無人機蜂群中的群體智能涌現機理

宮遠強, 張業鵬, 馬萬鵬, 薛霄*

(1.天津大學 智能與計算學部, 天津 300354; 2.陸軍航空兵學院, 北京 101121)

0 引言

隨著信息技術和武器裝備的快速發展,戰爭形態正朝著智能化戰爭演變,高度自主智能化蜂群武器裝備的出現,使得戰爭由單平臺遙控作戰向著智能蜂群作戰方向發展。無人機蜂群作戰是指通過大量不同功能、不同種類無人機之間的協作,形成復雜強大的群體作戰效能。未來,自主協同的無人機蜂群作戰將成為顛覆現有作戰場景的新作戰模式,但與此同時也對當前的作戰理論和作戰模式提出了新的挑戰。智能無人機蜂群的自主協同行為是在大量作戰單元去中心化、分布式控制的基礎上,個體之間、個體和環境之間交互的結果,并不存在“控制中心”發送作戰指令,其發生機理難以量化分析,因此比較難以預測個體和整個系統的準確行為,可能導致作戰結果朝著不可預知和不可控的方向發展。

無人機蜂群是一個復雜非線性決策控制系統,本質上是一個群體智能系統,其自主協同行為是其群體智能的表現形式之一。群體智能概念最早由Beni[1]提出,用以描述群居生物通過自主協作而涌現出的集體智能行為,以及受到自然界中群體協作行為啟發來解決問題的啟發式算法或構建人工集群系統的方法。通常認為,所謂群體智能就是指由一定規模的個體通過相互協作,在整個群體系統宏觀層面所表現出來的一種分散的、去中心化的自組織行為[2]。雖然群體智能系統中個體的智能是非常有限的,但它可以通過分工和相互合作形成一個整體,涌現出高度的群體智能,完成復雜的任務,為解決各種復雜問題提供新的思路。經過30多年的研究與發展,群體智能研究由最初的蟻群優化算法[3]、粒子群優化算法[4]等群體優化算法,發展到集群機器人[5]、無人集群[6]等分布式群體智能系統,再由基于互聯網的群體智能理論[7]、系統與應用[8]發展到人機物融合[9]的群體智能計算[10]。目前對群體智能在無人機蜂群中的應用研究主要集中在如何讓大量相對簡單的分布式作戰單元通過局部的交互協同來完成系統的整體目標,從而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,涉及的內容包括無人機自主協同作戰的分層控制結構、蜂群的自主編隊控制方法和蜂群的協同作戰建模與仿真技術等。Boskovic等[11]提出了無人機蜂群的分層結構,將無人機動態規劃、任務分配、自適應機制和生物群體智能結合起來,形成了蜂群協同控制機制。張婷婷等[12]基于智能無人集群系統的結構機理,構建了無人集群系統的三級結構與關系模型,包括鏈路層、系統層和任務層,分層次研究了無人集群的群體智能。近年來,隨著各種深度學習算法的興起,群體智能算法被用于深度學習的算法優化。Houssein等[13]通過利用群體智能、自組織和涌現的相互關系,提出了一種集群任務中全局目標函數優化的替代方法,它能夠適應數據空間中具有高維特征的數據結構。此外,用演化博弈理論解決多智能體協作問題,也是研究方向之一[14]。上述研究成果具有重要的理論和工程應用價值。但是,它們不能直接移植到無人機蜂群作戰領域來解釋蜂群自主協同行為的涌現問題。

