基于Holon組織的有人/無人機作戰聯盟形成

韓博文, 姚佩陽

(空軍工程大學信息與導航學院, 陜西 西安 710077)

0 引 言

無人作戰系統的成功應用,使未來有人/無人機集群作戰成為一種趨勢。從陸地的戰斗機器人到海上的無人水面艇,再到空中的無人機,都已成功應用于現代作戰行動中。無人機作為空中的無人作戰平臺,被廣泛應用于空中突襲作戰任務,具有長航時、高機動性、低成本等優勢。然而,由于單架無人機作戰能力載荷有限,面對日趨復雜的戰場環境,對戰場中目標群進行打擊需要大量無人機平臺協同完成,可見,傳統的單無人機作戰方式正向有人/無人機群協同作戰的方式[1]發展。

在作戰行動中,如何根據任務進行作戰決策是影響作戰效果的關鍵。有人戰機與多架無人機組成小的作戰編隊聯盟可以同時發揮兩者優勢,提高整體作戰效能。文獻[2]采用擴展合同網算法對有人/無人作戰智能體分布式協同目標分配問題進行了研究。文獻[3]將無人機作戰能力分為目標信息獲取能力與導彈攻擊能力,研究了多機對地目標分配問題。文獻[4]對防空領域“目標-火力節點-制導節點”一體的攔截聯盟形成方法進行了研究。文獻[5]提出了一種未知環境下異構多無人機協同搜索打擊中的聯盟組建方法,研究了實時性較高且適應于未知環境下的任務分配機制。

聯盟是為完成某個共同任務而結合在一起的多個個體。現有聯盟形成的解決方法主要集中于基于多智能體系統[6-8]與進化算法、群智能算法[9-10]的聯盟形成技術。Holon系統[11]作為一種復雜自適應系統,在制造控制領域已有相關研究,但用于協同作戰的研究很少。隨著無人機智能化的不斷提高,將面臨更加復雜、動態的戰場環境,現有任務分配模型多考慮編隊層面的目標分配,越來越難以適應機群作戰的需求。

目前，關于無人機任務分配的研究缺乏對有人/無人機群協同作戰方面的研究,面對無人機群自主作戰發展趨勢,本文考慮實際作戰需要,以有人/無人機群協同作戰為背景,采用Holon聯盟形成理論分析機群作戰情形下的任務分配,構建有人/無人機群Holon聯盟(Holon coalition of manned/unmanned vehicle swarm, HCVS)生成模型,并提出一種多目標混合蜂群(multi-objective hybrid bee colony, MHBC)算法對模型求解,驗證了模型的合理性與算法的有效性。

1 HCVS數學描述

1.1 有人/無人機Holon組織

基于Holon理論的有人/無人機作戰組織構建,將單機看成一個Holon單元,確定機群Holon內各Holon單元及其相互關系,以提高指揮控制系統敏捷性,從而更好地適應復雜多變的戰場環境。

1.2 機群Holon聯盟

有人/無人機機群Holon對目標群的作戰場景中,機群面臨一系列復雜任務集合,任務具有復雜性、動態性與相關性,機群Holon整體作戰效能與各有人/無人機所分任務情況直接相關。

在實際作戰中,面對大規模目標群的作戰情況,若直接進行機群Holon到目標群的任務分配,由于任務數量較多,難以達到較好效果。為更好地進行任務分配,可將目標群中所有目標按照一定的規則進行分群,構建各目標群對應的任務集合,從而可以更快速高效地確定各目標群的資源能力需求。根據資源能力需求關系從我方機群中選出一定數量的有人/無人機Holon,并確定單機Holon與每一個目標群的最佳分配關系,形成各個編隊Holon,即編隊Holon聯盟,編隊Holon共同構成機群Holon聯盟。每一個目標群所屬任務集合內的所有任務即為對應編隊聯盟的任務,所有編隊聯盟共同完成機群Holon整體任務。因此,有人/無人機群對目標群的打擊效果取決于面向各目標群的編隊聯盟力量編成方案的優劣。

