王小光 胡榮 梁文洋

近年來，隨著微機電技術、通信導航技術和人工智能技術迅速發(fā)展，無人機的智能化水平越來越高，數(shù)量眾多的無人機組成無人機群應用在軍事領域將有可能顛覆未來戰(zhàn)爭的規(guī)則。

無人機群作戰(zhàn)是指由數(shù)量龐大、成本低廉的小型無人機組成蜂群作戰(zhàn)系統(tǒng)，依托大數(shù)據(jù)、人工智能、無線自組網(wǎng)等技術協(xié)同作戰(zhàn)。在未來戰(zhàn)場上，由數(shù)量眾多的無人機對作戰(zhàn)目標進行超飽和攻擊，能有效提升己方的作戰(zhàn)效能。

無人機群可以完成某些單架無人機難以完成的復雜任務，如大規(guī)模監(jiān)視敵方、大范圍信息搜集、執(zhí)行多個同步任務等，但無人機數(shù)量的增多帶來規(guī)模化增大，復雜度變高和眾多安全隱患，在執(zhí)行任務過程中除了要考慮自身因素外，還要考慮目標和環(huán)境帶來的約束等。無人機群的協(xié)同目標規(guī)劃，是在滿足多方現(xiàn)實情況和約束條件下，實現(xiàn)無人機與目標的配對分配，使作戰(zhàn)效能最優(yōu)，降低系統(tǒng)的耦合程度，提高協(xié)同性能和完成任務的質量。

無人機群協(xié)同作戰(zhàn)目標分配（Collaborative?Target?Allocation，CTA）首先是根據(jù)無人機群與作戰(zhàn)目標的具體情況，結合各項約束條件，建立無人機群任務分配的CTA模型，然后根據(jù)建立的模型，選擇合適的智能算法進行求解，得到無人機與目標相對應的結果。本文對無人機群協(xié)同作戰(zhàn)目標分配進行研究，從CTA模型及其要素和常用智能算法兩方面進行介紹，并根據(jù)研究結果對未來無人機群作戰(zhàn)任務分配的研究方向進行預測。

美國防高級研究計劃局AC-130正在回收 X-61A小精靈無人機

CTA模型

無人機群協(xié)同作戰(zhàn)目標分配是基于戰(zhàn)場環(huán)境和作戰(zhàn)任務，為無人機群中的每架無人機分配一個或多個作戰(zhàn)目標，使無人機群的整體作戰(zhàn)效能最優(yōu)。分配目標，需要從無人機群、目標任務和約束條件三個要素考慮建立協(xié)同作戰(zhàn)目標分配模型（CTA模型），CTA模型是依據(jù)實際問題簡化后的數(shù)學模型，對之求解可以得到無人機的目標分配結果。

無人機群是作戰(zhàn)的主體，在目標分配過程中無人機的數(shù)量和自身的物理性能會對分配結果產生影響。

無人機群中無人機與分配目標的數(shù)量的不同會產生不同的分配結果。當無人機與目標數(shù)量相同時，要使模型中無人機與目標一一對應，使任務代價最小。當無人機多于目標數(shù)量時，模型中的一個目標至少分配給一架無人機，且一架無人機只能執(zhí)行一個目標。當無人機少于目標數(shù)量時，模型中一架無人機分配多個任務，并且按照一定的順序執(zhí)行這些目標。無人機的物理性能如最大航速、最大轉彎角、最低飛行高度、攜帶彈藥等，也會產生不同的分配效果。因此需要根據(jù)無人機的自身參數(shù)信息以及攜帶彈藥的類型、數(shù)量、打擊效果等對分配的影響，進行仿真計算。

在實際目標分配過程中，目標并不是單獨存在的，而是相互之間緊密聯(lián)系的結合體。將敵方目標列為有著相互依賴關系和主次次序的聯(lián)合目標，聯(lián)合目標的生存概率和權重構成戰(zhàn)場環(huán)境。而每一輪攻擊結果都將變更環(huán)境情況，因此兩輪任務分配之間具有相關性。需要建立多無人機協(xié)同分層任務分配模型，以此為基礎建立各目標群之間的任務分配模型，對目標任務分配進行求解。實際戰(zhàn)場環(huán)境復雜多變，無人機的目標分配有很多制約因素。依據(jù)建立的多無人機協(xié)同目標分配模型，主要考慮多目標點同時到達約束下的任務分配規(guī)劃。目前，將約束條件設定為任務的協(xié)同約束和無人機的最遠航程約束，處理約束條件采用罰函數(shù)法，將約束條件作為優(yōu)化目標的分量考慮，把有約束的多目標優(yōu)化函數(shù)轉化為無約束多目標優(yōu)化問題。約束條件分為決策變量約束、最大航程約束、最小/最大速度約束、最大航行時間約束、最大載彈量約束、目標點之間的時序約束和等待時間約束，可針對無人機與目標數(shù)量的不同建立了具有統(tǒng)一分配關系的模型，將航程代價、時間代價與約束違背量之和作為適應度函數(shù)求解。

