一种用于资源受限无人机在复杂场景下的任务分配与协作执行方法 张良斌、 陈卫生、 常静

《Drones》：A Task Allocation Cooperative Execution Method for Resource-Constrained UAVs in Complex Scenarios Liangbin Zhang, Weisheng Chen and Jing Chang

　　**亮点**

- **主要研究结果是什么？**
- **资源受限任务分配框架**：整合了电池和载荷限制，并提出了一个基于平均距离和执行成功率确定的优先级驱动的价值函数。
- **阈值触发协作策略**：定义了启动和终止标准，以促进协作拦截，并利用一种执行逻辑，优先考虑剩余电池量有限的单元。

- **主要研究结果的意义是什么？**
- **提升了操作生存能力**：模拟结果表明，与现有方法相比，所提出的策略将无人机的生存能力提高了多达27%，同时保持了具有竞争力的任务完成率和行驶成本。
- **增强了民用安全应用**：该策略为监测和拦截未经授权的物体提供了可持续的解决方案，并能有效处理不确定的物体发现和潜在的无人机损失。

**摘要**
在复杂场景中，无人机群体的动态任务分配通常受到不确定物体发现、潜在无人机损失以及严格的电池和执行资源限制的困扰。这些资源限制对无人机的生存能力和任务成功率有重大影响，但在现有研究中往往被忽视。本文开发了一种基于拍卖的动态任务分配方法，用于在资源受限的无人机群体中执行协作监测和拦截任务。通过纳入任务优先级来优先处理紧急区域和已识别的物体，并提出了一种基于阈值的协作参与策略，以促进超出单个无人机能力的多无人机协调。同时，采用电池感知的资源分配来提高协作操作期间的利用率。跨不同场景规模和资源配置的模拟结果表明，所提出的方法在保持具有竞争力的任务完成率的同时，显著提高了无人机的生存能力。

**1. 引言**
最近，无人飞行器（UAV）群体在动态和复杂场景中的应用受到了越来越多的关注[1,2,3,4]。Boyd的OODA循环模型将动态操作周期概念化为一个持续的观察和反应过程，执行观察-定向-决策-行动（OODA）循环的一方能够更快更有效地应对环境变化[5]。在动态场景中部署的无人机群体背景下，传统的OODA循环被扩展为一个包括情况评估、物体识别、任务规划和机动决策的任务导向框架[6]。在这个框架中，任务分配在任务规划中处于核心地位，因为它直接影响群体的操作效率和生存能力。无人机可以在协作和非协作场景中执行任务[7,8]。在非协作场景中，无人机群体通常执行针对未经授权物体的监测和拦截任务[9]，这需要根据不确定的物体发现和潜在的无人机损失进行动态任务分配。与常规任务（如监视[10,11,12,13,14,15,16]、运输[17,18,19,20,21,22]和救援[23,24,25,26]相比，动态非协作场景引入了更大的不确定性和风险，使得动态任务分配更具挑战性。

**1.1. 相关工作**
最近的研究开始关注复杂动态场景中的无人机群体任务分配[27,28,29,30]。正如[31]所综合的，操作范式已经转向了竞争环境中的战略互动，强调了在信息不完全情况下自主协调的必要性。同时，最近开发的能量感知架构[32]和统一通信控制框架[33]提高了系统层面的任务持续性和协调可行性。鉴于机器人学中的多机器人单任务（MRST）问题与动态场景中的无人机群体任务分配[34]之间的结构相似性，相关机器人学研究[35,36,37,38,39,40,41,42]为这项研究提供了实用的见解。解决复杂动态场景的研究主要集中在协作探索和任务参与[27,29,30,43,44]上。最近，研究范式转向了智能分散式协调，利用生物启发机制[44]和战略框架[43]来促进竞争环境中的自主群体形成。与此同时，如SECA框架[30]和多目标PSO[29]等方法显著提高了操作效率。然而，这些先进模型通常缺乏高机动性要求与非线性电池消耗之间的明确耦合。这种遗漏造成了可行性差距，因为逻辑上的最优分配由于意外能量耗尽而变得物理上不可实现。