1.3 HCVS任務分解

機群對目標群Ta的作戰總任務為對所有目標進行打擊構成的任務集合,記為T,表示為

T={t1,t2,…,ti,…,tN}

(1)

式中,ti為對目標Tai的打擊任務;N為目標的數量。

分解HCVS作戰總任務應依據各有人/無人機Holon單元的能力,以單個Holon所能完成的最小任務為基本任務單元,將HCVS作戰總任務分解為一系列可由單個Holon完成的子任務。

基于聯盟機制的作戰,可將對目標進行偵察跟蹤、火力攻擊、毀傷評估的任務分配給不同平臺來執行,從而可將任務ti進一步分解為

(2)

如圖1所示,機群對多目標群的作戰總任務T可分解為

(3)

圖1 目標任務分解Fig.1 Task decomposition of targets

HCVS形成問題,就是將總任務T進行分組T1={t1,t2,…,tNT1},T2={t1,t2,…,tNT2},…,TNA={t1,t2,…,tNTNA},并為每一任務分組生成相應的有人/無人機編隊聯盟A1={V1,V2,…,VNV1},A2={V1,V2, …,VNV2},…,ANA={V1,V2,…,VNVNA}。其中,NA為任務分組的數量,即編隊聯盟數量,NTk為任務分組Tk內的目標數量,NVk為完成任務分組Tk所形成的編隊聯盟內的無人機數量,k∈[1,NA],且T={T1,T2,…,TNA}。因此,單個聯盟任務可以分解為

(4)

1.4 HCVS形成問題設計

假設我方有人/無人機分布于多個基地Ba={Ba1,Ba2,…,Bai,…,BaNBa},其中,NBa為基地數量,各基地均配備一定數量的有人/無人機。有人機集合為V={V1,V2,…,VNV},其中,NV為有人機數量。各基地內無人機Holon集合為H1={h1,h2,…,hN1},H2={h1,h2,…,hN2},…,HNBa={h1,h2,…,hNNBa},N1,N2,…,NNNBa為各基地內無人機Holon數量,單機Holon總數量為NH=N1+N2+…+NNNBa。目標群集合為Ta={Ta1,Ta2,…,Tai,…,TaN},各目標群都包含一定數量已知目標。

在任務分解的基礎上,HCVS可描述如下：

2 HCVS形成方案優化模型

HCVS形成問題,就是為任務組T1,T2,…,TNA形成NA個編隊聯盟,在滿足任務需求的前提下使聯盟力量編成方案效果最優。

為了準確描述HCVS形成問題模型,先對問題作如下假設。

假設1假設HCVS形成過程中,只考慮有人/無人機平臺資源能力對HCVS形成的影響,而忽略其他因素的影響。

假設2假設HCVS形成過程是在非超加性環境中進行的。超加性是指對于任意兩個編隊聯盟A1,A2,且A1∩A2=?,有BA1+A2≥BA1+BA2,BA為編隊聯盟資源能力,在非超加性環境中包含所有戰機的最大聯盟是最有益的。

HCVS力量編成中還包括有人機對無人機的指揮控制關系,確定各編隊聯盟內無人機與有人機的指揮控制關系,就是根據各目標群的任務需求,為每一個編隊分派具備指揮決策能力的有人機,以完善編隊力量編成方案,如圖2所示。

圖2 有人/無人機指揮控制關系Fig.2 Control and command relationship between mannedaerial vehicle and unmanned aerial vehicles

同時，HCVS力量編成過程中,在滿足任務需求前提下,有人機數量過多會使人員傷亡的可能性增大,有人機數量過少會使其在指揮無人機作戰的過程承受過多負載;同樣,無人機數量過多,會造成不必要的資源能力冗余,不符合信息化作戰快速、高效的基本要求。

較好的有人/無人機編隊聯盟力量編成方案可以高效優化機群整體的資源能力,使其在滿足作戰任務需求的前提下減少并均衡負載,同時為應對作戰過程中的突發情況(包括無人機損毀、發現新的目標等),應保持一定資源能力冗余,提高HCVS的整體作戰效能,快速、高效地達到我方打擊敵目標群的作戰目標。

