中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
指挥控制与仿真

指挥控制与仿真 >

2026 , Vol. 48 >Issue 2: 30 - 37

DOI: https://doi.org/10.3969/j.issn.1673-3819.2026.02.004

指挥控制

面向无人机集群任务分配的DPSO-GA混合优化算法

  • 沈延安 ,
  • 孙昊 ,
  • 王耀
展开
  • 陆军兵种大学, 安徽 合肥 230031

沈延安(1978—),男,博士,教授,研究方向为无人系统工程。

孙 昊(1991—),男,硕士研究生,工程师。

Office editor: 许韦韦

收稿日期: 2025-12-10

  修回日期: 2025-12-15

  网络出版日期: 2026-03-25

收起

A hybrid DPSO-GA optimization algorithm for task allocation in UAV swarms

  • SHEN Yanan ,
  • SUN Hao ,
  • WANG Yao
Expand
  • Army Arms University of PLA, Hefei 230031, China

Received date: 2025-12-10

  Revised date: 2025-12-15

  Online published: 2026-03-25

Fold

摘要

针对无人机集群任务分配优化问题,提出一种改进的DPSO-GA混合优化算法,构建时序约束下的无人机集群任务分配复杂映射关系,采用自适应余弦调整惯性权重与学习因子,引入交叉和变异操作,提升算法全局搜索能力与极值收敛速度、精度。经与DPSO、GA算法对比仿真,数据表明该算法平均适应度值较DPSO与GA算法分别下降50.0%、10.7%,方差较DPSO与GA算法分别降低95.7%、79.9%,置信区间宽度仅为DPSO的20.7%、GA的44.8%,证明该算法在收敛性、稳定性、可靠性方面显著优于对比算法,对求解无人机集群多目标任务分配问题具有一定参考价值。

关键词： 无人机集群; 任务分配; 时序约束; 离散粒子群; 遗传算法

本文引用格式

沈延安 , 孙昊 , 王耀 . 面向无人机集群任务分配的DPSO-GA混合优化算法[J]. 指挥控制与仿真, 2026 , 48(2) : 30 -37 . DOI: 10.3969/j.issn.1673-3819.2026.02.004

Abstract

To address the optimization problem of task allocation for drone swarms, an improved hybrid DPSO-GA optimization algorithm is proposed. This approach constructs a complex mapping relationship for drone swarm task allocation under temporal constraints. It employs adaptive cosine adjustment for inertia weights and learning rates, while incorporating crossover and mutation operations to enhance the algorithm's global search capability, convergence speed, and accuracy toward extremes. Simulation comparisons with DPSO and GA algorithms reveal that the proposed algorithm achieves an average fitness value reduction of 50.0% and 10.7% compared to DPSO and GA respectively, with variance reductions of 95.7% and 79.9% compared to DPSO and GA respectively. The confidence interval widths were only 20.7% and 44.8% of those for DPSO and GA, demonstrating the algorithm's significant superiority in convergence, stability, and reliability over the comparison algorithms. This makes it a valuable reference for solving multi-objective task allocation problems in UAV swarms.

Key words： UAV swarms; task allocation; temporal constraints; discrete particle swarm; genetic algorithm

纳卡冲突到俄乌冲突的作战实践表明,无人机已由战争配角转变为不可或缺的作战装备。其任务类型从单一、预设发展为复杂动态任务,作战方式也由单机察打向多机协同快速演进。面对多样目标、差异化需求以及时序约束的工作任务,传统人工任务分配难以满足集群作战需要[1]。因此,研究能够满足时序约束、合理分配目标与任务、科学规划无人机航迹的集群任务分配方法,成为推动无人机集群作战体系向智能化升级的关键,兼具重要的理论与现实意义。
无人机集群任务分配作为NP-hard难题,核心挑战在于环境、任务与平台的高度不确定性,以及任务分配与路径规划的紧密耦合[2-4]。针对这个问题,专家学者提出不少解决方案。文献[1]提出基于强化学习的节点重扩展机制的跳点搜索法,通过构建“顶层冲突消解-底层航迹规划”的双层规划架构,增大规划可行域与冲突消减能力[5];文献[2]提出耦合Dubins航迹规划的改进蚁群算法,实现多约束强不确定动态任务规划问题的在线求解[6];文献[3]将灰狼合作捕食行为机制映射至无人机集群动态任务分配中,提升了无人机集群动态任务分配的资源均衡度与有效性[7];文献[4]提出一种基于合作竞争机制的动态资源分配方法,通过设计针对特殊个体的调控规则,提升集群任务分配的有效性与可行性[8];文献[5]提出一种融合蛙跳、动态A*和强化学习的组合算法,提升了无人机集群任务规划的有效性[9]。
通过上述文献可以看出,现有无人机集群任务分配中,无人机与目标映射关系最终分解到“单无人机对单目标上”,对于执行侦察、打击复合任务的无人机集群,以及其面对多目标、多任务而衍生出的“单对多”“多机协同打击”的情况,目前研究涉及较少。
为此,本文紧贴实际,首先构建“目标分类-性能约束-时序联动”的无人机集群任务分配模型,而后提出一种基于DPSO-GA的改进混合优化算法,最后通过与DPSO、GA算法的对比仿真,验证所提算法在全局探索能力与极值收敛速度、精度上的优越性。

