鈕 偉， 黃佳沁， 繆禮鋒

(1.中國航空工業集團公司雷華電子技術研究所， 江蘇 無錫 214000；2.航空電子系統射頻綜合仿真航空科技重點實驗室， 江蘇 無錫 214000)

無人機蜂群是由大量無人機(Unmanned Aerial Vehicle, UAV)，以單平臺無人機的作戰能力為基礎，以無人機之間的協同交互能力為支撐，以群體智能涌現能力為核心，基于開放式體系架構綜合集成構建的，具有抗毀性、低成本、功能分布化等優勢和智能特征的作戰體系。早在2012年，美國海軍研究生院的Loc Pham[1]便探討了無人機蜂群對海作戰的概念。文章假定使用多架無人機攻擊一艘“宙斯盾”級驅逐艦，數百次模擬結果表明：當有8架無人機參與攻擊時，平均有2.8架無人機能夠避開“宙斯盾”系統的攔截；即便假設艦艇升級了防御系統，仍有至少1架無人機能夠突破防御。這就意味著無人機蜂群具備對海作戰的能力，可以用于攻擊水面艦艇。

本文首先簡要論述了無人機蜂群對海作戰概念，隨后總結了國內外在無人機蜂群領域的研究現狀，據此分析了無人機蜂群作戰能力形成的關鍵技術，最后對無人機蜂群未來的發展進行展望。

1 無人機蜂群對海作戰概念

無人機蜂群的核心優勢在于：單機成本低、群體數目大、群體智能程度高；其主要劣勢在于：單機能力弱，即與制空型無人機相比，用于構建蜂群的無人機探測能力弱、機動性差、速度慢、航程短、智能程度低、打擊能力有限等。綜合考慮無人機蜂群的優勢和劣勢，無人機蜂群對海作戰概念具備較高的可行性：其一，大型水面艦艇價值高，利用低成本的無人機蜂群打擊高成本的艦艇符合利益最大化準則；其二，水面艦艇目標大、機動能力較差，是機動能力不足的無人機蜂群的理想目標；其三，現有的海上艦艇應對以無人機為代表的“低慢小”目標的能力不足，例如，2017年8月12日英國廣播公司報道稱，一架民用四軸無人機在未觸動任何警報的情況下順利地降落在了英國海軍“伊麗莎白女王”號航母的甲板上；其四，目前海上艦艇裝備的防空系統缺乏應對無人機蜂群的有效手段，大量的彼此協作的無人機足以使得艦艇的防空系統飽和，Loc Pham的實驗證實了這一點。

可以預見，隨著智能無人系統和蜂群戰術方面的發展，在未來戰場上高度智能的無人機蜂群可能還會充當一種非對稱手段，通過飽和攻擊打擊敵方高價值的航母系統。楊王詩劍[2]從理論上簡單論述了無人機蜂群攻擊航母的可行性。文章以對一個美軍航母編隊攻擊為例，假定航母的第一層防空圈由48架“超級大黃蜂”戰斗機組成，按照最大攔截能力計算，能一次攔截192枚掠海飛行的反艦導彈；由艦艇裝備的防空導彈構成第二層防空圈，4艘裝備了“宙斯盾”系統的驅逐艦一次可同時攔截48枚反艦導彈；近防武器系統為第三層防空圈，包括航母上的約12座“密集陣”或“拉姆”近防系統。由此，文章認為對一個理想防空狀態下的航母編隊一次飽和攻擊需要超過240枚反艦導彈齊射。

雖然這是一個理論上的推導，但具有很大的參考價值。不妨假想，如果將240枚高價值的反艦導彈換成由240架低成本無人機組成的高度協同的蜂群，或許將徹底改寫未來海戰的規則。

2 國內外無人機蜂群研究現狀

目前國內外對于無人機蜂群的研究隨著各國軍方對無人機作戰效能的需求提升而逐漸深入。

2.1 國外研究現狀

在無人機蜂群領域，美國和歐洲處于領先地位，已經針對無人機蜂群作戰的需求，開展了大量的應用研究項目。

2016年4月，美軍發布了《小型無人機系統路線圖2016—2036》，該路線圖凸顯了小型無人蜂群系統的重要意義。國防高級研究計劃局(DARPA)、戰略能力辦公室(SCO)，以及空軍、陸軍和海軍等都已經開展了大量的研究和論證工作，啟動了多個項目，其中最具影響力的項目包括：DARPA主導自治編隊混合主動控制項目(MICA)、拒止環境下協同作戰計劃(CODE)、“小精靈”項目、進攻性蜂群使能戰術項目(OFFSET)，美國海軍研究局(ONR)負責的低成本無人機蜂群技術(LOCUST)，以及戰略能力辦公室支持的“灰山鶉”微型無人機項目等。

