摘要
利用多架无人机（UAV）进行紧急救援规划时，需要在不确定的环境和风力条件下及时将救援服务送往高优先级地点，同时保证飞行的可行性。本研究提出了一个基于有限场景的路线模型，该模型考虑了重复出动、风向、地形、载荷消耗的能量、返回途中的安全储备、关键服务的延误风险以及最坏情况下的任务等待负担等因素。本研究采用了双风险着陆的君主蝶优化算法（DR-MBO），并将其与独立的离散MBO基线、安全边界扩展方案（SE-DR-MBO）、自适应大邻域搜索算法的改进版本（ALNS）以及带有偏见随机键的遗传算法（BRKGA）进行了对比测试，所有算法都使用相同的解码器和匹配的预算来进行全面评估。验证方法包括：详尽列举的六目标解码器诱导搜索空间、在能登半岛N14/N28/N42地区的30次配对实验、两个基准测试系列中的24个合成控制案例、自适应组件缩减测试、计算扩展至100个目标和54个场景的测试，以及在日本气象厅（JMA）记录的295个风力时段内的固定路线重放实验。与独立MBO相比，DR-MBO在N14/N28/N42地区将关键服务的平均延误时间分别减少了48.6%、35.5%和33.1%，并且在30次配对实验中分别获得了29次、29次和30次的完整解；在主要的12个控制案例基准测试中，DR-MBO在157次比较中胜出。与ALNS相比，DR-MBO将能登地区的关键延误时间分别减少了51.5%、42.5%和19.3%，但能耗增加了6.1%至13.7%。在独立的N28层次结构重新优化测试中，DR-MBO在关键延误时间方面表现优于ALNS（14胜1负），而在以资源匮乏风险为优先考虑的测试中，ALNS胜出（15胜0负）。在补充测试中，DR-MBO在与MBO的配对实验中胜出57次，在与ALNS的对比中胜出37次。实验结果表明，这些算法之间存在相互作用机制，而非某个组件具有普遍优势。因此，该框架是一种路由级别的规划工具；在实际部署之前，仍需通过实地校准的需求分析和无人机飞行验证来进一步验证其有效性。
