当前国内外针对多无人机任务分配的研究已取得较多成果，但多数研究聚焦于航点遍历、搜索跟踪等通用任务，鲜有针对
微型SAR协同成像的特有约束开展优化设计，普遍存在对SAR成像几何约束、分辨率要求、相干性条件等核心特性考虑不足的问题；同时，传统集中式优化算法收敛速度慢，难以适配动态场景的实时性要求，而分布式快速算法往往陷入局部最优，无法兼顾成像质量与系统资源利用率。基于此，本文针对多无人机协同微型SAR系统的应用需求，开展动态任务分配的建模与优化算法设计，解决多约束、强动态、多目标耦合下的协同决策难题。
一、系统架构与动态任务分配核心挑战
1. 多无人机协同微型SAR系统整体架构
本文研究的系统采用“三层分布式架构”，实现多平台、多载荷的自主协同工作，具体架构如下：
（1）载荷层：核心为各无人机搭载的微型SAR载荷，具备轻量化（重量≤2kg）、低功耗（功耗≤50W）、多成像模式（条带、聚束、干涉SAR、动目标检测）的特点，可根据任务需求切换工作模式，同时具备成像质量实时评估与状态回传能力。
（2）平台层：由多架小型/微型无人机组成，可分为同构平台与异构平台两类，同构平台具备统一的续航、载荷、飞行性能，适配广域覆盖类任务；异构平台可搭载不同性能的SAR载荷，适配多类型、差异化的协同成像任务。每架无人机具备自主导航、机载边缘计算、宽带通信、故障自检测能力，可独立完成基础任务规划与执行。
（3）协同管控层：采用“地面站+机载分布式节点”的混合管控架构，地面站负责全局任务下发、状态监控与应急干预；机载分布式节点通过自组网通信，实现平台状态共享、任务协同决策与动态重分配，避免单点故障导致的系统瘫痪，提升强对抗、通信受限场景下的系统鲁棒性。
系统的核心协同工作模式包括：广域条带协同测绘、多区域聚束高精度成像、双/多机干涉SAR地形测绘、动目标协同跟踪与成像，不同模式对任务分配的约束条件与优化目标存在显著差异。
2. 动态任务分配的核心技术挑战
多无人机协同
微型SAR系统的动态任务分配，区别于普通多无人机任务分配，核心难点在于SAR成像的强约束特性与动态环境的强不确定性耦合，具体挑战可归纳为4个方面：
（1）SAR成像的强约束特性：任务分配并非简单的航点遍历，需满足SAR成像的严格物理约束，包括航迹直线性、速度稳定性、观测入射角/斜视角范围、干涉基线长度与平行度、方位向分辨率相干性要求等，硬约束不满足将直接导致成像失效，这是传统任务分配模型未充分考虑的核心问题。
（2）动态环境的强不确定性：任务执行过程中存在多重动态扰动，包括突发高优先级感兴趣目标、气象条件变化影响成像质量、无人机动力/载荷/通信故障、电磁干扰导致通信中断、任务优先级动态调整等，要求分配算法具备事件触发的快速重分配能力，而非固定周期的静态规划。
（3）多目标多约束的耦合优化难题：优化目标存在多维度、相互冲突的特性，包括任务执行效益最大化、系统资源消耗最小化、任务完成时间最短化、协同成像质量最优化，同时需兼顾平台续航、无碰撞、通信距离、SAR成像几何等数十项约束条件，模型维度高、可行域窄，求解复杂度呈指数级上升。
（4）机载计算资源的强受限性：小型/微型无人机的机载边缘计算能力有限，无法支撑高复杂度、大计算量的集中式优化算法，要求分配算法具备轻量化、分布式、低计算量的特性，可在机载端实现实时求解。
二、动态任务分配的数学建模
本文针对系统特性与核心挑战，建立了事件驱动的多约束多目标动态任务分配数学模型，明确基本元素定义、优化目标函数、约束条件与动态更新机制。
1. 基本元素定义
（1）无人机平台集合：设无人机平台集合为 U = {U1, U2, ..., Un}，其中n为无人机总数量。对于任意无人机Ui，其状态属性定义为：
1）实时空间位置：Pi(t) = [xi(t), yi(t), zi(t)]
2）实时飞行速度：vi(t)，最大飞行速度vmax_i
3）剩余续航：Ei(t)，最大续航Emax_i
4）SAR载荷性能参数：最大成像距离Rmax_i，极限分辨率ρmin_i，成像模式集合Mi，载荷工作状态Si(t)（正常/故障）
5）最大通信距离Dcom_max，安全避障距离Dsafe
