面向适航要求的eVTOL航电系统安全调度模型

doi:10.7527/S1000-6893.2025.31252

论文

本期目录 | 过刊浏览 | 高级检索

前一篇 |

面向适航要求的eVTOL航电系统安全调度模型

赵长啸¹^,²^,³(), 孙亦轩¹

^1.中国民航大学安全科学与工程学院，天津 300300
^2.民航航空器适航审定技术重点实验室，天津 300300
^3.天津市航空装备安全性与适航技术创新中心，天津 300300

收稿日期:2024-09-23 修回日期:2024-10-24 接受日期:2025-01-22 出版日期:2025-02-19 发布日期:2025-02-18
通讯作者: 赵长啸 E-mail:cxzhao@cauc.edu.cn
基金资助:
国家自然科学基金(52402523);国家自然科学基金(U2133203);天津市高等学校研究生教育改革研究计划(TJYG135);天津市航空装备安全性与适航技术创新中心开放基金(JCZX-2024-KF-01)

A safe scheduling model for eVTOL avionics systems for airworthiness requirements

Changxiao ZHAO¹^,²^,³(), Yixuan SUN¹

^1.College of Safety Science and Engineering，Civil Aviation University of China，Tianjin 300300，China
^2.Key Laboratory of Civil Aircraft Airworthiness Technology，CAAC，Tianjin 300300，China
^3.Tianjin Aviation Equipment Safety and Airworthiness Technology Innovation Center，Tianjin 300300，China

Received:2024-09-23 Revised:2024-10-24 Accepted:2025-01-22 Online:2025-02-19 Published:2025-02-18
Contact: Changxiao ZHAO E-mail:cxzhao@cauc.edu.cn

摘要/Abstract

摘要：

针对现有以性能设计为核心导向的电动垂直起降飞行器（eVTOL）航电系统易产生风险汇集，影响飞行安全的问题，提出了基于风险量化方案的eVTOL航电系统安全调度模型。建立了时间约束和资源约束下的eVTOL航电系统双层调度方案；通过分析不同局方eVTOL的适航规章，提出了基于专家打分和熵权法的航电功能安全关键度描述方案；使用深度确定性策略梯度（DDPG）算法对安全关键度均衡问题进行求解。仿真实验设置负载均衡组与安全均衡组，进行优化前后纵向对比、组间横向对比，实验结果表明，提出的eVTOL航电系统安全调度模型可提升分区间安全关键度均衡程度30.7%，同时风险汇集偏离系数降低10.8%；对比负载均衡组，在损失3.6%负载均衡的情况下获得了9.4%的分区间安全关键度均衡。该模型为eVTOL航电系统的进一步综合与大规模应用提供了理论支撑。

关键词: eVTOL航电, 安全调度模型, 适航规章, 强化学习, DDPG

Abstract:

The safety scheduling model of electric Vertical Take-Off and Landing （eVTOL） avionics system based on risk quantification scheme is proposed to solve the problem of risk aggregation in the existing performance-driven design of eVTOL aircraft avionics systems， which can impact flight safety. A two-layer scheduling scheme of eVTOL avionics system under time constraint and resource constraint is established. By analyzing the airworthiness regulationsof different eVTOL authorities， a description scheme of avionics functional safety critical degree based on expert score and entropy weight method is proposed. The Deep Deterministic Policy Gradient （DDPG） algorithm is used to solve the security criticality equilibrium problem. In the simulation experiment， the load balancing group and safety balancing group were set up， and the longitudinal comparison before and after optimization and the horizontal comparison between groups were carried out. The experimental results show that the proposed eVTOL safety scheduling model can improve the safety critical balance degree between regions by 30. 7%， and reduce the risk pooling deviation coefficient by 10. 8%. Compared with the load balancing group，9. 4% inter-zone safety criticality balance was obtained with 3. 6% load balancing loss. This model provides theoretical support for further integration and large-scale application of eVTOL avionics system.

Key words: eVTOL avionics, safety scheduling model, airworthiness regulations, reinforcement learning, DDPG

中图分类号:

V243

赵长啸, 孙亦轩. 面向适航要求的eVTOL航电系统安全调度模型[J]. 航空学报, 2025, 46(11): 531252.

Changxiao ZHAO, Yixuan SUN. A safe scheduling model for eVTOL avionics systems for airworthiness requirements[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(11): 531252.