**1.2. 现存问题与分析**
表1中总结的代表性任务分配方法突显了一个关键的研究空白：将资源限制整合到动态非协作场景中。根据现有文献的综合，我们确定了使传统确定性模型无效的技术挑战：
- 在非协作场景中，物体状态的高度不确定性要求频繁进行实时任务重新分配。这一动态过程迅速耗尽了预先计划的资源缓冲，使得传统静态方法难以维持任务的连续性。
- 任务执行过程中的潜在无人机损失或损坏会导致群体总能力的突然和非线性变化。传统的分配框架缺乏适应这种可用执行资源突然波动的操作韧性[45]。
- 拦截过程中的高机动性要求显著加速了非线性电池衰减。传统的确定性模型往往未能考虑这种加速的能量消耗，因此需要将资源感知优化与动态和复杂场景相结合的鲁棒方法。

**1.3. 我们的贡献**
为了解决上述研究空白，本文引入了动态任务分配协作策略（DTACS）框架。主要贡献如下：
- 我们跳出了忽视物理限制的传统模型，提出了一个整合非线性电池消耗和离散执行载荷限制的动态分配模型，从而更严格地表示了在敌对环境中的无人机操作能力。
- 与假设任务紧急性均匀的传统基于拍卖的方法不同，我们开发了一个时空优先级价值函数。这使得群体能够自主区分并优先处理高紧急度区域和高威胁目标，显著提高了任务响应能力。
- 我们提出了一种以动态激活阈值为特征的协作拦截逻辑。这种机制超越了单个参与模型的限制，通过优化集体载荷消耗，即使在严重的资源不足情况下也能确保任务的成功。

本文的其余部分组织如下：第2节描述了动态和复杂的场景并阐述了任务分配问题；第3节介绍了提出的DTACS方法，包括协作参与和执行资源分配策略；第4节报告了模拟结果和性能比较；最后，第5节总结了本文并讨论了未来的研究方向。

**2. 场景描述与优化问题建模**
本节描述了动态和复杂的场景，并为资源受限的无人机群体制定了任务分配优化问题。鉴于对任务分配的重视，包括在动态和复杂场景中的决策制定和任务重新调度，任务分配层与物理执行层是解耦的，任务执行 dynamics 没有详细说明。

**2.1. 场景描述**
如图1所示，所考虑的操作场景涉及部署无人机群体来监测多个指定区域，以检测和中和未经授权的物体。任务包括两种主要类型：监测和拦截。图1展示了无人机群体操作的动态和复杂场景。任务工作流程在图2中进一步详细说明。最初，无人机被预先分配到指定区域执行持续监测任务。一旦发现未经授权的物体，就会生成相应的拦截任务。根据物体的中和要求和群体的实时资源状态，拦截可以由单个无人机独立执行，或者由多个单元协作执行。

**2.2. 基本定义**
本小节定义了监测和拦截场景中考虑的无人机、指定区域、未经授权的物体和无人机任务。

- **无人机**：用?? ={??1,??2,…,??????}表示无人机集合，其中????是无人机数量。????的状态定义为??????? =????????,???????,???????,???????????，其中???????是????的实时位置，???????是????的速度。???????表示其剩余电池电量，建模为等效的飞行里程，将能量消耗映射到空间位移，??????????代表用于目标中和的有限、不可逆的离散载荷。电池电量为??????? =0的无人机被排除在进一步的任务分配之外，而载荷为?????????? =0的无人机被排除在进一步的拦截任务之外。??????????在每次参与后更新。
- **指定区域**：?? ={??1,??2,…,??????}表示要监测的????个指定区域。每个指定区域????的状态定义为??????? =????????,??????????，其中???????指定了其坐标，?????????表示其初始监测截止时间。
- **未经授权的物体**：每个指定区域最多嵌入一个未经授权的物体。区域????中物体的状态为??????? =????????,???????????，其中???????表示物体的位置，与????的位置相同，??????????表示中和物体k所需的真正执行载荷量。在捕获物体后，无人机估计目标的所需执行载荷。由于感知不确定性，???????????可能会偏离真实值，并在每次参与后更新。因此，无人机关于物体k的信息为{???????,???????????}。
- **任务分配优化问题建模**：优化目标是在资源限制下最大化无人机的生存率和任务完成率。无人机生存率定义为任务执行后剩余的完整无人机数量，而任务完成率是成功完成的任务数量。与许多优先考虑最小化执行时间的现有研究[42,49]不同，本工作将任务完成率和无人机生存率作为主要优化目标。这样做的理由有两个：首先，在动态响应环境中，更高的完成率反映了资源更合理的分配，从而减少了因初始任务失败导致的任务重新分配和额外行驶距离的可能性。通过最大化第一次尝试中的完成概率，系统本质上减少了累计资源消耗，并实现了统计上更短的总执行时间。其次，在复杂和动态的场景中，失去无人机的成本是非线性的；它代表了群体功能能力的急剧且通常是不可逆的收缩。通过提高生存能力来维持任务就绪的资源缓冲对于处理在严格资源限制下的物体发现随机性至关重要。这种重点的转变确保了所提出的策略支持长期的操作可持续性，而不仅仅是追求短期效率。目标函数包括监测和拦截组件。在任务执行之前，根据(1)-(4)中解决的监测任务分配问题将指定区域分配给无人机。在捕获物体后，根据(10)-(12)中解决的拦截任务分配问题派遣无人机执行拦截任务。