（2）动态任务集合：设t时刻的任务集合为 T(t) = {T1, T2, ..., Tm(t)}，其中m(t)为t时刻的有效任务数量，任务可动态新增、删除或调整属性。对于任意任务Tj，其属性定义为：
1）任务观测区域Ωj，任务优先级ωj(t) ∈ [0,1]（数值越大优先级越高）
2）成像要求：目标分辨率ρj，成像模式Mj，相干性阈值γj，干涉基线约束[Bmin_j, Bmax_j]
3）有效执行时间窗口[ts_j, te_j]，任务完成度Cj(t) ∈ [0,1]
4）所需协同无人机数量Nj（单平台成像Nj=1，干涉SAR Nj=2，广域覆盖可设置Nj≥2）
（3）决策变量：定义t时刻的任务分配矩阵为 X(t) = [xij(t)]n×m(t)，其中xij(t) ∈ {0,1}，xij(t)=1表示t时刻将任务Tj分配给无人机Ui执行，xij(t)=0表示不分配。对于协同任务组Gk = {Tj1, Tj2, ..., Tjk}，组内任务需满足协同分配约束。
2. 多目标优化函数
本文将相互冲突的多个优化目标进行归一化处理，采用线性加权法构建综合优化目标函数，权重可根据任务场景动态调整，实现不同场景下的性能侧重。
首先定义4个核心子目标函数：
（1）全局任务执行效益最大化：优先完成高优先级任务，最大化任务整体完成度
F1 = Σ(j=1到m(t)) ωj(t) * Cj(X(t))
其中Cj(X(t))为任务Tj在分配矩阵X(t)下的最终完成度。
（2）系统资源消耗最小化：最小化所有无人机执行任务的总续航消耗
F2 = Σ(i=1到n) ΔEi(X(t), t)
其中ΔEi(X(t), t)为无人机Ui执行分配任务的续航消耗，与飞行距离、SAR载荷工作时长正相关。
（3）任务完成时效性最优：最小化所有任务的最晚完成时间，保证任务执行效率
F3 = max(te_j' - ts_j) , j=1,2,...,m(t)
其中te_j'为任务Tj的实际完成时间。
（4）协同成像质量最优化：最大化所有任务的成像质量达标程度
F4 = Σ(j=1到m(t)) Qj(X(t))
其中Qj(X(t))为任务Tj的成像质量评分，与分辨率满足度、几何约束符合度、干涉相干性正相关，取值范围[0,1]。
对4个子目标进行min-max归一化处理，得到归一化值F1'、F2'、F3'、F4'，其中效益类指标正向归一化，消耗类指标反向归一化。最终构建综合优化目标函数：
F = λ1*F1' - λ2*F2' - λ3*F3' + λ4*F4'
其中λ1、λ2、λ3、λ4为权重系数，满足λ1+λ2+λ3+λ4=1，权重可根据场景动态调整：应急侦察场景可增大λ1、λ3权重，地形测绘场景可增大λ4权重，长航时广域覆盖场景可增大λ2权重。模型的优化目标为最大化综合目标函数F。
3. 约束条件
本文将约束条件分为通用平台约束与SAR成像特有硬约束，确保分配方案的可行性与成像有效性。
（1）通用平台约束
1）任务分配约束：对于任意任务Tj，Σ(i=1到n) xij(t) = Nj，即任务分配的无人机数量严格匹配任务需求；
2）平台负载约束：对于任意无人机Ui，Σ(j=1到m(t)) xij(t) ≤ Lmax_i，其中Lmax_i为无人机最大并行任务数，微型无人机通常取1；
3）续航约束：对于任意无人机Ui，ΔEi(X(t), t) ≤ Ei(t)，即任务消耗不得超过剩余续航；
4）避障约束：任意时刻，任意两架无人机Ui、Uk满足||Pi(t) - Pk(t)|| ≥ Dsafe；
5）通信约束：任意时刻，执行协同任务的无人机之间、无人机与地面站之间的通信距离≤Dcom_max。
（2）SAR成像特有硬约束
1）成像几何约束：分配任务的无人机航迹曲率半径≥Rc_min，速度波动Δvi ≤ Δvmax，保证方位向分辨率；
2）观测角约束：无人机对任务区域的观测入射角θij ∈ [θmin, θmax]，斜视角φij ∈ [φmin, φmax]，避免成像叠掩与阴影；
3）分辨率约束：无人机SAR载荷在任务区域的可实现分辨率ρij ≤ ρj，满足任务分辨率要求；
4）干涉协同约束：干涉SAR任务分配的双机航迹平行度误差≤εmax，基线长度B ∈ [Bmin_j, Bmax_j]，垂直基线误差ΔB⊥ ≤ ΔBmax，保证干涉相干性γj ≥ γmin；
