沈宇婷，孟 新，高躍清

（1.中國(guó)科學(xué)院國(guó)家空間科學(xué)中心，北京 100190；2.中國(guó)科學(xué)院大學(xué)，北京 100049；3.中國(guó)電子科技集團(tuán)公司第五十四研究所，石家莊 050081；4.河北省智能化信息感知與處理重點(diǎn)實(shí)驗(yàn)室，石家莊 050081）

0 引言

無(wú)人集群作為面向未來(lái)戰(zhàn)場(chǎng)偵察監(jiān)視、目標(biāo)打擊等任務(wù)需求的重要力量和作戰(zhàn)樣式，須具備有人/無(wú)人一體化的自主運(yùn)行、動(dòng)態(tài)調(diào)整、聚合解聚與平滑過(guò)渡能力［1-2］。這要求無(wú)人集群能夠以個(gè)體自主規(guī)劃決策為基準(zhǔn)，實(shí)現(xiàn)個(gè)體對(duì)環(huán)境的及時(shí)感知、來(lái)源的有效甄別、信息的融合采信和決策的多場(chǎng)景適應(yīng)，并支持無(wú)人自主和有人/無(wú)人編配的多模式快速匹配。以典型無(wú)人裝備無(wú)人機(jī)為例，無(wú)論小型集群化平臺(tái)還是大型綜合性平臺(tái)，信息的獲取感知、信息的共享交互都是無(wú)人機(jī)任務(wù)場(chǎng)景中必須具備的基礎(chǔ)能力［3］。通過(guò)美軍對(duì)各型無(wú)人機(jī)的軍事需求排序分析［4-7］，小型平臺(tái)主要需應(yīng)用于范圍廣闊、條件復(fù)雜且危險(xiǎn)度較高的場(chǎng)景，兼顧了無(wú)人自主和有人/無(wú)人編配的典型能力需求［8-9］，可作為研究無(wú)人集群系統(tǒng)的典型樣式，具備較為廣泛的借鑒意義。陳杰院士和辛斌博士提煉了設(shè)計(jì)面向?qū)嵱没臒o(wú)人集群系統(tǒng)需要解決“面向任務(wù)的協(xié)同能力建模與自主編配規(guī)則建立”、“局部信息獲取條件下，指控系統(tǒng)體系結(jié)構(gòu)優(yōu)化設(shè)計(jì)”、“指揮控制體系的抗毀性和動(dòng)態(tài)可重構(gòu)架構(gòu)設(shè)計(jì)”等基礎(chǔ)科學(xué)問(wèn)題［10］。綜合小型平臺(tái)集群系統(tǒng)軍事需求，解決上述問(wèn)題的關(guān)鍵在于，無(wú)人集群系統(tǒng)設(shè)計(jì)架構(gòu)需要滿(mǎn)足信息感知獲取后，安全、動(dòng)態(tài)、自主化運(yùn)用這些信息，以達(dá)成協(xié)調(diào)保持有生任務(wù)力量的目標(biāo)?；跁r(shí)效、魯棒性和動(dòng)態(tài)適應(yīng)等實(shí)用化目標(biāo)的均衡，有必要探索能夠結(jié)合運(yùn)用、兼容并包無(wú)人集群控制模型與方法架構(gòu)，以期有效融合中心式與分布式?jīng)Q策的優(yōu)勢(shì)。

本文基于信息交互視角，圍繞無(wú)人集群分布式系統(tǒng)的任務(wù)協(xié)同和自主性產(chǎn)生的重點(diǎn)，通過(guò)面向信息交互的無(wú)人集群系統(tǒng)解耦需求分析，進(jìn)行了橫向解耦與縱向解耦的機(jī)理分析，據(jù)此設(shè)計(jì)了面向系統(tǒng)信息交互網(wǎng)絡(luò)演化的CDLW 與H-CDLW模型，為構(gòu)建雙層耦合網(wǎng)絡(luò)的無(wú)人集群分布式系統(tǒng)模型提供了基于信息交互行為、面向信息共享利用的演化控制機(jī)制。同時(shí)，基于雙層耦合網(wǎng)絡(luò)的集群系統(tǒng)模型，針對(duì)無(wú)人節(jié)點(diǎn)的自主狀態(tài)控制、目標(biāo)信息融合與目標(biāo)揀選進(jìn)行了適配的算法設(shè)計(jì)，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證與分層解耦后網(wǎng)絡(luò)特性的分析，實(shí)驗(yàn)結(jié)果表明基于雙層耦合網(wǎng)絡(luò)的無(wú)人集群分布式系統(tǒng)模型具備作為系統(tǒng)控制框架的基礎(chǔ)，能夠?yàn)閷?shí)現(xiàn)時(shí)效、魯棒性和動(dòng)態(tài)適應(yīng)等實(shí)用化目標(biāo)的均衡提供新思路。

