无人机群协同作战目标分配研究综述

王小虎荣梁文洋

近年来，随着MEMS技术、通信导航技术和人工智能技术的快速发展，无人机的智能化水平越来越高，大量无人机在军事领域的应用将可能颠覆未来战争的规则。

无人机群作战是指由大量低成本的小型无人机组成的蜂群作战系统，依靠大数据、人工智能、无线自组网等技术协同作战。在未来战场上，大量无人机将对作战目标进行超饱和攻击，可以有效提高自身战斗力。

无人机可以完成一些单架无人机难以完成的复杂任务，如对敌方的大规模监视、大规模信息收集、多任务同时进行等。然而，无人机数量的增加导致规模和复杂性的增加，以及许多安全隐患。在执行任务的过程中，不仅要考虑自身因素，还要考虑目标和环境带来的约束。无人机群协同目标规划是在满足各种现实和约束条件下，实现无人机与目标的配对和分配，从而优化战斗力，降低系统耦合度，提高协同性能和完成任务的质量。

无人机群协同作战目标分配（Collaborative Target Allocation，CTA）首先是根据无人机群与作战目标的具体情况，结合各项约束条件，建立无人机群任务分配的CTA模型，然后根据建立的模型，选择合适的智能算法进行求解，得到无人机与目标相对应的结果。本文对无人机群协同作战目标分配进行研究，从CTA模型及其要素和常用智能算法两方面进行介绍，并根据研究结果对未来无人机群作战任务分配的研究方向进行预测。

美国防高级研究计划局AC-130正在回收 X-61A小精灵无人机无人机群协同目标分配(CTA)首先根据无人机群和作战目标的具体情况建立无人机群任务分配的CTA模型，然后根据建立的模型选择合适的智能算法进行求解，得到无人机群和目标对应的结果。研究了无人机群协同作战的目标分配问题，介绍了CTA模型及其基本原理和常用智能算法。根据研究结果，展望了无人机群作战任务分配的未来研究方向。美国高级研究计划局AC-130正在回收X-61A elf无人机。

CTA模型

无人机群协同作战的目标分配是基于战场环境和作战任务，给每个无人机群分配一个或多个作战目标，使无人机群的整体作战效能达到最优。目标分配需要从无人机群、目标任务和约束条件三个因素考虑建立协同作战目标分配模型(CTA模型)。CTA模型是基于实际问题的简化数学模型，通过求解可以得到无人机的目标分配结果。

无人机是作战的主体，在目标分配过程中，无人机的数量及其物理属性会影响分配结果。

一个团内无人机数量和分配目标的不同，会导致不同的分配结果。当无人机和目标数量相同时，模型中的无人机和目标应一一对应，以使任务成本最小。当无人机多于目标时，将模型中的一个目标分配给至少一个无人机，一个无人机只能执行一个目标。当无人机数量少于目标数量时，模型中的一架无人机分配多个任务，并按照一定的顺序执行这些目标。无人机的物理性能，如最大速度、最大转弯角度、最低飞行高度、携带弹药等。，也会产生不同的分配效果。因此，需要根据无人机自身的参数信息以及弹药的种类、数量和打击效果对配送的影响进行仿真计算。

在实际的目标分配过程中，目标并不是孤立的，而是相互紧密联系的。将敌方目标列为具有相互依存关系和主次顺序的联合目标，联合目标的生存概率和权重构成战场环境。每次攻击的结果都会改变环境，所以两轮任务分配是有关联的。有必要建立多无人机协同分层任务分配模型，在此基础上建立目标群间任务分配模型，解决目标任务分配问题。实际战场环境复杂多变，对无人机的目标分配有诸多约束。基于多无人机协同目标分配模型，主要考虑多个目标点同时到达约束下的任务分配规划。目前约束条件设置为任务的协同约束和无人机的最远航程约束。采用罚函数法处理约束条件，将约束条件视为优化目标的组成部分，将约束多目标优化函数转化为无约束多目标优化问题。约束分为决策变量约束、最大航程约束、最小/最大速度约束、最大航行时间约束、最大载弹量约束、目标间时序约束和等待时间约束。可以根据无人机和目标的数量建立具有均匀分布关系的模型，将航程费用、时间费用和违反约束的总和作为适应度函数求解。

