陶燦燦，韓 旭，周 銳

(1.北京航空航天大學(xué) 自動(dòng)化科學(xué)與電氣工程學(xué)院,北京 100191；2.中國航空工業(yè)總公司成都飛機(jī)設(shè)計(jì)研究所，四川 成都 610091)

0 引言

利用無人機(jī)/無人車等異構(gòu)多機(jī)器人的功能互補(bǔ)性，組成跨域協(xié)作系統(tǒng)，實(shí)現(xiàn)任務(wù)協(xié)同和信息共享，能夠彌補(bǔ)單一軍種作戰(zhàn)力量的不足，進(jìn)而創(chuàng)造出單一領(lǐng)域行動(dòng)無法達(dá)成的效果[1-2]。

任務(wù)規(guī)劃是無人作戰(zhàn)的頂層規(guī)劃，應(yīng)根據(jù)任務(wù)環(huán)境態(tài)勢(shì)、任務(wù)需求、自身特性等進(jìn)行綜合調(diào)度。文獻(xiàn)[3]考慮時(shí)間窗、速度及能量共享，提出一種多準(zhǔn)則混合整數(shù)規(guī)劃模型，以最小化旅行距離、旅行時(shí)間和能源消耗為目標(biāo)進(jìn)行多機(jī)器人任務(wù)規(guī)劃；文獻(xiàn)[4]考慮平臺(tái)能力、任務(wù)特點(diǎn)及環(huán)境約束，提出了一種基于市場(chǎng)的異構(gòu)空地機(jī)器人任務(wù)分配算法，目標(biāo)是最小化團(tuán)隊(duì)執(zhí)行救援任務(wù)的總時(shí)間；文獻(xiàn)[5]針對(duì)城市環(huán)境中持續(xù)監(jiān)測(cè)任務(wù)，提出了一種估計(jì)分布算法和遺傳算法相結(jié)合的混合算法，用于無人機(jī)-無人車協(xié)同路徑規(guī)劃。

本文研究智能任務(wù)規(guī)劃技術(shù)助力無人作戰(zhàn)飛機(jī)(Uninhabited Combat Aerial Vehicle,UCAV)/無人戰(zhàn)車(Uninhabited Combat Ground Vehicle,UCGV)進(jìn)行無人作戰(zhàn)的可能性[6]?？紤]到UCAV/UCGV協(xié)同任務(wù)規(guī)劃擴(kuò)展性，引入任務(wù)分析和環(huán)境建模仿真(Task Analysis Environment Modeling and Simulation,TAEMS)模型語言來描述UCAV/UCGV的任務(wù)結(jié)構(gòu)，基于DTC方法設(shè)計(jì)任務(wù)規(guī)劃的目標(biāo)函數(shù)，并利用基于精英機(jī)制的遺傳算法求解UCAV/UCGV任務(wù)規(guī)劃問題的解。在任務(wù)規(guī)劃過程中集成了路徑規(guī)劃[7]，規(guī)劃的結(jié)果是包含任務(wù)參數(shù)信息如位置、時(shí)間、累加收益、累加路徑的動(dòng)作序列。

1 任務(wù)規(guī)劃模型

1.1 協(xié)同任務(wù)想定

以協(xié)同攻擊任務(wù)為例，無人機(jī)/無人車執(zhí)行攻擊任務(wù)的目的是在作戰(zhàn)初期派UCAV和UCGV進(jìn)入敵方戰(zhàn)區(qū)，利用異構(gòu)平臺(tái)作戰(zhàn)能力的差異性和互補(bǔ)性，UCAV和UCGV根據(jù)戰(zhàn)場(chǎng)信息分別對(duì)不同的敵方火力部署進(jìn)行摧毀，從而獲得更大的作戰(zhàn)效益，并減小后期有人部隊(duì)對(duì)該區(qū)域進(jìn)行搜索、轟炸的危險(xiǎn)性，提升整個(gè)戰(zhàn)場(chǎng)的作戰(zhàn)效果[8]。

