简介：基于人工免疫算法的多无人机协同任务分配，是智能算法在运筹优化中的典型应用场景。这份资料面向无人机任务规划研究人员、算法开发工程师以及有一定Matlab基础的学习者，系统梳理了从问题建模到算法实现的完整思路，可帮助解决多机协同下的任务调度与分配难题。包体仅含1个html文件，整体约9KB，网页形式集中呈现了免疫算法核心原理、无人机约束条件的数学表征以及Matlab代码实现说明，结构清晰便于逐节研读，目前已有26人浏览学习。内容具体覆盖飞行特性、任务需求、时间窗口、能耗与路径限制等建模要素，并借助亲和度、抗体浓度等免疫概念描述迭代寻优过程，给出的代码框架可直接用于仿真验证。通过这份资料，读者能够抓住基于人工免疫算法的分配策略设计主线，为后续拓展动态因素、提高算法鲁棒性及处理更大规模无人机群任务提供实验参考与延伸基础。

1. 人工免疫算法解决多无人机协同任务分配：为什么它能压过遗传算法

多无人机协同任务分配，看着像排班表，骨子里是组合爆炸。任务数过 10、无人机上 3 架时，暴力枚举的方案数直接到几十万往上，人工排布不现实，普通贪心又容易卡在局部最优。人工免疫算法从免疫系统借来一套思路——克隆选择、亲和力成熟、免疫记忆，恰好匹配“先广撒网、再精英重点搜索”的分配节奏。这个方案的核心是：用 Matlab 工程化实现一套完整代码，配合 HTML 格式的说明文档，让你在随机生成的任务坐标上直接跑出每架无人机的任务序列、总航程代价和收敛曲线。适合刚接触集群任务规划的研究生、做调度原型验证的工程师，也适合想把组合优化算法落到路径规划场景的从业者。下面从建模、编码到实跑避坑，按一条能复现的主线讲完。

2. 任务分配问题建模与算法选型：从组合爆炸到免疫系统的启发

2.1 协同任务分配在数学上是什么：一个带约束的组合优化问题

把多无人机协同任务分配抽象成数学问题时，最常用的形式是带约束的指派问题扩展：有 N 架无人机、M 个任务，决策变量是“任务 j 由无人机 i 执行”的 0-1 映射，约束包括每个任务必须被执行一次、无人机载荷或续航上限、某些任务有时间窗限制。目标函数通盘考虑总航程、总油耗或任务完成时间的最小化。

规模一上去就知道为什么需要启发式算法。M=10、N=3 时，粗略的分配方案数量是 3 的 10 次方，约 5.9 万种；M=20 时直接跳到 3.4×10 的 9 次方。这还没算任务顺序带来的排列爆炸——同一架无人机拿到 3 个任务，执行顺序不同，航程也完全不同。精确求解器在小规模还有戏，规模一大就撑不住。

所以这个标题里的“协同任务分配”本质上是一个 NP-hard 的组合优化问题。工程上常用的做法是放弃精确最优，转用元启发式算法在有限迭代里找“足够好”的方案。选什么算法、怎么编码、怎么处理约束，决定了最终方案的上限。人工免疫算法的优势恰恰集中在处理这种“组合爆炸 + 强约束”的场景。

2.2 为什么选人工免疫算法：克隆选择与亲和力成熟在分配问题里的作用

人工免疫算法的核心机制有三个：克隆选择、亲和力成熟、免疫记忆。克隆选择指的是高亲和度的抗体（对应高质量分配方案）被选中并克隆出多个副本，副本数量与亲和度成正比；亲和力成熟指的是这些副本经历高频变异，生成一群“相似但不完全相同”的方案，从中筛选更优个体；免疫记忆则将历史最优解保存在记忆池里，防止迭代过程中丢失精英解。

这和任务分配问题有一种天然的结构对应：抗体 = 一个任务分配方案；抗原 = 当前的任务集合；亲和度 = 方案代价的倒数，代价越小亲和度越高。高亲和度的方案被复制更多份，意味着算法在“好方案附近”进行密集搜索，而不是像遗传算法那样依赖大种群做全局漂移。

