研究可以进一步优化该框架，以适应更复杂、更动态的海洋环境，并探索其在其他领域的应用潜力。