1 面向信息交互的無(wú)人集群系統(tǒng)解耦需求分析

面向信息交互的無(wú)人集群系統(tǒng)解耦，主要針對(duì)無(wú)人集群系統(tǒng)實(shí)用化研究，以信息交互為關(guān)注重點(diǎn)，將每個(gè)無(wú)人機(jī)節(jié)點(diǎn)抽象為智能體，把節(jié)點(diǎn)間任務(wù)協(xié)同關(guān)系映射為智能體之間基于連接關(guān)系實(shí)現(xiàn)的群組控制問(wèn)題。具體地，以智能體信息交互關(guān)系的建立和斷開(kāi)控制形成的動(dòng)態(tài)連接，來(lái)模擬實(shí)際無(wú)人機(jī)集群內(nèi)部的通聯(lián)關(guān)系狀態(tài)和變化，建立信息交互視角下，集群行為特征分析和機(jī)制模型研究的基本方法框架，目標(biāo)形成面向集群信息交互構(gòu)建一般化協(xié)商規(guī)則（即信息的分層、信息的傳遞、信息的知悉控制等），以及面向無(wú)人機(jī)節(jié)點(diǎn)的通用化控制策略（即信息的融合采信、目標(biāo)信息的揀選、信息交互能力上節(jié)點(diǎn)狀態(tài)的變化等），面向系統(tǒng)實(shí)現(xiàn)信息交互的魯棒性增強(qiáng)和負(fù)載優(yōu)化，形成無(wú)人集群系統(tǒng)實(shí)用化系統(tǒng)信息交互與控制的基礎(chǔ)框架。

雖然上述基本思路可從宏觀（系統(tǒng)、集群）、中觀（群組、編隊(duì)）、微觀（個(gè)體、平臺(tái)）清晰地劃分出由信息交互與控制視角觸發(fā)的具體問(wèn)題，并回應(yīng)牽引性基礎(chǔ)科學(xué)問(wèn)題。但在實(shí)際構(gòu)建微觀、中觀和宏觀模型與機(jī)制的過(guò)程中，存在解耦過(guò)程中的大量實(shí)用化需求響應(yīng)難點(diǎn)，具體分析如下：

1）動(dòng)態(tài)性：無(wú)人集群系統(tǒng)實(shí)用化一定面臨高動(dòng)態(tài)性場(chǎng)景。首先，這種高動(dòng)態(tài)性體現(xiàn)在信息動(dòng)態(tài)變化和與預(yù)期偏差的程度大，在無(wú)人集群系統(tǒng)的實(shí)際作業(yè)過(guò)程中，動(dòng)態(tài)變化的發(fā)生和影響必然是仿真訓(xùn)練和專(zhuān)家規(guī)則難以完全模擬和精準(zhǔn)籌劃的。其次，高動(dòng)態(tài)性體現(xiàn)在可能發(fā)生變化的信息維度及其具體內(nèi)容的廣泛程度，尤其在實(shí)用化思路上，無(wú)人平臺(tái)需要具備獨(dú)立自主作業(yè)能力時(shí)，對(duì)動(dòng)態(tài)變化響應(yīng)的能力就顯得尤為必要。

2）自主性：無(wú)人集群系統(tǒng)的實(shí)用化必然需要自主作業(yè)和自主協(xié)商能力。以無(wú)人機(jī)集群為例，往往由小型平臺(tái)構(gòu)成，其單一平臺(tái)的可裝配的載荷和存儲(chǔ)計(jì)算能力都有限，就需要盡可能消減單個(gè)平臺(tái)在面臨動(dòng)態(tài)環(huán)境、復(fù)雜問(wèn)題、缺乏后方算力和指揮等支援條件下的潛在負(fù)載。同時(shí)，這種負(fù)載表現(xiàn)在存儲(chǔ)、計(jì)算、通信等多個(gè)維度上，使得找到負(fù)載降低的關(guān)鍵問(wèn)題重要而困難。

3）魯棒性：無(wú)人集群系統(tǒng)的實(shí)用化必須持續(xù)進(jìn)行魯棒性的提升。在前述分析調(diào)研過(guò)程中可以看到：一方面無(wú)人機(jī)集群主要面臨的場(chǎng)景是相對(duì)危險(xiǎn)系數(shù)和對(duì)抗性更高的場(chǎng)景，對(duì)系統(tǒng)的穩(wěn)定運(yùn)行、算法的多樣化場(chǎng)景適配有著很高的要求。另一方面，無(wú)人集群隨著能力需求的增強(qiáng)，人機(jī)需要面臨的任務(wù)協(xié)同的具體樣式也隨之增加，不是單一樣式控制算法，或類(lèi)似仿生的具體問(wèn)題具體分析可以解決的。針對(duì)這些問(wèn)題就需要明確已有規(guī)則算法、模式匹配的成果，如何能夠在兼顧成果集成的角度，同時(shí)擁有一套持續(xù)完善的方法框架，不斷提升穩(wěn)健運(yùn)行和算法模型持續(xù)集成的水平。

4）匹配性與可擴(kuò)展性：無(wú)人集群系統(tǒng)的實(shí)用化方法設(shè)計(jì)需要兼顧多方面匹配的擴(kuò)展性。這里由于匹配性和可擴(kuò)展性的緊密聯(lián)系，故合并分析。其實(shí)匹配性要求一方面在于無(wú)人集群系統(tǒng)自身和多個(gè)無(wú)人集群系統(tǒng)間的系統(tǒng)體系、協(xié)同組織、個(gè)體平臺(tái)在設(shè)計(jì)架構(gòu)上需要保持一致的設(shè)計(jì)原則，另一方面在于與現(xiàn)有有人系統(tǒng)和未來(lái)體系之間的匹配。因此，對(duì)匹配性難點(diǎn)的思考就需要找到發(fā)展中相對(duì)穩(wěn)定的要素，進(jìn)而破解展開(kāi)研究，形成具備良好擴(kuò)展和適配能力的控制框架和模型架構(gòu)。

