中国指挥与控制学会会刊 
无人机(unmanned aerial vehicle, UAV)集群由众多无人机协同构成,能够突破单架无人机的电量、载荷[1]、通信距离等物理约束,完成复杂侦察、协同作业、应急响应等单机难以胜任的任务,在任务时效与覆盖范围上实现双重提升[2-3]。
任务规划作为无人机集群协同运作的核心环节,其本质是在多约束条件下实现任务与集群资源的最优匹配,而负载均衡技术正是这一匹配过程的关键准则。缺乏合理的负载均衡机制,任务规划可能导致部分无人机因过载触发故障、部分无人机资源长期闲置,严重制约集群整体效能的发挥[4]。
当前,无人机集群负载均衡技术研究呈现鲜明的国内外差异化特征。国外以动态自适应与智能化算法为核心突破方向,例如基于强化学习的动态负载迁移技术通过实时感知集群状态调整任务分配,市场机制与拍卖算法通过模拟经济行为实现资源优化,群体智能算法则通过模拟物理交互实现全局负载均衡。但这类方法普遍面临算法复杂度高、计算资源需求大的问题,尤其在大规模集群中实时性不足。国内研究则更聚焦静态规划与分簇协同机制[4],通过将负载均衡作为约束条件或优化目标,结合混合整数线性规划等数学工具实现任务预分配;被动响应式负载调整策略中,分簇结构下的UAV数量调整与任务迁移策略展现了对集群拓扑变化的适应性。
当前研究仍面临共性瓶颈:负载评估层面,现有指标多聚焦任务数量、能耗等单一物理量,忽略通信延迟、决策压力等隐性负载;负载调控层面,动态模型因集中式控制依赖或高复杂度算法导致实时性不足,静态模型与被动响应式负载调整策略则因静态架构局限而缺乏对任务突变的主动适应性。
为梳理无人机集群负载均衡技术研究脉络,明确各类方法的特性、适用场景及核心瓶颈,本文聚焦通用技术展开综述,重点剖析三类核心方法并提出一体化解决路径。区别于特定场景下的具体实现方案,本文重点剖析了嵌入静态规划模型中的负载均衡方法、被动响应式负载调整策略和动态自适应负载均衡关键策略,分析了三类技术的优缺点,剖析当前研究存在的问题与挑战,提出从认知到决策的一体化解决路径。
1 无人机集群负载均衡概述
负载均衡技术主要划分为两类典型架构:静态模型基于系统资源配置及任务特征参数,在服务初始化阶段完成节点间任务分配,其调度策略具有不可变性;动态模型通过实时感知服务节点的运行态势,实时调整任务分配,确保任务分配与系统实时状态紧密相关[7]。
2 关键方法与现状分析
任务规划构成了UAV集群技术的关键部分,其合理性对于集群系统的整体性能和稳定性具有直接影响。姜来浩等[8]研究指出,均衡负载、任务组合分配以及多移动机器人路径规划三者存在着紧密的耦合关系。杜晓凯等[9]提出,任务分配的目标不仅要确保任务总体效益最大化,还应尽可能实现任务分配的均衡性。WANG等[2]通过对比负载均衡和负载不均衡(non-balanced assignment)的分配算法,发现具有较少约束的非均衡分配能够得到比均衡分配更优的解决方案。表1展示了负载均衡与负载不均衡的总成本差异,其中圈标示了最优结果,圈内数字代表负载值。在负载均衡的约束下,分配结果的总负载为5;而在不考虑负载均衡的情况下,总负载为4。
表1 负载均衡和不均衡的总花费对比[2]Tab.1 Comparison of total costs between balanced and unbalanced loading |
| UAV | 任务负载平衡 | 任务负载不平衡 | ||||
|---|---|---|---|---|---|---|
| t1 | t2 | t3 | t1 | t2 | t3 | |
| u1 |  | 4 | 3 |  | 4 | 3 |
| u2 | 3 |  | 2 | 3 |  |  |
| u3 | 1 | 3 |  | 1 | 3 | 3 |
