研究背景与问题

在智慧城市安防领域，随着城市规模的不断扩大和人口密度的增加，传统的单无人机侦察模式已无法满足复杂城市环境下的实时侦察需求。高楼林立、无线通信受限等问题成为制约无人机侦察任务执行的关键因素。因此，本研究针对高楼遮挡、无线通信受限的复杂城市环境，开展多无人机（UAV）集群协同侦察任务规划与通信网络协同优化研究，旨在提升无人机侦察任务的高效性和可靠性。

研究方法

本研究首先结合城市建筑物密集、通信链路易断裂的作业特征，将多无人机协同侦察任务转化为部分可观测马尔可夫决策过程（Dec-POMDP）。在此基础上，设计了一种基于多代理强化学习的无人机侦察任务规划与网络协调优化方法。该方法通过引入多智能体强化学习算法，使无人机能够在动态变化的城市环境中，根据实时环境信息和自身状态，自主决策最优的侦察路径和通信策略。

核心结果

研究结果表明，所提出的方法能够有效解决复杂城市环境下的无人机侦察任务规划和网络协调优化问题。首先，通过多代理强化学习算法，无人机能够自适应地调整侦察路径，避免高楼遮挡和通信链路中断的影响。其次，在网络协调优化方面，该方法能够实现无人机间的资源高效分配，降低通信干扰，提高整体侦察任务的执行效率。此外，通过仿真实验验证了所提方法的有效性，表明其在实际应用中具有较高的可行性和实用性。

结论与意义

本研究针对复杂城市环境下的无人机侦察任务规划和网络协调优化问题，提出了一种基于多代理强化学习的方法。该方法能够有效提高无人机侦察任务的高效性和可靠性，为智慧城市安防领域提供了一种新的技术手段。同时，本研究为未来无人机集群协同作业和网络优化策略的研究提供了有益的参考和借鉴，具有重要的理论意义和应用价值。