下文先給出HCVS力量編成資源冗余的測度方式,然后建立HCVS形成問題優化模型。

2.1 資源冗余

機群資源的有效分配可以提高整體作戰效能。單個編隊聯盟Ak執行聯盟任務Tk的資源冗余定義為

(5)

2.2 多目標優化模型

由第2節前述的分析可知,在預留一定資源能力冗余的前提下,HCVS資源分配越均衡、高效,HCVS整體作戰效能越高,越有利于我方軍事行動。因此評估HCVS力量編成方案優劣的目標函數可從以下兩方面考慮:

(1) 使HCVS中所有編隊的平均資源能力冗余η最小,即

(6)

式中,NA為編隊聯盟數量;ηk為編隊聯盟Ak的資源能力冗余。

(2)使HCVS中資源能力冗余的方差Dη最小,即

(7)

HCVS形成問題的約束如下。

約束4單個編隊聯盟Ak所具備的資源能力BAk必須滿足編隊任務Tk的資源能力需求DTk,即

(8)

綜上所述,HCVS形成問題的多目標優化模型為

(9)

式中,f為模型目標向量;模型的決策變量為指揮控制決策變量MH-V=(mij)與編隊決策變量XH-A=(xkj)。

3 基于MHBC算法的聯盟生成

人工蜂群算法是于2005年提出的一種新型群智能算法[11],求解優化問題具有很大優越性。文獻[12]提出了混合蜂群算法(hybrid bee colony,HBC),提高了算法搜索性能與精度。本文采用多目標優化問題處理方式在其基礎上提出一種多目標混合蜂群(multi-objective hybrid bee colony,MHBC)算法求解式(9)中的優化模型。

3.1 蜜源編、解碼

在MHBC算法中,蜜源位置表示為R=(r1,r2,…,rNH),其中,ri為實數,滿足約束ri∈(0,NA+1)。每一處蜜源位置經過解碼后,對應模型的一個解。蜜源解碼步驟如下:

步驟1將實數位置向量映射為位置矩陣XH-A=(xkj),滿足

(10)

并且映射后滿足第2.2節中約束2。映射變換方法為:實數位置向量小數部分的排序代表無人機編號,整數部分代表編隊聯盟編號,整數部分相同則表示屬于同一個編隊聯盟。如圖3所示,以6架無人機形成2個編隊聯盟為例,蜜源位置向量為6維實數向量,整數部分代表編隊聯盟編號,小數部分以升序進行排序后對應無人機編號。

圖3 蜜源位置與決策矩陣的映射變換關系Fig.3 Mapping relationship between the nectar source position and the decision matrix

步驟2列檢查。按照約束2對各列進行檢查。如果該列中元素1多于一個,則隨機選擇一個1置為零。

步驟3行檢查。按照約束3對各行進行檢查。如果該行不滿足式(8),則從所有列中選取一個元素全為0的列,將所選列中所屬該行的0置為1,計算是否滿足式(8),若仍不滿足,則繼續該操作;若矩陣中不存在元素全為0的列,則從該行隨機選取一個0置為1,所在列其余元素全置為0。

根據蜜源解碼后得到的位置矩陣可以計算優化模型的目標函數f=(η,Dη),作為蜜源位置的適應度函數,其值將隨著蜜源位置的更新而更新。令蜜源X1的適應度值為f1,X2的適應度值為f2,若f1支配f2,則蜜源X1優于X2;若f2支配f1,則蜜源X1劣于X2;若f1與f2互不支配,則X1非優非劣于X2。

3.2 非劣解檔案維護

MHBC算法為每只蜜蜂建立相應的個體檔案,保存該蜜蜂尋找蜜源過程中的最優蜜源位置,并為蜂群整體維持一個整體檔案,保存蜂群整體所經歷的最優蜜源位置。維護蜜蜂個體檔案的規則為:當某只蜜蜂發現新蜜源時,若新蜜源優于該蜜蜂檔案內的當前蜜源,則將該蜜蜂檔案當前蜜源更新為此新蜜源;若新蜜源劣于該蜜蜂檔案內的當前蜜源,則不更新;若新蜜源非優非劣于該蜜蜂檔案內的當前蜜源,則隨機決定是否進行更新。維護整體檔案的規則為:當蜂群發現新蜜源時,采取非支配排序法對整體檔案進行更新,且整體檔案容量為GW。

