无人机集群系统由于其冗余性、同时执行不同任务的能力以及容错能力,越来越多地被用于实现动态和复杂的目标。然而,对于规模较大的无人机集群系统,无人机之间的协调问题变得非常复杂,在无人机集群的众多研究中,任务调度问题在近年来得到了广泛的关注。目前多无人机协同任务规划研究方向主要有自顶向下和自底向上,其中自顶向下的研究方向多从集中式的角度出发,较适合静态环境中的无人机集群。而当前解决多无人机任务规划的方法通常为基于优化算法的规划,这种方法为了提供绝对的最优解往往需要大量的求解时间,难以适应动态、未知的环境。针对动态环境中利用优化算法进行无人机系统的自顶向下任务调度时效率较低、对环境反应速度较慢的问题,采用自底向上的方式,分别利用群智算法与多智能体强化学习将较大规模无人机集群和大规模无人机集群处理为一个具有初级智能的自组织系统,完成未知动态环境中的任务调度。无人机集群的任务调度规划实际上可以分为路径规划及任务分配两个子问题,考虑到这两个子问题之间实际上是相互耦合影响的,将这两个子问题结合为一个问题进行求解。对于较大规模的无人机集群,针对模型中的环境因素经常变化时算法收敛速度慢的问题,将整个无人机集群的行为分为集群覆盖搜索目标任务与集群任务分配两个阶段,将无人机集群作为分布式的多智能体系统,在两个阶段中分别采取蚁群算法启发的目标任务探索策略以及萤火虫算法启发的任务联盟形成策略,改善了较大规模无人机集群在未知动态环境中利用集中式的启发式算法求解探索、分配任务模型速度较慢的问题。对于大规模的无人机集群任务调度问题,针对群智算法启发策略在集群规模增大而性能逐渐受到限制的情况,改用多智能体强化学习进行求解。多智能体强化学习存在以下问题:随着智能体数目的增加,联合动作空间大小呈指数增加;同时对于某一个智能体而言,系统中所有其他的智能体于它而言都是环境的一部分,在行为过程中,对每个智能体而言环境都在发生巨大的变化,算法难以收敛。因此引入平均场理论,简化联合动作空间,使无人机智能体对环境的适应学习过程加快,通过实验证明了大规模无人机集群的任务调度性能。