本文研究随机威胁环境下异构无人机集群的协同任务分配与航路规划问题。每架无人机具备打击并摧毁指定目标的能力，而敌方防空火力则依据既定生存概率对无人机构成战损风险。本研究旨在固定时间窗口内，通过最大化摧毁目标数量与最小化无人机战损，实现任务延误最小化与累计任务收益最大化。我们首先将该问题建模为基于图结构的随机多目标混合整数线性规划模型，通过集成任务调度、时序约束与连通性约束，同步优化无人机航路与目标分配方案。对于小规模算例，该模型可求得最优解；然而，鉴于问题的NP难组合特性，精确算法在大规模场景下难以实用。为此，本文提出一种融合模拟退火与遗传算法的新型两阶段启发式算法：第一阶段，利用模拟退火生成适用于所有场景的鲁棒初始任务分配方案；第二阶段，采用遗传算法针对各场景独立优化航路与分配策略。为严格检验解的质量，本文构建了定制化场景生成器，动态调整生存概率、目标密度、距离度量及无人机载荷等关键参数。计算实验表明，所提启发式算法能在可接受的时间范围内，为各类场景生成高质量解，为不确定环境下规划无人机空袭作战提供了实用的决策支持工具。

图1. 面向无人机作战任务规划的随机协同任务分配与航路规划框架图形概览，涵盖从问题设定、建模、优化至基于场景的决策支持全流程。

无人机作为一种无需机上飞行员即可自主飞行的先进航空器，极其适用于高危任务，可有效规避人员伤亡风险。相较于有人驾驶平台，其部署显著降低了作战成本与伤亡概率[1]。无人机最初应用于军事领域的侦察监视、武器投放、空中突击及压制敌防空系统等高风险任务。基于其在军事应用中已验证的效能，无人机的功能已拓展至精准农业、物流配送、电信通信等诸多民用领域[2]。

尽管应用广泛，许多无人机任务——尤其军事与安全领域——需在充满对抗与不确定性的环境中执行，敌方防御力量随时可能危及任务成功。在此类场景下，多无人机协同作战能力至关重要，这也凸显了协同任务分配与航路规划的核心地位，其决定了无人机任务的指派逻辑与接战序列。尽管相关研究众多，现有成果仍存在以下关键局限：

• 随机性融合不足：多数既有研究假设环境确定，忽视了对抗空域中无人机生存与目标毁伤的概率性本质。
• 异构集群表征欠缺：现有文献多聚焦同构无人机集群，限制了研究成果在具备混合能力（即异构）的军事集群中的应用价值。
• 约束条件作战真实性不足：多数协同任务分配模型依赖简化或通用约束，忽略了关键作战限制。此类简化虽利于数学求解，却难以反映对抗作战环境的现实复杂性。
• 方法论多样性有限：尽管元启发式算法应用广泛，但能融合不同启发式优势以平衡全局探索与局部开发，特别是在随机协同任务分配场景下，此类混合方法仍属罕见。
• 作战转化支撑薄弱：既往研究常仅汇报结果，未能为决策者提供可操作的行动指引，且普遍未考虑对抗军事环境中作战结果的不确定性。

为弥补上述不足，本研究在集中式架构下探讨异构无人机团队的协同任务分配与航路规划问题，即由指挥中心统一制定分配与航路决策。具体而言，本研究致力于：（一）将异构无人机集群分配至各目标；（二）生成满足时间可行性且无碰撞的航路，并充分考虑对抗环境下的无人机生存概率与空袭成功概率。针对上述研究空白，本文在协同任务分配领域做出三项核心贡献。

在建模层面，本文构建了一种基于图的随机多目标混合整数线性规划模型，显式刻画了随机接战结果。通过将概率化生存与目标毁伤参数嵌入优化框架，模型精准捕捉了现实对抗空域的内在不确定性。模型同时纳入了无人机异构特性，契合现代军队部署具备不同续航、速度及作战能力的无人机平台的作战实际。此外，不同于多数依赖简化约束的既有模型，本文引入了多项贴近实战的限制条件——包括明确的弹药容量限制、与生存性挂钩的航程约束、攻击类型灵活性、动态目标消除机制、任务时间追踪以及场景依赖的访问优先级——从而将建模框架拓展至传统确定性公式之外，在不确定性下还原了作战真实性。

在求解层面，本文将遗传算法与模拟退火的混合集成嵌入两阶段随机优化框架，推进了协同任务分配的混合元启发式方法发展。在该框架下，分配与航路决策受到战损、生存性、任务时序及目标消除等基于场景的不确定性的共同塑造。既有遗传算法-模拟退火混合应用主要致力于提升确定性模型的收敛性能，而本研究将其拓展至能够捕捉对抗军事环境作战现实的随机场景。

最后，本研究为对抗环境下的无人机空袭任务规划提供了实用的决策支持。优化框架依托蒙特卡洛仿真显式纳入基于场景的不确定性。相较于依赖单一确定性结果，所提模型能生成覆盖各类概率场景的可行分配与航路策略集，使指挥官能够预判作战波动，平衡任务效能与战损风险。基于场景的目标函数值统计输出进一步量化了这种波动性，为比较不同随机结果提供了定量依据。这些洞察为决策者依据预期任务成功率与无人机战损概率，审批任务、调配资源及调整作战行动提供了实证支撑。

本文后续章节安排如下：第2节综述协同任务分配相关文献，明确研究空白与创新点；第3节界定问题并给出数学模型；第4节详述求解方法，包括混合遗传算法-模拟退火算法；第5节展示数值实验结果；第6节阐述对无人机任务规划的实践启示；第7节总结全文并指出未来研究方向。