圖 1為UCAV/UCGV協(xié)同執(zhí)行攻擊任務(wù)的示意圖，戰(zhàn)場(chǎng)環(huán)境中存在敵方各類武器威脅，如雷達(dá)、裝甲車、炮、直升機(jī)、單兵等，圖中以“+”表示，周圍的圓表示威脅覆蓋的區(qū)域；存在不同的環(huán)境威脅區(qū)域，如電磁區(qū)、惡劣氣候區(qū)等，圖中以陰影區(qū)域表示；存在不同的地形威脅區(qū)域(主要針對(duì)UCGV)，根據(jù)通過的難易程度分為避免通過區(qū)和不可通過區(qū)，圖中以不規(guī)則四邊形區(qū)域表示，不可通過區(qū)可以是難以通過的坑洼、斷崖、河流、湖泊等[9]。

圖1 UCAV/UCGV協(xié)同攻擊任務(wù)想定Fig.1 UCAV/UCGV collaborative attack mission scenario

1.2 任務(wù)結(jié)構(gòu)模型

TAEMS是一種通用的Agent任務(wù)結(jié)構(gòu)描述語言，實(shí)質(zhì)上是分層的有向圖[10]，以無人機(jī)/無人車協(xié)同執(zhí)行攻擊任務(wù)為例，其對(duì)應(yīng)的基于TAEMS描述的任務(wù)結(jié)構(gòu)如圖 2所示。圖中的任務(wù)結(jié)構(gòu)包含3類節(jié)點(diǎn)[11-12]：任務(wù)群、任務(wù)和動(dòng)作。任務(wù)群節(jié)點(diǎn)是TAEMS框架中最高層的任務(wù)節(jié)點(diǎn)，是沒有父節(jié)點(diǎn)的任務(wù)節(jié)點(diǎn)；任務(wù)節(jié)點(diǎn)本身可以遞階地分解為更低層次的子任務(wù)，并通過品質(zhì)累積函數(shù)定義各子節(jié)點(diǎn)的合成方式，在圖中圓角矩形表示任務(wù)；動(dòng)作節(jié)點(diǎn)是TAEMS任務(wù)樹型結(jié)構(gòu)的葉節(jié)點(diǎn)，它沒有子節(jié)點(diǎn)，動(dòng)作表示可以由Agent直接執(zhí)行的，不能再分解的任務(wù)，在圖中用矩形表示動(dòng)作。

圖2 基于TAEMS模型的UCAV/UCGV任務(wù)結(jié)構(gòu)Fig.2 UCAV/UCGV mission structure based on TAEMS model

1.3 相互關(guān)系及品質(zhì)累積函數(shù)

TAEMS任務(wù)結(jié)構(gòu)模型定義了任務(wù)的效用信息(如收益、代價(jià)、持續(xù)時(shí)間、持續(xù)路程等)和子任務(wù)間的相互關(guān)系，在圖 2中帶矩形標(biāo)簽的有向線表示相互關(guān)系。常用到的相互關(guān)系有[13-14]：

(1)

式中，Ta,Tb表示任務(wù)或方法節(jié)點(diǎn)；{Task}表示任務(wù)節(jié)點(diǎn)集合，{Method}表示方法節(jié)點(diǎn)集合；使能關(guān)系enable(Ta,Tb)表示只有關(guān)系的源節(jié)點(diǎn)完成后，目標(biāo)節(jié)點(diǎn)才允許被執(zhí)行和生效；使不能關(guān)系disable(Ta,Tb)，表示只有在關(guān)系源節(jié)點(diǎn)未執(zhí)行時(shí)，目標(biāo)節(jié)點(diǎn)才可執(zhí)行和生效；促進(jìn)關(guān)系facilitate(Ta,Tb)表示源節(jié)點(diǎn)對(duì)目標(biāo)節(jié)點(diǎn)的執(zhí)行效果具有有利影響；阻礙關(guān)系hinder(Ta,Tb)表示源節(jié)點(diǎn)對(duì)目標(biāo)節(jié)點(diǎn)的執(zhí)行效果具有不利影響。