**2.3.1. 监测任务分配优化问题建模**
max??????????????? ∑??=1 (???? ∑??=1 ?????????????????????) (1)
s.t. ??????????∈{0,1} (2)
???? ∑??=1 ???????≤1,???=1,2,…,???? (3)
??????≤????max,???=1,2,…,???? (4)
在(1)中，??????????表示????监测????的奖励。二进制变量?????????? =1表示????被分配给????，否则为0。约束(3)确保每个监测任务不超过一个无人机。在(4)中，??????表示????执行监测任务所需的飞行距离，而??????????指定了其最大飞行距离。由(1)-(4)定义的优化问题是内在非凸的，因为决策变量?????????? ∈{0,1}是二进制的。这种表述代表了一个混合整数线性规划（MILP）问题，通常属于NP难题。离散搜索空间阻止了标准基于梯度的优化方法的应用。此外，(4)中的异构资源限制耦合了不同无人机的分配，随着群体规模????和任务集????的扩大，计算复杂性显著增加。在如此的约束条件下实时找到全局最优解对于动态机载执行来说是计算上具有挑战性的。为了克服这些挑战，DTACS框架利用了基于拍卖的机制。与传统的集中式优化方法相比，这种方法能够在多项式时间复杂度内提供高质量、接近最优的解决方案。这显著降低了计算负担，同时确保在严格的资源和运动学约束下快速生成可行的任务分配。

大多数关于动态和复杂场景下无人机群任务分配的现有研究忽略了机载资源的限制，例如电池和执行载荷[27,28,29,30]，因为考虑这些限制会增加问题的复杂性。相比之下，本工作明确将这些资源约束纳入任务分配模型，并提出DTACS来提高无人机的生存能力和任务成功率，这是在监控和拦截框架内实现的。

（公式中的）奖励项??????????定义如下：??????????=?????????????????????????????????????????，其中??????????量化了无人机????监控目标????的奖励，而??????????表示????与????之间的曼哈顿距离，代表预期的行驶成本。系数?????????和?????????平衡了奖励项和成本项的相对贡献，作为搜索效率和能量耐力之间权衡的调节器。通过调整这些权重，该框架可以优先考虑快速覆盖高不确定性区域，同时确保无人机群在持续监控过程中的长期物理可持续性。下面详细介绍了??????????的计算方法：

??????????={????????????????(????????????????????)，如果??????????≤?????????0；否则??????????>?????????。其中???????是无人机????监控目标????的基本奖励。????是奖励随任务持续时间的衰减系数，??????????表示无人机????开始监控目标????的时刻。初始监控截止时间?????????在2.2节中有定义。在搜索任务中，奖励衰减代表了发现延迟的成本。延迟发现会推迟后续响应行动的开始，从而降低整体战术优势。这种指数衰减被引入是为了描述时间紧迫任务的运营紧急性和边际效用的递减[50,51]。这种公式作为一个时间惩罚机制，激励无人机优先处理具有更高即时战术价值的任务，以最大化全局任务效率。尽管现有研究很少指定这些基本奖励[28,29,52,53,54]，但在实际场景中，任务优先级应该根据区域和对象的不同而变化。???????的价值取决于无人机与指定区域之间的距离，如3节中详细说明的。如图3所示，??1比??2更靠近无人机群。由于??1中的潜在未授权对象更接近由无人机群形成的防御边界，因此它压缩了任务规划和参与的时间。因此，优先监控??1以确保早期识别和后续响应。这种基于距离的评估可以将有限的资源集中在监控紧急性更高的区域。

??????????的公式如下：??????????=?????????(loc?(????),????)，其中loc?(????)表示无人机????的当前位置，??????????衡量了从????到????的距离。为了简化，采用了曼哈顿距离度量。

