无人机任务分配：最小风险模型与专家信度

"该文研究了战场环境下无人机任务分配的问题，面对不确定性，提出了基于专家信度的最小风险模型。通过不确定理论，建立了以信度函数为目标的优化模型，并通过假设处理转换为分式目标函数的问题。进而，设计了一种比率一维搜索直接算法来寻找最小风险解。实验结果显示，该模型和算法能有效规避不确定性大的侦察目标，并可提供不同信度级别的解决方案。" 在战场环境中，无人机任务分配是一个关键问题，由于存在的各种不确定因素，传统的确定性或期望值模型可能无法给出最优或可行的解决方案。为了解决这个问题，本文引入了不确定理论，构建了一个以专家信度为基础的最小风险模型。这个模型旨在最小化由于不确定性带来的风险，而非仅仅追求期望的最优结果。 具体来说，首先，作者们基于不确定理论建立了一个以信度函数为优化目标的任务分配模型。信度函数考虑了不确定性的影响，它衡量的是在特定条件下的成功率或可靠性。这种模型能够更好地反映在不确定条件下的任务执行概率，从而避免了因忽视不确定性而导致的决策失误。 其次，为了将问题转化为易于处理的形式，研究者引入了两种关于不确定向量的假设，这使得原问题转化为一个带有分式目标函数的优化问题。分式目标函数的优化通常更加复杂，但这种方法使得模型能够更直观地处理不确定性的影响。 最后，他们定义了一个以比率作为特征的辅助函数，并证明了这个函数的单调性和其他重要性质。利用这些性质，他们提出了一种比率一维搜索的直接算法，该算法能有效地寻找最小风险解。这种方法简化了原本复杂的优化过程，提高了求解效率。 实验部分对比了期望值模型和提出的最小风险模型，结果显示，最小风险模型在处理不确定性较大的侦察目标时表现出色，能有效地规避高风险的任务分配。此外，通过调整预设的收益，可以生成多种不同信度级别的任务分配方案，为决策者提供了更多的灵活性和选择。 这篇论文提供的最小风险模型和比率一维搜索直接算法为无人机任务分配在不确定环境中的决策提供了一个新的、有效的工具，对于提升战场任务执行的成功率和效率具有重要意义。