为什么这个机制在分配问题上好使？因为任务分配的解空间虽然大，但优质解往往集中在少数几个“山谷”附近。克隆选择天然形成局部密集搜索，超变异承担跳出局部最优的任务，记忆池保底。这三者配合下来，在小种群设定下不容易丢精英解，收敛曲线也比遗传算法更稳定。这不是说免疫算法全面碾压遗传算法，而是在“中等规模、强约束、需要快速给出可用方案”这类工程场景里，它的收敛速度和稳定性更容易调出来。

2.3 遗传算法、贪心分配与人工免疫算法的横向对比

这个对比不是我拍脑袋写的。实际工程里，贪心分配通常是拿来当基线（baseline）用的，用来验证后续算法有没有进步；遗传算法全局搜索能力强，但到迭代后期，交叉算子容易把好解的结构拆散，导致曲线在最优值附近来回抖；人工免疫算法因为克隆增殖和变异集中在精英周围，后期更稳。

选人工免疫算法还有一个现实原因：Matlab 代码包里通常自带完整实现，改造成本低。你只需要理解核心算子的含义，就能在现有框架上换亲和度函数、加约束，而不必从零开发一套进化框架。

3. 把分配问题翻译成抗体：编码方案与亲和度函数设计

3.1 抗体编码：优先权实数编码如何保证每个任务只被分配一次

编码是免疫算法和任务分配之间的翻译层，编码选错，后面的算子再漂亮也白搭。常见的编码方式有三种：二进制编码、整数序列编码、优先权实数编码。二进制编码需要解码成映射矩阵，处理“每个任务只执行一次”这类硬约束非常麻烦；整数序列编码（比如直接写任务序列）在变异时容易产生重复任务，需要额外修复算子；优先权实数编码是目前最省事的选择。

优先权实数编码的思想很直接：抗体是一个长度等于任务数 M 的实数向量，每一位对应一个任务，数值表示该任务的优先级。解码时先对向量排序，得到任务的执行顺序；再按这个顺序把任务逐个分配出去，通常是贪心插入到当前代价增量最小的无人机路由里。

这种编码有两个天然优势：排序过程不会产生重复值（处理重复时做微小扰动即可），所以每个任务只会出现一次，硬约束从结构上被满足；变异只需要对数值加一个随机扰动，不需要像整数序列那样设计复杂的交换变异。代码里实现起来也非常顺手。

3.2 亲和度函数：总代价、约束惩罚与量纲归一化

亲和度函数是算法的“指挥棒”，它定义了一个方案好还是坏。普通场景下，亲和度直接用总航程、总时间或加权油耗；带约束场景下，要在目标之外叠加惩罚项。典型形式是：总代价 = 总航程 + λ1 × 时间窗违反量 + λ2 × 载荷超限惩罚。λ 系数怎么定，是个需要实际跑一版的真问题。

我在工程里吃过一次亏：当时把时间窗惩罚系数设成 1000，航程是几十到几百公里，结果算法前几代就把所有任务塞给了同一架无人机——因为违反时间窗的代价太大了，算法宁可航程翻倍也要避开惩罚。后来我把惩罚项改成“航程最大值的 10%~50%”这个量级，曲线才变得正常。

所以设计亲和度函数的第一原则是量纲归一化。先跑一版不带约束的，统计航程代价的分布区间，再逆向设置惩罚系数。另一个原则是把约束违反量做成连续值，比如时间窗超了 5 分钟就给 5 分钟的惩罚，而不是超了就统一罚 1000。连续惩罚给算法提供了梯度信息，它才能一步步把方案挪进可行域。

