无人机集群作战概念,无人机集群作战概念及关键技术分析

王小光 胡荣 梁文洋

近年来，随着微机电技术、通信导航技术和人工智能技术迅速发展，无人机的智能化水平越来越高，数量众多的无人机组成无人机群应用在军事领域将有可能颠覆未来战争的规则。

无人机群作战是指由数量庞大、成本低廉的小型无人机组成蜂群作战系统，依托大数据、人工智能、无线自组网等技术协同作战。在未来战场上，由数量众多的无人机对作战目标进行超饱和攻击，能有效提升己方的作战效能。

无人机群可以完成某些单架无人机难以完成的复杂任务，如大规模监视敌方、大范围信息搜集、执行多个同步任务等，但无人机数量的增多带来规模化增大，复杂度变高和众多安全隐患，在执行任务过程中除了要考虑自身因素外，还要考虑目标和环境带来的约束等。无人机群的协同目标规划，是在满足多方现实情况和约束条件下，实现无人机与目标的配对分配，使作战效能最优，降低系统的耦合程度，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

CTA模型

无人机群协同作战目标分配是基于战场环境和作战任务，为无人机群中的每架无人机分配一个或多个作战目标，使无人机群的整体作战效能最优。分配目标，需要从无人机群、目标任务和约束条件三个要素考虑建立协同作战目标分配模型（CTA模型），CTA模型是依据实际问题简化后的数学模型，对之求解可以得到无人机的目标分配结果。

无人机群是作战的主体，在目标分配过程中无人机的数量和自身的物理性能会对分配结果产生影响。

无人机群中无人机与分配目标的数量的不同会产生不同的分配结果。当无人机与目标数量相同时，要使模型中无人机与目标一一对应，使任务代价最小。当无人机多于目标数量时，模型中的一个目标至少分配给一架无人机，且一架无人机只能执行一个目标。当无人机少于目标数量时，模型中一架无人机分配多个任务，并且按照一定的顺序执行这些目标。无人机的物理性能如最大航速、最大转弯角、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的自身参数信息以及携带弹药的类型、数量、打击效果等对分配的影响，进行仿真计算。

在实际目标分配过程中，目标并不是单独存在的，而是相互之间紧密联系的结合体。将敌方目标列为有着相互依赖关系和主次次序的联合目标，联合目标的生存概率和权重构成战场环境。而每一轮攻击结果都将变更环境情况，因此两轮任务分配之间具有相关性。需要建立多无人机协同分层任务分配模型，以此为基础建立各目标群之间的任务分配模型，对目标任务分配进行求解。实际战场环境复杂多变，无人机的目标分配有很多制约因素。依据建立的多无人机协同目标分配模型，主要考虑多目标点同时到达约束下的任务分配规划。目前，将约束条件设定为任务的协同约束和无人机的最远航程约束，处理约束条件采用罚函数法，将约束条件作为优化目标的分量考虑，把有约束的多目标优化函数转化为无约束多目标优化问题。约束条件分为决策变量约束、最大航程约束、最小/最大速度約束、最大航行时间约束、最大载弹量约束、目标点之间的时序约束和等待时间约束，可针对无人机与目标数量的不同建立了具有统一分配关系的模型，将航程代价、时间代价与约束违背量之和作为适应度函数求解。

无人机群目标分配可归纳为优化问题，任何模型的目标分配都可以统一为一个求解多约束条件下的最优化问题。CTA模型为无人机群协同作战目标分配模型，根据无人机群、目标任务、约束条件，结合实际作战环境中不同的侧重要素，CTA模型有不同的表达式，约束条件也各有侧重。

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

遗传算法 遗传算法（GA）是遵循自然界的适者生存、优胜劣汰的法则，模拟生物进化机制的一种算法，在科学求解过程中表现为在所有可能的解中找出最符合该问题求解条件的最优解。基本的遗传算法可以解决一些简单的模型，由于CTA模型通常较为复杂，一般以遗传算法为基础进行改进或者结合其他智能算法，使之适合求解的实际模型。

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

其他算法 在求解CTA问题中，除了常见的遗传算法和粒子群算法外，还有很多元启发式算法能够适用于具体场景下的无人机群作战目标分配问题。鸽群算法，是模拟鸽子距离巢较远时，依据磁场确定归巢大致方向，在靠近鸽巢时，根据附近熟悉的地标建筑锁定鸽巢位置。狼群算法，模拟狼群的捕猎行为和猎物分配规则，人工狼根据自己和其他狼的情况不断地更新位置，向最优位置靠近。蚁群算法，是模仿自然界中蚂蚁在食物寻找时的路径寻找行为，每只蚂蚁先自己独立搜索，然后通过信息素更新进行信息共享。

未来研究方向

无人机群作战目标分配的研究成果很多，但大多数的模型依旧比较简单，约束条件单一，不能很好地满足现实中的问题，求解方法大多依靠现有的智能算法，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实际情况的模型，需要充分考虑现实战场环境，充分考虑己方无人机群、敌方作战目标和环境约束三方面的实际情况，做到既全面，又有针对性。模型建立还要考虑实时性的需求，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。目前的无人机群规模数量依旧很小，随着科学技术的进步，未来无人机群的规模必定呈几何倍数增长，大规模数量的无人机群任务分配是未来的研究方向。

求解算法的研究发现现有智能算法无不存在收敛性能慢、易陷入局部最优、耗时长等问题，这是目前的演化算法不可避免的问题，今后的研究方向即是在这些方面继续改进，使算法求解过程效率高、准确性高。随着人工智能技术的进步，相关具有新颖性、自学习、自适应的算法可以作为无人机群作战目标分配求解的新方向，基于人工智能的无人机群作战目标分配具有很好的研究前景。

责任编辑：彭振忠