图/表 22

图1

图2

表1

表2

表3

表4

表5

表6

表7

图3

表8

表9

图4

图 5

表10

图6

表11

表12

图 7

图8

表13

表A1

现有型号专用条件

局方	面向型号	专用条件	类比规章	分析	对航电系统的安全性规定
欧洲航空安全局（European Union Aviation Safety Agency， EASA）	小型载人垂直起降VTOL	SC-VTOL VTOL.2500系统和设备功能通用要求 VTOL.2505 通用设备安装 VTOL.2510 设备、系统及安装	CS-23 CS-25 CS-27/29	分为基本型和增强型两个认证类别；使用CS-25和CS-27/29飞机的现行系统安全目标作为使用VTOL飞机的城市空中机动性的最低标准。对于人口稠密地区的客运航班，安全级别与商用客机的安全级别相同，失效状态的发生概率要求采用25部的概率要求，远高于通用航空部门小型飞机的安全级别	针对设备与系统提出每个灾难性的失效情况应是极不可能的，且不能由单点失效引起；对于增强类，必须对失效可能产生危险或灾难性后果的设备和系统建立运行监测^［21］
美国联邦航空管理局（Federal Aviation Administration， FAA）	JAS4-1	AC for JAS4–1 23.2500 飞机级系统要求 23.2505 功能和安装 23.2510 设备系统和安装	FAR 23.2500 23.2505 23.2510	FAA的“基本”和“增强”性能批准与EASA认证类别存在差异。JAS4-1和M001型符合23.2510，FAA制定该规则作为一般要求的规定，不取代第23部其他章节中任何要求，对JAS4-1和M001型进行同样的应用。坚持灾难性单一故障的具体要求。现有的第23、25、26、29部适航标准不包含对灾难性故障条件的“无单一故障”要求，FAA接受这些长期存在的适航标准	要求系统和设备平均失效概率与失效条件的严重程度之间存在合乎逻辑且可接受的反比关系
美国联邦航空管理局（Federal Aviation Administration， FAA）	Archer-M001	AC for M001 23.2500 飞机级系统要求 23.2505 功能和安装 23.2510 设备系统和安装	FAR 23.2500 23.2505 23.2510		要求系统和设备平均失效概率与失效条件的严重程度之间存在合乎逻辑且可接受的反比关系
中国民用航空局（Civil Aviation Administration of China， CAAC）	EH216-S	SC-21-002 PEU.F010系统、设备和安装	CCAR 23.2510 25.2510	EH216-S型无人驾驶航空器参数符合23部对于乘员座位数、最大起飞质量、最大飞行速度等规定的范围；安全性要求与CCAR 23.2510条中对于正常类飞机系统、设备和安装的要求相匹配，同时针对乘员的安全性要求与CCAR 23.2510条相匹配^［23］	要求当指令、控制和通信功能丧失或降级，导致远程机组无法确保安全运行航空器时，航电系统应启动异常处置程序；用于指挥、控制和监视航空器的系统必须采用数据链路，确保没有单点失效的发生，数据链路异常时飞行控制系统应能按照相关程序确保航空器继续安全飞行和着陆^［22］
	TP500	SC-21-003 TP.F001功能和安装 TP.F003系统、设备和安装	CCAR 92.307 92.617 92.697 23.2510	TP500型无人运输机参数符合92部对于限用类民用无人驾驶航空器系统最大审定起飞质量的要求；安全性要求与92.307、92.617、92.697对于飞行数据记录系统、指挥和控制链路的要求以及23.2510条中对于正常类飞机系统、设备和安装的要求相匹配
	V2000CG	SC-21-004 AEC.2500系统和设备功能通用要求 AEC.2505 设备安装 AEC.2510 设备、系统及安装	CCAR 23.2500 23.2505 23.2510	V2000CG型无人驾驶航空器对于系统和设备功能通用要求以及设备、系统和安装的安全性要求与CCAR23.2500、23.2505、23.2510相匹配^［24］