品質(zhì)累積函數(shù) (Quality Accumulate Function,QAF)定義了如何由各子節(jié)點(diǎn)的品質(zhì)獲取節(jié)點(diǎn)自身的品質(zhì)。常用的QAF有[13,15]：

(2)

式中，{T1,T2,…,Tm}是子節(jié)點(diǎn)集合，m表示子節(jié)點(diǎn)的個(gè)數(shù)，q_min表示任務(wù)節(jié)點(diǎn)的品質(zhì)為其所有子節(jié)點(diǎn)中最小的品質(zhì)值；q_max表示節(jié)點(diǎn)品質(zhì)等于其子節(jié)點(diǎn)中最大的品質(zhì)值；q_sum表示父節(jié)點(diǎn)的品質(zhì)值等于其所有子節(jié)點(diǎn)品質(zhì)值之和；q_exactly_one表示完成父節(jié)點(diǎn)可以通過執(zhí)行其任何一個(gè)子節(jié)點(diǎn)，父節(jié)點(diǎn)的品質(zhì)值為所執(zhí)行的子節(jié)點(diǎn)的品質(zhì)值。

2 任務(wù)規(guī)劃問題描述

2.1 動(dòng)作

動(dòng)作是UCAV/UCGV可以直接執(zhí)行的原始任務(wù)，形式化描述為[1,11]：

IA=

estimate_time,certainty,val,

location,attachPara,interrelations>,

(3)

式中，id為動(dòng)作的編號(hào)，label為動(dòng)作的名稱，Agent為動(dòng)作所屬的智能體，threatcost為執(zhí)行該動(dòng)作需要付出的威脅代價(jià)，estimate_time為完成動(dòng)作的預(yù)計(jì)時(shí)間，certainty為動(dòng)作存在概率，val為完成動(dòng)作后獲得的回報(bào)，location為完成動(dòng)作所在的位置，attachPara為和具體任務(wù)相關(guān)的附加參數(shù)，其形式和內(nèi)容是由具體的任務(wù)決定的，interrelations為和動(dòng)作關(guān)聯(lián)的關(guān)系集合，IA為InputAction縮寫。

2.2 動(dòng)作集合

動(dòng)作集合是UCAV/UCGV任務(wù)結(jié)構(gòu)分解出來的無序動(dòng)作集合，即

IAS={IA1,IA2,…,IAn}，

(4)

式中，IAS為InputActionSet的縮寫，IAi表示任務(wù)結(jié)構(gòu)分解出來的無序動(dòng)作集合中第i個(gè)具體的動(dòng)作。

2.3 解動(dòng)作

解動(dòng)作是UCAV/UCGV任務(wù)規(guī)劃求解出來的某個(gè)具體動(dòng)作，形式化描述為[11,13]：

OA=

estimate_time,certainty,val,

location,attachPara,

interrelations,ac_threatcost,

ac_estimate_time,ac_val,ac_dis>，

(5)

式中，ac_threatcost為完成該動(dòng)作后的累加威脅代價(jià)，ac_estimate_time為完成該動(dòng)作后的累加預(yù)計(jì)時(shí)間，ac_val為完成該動(dòng)作后的累加效果，ac_dis為完成該動(dòng)作后的累加距離，OA為OutputAction縮寫，其他參數(shù)意義和輸入動(dòng)作相同。

2.4 解序列

解序列是求解出來的UCAV/UCGV可以直接執(zhí)行的動(dòng)作序列，為解動(dòng)作的有序集合，即

OAS={OA1,OA2,…,OAm}，

(6)

式中，OAS為OutputActionSequence的縮寫。

2.5 約束

UCAV/UCGV進(jìn)行任務(wù)規(guī)劃時(shí)需要滿足一定的約束條件，這些約束可以是任務(wù)規(guī)劃初始時(shí)設(shè)置的，也可以是戰(zhàn)場(chǎng)環(huán)境中突發(fā)的任務(wù)約束，約束形式化表示為[1，14]：

constraint=

certainty,distance,threat,…>,

(7)

