無(wú)人機(jī)群協(xié)同作戰(zhàn)目標(biāo)分配研究綜述

王小光 胡榮 梁文洋

近年來(lái)，隨著微機(jī)電技術(shù)、通信導(dǎo)航技術(shù)和人工智能技術(shù)迅速發(fā)展，無(wú)人機(jī)的智能化水平越來(lái)越高，數(shù)量眾多的無(wú)人機(jī)組成無(wú)人機(jī)群應(yīng)用在軍事領(lǐng)域?qū)⒂锌赡茴嵏参磥?lái)戰(zhàn)爭(zhēng)的規(guī)則。

無(wú)人機(jī)群作戰(zhàn)是指由數(shù)量龐大、成本低廉的小型無(wú)人機(jī)組成蜂群作戰(zhàn)系統(tǒng)，依托大數(shù)據(jù)、人工智能、無(wú)線自組網(wǎng)等技術(shù)協(xié)同作戰(zhàn)。在未來(lái)戰(zhàn)場(chǎng)上，由數(shù)量眾多的無(wú)人機(jī)對(duì)作戰(zhàn)目標(biāo)進(jìn)行超飽和攻擊，能有效提升己方的作戰(zhàn)效能。

無(wú)人機(jī)群可以完成某些單架無(wú)人機(jī)難以完成的復(fù)雜任務(wù)，如大規(guī)模監(jiān)視敵方、大范圍信息搜集、執(zhí)行多個(gè)同步任務(wù)等，但無(wú)人機(jī)數(shù)量的增多帶來(lái)規(guī)模化增大，復(fù)雜度變高和眾多安全隱患，在執(zhí)行任務(wù)過(guò)程中除了要考慮自身因素外，還要考慮目標(biāo)和環(huán)境帶來(lái)的約束等。無(wú)人機(jī)群的協(xié)同目標(biāo)規(guī)劃，是在滿(mǎn)足多方現(xiàn)實(shí)情況和約束條件下，實(shí)現(xiàn)無(wú)人機(jī)與目標(biāo)的配對(duì)分配，使作戰(zhàn)效能最優(yōu)，降低系統(tǒng)的耦合程度，提高協(xié)同性能和完成任務(wù)的質(zhì)量。

無(wú)人機(jī)群協(xié)同作戰(zhàn)目標(biāo)分配（Collaborative?Target?Allocation，CTA）首先是根據(jù)無(wú)人機(jī)群與作戰(zhàn)目標(biāo)的具體情況，結(jié)合各項(xiàng)約束條件，建立無(wú)人機(jī)群任務(wù)分配的CTA模型，然后根據(jù)建立的模型，選擇合適的智能算法進(jìn)行求解，得到無(wú)人機(jī)與目標(biāo)相對(duì)應(yīng)的結(jié)果。本文對(duì)無(wú)人機(jī)群協(xié)同作戰(zhàn)目標(biāo)分配進(jìn)行研究，從CTA模型及其要素和常用智能算法兩方面進(jìn)行介紹，并根據(jù)研究結(jié)果對(duì)未來(lái)無(wú)人機(jī)群作戰(zhàn)任務(wù)分配的研究方向進(jìn)行預(yù)測(cè)。

美國(guó)防高級(jí)研究計(jì)劃局AC-130正在回收 X-61A小精靈無(wú)人機(jī)

CTA模型

無(wú)人機(jī)群協(xié)同作戰(zhàn)目標(biāo)分配是基于戰(zhàn)場(chǎng)環(huán)境和作戰(zhàn)任務(wù)，為無(wú)人機(jī)群中的每架無(wú)人機(jī)分配一個(gè)或多個(gè)作戰(zhàn)目標(biāo)，使無(wú)人機(jī)群的整體作戰(zhàn)效能最優(yōu)。分配目標(biāo)，需要從無(wú)人機(jī)群、目標(biāo)任務(wù)和約束條件三個(gè)要素考慮建立協(xié)同作戰(zhàn)目標(biāo)分配模型（CTA模型），CTA模型是依據(jù)實(shí)際問(wèn)題簡(jiǎn)化后的數(shù)學(xué)模型，對(duì)之求解可以得到無(wú)人機(jī)的目標(biāo)分配結(jié)果。

無(wú)人機(jī)群是作戰(zhàn)的主體，在目標(biāo)分配過(guò)程中無(wú)人機(jī)的數(shù)量和自身的物理性能會(huì)對(duì)分配結(jié)果產(chǎn)生影響。