表A1

参考文献 38

[1]	Federal Aviation Administration. Advanced air mobility （AAM） implementation plan： Near-term （innovate28） focus with an eye on the future of AAM［EB/OL］. （2023-07-18）［2024-08-04］. .
[2]	Federal Aviation Administration. JA S4-1 airworthiness regulations［EB/OL］. （2024-03-08）［2024-08-04］. .
[3]	交通运输部. 国家综合立体交通网规划纲要［EB/OL］. （2021-02-25）［2024-08-04］. .
	Ministry of Transport of the People’s Republic of China. Outline of national comprehensive stereo transportation network planning［EB/OL］. （2021-02-25）［2024-08-04］. （in Chinese）.
[4]	国家发展和改革委员会. 2024年国民经济和社会发展计划草案的报告［EB/OL］. （2024-03-13）［2024-08-04］. .
	National Development and Reform Commission of the People’s Republic of China. Report on the draft national economic and social development plan for 2024［EB/OL］. （2024-03-13）［2024-08-04］. （in Chinese）.
[5]	工业和信息化部. 通用航空装备创新应用实施方案（2024-2030年）［EB/OL］. （2024-03-27）［2024-08-04］. .
	Ministry of Industry and Information Technology of the People’s Republic of China. Implementation program of general aviation equipment innovation and application （2024-2030）［EB/OL］. （2024-03-27）［2024-08-04］. （in Chinese）.
[6]	SU J C， HUANG H L， ZHANG H， et al. eVTOL performance analysis： A review from control perspectives［J］. IEEE Transactions on Intelligent Vehicles， 2024， 9（5）： 4877-4889.
[7]	李诚龙，屈文秋，李彦冬，等. 面向eVTOL航空器的城市空中运输交通管理综述［J］. 交通运输工程学报， 2020， 20（4）： 35-54.
	LI C L， QU W Q， LI Y D， et al. Overview of traffic management of urban air mobility （UAM） with eVTOL aircraft［J］. Journal of Traffic and Transportation Engineering， 2020， 20（4）： 35-54 （in Chinese）.
[8]	马小博. 先进无人作战飞机航空电子发展综述［J］. 航空计算技术， 2020， 50（3）： 122-125.
	MA X B. Advanced avionics development of military unmanned aerial vehicles［J］. Aeronautical Computing Technique， 2020， 50（3）： 122-125 （in Chinese）.
[9]	王兴华，王军强，牛振中，等. 无人机综合模块化航空电子体系架构技术研究［J］. 航空计算技术， 2021， 51（5）： 92-96.
	WANG X H， WANG J Q， NIU Z Z， et al. Research of integration and modularization for UAV avionics system［J］. Aeronautical Computing Technique， 2021， 51（5）： 92-96 （in Chinese）.
[10]	何锋. 航空电子系统综合调度理论与方法［M］. 北京：清华大学出版社， 2017： 2-7.
	HE F. Theory and approach to avionics system integrated scheduling‍［M］. Beijing： Tsinghua University Press， 2017： 2-7 （in Chinese）.
[11]	张旻，武君胜，崔西宁，等. 机载多分区系统可调度性分析算法研究［J］. 西北工业大学学报， 2023， 41（3）： 557-567.
	ZHANG M， WU J S， CUI X N， et al. Research on schedulability analysis algorithm of airborne multi partition system［J］. Journal of Northwestern Polytechnical University， 2023， 41（3）： 557-567 （in Chinese）.
[12]	何锋，张立，于思凡，等. 基于网络演算的多窗口分区可调度性分析［J］. 航空学报， 2023， 44（2）： 326581.
	HE F， ZHANG L， YU S F， et al. Schedulability analysis for multi-window partition based on network calculus model［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（2）： 326581 （in Chinese）.
[13]	曾清华，杨志斌，周勇. 基于约束规划的航空电子系统任务分配与调度方法［J］. 小型微型计算机系统， 2024， 45（11）： 2576-2585.
	ZENG Q H， YANG Z B， ZHOU Y. Constraint programming based task assignment and scheduling approach for integrated avionics systems［J］. Journal of Chinese Computer Systems， 2024， 45（11）： 2576-2585 （in Cinese）.
[14]	WANG Y S， LEI H， HACKETT R， et al. Safety assessment process optimization for integrated modular avionics［J］. IEEE Aerospace and Electronic Systems Magazine， 2019， 34（11）： 58-67.
[15]	ZHANG C， SHI X M. Safety evaluation for upgraded avionics system［J］. IEICE Transactions on Fundamentals of Electronics， Communications and Computer Sciences， 2016， E99.A（4）： 849-852.
[16]	GURU PRASAD P， DIGANTA D， CHUAN L， et al. A critique of reliability prediction techniques for avionics applications［J］. Chinese Journal of Aeronautics， 2018， 31（1）： 10-20.
[17]	ARINC. Avionics application software standard interface：ARINC specification 653 ［S］. Los Angeles： CRC Press， 2018.
[18]	CHEN J C， DU C L， HAN P C. Scheduling independent partitions in integrated modular avionics systems［J］. PLoS One， 2016， 11（12）： e0168064.
[19]	ZHOU T R， XIONG H G. Design of energy-efficient hierarchical scheduling for integrated modular avionics systems［J］. Chinese Journal of Aeronautics， 2012， 25（1）： 109-114.
[20]	张伟. 面向故障封闭的IMA系统资源分配方案研究［D］. 天津：中国民航大学， 2023： 37-39.
	ZHANG W. Research on resource allocation scheme of IMA system oriented to fault closure‍［D］. Tianjin： Civil Aviation University of China， 2023： 37-39 （in Chinese）.
