L'allocation de tâches multi-aéronefs (MATA) joue un rôle essentiel dans l'amélioration de l'efficacité des missions dans des conditions dynamiques. Cet article propose un nouveau cadre de programmation génétique coévolutionnaire (CoGP) qui conçoit automatiquement des heuristiques réactives performantes pour les problèmes dynamiques de MATA. Contrairement aux méthodes classiques de programmation génétique à arbre unique, CoGP développe conjointement deux populations interactives, à savoir les heuristiques de priorisation des tâches et les heuristiques de sélection des aéronefs, pour modéliser explicitement le couplage entre ces deux phases décisionnelles interdépendantes. Un ensemble terminal complet est construit pour représenter les états dynamiques des aéronefs et des tâches, tandis qu'un modèle heuristique de bas niveau traduit les arbres développés en stratégies d'allocation exécutables. Des expériences approfondies sur des instances de référence publiques simulant la livraison d'urgence post-catastrophe démontrent que CoGP obtient des performances supérieures par rapport aux méthodes GP et heuristiques à la pointe, montrant une forte adaptabilité, une évolutivité et une réactivité en temps réel dans des environnements de sauvetage complexes et dynamiques.

Allocation de tâches;Programmation génétique (GP);Hyperheuristique;Optimisation combinatoire;Apprendre à optimiser