01引言

复杂战场环境下，无人机编队的任务分配与路径规划必须同时满足“无碰撞、资源均、时间短”三大硬指标。传统做法是“先分配后规划”，把耦合问题拆成两段独立求解，结果常常出现航迹交叉、油耗悬殊、部分无人机闲置等“后遗症”。本文提出一种改进蚁群算法，把任务分配与路径规划放到同一框架下联合优化，一次性给出“谁去哪、怎么走”的最优答案。

02问题描述

2.1 ► 任务分配与路径规划联合优化模型

任务分配本质上是组合优化：在给定无人机种类、数量、战场环境与载荷能力约束下，把合适任务在合适时间分配给合适无人机。经典模型有TSP、MILP、VRP、指派问题等，但它们多针对单智能体。多无人机编队场景下，需同时考虑编队内部协同与编队之间协作，问题维度呈指数级上升。

本文以“大型机投放—小机群地毯式搜索”为典型任务链：大机携带小机群飞抵目标区，抛撒后小机群自主编队，按不同队形完成侦察、干扰等多元任务。目标函数兼顾整体效益最大化与总耗时最小化，约束条件涵盖距离、时间、任务优先级及编队数量。

图1 多任务多编队任务规划的示意图

Fig.1 Multi-task multi-subgroup task planning

2.2 ► 无人机集群编队ID设计

为避免“单机单号”带来的编号混乱，采用十进制编码方式给每支编队分配唯一ID：长机ID=十进制整数，僚机ID=长机ID×10+自身序号。这样既保证编队内部有序，又便于地面站快速识别与调度。

03基于改进蚁群算法的任务分配与路径规划

3.1 ► 算法核心改进点

信息素更新引入优先级启发：任务优先级越高，信息素蒸发速率越慢，引导蚂蚁优先探索高价值路径。

编队数量约束嵌入模型：每条任务最多只能被一个编队承接，避免“一蜂多巢”式资源浪费。

局部路径规划采用改进蚁群算法：在栅格地图上动态搜索无碰撞航迹点，保证编队间最小安全间隔。

3.2 ► 算法流程概览

Step1：初始化蚂蚁数量、信息素、启发函数；

Step2：蚂蚁根据概率选择转移至下一节点，同时记录路径长度与优先级加权和；

Step3：局部路径规划器生成无碰撞轨迹点，并更新信息素；

Step4：判断是否满足终止条件（最大迭代次数或解收敛），若不满足返回Step2；

Step5：输出最优任务分配方案与对应航迹。

04仿真结果及分析

4.1 ► 性能指标

总耗时：所有无人机完成任务的总飞行时间；

资源均衡度：各编队油耗标准差与平均油耗的比值；

路径交叉率：出现交叉航迹的次数占总航迹数的比例；

任务完成率：成功执行任务的数量与总任务数的比值。

4.2 ► 仿真任务场景设置

任务区：150 km×150 km矩形区域，内含3个重要目标；

无人机：大型运输机1架、小型侦察机6架，均为固定翼；

环境约束：单点禁飞区2个、低空走廊3条；

任务类型：地毯式搜索、电子干扰、侦察拍照，优先级依次降低。

4.3 ► 多任务多编队任务规划仿真验证与分析

在相同场景下对比传统蚁群算法与本文耦合算法，结果如下：

总耗时：耦合算法比传统算法缩短8.7%；

资源均衡度：耦合算法标准差下降32%；

路径交叉率：耦合算法交叉次数降为零；

任务完成率：耦合算法提高至98%，传统算法为89%。

仿真表明，耦合优化模型有效解决了路径交叉与资源不均问题，且在复杂多任务场景下仍能保持高效求解。

05结论

本文针对多任务多编队场景，提出一种改进蚁群算法，把任务分配与路径规划放在同一框架下联合求解。通过引入优先级启发信息素更新与编队数量约束，在保证解质量的同时大幅降低路径交叉率与资源不均度。仿真验证表明，该算法能在复杂环境下快速生成无碰撞、高均衡的任务规划方案，为无人机集群实战化应用提供有力支撑。