无人机（UAV）具有低成本、高灵敏度、高效性和强适应性等特点，已被广泛应用于多个国家。然而，研究人员发现单个无人机在通信范围、负载能力和可处理的任务类型方面存在局限性[1]。此外，单个无人机难以避免任务信息不完整的问题。研究表明，无人机群体通过合作可以提高任务完成率[2]。多个无人机之间的协作任务执行的核心是高效的任务分配[3]，任务分配的合理性直接决定了无人机群体的资源利用率和任务目标的成功率。然而，在实际的无人机群体中，存在通信受限[4,5]和动态干扰[6]等约束，这使得仅依赖全局信息的任务分配难以满足上述要求。因此，将基于局部信息的分布式分配与增强故障抵抗力的弹性机制相结合成为解决这些瓶颈的关键方法。
无人机群体通常规模较大，且经常在有限的通信范围内运行[6]。在远程任务中，所有无人机难以实时共享每个代理的状态、任务优先级和其他信息。传统的基于全局信息的分配方法容易受到干扰，并产生大量的传播开销，导致决策延迟；在大型群体中，由于硬件容量限制，这些方法甚至可能不可行[7]。这直接延迟了动态场景中的响应，可能导致错过关键的执行窗口。相比之下，基于局部信息的分布式决策——例如与附近代理的交互以及从本地感知数据中得出的决策——符合系统的本地交互特性，有效减少了通信负担，提高了任务分配的及时性，并增强了大规模群体的可扩展性[8]，从而为快速响应动态任务提供了重要支持。此外，无人机群体经常面临危险和不确定的环境[9]，其中无人机损坏或故障是不可避免的。如果任务分配缺乏弹性——即对干扰的抵抗力和在故障后自主恢复的能力——则故障无人机的任务可能无法立即被接管，从而导致整体效率的显著损失[10]。弹性分配使群体能够在故障存在的情况下自主重新分配任务，并维持任务执行，这对于高风险场景中的可靠性至关重要。
许多研究人员提出了许多有效的无人机群体任务分配方法[[11], [12], [13]]、区域覆盖[[14], [15], [16], [17]]和路径规划[[18], [19], [20]]。这些方法提高了无人机群体在任务执行过程中的效率。高效和准确的任务分配对于完成任务至关重要。因此，研究人员为不同的任务分配模型提出了不同的解决算法。主要有三种类型的任务分配方法：基于优化的方法[21]、基于博弈论的方法[22]和基于市场的方法[23]。
已经提出了许多基于优化的任务分配方法。其中，匈牙利算法是一个典型的代表。该方法最初由Kuhn[24]开发，后来由Munkres[25]改进，已被广泛应用于多代理任务分配问题，包括不平衡分配[26]和大规模匹配场景，通过各种扩展和混合方法[27,28]。其他优化技术，如狼群算法[29]及其改进变体，也被引入来解决局部最优解和分配效率等问题。尽管这些基于优化的方法可以有效解决分配和调度问题，但它们仍然面临收敛速度慢、可扩展性有限和计算资源消耗高的挑战，特别是在大型和动态环境中。
博弈论方法通过引入经典博弈论的概念来解决多代理决策问题。它们已被应用于各种优化和分配场景。例如，Wu等人[30]提出了一个用于多代理系统中动态任务分配的潜在博弈，保证在任何纳什均衡下至少有50%的次优性，而Zhou等人[31]开发了一种用于船舶自主导航的博弈论策略，提高了均衡精度。尽管基于博弈论的方法具有问题简化、结构化建模和支持动态多阶段决策等优点，但一些模型依赖于全局信息，这在实践中往往难以获得。