2.3.2 拦截任务分配优化问题建模
max??????????2???∑??=1(????∑??=1??????????3??????????)
满足条件：
??????????∈{0,1}
??????≤????max, 对所有??=1,2,…,???
????∑??=1???????3???????≤??????????, 对所有??=1,…,???
????表示检测到的未授权对象的数量，??????????表示无人机????拦截目标????的奖励。变量??????????=1表示拦截任务被分配给无人机????，否则为0。与公式(1)-(4)中的模型类似，由公式(10)-(13)定义的拦截任务分配是一个非凸且NP难的优化问题，这是由于二进制约束和耦合的资源限制。

拦截任务分配中的价值函数??????????定义为：
??????????=?????????3???????????????3?????，
其中??????????衡量了从无人机????到对象j的距离，??????????量化了执行拦截任务j的奖励。系数?????????和?????????分别权衡了奖励和距离项。与(5)类似，这些参数调节了拦截紧急性和与能量相关的运营成本之间的权衡。??????????设置为：
??????????={???????3????????(???????3???????????????)，如果???????≤?????????0；否则???????>?????????，
其中???????表示无人机????拦截目标????的基本奖励。衰减因子????反映了任务持续时间，???????表示中和完成时间。???????是预期的拦截截止时间。

与???????类似，???????的定义也考虑了距离和中和成功概率。如图4所示，靠近无人机群的未授权对象需要更高的拦截紧急性。此外，还考虑了成功中和的可能性，拦截任务的基本奖励定义为：
??????????=???????ˉ????，
其中???????是一个衡量中和成功率的参数，定义为：
???????=?{ { {?{ { {??????????????????????,??????????>???????????,??????????≤???????????} } } },
如果??????????大于???????????，则???????定义为它们的比率；否则，???????=0。公式(17)有偏向性，因此倾向于将拦截任务分配给具有更高中和成功概率的无人机。

虽然现有研究很少在目标函数中明确指定这些基本奖励[27,29,30]，但在实际场景中，任务优先级应该根据区域和对象的不同而变化。???????的价值取决于无人机与指定区域之间的距离，如3节中详细说明的。如图3所示，??1比??2更靠近无人机群。由于??1中的潜在未授权对象更接近无人机群形成的防御边界，因此它压缩了任务规划和参与的时间。因此，优先监控??1以确保早期识别和后续响应。这种基于距离的评估可以将有限的资源集中在监控紧急性更高的区域。相应地，监控任务的基本奖励是根据????与无人机群之间的平均距离来建模的。平均距离定义为：
ˉ????=∑??????=1???????????，
其中???????表示无人机????与目标????之间的距离。相应的任务奖励为：
???????=1ˉ????。
根据这个定义，较小的ˉ????意味着较大的???????，从而为紧急性更高的区域分配更高的监控优先级。

??????????的公式如下：
??????????=?????????(loc?(????),????),
其中loc?(????)表示无人机????的当前位置，??????????衡量了从????到????的距离。为了简化，采用了曼哈顿度量。

3. 提出的算法
开发了一种基于拍卖的任务分配算法，用于在动态和复杂场景中进行监控和拦截的无人机群。整体分配工作流程如图5所示。未分配的任务根据奖励逐步分配给最优的无人机，然后执行相应的任务。流程在所有任务完成或资源约束阻止任务执行时终止。进一步提出了一个合作拦截策略，以解决无人机选择、终止条件和执行载荷分配问题。详细信息在3.2节中提供。

3.1 基于拍卖的监控和拦截任务分配算法
算法1定义了协调无人机群对动态环境变化响应的迭代决策逻辑。为了保持任务要求和可用资源之间的严格耦合，该算法管理两个主要数据结构：任务列表（Task List）和分配列表（Allocation List）（第4-5行）。任务列表作为一个动态队列，区分持续监控时段和反应性拦截需求，而分配列表作为一个实时状态估计器，跟踪每个活跃单元的电池水平和执行载荷的精确消耗情况。

