《Mathematics》：Robust Bottleneck Prioritization from Event Logs Under Temporal Shift: A Wasserstein–CVaR Diagnostic Framework
编辑推荐：
灾后应急物资配送中，协调无人机（UAV）与无人地面车辆（UGV）需要在任务分配、路径规划、配送数量与会合调度方面进行联合决策。移动UGV基地与拆分配送提升了作业灵活性，但引入了空中与地面作业之间的强依赖关系。本文研究了需求静态且已知的集中式多目标多机器人任务分
灾后应急物资配送中，协调无人机（UAV）与无人地面车辆（UGV）需要在任务分配、路径规划、配送数量与会合调度方面进行联合决策。移动UGV基地与拆分配送提升了作业灵活性，但引入了空中与地面作业之间的强依赖关系。本文研究了需求静态且已知的集中式多目标多机器人任务分配问题，其中UGV运输物资并支持UAV的发射、回收与电池更换。构建了一个三目标模型，以最小化加权需求完成时间、运营成本与最大归一化工作负荷，并受可达性、有效载荷、库存、能量与同步约束。为求解所得的受限组合优化问题，研究人员提出了HV-ADEA，一种超体积引导的自适应进化算法。一种混合表示联合编码UGV停靠序列、UAV-区间任务分配与拆分配送数量，同步解码器推导执行时间并评估可行性。一种有界迭代修复机制处理耦合约束违反。领域特定的变异算子执行移动基地-架次联合调整、空地数量转移、配送拆分与合并以及同步瓶颈削减，以探索替代的分配与路径方案。使用六个规模递增的测试配置与五种基线算法（NSGA-II、CCMO、BiCo、EMCMO与C3M）建立了实验协议。测试结果表明，研究人员所提出的算法在大多数测试案例中具有竞争力。
**研究背景与问题**
灾后应急物资配送面临道路网络损毁、受灾社区孤立以及物资需求快速变化等挑战。无人机（UAV）能够快速到达地面车辆难以或无法抵达的区域，但受有效载荷、电池续航、飞行距离与气象条件限制；无人地面车辆（UGV）具有更大的有效载荷与更长的作业时长，但其机动性受损毁道路、障碍物与地形条件严重制约。异构UAV-UGV团队可整合两类平台的互补能力，为灾后物资配送提供更灵活的解决方案。然而，UAV与UGV的协调引发了异构多机器人任务分配（MRTA）问题，系统须确定各需求点的机器人指派、物资配送量、任务执行顺序以及UAV与UGV是否联合执行任务。这些决策与路径规划、车辆容量、能量消耗、任务优先级与任务完成时间紧密耦合，难以作为简单的一对一分配问题建模。现有研究多聚焦于同构UAV机群或单平台系统，或通过假设单一仓库、单次配送行程、静态需求或不可拆分任务来简化作业环境，限制了其在真实灾后响应场景中异构空地协同的适用性。UAV-UGV场景面临多重挑战：需求点的可达性不仅取决于灾害环境，还取决于被指派机器人的能力；两类平台的资源约束存在显著差异；某些任务无法由单一机器人高效完成，需要UAV与UGV的显式协作，如从移动UGV平台部署UAV、机器人间物资转移或侦察与配送任务的顺序执行。上述因素导致优化目标之间存在内在权衡，单一固定偏好难以刻画整体任务目标，因此采用多目标建模以保留问题的竞争特性。
**研究方法与结论**
本文研究了灾后应急物资配送中异构UAV-UGV团队的多目标MRTA问题。所提模型联合考虑机器人-任务兼容性、异构有效载荷与续航约束、损毁道路可达性、物资需求、任务优先级、路径可行性以及机器人间协作。目标设计为最小化应急服务损失、运营成本与风险以及异构机群的工作负荷不均衡。为求解所得的受限组合优化问题，研究人员开发了超体积引导的自适应进化算法（HV-ADEA），该多目标进化算法（MOEA）结合了UGV停靠序列、UAV-区间任务分配与拆分配送数量的混合编码，用于路径-架次一致性、有效载荷与能量限制、需求平衡与库存约束的有界迭代修复机制，以及用于移动基地-架次联合调整、空地数量转移、配送拆分与合并和同步瓶颈削减的领域特定变异算子，以改进对可行Pareto最优解的搜索。主要贡献包括：构建了面向灾后物资配送的异构UAV-UGV MRTA模型，整合任务分配、物资配送、路径规划与机器人间协作；开发了多目标优化框架以刻画应急服务有效性、响应效率、运营风险与工作负荷公平性之间的权衡；提出了具有分配-路径表示与保可行性修复算子的问题特定MOEA以处理异构容量、电池、可达性与协作约束；在不同灾害规模、需求模式、道路中断水平与机群组成下开展了大量实验，采用Pareto前沿质量指标与面向应用的指标进行评估。实验结果表明，HV-ADEA在大多数测试案例中具有竞争力，其主要优势体现在若干中大规模案例的搜索后期改进：在M1上获得最高最终HV与最低最终IGD，在L1与L2上获得第二高最终HV与最低最终IGD，但与小规模案例上的最强竞争者差异较小，且在小规模案例上竞争力较弱并在若干实例上出现中间平台期。这些发现表明该方法在评估设置下提供了具有竞争力的最终近似集，同时在提升早期搜索效率方面仍有改进空间。