1) MICA項目

MICA項目[3]的目標是，在減少操作員人為干預的前提下提升無人機的自主與協同控制能力，涉及的研究內容包括無人機自主協同作戰的分層控制結構、多無人機自主編隊控制方法和無人機協同作戰的建模與仿真技術等，參與研究的機構包括加州大學伯克利分校、麻省理工學院(MIT)以及霍尼韋爾公司(Honeywell)等。

2) CODE項目

CODE項目[4]于2014年4月29日正式發布，該項目計劃通過發展一個能安裝在現有無人機平臺上的新型模塊化軟件架構，增加無人機的自主性。如圖1所示，項目預期一個遠程操作員可以同時控制6架甚至更多的無人機，多架無人機將協同完成發現、跟蹤、識別和攻擊目標，就像狼群協同狩獵一樣。

3) “小精靈”項目

DARPA于2015年9月公布了“小精靈”項目[5]，該項目計劃研制一種部分可回收的偵察和電子戰無人機蜂群。這種無人機蜂群可由C-130多用途飛機或者其他軍用飛機進行投放，能夠迅速不被察覺地進入敵人上方，并且可以通過壓制導彈防御系統、切斷通信、利用電腦病毒襲擊敵人數據網絡等多種手段擊潰敵人，如圖2所示。按照設想，“小精靈”項目的無人機價格相當低廉，單架無人機的成本將在100萬美元以內，單架無人機的損毀不會造成嚴重的損失，也不會危及整體任務，其他無人機可以繼續執行監視、電子干擾、通信竊聽、網絡戰或等任務。在完成任務后，剩余的無人機在預定地點集合，再由C-130飛機利用機械臂等手段重新回收，每架無人機可重復使用20次左右。2017年3月，項目第二階段的合同由美國通用原子航空系統公司(GA-ASI)和Dynetics公司分別獲得。

4)OFFSET項目

2017年1月，DARPA發布了OFFSET項目的招標書。OFFSET項目[6]主要工作將聚焦于開放式軟件與系統架構、博弈軟件設計與基于博弈的社群開發、沉浸式交互技術、以及用于分布式機器人的機器人系統集成與算法開發，以開發并測試專為城市作戰蜂群無人系統設計的蜂群戰術。此外，DARPA研究人員希望這種蜂群系統還能引出新的蜂群無人系統使能技術，比如分布式感知、可靠與彈性通信、分布式計算與分析、以及適應性集體行動等。

5)LOCUST項目

LOCUST項目[7]采用由BAE系統公司研制的，廉價的“叢林狼”型三足無人機。該無人機長1m左右，重12～14磅，可以在6096m以下的高度投放，也可以折疊后從發射管中發射。叢林狼的單價很低，單架價格將在1萬美元以下，屬于“一次性”無人機。迄今為止，美國海軍研究局已在多地對低成本無人機蜂群技術進行了演示。

6)“灰山鶉”微型無人機項目

“灰山鶉”微型無人機項目于2012年8月設立。2017年1月9日，美國防部首次披露：不久前完成了一次空射微型無人機蜂群演示，3架“超級大黃蜂”戰斗機在Ma=0.6的速度下，投放了103架“灰山鶉”。這些微型無人機蜂群在地面站的指揮之下，成功完成了4項設定的任務，如圖3所示。此項蜂群研究直接瞄準快速生成戰斗力，這次演示表明美軍空射無人機蜂群正朝實戰化方向邁進，主要體現在四個方面：1)“灰山鶉”微型無人機已經做到高成熟度和低成本； 2)創造性解決微型無人機裝機綜合問題； 3)已開展了作戰演習和多機編隊投放演示；4)演示了大規模蜂群依托云處理協同。

除了上述項目，美國還在蜂群方面做了一些嘗試。例如由美國空軍主持WASM項目[8]，和美國海軍支持的UCAS-D[9]項目。這些項目在功能上相互獨立、各有側重，又在體系上互為補充，融合發展。

歐洲方面，歐盟委員會信息社會技術計劃(IST)資助的多異構無人機實時協同和控制項目(COMETS)、歐盟委員會信息通信技術計劃(ICT)資助的面向安全無線的高移動性協同工業系統的估計與控制項目(EC-SAFEMOBIL)也比較引人注目。COMETS[10]項目關注民用領域中多異構平臺實時協調與控制問題，針對多類異構無人機組成的協同探測和監視系統，設計實現分布式控制結構，集成分布式信息感知和實時圖像處理技術；從2011年開始，ICT正式啟動EC-SAFEMOBIL[11]，針對高動態固定翼和旋翼無人機，開發新的預測和協同控制技術，并研究多機自動感知、規避與精確著陸問題。