3.3 蜜源更新

采蜜蜂在其蜜源周圍,按照式(11)尋找優質蜜源,并將其存入檔案。

(11)

跟隨蜂依照輪盤賭策略選擇采蜜蜂,并在其蜜源位置附近按照式(11)重新搜索蜜源,更新個體檔案。

偵察蜂按照式(12)選取新的食物源,更新個體檔案。

vk,j=xk,j(1+(2rand[0,1]-1)·

(12)

式中,參數dmax,dmin,a,b取常數;xk,j表示偵察蜂搜索前位置;vk,j表示偵察蜂搜索后新位置;k的取值范圍為偵察蜂的數量;cycle為迭代次數;Cyclemax為迭代次數的上限。

3.4 算法流程

MHBC算法流程如圖4所示。

圖4 MHBC算法具體流程Fig.4 MHBC algorithm specific process

4 實驗結果及分析

本文設計了兩個仿真實驗,一是驗證提出的MHBC算法對多目標優化問題的求解性能;二是驗證編、解碼處理后MHBC算法求解HCVS形成問題的有效性。仿真實驗均在Intel(R) Core(TM) i3-4150 CPU 3.50 GHz計算機上。

仿真實驗1已知我方有4個無人機基地,各基地分別有多架類型與資源能力不同的有人機V={V1,V2,…,VNV}、無人機H={H1,H2,…,HNBa},如表1所示,資源能力向量前三維、后三維分別代表偵察、評估資源能力,中間兩維代表火力攻擊資源能力。現有4個目標群,每個聯盟任務的資源需求如表2所示。根據作戰使命要對各目標群內所有目標實施打擊。本文提出的MHBC算法具有人工蜂群算法的局部搜索性能與模擬退火算法的全局搜索性能,分別采用MHBC算法與第2代非支配排序遺傳算法(non-dominated sorting genetic algorithm -Ⅱ, NSGA-Ⅱ)進行求解,從兩種方法所得Pareto解集合中各隨機選取一個解,解碼后所得方案如表3所示。

表1 有人/無人機資源能力

表2 聯盟任務資源能力需求

表3 聯盟形成方案

從所得方案可以看出,在平均資源冗余指標方面,MHBC算法所得方案與NSGA-Ⅱ算法所得方案基本相同,在資源冗余方差指標方面,MHBC算法所得方案卻比NSGA-Ⅱ算法所得方案小很多,由于機群作戰資源較多且分配情況復雜,為應對意外情況,應預留一定資源能力冗余,故MHBC算法所得方案優于NSGA-Ⅱ算法所得方案。

仿真實驗2為衡量MHBC算法的性能,可選取常用于求解多目標優化問題的NSGA-Ⅱ[13],將兩方法求解情況進行對比。評價多目標算法性能的指標主要包含收斂性、覆蓋性、均勻性與算法耗時[14]。分別使用本文MHBC算法和NSGA-Ⅱ算法求解仿真案例,設置算法迭代次數上限為100,種群初始規模為60,兩算法分別運行30次,各指標結果如圖5所示。

圖5 算法比較Fig.5 Comparison of algorithms

由于收斂性、均勻性與算法耗時3種指標值越小,覆蓋性指標值越大,算法性能越好,由圖5可知,MHBC算法在解集的覆蓋性上與NSGA-Ⅱ算法相差不大,然而收斂性、均勻性均優于NSGA-Ⅱ算法,并且耗時更短,在實際作戰中具有重要意義,因此本文所設計的MHBC算法在求解HCVS形成問題時有更好的效果。

5 結束語

對HCVS形成問題進行了研究,首先,對HCVS形成問題進行了數學描述;其次,為生成最好的HCVS力量編成方案,以均衡和最小化HCVS的資源冗余為目標函數建立了HCVS形成模型,設計了MHBC模型求解算法;最后,通過仿真實驗證明了所設計模型與算法的合理性、有效性。不足之處在于，建立模型時未考慮任務的執行時間與執行情況,而在實際作戰中,難免出發突發情況,任務的執行未必完全按照預期計劃進行。因此，下一步工作將對所建立的模型進行完善,研究不確定性環境下有人/無人機群作戰聯盟演化方法。

[1] HEADQUARTERS. United States air force unmanned aircraft systems flight plan 2009-2047[R]. Washington DC: United States Air Force, 2009.