為探索無人機蜂群自主協同行為的涌現機理,本文提出一種多Agent系統中自主協同行為的涌現分析方法,對系統的微觀個體層、中觀結構層和宏觀網絡層三個層面展開分析,自底向上地量化分析了系統動態演化過程,揭示了涌現現象從微觀到宏觀、從局部到全局的內在機理以及系統演變中的一些問題,系統地、定量地解釋了多Agent系統中協同行為的涌現機理。本文希望深入分析無人機蜂群協同行為的涌現機理,進而通過模擬推演為無人機蜂群作戰的協同機制優化提供策略支持。另外,本文引入計算實驗方法,自下而上地構建了基于演化博弈的無人機蜂群計算實驗模型[15-21],根據蜂群作戰的關鍵特征設計無人機蜂群社團信息網絡,引入公共物品博弈機制構建蜂群合作演化模型,并給出社團網絡上蜂群的演化動力學過程。

1 群體智能涌現的分析方法

1.1 涌現分析的總體框架

在多Agent系統中,Agent是具有一定自主能力的智能體,與現實社會的生物個體或者生物群體相對應。Agent個體模型則是不同領域知識發揮作用的容器,可以根據應用問題進行定制化,包括Agent的結構、是否具有學習能力、相互間的交互機制等。群體智能涌現研究的一個重要目標,是希望通過設計Agent的微觀的、局部的行為機制,影響和控制Agent的個體行為,以獲得預期的宏觀的、全局的系統特征[22]。多Agent系統涌現性分析,就是要揭示系統從微觀到宏觀、從個體行為到群體智能的內在邏輯。正因如此,多Agent系統涌現分析需要將涌現過程拆解開來,從微觀、中觀和宏觀三個層面進行復雜系統的計算實驗分析,其分析框架如圖1所示。

復雜系統的計算實驗分析采用自底向上的分析理念,從3個層次分析系統的演化規律。

1)微觀個體分析。多Agent系統中的個體將能夠根據其所在小生境的狀態調整其行為,使整個系統具有適應性和自組織性。因此可以基于多Agent理論和演化博弈論,從個體微觀個體的角度入手,對個體自適應行為的狀態轉移軌跡進行分析。基于多Agent系統中的微觀要素,對于確定性要素,要進行定量分析,例如給出微觀動力學方程;對于不確定要素,例如有限理性、學習能力,要進行定性分析,進而判斷整個系統的自適應行為和系統魯棒性。

2)中觀結構分析。復雜系統中的個體在長期的演化過程中會涌現出復雜的結構特性,包括小世界特性和冪律特性[23]等。為了理解這些涌現特性的產生機理,本文以系統動力學理論和演化博弈理論為基礎,分析系統演化過程的內在機制和反饋回路,構建系統動力學模型。基于數據分析研究模型參數的學習方法,分析不同要素對整個系統演化的影響,進而對整個系統的演化過程進行預測。

3)宏觀網絡分析。在宏觀層面上,系統群體智能涌現現象的產生、發展與循環反饋的過程與復雜網絡的自組織演化過程類似。微觀個體和宏觀整體之間形成一種關聯網絡演化模型,群體系統的組織結構、交互機制等關系體現為網絡的自組織演化迭代機制,在無人機蜂群整體層面則表現為自主合作、對抗博弈等群體行為模態的涌現。

1.2 微觀個體層面分析

復雜系統中的Agent是具有一定自主能力的智能體,Agent結構中的信息流和控制流將各個模塊連接成一個整體:Agent在執行任務過程中,根據個體經驗、環境信息和行為反饋,決策模塊會制定出下一步行動計劃;根據行動計劃執行響應動作,調用相應的資源服務來做出應對;Agent的行為優化機制采用效用最大化的原則,在Agent與外部的交互中不斷地進行反饋學習,逐漸優化Agent個體的行為機制和決策機制,使Agent采取更加接近完成目標的行為。在微觀個體層面,Agent遵循必要的行為準則并具有一定的可控性,微觀Agent并不關注系統宏觀層面涌現出的屬性和現象,只是遵循簡單的行為規則采取對自己最有利的行為。

具備自主決策能力的Agent可以在外部環境中根據自身的目標或任務,產生自主行為。Agent具有感知環境的能力,并具有相應的動作行為集合,可以通過決策選擇執行某一動作,改變自身外部環境,而環境的改變也會反過來影響Agent接下來的決策和行為,外部環境和Agent自身都表現出非確定性。其內部結構如圖2所示。