5）时间窗口约束：任务Tj的实际执行时间必须落在[ts_j, te_j]区间内。
4. 动态更新触发机制
为平衡算法实时性与计算开销，本文采用事件触发的动态重分配机制，而非固定周期更新，仅当满足以下任意触发条件时，启动重分配流程，更新分配矩阵X(t)：
（1）任务集变化：新增突发任务、任务完成或任务属性（优先级、成像要求）发生突变；
（2）平台状态变化：无人机出现故障、剩余续航低于安全阈值、载荷工作状态异常；
（3）环境状态变化：气象条件突变导致成像质量不达标、出现强电磁干扰、通信链路中断；
（4）执行状态异常：当前分配方案下，任务成像质量不达标、航迹偏离导致约束违反、任务无法按时完成。
三、动态任务分配混合优化算法设计
针对机载计算资源受限、动态场景实时性要求高、多约束求解难度大的问题，本文提出一种事件触发的分布式拍卖-粒子群混合优化算法，结合分布式拍卖算法的快速响应能力与改进多约束粒子群算法（MC-PSO）的全局优化能力，实现“紧急场景快速响应、常规场景全局最优”的性能平衡。
1. 算法整体架构
算法采用两级响应架构，根据触发事件的紧急等级，启动对应的求解流程：
（1）一级紧急响应：针对无人机故障、突发高优先级任务等紧急事件，启动改进分布式拍卖算法，实现毫秒级快速分配，保证任务不中断、突发目标快速响应；
（2）二级全局优化：针对任务优先级微调、环境小幅变化、常规周期优化等非紧急场景，启动改进MC-PSO算法，以拍卖算法的结果为初始种群，实现多约束多目标的全局优化，提升系统综合性能。
算法采用分布式实现方式，投标计算、粒子迭代等核心计算均在各无人机机载端完成，仅需与邻居节点交换状态信息，无需地面站集中计算，避免单点故障，提升系统抗毁性。
2. 改进分布式拍卖算法
针对传统拍卖算法仅支持单物品拍卖、未考虑SAR强约束的缺陷，本文设计多任务组合拍卖机制，将SAR约束融入投标值计算，实现紧急场景下的快速可行分配。算法核心步骤如下：
（1）任务广播：当紧急事件触发时，任务发起节点将待分配任务集T'的属性（优先级、成像要求、时间窗口、协同数量）通过自组网广播给所有可用无人机；
（2）约束预校验：各无人机Ui针对每个待分配任务Tj，进行硬约束预校验，若无法满足SAR成像约束、续航约束、时间窗口约束，则判定为无投标资格，投标值bij=0；
（3）投标值计算：具备投标资格的无人机，计算对应任务的投标值，综合考虑任务效益、资源消耗与时效性，投标值计算公式为：
bij = (ωj * ηij) / (ΔEij + α*Δtij)
其中ηij为约束满足度，完全满足所有硬约束时ηij=1，软约束满足度越高ηij越接近1；ΔEij为执行任务的续航消耗；Δtij为任务完成时间；α为时间权重系数，应急场景下α增大，优先保证响应速度；
（4）中标判定：任务发起节点收集所有有效投标，对每个任务Tj，选择投标值bij最大的无人机Ui作为中标者，更新分配矩阵xij=1；对于协同任务，采用组合拍卖方式，选择综合投标值最高的无人机编队中标；
（5）结果同步：将中标结果广播给所有无人机，各无人机同步更新任务列表，启动任务执行。
该算法计算量小、收敛速度快，紧急场景下可在100ms内完成重分配，完全适配机载端实时性要求。
3. 改进多约束粒子群优化算法
针对传统粒子群算法易陷入局部最优、约束处理能力弱、收敛速度慢的缺陷，本文从编码方式、约束处理、自适应参数、变异机制四个方面进行改进，设计MC-PSO算法，实现全局优化。
（1）整数编码设计：采用整数编码方式，每个粒子的维度等于任务数量m(t)，每个维度的取值为无人机编号1~n，0表示未分配，粒子编码直接对应分配矩阵X(t)，大幅降低编码与解码的计算开销；
（2）约束惩罚机制：采用双层惩罚函数法，对于违反硬约束的粒子，在适应度函数中加入极大惩罚项，使其在迭代中快速被淘汰；对于违反软约束的粒子，按违反程度线性增加惩罚项，引导粒子向可行域收敛；
（3）自适应惯性权重：惯性权重w随粒子适应度与迭代次数自适应调整，平衡全局搜索与局部搜索能力，更新公式为：
当粒子适应度f_i ≤ 种群平均适应度f_avg时：
w = w_min + (w_max - w_min) * (f_avg - f_i) / (f_avg - f_min)