2.2 國內研究現狀

我國在無人機蜂群方面的研究起步較晚，但經過多年不懈的努力，國內相關研究單位也取得了一些顯著的成果。

在理論研究方面，國防科技大學、西北工業大學、哈爾濱工業大學、北京航空航天大學、華中科技大學和空軍工程大學等高校的學者圍繞任務分配、航跡規劃和編隊控制等無人機蜂群的關鍵技術進行了多年的鉆研探討和學術積累，取得了大量的成果。葉媛媛等[12]利用滿意解集合，降低計算復雜度，解決無人機協同任務分配問題；譚何順等[13]提出了基于資源福利的任務組級粗粒度任務分配方法，使得無人機負載均衡，并通過PSO算法求解；關震宇等[14]基于遺傳算法，并且考慮無人機的飛行性能約束，提出一種基于Dubins路徑的無人機的避障規劃算法，借助先驗信息對威脅進行規避；劉偉等[15]針對無人機在復雜飛行環境中的路徑平滑性優化問題，提出一種基于雙層決策的平滑航跡規劃方法，改善路徑的全局與局部平滑度；曲成剛等[16]使用人工勢場法和虛擬領航員對多智能體系統進行協同控制；夏慶軍等[17]對大規模空戰中的無人機編隊進行了研究，首先利用層級化概念將大規模編隊劃分為基本隊形，設計了編隊的編碼與解碼方法，最后利用自適應遺傳算法搜索最優空戰隊形，該方法為解決大規模飛機編隊問題提供了思路。

在演示驗證方面，新華社2017年6月10日消息稱，中國電子科技集團公司成功完成了119架固定翼無人機蜂群飛行試驗，演示了密集彈射起飛、空中集結、多目標分組、編隊合圍、蜂群行動等動作。刷新了此前2016年珠海航展披露的67架固定翼無人機蜂群試驗記錄，這標志著智能無人蜂群領域的又一突破。

總的來說，國內外都認識了無人機蜂群的重要性，并將其作為各國軍事理論與應用中的前沿研究課題予以了足夠的重視，在這一方面開展了不少研究工作。歐美軍事強國，尤其是美國近年來專門設立多個無人機蜂群相關的重點項目，項目涵蓋了從作戰概念到實質驗證的無人機蜂群的各項關鍵技術，涉及了從大型到微型的各種級別的無人機，取得了不少突破性的成果，并且穩步向著實戰化邁進。國內的研究大多還停留在概念和理論研究階段，少有實質性的驗證試驗。顯然，國內外的研究存在著不小的差距，但是就目前來看，即使對于處在領先地位的美國而言，無人機蜂群作戰也還處于起步階段，距離真正實現能用于復雜戰場環境下無人機蜂群還有很大的差距，面臨一系列問題需要解決。

3 無人機蜂群作戰關鍵技術

無人機蜂群領域相關關鍵技術水平不足是無人機蜂群發展面臨的主要問題之一。這些關鍵技術主要包括：戰術與作戰使用、總體架構、集群感知與信息融合、集群控制與群體智能、任務規劃和航跡規劃等。

3.1 戰術與作戰使用

無人機蜂群作戰系統是軍事需求和高新技術進步“雙引擎”推動下提出的，可能給未來戰爭帶來新質作戰能力的全新作戰系統。研究無人機蜂群作戰首先需要著眼未來戰爭的需求，從設計未來戰爭的角度出發，研究無人機蜂群戰術和作戰使用。

毫無疑問，無人機集群可以衍生出一些全新的作戰方式，例如：超飽和協同探測，即利用大量搭載異類傳感器的異構無人機組成的集群，對戰場進行長時間、全方位、大范圍、高精度的情報偵察和監視；輔助攻擊，無人機集群可以充當先頭部隊主動接敵，執行誘敵、干擾、欺騙、佯攻等任務，使敵方面臨的問題復雜化，增加敵方的額外負擔，暴露和消耗敵方火力；超飽和攻擊，即依托無人機蜂群巨大的數量優勢和智能優勢，突破敵方的防空系統，直接對目標關鍵部位進行精確打擊。

事實上，蜂群能做的事情遠不止于此，但是由于蜂群技術剛剛起步，研究人員對蜂群的理解不夠深刻，加上技術發展速度和軍事需求尚不明確，故而蜂群戰術的創新面臨著巨大的困難。發揮群體的智慧，群策群力，可能是解決這一問題最有效的方法。資料表明，DARPA為了尋求蜂群作戰的創新方案，提出在OFFSET項目的實施過程中發起“蜂群沖刺”，讓更多的科研人員和用戶參與到開發過程中，創造和測試新型蜂群戰術和實現技術。如此，在設計過程中便能保證蜂群具有良好的環境適應性。

