随着卫星、无人机(UAV)、飞艇、雷达等观测资源的快速发展及光学、微波等观测技术的成熟，对地观测技术在灾害救援、灾损评估等领域发挥着不可或缺的作用。在灾后救援中，时空离散、属性单一的单类别观测资源难以满足各类事件的多样化监测需求。协同多类异构观测资源构建空天地一体化的对地观测系统，是突破对地观测能力瓶颈、实现异构观测资源优势互补的重要手段^[1]。目前，美国合并多个对地监测机构成立图形图像局实现了对地观测资源的统一规划部署，打破了对地监测数据的割裂，以促进对地观测数据的融合^[2]，法国、印度等国家也在大力发展空天地一体化的对地观测系统，综合考虑应用需求，提升观测精度与效率^[3]。中国正在极力推进空天地一体化的高分专项工程建设，构建对地观测网络，以提升高空间分辨率、高时间分辨率和高光谱分辨率的数据获取能力^[4]。
应急事件中的观测任务具有需求随机更新、时空动态变化等典型特征^[5]，在动态不确定环境下实现异构观测资源的协同规划是制定任务执行方案的难点所在^[6]。国内外****已针对对地观测资源规划问题开展了大量研究工作。目前，对地观测资源的协同规划研究大都集中于单类资源的规划。其中，对地观测卫星的规划调度研究相对成熟^[7]，模拟退火算法^[8-9]、禁忌搜索算法^[10]、粒子群算法^[11]、蚁群优化算法^[12]等大量智能寻优算法被用于优化计算卫星规划的执行方案。无人机的协同规划方法也有着丰富而深入的研究，相关****从单一无人机规划^[13-14]、多无人机协同规划^[15-16]等多个角度对无人机规划调度做了系统而深入的研究，其中具有代表性的方法是面向多目标的分布式规划方法^{[14, 17]}和基于整数规划^[18]的协同规划方法^[19]。此外，地面观测资源规划问题多被抽象成背包问题或旅行商问题^[20]，并针对不同的资源类型、任务场景对规划问题进行建模求解。
随着观测任务复杂性的提升，单类资源的孤立观测难以满足日益增长的对地观测需求。对地监测研究开始关注空天两类资源的协同规划^[21]。现有空天资源协同规划研究多以传统单类资源规划为基础，并顾及多类资源异构性发展了一些优化方法，如在传统多目标规划基础上发展的空天分布式结构及多阶段协同规划方法^[22]。空天协同规划在抢险救灾等应急任务方面的应用日益拓展，这对对地观测方案提出了高时效、可扩展的观测需求，传统协同规划方法几小时乃至几天的规划周期远不能满足应急任务的应用要求。特别是在抢险救灾情景下，对地观测任务具有随机并发性，充分发挥资源协同的优势，发展出在不确定环境下动态高效地完成大规模任务的规划方案是解决问题的关键^[21]。有****提出兼顾资源利用效率与规划周期的规划方法^[23]。也有****构建移动目标的空天协同连续观测规划模型^[24]。针对规划方法中参数难以确定、求解周期长、动态目标的平均检测周期长等问题，有****结合蚁群算法^[21]、克隆遗传算法^[25]、通用模式分解算法^[26]等人工智能算法对规划方法进行优化。
通过以上分析，单类平台孤立规划的对地观测研究已经相对成熟，其获得的观测收益趋向极限，而多平台协同规划方法尚处于起步阶段，多为传统单平台规划方法的延伸。现阶段，空天资源协同规划研究更多关注静态任务、少量资源的规划场景，对地观测资源协同规划方法能够在长时序非应急情景下取得较好的观测收益。但传统对地观测资源规划方法均利用静态数据验证方法并分析模拟结果^[27]，对任务发生的时序性及动态调整过程考虑不足，不适用于应急监测任务中连续协同规划的任务场景。突发事件中，任务的连续随机调整对多资源协同规划方法的规划效率、重规划稳定性、任务完成率都提出了较高的要求。所以，针对资源动态扩展、任务随机并发的对地观测资源协同规划方法有待深入研究。针对传统对地观测资源规划策略在多类异构平台协同、多任务动态调整情景下的应用局限，本文提出一种面向不确定环境的对地观测资源动态协同规划方法。首先，结合合同网协议构建了自下而上的异构观测资源分布式动态协同框架，以高效整合空天地观测资源。其次，基于此框架将异构观测资源的协同规划问题转换为任务分配问题，提出多轮组合分配方法以解决大规模任务的动态重规划问题。在2组大规模任务动态重规划的模拟场景中，本文方法均能够合理、高效地协同规划多类异构观测资源完成观测任务，为多类资源动态协同、多任务连续调整情景下的观测方案制定提供了一种具有实际应用价值的解决方法。
1 问题描述及研究策略 1.1 问题分析 对地观测资源协同规划就是充分发挥卫星、无人机等对地观测资源的性能优势，合理安排观测任务，以利用少量的观测资源完成尽可能多的观测任务。动态协同规划问题存在以下难点：①多类对地观测资源的异构性。资源运行方式、观测技术、观测能力等差异导致的不同观测资源的异构性，为多类对地观测资源协同规划带来了困难。②不确定性环境下的动态重规划。在应急规划的过程中，任务的数量、规模、大小、重要性等都会随着时间推移而动态变化。此外，资源自身观测能力及稳定性在任务执行过程中也会随着时间变化。由于观测环境的动态性，传统的面向静态问题的协同规划方案大都难以在应急任务中得到应用。随着任务本身及资源执行环境的动态变化，原有的规划方案很难如期开展，需要在原规划方案的基础上重新制定观测方案，这对规划方法的效率及规划方案在动态环境中的稳定性提出了更高的要求。
针对以上问题，本文借助合同网协同规划异构对地观测资源，提出自下而上的分布式合同网动态协同框架，以整合多类异构观测资源，并基于此框架发展多轮组合分配方法，实现动态不确定环境下资源的主动高效重规划。
1.2 自下而上的分布式动态协同框架 应急救援场景下，在多类对地观测资源规划过程中，协同规划首先要解决的是多类观测资源如何耦合与集成的问题。本文提出了契合现有各类资源管理方式及通信情况的自下而上的分布式动态协同框架，将任务的传入到分配过程如图 1所示分为4个层次：