因此，基于上述需求響應(yīng)難點(diǎn)，面向信息交互的過(guò)程進(jìn)行無(wú)人集群系統(tǒng)的控制機(jī)制解耦要點(diǎn)，需要具備面向任務(wù)的協(xié)同自主、基于局部信息的系統(tǒng)優(yōu)化和控制體系的動(dòng)態(tài)可重構(gòu)等設(shè)計(jì)要素，重點(diǎn)關(guān)注協(xié)同過(guò)程中系統(tǒng)的一般化演化規(guī)則及其結(jié)構(gòu)特性、局部交互特性分析，以及一般化、可擴(kuò)展控制架構(gòu)設(shè)計(jì)，使得解耦后的模型框架既能夠具備基本的信息交互控制能力，又能夠集成必要的算法模型實(shí)現(xiàn)動(dòng)態(tài)擴(kuò)展。在這個(gè)過(guò)程中，對(duì)通信組網(wǎng)、運(yùn)動(dòng)控制、信息融合、態(tài)勢(shì)評(píng)估等多個(gè)方面的模型需要能夠具備相對(duì)獨(dú)立，又能夠關(guān)聯(lián)耦合的控制，就需要選擇合適的分層解耦方式，為差異化算法模型的集成與融合提供條件。

與上述需求不能完全適應(yīng)的是，現(xiàn)有研究主要仍關(guān)注于特定優(yōu)化、分配、規(guī)劃、調(diào)整、融合的算法設(shè)計(jì)，即便各領(lǐng)域已頗為深入、成果豐碩，但在為差異化算法模型的集成與融合方面，仍需研究并提煉設(shè)計(jì)出具有共性支撐能力的架構(gòu)與機(jī)制。為此，本文研究旨在從信息交互視角出發(fā)，根據(jù)上述基礎(chǔ)性科學(xué)問(wèn)題，找到無(wú)人集群系統(tǒng)合適的解耦方式，如圖1 所示。以網(wǎng)絡(luò)信息交互、局域信息決策和交互負(fù)載優(yōu)化為重點(diǎn)內(nèi)容，構(gòu)建一種可支撐實(shí)現(xiàn)下述能力的基礎(chǔ)性系統(tǒng)模型，包括：1）一般化交互機(jī)制，為按需裝填專(zhuān)有決策模型或控制算法提供基本結(jié)構(gòu)；2）通用化控制策略，為多源信息收集與處理提供基礎(chǔ)去冗和評(píng)估能力；3）形成決策傳播效應(yīng)，為動(dòng)態(tài)自主力量編配和效能優(yōu)化提供底層機(jī)制。最終，面向未來(lái)無(wú)人集群系統(tǒng)形成“系統(tǒng)基本體系架構(gòu)”、“平臺(tái)節(jié)點(diǎn)基礎(chǔ)功能模塊與結(jié)構(gòu)”、“信息交互協(xié)調(diào)機(jī)制”、“面向動(dòng)態(tài)任務(wù)的基本協(xié)同機(jī)制”和“系統(tǒng)信息交互負(fù)載動(dòng)態(tài)優(yōu)化機(jī)制”提供一定的解決思路和實(shí)踐參考。

圖1 解耦需求分析思路與重難點(diǎn)概要示意圖Fig.1 Outline diagram of decoupling demand analysis ideas and key difficulties

面向信息交互的無(wú)人集群分布式系統(tǒng)解耦，是將物理運(yùn)動(dòng)、通信組網(wǎng)和任務(wù)規(guī)劃層進(jìn)行邏輯上的解耦，重點(diǎn)在于信息交互與傳播的視角。所以在下面的網(wǎng)絡(luò)演化模型研究中，采用先橫向解耦再縱向解耦的思路，先提出一層網(wǎng)絡(luò)的演化機(jī)理研究，分析基于候選局域動(dòng)態(tài)世界（candidate-dynamic-local-world，CDLW）的無(wú)人系統(tǒng)網(wǎng)絡(luò)演化動(dòng)力，再提出面向無(wú)人集群系統(tǒng)的網(wǎng)絡(luò)層次化分層控制思路，分析構(gòu)建層次化候選局域動(dòng)態(tài)世界（hierarchi cal-candidate-dynamic-local-world，H-CDLW）的無(wú)人系統(tǒng)網(wǎng)絡(luò)演化動(dòng)力，支撐面向無(wú)人集群系統(tǒng)的多智能體系統(tǒng)網(wǎng)絡(luò)模型設(shè)計(jì)。

2 基于CDLW 的無(wú)人集群系統(tǒng)網(wǎng)絡(luò)演化

2.1 基于改進(jìn)LW 模型的橫向解耦演化動(dòng)力

橫向解耦從信息交互與傳播控制角度出發(fā)，將物理運(yùn)動(dòng)、通信組網(wǎng)和任務(wù)規(guī)劃縱向耦合成一層，分析無(wú)人集群系統(tǒng)在認(rèn)知迭代特性、信息聚合局部特性和整體過(guò)程動(dòng)態(tài)耦合特性方面的演化動(dòng)力，據(jù)此基于局域世界網(wǎng)絡(luò)模型（local-world，LW）進(jìn)行設(shè)計(jì)。綜合考慮，LW 模型發(fā)展基礎(chǔ)是BA（barabasi-albert）無(wú)標(biāo)度模型，主要規(guī)則基于增長(zhǎng)與優(yōu)先連接特性，難以平衡局域信息決策與交互負(fù)載優(yōu)化。因此，本節(jié)主要改進(jìn)并分析基于候選動(dòng)態(tài)局域世界的演化動(dòng)力及要素［11-13］，為2.2 節(jié)改進(jìn)設(shè)計(jì)相關(guān)演化模型提供支撐，具體如表1 所示。

