最近小型无人驾驶飞行器（UAV）技术的进步重新激发了对民用和军用广域搜索（WAS）算法的额外研究需求。但由于无人机环境和设计的差异性极大，利用数字工程（DE）来减少推进这项技术所需的时间、成本和精力。数字工程还允许快速设计和评估利用和支持WAS算法的自主系统。现代WAS算法可以大致分为基于决策的算法、统计算法和人工智能（AI）/机器学习（ML）算法。这项研究继续了Hatzinger和Gertsman的工作，创建了一个基于决策的算法，该算法将搜索区域细分为被称为单元的子区域，决定一个最佳的下一个单元进行搜索，并将搜索结果分配给其他合作搜索资产。每个合作搜索资产将存储以下四个关键数组，以决定搜索哪个单元：每个单元的当前估计目标密度；一个单元中的当前资产数量；每个合作资产的下一个搜索单元；以及任何资产在一个单元中的总时间。一个基于软件的模拟环境，即模拟、集成和建模高级框架（AFSIM），被用来完成验证过程，创建测试环境和被测系统（SUT）。此外，该算法针对各种分布的威胁进行了测试，以模拟目标的集群。最后，从人工智能和ML中引入了新的有效性措施（MOEs），包括精确度、召回率和F分数。使用方差分析（ANOVA）和协方差矩阵对Hatzinger和Gertsman的新的和原始的MOEs进行了分析。这项研究的结果显示，该算法对原始MOEs或新MOEs没有明显的影响，这可能是由于与Hatzinger和Gertsman相比，网络化协作自主弹药（NCAM）的传播情况相似。该结果与目标分布标准差的减少即目标聚类呈负相关。这第二个结果更令人惊讶，因为更紧密的目标分布可能会导致更少的搜索区域，但NCAM继续分布它们的位置，而不管确定的集群。