3.2 總體架構

無人機蜂群系統是由大量不同類型和功能，具備有限自主決策控制能力和交互能力的無人機組成的智能系統，為了完成復雜的作戰任務，無人機蜂群必須進行高效的集群協同。而系統架構決定著系統的整體效能，為了應對高度對抗性、高度不確定性、高度動態性的戰場環境，無人機蜂群系統的總體架構必須具有高魯棒性、高可靠性、高容錯性、高動態性和高實時性。

傳統的系統架構分為集中式與分布式兩大類[18-22]。集中式的結構存在對整個系統進行控制的中央處理節點。其優勢在于決策與控制的管理權限比較集中，結構清晰明了，易于實現，而且能夠從全局對問題進行求解和優化。但是集中式架構的決策與控制嚴重依賴中心節點，中心的處理壓力大，而蜂群所面臨的問題計算復雜度高，計算耗時長，因此系統的實時性較差；另外，一旦中心故障或者損壞，系統將喪失完成任務的能力，即系統魯棒性差。分布式的架構各無人機具有充分的自治權限，通過通信網絡進行信息共享與協商實現自主決策。與集中式的架構相比，決策無須等待中心返回控制指令，系統實時性較好；而且，個體具有同等的地位，無人機的故障或功能失效不會對系統的整體性能產生太大的影響，系統具備更強的魯棒性和容錯性。但是，分布式的架構很難獲得全局最優解。因此集中式和分布式的架構都存在著固有的缺陷，難以滿足無人機蜂群作戰的需求，需要尋求更加有效的架構。

多智能體系統和復雜網絡系統這兩個當下熱門研究領域的相關理論可以為構建無人機蜂群總體架構提供一些新的思路。

多智能體系統(MAS)[23]作為分布式人工智能理論的一個分支，其核心思想是“分而治之”，即將復雜系統尤其是復雜的動態協作系統分解為相對獨立的子系統，通過子系統彼此之間的協作來完成高度復雜的任務。各智能體具有自主性、分布性、協調性等特性，而多智能體系統整體具有自治性、敏感性和社會性等特性，這些基本特征恰恰與無人機蜂群系統相符，因此可以用多智能體系統對無人機蜂群作戰系統的進行描述[24-27]。

復雜網絡是指具有自組織、自相似、吸引子、小世界、無標度中部分或全部性質的網絡，簡而言之即呈現高度復雜性的網絡[28]。其復雜性主要體現在結構復雜、網絡演化、節點和連接多樣性、動力學復雜性等方面。可以看出，復雜網絡的理論概念[29-30]與蜂群無人機所面臨的實際問題十分契合，這就提供了一條引入復雜網絡理論解決蜂群無人機協同問題的新途徑。

3.3 集群感知與信息融合

集群感知與數據融合是無人機集群控制與決策的依據。集群感知是指各無人機基于機載傳感器，通過無人機間的協同獲得更廣的觀測范圍、更高的定位精度，實現對戰場環境的全面感知，主要包括對外部環境的協同探測和蜂群內部的互感能力。無人機蜂群信息融合[31-33]是指無人機平臺之間通過機間數據鏈共享目標信息、平臺狀態信息、情報信息和指揮控制信息等，借助配準、關聯、濾波、身份識別、態勢估計、威脅估計等信息融合手段獲取作戰區域完整、準確的全局信息。由此建立信息優勢，進而建立決策優勢，有利于無人機蜂群系統整體效能的提升。集群感知和信息融合問題必須解決無人機之間關聯關系時變情況下的海量信息的交互問題，以及異質異構傳感器多源信息的融合處理問題。

針對無人機蜂群通信問題，可以將無人機蜂群視為移動無線網絡，將無人機視為移動通信網絡節點。無人機的空間分布決定了網絡的拓撲結構，而不同的網絡拓撲結構有著不同的通信性能。無人機蜂群作戰時，各無人機移動迅速，相互之間的位置關系變化不定，且隨時可能由于敵方的干擾出現無人機故障或者損毀的情況。因此，無人機蜂群的通信網絡拓撲變化迅速，無人機之間的通信關系不確定、不穩定甚至隨時可能中斷，不能指定各無人機在通信網絡中的功能，這些都是傳統無線移動網絡所沒有面對過的難題。要解決這一難題，需要從網絡架構、硬件、算法和通信協議等幾個方面進行努力[34-35]。