表1 基于候選局域動(dòng)態(tài)世界（CDLW）的演化動(dòng)力Table 1 The evolutionary dynamics based on candidate-dynamic-local-world（CDLW）

此外，有約束的隨機(jī)重連中有一類(lèi)重要觸發(fā)條件為節(jié)點(diǎn)消減，由于其與群組和個(gè)體策略控制緊密相關(guān)，不作為基礎(chǔ)控制模型研究重點(diǎn)。同時(shí)，上述“外圍”雖主要指物理域時(shí)空范圍，但并不排除密度稀疏情況。

2.2 基于CDLW 的無(wú)人集群系統(tǒng)網(wǎng)絡(luò)演化模型

從無(wú)人節(jié)點(diǎn)個(gè)體間的信息交互行為來(lái)看，根據(jù)無(wú)人集群分布式系統(tǒng)應(yīng)具備的基本特性設(shè)計(jì)基于CDLW 的無(wú)人集群系統(tǒng)網(wǎng)絡(luò)演化模型構(gòu)造與演化算法（如算法2-1 所示）。具體地，面向無(wú)人平臺(tái)節(jié)點(diǎn)個(gè)體間信息交互控制，進(jìn)行局部信息交互決策與交互負(fù)載優(yōu)化設(shè)計(jì)，提供個(gè)體節(jié)點(diǎn)間相對(duì)獨(dú)立的自主協(xié)同演化機(jī)制。

然而，無(wú)人系統(tǒng)各節(jié)點(diǎn)同時(shí)處在時(shí)間、空間和交互信息等多維度綜合作用下，為實(shí)現(xiàn)通信組網(wǎng)、目標(biāo)信息融合、運(yùn)動(dòng)控制等不同算法模型的動(dòng)態(tài)可擴(kuò)展、可重構(gòu)，還需針對(duì)上述算法涉及的常見(jiàn)要素，進(jìn)行要素分析與分層解耦，從而實(shí)現(xiàn)無(wú)人集群系統(tǒng)模型從架構(gòu)和機(jī)制設(shè)計(jì)上的匹配性與可擴(kuò)展性的兼容。

算法1 基于CDLW 的網(wǎng)絡(luò)構(gòu)造與演化算法

3 基于H-CDLW 的無(wú)人集群系統(tǒng)網(wǎng)絡(luò)演化

3.1 無(wú)人集群系統(tǒng)層次化解耦機(jī)理分析

面向無(wú)人集群系統(tǒng)的網(wǎng)絡(luò)建立，需要考慮時(shí)間、空間以及交互信息等3 個(gè)維度的綜合作用。而對(duì)任意一個(gè)系統(tǒng)來(lái)講，時(shí)間與空間是統(tǒng)一的，各個(gè)節(jié)點(diǎn)之間共享同一片時(shí)空分布的空間。也就是說(shuō)，無(wú)論是任務(wù)規(guī)劃與控制層面、通信組網(wǎng)層面，還是具體到某個(gè)無(wú)人節(jié)點(diǎn)的物理控制律，都是在相同的時(shí)間與空間尺度調(diào)節(jié)中狀態(tài)一一對(duì)應(yīng)的。那么若想實(shí)現(xiàn)不同算法模型的動(dòng)態(tài)可擴(kuò)展、可重構(gòu)，層次化解耦的方式就無(wú)法從時(shí)間和空間的維度上進(jìn)行劃分。所以，本文選取針對(duì)信息交互維度，展開(kāi)層次化解耦的機(jī)理分析，通過(guò)研究信息交互的內(nèi)容范疇，結(jié)合無(wú)人集群系統(tǒng)信息交互維度的層次要素，得出層次和解耦的思路和方法。

3.1.1 信息、信息交互與傳播

克勞德·艾爾伍德·香農(nóng)將信息定義為：“信息是用來(lái)消除隨機(jī)不確定性的東西”。諾伯特·維納將信息描述為：“信息是人們?cè)谶m應(yīng)外部世界，并使這種適應(yīng)反作用于外部世界的過(guò)程中，同外部世界進(jìn)行互相交換的內(nèi)容和名稱(chēng)”。實(shí)際上，信息交互就是指感知與反饋交替中，消除不確定性的適應(yīng)過(guò)程中，發(fā)生的內(nèi)容交換。所以信息交互從過(guò)程上分為發(fā)出與接收。因此，可從以下要素來(lái)描述分析信息交互，即信源、信宿、信道、內(nèi)容、噪聲與評(píng)估（即反饋），則信息傳播就是信息在交互中獲得時(shí)空范圍上擴(kuò)散的現(xiàn)象。

3.1.2 基于信息交互的層次要素分析

基于信息、信息交互與信息傳播的理解，具體到任務(wù)規(guī)劃與控制層面、通信組網(wǎng)層面和節(jié)點(diǎn)控制律（動(dòng)力學(xué)）層面，從上述六方面的要素來(lái)分析，各層之間存在如表2 所示的特征與關(guān)聯(lián)。由于信息交互的目標(biāo)是為決策提供信息，故表2 的分析中補(bǔ)充了信息交互的決策部位。

表2 基于信息交互的層次要素分析Table 2 Hierarchical elements analysis based on information interactions