1 察打一体无人机集群任务分配建模

1.1 问题描述

任务区现有N架无人机(U={U1,U2,U3,…,Ui,…,UN}),对M个目标(T={T1,T2,T3,…,Tj,…,TM})实施侦察与打击行动,各无人机载荷携带情况用载荷资源向量Ri=< R i z c, R i d j>表示, R i z c与 R i d j分别表示无人机Ui携带的侦察与打击载荷数。目标按作战重要程度可分为核心、重点、重要和一般四类,各目标任务需求用向量Tj=< R j z c, R j d j>来表示, R j z c与 R j d j分别表示目标Tj需执行侦察与打击任务的次数。基于无人机集群典型任务流程,本文设定目标兼具察打任务需求时,侦察任务必须先于打击任务执行。基于当前无人机平台间高效的信息共享机制,为最大限度缩短从目标侦获到实施打击的时间间隔,同一目标的侦察与打击任务可由不同平台分别承担,仅需遵循“先侦察、后打击”的时序约束。执行打击任务的无人机兼顾确认打击效果。指挥中心根据目标任务情况,智能调度无人机集群侦察与打击资源,制定最优任务分配方案。

1.2 目标函数

任务完成的时效性是衡量任务分配结果优劣的直接判断依据,集群能在尽可能短的时间内完成任务就是我们想要的理想结果。因此,本文将最小化集群内完成任务用时最长无人机的任务时长作为目标函数。本文设置目标函数F如下:
min F=F1+λ ∑ g = 1 4rg
F1= D u i/Vu+α1δ1+α2δ2
式中,F1为航时代价函数,λ为惩罚系数,rg分别为时序、任务完成、航程与载荷4个约束条件,若满足约束,则rg=0;否则rg=1。 D u i为无人机航程,Vu为无人机的飞行速度,α1、α2分别为无人机执行侦察与打击任务的次数,单次侦察与打击任务时长分别为δ1、δ2。

1.3 约束条件

1.3.1 时序约束

本文设定目标有察打需求时,侦察任务必须早于打击任务,但多次打击任务前后没有时序要求,满足如下约束:
t T j z c< t T j d j
t T j z c= x i j z c( D i 1 → j/Vu+ ∑ i = 1 N ∑ 1 j t M z c+ ∑ i = 1 N ∑ 1 j t M d j)
t T j z c= x i j d j( D i 1 → j/Vu+ ∑ i = 1 N ∑ 1 j t M z c+ ∑ i = 1 N ∑ 1 j t M d j)
式中, t T j z c、 t T j d j分别表示目标Tj的侦察任务与打击任务执行时刻, x i j z c、 x i j d j分别为侦察任务与打击任务变量,值为1即表示无人机Ui执行目标Tj的相应侦察或打击任务, t M z c、 t M d j分别表示无人机Ui在执行对目标Tj的相应侦察或打击任务前,需执行的侦察与打击任务时长, D i 1 → j为无人机Ui执行对目标Tj任务时的飞行路径长度。

