Распределение задач между несколькими летательными аппаратами (MATA) играет ключевую роль в повышении эффективности выполнения миссий в динамических условиях. В статье предлагается новая рамочная модель коэволюционной генетической программирования (CoGP), которая автоматически разрабатывает высокоэффективные реактивные эвристики для динамических задач MATA. В отличие от традиционных методов генетического программирования с одним деревом, CoGP совместно развивает две взаимодействующие популяции — эвристики приоритизации задач и эвристики выбора летательных аппаратов, что явно моделирует взаимосвязь между двумя взаимозависимыми этапами принятия решений. Построен обширный набор терминалов для представления динамических состояний летательных аппаратов и задач, в то время как шаблон низкоуровневой эвристики переводит разработанные деревья в исполняемые стратегии распределения. Широкие эксперименты на общедоступных эталонных примерах, моделирующих экстренную доставку после стихийных бедствий, показывают, что CoGP достигает превосходной производительности по сравнению с современными методами GP и эвристиками, демонстрируя сильную адаптивность, масштабируемость и оперативную отзывчивость в сложных и динамичных условиях спасательных операций.

Распределение задач;Генетическое программирование (GP);Гиперэвристика;Комбинаторная оптимизация;Обучение оптимизации