3.1.3 基于信息交互的層次化解耦思路

綜上分析，面向無(wú)人集群系統(tǒng)的分布式網(wǎng)絡(luò)拓?fù)淠Ｐ?，至少受時(shí)間、空間與信息交互三尺度的耦合關(guān)聯(lián)影響。由于時(shí)間與空間是多層次統(tǒng)一一致的，因此，主要選擇基于信息交互要素分析進(jìn)行層次解耦。從物理運(yùn)動(dòng)層、通信組網(wǎng)層和任務(wù)規(guī)劃與控制層，由下至上交互的信息內(nèi)容是逐層約束，由上而下交互的信息內(nèi)容是逐層解算的目標(biāo)輸入。同時(shí)，從信息交互的要素分析上看，由于時(shí)空分布限制對(duì)組網(wǎng)規(guī)劃、流量控制、路由選擇等算法的強(qiáng)約束，通信組網(wǎng)的控制物理上強(qiáng)依賴(lài)于物理運(yùn)動(dòng)。因此，在基于信息交互及傳播的層次解耦上，將通信組網(wǎng)和物理運(yùn)動(dòng)統(tǒng)一成時(shí)空分布層，完成運(yùn)動(dòng)控制和連接的保持，為任務(wù)層提供基本的拓?fù)錁?gòu)型。而任務(wù)層則獨(dú)立解耦成為交互決策層，主要關(guān)注以任務(wù)分配、資源部署為目標(biāo)的信息交互行為的產(chǎn)生與信息傳播的動(dòng)力生成［14］。據(jù)此，基于CDLW 的無(wú)人集群系統(tǒng)網(wǎng)絡(luò)演化模型將劃分為交互決策層和時(shí)空分布層。其中，時(shí)空分布層為反饋?lái)憫?yīng)層，交互決策層為牽制層。當(dāng)無(wú)人節(jié)點(diǎn)進(jìn)行信息交互及決策時(shí)，牽制層的決策輸入影響反饋?lái)憫?yīng)層，即可將無(wú)人集群看作物理上的單層網(wǎng)絡(luò)、邏輯上的雙層耦合網(wǎng)絡(luò)結(jié)構(gòu)。從而提供不同動(dòng)力學(xué)模型的解耦框架。實(shí)際運(yùn)作過(guò)程中，下層對(duì)上層的約束，可以看作是一種牽制。例如，在無(wú)人機(jī)碰撞檢測(cè)等方面也應(yīng)作為信息的輸入層，影響上層的信息交互決策過(guò)程。所以這種雙向的實(shí)際牽制，就成為反饋和相應(yīng)的耦合循環(huán)。同時(shí)，運(yùn)動(dòng)學(xué)模型和信息交互動(dòng)力學(xué)模型均可細(xì)化解耦，將雙層網(wǎng)絡(luò)拆分出更多的層次，再通過(guò)層次之間的耦合關(guān)系和層間的信息流動(dòng)等，真實(shí)化模擬無(wú)人集群的個(gè)體行為、群組行為和集群行為等微觀、中觀、宏觀各個(gè)尺度下的行為機(jī)理。

3.2 基于層次化解耦改進(jìn)的H-CDLW 網(wǎng)絡(luò)演化動(dòng)力

縱向解耦主要從信息交互分層出發(fā)，分析物理運(yùn)動(dòng)、通信組網(wǎng)和任務(wù)規(guī)劃等不同邏輯層信息交互頻次、內(nèi)容之間的相對(duì)獨(dú)立性，以及這些信息交互存在的耦合關(guān)聯(lián)。因此，可將基于CDLW 的網(wǎng)絡(luò)演化模型進(jìn)一步縱向拆解，構(gòu)建基于層次化候選動(dòng)態(tài)局域世界（H-CDLW）的網(wǎng)絡(luò)演化模型，并進(jìn)一步分析其演化動(dòng)力與機(jī)理，形成相應(yīng)的網(wǎng)絡(luò)演化機(jī)制。對(duì)橫向解耦結(jié)果一一縱向解耦的動(dòng)力分析如表3所示［14-16］。

表3 基于層次化候選動(dòng)態(tài)局域世界（H-CDLW）的網(wǎng)絡(luò)演化動(dòng)力Table 3 The evolutionary dynamics based on hierarchical-candidate-dynamic-local-world（H-CDLW）

3.3 基于H-CDLW 的無(wú)人集群系統(tǒng)網(wǎng)絡(luò)演化模型

基于前述分析，為實(shí)現(xiàn)通信組網(wǎng)、目標(biāo)信息融合、運(yùn)動(dòng)控制等不同算法模型的匹配性與可擴(kuò)展性的兼容，無(wú)人集群系統(tǒng)模型從架構(gòu)和機(jī)制設(shè)計(jì)上應(yīng)具備的基本特性，以及據(jù)此構(gòu)造的基于H-CDLW 的無(wú)人集群系統(tǒng)網(wǎng)絡(luò)演化模型構(gòu)造與演化算法（如算法3-1 所示）。具體地，面向時(shí)間、空間與信息交互解耦，重點(diǎn)關(guān)注兼容匹配性和可擴(kuò)展性，提供個(gè)體間不同尺度控制相對(duì)獨(dú)立的協(xié)同演化機(jī)制，即基于雙層耦合網(wǎng)絡(luò)的基本模型。