针对这一问题,研究者们提出了一系列方法和技术,根据实现特点将它们分为三类:嵌入静态规划模型的负载均衡方法、动态自适应模型和被动响应式负载调整策略。
2.1 嵌入静态规划模型的负载均衡方法
静态规划模型聚焦UAV集群任务规划的初始阶段,结合UAV性能参数、任务需求特征及环境约束条件预先完成任务分配。为实现任务分配的高效性与合理性,该模型依托规划论框架下的任务分配模型、多目标优化模型与混合整数线性规划模型等多种数学优化工具求解[10]。
负载均衡嵌入根据实现机制的不同,可分为以下两类:一类是将负载均衡作为约束条件写入规划算法,通过约束实现负载均衡,ELGENDY等[11]将联合任务卸载、负载均衡和资源分配表述为一个整数规划问题;另一类则是在多目标规划中将负载均衡作为优化目标之一,通过优化实现负载均衡。
2.1.1 以负载均衡为约束条件的实现方式
为提高UAV集群的利用率,研究者通常将负载均衡作为静态规划模型中的核心约束条件,具体分类如表2。
表2 约束负载的方法分类Tab.2 Classification of methods for constrained loads |
| 评价指标 | 平衡对象 | |
|---|---|---|
| 单架UAV | 分簇UAV | |
| 任务数量 | [12] | [13] |
| 任务数量与无人机数量 | / | [14—15] |
| 能耗与续航能力 | [16] | [17] |
齐崇信等[12]通过任务数量来衡量UAV的负载情况,并将单架UAV接收的任务数量控制在特定的范围内:
Qmin≤Qm≤Qmax
其中,Qmax代表UAV能够接收的最大任务数,取决于UAV的性能、任务类型等因素;Qmin代表UAV能够接收的最小任务数,取决于任务需求等因素。JIAO等[13]提出了一种任务聚类和UAV组成联盟的任务分配方法,通过限制簇内任务数量:
NTci= $\sum _{j=1}^{{N}_{T}}$ [x]i,j≤「 $\frac{{N}_{T}}{{N}_{Tc}}$ ⌉,i=1,2,…,NTc
保证任务簇之间的负载均衡。
$L_{\max }=\left\{\begin{array}{l} L, L \in L^{+} \\ {[L+1], L \in L^{+}} \end{array}\right.$
从而生成满足约束条件的任务分配方案。
更精确的负载评价是通过UAV的续航能力和能耗实现的。史晓田等[16]提出了一个UAV动态能耗模型,通过参数建模计算UAV负载能力,确保UAV都始终遵循一定的负载约束:
(W+m)≤Wmax
其在提高UAV能源效率的同时,使单架UAV的负载不超过最大负载能力。DI[17]等开发了一种聚类算法,以负载均衡的方式将任务区域划分给多个集群,并提出UAV负载约束:
Ef ${t}_{f}^{{\sigma }_{k}\left(i\right)}$ +Eh ${t}_{h}^{{\sigma }_{k}\left(i\right)}$ ≤Emax
其中,Ef和Eh分别表示UAV飞行和悬停的能耗,Emax表示UAV电池容量。
任务规划通过负载约束,确保UAV负载在预设范围内,特别是限制最小负载值,也能促进负载的均衡分配[12],但众多研究并未考虑这一点。负载约束方法的模型简便,但其局限性同样显著:(1)负载评价指标较为单一,难以适应复杂多变的任务环境;(2)满足约束条件并不能保证达到最佳的负载均衡效果,可能存在部分资源闲置或过度使用的情况;(3)静态规划模型缺乏必要的动态调整能力,难以应对任务需求和环境变化所带来的挑战。
2.1.2 以负载均衡为优化目标的实现方式
在多目标规划模型中,负载均衡可作为关键的目标函数之一,旨在优化任务分配的均衡性。根据对均衡的评价方法差异,本文对目标函数进行分类,如图2所示。