分配阶段（第6-12行）通过优先级驱动的拍卖机制执行。在每次迭代中，算法对任务列表进行排序，以确保拦截优先于监控，确保新识别的威胁立即获得资源分配。对于每对候选者，计算奖励值??????????以最大化整体运营效用。如果为特定对象注册的载荷需求超过了单个无人机的容量，算法会标记该任务为多无人机合作序列，而不是尝试不足的单个单元分配，这将在后续策略分析中进一步详细说明。算法2：选择用于协同拦截的无人机
1：输入：任务列表、分配列表、无人机群（????）
2：当存在未分配的拦截任务且有可用无人机时，执行以下操作：
3：
对于任务列表中的所有未分配拦截任务??，执行以下操作：
4：
计算????????????? =∑??????????（针对所有被分配到任务j的无人机i）
5：
计算??????????????????? =?????????????/????????
6：
如果??????????????????? ≥???????，则：
7：
将任务j标记为已分配
8：
否则：
9：
计算每个可用无人机i和目标j的奖励?????????????
10：
结束if语句
11：
对于所有未分配的拦截任务，执行步骤3–9
12：
选择最大的?????????????值，以及对应的无人机i和任务j
13：
将无人机i的状态更新为已分配给任务j
14：
如果仍存在未分配的拦截任务且没有可用无人机，则：
15：
将剩余任务j标记为未完成
16：
结束if语句
17：
结束循环

该算法受到[42]的启发，定义了一个与相应启动准则（第6行和第8行）一致的迭代终止标准，但在执行载荷的分配方式上有所不同。在启动时，只有????被分配给拦截任务j，因此总执行载荷为????????????? =???????，而??????????????????? =???????????????。在终止时，?????????????表示被分配给任务j的多个无人机的累计载荷。

**备注3**：与[42]不同，本研究中的目标载荷需求是不确定的，无法在初始监测之前完全确定。因此，需要多少无人机来中和目标是通过（20）中的迭代终止标准来确定的。

3.2.2. 载荷分配阶段
为了在资源受限的情况下提高任务完成率，提出了一种载荷分配策略，如算法3所示。

**算法3：协同拦截未中和目标**
1：输入：任务列表、分配列表、无人机群（????）
2：当存在未完成的拦截任务且有可用无人机时，执行以下操作：
3：
对于任务列表中的所有未完成拦截任务??，执行以下操作：
4：
对于所有被分配到任务j的无人机i，执行以下操作：
5：
更新????????????? =????????????? +???????
6：
无人机i前往目标j
7：
按照???????（升序）对派遣的无人机进行排序
8：
依次中和目标j
9：
更新无人机载荷???????和目标状态????????
10：
结束循环
11：
如果????????????? ≥???????，则：
12：
将任务j标记为已完成
13：
否则：
14：
更新????????并将任务j标记为未分配
15：
将派遣无人机的状态设置为不活跃
16：
将所有分配给该无人机的任务重新标记为未分配
17：
结束if语句
18：
更新无人机群（????）
19：
结束循环

在未完成拦截任务的情况下（第2行），计算派遣无人机的总载荷（第3–5行），然后每个无人机前往目标j。在拦截任务未能完成的情况下（第2行），计算派遣无人机的累计载荷（第3–5行），然后每个无人机前往指定区域j。到达目标后，电池电量最低的无人机首先执行拦截任务，这样载荷消耗可能最低（第7–8行）。通过优先使用电池电量较低的无人机执行任务，该策略为后续任务保留了更多资源（电池电量较高的无人机），从而提高了整体任务完成率。

在目标被中和后，更新派遣无人机的载荷和目标j的状态（第9行）。如果派遣无人机的累计载荷满足或超过目标j的需求，则拦截成功，任务j在任务列表中的状态被更新为已完成（第11–12行）。否则，拦截失败，所有派遣无人机由于资源耗尽或系统故障被标记为不活跃（第14–16行）。在拦截失败的情况下，更新目标j的载荷需求和任务j在任务列表中的状态（第15–17行）。拦截过程完成后，更新分配列表中的无人机群（????）（第18行）。

**备注4**：尽管现有的关于无人机群的研究经常忽略动态资源限制和明确的载荷管理[27,29,30]，但所提出的策略将载荷需求估计误差整合到操作逻辑中，以提高任务可靠性。其根本贡献在于提供了明确的操作边界，包括多无人机联合行动的严格启动和终止准则。此外，通过优化功能资源消耗与能量耐力的关系，该策略实现了从单机响应到协同模式的确定性转换。这解决了目标需求的固有不确定性，从而在性能上优于无法考虑任务需求演变的传统方法[27,28,29,30]。