4 面向多目標(biāo)融合揀選的H-CDLW 層次化交互控制

4.1 基于H-CDLW 的無(wú)人集群雙層耦合網(wǎng)絡(luò)模型

基于H-CDLW 的網(wǎng)絡(luò)解耦實(shí)現(xiàn)了時(shí)空分布與交互決策解耦的基本框架，基于H-CDLW 的無(wú)人集群雙層耦合網(wǎng)絡(luò)示意如圖2，更為復(fù)雜解耦方式可據(jù)此進(jìn)一步縱向解耦。這種基于雙層耦合網(wǎng)絡(luò)的解耦方式，形成自頂向下系統(tǒng)構(gòu)建方法，依據(jù)信息交互和傳播需求多尺度解耦，將實(shí)際行為產(chǎn)生與決策生成的分析和控制分離，使得行為產(chǎn)生能夠基于實(shí)際物理環(huán)境的可實(shí)現(xiàn)能力進(jìn)行表征和計(jì)算，而決策生成能夠基于實(shí)際任務(wù)協(xié)同關(guān)系的動(dòng)態(tài)需求進(jìn)行表征和計(jì)算，動(dòng)態(tài)可控地聚合集群的通信、感知、行動(dòng)資源。同時(shí)，這種分離有具備實(shí)際物理關(guān)聯(lián)的基礎(chǔ)，可通過(guò)一定的約束設(shè)計(jì)，為分離后的耦合提供具備匹配性的基礎(chǔ)性架構(gòu)，為行為產(chǎn)生與決策生成的層間約束抑制與激勵(lì)提供可擴(kuò)展設(shè)計(jì)基礎(chǔ)。

圖2 基于H-CDLW 的無(wú)人集群雙層耦合網(wǎng)絡(luò)示意圖Fig.2 Diagram of double-layer coupled network of unmanned cluster based on H-CDLW

需要特別說(shuō)明的是，本文所提分層解耦的方式，并非將無(wú)人集群系統(tǒng)按控制、規(guī)劃、協(xié)作、通信等計(jì)算內(nèi)容不同，對(duì)算法模型的計(jì)算內(nèi)容進(jìn)行簡(jiǎn)單分層組裝和輸入輸出的關(guān)聯(lián)，而是從無(wú)人集群系統(tǒng)需要具備個(gè)體能力出發(fā)，提出了一種面向個(gè)體信息感知、信息融合、信息決策和信息傳播的、具備分層耦合特性的一般化機(jī)制和框架，從信息交互的角度上為不同計(jì)算內(nèi)容算法模型的耦合提供一個(gè)兼具匹配性和可擴(kuò)展性的容器，為無(wú)人集群實(shí)用化的自主性達(dá)成等提供基礎(chǔ)支撐。

4.2 面向多目標(biāo)融合揀選的H-CDLW 層次化交互控制算法設(shè)計(jì)

面向多目標(biāo)融合揀選的H-CDLW 層次化交互控制算法設(shè)計(jì)中，任一無(wú)人節(jié)點(diǎn)Ax的目標(biāo)信息融合模塊位于時(shí)空分布層，對(duì)t 時(shí)刻通過(guò)直接觀測(cè)和集群通信得到的目標(biāo)信息進(jìn)行自動(dòng)融合處理，生成可觀測(cè)目標(biāo)序列Ix（t），交由交互決策層的目標(biāo)揀選模塊進(jìn)行待觀測(cè)目標(biāo)的揀選。當(dāng)時(shí)空分布層的目標(biāo)信息融合模塊未收到任何直接觀測(cè)和集群通信得到的目標(biāo)信息時(shí)，若無(wú)人節(jié)點(diǎn)Ax此時(shí)不存在觀測(cè)目標(biāo)，則該節(jié)點(diǎn)按照基于H-CDLW 的無(wú)人集群系統(tǒng)網(wǎng)絡(luò)構(gòu)造與演化算法，進(jìn)行自由態(tài)漫游。算法設(shè)計(jì)主要是針對(duì)智能體每步中觀測(cè)-評(píng)估-融合-篩選-狀態(tài)變遷決策的控制方法，概要算法流程設(shè)計(jì)如算法4-1 所示。

設(shè)計(jì)中，級(jí)聯(lián)目標(biāo)信息融合和級(jí)聯(lián)目標(biāo)揀選分別基于時(shí)空分布層CDLW（LUst-CDLW）和交互決策層CDLW（LUid-CDLW）進(jìn)行計(jì)算評(píng)估［17］。觀測(cè)融合基于實(shí)際系統(tǒng)通信交互能力評(píng)定，目標(biāo)決策基于鄰居節(jié)點(diǎn)傳播信息意圖的實(shí)際信息傳播行為評(píng)定。層次化通過(guò)層間信息交互的抑制和促進(jìn)，保留可擴(kuò)展的解耦機(jī)制。

算法3 面向目標(biāo)融合揀選的H-CDLW 層次化交互控制算法

4.2.1 基于LUst-CDLW 的級(jí)聯(lián)目標(biāo)信息融合方法

無(wú)人平臺(tái)節(jié)點(diǎn)Ax基于LUst-CDLW 的時(shí)空分布層鄰域?yàn)棣（t），對(duì)鄰域通信收到的目標(biāo)信息進(jìn)行基于級(jí)聯(lián)拓?fù)浣换ヌ卣鞣治龅哪繕?biāo)信息融合，計(jì)算與任一時(shí)空分布層鄰居節(jié)點(diǎn)Ai的級(jí)聯(lián)拓?fù)潢P(guān)聯(lián)度Ex-i，具體地

Ex-i=a1CDx-i+a2Clx-i

對(duì)通信接收目標(biāo)信息融合結(jié)果，進(jìn)行遍歷修訂，若直接觀測(cè)目標(biāo)序列和融合結(jié)果I（xt）存在相同目標(biāo)，且該目標(biāo)在兩個(gè)序列中信息差處于預(yù)設(shè)誤差閾值范圍內(nèi)，則以直接觀測(cè)目標(biāo)序列觀測(cè)值更新修訂該目標(biāo)I（xt）序列信息融合結(jié)果，反之不修訂。最終根據(jù)遍歷修訂后I（xt）排序得到s 個(gè)目標(biāo)可觀測(cè)序列，即為待揀選序列TGTt= {tgt1，…tgt1，tgts}，推送至交互決策層，再根據(jù)邏輯拓?fù)浣换デ闆r進(jìn)行級(jí)聯(lián)目標(biāo)揀選。

