海洋自主航行器（MAV）是未来海洋科研基础设施的重要组成部分。在英国研究与创新署（UKRI）2040年前实现净零排放的环境可持续发展战略推动下，这类航行器相比传统科考船具有显著更高的碳效率，因此在数据采集工作中的应用日益广泛。为此，FMRI计划正推动国家自主航行器舰队大幅扩充。然而，随着部署的MAV数量不断增加，依靠人工规划任务的复杂度呈指数级上升。若不引入先进的自动化决策支持工具，这一流程将难以有效扩展。
研究人员采用混合整数线性规划（MILP）模型，对大规模MAV舰队的航线与部署方案进行优化。该模型纳入多种资产特定和环境特定的运行约束，确保生成的每个方案都具备实际可行性；其首要目标是最大化采集的科学数据总量。该框架还整合既有的船舶航行计划，使传统船舶能够为MAV更换电池，或充当其转运通道。
该框架同样可以作为仿真工具：研究人员可在实际部署前评估各种“假设情景”，例如调整电池容量或延长部署周期。为提升复杂方案的可解释性，模型根据求解结果生成文字和可视化输出，突出整体部署策略中最关键的方面。
MAV航迹与任务规划
航迹规划是MAV运行的基础，早期研究已经建立了面向水下环境的航线规划技术。现代方法则应对日益复杂的场景，包括基于采样、基于优化、生物启发式以及几何模型搜索等算法。
MAV任务规划同时涉及高层级任务分配和低层级航迹规划，而动态海洋环境使这一过程尤其具有挑战性。决策支持系统结合多准则分析与模糊集，以应对MAV运行中的不确定性。另有一些集成算法专门处理海流环境下的任务分配与航迹规划。进化算法也展现出任务规划潜力，它们将问题分解为观测点选择和航迹优化两个部分。
MAV舰队协同
从历史上看，相关文献通常将MAV部署视为彼此孤立的小规模科学项目，而不是更广泛海事物流网络中的一体化组成部分。因此，现有研究存在一个显著缺口：几乎所有自主协同模型都假设MAV独立于传统海事基础设施运行。
这些模型很少考虑船舶支持，例如任务中途更换电池或借助船舶进行转运。这一缺失源于两个领域之间长期存在的分野：微观层面的机器人航迹规划与宏观层面的海事物流。
MILP模型通过回应这一实际运行需求，将两者衔接起来，并反映现代海洋科研的物流要求。
能源约束与舰队扩展性
电池管理是MAV持续运行的首要限制因素。既有研究估算了运行所需能耗，并优化了与固定充电站的会合策略。其他研究则通过对接操作展示了电池与能源管理的重要性，开发出实时轨迹优化方法，在考虑流体动力学影响的同时，尽量减少任务耗时和能量消耗。
进化算法和粒子群方法能够处理面向能源的任务分配，但在最优性方面缺乏MILP所具备的严格数学保证。由于将连续自主运行与离散船舶航行计划结合后会产生指数级计算复杂度，既有研究也大多避开了船舶—MAV联合航线规划的精确MILP建模。
面向下一代大规模海洋科研基础设施，该模型提供了一种符合实际部署约束的可扩展解决方案。它弥合了理论多智能体航线规划与实际海事物流之间的差距，在明确纳入移动支援船舶的同时，确保数百艘MAV满足严格的运行可行性要求。
任务要求
问题包含一组任务要求，记为TR。每一项任务都将一个研究站rs与能够完成该任务的MAV类型vt对应起来。这些要求由以下特征定义：
- 任务最早开始时间。
- 任务完成的最晚时间。
船舶集成
模型可以纳入既有的船舶航行计划，记为sh。该计划由多个系泊点或停泊位置组成，每个位置都具有船舶抵达和离开的时间窗口。
每艘MAV都可以通过航路点，在以下情形之一中与船舶建立任务分配关系：
- 使用已完全充电的电池： 当更换电池能够提高剩余科学任务的覆盖率时，采用这一方式。在船舶处停留的最短时长由模型确定。
- 利用船舶转运： 在具有挑战性的环境条件下，船舶通常更快、更安全。当拟议航线无法让MAV在规定时间窗口内抵达目的地，或会触发电池资源约束时，MAV可以借助船舶转运，以更快抵达目的地。
符号汇总
数学符号将概念层面的问题表述转换为混合整数线性规划模型。本参考按三个主要模块组织。
AUV
MV：所有可用MAV的集合，不限类型。- 类型为
vt的MAV集合。 mv：MV中的一艘MAV。
时间窗口
- 一个时间窗口，从其定义的起始时刻开始，到规定的结束时刻终止。
位置
RS：所有研究站的集合。- 能够分配给类型为