式中，label為約束標(biāo)識(shí),Agent為受約束的Agent,task為約束對(duì)應(yīng)的任務(wù),time表示任務(wù)的預(yù)計(jì)時(shí)間約束,certainty表示目標(biāo)存在概率的確定性約束,distance表示任務(wù)的總路程約束(即燃油約束),threat表示任務(wù)受到的威脅障礙約束。

2.6 相互關(guān)系

UCAV/UCGV任務(wù)結(jié)構(gòu)中的相互關(guān)系可形式化描述為[1,15]：

interrelation=

fromOutcome,delay,effect,active>,

(8)

式中，label為關(guān)系名稱,Agent為此相互關(guān)系所在的任務(wù)結(jié)構(gòu)所屬的Agent,type為相互關(guān)系的類型,from為關(guān)系源節(jié)點(diǎn),to為關(guān)系的目標(biāo)節(jié)點(diǎn),fromOutcome為關(guān)系源節(jié)點(diǎn)的輸出,delaty表示關(guān)系生效需要延遲的時(shí)間,effect為關(guān)系作用對(duì)目標(biāo)節(jié)點(diǎn)的影響,active指示相互關(guān)系是否生效。

根據(jù)以上各元素的描述，可給出如下定義：

定義[UCAV/UCGV任務(wù)規(guī)劃問題]UCAV/UCGV任務(wù)規(guī)劃問題可形式化描述為一個(gè)映射：

LS(TaskTree,constraint,interrelations,IAS)→OAS,

(9)

式中,TaskTree為任務(wù)和動(dòng)作節(jié)點(diǎn)構(gòu)成的樹形結(jié)構(gòu)，即UCAV/UCGV的TAEMS任務(wù)結(jié)構(gòu),constraint為任務(wù)規(guī)劃的約束集合,interrelations為節(jié)點(diǎn)間相互關(guān)系集合,IAS為UCAV/UCGV任務(wù)結(jié)構(gòu)分解出來的無序動(dòng)作節(jié)點(diǎn)集合,OAS={OA1,OA2,…,OAm}為求解出來的動(dòng)作序列集合。

UCAV/UCGV任務(wù)規(guī)劃問題定義為給定任務(wù)目標(biāo)，如何求取實(shí)現(xiàn)此任務(wù)目標(biāo)并滿足約束條件的動(dòng)作序列，同時(shí)確定各動(dòng)作的相關(guān)參數(shù)。

3 規(guī)劃求解方法

3.1 DTC標(biāo)準(zhǔn)設(shè)計(jì)準(zhǔn)則

DTC方法提出重要度權(quán)重的概念，指示集合中每一個(gè)因素的相對(duì)重要程度，用百分比表示。權(quán)重概念可以表示為“收益因素重要性是代價(jià)因素的兩倍，而時(shí)間不是問題”“收益和時(shí)間同等重要，代價(jià)不是問題”等需求[16]。

由權(quán)重集合可以定義用戶設(shè)計(jì)準(zhǔn)則，而怎樣利用這些準(zhǔn)則生成滿足期望的結(jié)果是剩下的問題。在使用某個(gè)具體算法求解任務(wù)規(guī)劃問題時(shí)，搜索的每一步都要利用基于DTC方法設(shè)計(jì)的用戶目標(biāo)函數(shù)去評(píng)價(jià)一個(gè)動(dòng)作節(jié)點(diǎn)“好”的程度[17]，用權(quán)重組對(duì)動(dòng)作節(jié)點(diǎn)進(jìn)行標(biāo)定。本節(jié)在考慮收益、代價(jià)、持續(xù)時(shí)間、持續(xù)路程4個(gè)屬性因素的基礎(chǔ)上，介紹兩個(gè)權(quán)重組，每組權(quán)重值之和為100%。

原始效果(Raw Goodness)權(quán)重組[1]：這組權(quán)重包括收益、代價(jià)、持續(xù)時(shí)間、持續(xù)路程的權(quán)重，表示不同因素的相對(duì)重要程度。例如，將收益權(quán)重設(shè)為50%，代價(jià)權(quán)重和時(shí)間權(quán)重分別設(shè)為25%，表示收益的重要程度是代價(jià)和時(shí)間的兩倍，而不考慮受燃油約束的持續(xù)路程。

