無人機群協同作戰目標分配研究綜述

王小光 胡榮 梁文洋

近年來，隨著微機電技術、通信導航技術和人工智能技術迅速發展，無人機的智能化水平越來越高，數量眾多的無人機組成無人機群應用在軍事領域將有可能顛覆未來戰爭的規則。

無人機群作戰是指由數量龐大、成本低廉的小型無人機組成蜂群作戰系統，依托大數據、人工智能、無線自組網等技術協同作戰。在未來戰場上，由數量眾多的無人機對作戰目標進行超飽和攻擊，能有效提升己方的作戰效能。

無人機群可以完成某些單架無人機難以完成的復雜任務，如大規模監視敵方、大范圍信息搜集、執行多個同步任務等，但無人機數量的增多帶來規模化增大，復雜度變高和眾多安全隱患，在執行任務過程中除了要考慮自身因素外，還要考慮目標和環境帶來的約束等。無人機群的協同目標規劃，是在滿足多方現實情況和約束條件下，實現無人機與目標的配對分配，使作戰效能最優，降低系統的耦合程度，提高協同性能和完成任務的質量。

無人機群協同作戰目標分配（Collaborative?Target?Allocation，CTA）首先是根據無人機群與作戰目標的具體情況，結合各項約束條件，建立無人機群任務分配的CTA模型，然后根據建立的模型，選擇合適的智能算法進行求解，得到無人機與目標相對應的結果。本文對無人機群協同作戰目標分配進行研究，從CTA模型及其要素和常用智能算法兩方面進行介紹，并根據研究結果對未來無人機群作戰任務分配的研究方向進行預測。

美國防高級研究計劃局AC-130正在回收 X-61A小精靈無人機

CTA模型

無人機群協同作戰目標分配是基于戰場環境和作戰任務，為無人機群中的每架無人機分配一個或多個作戰目標，使無人機群的整體作戰效能最優。分配目標，需要從無人機群、目標任務和約束條件三個要素考慮建立協同作戰目標分配模型（CTA模型），CTA模型是依據實際問題簡化后的數學模型，對之求解可以得到無人機的目標分配結果。

無人機群是作戰的主體，在目標分配過程中無人機的數量和自身的物理性能會對分配結果產生影響。

無人機群中無人機與分配目標的數量的不同會產生不同的分配結果。當無人機與目標數量相同時，要使模型中無人機與目標一一對應，使任務代價最小。當無人機多于目標數量時，模型中的一個目標至少分配給一架無人機，且一架無人機只能執行一個目標。當無人機少于目標數量時，模型中一架無人機分配多個任務，并且按照一定的順序執行這些目標。無人機的物理性能如最大航速、最大轉彎角、最低飛行高度、攜帶彈藥等，也會產生不同的分配效果。因此需要根據無人機的自身參數信息以及攜帶彈藥的類型、數量、打擊效果等對分配的影響，進行仿真計算。

在實際目標分配過程中，目標并不是單獨存在的，而是相互之間緊密聯系的結合體。將敵方目標列為有著相互依賴關系和主次次序的聯合目標，聯合目標的生存概率和權重構成戰場環境。而每一輪攻擊結果都將變更環境情況，因此兩輪任務分配之間具有相關性。需要建立多無人機協同分層任務分配模型，以此為基礎建立各目標群之間的任務分配模型，對目標任務分配進行求解。實際戰場環境復雜多變，無人機的目標分配有很多制約因素。依據建立的多無人機協同目標分配模型，主要考慮多目標點同時到達約束下的任務分配規劃。目前，將約束條件設定為任務的協同約束和無人機的最遠航程約束，處理約束條件采用罰函數法，將約束條件作為優化目標的分量考慮，把有約束的多目標優化函數轉化為無約束多目標優化問題。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、最大航行時間約束、最大載彈量約束、目標點之間的時序約束和等待時間約束，可針對無人機與目標數量的不同建立了具有統一分配關系的模型，將航程代價、時間代價與約束違背量之和作為適應度函數求解。

無人機群目標分配可歸納為優化問題，任何模型的目標分配都可以統一為一個求解多約束條件下的最優化問題。CTA模型為無人機群協同作戰目標分配模型，根據無人機群、目標任務、約束條件，結合實際作戰環境中不同的側重要素，CTA模型有不同的表達式，約束條件也各有側重。

CTA求解算法

研究無人機群作戰目標分配問題，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。

無人機地面控制終端

遺傳算法 遺傳算法（GA）是遵循自然界的適者生存、優勝劣汰的法則，模擬生物進化機制的一種算法，在科學求解過程中表現為在所有可能的解中找出最符合該問題求解條件的最優解。基本的遺傳算法可以解決一些簡單的模型，由于CTA模型通常較為復雜，一般以遺傳算法為基礎進行改進或者結合其他智能算法，使之適合求解的實際模型。

粒子群算法 粒子群算法（PSO）屬于進化算法中的一種，是從隨機解出發通過迭代，追隨當前搜索到的最優值來尋找全局最優。PSO初始化為一群隨機粒子，每一次迭代，粒子通過跟蹤本身的最優解（個體極值）和整個種群目前的最優解（全局極值）來更新自己，直到找到最優值為止。粒子群算法沒有交叉和變異操作，比遺傳算法更加簡單。粒子群算法以及改進粒子群算法是求解CTA問題的常用方法。粒子群算法規則簡單，適用于最優化問題，通過改進粒子群算法和與其他理論、算法結合，可以很好地解決不同類型的CTA問題。

算法是實現無人機群協同的基礎

其他算法 在求解CTA問題中，除了常見的遺傳算法和粒子群算法外，還有很多元啟發式算法能夠適用于具體場景下的無人機群作戰目標分配問題。鴿群算法，是模擬鴿子距離巢較遠時，依據磁場確定歸巢大致方向，在靠近鴿巢時，根據附近熟悉的地標建筑鎖定鴿巢位置。狼群算法，模擬狼群的捕獵行為和獵物分配規則，人工狼根據自己和其他狼的情況不斷地更新位置，向最優位置靠近。蟻群算法，是模仿自然界中螞蟻在食物尋找時的路徑尋找行為，每只螞蟻先自己獨立搜索，然后通過信息素更新進行信息共享。

未來研究方向

無人機群作戰目標分配的研究成果很多，但大多數的模型依舊比較簡單，約束條件單一，不能很好地滿足現實中的問題，求解方法大多依靠現有的智能算法，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際情況的模型，需要充分考慮現實戰場環境，充分考慮己方無人機群、敵方作戰目標和環境約束三方面的實際情況，做到既全面，又有針對性。模型建立還要考慮實時性的需求，戰場環境瞬息萬變，實時性和動態性是未來重要的研究難點和重點。目前的無人機群規模數量依舊很小，隨著科學技術的進步，未來無人機群的規模必定呈幾何倍數增長，大規模數量的無人機群任務分配是未來的研究方向。

求解算法的研究發現現有智能算法無不存在收斂性能慢、易陷入局部最優、耗時長等問題，這是目前的演化算法不可避免的問題，今后的研究方向即是在這些方面繼續改進，使算法求解過程效率高、準確性高。隨著人工智能技術的進步，相關具有新穎性、自學習、自適應的算法可以作為無人機群作戰目標分配求解的新方向，基于人工智能的無人機群作戰目標分配具有很好的研究前景。

責任編輯：彭振忠