在多傳感器信息融合方面，己有大量成熟的理論和方法[36-39]。與一般的多傳感器信息融合問題相比，無人機蜂群信息融合問題難度更大，主要體現在：信息表現形式的多樣性、信息數量的巨大性、信息關系的復雜性、以及要求信息處理的及時性等幾個方面。故而，處理方法也應不同于一般的信息融合方法，可行的方法是參考人腦信息融合的認知機制，研究特征提取、知識表達和推理、認知機理等，并且應用于無人機蜂群的信息融合過程中[40-41]。

3.4 集群控制與群體智能

集群控制與群體智能是實現無人機蜂群作戰的核心。美國在《無人機系統路線圖2005—2030》中明確提出發展無人機自組織集群控制方法，使得多架具備自主決策控制能力的無人機能夠通過組織規則和信息交互實現較高程度的自主協作，通過高效的協同組織形式和動態功能分配方法提高系統作戰效能。

構成無人機蜂群的無人機個體能力較弱，但借助有效的集群控制手段，無人機蜂群系統作為一個整體能夠展現強大的力量。現實世界中很多社會性生物群體也體現了這種特征，如蟻群、蜂群、魚群、鳥群等，雖然這些群中個體行為簡單、能力有限，但當它們協同工作時能夠涌現出非常復雜的群體智能特征，例如表現出協調一致的運動行為、互相協同抵御外部威脅、互相協作采集食物、建造結構復雜而巧妙的巢穴等[42]。因而借鑒生物群體智能的理論是解決無人機蜂群面臨的集群控制問題的有效途徑[43-44]。基于集群智能理論的集群控制方法主要有基于行為法、領航法、人工勢場法等。

基于行為法是預先定義無人機的若干種行為，如跟隨、避撞、回避等，然后在控制過程中根據每個無人機的信息將這些行為按照某種策略進行加權綜合，并將之作為依據來控制每個無人機的具體行為[45-49]。領航法的基本思想是在集群系統中設立領導者或者虛擬領導者，通過領導者的領導作用達到對群體系統控制的目的[50-56]。人工勢場法將物理學中勢能場的概念引入到集群系統中來，用勢函數模擬影響無人機受到的內外作用，每個無人機在勢函數的作用下行動，從而實現對集群的控制[57-59]。

總的來說，三種方法各有優劣。基于行為方法與集群智能最為契合，能夠實現完全分布式的集群控制，研究重點在于集群內部個體的行為的設計與描述，然而個體局部行為對群體行為的影響是未知的，導致群體智能的涌現結果不可控，故而該方法實現難度很大。領航法是目前最成熟的集群控制方法，通過對領航者的控制實現集群控制，實現簡單，易于控制，但領導者很可能成為集群的弱點，領導者的失效甚至微小的故障都可能導致整個集群的失控。人工勢場法通過勢函數來描述集群內個體之間的局部作用以及環境對個體的作用，依靠勢函數對集群起到控制作用，思路簡單，然而戰場環境復雜多變，勢函數設計困難。

3.5 任務規劃

無人機蜂群任務規劃是完成蜂群作戰任務的關鍵。無人機蜂群任務規劃是指根據作戰任務需要和戰場環境以及無人機性能的約束，為蜂群中的無人機規劃一個或一組有序任務，并且要避免資源沖突，實現整體的協同和全局的最優。無人機蜂群任務規劃本質上是一個約束眾多而復雜的組合優化問題，因而可以借鑒組合優化問題的求解方法解決無人機蜂群的任務規劃問題。然而，無人機蜂群由許多各具特點、不同類型和不同用途的無人機組成，而且受到戰場環境和敵方兵力部署的制約，這導致無人機蜂群任務規劃問題的建模難度急劇增加；其次，無人機蜂群任務規劃屬于多參數、多約束的非確定多項式問題，在多輸入條件下容易導致組合爆炸，問題求解難度很大；另外，作戰任務通常相互關聯、彼此制約，即存在復雜的約束關系和不同的任務需求，如時間、空間、載荷匹配關系和任務優先級要求等[60-62]。這些因素都給解決無人機蜂群任務規劃問題造成了諸多的困難，故而，針對該問題的研究重點應集中在解決無人機蜂群任務規劃問題建模、基于實時傳感器信息的任務規劃的時效性、任務規劃算法的速度、提升任務調度綜合性能等幾個方面。

3.6 航跡規劃

無人機的航跡規劃是指根據任務的需要，實時地設計出一條使無人機從起點到目標點，符合無人機機動性能約束，并且綜合代價最小的最優飛行軌跡。無人機的航跡規劃是為圓滿完成任務而作的飛行規劃，任務規劃的實現均由航跡規劃來保證。合理的規劃使無人機能有效地規避威脅，提高生存概率及作戰效率[63-66]。但在實際作戰過程中，戰場環境瞬息萬變，多變約束條件成為航跡規劃的研究的主要難點所在，解決航跡規劃問題重點要保證航跡規劃算法對環境變化的響應性和計算的實時性。