vt的MAV的研究站集合。 BS：MV所有动员港的集合。mv的动员港。PL：MV所有撤收港的集合。mv的撤收港。- 时间窗口内的船舶位置。
- 每个时间窗口中的船舶位置集合。
航线
RT：MAV可用全部航线的集合。- 船舶作为航线端点之一的船舶航线集合。
TR：所有待完成任务要求的集合。- 在研究站
rs由类型为vt的MAV完成的任务要求集合。 rs处一项需要类型为vtMAV完成的任务。- 任务要求的权重。
模型输入参数
- 类型为
vt的MAV处于工作状态时每单位时间的平均电池消耗量。 - 类型为
vt的MAV处于闲置状态时每单位时间的平均电池消耗量。 - 类型为
vt的每艘MAV的电池电量阈值。
案例研究与结果
四个案例研究均使用SCIP求解。SCIP是一款用于混合整数规划和混合整数非线性规划的非商业求解器。
输入与输出
这些案例研究以Marine Facilities Planning平台中的真实科学任务为基础。该平台提供船舶时段和海洋设备申请记录，以及自主部署表单；这些资料构成了案例研究的基础。
任务要求
自主部署表单包含任务要求集合、动员港和撤收港的位置、取回位置或会合点，以及研究站。表单规定了MAV类型、所需航行器数量，以及计划部署和回收日期。
船舶航行计划
研究人员利用船舶时段和海洋设备申请构建船舶航行计划，使其符合任务要求，并允许将MAV分配给船舶，以覆盖额外的任务要求。由于模型仅包含一艘船舶，这些用例聚焦于由皇家科考船Sir David Attenborough执行的申请任务。
AUV及其类型
模型考虑由Slocum Glider和Autosub Long Range 1500（ALR1500）MAV组成的舰队及其部署。这两类航行器之所以被选中，是因为机构内部及其他合作方掌握了它们的相关特性，有助于更准确地估算航线成本。
模型中的MAV类型，是Slocum Glider或ALR1500与不同传感器配置的组合。
航线成本
尽管自主部署表单提供了解决每个案例研究所需的位置，但并未包含起点与目的地之间的航线成本。研究人员使用PolarRoute——一款由人工智能和数据驱动的海事航线规划软件——生成全部航线（包括船舶航线）的航行时间和电池消耗量。
在部分案例研究中，系统还分别生成Slocum Glider、ALR1500的成本，以及船舶航行计划的生成成本。
讨论与结论
研究人员开发了一个MILP模型，用于规划由MAV舰队执行的海洋科学任务。随着人工规划复杂方案的成本不断上升，该模型有望成为海洋运行团队的决策支持工具。
模型在优化舰队和电池使用的同时，最大化已覆盖的科学任务数量。虽然模型未考虑船舶资源约束，但只有在能够提升科学任务覆盖率的情况下，MAV才会被分配给船舶。
研究人员求解了三个以现有海洋科学任务为基础的案例研究。每个案例在位置、科学要求、船舶集成方式或舰队规模方面各不相同。这种多样化有助于识别并突出模型所表示的不同约束。
总体而言，模型和案例研究表明，基于MILP的规划能够生成复杂的多航行器海洋科学任务方案，而人工制作这类方案的成本高昂；同时，该方法仍具备足够灵活性，能够捕捉真实海洋运行中的多样化约束与优先级。
拟议的扩展方向包括更丰富的资源模型和多船舶建模、由预测信息驱动的动态重新规划，以及考虑不确定性的重新规划。这些方向将推动决策支持工具的发展，使其不仅能在规划阶段支持海洋科学任务，也能在任务执行全过程中提供支持。
写作过程中使用AI辅助工具的声明
在撰写本文期间，作者使用Grammarly进行语法检查和语言编辑。使用该工具时，作者对其提出的修改建议逐一审核，并对出版物内容承担全部责任。
常见问题
MAV舰队调度模型的首要目标是什么？ 首要目标是通过增加已覆盖的科学任务数量，最大化采集的科学数据总量。
为什么电池管理对MAV运行十分重要？ 电池管理是MAV持续运行的首要限制因素，会影响航线规划、任务完成情况，以及是否需要船舶支持的电池更换。
船舶如何为海洋自主航行器提供支持？ 船舶可以提供已完全充电的电池，也可以帮助MAV穿越复杂环境，并在规定时间窗口内抵达目的地。
案例研究考虑了哪些MAV类型？ 模型考虑了配备不同传感器配置的Slocum Glider和Autosub Long Range 1500 MAV。