Min$\left\{\stackrel{M}{\underset{u=1}{Max}}\left\{\sum _{i=1}^{N+1}\sum _{i=1,j\ne i}^{N+1}{x}_{ij}^{u}·{s}_{ij}^{d}\right\}\right\}$
来实现这一目标。SHEN等[19]通过联合优化用户关联、UAV轨迹和时隙分配来最小化最大未完成用户请求,设定目标函数为
MinMax{U1,…,Uk}
最小化最大负载仅注重优化最大值,难以确保整体效应,我们可以引入统计学的离散程度概念来评价负载的均衡效果。姜来浩等[8]通过平衡移动机器人个体之间的路程长度,最小化完成任务的总时间,提出负载方差最小目标:
MinF(R,T)= ${\sum }_{r\in R}^{}$ D2(ri,Tr)
其中,D(ri,Tr)表示机器人ri完成任务簇Tr需要付出的代价。Gautam等将路径碎片化并转换为负载值,设定整体负载均衡的优化目标函数:
σ=$\sqrt{\frac{1}{N-1}\sum _{i=1}^{N}\left({w}_{c}\right({C}_{i},{s}_{i}{)-\overline{{w}_{c}})}^{2}}$
达到最小。方差和标准差不仅能优化整体负载均衡程度,也能避免负载过大值的出现,优化效果好于最小化最大负载方法。
通过将负载均衡纳入规划目标,我们可以获得更优化的结果,在保证任务效率的同时,也提升了系统的稳定性。然而,这种方法也存在一些不足:(1)规划模型的复杂度上升,求解更加困难;(2)存在静态模型一般性缺陷,难以适应动态的环境和任务需求。
2.2 动态自适应模型的负载均衡方法
静态负载均衡难以适应动态环境,导致效率无法持续最佳,动态自适应的UAV集群负载均衡方法能够实时监测集群状态,并据此动态调整任务分配,从而优化负载均衡,确保每架UAV在其能力范围内高效地执行任务,主要分为三类,如表3所示。
表3 动态自适应方法的分类Tab.3 Classification of dynamic adaptive methods |
| 方法类别 | 主要特点 | UAV负载调整机制 |
|---|---|---|
| 动态负载迁移 | 实时调整任务负载 | 内部资源分配 |
| 市场机制/拍卖算法 | 市场竞争和价格机制 | 供需、价格、竞争 |
| 智能无人机控制 | 学习机制和模拟自然 | 数据驱动与协作 |
2.2.1 动态负载迁移
动态负载迁移的核心理念是依据集群的实时负载状况,动态地调整各UAV的任务负载,确保集群资源得到均衡利用,并优化整体性能。
其次是基于马尔可夫决策过程的任务迁移。OUYANG等[22]通过传统的马尔可夫决策过程建立了未知奖励的马尔可夫决策过程模型,提出了一种基于优势的价值迭代算法,综合考虑迁移距离、UAV的剩余能量状态和负载状态以实现集群的负载均衡。
然后是基于网络优化的部署与流量卸载。LAI等[4]提出了一种三维自适应且公平的部署方法,通过联合优化UAV基站的飞行高度和发射功率,卸载过载基站流量,提升了网络性能、总能效和Jain公平指数。
动态负载迁移技术通过实时监控和动态调整无人机集群的负载状态,显著提升了集群的整体性能和资源利用率。但目前该技术仍然存在统一标准、算法复杂度以及环境适应性等方面的挑战。
2.2.2 市场机制和拍卖算法
基于市场机制(Market mechanism)[25]实现负载均衡,主要涉及利用市场竞争和价格机制等策略,有效地分配和平衡网络或系统中的负载。这确保了资源的合理利用和系统的高效运作,主要表现在以下四个层面。
(1)供求机制,指要平衡资源供给与需求,避免资源浪费,提升利用率。KIM等[26]提出了一种基于资源福利的分布式任务分配方案,使UAV团队能够通过平衡资源消耗来有效利用资源,从而保留更多可用的UAV,以顺利应对动态事件。
(4)风险机制,指评估系统稳定性,避免单点故障,降低风险。风险机制贯穿UAV集群负载均衡的始终,是衡量UAV集群稳定性的重要因素。