無(wú)人機(jī)群中無(wú)人機(jī)與分配目標(biāo)的數(shù)量的不同會(huì)產(chǎn)生不同的分配結(jié)果。當(dāng)無(wú)人機(jī)與目標(biāo)數(shù)量相同時(shí)，要使模型中無(wú)人機(jī)與目標(biāo)一一對(duì)應(yīng)，使任務(wù)代價(jià)最小。當(dāng)無(wú)人機(jī)多于目標(biāo)數(shù)量時(shí)，模型中的一個(gè)目標(biāo)至少分配給一架無(wú)人機(jī)，且一架無(wú)人機(jī)只能執(zhí)行一個(gè)目標(biāo)。當(dāng)無(wú)人機(jī)少于目標(biāo)數(shù)量時(shí)，模型中一架無(wú)人機(jī)分配多個(gè)任務(wù)，并且按照一定的順序執(zhí)行這些目標(biāo)。無(wú)人機(jī)的物理性能如最大航速、最大轉(zhuǎn)彎角、最低飛行高度、攜帶彈藥等，也會(huì)產(chǎn)生不同的分配效果。因此需要根據(jù)無(wú)人機(jī)的自身參數(shù)信息以及攜帶彈藥的類(lèi)型、數(shù)量、打擊效果等對(duì)分配的影響，進(jìn)行仿真計(jì)算。

在實(shí)際目標(biāo)分配過(guò)程中，目標(biāo)并不是單獨(dú)存在的，而是相互之間緊密聯(lián)系的結(jié)合體。將敵方目標(biāo)列為有著相互依賴(lài)關(guān)系和主次次序的聯(lián)合目標(biāo)，聯(lián)合目標(biāo)的生存概率和權(quán)重構(gòu)成戰(zhàn)場(chǎng)環(huán)境。而每一輪攻擊結(jié)果都將變更環(huán)境情況，因此兩輪任務(wù)分配之間具有相關(guān)性。需要建立多無(wú)人機(jī)協(xié)同分層任務(wù)分配模型，以此為基礎(chǔ)建立各目標(biāo)群之間的任務(wù)分配模型，對(duì)目標(biāo)任務(wù)分配進(jìn)行求解。實(shí)際戰(zhàn)場(chǎng)環(huán)境復(fù)雜多變，無(wú)人機(jī)的目標(biāo)分配有很多制約因素。依據(jù)建立的多無(wú)人機(jī)協(xié)同目標(biāo)分配模型，主要考慮多目標(biāo)點(diǎn)同時(shí)到達(dá)約束下的任務(wù)分配規(guī)劃。目前，將約束條件設(shè)定為任務(wù)的協(xié)同約束和無(wú)人機(jī)的最遠(yuǎn)航程約束，處理約束條件采用罰函數(shù)法，將約束條件作為優(yōu)化目標(biāo)的分量考慮，把有約束的多目標(biāo)優(yōu)化函數(shù)轉(zhuǎn)化為無(wú)約束多目標(biāo)優(yōu)化問(wèn)題。約束條件分為決策變量約束、最大航程約束、最小/最大速度約束、最大航行時(shí)間約束、最大載彈量約束、目標(biāo)點(diǎn)之間的時(shí)序約束和等待時(shí)間約束，可針對(duì)無(wú)人機(jī)與目標(biāo)數(shù)量的不同建立了具有統(tǒng)一分配關(guān)系的模型，將航程代價(jià)、時(shí)間代價(jià)與約束違背量之和作為適應(yīng)度函數(shù)求解。

無(wú)人機(jī)群目標(biāo)分配可歸納為優(yōu)化問(wèn)題，任何模型的目標(biāo)分配都可以統(tǒng)一為一個(gè)求解多約束條件下的最優(yōu)化問(wèn)題。CTA模型為無(wú)人機(jī)群協(xié)同作戰(zhàn)目標(biāo)分配模型，根據(jù)無(wú)人機(jī)群、目標(biāo)任務(wù)、約束條件，結(jié)合實(shí)際作戰(zhàn)環(huán)境中不同的側(cè)重要素，CTA模型有不同的表達(dá)式，約束條件也各有側(cè)重。

CTA求解算法

研究無(wú)人機(jī)群作戰(zhàn)目標(biāo)分配問(wèn)題，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遺傳算法、粒子群算法等。

無(wú)人機(jī)地面控制終端

遺傳算法 遺傳算法（GA）是遵循自然界的適者生存、優(yōu)勝劣汰的法則，模擬生物進(jìn)化機(jī)制的一種算法，在科學(xué)求解過(guò)程中表現(xiàn)為在所有可能的解中找出最符合該問(wèn)題求解條件的最優(yōu)解。基本的遺傳算法可以解決一些簡(jiǎn)單的模型，由于CTA模型通常較為復(fù)雜，一般以遺傳算法為基礎(chǔ)進(jìn)行改進(jìn)或者結(jié)合其他智能算法，使之適合求解的實(shí)際模型。

