💻 computer science

Enhanced Gold Mining Optimization with Dual-Layer Information Sharing and Dynamic Control for Multi-Objective Scheduling of Heterogeneous UAV Swarms

本文提出了一种具有双层信息共享框架和动态帕累托支配机制的改进型金矿优化算法（IGMO-DP），通过同时优化任务完成时间、能量消耗和负载均衡，有效解决异构无人机集群的多目标调度问题，并证明了其相比于现有先进算法具有更优越的收敛性和解的多样性。

原作者： Zhongming Lin, Siyuan Wei

发布于 2026-07-09

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Zhongming Lin, Siyuan Wei

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是这样一支多样化无人机编队的指挥官。你的编队中既有速度快、航程长的固定翼飞机（类似于货运卡车），也有灵活、能悬停的旋翼机（类似于敏捷的快递员），还有兼具两者特点的混合型无人机。你的任务是派遣它们去完成散落在城市各处的任务清单。

你面临三个主要目标，但这些目标经常相互冲突：

追求速度： 尽可能快地完成所有工作。
节省电池： 不要让无人机耗尽电量。
保持公平： 确保没有哪架无人机在过度劳累，而其他无人机却在闲逛。

这是一个极其困难的谜题。如果你只要求无人机跑得快，它们可能会耗尽电池；如果你试图节省能源，任务可能要进行很久。研究人员称之为“多目标优化”问题。

旧方法：“淘金者”算法

论文首先介绍了一种名为**黄金挖掘优化（Gold Mining Optimization, GMO）**的新型计算机程序。你可以把它想象成一群正在寻找宝藏的淘金者。

它的运作方式： 淘金者会随机游走，有时跟随发现最多黄金的人，有时与随机的邻居聊天。
问题所在： 当这种“矿工”方法应用于我们的无人机编队时，它显得有些笨拙。这些矿工（无人机）的信息共享效率不高，它们的移动模式过于僵化，容易陷入“局部死胡同”，并且难以平衡上述三个相互竞争的目标（速度 vs 能量 vs 公平）。

新解决方案：IGMO-DP

作者创建了一个升级版本，称为 IGMO-DP。他们通过结合局部协作与全局策略，对“淘金者”算法进行了三项巧妙的升级。

1. “双层”聊天系统

在旧版本中，矿工只与一个随机的人交谈。在版本中，无人机使用双层信息共享系统：

局部邻里（“咖啡馆”式聊天）： 每架无人机与其最近的邻居交谈。这有助于它们精细化搜索过程，并保持群体的多样性，以免所有人都涌向同一个地方而错失其他机会。
全球精英（“老板的指令”）： 无人机还会倾听“精英档案”——这是一个由目前为止发现的最佳方案组成的特殊群体。这就像是一个 GPS，指引整个编队向最佳搜索区域前进。
神奇的混合： 算法会自动决定在“邻居”和“老板”之间倾听多少。在开始阶段，它更多地听从“老板”以快速找到好的区域。随后，它会更多地听从“邻居”来完善细节。

2. “智能步长”（动态控制）

想象一下在迷雾森林中行走。

旧方式： 矿工无论如何都迈出同样大小的步子。如果他们离黄金很近了，他们仍然会迈出巨大且笨拙的步伐，从而直接错过目标。
新方式 (IGMO-DP)： 无人机采取自适应步长。如果它们远离目标，会采取大步、大胆的探索；随着接近理想方案，它们会采取细小、谨慎的步伐，以确保不会错过最完美的地点。它们还会根据问题的“坡度”调整方向，就像徒步旅行者感受地面以寻找最易行路径一样。

3. “动态裁判”（帕累托支配）

在旧系统中，算法在早期过于严格。它会丢弃一些可能在以后很有用的“还可以”的方案。

新方式： 算法使用动态裁判。
- 任务初期： 裁判比较宽容。它会保留多种多样的方案，即使它们并不完美，以此保持选择的空间。
- 任务后期： 裁判变得严格。它开始要求绝对最优的权衡，剔除弱势方案，以寻找速度、能量和公平之间的完美平衡。

结果：奏效了吗？

研究人员将这个新的“超级矿工”算法与原始的淘金者算法，以及其他著名的算法（如 NSGA-II 和 MOPSO）进行了对比测试。他们针对不同数量的无人机和任务（从小型小组到大型集群）进行了模拟。

研究结果非常明确：

更快的收敛速度： 新算法比其他算法更快地找到了优选方案。
更好的平衡性： 它们找到的方案分布更加均匀。算法不再是出现一簇“快但昂贵”的方案和一个“慢但便宜”的方案之间的断层，而是找到了一条平滑且连续的完美权衡曲线。
数据表现： 与排名第二的算法相比，新算法将方案质量提升了约 12% 到 18%。

核心结论

论文声称，通过赋予“淘金者”算法更好的信息共享方式（局部 + 全局）、更聪明的移动方式（大步后接小步）以及更灵活的成功判定标准（前期宽容，后期严格），他们创造了一个用于调度无人机集群的卓越工具。

其结果是一个能够快速计算出如何派遣混合编队执行任务的系统，确保它们既能按时完成，又能节省电池，并公平地分配工作量——且不会陷入困境或错过最佳选择。

技术摘要：针对异构无人机集群的增强型金矿优化算法

问题陈述
本文解决了异构无人机（UAV）集群多目标协同调度这一复杂挑战。该问题涉及对由多种无人机类型（如固定翼、旋翼和混合翼）组成的机群进行任务分配与轨迹规划的紧密耦合优化。其目标是在严格的操作约束下，同时优化三个相互冲突的目标：

