Токио, Япония (SPX), 19 января 2026 г. –

Поскольку беспилотные летательные аппараты теперь широко распространены в современных военных операциях и операциях по обеспечению безопасности, специалисты по планированию сталкиваются с растущей необходимостью назначать разнородные группы дронов для выполнения сложных задач, не теряя при этом времени и ресурсов. В новом исследовании, опубликованном в журнале Defense Technology, сообщается о гиперэвристическом алгоритме энергетического обучения, который позволяет решать совместные задачи в условиях множества эксплуатационных ограничений.

Команда под руководством профессора Моу Чена из Нанкинского университета аэронавтики и астронавтики разработала структуру гиперэвристики энергетического обучения, или EL-HH, для решения этих сложных сценариев. Этот подход нацелен на смешанные парки БПЛА, которые различаются по полезной нагрузке, характеристикам и предназначению и должны соответствовать временным окнам, приоритетам задач и ограничениям платформы при работе в перегруженных средах.

«Существующие алгоритмы часто сталкиваются с такими проблемами, как попадание в ловушку локального оптимума и медленная сходимость при работе со сложными ограничениями», — объясняет Чен. «Мы разработали комплексную математическую модель, охватывающую типы задач, временные окна и полезную нагрузку БПЛА, и предложили трехуровневую схему кодирования (последовательность задач, последовательность БПЛА, время ожидания) для точного описания схем назначения».

В рамках EL-HH гиперэвристический контроллер учится выбирать и комбинировать операторы оптимизации более низкого уровня, используя стратегию энергетического обучения. Постоянно обновляя вероятности выбора этих операторов в соответствии с их исторической эффективностью, алгоритм выделяет направления поиска, которые улучшают качество решения, одновременно исследуя альтернативные варианты.

В этом методе используются несколько операторов оптимизации вместе с направленными процедурами на основе графов для настройки порядка и времени выполнения задач. Эти механизмы уточняют планы назначения так, что каждый БПЛА получает возможный маршрут без столкновений, который учитывает сроки выполнения миссии и ограничения полезной нагрузки, одновременно распределяя рабочую нагрузку по всему рою.

Согласно исследованию, исследователи протестировали алгоритм EL-HH как в простых, так и в сложных средах моделирования, а также в реальных экспериментах в помещении. В ходе этих тестов EL-HH показал более быструю сходимость и более качественные решения, чем оптимизация роя частиц, оптимизация серого волка и некоторые другие традиционные метаэвристики, особенно когда набор задач и структура ограничений становились более требовательными.

Результаты показывают, что разнородные группы БПЛА, управляемые EL-HH, могут более эффективно выполнять пакеты задач, сохраняя при этом возможность избегать препятствий и удовлетворять ограничениям. Авторы сообщают, что алгоритм сохраняет надежность по мере увеличения размера задачи, что имеет решающее значение для крупномасштабных скоординированных миссий, включающих множество дронов и различные типы задач.

«Это исследование обеспечивает надежную техническую поддержку совместной работы групп БПЛА в сложных сценариях», — добавляет Чен. Команда отмечает, что такие возможности актуальны для разведки, поддержки ударов, поисково-спасательных операций и других операций, в которых несколько БПЛА должны координировать свои действия в реальном времени в динамическом воздушном пространстве.

Заглядывая в будущее, исследователи планируют усовершенствовать гиперэвристический уровень, чтобы лучше адаптироваться к быстро меняющимся условиям боя и неопределенной информации о задачах. Они подчеркивают будущие направления, которые включают интеграцию более сложных моделей среды, повышение оперативности реагирования в реальном времени и расширение инфраструктуры до полностью распределенных или частично децентрализованных архитектур управления роем.

Отчет об исследовании: гиперэвристический алгоритм энергетического обучения для совместного назначения задач разнородным БПЛА в условиях сложных ограничений

Read More