任务规划是指为高效完成任务制定计划,使得全局任务的收益最大化。任务规划从功能上主要分为任务分配和路径规划,该技术被广泛应用在民用领域和军用领域。由于当前任务呈现多地点和多样性的特点,单无人机动平台无法独立完成此类任务。而多无人机动平台通过合作可以高效率地完成此类任务,并具有鲁棒性强和可靠性高等特点。因此本文针对多无人机动平台任务规划相关技术开展研究。本文在对现有任务规划技术分析的基础上,重点研究多无人机动平台任务分配和路径规划技术。首先,针对任务分配随着任务规模增大而导致效率降低的问题,提出基于进化学习的离散粒子群算法。该算法通过对粒子进行顺序编码,实现粒子位置与问题可行解的映射,改进了粒子的进化方式,把同代群体粒子影响引入粒子位置更新公式中,保证种群的多样性,增强算法的全局搜索能力。同时在粒子向极优值学习的过程中,算法引入中间个体接受概率,提高跳出局部最优值的能力,加快算法收敛速度,提高任务分配的效率。其次,针对多无人机动平台路径规划实时性差的问题,提出基于邻域扰动的动态路径规划算法。该算法对状态的产生方式进行改进,采用五种邻域扰动机制减小新状态产生的随机性,并记录当前最优状态,使其指导算法向最优方向进行搜索,提高路径规划的实时性。另外,针对动态环境下突发任务缺少执行者的问题,该算法引入拍卖机制,实现无人机动平台对突发任务的协商,完成对原分配方案和路径的重规划,提高整体任务规划效能。本文利用MATLAB平台搭建多无人机动平台任务规划系统,对上述成果进行仿真测试。仿真结果表明,与现有算法相比,本文提出的算法能够显著提高多无人机动平台任务规划的效能和实时性,达到预期目的。