[21]	EASA. Special condition for VTOL aircraft. ［EB/OL］. （2024-01-10）. ［2024-08-04］. .
[22]	中国民用航空局. 亿航EH216-S型无人驾驶航空器系统专用条件［EB/OL］. （2022-02-09）［2024-08-04］. .
	Civil Aviation Administration of China. EH216-S unmanned aerial vehicle system-specific conditions［EB/OL］. （2022-02-09）［2024-08-04］. （in Chinese）.
[23]	交通运输部. 正常类飞机适航规定［EB/OL］. （2022-05-06）［2024-08-04］. .
	Ministry of Transportation and Communications of the People’s Republic of China. Regulations on airworthiness of normal category aircraft［EB/OL］. （2022-05-06）［2024-08-04］. （in Chinese）.
[24]	交通运输部. 运输类飞机适航标准［EB/OL］. （2016-06-17）［2024-08-04］. .
	Ministry of Transportation and Communications of the People’s Republic of China. Airworthiness standards for transport category aircraft［EB/OL］. （2016-06-17）［2024-08-04］. （in Chinese）.
[25]	交通运输部. 民用无人驾驶航空器运行安全管理规则［EB/OL］. （2024-01-03）［2024-08-04］. .
	Ministry of Transportation of the People’s Republic of China. Civilian unmanned aerial vehicle operation safety management rules［EB/OL］. （2024-01-03）［2024-08-04］. （in Chinese）.
[26]	Federal Aviation Administration. AC 25.1309-1B-system design and analysis［EB/OL］. （2024-08-30）［2024-09-30］. .
[27]	张贵. 面向适航认证的综合化航电系统架构安全性评估方法研究［D］. 南京：南京航空航天大学， 2016： 19-32.
	ZHANG G. Research on safety evaluation method of integrated avionics system architecture for airworthiness certification［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2016： 19-32 （in Chinese）.
[28]	刘伟韬，刘云娟，申建军. 基于模糊物元理论的深部开采底板突水安全性评价［J］. 山东科技大学学报（自然科学版）， 2014， 33（3）： 25-31.
	LIU W T， LIU Y J， SHEN J J. Safety evaluation of floor water inrush in deep mining based on the fuzzy matter-element theory［J］. Journal of Shandong University of Science and Technology （Natural Science）， 2014， 33（3）： 25-31 （in Chinese）.
[29]	赵长啸，戴骏，董方正，等. 机载时间敏感网络链路安全关键度均衡调度方法［J］. 航空学报， 2024， 45（6）： 328870.
	ZHAO C X， DAI J， DONG F Z， et al. Link safety criticality balanced scheduling for airborne time-sensitive network［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（6）： 328870 （in Chinese）.
[30]	荘露，陆中，宋海靖，等. 一种机载系统研制保证等级分配的优化方法［J］. 系统工程与电子技术， 2022， 44（8）： 2688-2698.
	LU， LU Z， SONG H J， et al. An optimization method for development assurance level assignment of airborne system［J］. Systems Engineering and Electronics， 2022， 44（8）： 2688-2698 （in Chinese）.
[31]	CHEN X F， ZHANG H G， WU C， et al. Optimized computation offloading performance in virtual edge computing systems via deep reinforcement learning［J］. IEEE Internet of Things Journal， 2019， 6（3）： 4005-4018.
[32]	YAN J， BI S Z， ZHANG Y J A. Offloading and resource allocation with general task graph in mobile edge computing： A deep reinforcement learning approach［J］. IEEE Transactions on Wireless Communications， 2020， 19（8）： 5404-5419.
[33]	CHEN Y， LIU Z Y， ZHANG Y C， et al. Deep reinforcement learning-based dynamic resource management for mobile edge computing in industrial Internet of Things［J］. IEEE Transactions on Industrial Informatics， 2021， 17（7）： 4925-4934.
[34]	FENG J， YU F R， PEI Q Q， et al. Cooperative computation offloading and resource allocation for blockchain-enabled mobile-edge computing： A deep reinforcement learning approach［J］. IEEE Internet of Things Journal， 2020， 7（7）： 6214-6228.
[35]	付宇鹏，邓向阳，朱子强，等. 基于生成对抗近端策略优化的机动策略优化算法［J］. 海军航空大学学报， 2023， 38（3）： 257-261， 300.
	FU Y P， DENG X Y， ZHU Z Q， et al. GA-PPO based maneuvering policy optimization algorithm［J］. Journal of Naval Aviation University， 2023， 38（3）： 257-261， 300 （in Chinese）.
[36]	罗庆，张涛，单鹏，等. 基于改进Q学习的IMA系统重构蓝图生成方法［J］. 航空学报， 2021， 42（8）： 525792.
	LUO Q， ZHANG T， SHAN P， et al. Generating reconfiguration blueprints for IMA systems based on improved Q-learning［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（8）： 525792 （in Chinese）.
[37]	刘全，翟建伟，章宗长，等. 深度强化学习综述［J］. 计算机学报， 2018， 41（1）： 1-27.
	LIU Q， ZHAI J W， ZHANG ZC， et al. A survey on deep reinforcement learning［J］. Chinese Journal of Computers， 2018， 41（1）： 1-27 （in Chinese）.
[38]	赵长啸，李道俊，汪鹏辉，等. 基于DDPG的综合化航电系统多分区任务分配优化方法［J］. 电讯技术， 2024， 64（1）： 58-66.
	ZHAO C X， LI D J， WANG P H， et al. A DDPG-based optimization method for multi-partition task assignment of IMA［J］. Telecommunication Engineering， 2024， 64（1）： 58-66 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