**4. 模拟结果与性能分析**
模拟实验在装有Intel Core i5-12400F CPU和16 GB RAM的PC上使用MATLAB R2024a进行。定义了一个三维经度-纬度-高度空间来模拟空域，经度和纬度范围为[92°,36°]至[92.35°,36.3°]。地形数据来自Google Maps。模拟框架旨在系统地评估DTACS在多个维度上的有效性和鲁棒性。首先，通过观察同一模拟场景下不同实验迭代的平均性能指标来验证统计鲁棒性。然后通过将无人机数量从5增加到20，并扩大监测区域数量来分析系统的可扩展性和操作边界，以观察性能参数在复杂性增加时的变化。此外，还对基本奖励函数、协调阈值和协同机制进行了消融研究，并通过分析不同电池耐力限制下的性能敏感性来深入研究内部机制对决策结果的影响。最后，将所提出的算法与三种代表性方法进行基准测试，以展示其在旅行成本、存活率和完成率方面的性能。

模拟场景分为四个不同的规模：分别包含5架、10架和20架无人机。针对每种模拟类型的具体参数配置和场景设置在其相应的小节中详细说明。在5架和10架无人机的规模内进行了鲁棒性分析和比较性能评估，以确保可靠性和基准测试的一致性。在5架无人机的场景中特别进行了敏感性分析。为了全面评估系统的操作边界，可扩展性分析涵盖了所有四个模拟规模。作为主要场景，5架和10架无人机的模拟情况在图7中表示。图7显示了两个规模的示例：(a) 5架无人机；(b) 10架无人机。为了验证结果的鲁棒性，每次运行时都会随机化任务环境，使用具有严格不重叠约束的二维离散均匀分布生成监测区域。在这些区域内，本研究采用了一种确定性发现机制，即无人机到达其定位位置后立即确定任务目标。通过随机生成的任务目标以及在[0,100]范围内分配的异构载荷需求，进一步增强了动态复杂性。这些随机设置与任务的实时出现相结合，评估了算法在不可预测和资源受限场景中的适应性。为了保持公平评估，核心算法参数在所有模拟中保持一致，如表2所详细说明。这些值是根据一般任务要求分配的，确保了比较结果的客观性和通用性。

**表2. DTACS的固定参数**。使用四个关键指标来评估DTACS的性能：旅行成本是无人机群的总飞行距离，完成率和存活率分别代表任务结束时的已完成任务比例和活跃无人机比例。计算时间用于可扩展性分析，表示单个任务分配周期的平均持续时间。值得注意的是，作为主要指标，提高的存活率保持了无人机群的运营能力，从而有效提升了其他性能指标。

**4.1. 鲁棒性分析**
在鲁棒性分析期间，不同实验的性能指标进行了平均。表3详细说明了无人机的初始位置和异构载荷容量。为了验证DTACS在不同响应条件下的表现，每架无人机被分配了一个唯一的载荷容量（1到100之间的整数），以实现协同拦截和潜在的资源消耗。在20个监测区域内，随机分布了10个未经授权的目标。为了确保鲁棒性，每次实验迭代的监测区域和目标的坐标以及目标的载荷需求都是随机生成的。图8显示了在5架无人机配置下，10到100次实验迭代中的性能指标。如图8a所示，每架无人机的平均行驶成本稳定在约250公里。轻微波动归因于随机生成的监测区域坐标和协同拦截所需的额外机动。根据图8b和c，DTACS保持了一致的平均无人机活跃率97%和90%的任务完成率，不受迭代次数的影响。剩余未完成的任务主要归因于策略的风险保护逻辑：载荷不足的无人机选择暂停拦截任务，从而优先考虑生存能力而不是无法实现的目标。

**4.2. 可扩展性分析**
在本节中，我们评估了DTACS框架在五个到二十架无人机不同规模下的可扩展性。分析重点关注旅行成本、存活率、完成率和计算时间。为了在无人机群增长时保持一致的运营挑战，相应地调整了监测区域和目标密度，具体配置总结在表4中。表4提供了不同无人机规模的模拟结果。图10展示了不同无人机规模的模拟结果，全面评估了DTACS框架的可扩展性。在图10a中，随着无人机数量从5架增加到20架，总旅行成本呈现近似线性增长。这一趋势与实验设置一致，其中监测区域和任务量与无人机群规模成比例扩展。结果表明，算法在更大规模下保持了稳定的路径规划效率，没有出现指数级距离膨胀。值得注意的是，在图10b中，存活率保持非常稳定，波动范围在0.9以上。这证明了所提出的情境感知机制的鲁棒性，即使在对抗环境复杂度增加的情况下也能有效保持无人机群的运营完整性。虽然图10c中的完成率随着规模增加而逐渐下降，但仍处于可接受的性能范围内。这种下降主要归因于协调开销的增加和任务冲突概率的提高。然而，相对平缓的下降趋势表明DTACS成功减轻了规模对整体任务成功的影响。如图10d所示，平均决策延迟随无人机群规模增加而增加，但仍保持在毫秒级别。这种低延迟证实了DTACS适用于实时任务分配。然而，我们认识到随着群体规模的进一步扩大，对单一协调节点的依赖可能会引入关于通信可靠性和单点故障的潜在风险。DTACS算法的轻量级和平台独立性特性为未来集成动态冗余提供了基础能力，以减轻这些风险。这一实验证据为向分层架构过渡提供了基准，在该架构中，核心DTACS逻辑可以被适配到自主子集群中，以平衡协调收益与大规模分布式操作所需的强大容错能力。