4 結束語

在未來戰爭中，大量不同類型、不同性能的無人機組成的蜂群被投放到戰場執行各種作戰任務定會成為一種必然趨勢。本文首先提出了無人機蜂群對海作戰的概念，并簡要分析了其可行性和重要性；隨后總結了國內外無人機蜂群的發展現狀；基于此，引出了實現無人機蜂群作戰的各項關鍵技術，并且針對每條技術論述了其重要性、難點和解決方案。

可以預見，隨著這些關鍵技術的發展和進步，在未來對海作戰中，無人機蜂群將充分發揮其成本低、數量多、智能程度高的優勢，作為攻擊海面大型、高價值目標的有效的非對稱手段發揮無可比擬的重要作用，這種完全不同于以往的全新作戰樣式必將徹底顛覆未來海上作戰樣式。但是，除了技術問題，這一新的作戰概念正面臨著一些發展問題有待解決。首先，無人機蜂群作戰的作戰概念以尚不明確，作戰概念是武器裝備發展的邏輯起點，作戰概念不明確，作戰任務就無法清晰地描述，蜂群系統以及無人機的能力需求也就難以定位，這就使得蜂群作戰的概念很難落地；其次，無人蜂群作戰要求無人機具有較高的自主程度和智能程度，這無疑將削弱人在回路中的作用，不少人擔心無人系統可能失控而成為人類的威脅，這就使得蜂群作戰的理念難以被廣泛認可；最后，群體智能涌現是無人機蜂群發揮效能的關鍵，傳統的研究方法主要依靠少數研究人員的努力推動技術進步，這與無人機蜂群的理念背道而馳，可能成為限制蜂群技術發展的最大障礙。

盡管發展無人機蜂群作戰存在諸多的難點，但是機遇與挑戰往往是并存的。我國應當加強對無人機蜂群作戰的研究，通過軍民融合等國家戰略推動關鍵技術的進步，實現“彎道超車”，以此為契機擺脫“跟隨式”的發展，占據以無人機蜂群為代表的無人系統領域的制高點。

[1] Loc Pham. UVA swarm attack: protection system alternatives for destroyers[D]. Naval Postgraduate School, 2012.

[2] 楊王詩劍. 引領海戰革命——淺析無人機“蜂群戰術”[J]. 兵器知識, 2012(3): 60-63.

[3] M Ownby. Mixed Initiative Control of Automa-teams (MICA)-a progress report[C]. AIAA the 3rd "Unmanned Unlimited" Technical Conference, Chicago, USA, 2004: 1-6.

[4] Jean-Charles Ledé. Collaborative Operations in Denied Environment (CODE) Program Overview[C]. Briefing Prepared for SPIE Defense + Security Symposium Sensors and Command, Control, Communications and Intelligence (C3I) Technologies for Homeland Security, Defense, and Law Enforcement Applications XV Conference, USA, 2016.

[5] DARPA. Gremlins[R]. Tactical Technology Office, DARPA-BAA-15-59, 2015.

[6] Timothy H. Chung. Offensive Swarm-Enabled Tactics (OFFSET) [R]. DARPA, 2017.

[7] LOCUST: autonomous，swarming UAVs fly into the future [OL]． http: //www.onr.navy.mil/Media-Center/PressRelea-ses/2015/LOCUST-low-cost-UAV-swarm-ONR．aspx，2015-04-14.

[8] Schumacher C, Chandler P R, Rasmussen S J. Task Allocation for Wide Area Search Munitions via Iterative Network flow [C]. Proceedings of AIAA Guidance, Navigation, and Control Conference and Exhibit. Monterey, California, 2002.

[9] Jaime E. Navy Unmanned Combat Air System Carrier Demonstration (UCAS-D) Overview [R].USA, 2012.

[10] Ollero A, Lacroix S, Merino L, et al. Multiple Eyes in the Skies, Architecture and Perception Issues in the COMETS Unmanned Air Vehicles Project [J]. IEEE Robotics & Automation Magazine, 2005:46-57.

[11] Franklin M. Unmanned Combat Air Vehicles: Opportunities for the Guided Weapons Industry [R]. Occasional Paper, Royal United Services Institute for Defense and Security Studies, 2008.

[12] 葉媛媛,閔春平,沈林成,等.基于滿意決策的多UAV協同目標分配方法[J].國防科技大學學報,2005,27(4):116-120.

[13] 譚何順,曹雷,彭輝,等.一種多無人機層次化任務分配方法[J].解放軍理工大學學報(自然科學版),2014,15(1):18-24.