功能编号	功能	包含任务	任务编号
Function0	核心处理系统	传感器数据分析	Task0
Function0	核心处理系统	飞行控制数据处理	Task1
Function1	综合显示系统	飞行信息显示	Task2
Function1	综合显示系统	显示元件状态监控	Task3
Function2	备份系统	备份导航辅助	Task4
		备份数据链路	Task5
		冗余通信网络	Task6
		冗余传感器控制	Task7
Function3	感知-避撞系统	障碍物检测	Task8
Function3	感知-避撞系统	避障决策	Task9
Function4	飞行参数采集	传感器状态监控	Task10
Function4	飞行参数采集	传感器数据预处理	Task11
Function5	电量管理	电池状态监控	Task12
		电池电量使用优化	Task13
		备份电源管理	Task14

安全关键等级	量化值范围
特高	7.6~10.0
高	5.1~7.5
中	2.6~5.0
低	0.1~2.5

GPM	GPM周期/ms	分区编号	分区执行系数	分区处理速度/（10⁹ Flops）	分区执行顺序	分区存储资源/（10³ KB）	分区通信资源/（10⁶ Kbps）	分区计算资源/（10⁹ Flops）
GPM0	100	分区0	1	1.6	1	240	64.4	5.1
GPM1	80	分区1	0.5	2.0	1	240	52.8	2.3
GPM1	80	分区2	0.5	3.2	2	62	61.2	3.9
GPM2	100	分区3	1	2.0	1	371	81.2	4.2
GPM3	100	分区4	0.3	2.0	1	256	64.4	5.4
GPM3	100	分区5	0.2	2.0	2	310	64.4	2.7