Agent的行為模式可以總結如下:環境的最初狀態為e,Agent通過感知模塊See(e)感知到外部環境的信息;Agent最初的內部狀態為i0,然后通過Next(i0,See(e))模塊進行個體內部狀態的更新,隨后經由State(Next(i0,See(e)))模塊決定將要執行的行為,完成個體內部信息流和控制流的傳遞,最后通過Action模塊來執行動作。Agent按照這個行為模式不斷循環執行,并不斷更新自身狀態信息。

在這種方法中,可以把任務定義成一個函數,把效用賦給狀態的執行結果:

u:R→R

(1)

式(1)表示給Agent的每個狀態的執行結果賦予一個值R。假設效用函數u存在一個最大值k∈R,使對所有r∈R都有u(r)≤k,則可認為此Agent是使效用最大化的最優Agent,定義Agent模型為Ag。假設用P(r|Ag,Env)表示個體Ag在外部環境Env中執行r這一事件發生的概率,則有

(2)

則在環境Env中的最優Agent定義為使得期望的效用最大化:

(3)

式中:AG表示群體Agent模型。

由此可以看出,在基于效用的多Agent系統中,Agent追求自身效用最大化的行為過程間接推動著系統整體的動態演化和涌現現象的產生。

1.3 中觀結構層面分析

圖3描述了多Agent系統的局部組織結構,Agent可以通過自身行為影響和改變環境,也可以進行通信和互動等交互行為,個體之間產生依賴關系,并在此基礎上形成Agent的局部組織關系。

圖3 多Agent系統的組織結構

首先,把多Agent之間的交互問題簡化成兩個Agent之間的交互,多Agent交互可以看作兩個Agent交互的擴展,分別稱這兩個Agent為Agenti和Agentj。假設每個Agent都是有限理性的,即每個Agent都會選擇對于自己最有利的行為。當兩個Agent進行交互時,它們會獨立地基于自身的策略做出行動,交互的結果取決于兩個Agent所選擇的策略。為了簡化分析,假設每個Agent可以執行的策略有兩個,其他多策略場景可以在此基礎上擴展。兩個策略分別用A和B表示,AC={A,B}是策略的集合。定義整個多Agent蜂群的狀態為

ξ=[ξAξB]T

(4)

式中:ξ的分量ξA和ξB分別表示采取策略A和策略B的Agent在整個蜂群中所占的比重。因此,蜂群中屬于策略A和策略B的分量ξx(x∈A,B)的變化,可以用下列動力學方程來表示:

(5)

rx(ξ,Ψ)=Ψxξ-ξTΨξ

(6)

式中:rx為Agent的行為在環境中選擇x策略的執行;Ψ為Agent的博弈收益;Ψx為Agent選擇x策略的博弈收益;Ψxξ表示Agent個體選擇策略x(x∈{A,B})的期望收益;ξTΨξ表示此Agent所在群體的平均收益。由此可以看出,當個體持有的策略帶來的收益高于平均收益時,其所在的小群體規模將會擴大,而持有收益較小策略的小群體規模將不斷減小。個體在系統中的適應度取決于Agent的收益,在每一輪博弈中,Agent根據自身收益由適應度函數計算其適應度,反映了Agent以收益作為依據自適應地調整決策和行為,以適應環境的智能特性。

在演化過程中,Agent根據其收益情況進行策略和狀態的更新,從而推動了蜂群的動態演化。可以根據系統需求的不同來設計不同的更新機制,例如,在模仿學習機制中,Agent比較自身收益與周圍鄰居的收益,并學習收益更高的Agent的策略。除此之外,Agent也可以事先設立一個期望的收益水平,并以此來自適應地評估和更新其策略,提高適應環境的能力。由于Agent具有的學習性,個體的策略更新是一個不確定的過程,策略更新機制的設計同樣需要結合具體問題具體分析,既要與系統整體的目標相符合,又要考慮Agent的個體需求和條件限制,必須合理準確地設計Agent的期望值,適應系統的整體需求。定義策略x在t時刻的狀態如下:

(7)

式中:η(x,t)=1意味著在t時刻Agent選擇策略x所獲得的收益高于周圍個體的平均收益,反之η(x,t)=0意味著低于平均收益。如果收益高于平均水平(即η(x,t)=1),則Agent維持現在的策略不改變;若η(x,t)=0,則Agent以概率-ωrx(ξ,ψ),切換其策略。定義ω>0,代表選擇強度,表征博弈所產生適應度的差異對個體決策的影響程度,滿足-ωrx(ξ,ψ)<1。于是,經過一步更新后,種群的狀態變為

(8)

式中:ω為選擇強度,ω∈[0,1],反映了博弈過程產生的收益差異對于個體決策的影響程度;rA、rB分別為Agent的行為在環境中選擇A策略或B策略的執行。

BOVET 播威表匠是特長動力機心專家，為Récital 22 Grand Récital搭載的專利雙面陀飛輪可以微調機心精準度，機心擺頻每小時18,000次，品牌自制的游絲及變量慣性擺輪合作無間，提升機心等時性能。

基于上述分析,系統中Agent可以自適應地調整其行為以提高自身效用,多Agent系統也在此過程中隨之動態演化。通過合理的演化機制設計,在保證個體利益的基礎上,Agent之間可以產生出自主合作等行為。

1.4 宏觀網絡層面分析

無人機蜂群作為一種復雜作戰體系,其作戰模式不再是眾多作戰單元的集中控制和機械配合,而是以偵察、攻擊、指揮等無人機作為節點,以無人機之間的通信連接、資源分享等交互行為作為連邊,根據一定的運行機制和組織關系所形成的復雜網絡體系,其結構反映了蜂群系統的要素組成和要素間的作用關系。無人機蜂群中群體智能的涌現過程可以用復雜網絡的自組織演變過程來表示,如圖4所示,微觀層次中的個體動作以及交互行為,在中觀層次通過演化產生局部組織,最終在宏觀層次的蜂群網絡中產生模式涌現。在此基礎上,當新的個體加入或原有的個體退出時,系統可能暫時偏離平衡狀態,但通過不斷地自適應演化之后系統又回到穩定態,無人機蜂群的組織產生、交互合作和結構變化等關系表現為網絡的自組織演化機制,在整體上涌現為博弈對抗或自主協同等群體行為。

圖4 宏觀層面群體行為的涌現過程

對無人機蜂群系統中涌現現象的宏觀層面分析側重于從復雜網絡的角度來進行。根據無人機蜂群的不同應用場景和任務目標,可以選擇不同的復雜網絡的相關指標分析蜂群的結構與特征,探索智能化背景下蜂群作戰體系的網絡特性和演化規律,為分析無人機蜂群中自主協同行為的涌現提供幫助。

2 無人機蜂群的計算實驗模型

2.1 模型映射

當無人機蜂群執行作戰任務時,智能無人機個體將不可避免地計算和評估其自身所具有的彈藥等資源以及損失等行為成本,以趨利避害,保證其收益的最大化。因此可能會導致無人機個體之間利益沖突,產生個體利益和蜂群目標不一致的現象。例如,當具有自主智能的無人機在執行目標打擊任務、面對強大的目標時,有限理性的無人機面臨兩個選擇,一是選擇合作,消耗自身能量來打擊目標,完成作戰任務;二是選擇不合作,不攻擊此目標,保存自己的力量。有限理性的無人機具體會選擇哪個選項,取決于每個選項所帶來的預期收益。從蜂群整體的角度,無疑是希望能夠有更多的無人機選擇合作策略。因此,如何提高蜂群的合作水平,是無人機蜂群自主協同機制研究中需要解決的重要問題。