当f_i > f_avg时：w = w_max
其中w_max=0.9，w_min=0.4，f_min为种群最优适应度；
（4）自适应变异算子：当种群适应度方差小于设定阈值时，判定种群陷入局部最优，随机选择30%的粒子，对其10%的维度进行随机变异，跳出局部最优，提升全局寻优能力；
（5）算法迭代步骤：
步骤1：初始化种群，以拍卖算法的最优解作为初始种群的核心粒子，其余粒子随机生成，保证初始种群具备高质量可行解，加快收敛速度；
步骤2：计算每个粒子的适应度值，适应度函数为综合优化目标函数F减去约束惩罚项；
步骤3：更新个体最优pbest与全局最优gbest；
步骤4：自适应调整惯性权重w，更新粒子的速度与位置；
步骤5：约束校验，对违反硬约束的粒子进行修正，计算惩罚项；
步骤6：判断种群是否陷入局部最优，若是则启动变异算子；
步骤7：判断是否达到最大迭代次数或收敛阈值，若是则输出全局最优解，否则返回步骤2。
四、仿真验证与性能分析
1. 仿真环境设置
本文采用MATLAB 2024a搭建仿真平台，验证模型与算法的有效性。仿真场景设置为广域应急测绘，观测区域为100km×80km，部署6架同构微型无人机，每架搭载X波段
微型SAR，核心参数如下：最大续航120min，最大飞行速度30m/s，SAR最大成像距离10km，条带模式幅宽2km，聚束模式极限分辨率0.3m，最大通信距离20km，安全避障距离100m。
任务设置：初始任务12个，包含8个条带测绘任务、2个聚束高精度成像任务、2个干涉SAR地形测绘任务，任务优先级分布在0.3~1.0之间，执行时间窗口30~60min。动态事件设置：仿真运行至30min时，新增2个优先级1.0的突发应急任务，同时1架无人机出现动力故障退出任务，触发动态重分配。
对比算法：传统集中式遗传算法（GA）、传统分布式拍卖算法、本文提出的混合优化算法。性能评价指标包括：任务完成率、算法收敛时间、成像质量达标率、系统总续航消耗、动态重分配响应时间。
2. 仿真结果分析
（1）静态场景性能对比：无动态事件的常规场景下，本文算法的任务完成率与成像质量达标率均为100%，与传统GA算法相当，显著优于传统拍卖算法（成像质量达标率78%）；算法收敛时间仅为118ms，较传统GA算法（820ms）缩短85.6%，与传统拍卖算法（92ms）处于同一量级，实现了优化性能与计算效率的平衡。
（2）动态突发场景性能对比：动态事件触发后，本文算法的重分配响应时间仅为87ms，任务完成率保持95.8%，成像质量达标率91.7%；传统GA算法重分配响应时间达1.26s，任务完成率下降至81.3%；传统拍卖算法响应时间为76ms，但成像质量达标率仅为72.2%，无法满足SAR成像约束要求。
（3）资源消耗对比：本文算法的系统总续航消耗较传统拍卖算法降低18.3%，与传统GA算法基本持平，通过全局优化实现了航迹与任务的合理规划，减少了无效飞行与载荷启停消耗。
（4）鲁棒性测试：当通信链路中断概率为30%时，本文分布式算法的任务完成率仍保持90%以上，而集中式GA算法的任务完成率下降至58.7%，充分验证了分布式架构的抗毁性与鲁棒性。
仿真结果表明，本文提出的模型与混合优化算法，可有效适配多无人机协同微型SAR系统的动态任务分配需求，在保证成像质量与全局优化性能的同时，具备极强的动态响应能力与鲁棒性，完全满足机载端实时应用要求。
本文针对多无人机协同
微型SAR系统的核心管控需求，深入分析了动态任务分配的核心技术挑战，建立了兼顾SAR成像特有硬约束与多无人机平台约束的多目标动态任务分配数学模型，提出了一种事件触发的分布式拍卖-粒子群混合优化算法，解决了传统算法实时性与全局优化性能无法兼顾的难题。仿真结果表明，该算法在动态突发场景下，可实现毫秒级重分配响应，同时保持95%以上的任务完成率与90%以上的成像质量达标率，显著优于传统算法。
MiniSAR聚焦于微型合成孔径雷达（SAR）制造研发，为用户提供定制化机载SAR、轻型MiniSAR、无人机载MiniSAR、SAR数据采集服务、SAR飞行服务等。如您有相关业务需求，欢迎联系！
150-110-63408