1.3.2 任务完成约束

1)侦察任务约束
∑ i = 1 N ∑ j = 1 M x i j z c=Mzc
式中,Mzc表示所有目标的侦察任务数。
2)打击任务约束
本文考虑不同目标毁伤要求不同,计核心、重点、重要、一般目标的毁伤程度为Hi(i=1,2,3,4),假设四类目标的毁伤程度分别为0.9、0.8、0.6、0.4,无人机单次打击毁伤效能指数为α,各类目标的最低打击次数 C t i需满足如下约束:
1-(1-α) C t i≥Hi i=1,2,3,4
对于核心目标,可根据1-(1-α)C≥0.9,计算出最低打击次数 C t i。
∑ i = 1 N x i j d j U i j d j≥ C t i
∑ i = 1 N ∑ j = 1 M x i j d j U i j d j=Mdj
式中,Mdj表示所有目标的打击任务总次数。

1.3.3 航程约束

D u i≤Dmax
式中,Dmax为无人机的最大航程。

1.3.4 载荷约束

侦察载荷可重复使用,没有次数约束;打击载荷(空地导弹)为一次性使用,各无人机执行打击任务次数不能超过其打击载荷携带总数,满足约束及载荷代价如下:
∑ i ∑ j = 1 M x i j d j U i j d j≤ R i d j
式中, x i j d j为打击任务变量, x i j d j=1表示无人机Ui执行目标Tj的打击任务,0表示不执行; U i j d j表示无人机Ui对目标Tj执行的打击任务次数,即各无人机打击目标次数不能超过其携带打击载荷数。

2 DPSO-GA混合优化算法

本文总结无人机集群任务规划具有四个突出特点:一是机型相同导致决策对称性强、解空间简并,传统算法易陷入局部最优;二是效能评估转向系统效能与负载均衡,需多目标优化能力;三是任务需实时动态响应无人机数量变化,要求算法扩展性好、收敛快;四是约束条件复杂多样,需具备多约束处理能力。针对上述特点,本文采用DPSO-GA混合优化算法,结合GA的全局探索与DPSO的快速收敛优势,以有效实现多目标、多约束下的高效任务分配。
粒子群算法(PSO)的位置与速度更新公式如下:
v i t + 1=ω v i t+c1r1(Pi(t)- x i t)+c2r2(Pg(t)- x i t)
x i t + 1= x i t+ v i t + 1
式中,i=1,2,…,N,N为粒子种群的数量; x i t、 v i t分别表示粒子i的位置与速度;ω为惯性权重,c1、c2分别为个体与群体的学习因子,r1、r2为0~1的随机数,Pi(t)、Pg(t)分别表示粒子i个体与群体最优位置[10]。

2.1 粒子编码方式

为描述察打一体无人机集群任务分配中复杂映射关系,本文采用一维双层编码的粒子来表示任务分配方案,第一层为任务码,是各目标的侦察与打击任务的合集;第二层为执行码,代表各任务可选无人机的索引号[11]。一个可行的粒子编码如图1所示。
图1 粒子编码示意图

Fig.1 A feasible particle encoding

图中编码表示任务5由4号无人机执行,任务3由2号无人机执行,依此类推。

2.2 粒子更新公式

参照基本粒子群算法速度与位置更新思路,本文提出粒子更新方法如下:
x i t + 1=c2⊗f3 c 1 ⊗ f 2 ω ⊗ f 1 ( x i t ) , P i ( t ) , P g ( t )
其主要由3部分组成:
E i t=ω⊗f1( x i t) E i t= f 1 ( x i t ) 　 　 r < ω x i t 其 他
F i t=c1⊗f2( E i t,Pi(t)) F i t= f 2 ( E i t , P i ( t ) ) 　 r < c 1 E i t 其 他
x i t + 1=c2⊗f3( F i t,Pg(t))= f 3 ( F i t , P g ( t ) ) 　 r < c 2 F i t   其 他
式中,f1、f2、f3分别是变异、学习个体最优、群体最优操作, E i t、 F i t、 x i t + 1分别表示对应操作后的结果,⊗在不同操作算子下表现为不同的运算关系,后面结合具体操作进行说明,ω为变异概率,c1、c2分别为向个体最优和向群体最优学习的概率,r为(0,1)的随机数[12-13]。