無人機群目標分配可歸納為優(yōu)化問題，任何模型的目標分配都可以統(tǒng)一為一個求解多約束條件下的最優(yōu)化問題。CTA模型為無人機群協(xié)同作戰(zhàn)目標分配模型，根據(jù)無人機群、目標任務、約束條件，結合實際作戰(zhàn)環(huán)境中不同的側重要素，CTA模型有不同的表達式，約束條件也各有側重。

CTA求解算法

研究無人機群作戰(zhàn)目標分配問題，需要求解CTA模型，一般求解方法有集中式方法、分布式方法和混合式方法。目前，常用于CTA模型求解的算法包括遺傳算法、粒子群算法等。

無人機地面控制終端

遺傳算法 遺傳算法（GA）是遵循自然界的適者生存、優(yōu)勝劣汰的法則，模擬生物進化機制的一種算法，在科學求解過程中表現(xiàn)為在所有可能的解中找出最符合該問題求解條件的最優(yōu)解?；镜倪z傳算法可以解決一些簡單的模型，由于CTA模型通常較為復雜，一般以遺傳算法為基礎進行改進或者結合其他智能算法，使之適合求解的實際模型。

粒子群算法 粒子群算法（PSO）屬于進化算法中的一種，是從隨機解出發(fā)通過迭代，追隨當前搜索到的最優(yōu)值來尋找全局最優(yōu)。PSO初始化為一群隨機粒子，每一次迭代，粒子通過跟蹤本身的最優(yōu)解（個體極值）和整個種群目前的最優(yōu)解（全局極值）來更新自己，直到找到最優(yōu)值為止。粒子群算法沒有交叉和變異操作，比遺傳算法更加簡單。粒子群算法以及改進粒子群算法是求解CTA問題的常用方法。粒子群算法規(guī)則簡單，適用于最優(yōu)化問題，通過改進粒子群算法和與其他理論、算法結合，可以很好地解決不同類型的CTA問題。

算法是實現(xiàn)無人機群協(xié)同的基礎

其他算法 在求解CTA問題中，除了常見的遺傳算法和粒子群算法外，還有很多元啟發(fā)式算法能夠適用于具體場景下的無人機群作戰(zhàn)目標分配問題。鴿群算法，是模擬鴿子距離巢較遠時，依據(jù)磁場確定歸巢大致方向，在靠近鴿巢時，根據(jù)附近熟悉的地標建筑鎖定鴿巢位置。狼群算法，模擬狼群的捕獵行為和獵物分配規(guī)則，人工狼根據(jù)自己和其他狼的情況不斷地更新位置，向最優(yōu)位置靠近。蟻群算法，是模仿自然界中螞蟻在食物尋找時的路徑尋找行為，每只螞蟻先自己獨立搜索，然后通過信息素更新進行信息共享。

未來研究方向

無人機群作戰(zhàn)目標分配的研究成果很多，但大多數(shù)的模型依舊比較簡單，約束條件單一，不能很好地滿足現(xiàn)實中的問題，求解方法大多依靠現(xiàn)有的智能算法，缺乏方便高效的求解方法。

模型方面的研究方向建立更加符合實際情況的模型，需要充分考慮現(xiàn)實戰(zhàn)場環(huán)境，充分考慮己方無人機群、敵方作戰(zhàn)目標和環(huán)境約束三方面的實際情況，做到既全面，又有針對性。模型建立還要考慮實時性的需求，戰(zhàn)場環(huán)境瞬息萬變，實時性和動態(tài)性是未來重要的研究難點和重點。目前的無人機群規(guī)模數(shù)量依舊很小，隨著科學技術的進步，未來無人機群的規(guī)模必定呈幾何倍數(shù)增長，大規(guī)模數(shù)量的無人機群任務分配是未來的研究方向。

求解算法的研究發(fā)現(xiàn)現(xiàn)有智能算法無不存在收斂性能慢、易陷入局部最優(yōu)、耗時長等問題，這是目前的演化算法不可避免的問題，今后的研究方向即是在這些方面繼續(xù)改進，使算法求解過程效率高、準確性高。隨著人工智能技術的進步，相關具有新穎性、自學習、自適應的算法可以作為無人機群作戰(zhàn)目標分配求解的新方向，基于人工智能的無人機群作戰(zhàn)目標分配具有很好的研究前景。

責任編輯：彭振忠