基于市场的算法具有良好的稳定性和可扩展性。拍卖算法是一种典型的基于市场的方法[[32], [33], [34]]。这些算法在寻找资源分配解决方案方面特别有效，尤其是在参与者众多时。此外，拍卖算法具有灵活性，可以处理各种类型的资源并适应不同的出价策略。Dimitri[35]提出了一种用于无人机任务分配的拍卖算法。该算法模拟了真实的拍卖过程，允许无人机竞标目标任务，最终获得最优的任务分配。Choi[36]提出了一种基于传统拍卖方法的分散式拍卖算法，该算法依赖于无人机之间的信息共享来实现任务分配。这种方法提高了故障容忍度，使无人机群体更适合动态和灵活的场景。然而，许多拍卖算法依赖于全局信息。它要求无人机在出价前了解其他出价。无人机之间的信息通过多次跳转[[37], [38], [39]]进行传输。这可能导致延迟或信息丢失。如果其他无人机在限定时间内没有做出合适的出价，可能会导致局部最优的分配结果。
此外，在当前的无人机群体应用领域，无人机群体通常用于更危险和复杂的任务环境中[40]。例如，2023年10月美国Shield AI公司推出的V-Bat Teams无人机群体主要用于海域监视、压制敌方航空、打击和护航等任务[41]。2019年，俄罗斯的Cube无人机在阿布扎比国防展览会上展出，其主要作用是打击地面移动目标和水面潜艇[42]。无人机群体可能会面临故意攻击或不可避免的自然灾害，这些事件可能发生在任务规划期间或任务分配之后。为了保持整体任务效果，无人机群体应能够根据故障调整任务分配，以最大化任务计划的效益。
“弹性”一词源自拉丁语“resiliere”[43]。将弹性集成到无人机群体中体现了特定的能力：无人机群体抵御外部干扰并适应变化的能力。此外，它还包括适应性恢复，以减少任务收益的损失。这在面对由外部干扰引起的故障时尤为重要。
Hu等人[44]提出了一种基于渗透理论的无人机群体弹性评估方法。在随机攻击后，该方法可以评估群体的弹性。在文献[45]中，本文提出了一种基于同质无人机群体系统自主合作的软资源优化方法。这项研究形成了一个快速响应机制，并建立了包含弹性的重要联系。Zhou等人[46]开发了三种运动模型和弹性过程，并提出了改进的群体弹性评估指标。Liu等人[47]提出了一种基于弹性的信息交换拓扑重建方法。这种方法有助于无人机群体设计者了解完整的任务状态。Zhang等人[48]提出了一种用于对抗场景中跨域群体的动态弹性评估方法。该方法能够更好地捕捉跨域群体在对抗中的动态和不确定性质。然而，关于将弹性纳入任务分配以增强系统对干扰的鲁棒性的研究仍然有限。
总之，这些研究报道了关于任务分配和弹性的各种发现。然而，值得注意的是，这些研究中的大多数算法在两个方面都表现出明显的特点和固有的局限性：(1) 大多数当前的无人机群体任务分配方法依赖于全局信息或涉及大规模的信息交换，而只有少数研究专注于仅使用局部信息的分布式分配方法。(2) 现有的任务分配算法很少考虑可能导致无人机在执行任务过程中失败的各种干扰的影响，而且关于将任务分配与弹性考虑相结合的研究也很有限。
针对上述讨论，我们提出了一种基于局部信息的无人机群体弹性任务分配方法。具体贡献如下：1) 提出了一种整合无人机功能和任务要求的数学模型，并设计了一种生成可变拍卖组的机制。在每一轮拍卖中，参与者根据局部信息竞标任务。使用该模型和机制，通过多轮拍卖逐步分配任务。2) 量化了无人机的多维损伤状态，并提出了在干扰下的任务重新分配机制。通过使用损伤因子及其概率分布向量量化无人机损伤，释放分配给受损无人机的任务，并通过重新分配将高价值任务重新分配给最合适的无人机，从而增强群体的恢复能力。
本文的其余部分组织如下：第2节介绍了基于局部信息的群体任务分配算法。第3节介绍了基于弹性的无人机群体任务重新分配方法。第4节详细介绍了基于所提出方法进行的实验。第5节总结了本文。