2.2.1 变异操作算子

我们取随机数r,若r小于ω,则进行变异操作,再取随机数r,若小于0.5则执行基于任务码的变异操作,否则执行基于执行码的变异操作。
(1)基于任务码的变异
本文采取对任务码进行重新随机排序、执行码保持不变的变异方式。此时,粒子变异程度大,有利于大范围搜索全局,跳出局部极值。
(2)基于执行码的变异
本文采取随机选择并替换执行码中一个位置、任务码保持不变的方式。此时,粒子变异程度小,利于局部精细搜索,快速收敛,其具体操作如图2所示。
图2 变异示意图

Fig.2 Schematic diagram of mutations

2.2.2 学习个体最优操作算子

f2( E i t,Pi(t))采用基于任务序号的交叉变化方法,具体执行步骤如下:
(1)分集,本文将任务码编码集M= M 1 , M 2 , … , M n随机分为2个非零子集Mn1、Mn2,各子集中的元素即为选定的位置,任务码与执行码上下对应,同步选定;
(2)复制,本文将 E i t中属于Mn1的元素直接复制给子代,元素包括选定的任务码与执行码;
(3)交叉,本文将Pi(t)中剔除Mn1元素后的各元素,按现有顺序填入子代中,形成子代,其具体操作如图3所示。
图3 学习个体最优示意图

Fig.3 Schematic diagram of learning individual optimization

2.2.3 学习群体最优操作算子

f3( F i t,Pg(t))采用自适应比例复制的方法,具体执行步骤如下:
(1)复制,算法将粒子的任务码直接复制给子代;
(2)摘取,算法设置一个与任务码长度相等的一维向量T0,向量中各元素的取值范围为(0,1),将T0中的各元素与粒子任务码建立一一对应关系,设置门限概率ρ,比较T0各元素与ρ的大小,将小于ρ的元素挑选出来,并将这些元素对应的执行码复制为子代中相应任务码的执行码;
(3)补全,对于粒子编码的执行码中空缺的部分,本文采取由原粒子对应的执行码补全子代的方式,形成新的子代。假设ρ=0.8时,一个粒子学习群体最优的具体操作如图4所示。
图4 学习群体最优示意图

Fig.4 Schematic diagram of learning community optimization

为使算法兼顾前期全局搜索、后期快速收敛的要求,本文设计门限概率ρ计算公式如下:
ρ=ρmin+(ρmax-ρmin) t T
式中,ρmax与ρmin分别是预先设置的最大、最小门限概率,T为最大迭代次数,t为当前迭代次数。由(25)式可以看出,算法前期迭代次数少,ρ值小,粒子复制群体最优元素数量少,这符合算法前期个体、群体最优粒子值尚不稳定的情况,少量复制利于全局寻优;算法后期,ρ值大,粒子复制群体最优元素数量多,个体、群体最优粒子的值基本处于最优位置,大量复制利于算法快速收敛。

2.2.4 惯性权重改进

为保证算法实现前期全域广泛搜索、后期局部精细探索,本文对惯性权重ω作如下改进:
ω=ωmin+(ωmax-ωmin)×cos2( π 2× t T)
式中,ωmin、ωmax分别为惯性权重的最小、最大值。本文采用非线性余弦函数调整惯性权重,前期ω值较大且下降缓慢,可提高变异概率,增强算法前期全局探索能力,后期ω值快速下降至较小值,算法快速向极值收敛。

2.2.5 学习因子改进

个体、群体学习因子也是影响粒子群算法的关键因素,算法前期需要个体充分探索,后期需要由群体经验指导个体向极值靠拢,因此,前期c1值较大、后期c2较大比较符合算法的要求,这里对c1、c2做如下改进:
c1=c1max-(c1max-c1min)× t T
c2=c2min+(c2max-c2min)× t T
式中,c1max、c1min、c2max、c2min分别表示个体与群体学习因子的最大、最小值。

2.3 适应度值计算

每个粒子代表一个任务分配方案,适应度值计算时,无人机根据编码获取任务集,按目标聚类后,采用贪心策略规划航迹,以集群最长任务完成时间为评估指标,同步检查约束条件,对违规粒子施加惩罚以剔除不可行解,最终输出各分配方案的适应度值。