专家	核心处理系统			综合显示系统			备份系统			感知和避撞系统			飞行参数采集			电量管理
专家	A	B	C	A	B	C	A	B	C	A	B	C	A	B	C	A	B	C
1	9.0	6.0	2.3	9.0	9.8	3.5	1.5	2.5	2.0	6.8	7.8	8.0	2.6	7.5	2.3	7.9	4.5	2.6
2	9.5	5.8	2.0	8.8	9.8	2.3	1.2	2.3	2.3	7.0	8.0	9.0	4.0	7.0	2.2	8.2	4.2	2.7
3	8.9	7.0	2.5	8.9	9.9	2.5	1.0	2.5	2.1	6.7	8.3	8.7	3.6	7.2	2.1	8.3	4.3	2.8
4	9.5	6.7	2.5	9.3	9.3	4.0	1.2	2.3	2.3	6.9	8.2	8.6	3.6	7.2	2.2	8.0	4.8	2.6
5	9.3	7.0	2.3	9.0	9.5	3.0	1.2	2.2	2.5	6.9	8.2	8.7	3.3	7.1	2.1	8.1	4.5	2.8

功能	专家打分均值			三方面权值（熵权法）			安全关键度
功能	A	B	C	A	B	C	安全关键度
核心处理系统	9.2	6.5	2.3	0.30	0.21	0.49	4.0
综合显示功能	9.2	9.7	3.0	0.30	0.21	0.49	5.0
备份系统	1.2	2.4	2.2	0.30	0.21	0.49	2.1
感知避撞系统	6.9	8.1	8.6	0.30	0.21	0.49	8.3
飞行参数采集	3.4	7.2	2.2	0.30	0.21	0.49	3.1
电量管理	8.1	4.5	2.7	0.30	0.21	0.49	3.8

面向适航要求的eVTOL航电系统安全调度模型

A safe scheduling model for eVTOL avionics systems for airworthiness requirements

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 22

参考文献 38

相关文章 15

编辑推荐

Metrics

本文评价

参数	数值
单episode步长	20
Actor学习率	0.01
Critic学习率	0.02
最优奖励折扣	0.6
软更新参数	0.01
经验缓冲区容量	11 000
最大训练回合	1 000
批次样本数量	64
探索率	0.12

方案	GPM0	GPM1		GPM2	GPM3
方案	分区0	分区1	分区2	分区3	分区4	分区5
S0	Task_0，9	Task_4，14	Task_{3，5，7，8，11}	Task₁₀	Task_2，13	Task_1，6，12
S1	Task_0，9	Task_4，14	Task_{5，8，10，11}	Task_3，7	Task_2，13	Task_1，6，12
S2	Task_0，9	Task_4，14	Task_{2，5，11，13}	Task_{3，7，8，10}	Task_-1	Task_1，6，12
S3	Task_0，9	Task_4，14	Task_5，11	Task_-1	Task_{2，3，7，8，10，13}	Task_1，6，12
S4	Task_0，9	Task₁₄	Task_4，5，11	Task_{3，7，8，10}	Task_2，13	Task_1，6，12
S5	Task_0，9	Task_4，14	Task₅	Task_{3，7，8，10，11}	Task_2，13	Task_1，6，12
S6	Task_0，9	Task_4，5，14	Task₁₁	Task_{3，7，8，10}	Task_2，13	Task_1，6，12
S7	Task₉	Task_4，14	Task_0，5，11	Task_{3，7，8，10}	Task_2，13	Task_1，6，12
S8	Task_0，4，9	Task₁₄	Task_5，11	Task_{3，7，8，10}	Task_2，13	Task_1，6，12
S9	Task_0，9	Task_4，14	Task_5，11	Task_{3，7，8，10}	Task_2，13	Task_1，6，12

方案	分区0	分区1	分区2	分区3	分区4	分区5	负载系数方差
S0	755.56	1 376.00	7 222.17	1 951.22	1 368.16	2 378.90	5 640 350.78
S1	755.56	1 376.00	8 382.80	790.59	1 368.16	2 378.90	8 626 227.45
S2	755.56	1 376.00	6 999.74	3 541.81	0	2 378.90	6 380 743.98
S3	755.56	1 376.00	5 631.58	470.59	4 439.38	2 378.90	4 401 436.19
S4	755.56	480.00	6 527.58	3 541.81	1 368.16	2 378.90	5 145 102.10
S5	755.56	1 376.00	3 000.00	6 173.39	1 368.16	2 378.90	3 869 100.15
S6	755.56	4 376.00	2 631.58	3 541.81	1 368.16	2 378.90	1 792 081.47
S7	355.56	1 376.00	6 031.58	3 541.81	1 368.16	2 378.90	4 142 939.95
S8	1 651.56	480.00	5 631.58	3 541.81	1 368.16	2 378.90	3 397 535.32
S9	755.56	1 376.00	5 631.58	3 541.81	1 368.16	2 378.90	3 298 776.21