图 1 分布式动态协同框架示意图 Fig. 1 Schematic diagram of distributed dynamic collaborative framework

图选项

1) 任务层。动态环境下，当任务需求发生变化时，任务代理按照资源的观测能力划分任务，然后将分割后的任务子集传入下一层各类资源的待规划任务序列。
2) 资源协同层。资源将新传入任务子集与原待规划任务序列整合，并同可通信邻域资源协商，按照资源观测能力分配任务，将未完成的任务作为任务子集传入下一层的待规划任务序列。
3) 规划中心内部协同层。将上一层传入任务作为本层次待规划任务序列，规划中心依据资源自身剩余观测能力为所辖资源分配任务，最终确定层内规划结果，并将未完成任务子集传入下一层待规划任务序列。
4) 规划中心协同层。更新待规划任务序列后，规划中心协调其他规划中心完成观测任务。
分布式动态协同框架将待观测任务按照资源协同层、规划中心内部协同层及规划中心协同层依次提交，自下而上多轮次完成任务分配。这能够充分发挥资源间、规划中心间的规划能力，提高任务规划效率。在不确定环境下，当任务动态变化时先由底层资源优先做出规划，在规划过程中最大程度地平衡收益、方案改变率与效率之间的关系。相对于传统的自上而下的解决策略，这种自下而上的分布式动态协同框架能够很好地解决不确定性环境中由于任务及资源动态性所引起的规划效率低下问题。
2 多轮组合分配方法 根据自下而上的框架，本文提出多轮组合分配方法来快速规划大规模任务。本文方法采用3种策略来提高任务的分配效率：任务组合分配、多任务集同步分配、多层次资源分配。为了解决大规模任务带来的求解困难和效率低下的问题，本文方法首先根据资源当前位置及其观测能力构造资源Voronoi图。然后将任务按照该Voronoi图分割成多个小的任务集，并被同步分配给不同的资源。最后根据协同规划框架，依据自下而上3个层次依次分配任务。
2.1 面向大规模任务的规划策略 1) 基于加权Vornonoi图的任务划分
在自下而上的任务分配过程中，首先要解决的是对地观测任务发生时任务层及资源协同层的联动分割。加权Vornonoi图划分权重的变化体现了资源间异构性所带来的观测能力变化, 相较于其他划分方式有着易于确定边界、可以在规划过程中快速高效地对动态传入的任务及变化的资源进行划分的特点。同时其对权重的引入，可以更好地表征资源间观测能力的差异。定义集合R={R₁，R₂, …，R_n}为所有资源共同构成的资源集合。资源R_j可以直接通信的邻域资源集合构成资源R_j的可通信邻域资源集合A_j。对于资源集合R，根据不确定情境下各类资源执行观测任务的能力定义评价矩阵E={E₁，E₂, …，E_n}，资源观测能力评价矩阵E由被测区域地形环境、天气状况等针对不同类型资源评估得出。本文以资源观测能力评价矩阵E为权重，以资源集合R为划分元对观测区域进行加权Vornonoi图划分。
当任务序列T={T₁，T₂, …，T_L}传入时(见图 2)，按照任务T_L的地理位置划分任务，重划分后的子任务序列T={T₁，T₂，…，T_n}与按照加权Vornonoi图划分后最邻近资源集R相对应。图 2中：圆形表示规划中心，三角形表示观测资源，正方形表示任务。