无人机的目标分配可以归结为一个优化问题，任何模型的目标分配都可以统一为一个多约束的优化问题。CTA模型是无人机群协同作战的目标分配模型。根据无人机群、目标任务和约束条件，结合实战环境中不同的关键要素，CTA模型有不同的表达方式，每个约束条件各有侧重。CTA求解算法

研究无人机群作战目标分配问题，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遗传算法、粒子群算法等。

无人机地面控制终端研究无人机群的目标分配问题，需要求解CTA模型。一般有集中式方法、分布式方法和混合式方法。目前，常用于求解CTA模型的算法有遗传算法、粒子群算法等。无人机地面控制终端

遗传算法遗传算法(GA)是一种遵循自然界优胜劣汰、适者生存规律，模拟生物进化机制的算法。在科学求解的过程中，表现为在所有可能的解中寻找满足此问题求解条件的最优解。基本遗传算法可以解决一些简单的模型。由于CTA模型通常比较复杂，一般在遗传算法的基础上进行改进，或者与其他智能算法相结合，使其适合于实际模型求解。

粒子群算法粒子群算法（PSO）属于进化算法中的一种，是从随机解出发通过迭代，追随当前搜索到的最优值来寻找全局最优。PSO初始化为一群随机粒子，每一次迭代，粒子通过跟踪本身的最优解（个体极值）和整个种群目前的最优解（全局极值）来更新自己，直到找到最优值为止。粒子群算法没有交叉和变异操作，比遗传算法更加简单。粒子群算法以及改进粒子群算法是求解CTA问题的常用方法。粒子群算法规则简单，适用于最优化问题，通过改进粒子群算法和与其他理论、算法结合，可以很好地解决不同类型的CTA问题。

算法是实现无人机群协同的基础粒子群优化算法粒子群优化算法(PSO)是进化算法中的一种，它从随机解出发，通过跟随当前搜索到的最优值迭代寻找全局最优值。PSO被初始化为一组随机粒子。每次迭代，粒子通过跟踪自己的最优解(个体极值)和整个种群的当前最优解(全局极值)进行自我更新，直到找到最优值。粒子群算法没有交叉和变异操作，比遗传算法简单。粒子群算法和改进的粒子群算法是解决CTA问题的常用方法。粒子群优化算法规则简单，适用于优化问题。通过改进粒子群算法，结合其他理论和算法，可以很好地解决不同类型的CTA问题。该算法是实现无人机协同工作的基础。

其他算法在解决CTA问题中，除了常见的遗传算法和粒子群优化算法，还有很多元启发式算法可以应用于特定场景下的无人机群目标分配问题。鸽群算法是模拟鸽子离巢远时的归巢方向，离巢近时根据熟悉的地标锁定巢位。狼群算法，模拟狼的捕猎行为和猎物分布规律。人造狼根据自己和其他狼的情况不断更新位置，逼近最优位置。蚁群算法是模仿自然界中蚂蚁在寻找食物时的寻路行为。每只蚂蚁先独立搜索，然后通过信息素更新共享信息。未来研究方向

关于无人机群作战目标分配的研究成果很多，但大多数模型仍然比较简单，约束条件单一，不能很好地满足现实问题。解决方案大多依赖于现有的智能算法，缺乏便捷高效的解决方案。

模型的研究方向是建立更符合实际情况的模型。要充分考虑实际战场环境、己方无人机群实际情况、敌方作战目标和环境约束，做到既全面又有针对性。建立模型时还应考虑实时需求。战场环境瞬息万变，实时性和动态性是未来重要的研究难点和重点。目前无人机机队规模还很小。随着科技的进步，未来无人机机队规模将呈几何级数增长。大型无人机编队的任务分配是未来的研究方向。

对算法的研究发现，现有的智能算法不存在收敛速度慢、易陷入局部最优、耗时长等问题。这是当前进化算法不可避免的问题。未来的研究方向是继续改进这些方面，使算法在求解过程中具有较高的效率和准确性。随着人工智能技术的进步，相关的新颖、自学习、自适应算法可以作为解决无人机群作战目标分配的一个新方向。基于人工智能的无人机群作战目标分配具有良好的研究前景。

编辑:彭