Die Aufgabenverteilung für mehrere Flugzeuge (MATA) spielt eine entscheidende Rolle bei der Verbesserung der Missions-effizienz unter dynamischen Bedingungen. Dieses Papier schlägt einen neuartigen koevolutionären genetischen Programmier-rahmen (CoGP) vor, der automatisch leistungsstarke reaktive Heuristiken für dynamische MATA-Probleme entwirft. Im Gegensatz zu herkömmlichen genetischen Programmierverfahren mit Einzelbaum entwickelt CoGP zwei interagierende Populationen, nämlich Aufgabenpriorisierungs-heuristiken und Flugzeugwahl-heuristiken, um die Kopplung zwischen diesen beiden voneinander abhängigen Entscheidungsphasen explizit zu modellieren. Ein umfassendes Terminalset wird erstellt, um die dynamischen Zustände von Flugzeugen und Aufgaben darzustellen, während eine niedrigstufige Heuristikvorlage entwickelte Bäume in ausführbare Allokationsstrategien übersetzt. Umfangreiche Experimente an öffentlichen Benchmark-Instanzen, die Notfalllieferungen nach Katastrophen simulieren, zeigen, dass CoGP eine überlegene Leistung gegenüber modernen GP- und Heuristikmethoden erzielt und dabei starke Anpassungsfähigkeit, Skalierbarkeit und Echtzeitreaktionsfähigkeit in komplexen und dynamischen Rettungsumgebungen demonstriert.

Aufgabenverteilung;Genetische Programmierung (GP);Hyperheuristik;Kombinatorische Optimierung;Lernen zur Optimierung