4.2.2 基于LUid-CDLW 的級(jí)聯(lián)目標(biāo)揀選方法

在目標(biāo)揀選過(guò)程中，若t 時(shí)刻，任一無(wú)人節(jié)點(diǎn)Ax待揀選目標(biāo)序列TGTt= {tgt1，…tgt1，tgts}，則基于LUid-CDLW 交互決策層鄰域拓?fù)洌瑢?duì)可觀測(cè)目標(biāo)序列進(jìn)行基于信息交互評(píng)價(jià)的收益- 代價(jià)評(píng)估取最值后揀選。

其中，MAX（Ix_tgtt）為目標(biāo)揀選篩選最大值的函數(shù)，Ix_tgtt是節(jié)點(diǎn)Ax對(duì)s 個(gè)待揀選目標(biāo)序列生成相應(yīng)的收益-代價(jià)評(píng)估結(jié)果序列，則為序列中的任一目標(biāo)評(píng)估結(jié)果，具體地

其中，e1、e2、e3和均為可調(diào)權(quán)重值，IRERl為目標(biāo)更替抑制因子。若Ax當(dāng)前有關(guān)注目標(biāo)且tgtl為已關(guān)注目標(biāo)，則抑制因子失效，即IRERl為1；若Ax當(dāng)前無(wú)關(guān)注目標(biāo)，IRERl=ft（tgtl）為按設(shè)定策略設(shè)計(jì)的抑制因子的策略函數(shù)，tgtl表示可觀測(cè)目標(biāo)序列中的一個(gè)目標(biāo)，具體的各項(xiàng)評(píng)估指標(biāo)計(jì)算方法如表4所述。

表4 基于LUid-CDLW 的級(jí)聯(lián)目標(biāo)揀選評(píng)估指標(biāo)表Table 4 Cascade target selection evaluation indexesbasedon LUid-CDLW

5 仿真驗(yàn)證

5.1 仿真想定

仿真想定以500 個(gè)無(wú)人智能體節(jié)點(diǎn)開(kāi)展基于H-CDLW 的雙層耦合網(wǎng)絡(luò)演化實(shí)驗(yàn)（初始網(wǎng)絡(luò)基于BA 無(wú)標(biāo)度網(wǎng)絡(luò)進(jìn)行重連初始化后構(gòu)建完成）。下述所有實(shí)驗(yàn)初始網(wǎng)絡(luò)構(gòu)型相同且演化策略均服從于本文模型：1）無(wú)目標(biāo)的自由態(tài)巡察：以500 節(jié)點(diǎn)初始最大隨機(jī)連接數(shù)LinkRNDmax為8 的初始構(gòu)型進(jìn)行無(wú)目標(biāo)自由態(tài)巡察實(shí)驗(yàn)，分別按最大連接保持?jǐn)?shù)LinkCapmax為10 條、5 條、2 條遞減，可感知目標(biāo)范圍按300 計(jì)，觀察仿真時(shí)間步TimeStepSIM為500、1 000、1 500、2 000 時(shí)網(wǎng)絡(luò)的運(yùn)動(dòng)和自由演化情況。2）有目標(biāo)的感知與聚集：以500 節(jié)點(diǎn)初始LinkRNDmax為8 的初始構(gòu)型進(jìn)行有目標(biāo)的感知與聚集演化實(shí)驗(yàn)，3個(gè)潛在目標(biāo)（-850，850）、（850，-850） 和（-850，-850）分別于TimeStepSIM為20、100、300 出現(xiàn)。上述3 目標(biāo)可感知目標(biāo)范圍按分別按100、400 和200計(jì)，觀察網(wǎng)絡(luò)的運(yùn)動(dòng)和節(jié)點(diǎn)聚集演化的情況。

5.2 實(shí)驗(yàn)結(jié)果與分析

5.2.1 無(wú)目標(biāo)的自由態(tài)巡察

盡管通信一再受到抑制（如圖3 的最大連接保持?jǐn)?shù)從10、8 和2 依次遞減），整體演化仍處在均勻狀態(tài)，未發(fā)生突變和剝離情況。同時(shí)量化統(tǒng)計(jì)對(duì)比是否采用本文模型的進(jìn)行時(shí)空分布層通聯(lián)關(guān)系變化情況，包括通信連接總數(shù)、新增通信連接數(shù)和斷開(kāi)連接數(shù)。為排除感知通信范圍的影響，感知通信范圍均為600～800，即整體通聯(lián)良好、基本全域可視。

圖3 自由態(tài)巡察演化實(shí)驗(yàn)拓?fù)潢P(guān)系圖示Fig.3 Diagram of the topological relationship of the evolution experiment in free state inspection

從圖4 中可以看到，僅依靠距離解算通信連接關(guān)系，在每步仿真過(guò)程中不采取分層篩選和歷史評(píng)估偏好保持，整體通信連接呈衰減態(tài)勢(shì)。本文模型集群總體維持在最大連接保持水平且具備時(shí)間穩(wěn)定性。進(jìn)一步加速節(jié)點(diǎn)振蕩和距離變化，模擬驗(yàn)證運(yùn)動(dòng)速度相異，可通聯(lián)基本條件喪失如：損失、失聯(lián)等情況下的魯棒性。在4 倍和8 倍巡察加速過(guò)程中（如圖5 所示），本文模型集群通信連接信道保持?jǐn)?shù)依舊保持在將近5 000 條的高位運(yùn)行，穩(wěn)定程度和總數(shù)隨加速巡察的倍率增加略有降低，具有較好的系統(tǒng)魯棒性。