當涉及到個體與整體之間的利益沖突時,公共物品演化博弈[25]為分析群體的交互機理、緩解各方的利益沖突奠定了理論基礎。在該博弈過程中,個體通過局部之間的交互,依據自身利益自主調整其行為,保持個體收益與群體整體效用之間的一致,從而在整體層面涌現出自主協作的行為。作為一種自主協同機制,其優勢在于保持個體的自主性,不直接控制個體的行為,而是通過個體之間的自組織演化從而完成整體的目標。無人機蜂群自主協同機制與公共物品博弈之間的概念映射關系如表1所示。

表1 無人機蜂群協同與公共物品博弈之間的概念映射

2.2 無人機個體模型

結合無人機的系統和功能特性,本文設定無人機蜂群是由多個無人機Agent構成的系統,每個無人機具有獨立的感知、決策和行動能力。無人機Agent的決策和行為取決于其特征屬性,Agent屬性信息如表2所示。

2.3 無人機蜂群模型

在無人機蜂群中,隨著多輪演化博弈的進行,單個無人機i根據自身及其鄰居的收益不斷更新其策略集{C,D}中的策略,直到蜂群中具有不同策略的Agent所占的比例達到穩定。

(9)

(10)

對于復雜網絡上演化博弈的研究,其思路可以歸納為以下過程[26]:確定要使用的博弈模型,然后確定網絡拓撲模型,并制定其策略更新規則。個體的策略更新體現為個體的學習和自適應行為。其中,費米規則[27]是一種基于個體期望的規則,該規則比較個體的實際收益與期望水平,在此基礎上個體進行決策和行動,該規則重點研究個體的個體期望在博弈中發揮的作用。主觀期望是個體行為的重要依據,反映了演化博弈中個體對于收益的主觀預期,即“自利”的程度。在真實作戰場景中,戰場環境復雜多變,無人機控制命令傳達不通暢、信息傳輸不完整、偏離預期策略等情況時有發生,因此無人機通過愿景機制可以實現一定程度上的自我管理,滿足蜂群自主協同作戰的需求。在這種更新規則下,可以體現出個體有限理性的特點,更加貼合實際。在這一規則的驅動下,個體i在策略集{C,D}中轉換策略的概率如下:

(11)

無人機蜂群中的自組織行為主要依靠其信息交互,信息網絡是多個無人機交互的橋梁,是無人機蜂群自主協同行為涌現的基礎。無人機蜂群規模的擴大導致了更復雜的相互作用,如何根據無人機節點間信息交互的需求和蜂群作戰的特點來建立蜂群信息網絡拓撲,是建模過程中的重要問題。

如圖5所示,在典型的無人機蜂群作戰中,無人機蜂群可分為多個子群,執行不同的任務,如情報偵察、電磁干擾和打擊。無人機個體通過適應、溝通、分工和協作,形成了一個緊密相連的協作網絡,從而完成單個個體無法完成的任務。這些不同功能的無人機子群內部緊密耦合,而外部彼此松散耦合,表現出類似“社區網絡[28]”的組織形式。因此,本節在傳統信息網絡的基礎上結合社區網絡,構建一個與無人機蜂群作戰特征高度吻合的網絡拓撲模型,它不僅具有傳統作戰網絡的層次性和規則性特征,還具有蜂群的復雜作戰網絡特征。

圖5 無人機蜂群通信網絡示意圖

從上述無人機蜂群作戰體系的關鍵特征出發,本文對無人機蜂群的網絡拓撲做出如下假設:在初始時,一個完整的無人機蜂群由M(M≥1)個具有異質功能的無人機子群構成,每個無人機子群中節點的作戰功能由其所在的子群性質確定。每個無人機子群網絡最初都是由m0(m0≥1)個完全連接的無人機節點組成,即初始時蜂群中沒有孤立節點,任意兩個無人機節點之間通過直接連接或間接連接建立通信協同關系。在每個無人機子群中都存在一個節點,負責與其他M-1個外部子群進行通信。在整個無人機蜂群中,任意兩個子群之間均存在通信鏈路,以保證每個子群均可以與其他子群進行通信。如圖6示是一個由M=3個不同功能的無人機子群,每個子群由m0=3架無人機組成的無人機蜂群網絡拓撲結構。