粒子群算法 粒子群算法（PSO）屬于進(jìn)化算法中的一種，是從隨機(jī)解出發(fā)通過(guò)迭代，追隨當(dāng)前搜索到的最優(yōu)值來(lái)尋找全局最優(yōu)。PSO初始化為一群隨機(jī)粒子，每一次迭代，粒子通過(guò)跟蹤本身的最優(yōu)解（個(gè)體極值）和整個(gè)種群目前的最優(yōu)解（全局極值）來(lái)更新自己，直到找到最優(yōu)值為止。粒子群算法沒(méi)有交叉和變異操作，比遺傳算法更加簡(jiǎn)單。粒子群算法以及改進(jìn)粒子群算法是求解CTA問(wèn)題的常用方法。粒子群算法規(guī)則簡(jiǎn)單，適用于最優(yōu)化問(wèn)題，通過(guò)改進(jìn)粒子群算法和與其他理論、算法結(jié)合，可以很好地解決不同類(lèi)型的CTA問(wèn)題。

算法是實(shí)現(xiàn)無(wú)人機(jī)群協(xié)同的基礎(chǔ)

其他算法 在求解CTA問(wèn)題中，除了常見(jiàn)的遺傳算法和粒子群算法外，還有很多元啟發(fā)式算法能夠適用于具體場(chǎng)景下的無(wú)人機(jī)群作戰(zhàn)目標(biāo)分配問(wèn)題。鴿群算法，是模擬鴿子距離巢較遠(yuǎn)時(shí)，依據(jù)磁場(chǎng)確定歸巢大致方向，在靠近鴿巢時(shí)，根據(jù)附近熟悉的地標(biāo)建筑鎖定鴿巢位置。狼群算法，模擬狼群的捕獵行為和獵物分配規(guī)則，人工狼根據(jù)自己和其他狼的情況不斷地更新位置，向最優(yōu)位置靠近。蟻群算法，是模仿自然界中螞蟻在食物尋找時(shí)的路徑尋找行為，每只螞蟻先自己獨(dú)立搜索，然后通過(guò)信息素更新進(jìn)行信息共享。

未來(lái)研究方向

無(wú)人機(jī)群作戰(zhàn)目標(biāo)分配的研究成果很多，但大多數(shù)的模型依舊比較簡(jiǎn)單，約束條件單一，不能很好地滿(mǎn)足現(xiàn)實(shí)中的問(wèn)題，求解方法大多依靠現(xiàn)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實(shí)際情況的模型，需要充分考慮現(xiàn)實(shí)戰(zhàn)場(chǎng)環(huán)境，充分考慮己方無(wú)人機(jī)群、敵方作戰(zhàn)目標(biāo)和環(huán)境約束三方面的實(shí)際情況，做到既全面，又有針對(duì)性。模型建立還要考慮實(shí)時(shí)性的需求，戰(zhàn)場(chǎng)環(huán)境瞬息萬(wàn)變，實(shí)時(shí)性和動(dòng)態(tài)性是未來(lái)重要的研究難點(diǎn)和重點(diǎn)。目前的無(wú)人機(jī)群規(guī)模數(shù)量依舊很小，隨著科學(xué)技術(shù)的進(jìn)步，未來(lái)無(wú)人機(jī)群的規(guī)模必定呈幾何倍數(shù)增長(zhǎng)，大規(guī)模數(shù)量的無(wú)人機(jī)群任務(wù)分配是未來(lái)的研究方向。

求解算法的研究發(fā)現(xiàn)現(xiàn)有智能算法無(wú)不存在收斂性能慢、易陷入局部最優(yōu)、耗時(shí)長(zhǎng)等問(wèn)題，這是目前的演化算法不可避免的問(wèn)題，今后的研究方向即是在這些方面繼續(xù)改進(jìn)，使算法求解過(guò)程效率高、準(zhǔn)確性高。隨著人工智能技術(shù)的進(jìn)步，相關(guān)具有新穎性、自學(xué)習(xí)、自適應(yīng)的算法可以作為無(wú)人機(jī)群作戰(zhàn)目標(biāo)分配求解的新方向，基于人工智能的無(wú)人機(jī)群作戰(zhàn)目標(biāo)分配具有很好的研究前景。

責(zé)任編輯：彭振忠