[14] 關震宇,楊東曉,李杰,等.基于Dubins路徑的無人機避障規劃算法[J].北京理工大學學報,2014,34(6):570-576.

[15] 劉偉,鄭征,蔡開元.未知復雜環境中的無人機平滑飛行路徑規劃[J].控制理論與應用,2012,29(11):1403-1413.

[16] 曲成剛,曹喜濱,張澤旭.人工勢場和虛擬領航者結合的多智能體編隊[J].哈爾濱工業大學學報,2014,46(5):1-5.

[17] 夏慶軍,張安,張耀中.大規模編隊空戰隊形優化算法[J].控制理論與應用，2010,27(10):1418-1423.

[18] TW McLain, RW Beard. Coordination variables, coordination functions, and cooperative timing missions[J]. AIAA Journal of Guidance Control & Dynamics, 2005,28(1):150-161.

[19] RW Beard, TW Mclain, DB Nelson, et al. Decentralized cooperative aerial surveillance using fixed-wing miniature UAVs[J]. Proceedings of the IEEE, 2006,94(7):1306-1324.

[20] Wei Y, Blakea M B, Madeya G R. An Operation-Time Simulation Framework for UAV Swarm Configuration and Mission Planning [J]. Procedia Computer Science, 2013, 18(10):1949-1958.

[21] 袁利平，陳宗基，周銳，等. 多無人機同時到達的分散化控制方法[J]. 航空學報,2010(4):797-805.

[22] 彭輝,沈林成,朱華勇.基于分布式模型預測控制的多UAV協同區域搜索[J].航空學報,2010,31(3):593-602.

[23] Hayes-Roth B. Agents on Stage: Advancing the State of the Art of AI[R]. Knowledge Systems Laboratory, KSL-95-50, 1995.

[24] W Ren, RW Beard, TW Mclain. Coordination variables and consensus building in multiple vehicle systems[J]. Lecture Notes in Control & Information Science, 2005,309:439-442.

[25] W Ren, RW Beard. Consensus of information under dynamically changing interaction topologies[C]//IEEE American Control Conference, Boston, USA, 2004:4939-4944.

[26] 韓健.基于多Agent的無人機協作控制[D].哈爾濱：哈爾濱工業大學,2012.

[27] 王強. UAV集群自主協同決策控制關鍵技術研究[D].西安：西北工業大學,2015.

[28] 汪小帆, 李翔, 陳關榮. 復雜網絡理論及其應用[M]. 北京：清華大學出版社, 2006.

[29] YY Liu, JJ Slotine, A L Barabási. Controllability of complex networks[J]. Nature, 2011, 473(7346): 167-173.

[30] J Ruths, D Ruths. Control profiles of complex networks[J]. Science, 2014, 343(6177): 1373-1376.

[31] S Shen, Y Mulgaonkar, N Michael, et al. Multi-sensor fusion for robust autonomous flight in indoor and outdoor environments with a rotorcraft MAV[C]//2014 IEEE International Conference on Robotics and Automation(ICRA), Hong Kong, China, 2014:4974-4981.

[32] G Abdi, F Samadzadegan, F, Kurz. Pose estimation of unmanned aerial vehicles based on a vision-aided multi-sensor fusion[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016, XLI-B6:193-199.

[33] 王林,王楠,朱華勇等.一種面向多無人機協同感知的分布式融合估計方法[J].控制與決策，2010,25(6):814-820.

[34] 歐陽瑞斌. 無人機群通信技術研究[D].北京：北京理工大學,2016.

[35] 劉昕. 軍用無人機自組網技術研究[D].南京：南京理工大學,2014.

[36] 韓崇昭,朱洪艷,段戰勝,等.多源信息融合[M].北京：清華大學出版社,2006.

[37] 何友,王國宏,陸大金,等.多傳感器信息融合及應用[M].北京：電子工業出版社,2000.

[38] 徐毅，金德琨，敬忠良.數據融合研究的回顧與展望[J].信息與控制,2002,31(3) :250-255.

[39] 孟章榮.軍事應用中的多源信息融合技術[J].現代防御技術,2001,29(2):27-30.

[40] Hall D L, Llinas J. Introduction to multisensory data fusion[C]. Proceedings of the IEEE, 1997, 85(1): 6-33.

[41] 吳榮春.軍事信息系統中信息融合關鍵技術研究[D].成都：電子科技大學,2016.