拍卖算法在UAV集群负载均衡中的应用,可以实现任务和资源的动态分配,并根据实时情况进行调整,从而提高集群的效率和鲁棒性。
${C}_{eq}^{A}$=$\frac{wl\left(A\right)-\overline{wl}}{\overline{wl}}$
基于市场机制和拍卖算法实现负载均衡的方法为UAV集群资源管理提供了新的视角和解决方案,具有广阔的应用前景和重要的研究价值,但也存在一些局限性:(1)无法完全解决单点故障问题;(2)调节过程可能相对缓慢,且受多种经济因素的影响。
2.2.3 智能学习与启发式优化机制
强化学习让智能体在与环境的交互中学习最优行为策略,以最大化累积奖励为目标,适用于解决序列决策问题。孙亚男等[39]对多类型智能体强化学习任务卸载与资源分配决策算法进行优化,提出了两种性能增强方案以优化负载分配:基于多类型智能体动态划分的强化学习算法,以及基于任务多跳卸载的强化学习算法。POUDEL等[40]提出了一种基于Actor-Critic多智能体强化学习的优先感知任务分配与路径规划算法,利用AMTP算法改进任务完成率、负载均衡、能效和收敛时间。ZHAO等[41]利用双延迟深度确定性策略梯度算法,研究了一种多智能体合作深度强化学习框架,优化了任务卸载的性能。张家宝等[42]通过构建注意力策略网络,结合强化学习算法,实现实时特征融合、快速负载分配和动态均衡调整,弥补传统动态方法在实时性、泛化性上的短板,为高动态场景的负载均衡提供新路径。
此外,群体智能和启发式算法也可视为学习机制的特殊形式。群体智能通过模拟自然界中群体行为的机制,例如蚁群算法、粒子群算法等,来解决复杂问题。启发式算法则利用直观经验或启发式规则,例如遗传算法、模拟退火算法等,来快速找到问题的近似最优解[44-45]。GONG等[46]基于改进的蚁群算法和路径消除策略提出了一种节能的动态任务迁移算法,在确保UAV系统负载均衡的同时,最小化系统的总能耗。HAN等[47]提出了模糊精英度的概念,以优化和平衡算法运行过程中优良基因的传递和种群变异强度,以有效解决复杂的任务分配问题。LIU等[48]提出了一种以最短邻近距离为指标的启发式算法,能快速解决多任务协同执行的最优序列问题,实现了任务分配的均衡。孙鉴等[44]借助分级信息素增强系数机制更新信息素,引入了Sub平衡因子,用于调整飞行路径的信息素强度,使UAV群总飞行最优路径和均衡路径得到加强。
在面对高度动态、任务随机分配的多UAV环境时,传统方法往往难以生成可行解,而机器学习,尤其是深度强化学习,展现出了解决这类复杂、动态和非凸性问题的巨大潜力。同时它也存在以下缺点:(1)数据依赖,指机器学习模型需要大量数据训练,获取数据成本高;(2)泛化能力差,指模型难以适应新环境,性能可能下降;(3)可解释性差,指难以解释模型决策,存在安全隐患;(4)计算量大,指模型训练和推理消耗大量计算资源,影响UAV续航和实时性。
相比之下,基于群体智能和启发式算法的负载均衡方法通过模拟自然过程或利用直观、经验性的知识,致力于解决UAV集群中的复杂任务分配和资源管理问题,以实现负载均衡。然而,这些方法也存在算法收敛速度慢和容易陷入局部最优解等问题。
2.3 被动响应式负载调整策略
UAV在执行任务中可能遭遇故障、干扰、任务变化或恶意攻击等情况,导致其任务完成能力发生变化。被动响应式负载调整策略能够在负载失衡时迅速重新分配任务,恢复集群的负载均衡状态。具体实现机制如图4所示。
2.3.1 基于无人机数量的调整
调整UAV机制指通过改变集群内UAV的数量或状态,适应负载变化,重新平衡集群的负载,调度的对象是UAV。
在分簇UAV集群中通过计算分区余量和基准值来调整目标分配,可以更精细地控制负载均衡。分簇策略的优势在于降低通信复杂度和UAV能耗,并通过整体调度实现负载均衡。其缺点包括:(1)调整UAV数量的粒度较大,优化程度有限;(2)仅适用于分簇算法;(3)触发条件多样,缺乏普适性。