图 2 观测任务划分流程 Fig. 2 Observation task division flowchart

图选项

2) 多层次组合分配
在自下而上的分布式动态协同框架各层次中，本文采用合同网协议机制分配任务。合同网协议是为协调多角色博弈问题所提出的合约协商过程，由标书发布、投标、审标、公布结果4个过程组成。以任务发布者作为“招标方”、以任务接收者为“竞标方”、以待完成任务T为“拍卖品”，则原资源规划问题转化为投标选标问题，在本文合同网协议中，招标方根据选标算法选出最优投标方案集合S。综合自下而上的分布式动态协同框架与合同网协议机制，本文提出分布式动态协同规划方法(DDCP)。
输入：任务集T。
输出：规划结果S。
1 ??第1轮公开招标:
2??R_bidder Issues T to R_Tenderer in A
3??Return B from R_Tenderer to R_bidder
4??Return C_best Based algorithm LFPA
5??Notification Result in A
6??Then:
7??第2轮公开招标:
8??M_bidder Issues T to R_Tenderer in A
9??Return B from R_Tenderer to M_bidder and Selecting Bid
10??Then:
11??第3轮公开招标:
11??M_bidder Issues T to M_Tenderer in A
12??Return B from M_Tenderer to M_bidder and Selecting Bid
13??Generating Scheme and Sign Contract Based S
分布式动态协同规划方法(见图 3)包含以下3个协同规划过程：

图 3 自下而上的对地观测资源动态协同规划流程示意图 Fig. 3 Down-top flowchart for dynamic collaborative planning of earth observation resources

图选项

1) 在重划分后的子任务序列T_j传入资源R_j后，资源R_j更新任务序列，将任务序列T_j加入自身待规划任务序列P_j(第2行)。资源R对任务序列P中的任务在自身可通信邻域资源A内同步开始第一轮招标过程(第3行)。邻域内其他资源按照自身观测能力、待完成任务规划、任务情况向资源R返回标书B(第3行)。资源R根据邻域内其他资源返回信息结合算法LFPA选标(第4行)，并发布规划结果(第5行)，可通信邻域资源更新自身待完成任务序列，资源R更新自身待完成任务序列，并将未完成规划任务序列上传至规划中心M。
2) 规划中心M整合各资源上传任务形成待规划任务序列P并向所辖资源发布(第8行)，进行第2轮招标，依据所辖资源返回信息分配任务(第9行)，更新未完成任务序列后进入最后一轮组合分配。
3) 规划中心M向可通信邻域内其他规划中心发布任务序列开始招标(第11行)。依据其他规划中心所辖资源返回信息分配任务，发布招标结果，所辖资源更新自身相应任务序列(第12行)。结合三轮招标结果产生任务规划方案S(第13行)。
2.2 基于局部搜索的模糊寻优规划方法 合同网协议机制的核心是胜标优选问题。传统选标算法以全局最优解为目标，为较少收益牺牲大量运行时间。而在应急情景下，对地观测资源规划需要综合考虑算法收益与时间效率问题。本文提出了基于局部搜索的模糊寻优规划算法(LFPA)，多次迭代搜索获得局部最优解，保证算法收益的同时节约了运行时间。胜标优选问题的求解模型如下:

(1)

式中：收益函数为各个出价资源在综合考虑自身资源观测能力V及资源现有规划方案完成情况C后所给出的完成任务相应的收益矩阵B及规划矩阵X的乘积，收益越高规划方案效果越理想；m为参与竞标的资源数；n为发布任务数量；出价矩阵元素B_ij为第j个资源对第i个任务的出价；任务规划矩阵元素X_ij表示第i个任务是否被第j个资源执行；约束X_ij∈[0, 1]中，规划矩阵X代表相应任务是否为相应资源完成，其值只能为0或1；约束B_ij≥0表示收益必须为非负值；约束说明每一个任务至多只能被一个资源完成。
针对合同网协议机制内部选标问题，本文提出了LFPA算法。
输入:收益矩阵B，概率搜索参数p，迭代次数N，区间参数q。
输出:规划方案S。
1 ??Mid=B；
2??While looptimes≤N；
3??If p；
4??????Mid2={B_i| Value(B_i)-(valuest-in-C)>q}；
5??????Find best B_pick with Z=0 from Mid2 add to C
6??Else
7??????Find a random B_pick from(B-C)add to C
8??End If
9??Update Z；
10??Update S by C
11??End While
12??Return S；
LFPA算法首先在收益矩阵B中选出一个与候选解C没有冲突的候选出价B_pick加入候选解C中，为避免陷入局部最优问题同时兼顾规划收益，以概率p按照收益优先原则选出B_pick(第3行)。在选择过程中，传统求解目标为全局最优的规划方法，在搜索过程中，为判断几个收益差距不大的出价，需要花费大量计算时间。因此在LFPA算法中，本文在判断候选出价时引入区间参数q，出价差在出价区间q内的出价被认为具有相似收益，当选入候选投标B_ij后候选解C总收益超出原候选解C与区间参数q的和时，候选出价B_ij进入临时存储集合Mid2。相似区间的长度q限制了算法游走时与候选解C收益近似相等其他出价被选择进入候选解C次数，从而大幅提高了算法运行效率(第4行)。之后，选择Mid2中与候选解C中各投标方案不冲突的候选投标加入候选解C(第4行)。以概率1-p随机选出B_pick加入候选解C(第7行)，后对比候选解C总收益与结果S的总收益，如果候选解C收益较高则将结果S的内容更新为C，并重新开始循环(第10行)。
考虑到不同出价往往具有冲突性，不同资源往往会对同一任务产生不同报价，而当一个任务被不同的资源选择会导致全局的收益改变。随着多次算法迭代，包含有相同任务的不同出价将被多次计算，而这些无法被选择的出价定义为与当前出价的冲突出价。本文提出了一种冲突出价检测技术，可以在算法游走时规避冲突出价，减少对已经遍历过的冲突出价的计算次数，从而提高选标算法效率。假定2个出价有对相同任务的报价，则2处出价间有冲突、初始冲突状态Z为1，反之则2处出价间无冲突、为0即为不冲突。

(2)

