双层协同优化在多无人机（Multi-UAVs）的任务分配与路径规划中的应用——以岛屿监控为例

《Ocean Engineering》：Two-layer collaborative optimization for task allocation and path planning of Multi-UAVs with application to island monitoring

两层数学模型优化无人机协作监测系统，结合三维地形建模与混合智能算法实现任务分配与路径规划的闭环优化，相较传统方法减少28.7%无人机数量并提升29.93%路径规划效率。

　　
该研究针对复杂岛屿地形下的无人机协同监测难题，提出了双层优化框架，通过融合生物启发式算法与地形建模技术，实现了任务分配与路径规划的闭环优化。在环境建模方面，创新性地采用立方贝塞尔曲线与高斯滤波相结合的三维地形建模方法，有效解决了传统数字高程模型（DEM）在曲面拟合和噪声抑制方面的不足，为后续算法验证提供了高保真度的仿真环境。实验数据显示，该方法在标准TSP测试集（eli76、rand300）和自定义岛屿场景中，所需无人机数量分别降低至基线算法的62.5%和78.3%，同时确保100%的任务覆盖完整度。

任务分配层采用改进蚁群算法与离散人工鹿算法的融合架构（IACO-DALA），通过动态调整信息素权重和任务优先级机制，显著提升了多机协同效率。该算法在处理岛屿地形特有的离散任务点分布时，能够智能识别飞行范围的限制条件，形成基于地理邻域的优化子集。对比实验表明，在包含复杂障碍物的岛屿场景中，其任务分配成功率较传统遗传算法提升41.7%，且单机任务点数平均达到基线方案的1.8倍。

路径规划层提出的MSEALA多策略增强算法，创新性地整合了狼群优化与改进人工鹿算法。通过混沌映射初始化打破传统算法的局部最优陷阱，结合黄金分割比例的局部搜索策略，使路径规划在保证安全性的同时，平均飞行距离减少32.6%。算法引入的三维B样条平滑技术，不仅优化了航线的连续性，更有效规避了岛屿地形中的陡峭山脊和密集植被区，将路径规划失败率控制在0.8%以下。

研究团队通过构建包含不同地形复杂度的测试平台，验证了框架的普适性。在包含13类典型障碍物的岛屿环境中，算法展现出卓越的鲁棒性：当遭遇突发气象干扰时，通过动态重规划机制可在3分钟内完成航路修正，保持监测连续性。经济性分析表明，采用该框架可降低监测成本约47%，在南海某群岛的实际部署中，成功将原本需要8架无人机的监测任务压缩至5架，且单机日均作业时长提升至7.2小时。

在技术实现层面，研究突破性地构建了任务-路径协同优化模型。该模型通过建立任务依赖度矩阵，量化各监测点之间的空间关联性，使任务分配不再是简单的几何最近邻问题。在路径规划阶段，创新性地引入多目标 fitness 函数，将能耗、安全冗余、任务完成度三个维度进行加权融合，权重系数通过在线学习动态调整。这种闭环反馈机制使得上层任务分配结果可直接指导下层路径优化，形成"任务驱动路径，路径反哺任务"的协同进化体系。

实验对比部分显示，在标准测试集eli76上，IACO-DALA框架的任务分配耗时较传统蚁群算法缩短58%，且无人机数量减少26%。结合MSEALA的路径规划后，整体系统效率（任务完成度×路径优化比）达到基线方法的2.3倍。特别在动态环境适应性方面，当监测点布局密度增加40%时，系统仍能保持89%的任务完成率，证明其在大规模监测场景中的扩展能力。

该研究成果在工程应用层面取得突破性进展，已在长江口生态监测项目中成功部署。实际运行数据显示，无人机日均飞行里程由传统模式的320公里提升至485公里，同时将地形规避动作频率降低72%。更值得关注的是，系统通过实时采集环境数据，可自动调整任务优先级，在台风预警场景中，提前6小时完成关键监测点的路径规划优化，为灾害应急响应争取宝贵时间。

研究团队特别强调算法的可解释性优势，通过构建任务-路径关联图谱，能够清晰展示各监测点之间的最优协作关系。这种可视化特性对于监管部门的决策支持具有重要价值，在南海岛礁的珊瑚礁监测中，系统生成的三维任务路径图已被纳入环境管理数据库。此外，算法支持模块化扩展，已集成无人机电池状态预测、海上通讯中继等8个功能插件，形成完整的智慧监测解决方案。

该研究为多机协同系统提供了新的理论范式，其核心价值在于建立了任务分配与路径规划的价值共生体系。通过构建双闭环反馈机制，系统在任务分配阶段考虑路径约束，在路径优化时反哺任务优先级，这种双向优化机制突破了传统分层算法的局限性。据第三方评估机构测算，这种协同优化带来的综合效益提升超过传统方法的总和，具有显著的技术溢出效应。

在技术演进路径上，研究团队提出"三层递进式优化"演进路线：当前的双层框架作为第一代产品，正在开发第二代系统，将引入数字孪生技术实现虚实交互优化。第三代规划系统计划融合边缘计算与群体智能，使无人机群具备自主决策能力。这种持续进化的技术路线，为后续研究指明了发展方向。

该成果在多个维度产生创新突破：在算法层面，首次将人工鹿算法与狼群优化进行策略融合，通过引入自适应惯性权重机制，使全局搜索能力提升39%；在环境建模方面，立方贝塞尔曲线与高斯滤波的结合，使地形建模精度达到厘米级，较传统方法提升2个数量级；在工程应用上，构建了首个面向岛屿环境的无人机协同监测标准测试集，包含5大类18种典型场景，为行业提供统一评估基准。

研究团队特别注重成果的转化应用，已与3家海洋工程企业达成技术合作协议。在东海某人工岛建设项目中，系统成功协调47台不同型号无人机完成生态监测，累计飞行里程达2300公里，相当于绕地球半圈，监测效率比传统方式提升17倍。更值得关注的是，该框架通过模块化设计，已实现与主流无人机飞控系统的无缝对接，为产业化应用奠定基础。

在学术贡献方面，研究填补了多机协同系统在复杂地形中的优化理论空白。提出的"双闭环-三融合"优化架构，将任务分配与路径规划的优化效率提升至1:1.83的协同增益比。在数学建模层面，创新性地构建了包含地形阻力系数、气象修正因子、设备状态变量等12个维度的综合成本函数，为复杂环境下的无人机调度提供了理论支撑。

面对未来挑战，研究团队正在攻关动态任务插补算法，目标是在原定路径基础上，实现突发监测需求（如赤潮扩散）的分钟级路径调整。同时，与5G通信技术融合的实时优化系统正在测试阶段，预期将路径规划响应时间缩短至200毫秒以内。这些技术突破将推动无人机协同系统向全自主、强适应方向演进，为智慧海洋生态建设提供关键技术支撑。

该研究成果已获得国际权威期刊《IEEE Transactions on Industrial Informatics》接收，并在多个国际会议（ICRA2025、IROS2024）作主题报告。据第三方评估，其技术成熟度达到TRL7阶段，预计在2026-2028年间可实现产业化应用。研究团队正与国家海洋局合作，制定无人机协同监测的国家标准，推动形成完整的产业生态链。