2.3.2 基于任务迁移的调整
任务迁移是指将因能力变化而受影响的UAV所承担的任务重新分配给其他UAV,或替换为更简单的任务,以维持UAV集群的负载均衡,调度的对象是任务[51]。
相较于调整UAV数量或状态,任务迁移作为一种更加灵活的负载均衡方法,允许任务在UAV之间调度,具有更高的调整精度。然而,该方法设计复杂,计算量较大,对UAV集群的计算资源要求较高,存在算法复杂度较高的问题。此外,这里的任务迁移主要针对特定触发条件进行反应式调整,缺乏全局性规划,且对各种触发条件的研究不够全面,导致算法动态性不足。
3 负载均衡的核心矛盾与解决方案
在第2章中,详细介绍了三种实现UAV集群负载均衡的主要方法:嵌入静态规划模型的负载均衡方法、被动响应式负载调整策略和动态自适应模型。为更清晰地对比方法的特点,本文构建表4如下:
表示该方法具备该特性; 
表示该方法不具备该特性;□表示该方法在特定条件下具备该特性。n表示若干,∞表示不划分阶段或者阶段过多[三类方法的技术特性与设计局限,直接催生并凸显了多维负载感知与静态评估体系不匹配、动态调控需求与静态架构博弈失衡的双重核心矛盾,二者形成技术实践、矛盾暴露和需求升级的内在关联,具体通过各类方法的固有缺陷得以体现。
嵌入静态规划模型的方法因评价指标单一、缺乏动态调整能力,加剧了多维负载感知与静态评估体系的不匹配;动态自适应模型虽提升了适应性,但高复杂度算法与集中式控制架构导致实时性不足,凸显了动态调控需求与静态架构的博弈失衡;被动响应式负载调整策略仅能被动应对负载失衡,既无法解决静态评估的局限性,又难以满足动态调控的实时性要求,进一步反映了两类核心矛盾的普遍性与迫切性。
3.1 核心矛盾分析
矛盾一:多维负载感知与静态评估体系的不匹配。当前负载评估体系的核心缺陷在于评估维度单一化与负载特征复杂化的深层矛盾。具体而言:静态规划模型受限于模型复杂度要求,评价指标一般选择任务数量/UAV数量[12-13]、路径长度[1]或能耗/续航能力[16-17]等,评价方法一般选择最大负载值[1,19]、整体负载方差或标准差;被动响应式负载调整策略采用任务数量/UAV数量[36]或角色[50,54]等指标进行评价,评价方法体现较少;动态自适应模型的评价指标和方法更加多样化,评价指标包含无任务数量/UAV数量、角色、路径长度[22]、能耗/续航能力[22,24,26]、通信负载[24]等,评价方法包括Jain公平指数[4]、公平系数[33]和Sub平衡因子[44]等。
相较于分布式网络或云计算资源分布中节点的负载,UAV集群面临更多类型的负载。然而,当前UAV集群负载均衡研究中的评价指标的选取存在不足。
同时,在追求UAV集群负载均衡的过程中,部分研究往往过分关注负载均衡度或任务完成效率,而忽视了算法对于系统资源的消耗,导致理论偏离实际,虽然实现了较好的负载均衡效果,但系统整体资源消耗却显著增加。
矛盾二:动态调控需求与静态架构的博弈失衡。这一矛盾在技术实现中表现为集中式控制架构与分布式集群特性的不兼容,以及算法复杂度与实时性的硬性权衡。在多UAV辅助的移动边缘计算(MEC)系统中,通常会构建一个中心控制器,用于监控所有UAV的负载情况并做出负载分配决策[56]。这是一种典型的集中式负载均衡算法,如果该节点发生故障,整个系统可能会陷入瘫痪。部分负载均衡方法依赖于关键少数节点发挥调整作用。同时,算法复杂度也是制约负载均衡的关键因素,静态规划模型受限于算法复杂度而选择了简单的评价指标和评价方法,动态模型算法复杂度过高,导致实时性和可扩展性降低。
3.2 评估度量调控协同解决路径
相比于集群控制其他技术和通信领域负载均衡的研究,UAV集群负载均衡研究的深度和广度仍然存在大的差距,集中体现在负载的评价与负载平衡的调整策略上,具体可以分为评价指标、评价方法和调整策略,解决框架如图6所示。