求原始效果的標(biāo)定分量需要先計(jì)收益、代價(jià)、持續(xù)時(shí)間、持續(xù)路程四維子分量值，步驟為：

(10)

(11)

(12)

(13)

式中，maxp、maxd、maxt、maxc和minp、mind、mint、minc分別為要標(biāo)定的動(dòng)作序列的收益、持續(xù)路程、持續(xù)時(shí)間和代價(jià)的最大值和最小值；this.ep、this.ed、this.et、this.ec表示動(dòng)作序列的預(yù)計(jì)收益、持續(xù)路程、持續(xù)時(shí)間和代價(jià)；RG_sliderp、RG_sliderd、RG_slidert、RG_sliderc是原始效果權(quán)重組中各分量的權(quán)重值。

原始效果分量等于四維子分量之和：

componentRG=componentp+componentd+

componentt+componentc。

(14)

上下限(Thresholds/Limits)權(quán)重組[1]：此組權(quán)重包含收益超過預(yù)計(jì)下限的重要度權(quán)重，代價(jià)、持續(xù)時(shí)間和持續(xù)路程低于某個(gè)上限的重要度權(quán)重。此權(quán)重組的意義表明代價(jià)、時(shí)間和路程滿足一定約束條件，收益值達(dá)到一定閥值的動(dòng)作具有特殊的價(jià)值[1]。

上下限分量的求解同樣需要計(jì)算四維子分量，如式(15)～(18)所示，其中Thresholdp、Limitd、Limitt和Limitc為最小收益要求、最大距離限制、最大時(shí)間限制和最大代價(jià)限制，TL_sliderp、TL_sliderd、TL_slidert和TL_sliderc是各分量的權(quán)重值。同樣，上下限分量為各子分量之和。

(15)

(16)

(17)

(18)

componentTL=componentp+componentd+componentt+

componentc。

(19)

3.2 基于精英機(jī)制的遺傳算法求解

遺傳算法是一類常用于求解優(yōu)化問題的進(jìn)化算法[18]，它將優(yōu)化問題的尋優(yōu)過程轉(zhuǎn)化為對(duì)染色體種群的進(jìn)化過程，進(jìn)化完成的種群中適應(yīng)度最高的染色體就是優(yōu)化問題的解。還可以根據(jù)具體問題制定進(jìn)化的策略以及限定條件等，從而加快進(jìn)化的過程，提高問題的求解速度。

以無人機(jī)/無人車協(xié)同攻擊n個(gè)目標(biāo)為例，種群中染色體的編碼可以表示為[19]：

(20)

式中，i,j,…,k代表某個(gè)攻擊目標(biāo)由誰執(zhí)行，0代表不被執(zhí)行，1代表被無人機(jī)執(zhí)行，2代表被無人車執(zhí)行，n代表目標(biāo)的個(gè)數(shù)。

適應(yīng)度表明單個(gè)染色體或解的優(yōu)劣性，以無人機(jī)/無人車協(xié)同攻擊n個(gè)目標(biāo)獲取最大攻擊收益為例，適應(yīng)度函數(shù)可以定義為[19]：

(21)

式中，attaVali代表攻擊第i個(gè)目標(biāo)后獲得的收益，n代表目標(biāo)的個(gè)數(shù)。

選擇操作從舊的染色體種群中以一定概率選擇個(gè)體到新群體中，本文使用輪盤賭方法選擇，個(gè)體被選擇的概率跟適應(yīng)度值有關(guān)，個(gè)體適應(yīng)度值越大，被選中的概率越大，計(jì)算過程為[20]：

(22)

式中，F(xiàn)i為第i個(gè)父本對(duì)應(yīng)的適應(yīng)度值，Pi為第i個(gè)父本被選擇的概率。

交叉操作通過組合父輩個(gè)體的特性得到新一代的個(gè)體，以協(xié)同攻擊n個(gè)目標(biāo)為例，將父代樣本兩兩分組，每組中的兩個(gè)染色體互相交換部分基因；變異操作從群體中選擇若干個(gè)體，對(duì)于選中的個(gè)體以一定的概率隨機(jī)地改變?nèi)旧w中基因的值[20]。