方案	分区0	分区1	分区2	分区3	分区4	分区5	安全关键度方差
S0	0.538 22	0.185 63	0.271 91	0.256 12	0.128 46	0.193 98	0.020 94
S1	0.538 22	0.185 63	0.255 67	0.296 49	0.128 46	0.193 98	0.021 14
S2	0.538 22	0.185 63	0.177 77	0.290 37	0	0.193 98	0.031 50
S3	0.538 22	0.185 63	0.227 09	0.498 15	0.184 06	0.193 98	0.027 79
S4	0.538 22	0.257 44	0.189 33	0.290 37	0.128 46	0.193 98	0.020 95
S5	0.538 22	0.185 63	0.177 83	0.287 57	0.128 46	0.193 98	0.022 34
S6	0.538 22	0.183 03	0.276 34	0.290 37	0.128 46	0.193 98	0.021 15
S7	0.624 79	0.185 63	0.301 94	0.290 37	0.128 46	0.193 98	0.031 68
S8	0.396 75	0.257 44	0.227 09	0.290 37	0.128 46	0.193 98	0.008 33
S9	0.538 22	0.185 63	0.227 09	0.290 37	0.128 46	0.193 98	0.021 32

方案	分区0	分区1	分区2	分区3	分区4	分区5	安全关键度方差	风险汇集偏离系数
S0	0.179 25	0.354 55	0.188 12	0.498 15	0.091 21	0.404 51	0.024 53	0.212 18
S1	0.179 25	0.354 55	0.137 45	0.267 83	0	0.404 51	0.022 24	0.180 57
S2	0.179 25	0.451 66	0.208 28	0.267 83	0.091 21	0.404 51	0.019 01	0.184 53
S3	0.179 25	0.354 55	0	0.239 79	0.091 21	0.404 51	0.023 75	0.192 95
S4	0.179 25	0.354 55	0.244 84	0.229 68	0.091 21	0.404 51	0.013 09	0.153 83
S5	0.179 25	0.451 66	0.183 70	0.265 76	0.091 21	0.404 51	0.019 69	0.188 97
S6	0.179 25	0.354 55	0.198 03	0.267 83	0.117 26	0.404 51	0.012 07	0.150 93
S7	0.180 66	0.354 55	0.181 75	0.267 83	0.091 21	0.404 51	0.013 95	0.157 75
S8	0.177 84	0.296 59	0.183 70	0.267 83	0.091 21	0.404 51	0.012 03	0.167 56
S9	0.179 25	0.354 55	0.183 70	0.267 83	0.091 21	0.404 51	0.013 94	0.157 66

方案	分区0	分区1	分区2	分区3	分区4	分区5	负载系数方差
S0	3 480.00	880.00	5 706.12	470.59	728.16	3 787.13	4 555 638.27
S1	3 480.00	880.00	1 872.78	5 032.09	0	3 787.13	3 659 193.67
S2	3 480.00	400.00	1 624.62	5 032.09	728.16	3 787.13	3 468 773.08
S3	3 480.00	880.00	0	6 176.71	728.16	3 787.13	5 629 731.56
S4	3 480.00	880.00	2 511.20	3 665.51	728.16	3 787.13	1 947 799.56
S5	3 480.00	400.00	1 144.62	5 512.09	728.16	3 787.13	4 215 168.87
S6	3 480.00	880.00	184.62	5 032.09	1 688.16	3 787.13	3 534 529.31
S7	480.00	880.00	4 144.62	5 032.09	728.16	3 787.13	4 123 345.38
S8	3 000.00	1 360.00	1 144.62	5 032.09	728.16	3 787.13	2 918 766.92
S9	3 480.00	880.00	1 144.62	5 032.09	728.16	3 787.13	3 325 806.92

