海运业花费大量时间和资源完成长期协作任务，如搜救或海洋勘测。自主船群能够迅速扩大规模并利用有限的资源进行作业，这使它们在这些协作作业中的表现优于传统的载员船只。尽管自主船群具有惊人的潜力，但持续运作高产的自主船群也带来了巨大的后勤挑战。本论文旨在解决这些问题。具体来说，本论文旨在利用运筹学理论、模拟和机器学习，通过预测和管理机器人资源需求，最大限度地提高协作蜂群的生产率。

要最大限度地提高机器人群的生产率，首先需要开发一种通用场景来衡量生产率。本论文借鉴多机器人巡逻研究，在 MOOS-IvP 中实现了两个资源感知多机器人巡逻任务。在每个任务中，航行器在网格中持续巡逻，并必须定期中断巡逻编队，前往补给站补充燃料。任务根据机器人访问任务操作区域各部分的频率（网格空闲时间）和每个机器人控制的区域面积（Voronoi 多边形平均面积）来衡量其性能。在开发出通用巡逻场景后，本论文使用不同的车辆和仓库参数模拟巡逻任务，以生成广泛的性能数据集。

最后，本论文开发了一种方法，可从模拟生产力数据集预测未来的任务性能。模拟任务数据经过后处理后用于训练 XGBoost 模型。与任务模拟相比，这些模型的制作时间要短得多，同时还能向规划人员展示特定任务的性能和航行器产出。

图 3-3：蜂群工具箱任务演示，显示 50 辆航行器在有限通信方案下动态散布[Ben22]。