為了加快種群進(jìn)化的速度，對(duì)遺傳算法進(jìn)行改進(jìn)，引入精英策略，將父代種群中染色體適應(yīng)度最高的10條染色體直接復(fù)制到下一代種群中，從而保證子代種群中的最優(yōu)個(gè)體不會(huì)比父代最優(yōu)的個(gè)體差。

基于DTC和遺傳算法的任務(wù)規(guī)劃流程如圖3所示。

圖3 基于DTC和遺傳算法的UCAV/UCGV任務(wù)規(guī)劃流程Fig.3 Flowchart of UCAV/UCGV mission planning based on DTC and genetic algorithm

4 仿真實(shí)例

4.1 問題和參數(shù)

以協(xié)同攻擊任務(wù)為例，UCAV/UCGV從進(jìn)入戰(zhàn)區(qū)點(diǎn)開始，根據(jù)任務(wù)需求和任務(wù)約束對(duì)區(qū)域內(nèi)的敵方目標(biāo)實(shí)施攻擊，攻擊任務(wù)完成后從退出戰(zhàn)區(qū)點(diǎn)返回我方基地。根據(jù)先驗(yàn)信息，將戰(zhàn)場(chǎng)上的攻擊目標(biāo)分為3類：無人機(jī)優(yōu)先目標(biāo)、無人車優(yōu)先目標(biāo)、普通目標(biāo)。例如目標(biāo)所處環(huán)境地形不適合無人車通過，可將此目標(biāo)設(shè)為無人機(jī)優(yōu)先目標(biāo)。戰(zhàn)場(chǎng)存在雷達(dá)、武器等威脅，在任務(wù)規(guī)劃之前可以結(jié)合路徑規(guī)劃給出相關(guān)任務(wù)參數(shù)，規(guī)定了攻擊目標(biāo)類型和關(guān)鍵的戰(zhàn)術(shù)點(diǎn)，設(shè)置的任務(wù)參數(shù)如表 1所示。

表1 任務(wù)參數(shù)Tab.1 Mission parameters

4.2 仿真實(shí)驗(yàn)1

設(shè)定遺傳算法的選擇概率Ps=0.9，交叉概率Pc=0.8，變異概率Pm=0.05，精英機(jī)制保留染色體數(shù)目為10，初始種群數(shù)為100，最大進(jìn)化代數(shù)為200。

根據(jù)任務(wù)參數(shù)，求解在累加任務(wù)威脅threatconstraint=200約束下獲取最大的攻擊收益、偵察路徑盡量短，得到UCAV任務(wù)完成效果如表 2所示，UCGV任務(wù)完成效果如表 3所示，UCAV動(dòng)作序列時(shí)間表如圖 4所示，UCGV動(dòng)作序列時(shí)間表如圖5所示，UCAV/UCGV各自執(zhí)行任務(wù)的路徑如圖6所示，適應(yīng)度函數(shù)進(jìn)化過程如圖7所示。

表2 UCAV攻擊任務(wù)完成效果數(shù)據(jù)Tab.2 UCAV data for completing attack mission

表3 UCGV攻擊任務(wù)完成效果數(shù)據(jù)Tab.3 UCGV data for completing attack mission

圖4 UCAV執(zhí)行攻擊任務(wù)的動(dòng)作序列Fig.4 UCAV action schedule for attack mission

圖5 UCGV執(zhí)行攻擊任務(wù)的動(dòng)作序列Fig.5 UCGV action schedule for attack mission

圖6 UCAV/UCGV執(zhí)行攻擊任務(wù)的路徑示意圖Fig.6 UCAV/UCGV route diagram for attack mission

圖7 適應(yīng)度進(jìn)化過程(累加威脅受約束)Fig.7 Evolution process diagram of fitness (accumulated threat constrained)

