随着无人技术和通信技术的快速发展，无人系统（USoS）已经演变为高度分布式、智能化和新兴的操作模式[1]。由于其轻量化设计、小型化、定制化和成本效益，无人平台已成为下一代无线通信系统的关键推动者，当作为移动中继实体部署时，可以显著提升通信性能并扩展操作范围[2,3]。与传统的地面或卫星中继相比，这些移动中继系统提供了更广泛的覆盖范围和更大的适应性，并已广泛应用于侦察、地形测绘和灾难响应任务[[4], [5], [6], [7]]。然而，最近的研究表明，中继实体的引入从根本上改变了网络连接性、多跳路由结构和负载分布，从而影响了物联网（IoT）、工业物联网（IIoT）和多跳无线网络中的系统脆弱性和级联故障动态[[8], [9], [10], [11], [12]]。这些由中继引起的结构和动态效应对维持可靠的USoS操作构成了重大挑战。
在韧性工程中，性能评估和恢复优化共同决定了系统抵御、吸收和从中断中恢复的能力[13]。尽管这些问题在关键基础设施[14,15]、供应链[16]和无人系统[[17], [18], [19]]中得到了广泛研究，但在由中继支持的USoS中，它们呈现出更高的复杂性。现有的性能评估模型未能充分捕捉中继通信系统带来的通信增益，导致能力评估不准确。此外，由中继支持的架构增加了结构复杂性并放大了可靠性风险，使得在外部干扰或内部故障下任务失败的可能性增加，因此迫切需要及时有效的恢复策略来重新配置系统架构并保持基本功能[20,21]。因此，迫切需要一个集成框架，将USoS性能评估和恢复优化结合起来，以应对由中继引起的结构和动态变化对系统可靠性在不同场景下带来的重大风险。
为了准确评估USoS的韧性，需要一个性能评估框架，该框架能够捕捉系统功能在中断下的演变情况。传统的无人系统指标，如来自观察-定向-决策-行动（OODA）框架的操作循环，反映了给定时间窗口内的任务并发性和功能多样性[22]。然而，过长的循环会降低操作效率，简单的循环计数对协作行为或信息约束如何影响系统性能的洞察有限。尽管最近的研究试图消除冗余循环并提高评估精度[23]，但这些努力仍然局限于孤立的功能能力，因此在任务层面提供的解释力有限。中继实体的关键作用进一步加剧了USoS的脆弱性，强调了理解中继引起的通信约束和结构依赖性如何影响性能和韧性的必要性。然而，现有研究主要关注通信层或网络层的级联故障和生存能力，对其对由中继支持的USoS的任务级性能评估和恢复决策的影响探索不足[24]。随着系统研究的持续进展，出现了一种以任务完成能力为中心的评估范式。现有的任务级性能评估方法大致可以分为两类。第一类是基于任务语义的评估，根据特定任务概念（如侦察覆盖范围或徘徊时间）选择指标。第二类是基于操作循环的评估，通过测量任务基线和完成概率来估计有效性。值得注意的是，任务代表了系统能力的更高层次抽象[25]，并通过任务链在结构上相互连接[26]。任务链的引入表明，单个能力的局部改进并不一定能提升整体任务性能；只有通过任务链内多个能力的协调演变，才能实现任务完成能力的显著提升[27,28]。在这种情况下，有必要从任务链的角度开发建模和评估方法，以支持复杂USoS场景中协调能力演变的特征分析和描述。
现有的韧性优化方法大致可以分为基于重要性的方法、强化学习和启发式优化方法。基于重要性的方法计算复杂度低且可解释性强，因为它们根据各个实体对系统韧性的贡献生成恢复策略[15,29]。然而，它们的适用性通常仅限于相对简单的场景，不适用于复杂的多目标决策环境。强化学习方法能够在不需要完全了解任务场景的情况下实现自适应和迭代的策略优化[17,30]；然而，它们通常需要较长的训练时间，对场景变化敏感，并且在异构操作条件下的泛化能力有限。相比之下，启发式优化算法因其简单的实现和快速收敛而受到广泛应用[2,31]，在USoS恢复策略设计中提供了更大的灵活性和可解释性[[32], [33], [34]]。然而，大多数现有应用直接使用通用的元启发式方法，而没有明确建模由中继引起的结构耦合、多跳通信约束和USoS恢复场景固有的异构恢复措施。因此，搜索过程往往无法利用特定问题的结构特征，可能会产生从韧性角度来看次优的恢复策略。此外，当代的系统级设计努力往往侧重于性能提升，而系统架构与韧性之间的相互作用仍然研究不足[35,36]。
为了解决上述挑战，本文开发了一种建模、评估和优化方法，旨在提高USoS的韧性。主要贡献如下：
(i)。开发了一个任务驱动的多层网络（TDMN），用于评估带有中继通信的USoS的性能。通过明确建模中继通信关系并引入一种新的操作循环分析方法，该模型量化了中继带来的性能增益。此外，TDMN同时捕捉了结构依赖性和核心任务需求，通过构建任务链建立了以任务为中心的性能评估框架。
(ii)。为了解决USoS中的恢复优化问题，本研究提出了一种双目标恢复优化算法，整合了四种异构恢复措施——功能切换、资源分配、冗余激活和现场维护——以共同最小化累积性能损失韧性和总恢复时间成本。在Moth–Flame优化（MFO）框架的基础上，提出了该方法，为MFO开发了一种离散解决方案表示，以匹配本工作中建立的恢复优化模型，从而形成了BMRMFO。在此基础上，进一步结合了维护规则引导的初始化方案和局部强化机制，以提高离散决策空间中的可行性和搜索效率。
(iii)。广泛的多尺度USoS案例研究涵盖了不同的中断强度和支持资源设置，评估了所提出的框架。通过展示中继引起的结构演变和任务级协调模式，验证了评估模型的有效性，突显了任务链感知评估的必要性。在此基础上，BMRMFO与四种双目标算法和六个基线进行了基准测试，并增加了关于中继相关元素是否自然优先的分析；结果一致显示了中继驱动的趋势和新兴的中继邻域优先级，证明了其优越的整体恢复性能。
本文的其余部分组织如下。第2节介绍了TDMN模型和相关的系统性能评估方法。第3节介绍了USoS恢复场景和提出的双目标恢复策略优化算法BMRMFO。第4节展示了案例研究和比较实验，验证了TDMN和BMRMFO。最后，第5节总结了本文并概述了未来的研究方向。