圖6 無人機蜂群協同作戰的通信網絡拓撲

無人機蜂群網絡拓撲的動態演化過程描述如下:在每個時間步中,當一個新的無人機節點加入無人機蜂群中時,它會根據自己的功能加入與自己同質的無人機子群中。新節點通過m條通信連邊與子群內部中的其他m(1≤m≤m0)個無人機節點建立連接,新節點與第j個子群網絡內的其他節點i建立連接的概率πsij正比于節點i的內部連接度;新節點通過n條通信連邊與其他M-1個外部子群中的n(0≤n≤m)個無人機節點相連,新節點與第k個子群外部網絡中的節點i建立連接的概率πlij正比于節點i的外部連接度。

3 計算實驗結果與分析

3.1 實驗設置

本文使用Repast Simphony[29]建模工具作為計算實驗平臺,通過設計不同的Agent模型參數和交互規則,可以仿真構建出不同應用領域的各種多Agent系統,將實驗系統作為數據發生器,觀察系統可能產生的涌現現象,從各個角度分析系統的運行過程和演化規律。本文基于自底向上的理念,構建了無人機蜂群模型。相關實驗參數的初始化設置如表3所示。在系統運行過程中,每個時間步內,新生成的無人機會隨機加入一個無人機子群陣營,并且隨機采用合作策略C或非合作策略D,隨著后續博弈的進行,無人機會自適應地采取使自己利益最大化的策略。

表3 實驗參數設置

由2.3節分析可知,為了提高生存能力,無人機個體在無外力作用下會優先選擇非合作策略D,最終蜂群中所有無人機也都會選擇非合作策略。但是,在無人機蜂群的群體智能作用下,無人機個體卻有可能選擇合作策略C,蜂群在整體層面涌現出具有穩定結構的自主協同行為。這種協同行為的涌現現象是如何產生的,又該如何提高蜂群的協同水平,是研究的重點。

因此本文選擇將無人機蜂群整體的合作率fe作為試驗評價指標,即用持有合作策略C的無人機在無人機蜂群中所占的比例來衡量蜂群的合作水平,計算方法如式(12)所示:

(12)

式中:Nc表示蜂群中合作者的數量。

3.2 微觀因素對蜂群協同行為的影響

在無人機蜂群的微觀層面,主要關注無人機的個體屬性。在微觀個體層面,探討無人機個體的作戰成本(如火力、通信資源)對蜂群合作行為的影響,具有很強的實踐指導價值。在實戰中,如果無人機的作戰成本過高,則在蜂群作戰中將得不償失,蜂群作戰目標是以最低的成本獲得蜂群協同作戰的最佳效能。因此,本節將探討無人機蜂群的合作水平與個體作戰成本之間的關系,從而優化無人機蜂群協同機制。

設無人機作戰成本的基礎值c=1,表示選擇合作策略C的無人機個體向集群貢獻的資源,則當c=2時表示無人機消耗的資源加倍。在實戰中,無人機個體具備的資源是有上限的,因此本文設定c∈[1.0,2.5],既覆蓋到了蜂群作戰的一般情況,又考慮了極端情形。圖7展示了不同選擇強度下蜂群合作水平fc隨著作戰成本c的變化關系。