当一个出价被移出候选解时，其表征冲突状态的量Z变为1，对于所有与该出价冲突的出价，改变其状态量Z为0(第9行)。算法按照收益游走时，不遍历冲突状态量为1的出价(第5行)。当循环N次后，如规划方案S没有更新则输出规划方案S(第12行)。
3 实验分析 3.1 资源及对比方法设置 仿真实验模拟了包括4个规划中心、3类观测资源的应急观测场景。其中，规划中心1下辖飞艇11艘，规划中心2下辖无人机19架，规划中心3下辖无人机17架，规划中心4下辖车载雷达16辆。动态应急观测任务随机分布在100km×100km的地面空间。
为验证本文方法的有效性，分别将现有4种典型的对地观测资源规划方法作为本文分布式动态协同规划方法(DDCP)的对比验证方案：无人机、飞艇等空天观测资源按序分配方法(AUS)，基于合同网机制的单项连续拍卖方法(SSA)，以及基于整数规划的两种代表性方法，即MCP方法(MOSEK求解器求解)和BCP方法(分支定界算法求解)。
3.2 大规模任务协同规划方法对比 为验证大规模任务集中爆发情景下本文方法的有效性，设计并发任务量逐渐增加的应急观测场景，并分别依据任务完成率、运行时间、平均能耗3类指标对本文方法进行综合评估。实验结果如图 4所示，阴影区域为实验数值结果波动范围。

图 4 协同规划方法对比实验结果 Fig. 4 Comparative experimental results of collaborative planning method

图选项

如图 4(a)所示，在任务数量到达300时，AUS、SSA、BCP 3种方法的任务完成率出现较大降幅。当任务量超过400时，MCP与DDCP规划方法仍然具有超过95%的任务完成率。实验结果验证了在大规模任务并发情境下MCP和DDCP方法的任务完成率优势。
图 4(b)展示了大规模任务并发情境下不同规划方案的资源平均能耗，即资源完成自身观测任务所消耗观测能力的平均值。AUS、SSA两种方法所得观测方案的平均能耗呈下降趋势，并当任务数量大于400时趋于稳定；BCP方法的平均能耗随任务数量增加有着较大的波动，总体表现为先升后降的趋势，在并发任务数量超过250时，平均能耗趋于稳定；而MCP与DDCP两种方法，平均能耗呈微弱下降趋势，整体较为稳定，相较于其他方法在完成相同数量任务时有着更低能耗，能够充分发挥对地观测资源的观测能力。
BCP、MCP两种基于整数规划方法的目标为寻求全局最优解，这与方法的计算效率形成了天然矛盾，当大规模任务并发时这种现象尤为明显(见图 4(c))。AUS、SSA及DDCP 3种方法在运行效率上有着显著的优势，更加适用于高时效性的应急场景。
综上所述，现有规划方法的任务完成率与方法运行时间往往不可兼得，而DDCP方法在兼顾运行时间及任务完成率(平均提升30%)的同时保证了较低的平均能耗(平均降幅47%)，验证了本文在大规模任务发生、多类资源协同规划情境下的有效性。
3.3 不确定环境下协同规划方法对比 为验证在动态不确定情境下，任务需求持续动态调整时协同规划方法的有效性，本文设计以下对比实验。设初始任务数量为40，持续逐次增加40~60个任务(数量随机生成)，进而根据任务完成率、运行时间、方案改变率等指标对方法的重规划性能进行评估。任务完成率是重规划方案中可执行任务数量与所有任务数目的比值。方案改变率是相比于原有规划方案，重规划方案中执行资源发生变动的任务的比率，以衡量重规划方法的观测方案改变程度。在应急规划过程中，观测任务的持续增加意味着规划方案的动态变化，过高的方案改变率意味更多的通信时间与规划时间损失。而运行时间是应急规划情景中评价重规划方法的核心因素。实验结果如表 1~表 3及图 5所示。
表 1 重规划仿真实验任务完成率 Table 1 Re-planning simulation experimental task completion rate

重规划 次数	任务 添加量	任务 总量	任务完成率/%
			DDCP	MCP	BCP	AUS	SSA
1	40	80	97.5	100	85.0	61.3	77.5
2	46	126	94.4	98.4	84.9	61.1	74.6
3	33	159	88.7	93.1	74.8	63.5	64.8
4	37	196	85.2	89.8	69.9	54.6	59.7
5	40	236	83.9	89.4	69.9	48.3	54.2
6	42	278	80.2	85.3	68.0	43.2	50.0

表选项






表 2 重规划仿真实验运行时间 Table 2 Re-planning simulation experimental task running time

重规划次数	运动时间/s
	DDCP	MCP	BCP	AUS	SSA
1	0.764	2.200	1.226	0.766	0.781
2	0.803	3.297	2.707	0.875	0.828
3	0.892	5.641	2.979	1.031	1.203
4	1.088	7.219	4.394	1.466	1.437
5	1.331	9.578	5.908	1.969	2.344
6	1.549	14.98	8.768	2.375	2.984