[1]	万开方, 吴志林, 武韫晖, 强皓植, 吴艺博, 李波. 拒止环境下基于深度强化学习的多无人机协同定位[J]. 航空学报, 2025, 46(8): 331024-331024.
[2]	姜凌峰, 李新凯, 张海, 李涵玮, 张宏立. 基于改进TD3算法的无人机动态环境无地图导航[J]. 航空学报, 2025, 46(8): 331035-331035.
[3]	杨敏, 刘关俊, 周子渊. 基于安全强化学习的月球着陆器控制[J]. 航空学报, 2025, 46(3): 630553-630553.
[4]	高树一, 林德福, 郑多, 徐骋. 考虑拦截器探测能力限制的飞行器智能机动突防制导策略[J]. 航空学报, 2025, 46(10): 331304-331304.
[5]	刘广, 王华, 林友芳, 贺硕, 李亚飞, 徐明亮. 舰载机保障作业自适应批量匹配决策方法[J]. 航空学报, 2025, 46(1): 330615-330615.
[6]	张鸿林, 罗建军, 马卫华. 基于机器学习的航天器规避目标威胁博弈决策[J]. 航空学报, 2024, 45(8): 329136-329136.
[7]	蔡云鹏, 周大鹏, 丁江川. 具有防撞安全约束的无人机集群智能协同控制[J]. 航空学报, 2024, 45(5): 529683-529683.
[8]	单圣哲, 张伟伟. 基于自博弈深度强化学习的空战智能决策方法[J]. 航空学报, 2024, 45(4): 328723-328723.
[9]	殷凯杰, 石嘉, 段国栋, 李立欣, 司江勃. 面向复杂电磁干扰环境的Greedy-PPO智能频谱共享决策[J]. 航空学报, 2024, 45(22): 330195-330195.
[10]	高兵, 张哲婕, 邹启杰, 刘治国, 赵锡玲. 基于深度强化学习和信息论的多智能体通信方法[J]. 航空学报, 2024, 45(18): 329862-329862.
[11]	杨书恒, 张栋, 熊威, 任智, 唐硕. 基于可解释性强化学习的空战机动决策方法[J]. 航空学报, 2024, 45(18): 329922-329922.
[12]	李文韬, 方峰, 王振亚, 朱奕超, 彭冬亮. 引入混合超网络改进MADDPG的双机编队空战自主机动决策[J]. 航空学报, 2024, 45(17): 529460-529460.
[13]	李佐龙, 朱纪洪, 匡敏驰, 张杰, 任洁. 基于混合动作的空战分层强化学习决策算法[J]. 航空学报, 2024, 45(17): 530053-530053.
[14]	武天才, 王宏伦, 任斌, 刘一恒, 吴星雨, 严国乘. 考虑规避与突防的高超声速飞行器智能容错制导控制一体化设计[J]. 航空学报, 2024, 45(15): 329607-329607.
[15]	王宝来, 高显忠, 谢涛, 侯中喜. 基于强化学习与种群博弈的近距空战决策[J]. 航空学报, 2024, 45(12): 329446-329446.

方案	GPM0	GPM1		GPM2	GPM3
方案	分区0	分区1	分区2	分区3	分区4	分区5
S0	Task_1，5	Task_0，14	Task_{2，4，6，10，12}	Task₃	Task_7，13	Task_8，9，11
S1	Task_1，5	Task_0，14	Task_{2，7，12，13}	Task_{3，4，6，10}	Task_-1	Task_8，9，11
S2	Task_1，5	Task₀	Task_2，12，14	Task_{3，4，6，10}	Task_7，13	Task_8，9，11
S3	Task_1，5	Task_0，14	Task_-1	Task_{2，3，4，6，10，12}	Task_7，13	Task_8，9，11
S4	Task_1，5	Task_0，14	Task_{2，3，4，12}	Task_6，10	Task_7，13	Task_8，9，11
S5	Task_1，5	Task₀	Task_2，12	Task_{3，4，6，10，14}	Task_7，13	Task_8，9，11
S6	Task_1，5	Task_0，14	Task₁₂	Task_{3，4，6，10}	Task_2，7，13	Task_8，9，11
S7	Task₁	Task_0，14	Task_2，5，12	Task_{3，4，6，10}	Task_7，13	Task_8，9，11
S8	Task₅	Task_0，1，14	Task_2，12	Task_{3，4，6，10}	Task_7，13	Task_8，9，11
S9	Task_1，5	Task_0，14	Task_2，12	Task_{3，4，6，10}	Task_7，13	Task_8，9，11