3.3 解码演示：从抗体向量到无人机任务序列的 Matlab 片段

function routes = decodeImmune(antibody, taskPos, basePos) % 优先权解码：按抗体值排序得到任务序列，逐个贪心插入使代价增量最小的无人机路由 % 输入: % antibody - 1 x M 的实数向量，每个元素对应一个任务的优先级 % taskPos - M x 2 的任务坐标矩阵，单位 km % basePos - N x 2 的无人机基地坐标矩阵 % 输出: % routes - 1 x N 的 cell，每个 cell 存一架无人机的任务序号序列 nTask = length(antibody); nUAV = size(basePos, 1); % 按优先级升序排序，得到全局任务执行顺序 [~, order] = sort(antibody, 'ascend'); routes = cell(1, nUAV); routeCost = zeros(1, nUAV); for k = 1:nTask taskIdx = order(k); bestUAV = 0; bestInc = inf; for u = 1:nUAV if isempty(routes{u}) % 无人机还没任务，代价增量 = 基地到任务点距离 inc = norm(taskPos(taskIdx,:) - basePos(u,:)); else % 已有任务序列，增量 = 从最后一个任务飞到新任务的距离 lastTask = routes{u}(end); inc = norm(taskPos(taskIdx,:) - taskPos(lastTask,:)); end if inc < bestInc bestInc = inc; bestUAV = u; end end % 把当前任务追加到最优无人机的路由末尾 routes{bestUAV} = [routes{bestUAV}, taskIdx]; routeCost(bestUAV) = routeCost(bestUAV) + bestInc; end end

这段代码的逻辑分三块：排序取全局顺序、逐任务计算插入增量、贪心选择增量最小的无人机。参数里最需要注意的是 taskPos 和 basePos 的坐标单位必须一致，否则 norm 算出来的距离没有意义；另外这个版本假设无人机从基地出发后不回基地，只算前向执行航程。如果实际场景是闭环（任务完成后必须回基地），增量公式要改成“新任务插入后的环路增量差”。先跑通前向版本，再加回程逻辑，是更稳妥的调试路径。

4. 用 Matlab 搭一个最小可跑工程：主程序骨架与推荐参数

4.1 拿到压缩包后的第一步：读懂 HTML 说明与定位主函数

标题里带了 .html.rar，这类压缩包一般包含一个 HTML 格式说明文档和若干 .m 源文件。HTML 文档是作者梳理的算法思路和运行说明，价值很高，但很多人解压后直接忽略它，跑去打开 .m 文件，结果找不到入口函数，白白浪费时间。

我一般会按这个顺序处理：解压后先用浏览器打开 HTML 文档，通读里面的流程图、参数表和运行步骤；然后找到入口脚本，通常是 main.m、run_demo.m 或 demo.m 这类名字；再核对依赖的 .m 文件是否齐全，尤其是子函数文件（比如 decodeImmune、computeAffinity 这类）。确认无误后，先不改任何参数，直接运行一遍，记录输出的总航程和收敛曲线形状。