2.4 算法伪代码

算法伪代码如算法1所示。
算法1 DPSO+DA混合优化算法
Input:U、T、Vu、Dmax、ω、c1、c2、ρ、δ1、δ2、max_iter、pop_size等
Output: gbest_fitness、gbest_position、optimalpath
1)设置算法参数;
2)初始化无人机与目标数据;
3)计算各目标侦察与打击任务需求;
4)任务编码
5)初始化粒子群、个体最优与群体最优
6)迭代优化
7) foriter=1:max_iter do
8) 更新ω、c1、c2;
9) for每个粒子i do
10) 计算适应度值;
11) 更新个体最优与全局最优适应度值;
12) end for
13) fori = 1: pop_size
14) if r<w then
15) 根据公式(21)执行变异操作
16) if r<0.5 then
17) 执行基于任务码的变异
18) else
19) 执行基于执行码的变异
20) end if
21) end if
22) if r<c1 then
23) 根据公式(22)执行向个体最优学习
24) end if
25) if r<c2 then
26) 根据公式(23)执行向群体最优学习
27) end if
28) 检查粒子任务数约束并修复粒子;
29) end for
30) end for
31)输出结果

3 实验仿真及结果分析

3.1 仿真环境及算法参数

现有8架察打一体无人机在300 km×300 km、高度3 000 m—8 000 m空间执行任务,无人机初始位置随机分布,区域内随机分布地面目标12个,其中核心、重点、重要及一般目标数量分别为2、3、3、4个,各无人机位置与载荷携带情况、目标位置及任务需求见表1、表2,各无人机与目标分布初始态势如图5所示。
表1 目标位置及任务需求表

Tab.1 Table of target locations and mission requirements

序号 X坐标/km Y坐标/km Z坐标/km 目标
类型		 侦察
需求		 打击
需求
1 156.832 390 746 686 267.236 057 518 687 0 核心 1 2
2 89.688 803 651 892 2 207.246 021 562 648 0 核心 1 2
3 21.541 501 805 346 8 76.122 097 258 7159 0 重点 1 2
4 202.553 068 796 595 50.926 651 695 380 9 0 重点 1 2
5 97.957 375 599 587 1 169.321 373 613 441 0 重点 1 2
6 240.126 503 425 964 237.948 177 621 317 0 重要 1 1
7 116.254 109 859 156 256.531 154 133 903 0 重要 1 1
8 227.128 325 428 527 147.029 161 731 079 0 重要 1 1
9 22.427 082 547 847 7 244.489 597 959 889 0 一般 0 1
10 74.650 636 644 224 7 175.595 332 948 163 0 一般 1 0
11 220.093 866 799 419 139.667 238 320 071 0 一般 1 0
12 278.147 710 957 500 167.319 958 412 914 0 一般 0 1
表2 无人机位置及载荷携带情况表

Tab. 2 Table of drone locations and loads carried

序号 X坐标/km Y坐标/km Z坐标/km 侦察
载荷数		 打击
载荷数
1 167.963 370 215 056 62.260 427 530 605 8 5.564 930 629 940 79 1 4
2 184.636 551 843 068 168.749 415 149 081 7.337 697 830 218 77 1 3
3 233.361 750 697 526 114.135 231 578 185 3.013 075 047 057 89 1 2
4 285.467 319 547 927 60.962 358 529 189 2 6.447 216 702 834 50 1 1
5 34.108 205 106 362 2 235.782 499 280 105 6.039 246 894 949 02 1 0
6 227.741 797 860 154 179.526 003 850 500 3.337 039 815 137 08 1 2
7 205.377 238 190 059 41.402 397 613 009 8 6.409 709 550 817 36 1 2
8 47.088 035 850 155 9 164.481 441 698 816 5.456 837 288 573 30 1 4
图5 无人机与目标三维分布图

Fig.5 UAV and target 3D distribution map

假设无人机单次打击效能指数为0.75,δ1为5 min,δ2为3 min。
算法参数设置如下:种群数200,迭代次数1 000,惯性权重ωmin=0.3,ωmax=0.95,学习因子c1max=0.9,c1min=0.3,c2max=0.9,c2min=0.3,ρmax=0.9,ρmin=0.1。初步估算航时代价,其值集中于10以下,用惩罚值剔除不可行解,设置λ=1 000。
本文仿真采用Matlab2024b软件,运行环境为Intel(R)Core(TM)i9-10900K CPU@3.70 GHz,64G内存,Windows 10,64位操作系统的商用PC机。