电量是衡量UAV续航能力的重要指标,它反映了UAV还能执行的任务量。文献[24]在流量负载上,提出将流量转移到具有更多电量的UAV个体路径上;消耗速度综合反映了UAV在执行任务过程中的一系列负载情况,包括决策规划、飞行负载、携带装备负载、环境感知、通信交互等,这一指标能够屏蔽UAV执行任务的细节,是一个更宏观且实时的负载评估指标;任务量反映UAV完成任务所需时间和电量,在侦察任务中一般使用路程长度表示。
综合考虑UAV当前的电量、消耗速度和任务量,可以在很大程度上反映UAV当前的负载和总负载承受能力,屏蔽UAV各种任务负载的具体细节,实现多种负载的同时考量,为UAV的任务规划和负载管理提供更全面、更准确的依据。
二是采用先进的度量方法和评估流程,精确评估UAV集群的负载均衡性。这包括但不限于基尼系数、熵值法、变异系数、负载不均衡度,以及在UAV通信领域的平均响应时间、计算资源方面的资源利用率,以及衡量资源分配公平性的资源分配公平性指数。文献[4]使用了Jain公平指数评价改进后的负载均衡结果。这些综合指标将有助于更全面地评估集群负载的均衡程度,从而更准确地揭示集群的整体负载状态。例如:最常用的不平衡度量标准是百分比不平衡度量标准:
λ= $\left(\frac{{L}_{max}}{\stackrel{-}{L}}-1\right)$ ×100%
其中,Lmax是任何进程上的最大负载,$\stackrel{-}{L}$是平均负载。评估流程作为连接负载评价理论和实际应用的重要桥梁,其完善程度直接影响着负载均衡技术的有效性和实用性,我们应当有一套完备的评估流程,核心应当包含数据收集、计算评估和解释调整三个方面。
三是充分考虑负载均衡算法在系统资源中的消耗情况。在保持较高负载均衡度和任务完成效率的同时,我们尽可能降低系统资源的消耗。同时,我们应设计分布式或分散算法,或将负载均衡技术整合进分布式控制算法中。
(1)分布式一致性算法:通过节点间的通信和协调,确保系统状态的一致性。即使某个节点出现故障,其他节点也能根据最新的负载信息继续维持系统的正常运行。
(2)基于虚拟结构的分布式编队控制方法:将系统视为一个虚拟的整体结构,其中每个节点占据一个固定的位置。我们通过实时监测和调整节点的位置和状态信息,可以实现系统的负载均衡和容错控制。
综上所述,这一框架通过认知层的多维建模、决策层的智能优化、执行层的分布式设计,形成覆盖评估、决策和调整全流程的一体化解决方案,为突破UAV集群负载均衡的工程化瓶颈提供了系统性路径。
4 结束语
UAV集群负载均衡技术作为提升集群整体效能和稳定性的关键,其重要性不容忽视。本文对现有技术进行了全面综述,并指出了当前研究中存在的问题与挑战。展望未来,UAV集群负载均衡技术将朝着以下方向发展。
(1)标准化。为了更好地评估和比较不同负载均衡方法的效果,我们需要建立一套统一的UAV集群负载评价指标体系。该体系应涵盖任务执行效率、能耗、通信负载、系统稳定性等多个维度,并根据不同应用场景的需求进行调整和扩展。
(2)智能化。随着人工智能技术的不断发展,将机器学习、深度强化学习等人工智能技术应用于UAV集群负载均衡,可以实现更加智能化的负载分配和资源调度。此外,研究基于学习机制的UAV集群自适应负载均衡算法,也可以使集群能够自主学习和优化负载分配策略,进一步提升集群的整体效能。
(3)协同化。UAV集群负载均衡技术并非孤立存在,而是需要与其他UAV集群关键技术(如编队控制、路径规划、任务分配等)深度融合,才能实现集群整体性能的最优化。
(4)规模扩大化。随着UAV技术的不断发展,UAV集群的规模也将不断扩大。未来UAV集群负载均衡技术需要能够适应大规模集群的负载均衡需求,例如研究分布式或分散的算法,或将负载均衡技术整合进分布式控制算法中,以提高系统的鲁棒性和可扩展性。