表选项






表 3 重规划仿真实验方案改变率 Table 3 Re-planning simulation experimental scheme change rate

重规划 次数	任务 增长率	方案改变率/%
		DDCP	MCP	BCP	AUS	SSA
1	1	29.5	41.2	41.3	35.5	46.9
2	0.575	21.8	36.3	37.3	27.7	40.3
3	0.261	19.1	32.4	28.9	28.2	25.7
4	0.232	15.6	25.6	18.4	20.0	20.6
5	0.204	10.6	17.5	16.9	13.6	15.8
6	0.177	8.5	13.5	14.4	10.9	10.8

表选项

图 5 重规划仿真实验结果 Fig. 5 Re-planning simulation experimental results

图选项

如图 5(a)及表 1所示，由于在任务分配过程中对多资源协同的考虑不足，在多次重规划后AUS、SSA两种任务的任务完成率下降明显。而BCP、MCP、DDCP 3种方法在每次任务重规划时，从全局角度优化资源的协同能力，对原有方案进行调整，所以其任务完成率下降缓慢。特别是MCP方法通过探索全局最优解及DDCP方法通过多次迭代求近似全局最优解，达到了重规划方案的高任务完成率要求，从而更加适用于重规划情景。实验结果显示，在6次重规划后，相对于AUS、SSA、BCP等方法，DDCP方法的任务完成率提高了约25%。
如图 5(b)及表 2所示，与3.2节的方法对比实验结果类似，由于DDCP方法采取了分层次的分配策略和合同网分配机制，均衡了重规划收益与运行时间，从而较其他3种方法，DDCP方法在提升了约25%任务完成率的同时，降低了近20%的运行时间。
如图 5(c)及表 3所示，随着重规划次数的增加，5种方法的方案改变率均呈下降趋势，但BCP、MCP、SSA、AUS 4种方法的方案改变率均高于DDCP方法，部分方法重规划方案改变率已超过任务增长率。DDCP方法由于采取了多层次分配策略，在资源层分配大量任务能够充分发挥资源计算能力且保证了较小的方案改变率，所以6次重规划后DDCP方法的方案改变率仅为8.5%相较于其他4种方法提升50%左右，更适应新任务不断产生、规划方案不断改变的应急规划场景。
综上，DDCP方法的任务完成率与寻找全局最优的MCP方法相当，且其多次重规划的方案改变率及运行时间表现最优。而AUS及SSA方法虽然在任务数量少、任务变化小的情境下有着与DDCP方法相当的任务完成率及运行时间，但在重规划次数达到6次时，任务完成率不及DDCP方法的80%，且方案改变率相较于DDCP方法高20%。实验结果证明DDCP方法虽然牺牲了少量任务完成率，但在方案改变率及运行时间方面有着极为显著的提高，更加适合任务动态变化的应急规划情境。
4 结论 1) 本文提出了一种基于合同网协议的对地观测资源动态协同规划框架，用以解决应急规划中多类资源协同规划的问题，此框架能够协同多类对地观测资源快速制定用于监测应急灾害的观测方案。
2) 本文提出了自下而上的对地观测资源协同规划策略，提升了海量任务并发时观测方案的任务完成率，提高了任务动态变化情景下重规划方案的稳定性，更加适用于不确定环境下的应急监测任务。
3) 本文提出基于局部搜索模糊寻优规划算法，引入平等出价及冲突检测技术，以减少对近似出价及冲突出价的计算，大大提升了算法求解时间。
本文方法在实际规划过程中更加符合动态不确定情景下的重规划场景，但未深入考虑各类观测资源间通信机制，未来将结合实际应用对方法中通信机制进行深入研究。