圖4 無(wú)巡察加速、無(wú)人機(jī)集群連接關(guān)系統(tǒng)計(jì)對(duì)比圖Fig.4 Statistical comparison ofUAV cluster connection relationshipswithno patrol acceleration

圖5 巡察加速后，無(wú)人機(jī)集群連接關(guān)系統(tǒng)計(jì)對(duì)比圖Fig.5 Statistical comparison of up dating status of connection relationships

實(shí)驗(yàn)通過(guò)30 次實(shí)驗(yàn)的均值統(tǒng)計(jì)（如表5 所示），本文模型集群能在不穩(wěn)定條件下對(duì)減少的連接進(jìn)行補(bǔ)充，更新頻次明顯高于普通集群。可見(jiàn)，基于雙層耦合網(wǎng)絡(luò)的無(wú)人系統(tǒng)能夠基于歷史連接保持和動(dòng)態(tài)感知范圍，迅速補(bǔ)足通信能力缺失，可增強(qiáng)系統(tǒng)穩(wěn)定運(yùn)行和適應(yīng)能力。

表5 連接更新對(duì)比統(tǒng)計(jì)表Table 5 Statistical comparison of updating status of connection relationships

5.2.2 有目標(biāo)的感知與聚集

如圖6 和圖7 所示，有目標(biāo)的感知與聚集過(guò)程中，無(wú)人機(jī)集群能夠順利完成對(duì)不同目標(biāo)的動(dòng)態(tài)聚集和觀測(cè)過(guò)程，圍繞目標(biāo)形成穩(wěn)定的觀測(cè)群組。延續(xù)之前實(shí)驗(yàn)中最大通信連接保持?jǐn)?shù)的降低的魯棒性驗(yàn)證方法，為上述偵察聚集過(guò)程增加不穩(wěn)定因素，驗(yàn)證無(wú)人機(jī)集群是否能夠在順利完成對(duì)三個(gè)目標(biāo)的感知聚集層次化控制。下面通過(guò)量化統(tǒng)計(jì)與分析無(wú)人機(jī)集群度分布變化情況，觀察在偵察聚集過(guò)程中，前述實(shí)驗(yàn)無(wú)人機(jī)集群行為的穩(wěn)定性是否能夠得到保持。由于仿真無(wú)人機(jī)集群節(jié)點(diǎn)數(shù)較多，在圖8中采用堆積圖方式進(jìn)行量化可視化。

圖6 有目標(biāo)演化時(shí)節(jié)點(diǎn)連接關(guān)系與時(shí)空分布隨目標(biāo)變化情況Fig.6 Connection relationship and spatio-temporal distribution of evolution illustrated with the change of target

圖7 聚集觀測(cè)標(biāo)注示意Fig.7 Diagram of aggregate observation clusters annotation

圖8 無(wú)人機(jī)集群通信連接分布變化示意圖Fig.8 Diagram of the changes of UAV cluster communication connections distribution

基于如圖8 所示整體分布和細(xì)節(jié)放大情況，可以看到有目標(biāo)偵察聚集過(guò)程中，集群通信連接分布情況與前述實(shí)驗(yàn)中基本保持一致，持續(xù)運(yùn)動(dòng)和聚集監(jiān)視的無(wú)人機(jī)集群未出現(xiàn)較低通信連接數(shù)，基本保持在滿(mǎn)通信信道負(fù)載運(yùn)行，均勻性和穩(wěn)定性良好。進(jìn)一步在圖8 的實(shí)驗(yàn)（2）中將LinkCapmax抑制到至多6 條信道水平，模擬弱通信連接條件下的均勻穩(wěn)定運(yùn)行能力，能夠得到相同的實(shí)驗(yàn)結(jié)果，即在基本滿(mǎn)負(fù)荷條件下信道保持均勻性和穩(wěn)定性良好。

6 結(jié)論

本文面向?qū)嵱没療o(wú)人集群分布式控制問(wèn)題，基于復(fù)雜網(wǎng)絡(luò)信息交互與傳播視角橫縱雙向解耦，形成了基于CDLW 與H-CDLW 的演化模型，構(gòu)建了基于雙層耦合網(wǎng)絡(luò)的系統(tǒng)模型，設(shè)計(jì)了匹配的層次化交互控制多目標(biāo)融合揀選方法，并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了該模型在多維度實(shí)用化目標(biāo)均衡方面的優(yōu)勢(shì)，提供兼具匹配性和可擴(kuò)展性的分層控制機(jī)制。本文成果屬基礎(chǔ)架構(gòu)設(shè)計(jì)與驗(yàn)證，還需結(jié)合集群自主性涌現(xiàn)過(guò)程，對(duì)群組聚集、解聚以及信息交互決策過(guò)程中存在的沖突消解等問(wèn)題，深化研究?jī)?nèi)容，完善當(dāng)前的雙層耦合網(wǎng)絡(luò)系統(tǒng)模型設(shè)計(jì)，從而支撐可適應(yīng)個(gè)體信息感知、信息融合、信息決策和信息傳播等方面動(dòng)態(tài)需求，形成具備動(dòng)態(tài)分層耦合特性，按需裝填、耦合不同算法模型，以及兼具匹配性和可擴(kuò)展性的一般化機(jī)制和框架。