最小化任务完成时间（Makespan）。
最小化总能量消耗。
最大化工作量平衡（最小化个体无人机完成时间的标准差）。

该问题受限于任务唯一性、能量可行性、时间窗口以及动态可行性（如转弯半径和爬升角等运动学限制）。作者指出，现有的元启发式算法通常存在任务与轨迹规划结构性脱节、缺乏适应实时变化的静态算法设计，以及帕累托前沿（Pareto front）均匀性欠佳（存在间隙或聚集）等问题。此外，原始的**金矿优化（Gold Mining Optimization, GMO）**算法虽然在全局探索方面有效，但在处理该特定领域时，缺乏足够的种群多样性、自适应步长控制以及专门的多目标处理机制，导致容易陷入局部最优并导致帕累托前沿逼近效果较差。

方法论：IGMO-DP
为了克服这些局限性，作者提出了具有双层信息共享与动态帕累托支配机制的改进型金矿优化算法（IGMO-DP）。该方法在标准 GMO 框架中集成了三项核心增强功能：

双层信息共享机制：
- 局部邻域增强： 利用拓扑邻域结构，使个体与 $K_{neigh}$ 个最近邻居交换信息。采用加权平均融合策略，为具有更好非支配等级的邻居分配更高权重，从而保持局部多样性并防止过早收敛。
- 全局精英引导： 通过外部精英解存档引导种群趋向帕累托最优前沿。
- 自适应融合： 使用随时间变化的系数 $\alpha(t)$ 动态平衡局部向量与全局向量的影响，在迭代早期优先进行全局探索，在后期侧重于局部精细搜索。
动态位置更新机制：
- 自适应步长： 根据个体的适应度提升情况和迭代次数调整步长 $\eta_i(t)$ 。这使得算法在全局探索阶段能采取大步长，而在局部开发阶段能采取更精确的小步长。
- 方向调整： 引入基于梯度的因子，根据目标函数的局部地形调整搜索方向，以平衡信息引导与梯度下降。
动态帕累托支配与存档维护：
- 动态支配阈值： 阈值 $\tau(t)$ 随迭代次数递减。在早期阶段，放宽支配标准以保留多样且略差的解；在后期阶段，收紧至标准帕累托支配以加速收敛。
- 精英存档： 维护一个非支配解集，并在容量超出时使用拥挤距离（crowding distance）对存档进行修剪，以确保帕累托前沿的覆盖均匀性。

该算法将解编码为任务分配矩阵和执行序列，并利用 Dubins 路径模型 在进行适应度评估时确保运动学可行性。在帕累托集中的最终决策通过 TOPSIS 方法完成。

主要贡献

算法创新： 开发了 IGMO-DP，专门通过双层信息共享和动态控制机制，将金矿优化算法应用于多目标异构无人机调度。
问题建模： 构建了一个严谨的数学模型，在通过 Dubins 路径强制执行严格运动学和时间约束的同时，联合优化时间、能量和负载平衡。
机制分析： 引入了动态帕累托支配策略，该策略无需手动参数调优即可实现自我调节的选择压力，有效地平衡了收敛速度与解的多样性。

实验结果
IGMO-DP 算法在三个复杂度递增的场景（S1：5 架无人机/10 个任务；S2：10 架无人机/20 个任务；S3：20 架无人机/40 个任务）下，与四种基准算法（原始 GMO、NSGA-II、MOPSO 和 HMOEA）进行了对比评估。

收敛性与质量： IGMO-DP 的表现持续优于所有基准算法。在最复杂的场景（S3）中，与第二优算法（HMOEA）相比，其**反转生成距离（IGD）**提升了 12.7%–18.3%，**超体积（HV）**提升了 8.2%–14.6%。
均匀性： 该算法生成的帕累托前沿具有显著更好的间距（SP），在解分布均匀性方面提升了 15.1%–22.4%。
稳定性： 在 30 次独立运行中，IGMO-DP 展示了卓越的稳定性，与其它算法相比，其标准差更低且离群值更少。
消融实验： 实验证实，移除任何单一组件（局部共享、全局共享、自适应步长或动态支配）都会导致可衡量的性能下降，验证了各模块的必要性。例如，移除局部共享会导致 SP 指标下降 21.3%。
计算效率： 虽然 IGMO-DP 带来了轻微的运行时间增加（在 S2 中比 NSGA-II 高出约 15%），但作者指出，对于以解质量为首要目标的离线调度应用而言，这是可以接受的。

意义与主张
本文声称 IGMO-DP 为异构无人机多目标调度提供了一种鲁棒且可扩展的解决方案。其主要意义在于能够：

同时优化相互冲突的目标（时间、能量、负载），同时遵循复杂的物理约束。
保持高多样性 的解集，为决策者提供广泛且分布均匀的权衡选项（例如，在灾难响应场景中优先考虑速度 vs. 能量）。
自主运行，得益于其动态支配和自适应机制，无需手动进行平衡收敛与多样性的参数校准。

作者总结认为，该算法在工程应用中是可行的，并引用了一个具体案例研究：在灾难响应场景中，与传统的贪婪算法相比，该算法将任务完成时间缩短了 23%，并将能量消耗降低了 18%。未来的工作建议聚焦于通过强化学习实现的在线调度、分布式架构以及硬件在环测试。