参考文献

[1]	李德仁. 论空天地一体化对地观测网络[J]. 地球信息科学学报, 2012, 14(4): 419-425. LI D R. On space-air-ground integrated earth observation network[J]. Journal of Geo-information Science, 2012, 14(4): 419-425. (in Chinese)
[2]	龚燃. 美国商业对地观测数据政策发展综述[J]. 国际太空, 2016(5): 24-27. GONG R. Overview of the development of U.S.commercial earth observation satellite data policy[J]. Space International, 2016(5): 24-27. (in Chinese)
[3]	郭建宁. 促进国家对地观测体系顺利发展的思考[J]. 中国工程科学, 2006, 8(10): 47-53. GUO J N. Considerations on promoting the smooth development of national land observation system[J]. Strategic Study of CAE, 2006, 8(10): 47-53. (in Chinese)
[4]	天地一体、统筹建设高分辨率对地观测系统初具规模[J].国防科技工业, 2017(10): 69-71. Integration of heaven and earth, overall construction of high-resolution earth observation system has taken shape[J].Defence Science & Technology Industry, 2017(10): 69-71(in Chinese).
[5]	江建清, 伍国华, 朱晓敏. 一种两阶段多平台对地观测资源匹配方法[J]. 科学技术与工程, 2012, 12(27): 6984-6990. JIANG J Q, WU G H, ZHU X M. A two phase matching approach of multi-platform earth observing resource[J]. Science Technology and Engineering, 2012, 12(27): 6984-6990. (in Chinese)
[6]	李勤勇, 宋建功, 高世伟, 等. 面向地震应急响应的松耦合研判模型管理机制[J]. 北京航空航天大学学报, 2017, 43(4): 720-730. LI Q Y, SONG J G, GAO S W, et al. A loose-coupled mechanism of analysis model management for earthquake emergency response[J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(4): 720-730. (in Chinese)
[7]	董云峰, 卫晓娜, 郝朝. 引入多Agent协商的协同优化在卫星设计中的应用[J]. 北京航空航天大学学报, 2016, 42(5): 1055-1064. DONG Y F, WEI X N, HAO C. A multi-Agent negotiation based collaborative optimization application in satellite design[J]. Journal of Beijing University of Aeronautics and Astronautics, 2016, 42(5): 1055-1064. (in Chinese)
[8]	伍国华, 马满好, 王慧林, 等. 基于任务聚类的多星观测调度方法[J]. 航空学报, 2011, 32(7): 1275-1282. WU G H, MA M H, WANG H L, et al. Multi-satellite observation scheduling based on task clustering[J]. Acta Aeronautica et Astronautica Sinica, 2011, 32(7): 1275-1282. (in Chinese)
[9]	VIRGINIE G, DANIEL V. Enumeration and interactive selection of efficient paths in a multiple criteria graph for scheduling an earth observing satellite[J]. European Journal of Operational Research, 2002, 139(3): 39-45.
[10]	BIANCHESSI N, CORDEAU J F, DESROSIERS J, et al. A heuristic for the multi-satellite, multi-orbit and multi-user management of earth observation satellites[J]. European Journal of Operational Research, 2007, 177(2): 750-762.
[11]	ZHANG D, GUO L, CAI B, et al.A hybrid discrete particle swarm optimization for satellite scheduling problem[C]//2011 IEEE International Conference on Intelligent Computing and Integrated Systems.Piscataway: IEEE Press, 2011: 78-82.
[12]	WU G, MA M, ZHU J, et al. Multi-satellite observation integrated scheduling method oriented to emergency tasks and common tasks[J]. Journal of Systems Engineering and Electronics, 2012, 23(5): 723-733.
[13]	MIAO H, TIAN Y C. Dynamic robot path planning using an enhanced simulated annealing approach[J]. Applied Mathematics and Computation, 2013, 222: 420-437. DOI:10.1016/j.amc.2013.07.022
[14]	JEAN B, ABDESLEM B, ABDELHAMID B, et al. A new mixed-integer linear programming model for rescue path planning in uncertain adversarial environment[J]. Computers and Operations Research, 2012, 39(12): 3420-3430.