3.2 仿真结果与分析

本文连续进行50次仿真,得到如图6所示最优适应度值变化曲线,以及最佳适应度值对应的任务分配方案,如表3所示,规划形成的无人机三维航线图如图7所示。
图6 最优适应度值变化曲线图

Fig. 6 Optimal fitness value change curve diagram

表3 最优适应度值任务分配表

Tab. 3 Distribution of tasks for optimal fitness values

无人机
序号		 目标 任务 总时间/
h		 航程/
km
无人机1 目标9 打击 1.35 233.21
无人机2 目标1 侦察+打击+打击 1.04 144.31
目标7 打击
无人机3 目标3 侦察+打击+打击 1.38 215.20
无人机4 目标4 侦察 1.23 182.71
目标8 侦察+打击
目标2 侦察
无人机5 目标10 侦察 1.30 188.52
目标7 侦察
目标11 侦察
无人机6 目标12 打击 1.30 185.10
目标6 侦察+打击
无人机7 目标5 侦察 1.33 205.86
目标2 打击+打击
无人机8 目标5 打击+打击 1.36 209.08
目标4 打击+打击
图7 无人机三维航线图

Fig.7 UAV 3D route map

分析仿真结果我们可以发现:
(1)8架无人机中6架执行2个以上任务,12个目标中4个由多机协同完成,证明粒子编码方式能描述察打一体无人机集群多机协同侦察打击的复杂映射关系。
(2)规划结果航程、任务完成与载荷约束均满足,兼有侦察与打击任务的目标,侦察任务都先于打击任务完成,时序刚性约束满足。
(3)分配方案中没有出现无人机无任务情况,任务分配均衡,实现整体作战时长最短的目标。
为进一步验证算法的可信度与可靠度,本文再次将算法分别与DPSO、GA算法进行了仿真对比,得到如图8、图9所示的三种算法的适应度值分布图与收敛曲线,并对三个算法的仿真数据进行分析,按照平均值、最大/小值、方差、变异系数、标准差、置信区间7个方面进行对比,从算法收敛性、稳定性、可靠性三个维度来进行对比,形成如表4所示的三种算法数据分析表。
图8 三种算法适应度值分布图

Fig. 8 Distribution of fitness values for the three algorithms

图9 各算法适应度值收敛曲线

Fig. 9 Convergence curves of fitness values for each algorithm

表4 三种算法数据分析表

Tab. 4 Data analysis table for the three algorithms

算法 平均值 最大值 最小值 方差 变异系数 标准差
(稳定度)		 置信区间
下限		 置信区间
上限
DPSO+GA 1.399 414 1.533 107 1.222 698 0.006 935 0.059 508 0.083 276 1.375 748 1.423 081
DPSO 2.797 139 3.790 750 2.036 251 0.161 812 0.143 811 0.402 258 2.682 818 2.911 459
GA 1.566 487 2.278 882 1.200 434 0.034 484 0.118 544 0.185 697 1.513 713 1.619 262
根据对比结果可以看出,DPSO+GA算法在各项性能指标上均显著优于对比算法。一是收敛精度高,其平均值较DPSO降低50.0%、较GA降低 10.7%,整体解的质量更优;二是稳定性好,DPSO+GA的方差较DPSO、GA分别降低95.7%、79.9%,标准差降幅达79.3%、55.2%,结果离散度大幅降低;三是可靠性与一致性高,DPSO+GA的置信区间宽度仅为DPSO的20.7%、GA的44.8%,估计精度更高。
综上,该算法实现“精度-稳定性”双重优化,既解决DPSO解质低、离散问题,又弥补GA波动缺陷,更适用于察打一体无人机集群任务规划问题。

4 结束语

本文提出的DPSO-GA混合优化算法,能够描述无人机集群任务分配问题的复杂映射关系,满足包括刚性时序约束在内的多种其他约束,为解决无人机集群任务规划问题提供了一种有效的解决方案。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张栋, 李林, 王孟阳, 等. 不确定环境下多无人机察打一体任务规划方法[J]. 北京理工大学学报, 2025, 45(2): 111-125.

