Multi-task planning for diverse UAVs and missions can be approached as a Constraint Satisfaction Problem (CSP) where the Temporal CSP (TCSP) method adds time-based sequential task modeling. The Enhanced Temporal Constraint Satisfaction Problem (ETCSP) method innovatively merges dynamic domain features with a MIQP (Mixed Integer Quadratic Programming) based scoring system to optimally assign UAVs to tasks, moving beyond traditional greedy algorithms. This approach includes an enhanced forward checking method that evaluates task suitability and UAV compatibility in real-time using dynamic programming, thus refining search precision. The ETCSP model was tested in two phases, initially assigning various tasks and then employing CSP methods to monitor task changes over time. Results show that the generic TCSP method requires 61 UAVs to complete 70 tasks, while the Enhanced TCSP achieves the same with only 48 UAVs—which is roughly a 21% reduction in UAV usage. Similarly, the Enhanced method completes the task package in about 3800 min and with 1142 L of fuel, compared to 4855 min and 1615 L for the TCSP method, translating to approximately a 22% reduction in time and a 29% reduction in fuel consumption.

İnsansız hava araçlarının dahil olduğu çoklu görev planlama problemleri; zamana bağlı görevler ve çeşitli türdeki araçların sensör, konum, yakıt, faydalı yük vb. farklı yetenek ve kısıtlarına bağlı olarak ne tür görevleri yapabileceğinin belirlenmesini ve bunların planlamasını ifade eder. Bu problem, Kısıt Tatmin Problemi (KTP) olarak modellenebilmektedir. Zamansal KTP (ZKTP) ise ardışıl görevlerin, zamansal anlamda görev ikililerine bölünerek KTP üzerine inşasını modeller. Bu işleme bağlı olarak görev isterleri ile İnsansız Hava Aracının (İHA)’nın yetenekleri arasındaki statik ve dinamik kısıtlara bağlı olarak gerçekleştirebilecek eylemler ile ilgili baskın bir çözüm kümesi aranır. Böylece görevler ile mevcut İHA’ların yetenekleri arasındaki ilişki, zamansal boyutta irdelenerek çok amaçlı problemleri optimize eden aday çözümler bulunur. İyileştirilmiş ZKTP (İZKTP) yönteminde KTP’deki aç gözlü yaklaşım yerine, etki alanındaki en yüksek puana sahip İHA’nın göreve atanması önerilmiştir. Ek olarak, iyileştirilmiş ileri kontrol yöntemiyle bir sonraki görevin etki alanındaki İHA'ların gerçek zamanlı konumlarına ve zamanlarına göre atama durumu değerlendirilebilmektedir. Bu çalışmada, yakıt tüketimini ve toplam havada kalma süresini en aza indiren uygun bir çözüm kümesinin KTP ile aynı zaman karmaşıklığı içinde bulunması amaçlanır. Burada, zamansal kısıt tatmin modeli gerçeklenmiş ve çeşitli görevlerde karmaşıklığı aşamalı olarak değiştirilerek geri izleme (Backtracking), ileri kontrol (Forward Checking), yay tutarlılığı (Arc Consistency), düğüm tutarlılığı (Node Consistency) yöntemleriyle önerilen yaklaşımın performansı, deneysel çalışmalarla doğrulanmıştır. Bu kapsamda yapılan deneyler iki farklı aşamayı içermektedir. İlk aşamada, çeşitli yetenek ve kısıtlara sahip İHA'ların farklı isterleri olan görevlere atanmasını içeren farklı simülasyonlar gerçekleştirilmiştir. Buradaki simülasyonlarda olası gerçek senaryolardan esinlenen sentetik veriler kullanılmıştır. İkinci aşamada ise atamalar sonrası dinamik programlama temelli etki alanı güncellemesiyle görev ikililerinin zaman pencerelerinde değişen süreçleri takip eden düğüm kontrolü, geri izleme, ileri kontrol ve yay tutarlılığı yaklaşımları kullanılmıştır. Önerilen KTP ile gerçekleştirilen testler sonucu sekiz farklı görev içeren iş paketinde, KTP ile benzer zaman karmaşıklığında daha uygun maliyet ve zaman çıktıları elde edilmiştir. Testler kapsamında 64 farklı görev içeren bir problem için önerilen yöntem, standart KTP’ye göre12 adet daha az İHA kullanılmasını sağlayarak önemli bir performans artışına ulaşmıştır.

The advancement of Artificial Intelligence (AI) technology is also manifesting itself in the defence sector. This study comprehensively reviews and comparatively analyses AI-based learning systems used in air combat simulation environments. The studies were categorised according to within-visual-range and beyond-visual-range scenarios and compared based on the methods used and the results obtained. These studies demonstrate that AI agents can develop realistic tactics, share situational awareness, and compete effectively with human pilots. In this study, methods such as Proximal Policy Optimisation (PPO) and Hierarchical Multi-Agent Reinforcement Learning (HMARL) were observed to be particularly prominent in terms of performance. Significant problems such as long training durations, high computational costs, partial observability, and sensitivity to sensor noise are the major challenges encountered. As a result of the study, it is concluded that intelligent agents developed in air combat simulation environments can enhance training efficiency by serving as teammates and opponents in pilot training.