《Journal of Cyber Security and Mobility》：Research on Multi-Objective Intelligent Unmanned Operation Scheduling Method Based on Two-Layer PSO
编辑推荐：
本论文研究了智能无人作业的多目标调度问题，分析了作业工作流中各环节间的相互依赖约束。为应对无人作业场景中固有的作业排序与资源分配的耦合挑战，提出了一种基于双层粒子群优化（PSO）框架的集成调度模型。采用混合整数规划公式严格刻画调度过程中的结构约束与逻辑依赖关系
本论文研究了智能无人作业的多目标调度问题，分析了作业工作流中各环节间的相互依赖约束。为应对无人作业场景中固有的作业排序与资源分配的耦合挑战，提出了一种基于双层粒子群优化（PSO）框架的集成调度模型。采用混合整数规划公式严格刻画调度过程中的结构约束与逻辑依赖关系。在此基础上，引入一种增强型双层粒子群优化（PSO）算法，采用基于片段粒子的编码方式以扩展可行搜索空间。此外，研究人员结合动态惯性权重调整机制和自适应变异算子，以增强算法的全局探索能力并加速收敛。仿真实验验证了所提模型和算法在复杂作业约束下能有效优化无人作业调度，显著提升系统级保障性能。结果表明，该方法为高度约束无人作业环境下的多目标智能调度任务提供了稳健高效的解决方案。
论文解读文章
**研究背景与问题**
当前复杂作业场景中，多目标智能无人作业调度是突破人力需求瓶颈、优化资源调度并提升保障效率的必然趋势。传统有人指挥保障模式下，调度需兼顾方案可理解性、协作便利性和操作规律性，难以实现最优调度；而智能无人模式下，通过优化调度算法可最大化优化作业时序与资源分配，无需考虑人员因素约束。现有研究多针对单一工序或特定调度场景进行优化，缺乏对作业流程的整体考量，难以适应多工序综合调度需求；同时，许多研究未充分考虑甲板布局复杂度与作业约束间的交互影响，导致在复杂场景下适用性与鲁棒性不足。此外，现有优化算法在一定程度上能解决复杂保障场景下的作业调度问题，但在快速响应动态变化和处理多作业资源冲突方面仍存在明显缺陷，限制了其实际应用。为此，研究人员开展本研究，旨在构建集成调度模型并设计高效算法，以解决多目标、多约束条件下的智能无人作业调度问题。
**研究内容与结论**
研究人员针对目标作业，依据各作业阶段间的约束关系构建了集成的进场回收与保障调度模型；针对传统粒子群优化（PSO）算法在目标保障调度问题中解空间多样性不足的问题，提出基于粒子片段编码的改进PSO（IPSO）算法，采用双层片段编码结构扩展可行解域，并融合动态惯性权重调整和自适应变异算子，显著提升了全局搜索能力和收敛效率；最后基于某国外舰船甲板布局开展保障调度案例研究，验证了所提模型和算法在复杂约束下的有效性与鲁棒性。该研究为多任务、多目标调度场景提供了一种高效优化方法，论文发表在《Journal of Cyber Security and Mobility》。
**主要技术方法**
- **混合整数规划模型**：严格刻画调度过程中的结构约束与逻辑依赖关系，包括目标进场间隔时间约束、进场后转运准备时间约束、进场失败重飞调整约束、作业顺序约束、调度周期内最多选择一个目标约束，以及保障位分配约束、转运并发约束、优先级约束等。
- **双层片段编码结构**：将每个粒子分为两层——第一层为目标进场顺序（整数编码），第二层为保障位分配（整数编码），以扩展可行解空间，避免传统单层编码导致解空间过于局限。
- **动态惯性权重调整机制**：根据迭代进程、任务优先级和模型差异动态调整惯性权重ω，以平衡全局探索与局部开发能力。
- **自适应变异算子**：在迭代早期设置较低变异率以保留优秀解，后期提高变异率避免过早收敛；当解迭代次数达到阈值且适应度无明显改善时触发重新变异，增强跳出局部最优的能力。
**研究结果**
**4.1 仿真环境**
研究人员基于Unity3D构建可视化虚拟仿真平台，模拟智能无人集群保障作业过程，用于深入探讨和优化目标起飞作业流程。
**4.2 案例研究**
采用典型多目标场景测试调度算法。实验唯一变量为需要调度规划的目标数量，设置小规模（≤20目标、以15目标为例）、中规模（20–30目标、以25目标为例）、大规模（≥30目标、以35目标为例）三组实验。调度结果通过甘特图可视化。第一组实验（15目标）：调度算法合理安排了目标进场与转运顺序，并优化了各目标作业时间。甘特图显示第12个目标出现进场失败（重飞），导致后续三个目标产生等待间隔。第二组实验（25目标）：中等规模连续作业任务场景。第三组实验（35目标）：大规模连续作业任务场景，验证了重飞处理策略的有效性——系统自动触发重飞，目标重新加入队列并延迟后续目标顺序，确保调度连续性与稳定性。通过甘特图可清晰观察35个目标的完整作业流程。
**实验对比**
在三种代表性规模（15、25、35目标）下，改进PSO算法在调度效率、稳定性和资源利用率方面均优于传统遗传算法（GA）、人工蜂群算法（ABC）和灰狼优化算法（GWO）。小规模问题中，改进PSO与GA求解结果相近，调度时间和算法运行时间无明显差异；大规模多目标任务调度中，改进PSO优势显著，尤其在算法运行时间上大幅减少，得益于其全局搜索能力和更新策略，能在更短时间内完成更多迭代，更快收敛至更优解，提升整体计算效率。
**讨论与结论**
研究人员针对智能无人多目标保障作业调度中易被忽略的转运约束问题，建立了多目标集群保障调度模型，以最小化所有目标保障完成时间的最大值为优化目标，引入目标转运时间约束，并通过作业机器空闲机制增强调度过程的抗扰动能力。实例仿真验证了所提算法在回收与保障调度问题中的高效性，能够适应不同规模场景的求解需求。
**研究结论**：本文针对智能无人多目标保障作业调度中易被忽略的转运约束问题，建立了多目标集群保障调度模型，以最小化所有目标保障完成时间的最大值为优化目标，引入目标转运时间约束，并通过作业机器空闲机制增强调度过程的抗扰动能力。实例仿真验证了所提算法在回收与保障调度问题中的高效性，能够适应不同规模场景的求解需求。然而，仍存在进一步优化空间：（1）资源分配优化：结合舰面目标任务需求，研究动态资源分配策略，通过资源分配优化进一步提升作业效率；（2）动态调度适应性：针对不同任务类型和模型间的差异，探索惯性权重动态调整机制以应对多样化的调度挑战。