[15]	YU T Y, TANG J, BAI L. Collision avoidance for cooperative UAVs with rolling optimization algorithm based on predictive state space[J]. Applied Sciences, 2017, 7(4): 368-376.
[16]	曾佳, 申功璋, 夏洁, 等. 面向地面运动目标的无人机协同航迹规划[J]. 北京航空航天大学学报, 2009, 35(7): 887-890. ZENG J, SHEN G Z, XIA J, et al. Cooperative trajectory planning for UAV towards moving target aground[J]. Journal of Beijing University of Aeronautics and Astronautics, 2009, 35(7): 887-890. (in Chinese)
[17]	孙明君, 史建国. 基于MAS的多无人机任务规划系统研究[J]. 微计算机信息, 2009, 25(33): 45-47. SUN M J, SHI J G. Research on mission planning system of multiple unmanned aerial vehicle based on multi-agent system[J]. Microcomputer Information, 2009, 25(33): 45-47. (in Chinese)
[18]	杨晨, 张少卿, 孟光磊. 多无人机协同任务规划研究[J]. 指挥与控制学报, 2018, 4(3): 234-248. YANG C, ZHANG S Q, MENG G L. Multi-UAV cooperative mission planning[J]. Journal of Command and Control, 2018, 4(3): 234-248. (in Chinese)
[19]	贺川, 邱涤珊, 许光, 等. 面向对地成像观测任务的高空飞艇应急调度[J]. 航空学报, 2012, 33(11): 2082-2092. HANG C, QIU D S, XU G, et al. Emergency scheduling of earth-observing imaging tasks on high-altitude airships[J]. Acta Aeronautica et Astronautica Sinica, 2012, 33(11): 2082-2092. (in Chinese)
[20]	SALHI S, WASSAN N, HAJARAT M. The fleet size and mix vehicle routing problem with backhauls:Formulation and set partitioning-based heuristics[J]. Transportation Research Part E:Logistics and Transportation Review, 2013, 56: 22-35. DOI:10.1016/j.tre.2013.05.005
[21]	WU G, LIU J, MA M H, et al. A two-phase scheduling method with the consideration of task clustering for earth observing satellites[J]. Computers and Operations Research, 2013, 40(7): 1884-1894. DOI:10.1016/j.cor.2013.02.009
[22]	李军, 钟志农, 景宁, 等. 异构MAS结构下的空天资源多阶段协同任务规划方法[J]. 航空学报, 2013, 34(7): 1682-1697. LI J, ZHONG Z N, JING N, et al. Space-air resources multi-phase cooperation task planning approach based on heterogeneous MAS model[J]. Acta Aeronautica et Astronautica Sinica, 2013, 34(7): 1682-1697. (in Chinese)
[23]	LI J, CHEN H, JING N. A data transmission scheduling algorithm for rapid-response earth-observing operations[J]. Chinese Journal of Aeronautics, 2014, 27(2): 349-364.
[24]	梁星星.面向海上移动目标跟踪观测的空天协同任务规划研究[D].长沙: 国防科学技术大学, 2016. LIANG X X.Research on aerospace cooperative mission planning for continuation observation of maritime moving targets[D].Changsha: National University of Defense Technology, 2016(in Chinese).
[25]	付强, 王刚, 肖金科, 等. 空天高速飞行器多传感器协同跟踪任务规划研究[J]. 系统工程与电子技术, 2014, 36(10): 2007-2012. FU Q, WANG G, XIAO J K, et al. Research on multi-sensor cooperative tracking of high-speed aerospace vehicle[J]. Systems Engineering and Electronics, 2014, 36(10): 2007-2012. (in Chinese)
[26]	梁星星, 修保新, 范长俊, 等. 面向海上移动目标的空天协同连续观测模型[J]. 系统工程理论与实践, 2018, 38(1): 229-240. LIANG X X, XIU B X, FAN C J, et al. The aerospace cooperative planning model for maritime moving target continuation observation[J]. Systems Engineering-Theory & Practice, 2018, 38(1): 229-24. (in Chinese)
[27]	庞策, 单甘霖, 段修生. 多传感器协同识别跟踪多目标管理方法研究[J]. 北京航空航天大学学报, 2019, 45(8): 1674-1680. PANG C, SHAN G L, DUAN X S. Management method for multiple sensors' recognizing and tracking multiple targets cooperatively[J]. Journal of Beijing University of Aeronautics and Astronautics, 2019, 45(8): 1674-1680. (in Chinese)