從適應(yīng)度曲線圖可知，隨著種群的迭代進(jìn)化，系統(tǒng)整體的任務(wù)收益逐漸增大，最后獲得最優(yōu)值并趨于穩(wěn)定；從任務(wù)完成效果數(shù)據(jù)表和各自執(zhí)行任務(wù)的動(dòng)作序列圖看出，本文所提出的方法能夠在考慮無人機(jī)和無人車能力差異性的基礎(chǔ)上，將不同的子任務(wù)調(diào)度給不同的Agent執(zhí)行，且規(guī)劃調(diào)度的過程中融合了各項(xiàng)任務(wù)信息；從執(zhí)行任務(wù)的路徑示意圖看出，所提方法能夠在最大化系統(tǒng)整體任務(wù)收益的同時(shí)，兼顧路程長度因素。

4.3 仿真實(shí)驗(yàn)2

為了比較，求解和上述實(shí)驗(yàn)條件相同，但累加威脅不受約束的UCAV/UCGV協(xié)同攻擊任務(wù)的動(dòng)作序列，得到UCAV/UCGV各自執(zhí)行任務(wù)的路徑如圖8所示，適應(yīng)度函數(shù)進(jìn)化過程如圖9所示，任務(wù)完成效果表和動(dòng)作序列時(shí)間表與上述實(shí)驗(yàn)相似，此處不再列舉。

圖8 UCAV/UCGV執(zhí)行攻擊任務(wù)的路徑示意圖Fig.8 UCAV/UCGV route diagram for attack mission

圖9 適應(yīng)度進(jìn)化過程(累加威脅不受約束)Fig.9 Evolution process diagram of fitness(accumulated threat not constrained)

從適應(yīng)度曲線圖看出，由于本次實(shí)驗(yàn)相比上個(gè)實(shí)驗(yàn)條件約束更少，可以對(duì)雷達(dá)和導(dǎo)彈威脅區(qū)域內(nèi)的目標(biāo)進(jìn)行攻擊，系統(tǒng)整體的任務(wù)收益比上個(gè)實(shí)驗(yàn)有所提高；從執(zhí)行任務(wù)的路徑示意圖看出，本文所提方法能夠根據(jù)子任務(wù)的屬性和周邊環(huán)境因素以及對(duì)系統(tǒng)整體任務(wù)目標(biāo)的作用，將相應(yīng)子任務(wù)規(guī)劃給對(duì)應(yīng)的Agent執(zhí)行；結(jié)合本文的兩個(gè)仿真案例，驗(yàn)證了本文所提方法在滿足不同作戰(zhàn)任務(wù)需求、考慮無人機(jī)和無人車能力差異的基礎(chǔ)上規(guī)劃不同子任務(wù)給相應(yīng)Agent執(zhí)行以及融合任務(wù)多項(xiàng)信息方面的有效性，從而使無人機(jī)和無人車系統(tǒng)的整體作戰(zhàn)效益最大。

5 結(jié)束語

采用TAEMS語言描述UCAV/UCGV任務(wù)結(jié)構(gòu)，對(duì)任務(wù)的遞階分解及相互關(guān)系進(jìn)行了明確表述和建模，建立的模型可擴(kuò)展到更多數(shù)量的無人機(jī)/無人車協(xié)同作戰(zhàn)問題上。

提出了一種基于標(biāo)準(zhǔn)設(shè)計(jì)準(zhǔn)則和遺傳算法相結(jié)合的任務(wù)規(guī)劃方法；基于DTC方法設(shè)計(jì)基于用戶目標(biāo)準(zhǔn)則的效益函數(shù)來控制優(yōu)化的過程；引入具有精英機(jī)制的遺傳算法來求解UCAV/UCGV任務(wù)規(guī)劃問題；并在任務(wù)規(guī)劃過程中集成路徑規(guī)劃，規(guī)劃的結(jié)果是包含任務(wù)參數(shù)信息如位置、時(shí)間、累加收益、累加路徑的動(dòng)作序列；仿真表明本文算法具有很高的魯棒性和自適應(yīng)性，契合未來戰(zhàn)爭高復(fù)雜性的發(fā)展趨勢(shì)。