**关键技术方法**
研究人员采用六种规模递增的合成测试配置（S1、S2、M1、M2、L1、L2），通过Delaunay三角剖分构建候选道路网络并随机移除边以模拟道路损毁，按条件分布生成库存与聚合能量预算以确保实例可行性。算法核心包括：混合表示联合编码UGV停靠序列、UAV-区间任务分配与配送数量；同步解码器从同步约束递归推导最早可行调度；超体积贡献驱动的可行非支配外部档案管理；基于可行超体积增益的分解方向自适应调整；以及领域特定的耦合变异算子与有界迭代修复机制。对比基线为NSGA-II、CCMO、BiCo、EMCMO与C3M，所有方法共享相同混合表示、同步解码器、目标函数与约束定义，计算预算以函数评估次数控制，各算法在每个实例上独立运行30次，采用HV与IGD指标评价，并以所有算法所有运行的可行非支配解池构建参考Pareto前沿。
**研究结果**
5.1 测试案例设置：通过六种配置指定UGV、UAV与需求点数量、区域面积与需求范围，其余参数随机采样或按规则计算，生成后需求、可达性与平台特性在优化过程中保持固定。
5.2 对比算法设置：HV-ADEA与五种代表性MOEA对比，所有方法适配相同混合表示与同步解码器，约束缩放与等式容差一致，各算法保留原始交配选择、环境选择、约束处理规则与种群或档案交互机制。
5.3 性能指标：采用HV与IGD评价，HV衡量收敛性与分布，IGD衡量近似集与参考前沿的距离，目标值以参考集的理想点与最差点归一化，违反原始MRTA约束的解在HV计算前被排除。
5.4 实验结果与分析：在小规模实例S1与S2上多数算法均能获得较高质量近似集，差异主要体现在多样性与运行稳定性；随着问题规模从S1增至L2，算法间性能差距更为明显，HV-ADEA在中大规模案例上保持较高HV与较低IGD。运行时间随需求点与机器人数量增加而增大，HV-ADEA因自适应指标与领域特定算子可能具有更高的每代计算成本。HV与IGD随函数评估次数的演化轨迹显示，HV-ADEA的最强观测特征是在若干中大规模案例上的后期改进而非一致的快速初期进展：在M1上HV从0.3737增至0.4019、IGD从0.1352降至0.0699，最终获得最高最终HV（0.4037）与最低最终IGD（0.0684）；在L1上HV从第十六检查点的0.4539增至终止时的0.5047、IGD从0.3063降至0.2320，最终HV第二（略低于CCMO的0.5078）但IGD最低；在L2上最终HV为0.5060排名第二、最终IGD为0.2381最低（略低于C3M的0.2394），但该微小数值差异应与统计优越性区分。解集分布可视化表明NSGA-II解趋于局部聚集且部分远离参考前沿，BiCo解较稀疏，EMCMO分布不连续，C3M有效解数量有限且覆盖区域少，CCMO多数解接近参考前沿且覆盖较广但仍存在局部聚集。
5.5 讨论：档案选择、方向自适应与问题特定变异分别影响保留哪些解、后续搜索方向以及替代配送方案的生成方式；超体积贡献截断直接考虑各解的额外目标空间体积，方向自适应改变引导后续子代生成的子问题，变异算子针对UAV-UGV协作的依赖关系提供结构化探索途径。与早期超体积进化算法相比，本框架的设计重点在于可行档案管理、可行增益引导方向自适应与面向UAV-UGV任务分配的变异算子的集成，超体积既贡献于现有解的保留也贡献于影响后续搜索的反馈。图5的分布对应M1的一次代表性运行，与表中聚合结果一致，但均值HV与NSGA-II差异很小，视觉比较不能独立确立统计优越性；机制分析是基于现有观察的设计解释，当前实验评估的是集成框架，档案过滤、方向自适应与特定变异的个体贡献无法从现有完整算法比较中单独确定。
**结论**
本文研究了灾后应急物资配送中异构UAV-UGV团队的集中式多目标任务分配问题。所提模型考虑静态已知需求、UGV作为移动UAV基地与拆分配送，联合建模任务分配、路径规划、配送数量与空地同步，以最小化紧迫度加权需求完成时间、运营成本与最大归一化工作负荷为目标，并纳入可达性、有效载荷、库存、能量与同步约束以表征两类平台间的作业依赖。为求解所得的受限组合优化问题，研究人员开发了HV-ADEA，将基于分解的搜索与HV控制的可行非支配档案相结合，可行HV增益引导搜索方向调整，混合表示、同步解码与有界迭代修复处理耦合的分配与调度决策，领域特定算子探索移动基地位置、UAV架次、配送数量与会合瓶颈的变化。在六个测试案例上与NSGA-II、CCMO、BiCo、EMCMO与C3M的对比表明，HV-ADEA的主要优势在于若干中大规模案例的后期改进，在M1上获得最高最终HV与最低最终IGD，在L1与L2上获得第二高最终HV与最低最终IGD，但与最强竞争者的部分差异较小，小规模案例上竞争力较弱且若干实例出现中间平台期；这些发现表明该方法在评估设置下提供了具有竞争力的最终近似集，同时在提升早期搜索效率方面仍有改进空间。未来工作将研究初始化与搜索预算分配策略以减少持续平台期，并通过消融研究分离HV引导方向调整与领域特定算子的贡献，开展更多重复运行与额外实例配置的广泛评估以确立观测性能的可靠性与通用性，并将模型扩展至不确定需求、行程时间与机器人可用性以迈向更现实的应急响应规划。
