3. 任务分配问题建模

多无人机任务分配的本质，是把一组待执行任务合理地映射到一组可用无人机上，并确定执行顺序与时机。要让算法“算得对”，首先必须把现实问题“写清楚”。本节围绕任务定义、无人机能力约束、时间窗、收益函数与多目标优化模型五个要素，建立可计算、可求解、可验证的数学模型。

一、核心原理：五要素构成一个可求解的分配问题

任务分配模型可以理解为五元组 M = (T, U, C, W, J)：T 为任务集合，U 为无人机集合，C 为能力约束，W 为时间窗，J 为多目标收益函数。其中任务定义决定“要做什么”，能力约束决定“谁能做”，时间窗决定“何时能做”，收益函数决定“做得好不好”，多目标模型决定“如何权衡”。

任务通常分为侦察、打击、通信中继、物资投送、评估等类型。每个任务可形式化为：

task_i = {
  id:        T01,
  type:      RECON | STRIKE | RELAY | DELIVER | ASSESS,
  position:  (x, y, z),
  duration:  d_i,
  window:    [e_i, l_i],
  demand:    {payload, sensor, bandwidth},
  value:     v_i,
  priority:  p_i
}

无人机能力可表示为 uav_j = {speed, endurance, payload, sensors, comm_range, max_tasks}。分配变量 x_ij ∈ {0,1} 表示任务 i 是否由无人机 j 执行，t_ij 表示开始时间。约束条件包括：每个任务至少被执行一次、无人机载荷与传感器匹配、任务开始时间落在时间窗内、续航与航程不超过上限、单机任务数不超过 max_tasks。

二、方法流程：从任务清单到优化模型

1. 任务建模：将作战或作业需求拆解为原子任务，标注类型、位置、时长、时间窗与优先级。
2. 能力匹配：建立“任务—无人机”可行矩阵，剔除传感器、载荷、通信不满足的组合。
3. 时间窗校验：计算到达时间 arrive_ij = t_depart + dist_ij / speed_j，判断是否满足 e_i ≤ t_ij ≤ l_i。
4. 收益计算：综合任务价值、优先级、完成时间与能耗，构造单任务收益。
5. 多目标聚合：将总收益、总航程、总时间、风险等目标加权或采用帕累托方法求解。
6. 求解与校验：用整数规划、启发式或拍卖算法求解，并回放校验约束是否全部满足。

三、时间窗与收益函数：把“能不能做”和“值不值得做”量化

时间窗分为硬时间窗与软时间窗。硬时间窗要求任务必须在 [e_i, l_i] 内开始，否则不可行；软时间窗允许早到等待或晚到惩罚，用惩罚函数 penalty_i(t) 表示。常见做法是：早到产生等待成本，晚到产生折扣收益。

收益函数通常由任务固有价值、优先级、时间折扣和完成质量组成：

reward_ij = v_i * p_i * f_time(t_ij) * q_ij - cost_ij
f_time(t) = 1,                    e_i ≤ t ≤ l_i
          = exp(-λ(t - l_i)),     t > l_i
          = exp(-μ(e_i - t)),     t < e_i
cost_ij   = α * dist_ij + β * energy_ij + γ * risk_ij

其中 q_ij 为完成质量，可由传感器精度、打击命中概率或通信速率决定。这样，一个任务是否值得分配，不再依赖主观判断，而是由可计算的收益值决定。

四、多目标优化模型与典型场景

多无人机任务分配通常同时追求：总收益最大、总航程最短、总完成时间最短、任务均衡度最高、风险最低。可写成：

max  J = w1 * Σ reward_ij * x_ij
       - w2 * Σ dist_ij * x_ij
       - w3 * makespan
       - w4 * Σ |load_j - avg_load|
       - w5 * Σ risk_ij * x_ij

s.t. Σ_j x_ij ≥ 1,              ∀ i
     Σ_i x_ij ≤ max_tasks_j,    ∀ j
     e_i ≤ t_ij ≤ l_i,          ∀ i,j
     energy_j ≤ endurance_j,    ∀ j
     x_ij ∈ {0,1}

以灾害救援为例：3 架无人机、6 个任务点，任务包括搜索、投送、中继。若仅按距离最近分配，可能导致载荷不足或通信中断；引入能力约束与时间窗后，模型会自动把中继任务分配给通信载荷匹配的无人机，把投送任务分配给载重足够的机型，并让搜索任务优先覆盖黄金时间窗。

五、复盘：模型是否“好用”的三个检验

• 可解释性：每个分配结果都能追溯到收益、约束或时间窗的具体数值。
• 可扩展性：增加任务类型或无人机型号时，只需扩展参数，不必重写模型结构。
• 可验证性：能通过仿真回放检查续航、时间窗、载荷等约束是否被违反。

综上，任务分配建模的核心是把任务、能力、时间、收益和目标统一到同一个数学框架中。只有模型真实反映约束与偏好，后续的冲突消解和在线重分配才有可靠基础。