4.3. 敏感性分析
在这一部分，我们分析了任务分配性能对关键参数和约束的敏感性。 simulations按顺序分为四类：基本奖励参数（??????? 和 ??????????）、阈值参数（???????）、协调机制以及电池容量限制。所有实验都在包含20个监控区域的五架无人机（UAV）场景下进行，以确保比较的一致性基准。

4.3.1. 基本奖励的敏感性分析
基本奖励参数（??????? 和 ??????????）对任务分配性能的影响如图11所示。我们比较了提出的自适应奖励定义与固定奖励配置在对象数量增加时的三个关键指标。如图11a所示，自适应奖励机制一致地保持了更低的总飞行距离。通过根据任务紧急性和空间分布动态调整??????? 和 ??????????，该框架激励无人机选择更具地理效率的路径，有效减少了与冗余机动相关的能源消耗。图11b展示了这对群体安全性的影响。尽管随着环境变得更加拥挤，两种方法的生存率都会下降，但自适应奖励定义表现出更强的抗资产损失能力。特别是在高密度场景中，红色曲线显著高于蓝色曲线，证明了自适应奖励在任务吸引力和风险避免之间取得了更好的平衡。图11c展示了任务成功率。在低密度场景中，两种奖励设置都几乎实现了100%的完成任务率。然而，随着对象数量的增加，自适应机制显示出维持更高完成任务率的能力。这表明所提出的??????? 和 ?????????? 定义使群体能够更有效地管理有限资源，确保在压力下有更高比例的任务能够完成。

4.3.2. 阈值的敏感性分析
通过比较在由（18）确定的??????? 下的性能与在固定???????=1 下的性能，分析了DTACS对??????? 的敏感性。评估了这两个阈值对无人机群体穿越成本、任务完成率和生存率的影响。实验结果如图12所示。如图12a所示，随着对象数量的增加，在由（18）确定的??????? 下的穿越成本低于???????=1 的情况。虽然???????=1 采用了一种总是允许任务执行的贪婪策略，但自适应的??????? 在有效载荷风险超过安全范围时强制无人机中止拦截。这防止了向高风险目标的不必要穿越，从而在拥挤的场景中节省了成本。图12b,c显示自适应的??????? 保持了更高的生存率，而完成任务率最终超过了???????=1 的基准。在???????=1 下的无人机会追逐估计不足的目标，导致致命的资源耗尽或资产损失。尽管???????=1 在早期阶段看起来具有竞争力，但其较高的损耗率逐渐耗尽了群体的运营能力。相比之下，自适应的??????? 通过风险意识修剪保留了更多的功能性代理，从而在后期确保了足够的资源可用于后续任务，从而提高了完成任务率。这一分析表明，从（18）得出的??????? 定义有效提高了无人机的生存率。

4.3.3. 协作机制的敏感性分析
本节评估了所提出的协作任务分配和资源分配策略的敏感性。我们将DTACS框架与一个非协作基准进行了比较，在非协作基准中，无人机独立执行拦截而不进行代理间协调。如图13a所示，由于该机制经常协调多架无人机拦截相同的高价值或高风险目标以确保任务可靠性，因此协作策略导致了更高的飞行成本。然而，这种集体投资显著提高了生存率（如图13b所示），而在对象数量增加时，非协作基准遭受了急剧的损耗，而协作策略通过防止冗余风险暴露和解决任务冲突保持了稳定的0.9以上的利润率。图13c证明，在高密度场景中，这种协调的资源分配导致了更高的完成任务率，证明了增加的飞行距离是最大化群体整体韧性和任务成功所必需的权衡。