这一步的意义在于建立“基准”。先跑通、再改参，后面所有调优都有对照。很多翻车现场都是拿到代码就改参数，改完报错分不清是代码问题还是参数问题。

4.2 主循环代码：初始化、克隆选择、超变异与记忆池更新

下面是一个最小可跑的主程序骨架。它用 3 架无人机、8 个任务随机生成坐标，跑 100 代免疫算法，最后输出最优路由和每代最优代价曲线。

%% 参数区 nUAV = 3; % 无人机数量 nTask = 8; % 任务数量 popSize = 40; % 种群规模（抗体数量） cloneFactor = 5; % 克隆倍数：每个选中抗体复制 5 份 mutRate = 0.2; % 超变异概率：每个基因位以该概率扰动 memorySize = 10; % 记忆池容量（本示例简化为每代保留全局最优） maxGen = 100; % 最大迭代次数 rng(2024); % 固定随机种子，保证结果可复现 % 随机生成任务坐标，单位 km taskPos = 100 * rand(nTask, 2); % 3 架无人机的基地坐标，单位 km basePos = [50 50; 80 20; 20 80]; %% 初始化种群：均匀随机抗体 pop = rand(popSize, nTask); bestAffinity = zeros(maxGen, 1); %% 主循环 for gen = 1:maxGen % 1. 亲和度评估：对种群每个抗体解码并计算总航程 aff = zeros(popSize, 1); for i = 1:popSize routes = decodeImmune(pop(i,:), taskPos, basePos); aff(i) = computeAffinity(routes, taskPos, basePos); end % 2. 克隆选择：按代价升序排序，前一半个体进入克隆池 [~, idx] = sort(aff, 'ascend'); pool = pop(idx(1:round(popSize * 0.5)), :); % 3. 克隆复制：每个池内个体复制 cloneFactor 份 clones = []; for i = 1:size(pool, 1) clones = [clones; repmat(pool(i,:), cloneFactor, 1)]; end % 4. 超变异：克隆体每个基因位以 mutRate 概率加入高斯扰动 for i = 1:size(clones, 1) for j = 1:nTask if rand < mutRate clones(i,j) = clones(i,j) + 0.3 * randn(); clones(i,j) = max(0, min(1, clones(i,j))); % 限幅到 [0,1] end end end % 5. 选择替换：克隆体与父代混合，取代价最小的 popSize 个 combined = [pop; clones]; combAff = zeros(size(combined, 1), 1); for i = 1:size(combined, 1) routes = decodeImmune(combined(i,:), taskPos, basePos); combAff(i) = computeAffinity(routes, taskPos, basePos); end [~, ord] = sort(combAff, 'ascend'); pop = combined(ord(1:popSize), :); % 6. 记录当前代最优代价 bestAffinity(gen) = combAff(ord(1)); end %% 输出最优方案 routes = decodeImmune(pop(1,:), taskPos, basePos); for u = 1:nUAV fprintf('无人机 %d 任务序列: %s\n', u, mat2str(routes{u})); end fprintf('最优总航程: %.2f km\n', bestAffinity(end));

配套的亲和度函数也一并给出：

function val = computeAffinity(routes, taskPos, basePos) % computeAffinity 计算一个分配方案的总前向航程 % 亲和度值越小，方案越好 total = 0; for u = 1:numel(routes) if isempty(routes{u}) continue; end prev = basePos(u,:); for k = 1:numel(routes{u}) total = total + norm(taskPos(routes{u}(k),:) - prev); prev = taskPos(routes{u}(k),:); end end val = total; end

主循环分六步：评估、选择、克隆、变异、混合替换、记录最优。这里的 affinity 直接用总航程代替，数值越小代表亲和度越高，习惯上叫“亲和度评估”，实际上就是个代价函数。代码里最容易改错的是克隆池的选取比例（前一半）和变异扰动幅度（0.3）。0.3 这个值是我试过比较稳的扰动范围，任务坐标是 0~100 的随机数时，抗体值扰动 0.3 对应任务优先级的轻微变化，不会把方案结构打散。

4.3 关键参数怎么设：种群规模、克隆倍数、变异率与迭代次数

提示：参数之间是耦合的。种群大但克隆倍数小，本质上是广度搜索；种群小但克隆倍数大，本质上是深度搜索。多无人机任务分配这类中等规模组合问题，我通常优先保证克隆倍数在 5 以上，因为优质解的邻域里大概率还有更优解，这正是免疫算法相比遗传算法的发力点。

5. 避坑：多无人机任务分配在实跑中常见的四个坑

5.1 坑一：解码越界与任务漏分配

现象：运行时报“索引超出数组边界”，或者输出的分配结果里某个任务出现了两次，另一个任务从头到尾没出现过。前者常见于带切分点的序列编码——抗体由“任务序列 + 切分位置”组成，切分位置随机初始化时跑到数组边界之外；后者常见于自己重写的变异算子破坏了编码结构。

原因：切分点没有限制在合法区间 [1, M-1]，或者变异时产生了重复的任务编号，解码端又没有做归一化校验。优先权编码很少出这个问题，因为它靠排序决定顺序，天然不重复。

解决：无论用哪种编码，解码函数第一行加一行断言：排序后的序列经过唯一化处理后长度必须等于 M。我会在解码后检查length(unique(order)) == nTask，不满足就报错终止，把问题暴露在解码层，而不是让错误结果一路传到结果展示层。