圖7 蜂群合作水平與作戰成本之間的關系曲線

3.3 中觀因素對蜂群協同行為的影響

在無人機蜂群的中觀層面,主要關注無人機之間的交互行為。在無人機蜂群中,無人機之間的局部通信連接是自組織合作行為涌現的關鍵。在本文構建的無人機蜂群系統中,通信連接分為無人機子群內部的內部連接和子群與子群之間的外部連接。即便兩個無人機子群具有類似的組織結構,如果其內部和外部通信連接關系不同,也將表現出不同的組織特征,進而影響無人機節點之間的合作。本節分析無人機子群內部連接與外部連接對蜂群合作水平的影響。令無人機子群數量M=5,蜂群規模N=100,實驗設置在分別固定內連接數m和外連接數n的前提下,仿真模擬m和n單獨的變化情況對蜂群合作率的影響,結果分別如圖8(a)和圖8(b)所示。

圖8 內部連接和外部連接的相對關系對合作水平的影響

如圖8(a)所示,保持內部連接數m=3不變,通過實驗仿真繪制出當外部連接數n={0,1,2}時,無人機蜂群整體的合作水平曲線圖。從整體情況可以看出,fC(k)|m=3,n=0>fC(k)|m=3,n=1>fC(k)|m=3,n=2,因此在無人機節點內部度(無人機子群內部網絡連通度)固定的條件下提高節點外部度(無人機子群外部網絡連通度),將削弱蜂群整體的合作水平;如圖8(b)所示,保持外部連接數n=1不變,通過實驗仿真繪制出當內部連接數m={1, 3, 4}時無人機蜂群整體的合作水平曲線圖,從整體情況可以看出,fC(k)|m=1,n=1>fC(k)|m=3,n=1>fC(k)|m=4,n=1, 因此在無人機節點外部度固定的條件下提高節點內部度,將削弱蜂群整體的合作水平。

3.4 宏觀因素對蜂群協同行為的影響

圖9 蜂群合作水平與網絡平均度之間的關系曲線

根據實驗結果可知,當網絡平均度k在[2,10]的區間時,隨著網絡平均度的增大,無人機蜂群的合作率明顯下降,即無人機節點之間連接越緊密,就越會抑制蜂群中合作行為的涌現。這是因為伴隨網絡平均度的逐漸增大,網絡的密度隨之提高,導致蜂群網絡中的無人機節點之間連通性的增強,相鄰節點鄰域結構的相似度就會越高,因此各個節點從公共資源池中獲得的收益就會趨近相同。然而在公共物品博弈中,選擇合作策略的節點需要貢獻出自身的資源,而選擇不合作策略的節點則不需要,導致其收益會高于合作者。由于蜂群網絡連通性的增強,無人機節點接觸到不合作節點的概率也會增大,從而導致無人機節點傾向于收益更高的不合作策略。當網絡平均度大于一定閾值時,網絡連通性已經到達極限,此時度的增加對無人機策略選擇的影響力度減弱,因此蜂群協同水平無明顯變化。

4 結論

本文對無人機蜂群中自主協同行為的涌現機理進行了理論分析和數值模擬研究。通過引入計算實驗方法,自下而上地構建了基于演化博弈的無人機蜂群計算實驗模型,為無人機蜂群作戰的協同機制優化提供了策略支持。得到如下主要結論:

1)本文提出的群體智能分析方法為無人機蜂群中合作行為的涌現機理分析提供了行之有效的方法,為無人機蜂群自主協同機制的優化提供了決策支持。

2)在無人機蜂群的作戰網絡,需要根據作戰需要,優化蜂群內外部的通信連接和網絡結構。在保證核心通信需求的前提下盡量減少蜂群網絡中的鏈路數量,增強網絡的魯棒性,促進蜂群自主協同行為的涌現。

3)在未來的工作中,需要繼續完善無人機蜂群計算模型和分析方法,包括在實驗過程中進行更細粒度的控制、找到最佳優化措施等。并且嘗試在數字孿生的基礎上提出虛擬孿生技術的內涵,結合人工智能的先進手段,設計面向無人機蜂群群體智能的虛擬孿生系統框架[30]。