4.3.4. 电池容量的敏感性分析
本节通过比较三种初始功率水平（100%、70%和40%）来研究电池限制对任务性能的影响。如图14所示，电池容量是影响无人机群体耐力和决策逻辑的关键因素。如图14所示，电池容量限制显著决定了群体的运营范围。在图14a中，40%容量下的较低飞行成本反映了由于能量限制，无人机无法追求远距离目标，从而导致任务范围的被迫缩减。这一瓶颈直接影响了生存率（如图14b所示），40%的情景由于在危险区域缺乏能量进行能量密集型规避机动而急剧下降。因此，如图14c所示，当对象数量超过6个时，完成任务率急剧下降，证实了电池容量不足严重限制了战术灵活性和群体安全处理多个目标的能力。

4.4. 方法比较
所提出的DTACS与三种代表性方法进行了基准测试：基于 harmon y Drone 任务分配（DTA）[56]、基于深度强化学习的多模态多目标进化算法（MMOEA-DL）[57] 和 DTADQN [27]。选择Harmony DTA作为先进拍卖机制的代表，为我们的协调效率提供了一个与经典去中心化市场逻辑相比较的基准。包括MMOEA-DL是因为它代表了混合强化学习的最新进展，提供了与最近在动态环境中的进化多目标优化进行严格比较的依据。在[27]中提出的策略中，特别选择了DTADQN作为主要的强化学习基准，有两个关键原因。首先，其基础任务环境和无人机运营限制与本研究中定义的高密度拦截场景高度一致，确保了公平且有意义的性能比较。其次，虽然[27]提供了其他启发式替代方案，但DTADQN代表了一个更复杂的深度Q网络框架，能够处理高维状态空间，使其成为验证DTACS在复杂动态对抗环境中的效率和自适应决策能力的更严格基准。

在分别包含5架和10架无人机的两个不同场景中评估了这四种方法的性能。无人机的初始配置、监控区域和目标在表3中指定。通过100次实验迭代评估了四种方法的性能，并比较了三个性能指标的平均值。图15展示了涉及5架无人机的场景中的比较性能结果。如图15a所示，DTACS的飞行成本比DTADQN和Harmony DTA更高效。这归功于其中心化的协调，它优化了全局任务与无人机的匹配，消除了基于拍卖或独立RL框架中常见的路径重叠。虽然MMOEA-DL显示了最低的成本，但这源于一种保守的逻辑，它过滤掉了远距离目标，从而降低了总覆盖率。DTACS最显著的优势是它的生存率（如图15b所示），始终保持在0.9以上，而DTADQN和MMOEA-DL降至0.75和0.8。这种差异是由DTACS中的自适应决策阈值驱动的；通过动态修剪超出群体当前有效载荷能力的高风险任务，该机制防止了无人机进行致命的拦截——这是纯粹的RL和拍卖方法所缺乏的风险意识保障。因此，随着场景变得更加密集，DTACS保持了更高的完成任务率（如图15c所示），而DTADQN在后期崩溃了。这种韧性是先前生存优势的直接结果：通过在早期阶段通过战略性修剪保留了更多功能性无人机，DTACS保留了足够的集体资源来处理后续目标。相比之下，其他方法的高损耗率耗尽了可用劳动力，证明了DTACS在资产保护和长期任务成功之间实现了更稳健的平衡。

5. 结论
本文提出了DTACS，这是一种基于拍卖的任务分配算法，旨在最大化资源受限无人机群体在动态和复杂场景中的生存率和任务完成率。通过定义任务优先级参数，优先拦截紧急性更高的对象，从而提高了无人机的生存率。同时，提出了一种协作拦截策略来提高任务成功率。此外，采用了一种基于能量的有效载荷分配策略进行协作性中和，进一步提高了任务完成率。最后，数值模拟结果证明了DTACS在不同规模场景中的强大鲁棒性。与其他方法相比，DTACS能够将无人机的生存率提高多达27%，有效减少了损耗，并在动态和复杂的环境中提升了任务执行的可持续性。然而，DTACS的集中式结构仍然需要较高的计算资源，其性能可能会受到通信干扰或决策节点故障的影响。此外，在高度动态的环境中，通信延迟对整个无人机群体任务状态同步性的影响仍然是一个关键因素。因此，将DTACS与分布式框架集成起来，以减轻网络延迟的影响并提高协调可靠性，是未来研究的一个有前景的方向。一个重要的挑战在于在降低通信成本和延迟的同时实现最优的任务分配。另外，解决分布式框架中无人机之间的通信干扰问题也是一个关键问题。