[42] 梁曉龍, 孫強, 尹忠海, 等. 大規模無人系統集群智能控制方法綜述[J]．計算機應用方法研究, 2015(32): 11-16．

[43] 程代展,陳翰馥．從群集到社會行為控制[J]. 科學導報, 2004(8): 4-7．

[44] 肖人彬．群集智能特性分析及其對復雜系統研究的意義[J]．復雜系統與復雜性科學, 2006，3(3) : 10-19．

[45] KWONG H, JACOB C． Evolutionary exploration of dynamic swarm behavior[C]// Proc of IEEE Congress on Evolutionary Computation．2003: 367-374．

[46] TANNER H G, JADBABAIE A，PAPPAS G J． Stable flocking of mobile agents，part Ⅱ: dynamic topology[C]// Proc of the 42nd IEEE Conference on Decision and Control．2003: 2016-2021．

[47] S Kim, Y Kim, A Tsourdos. Optimized behavioural UAV formation flight controller design[C]//Proceedings of the European Control Conference, Budapest, Hungary, 2009:4973-4978.

[48] J Shin, S Kim, J Suk. Development of robust flocking control law for multiple UAVs using behavioral decentralized method[J]. Journal of the Korean Society for Aeronautical and Space Sciences, 2015,43(10):859-867.

[49] HX Qiu, HB Duan, YM Fan. Multiple unmanned aerial vehicle autonomous formation based on the behavior mechanism in pigeon flocks[J]. Control Theory & Applications, 2015, 32(10):1298-1304.

[50] COUZIN I D, KRAUSE J, FRANKS N R，et al． Effective leadership and decision-making in animal groups on the move [J]． Nature,2005,433( 7025) : 513-516．

[51] M Turpin, N Michael, V Kumar. Trajectory design and control for aggressive formation flight with quadrotors[J]. Autonomous Robots, 2012, 33(1/2): 143-156.

[52] M Saska, T Baca, J Thomas, et al. System for deployment of groups of unmanned micro aerial vehicles in GPS-denied environments using onboard visual relative localization[J]. Autonomous Robots, 2017, 41(4):919-944.

[53] T Nageli, C Conte, A Domahidi, et al. Environment independent formation flight for micro aerial vehicles[C]//IEEE International Conference on Intelligent Robots and Systems, Chicago, USA, 2014:1141-1146.

[54] AS Aghdam, MB Menhaj, F Barazandeh, et al. Cooperative load transport with movable load center of mass using multiple quadrotor UAVs[C]//2016 4th International Conference on Control, Instrumentation, and Automation, Qazvin, Iran, 2016:23-27.

[55] H Liu, XK Wang, HY Zhu. A novel back stepping method for the three-dimensional multi-UAVs formation control[C]//IEEE International Conference on Mechatronics and Automation, Beijing, China, 2015:923-928.

[56] 俞輝,王永驥．基于動態拓撲有領航者的智能群體群集運動控制[J]．系統工程與電子技術,2006, 28(11) : 1721-1724．

[57] GAZI V． Swarm aggregations using artificial potentials and sliding-mode control [J]． IEEE Trans on Robotics,2005,21( 6) : 1208-1214．

[58] X Liang, GL Meng, HT Luo, et al. Dynamic path planning based on improved boundary value problem for unmanned aerial vehicle[J]. Cluster Computing, 2016,19 (4):2087-2096.

[59] F Liao, R Teo, JL Wang, et al. Distributed formation and reconfiguration control of VTOL UAVs[J]. IEEE Transactions on Control Systems Technology, 2017, 25(1):270-277.

[60] 趙明,蘇小紅,馬培軍，等.復雜多約束 UAVs 協同目標分配的一種統一建模方法[J].自動化學報,2012,38(12):2038-2048.

[61] Edison E, Shima T. Integrated task assignment and path optimization for cooperating uninhabited aerial vehicles using genetic algorithms [J]. Computers & Operations Research, 2011, 38(1):340-356.

[62] Eun Y, Bang H. Cooperative task assignment/path planning of multiple unmanned aerial vehicles using genetic algorithms [J]. Journal of Aircraft,2009,46(1):338-343.

[63] M Kothari, I Postlethwaite. A probabilistically robust path planning algorithm for UAVs using rapidly-exploring random trees[J]. Journal of Intelligent & Robotic Systems, 2013,71(2):231-253.

[64] H Shorakaei, M Vahdani, B Imani, et al. Optimal cooperative path planning of unmanned aerial vehicles by a parallel genetic algorithm[J]. Robotica, 2014,34(4):823-836.

[65] XY Zhang, HB Duan. An improved constrained differential evolution algorithm for unmanned aerial vehicle global route planning[J]. Applied Soft Computing, 2015, 26(C): 270-284.

[66] 李少斌,陳炎財,楊忠,等. 具有通信延遲的多無人機編隊飛行控制[J]. 信息與控制, 2012(2):142-146.