基于秃鹰⁃天鹰混合群智能优化的无人机任务分配方法OA

针对现有多无人机任务分配模型以线性距离为度量,忽略地形、威胁源等环境约束,以及传统秃鹰优化算法存在种群多样性不足、易陷局部最优等缺陷,提出一种基于秃鹰⁃天鹰混合优化(Hybrid Bald Eagle⁃Aquila Optimization,HBAO)的多无人机任务分配方法.首先,构建融合三维地形、威胁源及无人机物理约束的多旅行商任务分配模型,通过代价函数实现任务分配与航迹规划的紧耦合;然后,设计任务分配编码,改进优化策略,将天鹰优化算法的扩展⁃缩小搜索策略融入秃鹰算法的全局搜索阶段以提升探索效率,并引入折射反向学习机制增强种群多样性,有效平衡算法开发与探索能力;最后,设计双模型实验来验证算法效能.结果表明,提出的HBAO算法在复杂战场环境下求解精度和收敛速度较高,其综合性能优于五种对比算法,并且全局代价显著降低,能生成低能耗、高适应性的任务分配方案.