5.2 坑二：惩罚项量纲过大，亲和度函数被约束“带偏”

现象：加了时间窗或载荷约束后，收敛曲线前期暴跌，但最终分配方案很不合理——所有任务堆给同一架无人机，其他无人机空载，总航程反而比不加约束时更差。

原因：惩罚系数设得太高，比如航程是几十到几百公里，惩罚项直接给 1000。克隆选择完全被“避开惩罚”主导，目标函数里的航程分量变成摆设。算法学会了“只要不违反约束，航程怎么离谱都行”。

解决：先跑一版无约束的，统计航程代价范围；再把惩罚系数设成该范围的 10%~50%，并让惩罚随违反量线性增加。同时打印每一代还有多少个体违反约束——理想状态是早期违反比例高，后期逐步收敛到 0。如果违反比例前几代直接清零，大概率是惩罚过重。

5.3 坑三：超变异率设太高，种群多样性提前崩塌

现象：不同随机种子跑出来的最优航程波动很大，而且把变异率从 0.2 调高到 0.6 之后，最优值反而变差。多次运行结果几乎一模一样，说明算法已经失去探索能力。

原因：变异率过高时，克隆体被大量打散，相当于每代都在随机重启，“克隆选择”的局部精细搜索机制失效。另一个常见误操作是让记忆池里的精英抗体也参与变异，导致历史最优解被破坏。

解决：把变异分成两类——记忆池中的精英完全不参与变异，只做“保底”；克隆体里的优秀克隆用低变异率（0.1~0.15）做精细搜索；普通克隆用略高变异率（0.3）维持探索。记住一个核心差异：人工免疫算法的高频变异是相对遗传算法说的，不是绝对数值越高越好。

5.4 坑四：HTML 文档的结果复现不出来

现象：按 HTML 文档里的运行步骤操作，得到的最优总航程和文档里贴出的数值对不上，甚至收敛曲线形状都不同，于是怀疑代码坏了。

原因：大概率是随机数种子不一致。文档作者跑结果时可能固定了种子，也可能没有固定；你本地跑的时候初始化随机种群不同，结果自然不同。另外 Matlab 区分大小写，脚本里参数名和主程序不一致时，某些设置实际没生效，也会带来微妙差异。

解决：先找 HTML 文档里有没有写初始种子或任务坐标；没有的话，自己在主程序开头加rng(固定值)，连续跑 5 次取中位数，用中位数和文档值对比。对比时看收敛曲线的形态而不是具体数字——免疫算法这类随机优化，单次结果不具备可比性，分布特征才具备可比性。如果形态都不同，再逐行核对参数名大小写。

6. 进阶验证手段与调参习惯：让分配结果稳定优于随机贪心

6.1 小规模穷举交叉验证

算法跑通之后，先别急着上大规模。把任务数压到 6、无人机保持 3，穷举所有分配方案找全局最优，再让免疫算法跑 10 次取最好值对比。如果 10 次都碰不到全局最优，说明搜索偏向有问题，优先调克隆倍数而不是变异率。这一步能在几十秒内完成，是对编码和亲和度函数最直接的体检。

6.2 参数网格扫描与贪心基线对比

另一个习惯是写一个随机贪心分配做基线——每个任务依次分配给当前增量最小的无人机。免疫算法的结果至少要稳定优于贪心 10% 以上，否则亲和度函数或编码大概率有问题，算法本质上在做无用功。参数调优时固定迭代次数，只扫变异率和克隆倍数两个维度，记录最终代价画热力图，锁定鲁棒区间，而不是找单次的“最优参数”。

我现在接手任何一套任务分配代码，都会先固定随机种子跑 5 次取中位数，整套参数能不能用，看中位数不看最好值。这也是很多代码包“复现不了”的根本原因——不是代码坏了，是拿单次运气去比文档里的历史最优。先让结果稳定，再谈优化，是这条路线上最省时间的一步。希望帮到你。

本文还有配套的精品资源，点击获取