[2] 萬路軍,姚佩陽,周翔翔,等.有人/無人作戰智能體分布式協同目標分配方法[J].系統工程與電子技術,2014,36(2):278-287.

WAN L J, YAO P Y, ZHOU X X, et al. Distributed cooperative target assignment method of manned combat agents and unmanned combat agents[J]. Systems Engineering and Electronics, 2014, 36(2): 278-287.

[3] 王強,丁全心,張安,等.多機協同對地攻擊目標分配算法[J].系統工程與電子技術,2012,34(7):1400-1405.

WANG Q, DING Q X, ZHANG A, et al. Target allocation algorithm for multi-cooperative air-to-ground attack[J]. Systems Engineering and Electronics, 2012, 34(7): 1400-1405.

[4] 唐蘇妍,朱一凡,葛偉,等.網絡化防空導彈體系集中式攔截聯盟形成方法[J].系統工程理論與實踐,2011,31(2):357-363.

TANG S Y, ZHU Y F, GE W, et al. Centralized interception coalition formation method in network worked air defense missile systems[J].System Engineering Theory & Practice,2011,31(2): 357-363.

[5] BREBAN S, VASSILEVA J. A coalition formation mechanism based on inter-Agent trust relationships[C]∥Proc.of the International Conference on Autonomous Agents, 2002: 306-307.

[6] GONG Y, YAO L, ZHANG W M. Research of coalition formation in time bounded multi-agent systems[C]∥Proc.of the International Conference on Machine Learning and Cybernetics, 2002: 194-198.

[7] SERVICE T C, ADAMS J A. Coalition formation for task allocation: theory and algorithms[J]. Autonomous Agents and Multi-agent Systems, 2011, 22(2): 225-248.

[8] 蔣建國,張國富,齊美彬,等.基于離散粒子群求解復雜聯盟的并行生成[J].電子與信息學報,2009,31(3):519-522.

JIANG J G, ZHANG G F, QI M B, et al. Complicated coalition parallel generation based on discrete particle swarm optimization[J]. Journal of Electronics & Information Technology, 2009, 31(3): 519-522.

[9] KIAM T S, KWANG M S, SHANG Y C K. Coalition formation for resource collocation using BDI assignment agents[J]. IEEE Trans.on Systems, Man, and Cybernetics-Part C: Applications and Reviews, 2007, 37(4): 682-693.

[10] YU F, TU F, PATTIPATI K R. Integration of a holonic organizational control architecture and multi-objective evolutionary algorithm for flexible distributed scheduling[J]. IEEE Trans.on Systems,Man,and Cybernetics-Part A:Systems and Humans, 2008, 38(5): 1001-1017.

[11] KARABOGA D. An idea based on honey bee swarm for numerical optimization[R]. Turkey: Erciyes University, Engineering Faculty, Computer Engineering Department, 2005.

[12] 王慧穎, 王文彬. 基于改進搜索策略的混合蜂群算法[J]. 系統工程與電子技術, 2014, 36(10): 2094-2101.

WANG H Y, WANG W B. Hybrid bee colony algorithm with modified search strategy[J]. Systems Engineering and Electronics, 2014, 36(10): 2094-2101.

[13] DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multi-objective genetic algorithm: NSGA-Ⅱ[J]. IEEE Trans.on Evolutionary Computation, 2002, 6(2): 182-197.

[14] VAN V D A, LAMONT G B. On measuring multi-objective evolutionary algorithm performance[C]∥Proc.of the Congress on Evolutionary Computation, 2009: 204-211.