ZHANG D, LI L, WANG M Y, et al. Methodology for integrated reconnaissance-strike mission planning of multi-UAV under uncertain environments[J]. Transactions of Beijing Institute of Technology, 2025, 45(2): 111-125.

[2]
王建峰, 贾高伟, 郭正, 等. 多无人机协同任务规划方法研究综述[J]. 系统工程与电子技术, 2024, 46(10): 3 437-3 450.

WANG J F, JIA G W, GUO Z, et al. Review of research on multi-UAV collaborative mission planning method[J]. Systems Engineering and Electronics, 2024, 46(10): 3 437-3 450.

[3]
贾高伟, 王建峰. 无人机集群任务规划方法研究综述[J]. 系统工程与电子技术, 2021, 43(1): 99-111.

DOI

JIA G W, WANG J F. Research review of UAV swarm mission planning method[J]. Systems Engineering and Electronics, 2021, 43(1): 99-111.

DOI

[4]
万良田, 王家帅, 孙璐, 等. 面向复杂环境的集群无人机任务调度方法研究综述[J]. 信息对抗技术, 2024(4): 17-33.

WAN L T, WANG J S, SUN L, et al. A review of task scheduling methods for UAV swarm in complex environments[J]. Information Countermeasure Technology, 2024(4): 17-33.

[5]
WEI T, YONG J H, YUE F Z, et al. Heterogeneous multi UAV mission planning based on ant colony algorithm powered BP neural network[J]. Computational Intelligence and Neuroscience, 2021(1): 4 369 201.

[6]
陈宇恒, 陈进朝, 陈雪聪. 基于改进贪心算法的无人机集群协同任务分配[J]. 航空科学技术, 2022, 33(4): 13-18.

CHEN Y H, CHEN J C, CHEN X C. Cooperative task allocation of UAV cluster based on improved greedy algorithm[J]. Aeronautical Science & Technology, 2022, 33(4): 13-18.

[7]
彭雅兰, 段海滨, 张岱峰, 等. 仿灰狼合作捕食行为的无人机集群动态任务分配[J]. 控制理论与应用, 2021, 38(11): 1 855-1 862.

PENG Y L, DUAN H B, ZHANG D F, et al. Unmanned aerial vehicle swarm dynamic mission planning inspired by cooperative predation of wolf-pack[J]. Control Theory & Applications, 2021, 38(11): 1 855-1 862.

[8]
谷旭平, 唐大全. 基于细菌觅食算法的多异构无人机任务规划[J]. 系统工程与电子技术, 2021, 43(11): 3 312-3 320.

GU X P, TANG D Q. Multi-heterogeneous UAV task planning based on bacterial foraging algorithm[J]. Systems Engineering and Electronics, 2021, 43(11): 3 312-3 320.

[9]
Stodola P, Nohel J, Horák L. Dynamic reconnaissance operations with UAV swarms: adapting to environmental changes[J]. Scientific Reports, 2025, 15(1):15 092.

DOI

[10]
FANG Y, JIE C, YUAN T, et al. Cooperative multiple task assignment of heterogeneous UAVs using a modified genetic algorithm with multi-type-gene chromosome encoding strategy[J]. Journal of Intelligent & Robotic Systems, 2020, 100(2): 615-627.

[11]
屈新怀, 万之栩, 丁必荣, 等. 基于改进粒子群优化算法的柔性车间作业调度研究[J]. 机电工程技术, 2025, 54(10): 17-21, 99.

QU X H, WAN Z X, DING B R, et al. Research on FJSP problem based on improved PSO[J]. Mechanical & Electrical Engineering Technology, 2025, 54(10): 17-21, 99.

[12]
魏宏静, 魏宏钰, 黄彪. 基于改进粒子群的作业车间调度多目标优化方法[J]. 装备制造技术, 2023(8): 14-16.

WEI H J, WEI H Y, HUANG B. Multi-objective optimization method of job shop scheduling based on improved particle swarm optimization[J]. Equipment Manufacturing Technology, 2023(8): 14-16.

[13]
高和, 许健明, 王永芳. 基于专利分析的无人机集群技术发展[J]. 国防科技, 2023, 44(4):40-46.

GAO H, XU J M, WANG Y F. UAV swarm development based on patent analysis[J]. National Defense Technology, 2023, 44(4):40-46.

Options
文章导航

/

〈 〉