基于改进的多目标量子行为粒子群优化算法的多无人机协同任务分配

为在给定的时间内以最小代价和最大效益完成任务,建立了多无人机协同任务分配问题的多目标优化模型.采用改进的多目标量子行为粒子群优化算法求解最优任务分配方案,定义了一种从所求候选方案中选取最优分配方案的自主选择准则.对比分析多目标粒子群优化、多目标进化算法和该文算法所求的最优分配方案.仿真结果表明该文算法能够较快地求解问题,而且所求最优任务分配方案的性能优于其它三种算法.     

基于协同效能的反导作战任务分配模型

提出了一种基于效能最优的多个反导武器系统协同反导作战任务分配模型。阐明了任务分配与目标分配的关系,给出了任务生成原理,建立了考虑任务分配均匀性和一致性的静态任务分配优化模型;为建模方案之间的协同约束,定义了基本效能、自协同效能和互协同效能;基于粒子群优化算法进行了求解。仿真结果表明:建立的模型和方法适用于静态任务分配问题,所得结果合理有效,能够反映出任务协同在多个反导武器系统协同反导任务中的优势。     

基于PSO算法的多巡飞器任务分配方法

为使多个巡飞器协同完成针对地面多个目标攻击任务,从巡飞器载荷较小的特点出发,基于PSO算法对其任务分配方法进行了研究.根据巡飞器两种任务介入方式的不同,分别建立了布撒方式任务分配问题模型以及陆基发射方式任务分配问题模型.根据模型的复杂程度,分别选择使用基本PSO全局优化算法以及考虑资源消耗情况下对PSO整数规划算法进行改进后的算法,求解两种任务分配问题.仿真结果表明,算法可解决任务分配问题,任务分配方法合理,适应巡飞器协同需求.     

UCAV协同攻击多目标的任务分配技术研究

为解决单目标函数构建的任务分配模型不能给火控决策者提供更多有用信息的问题, 将无人机（UCAV： Unmanned Combat Aerial Vehicle）损耗代价和目标毁伤价值作为UCAV协同攻击任务分配的两个目标函数, 对其进行多目标优化, 建立新型任务分配模型。在此基础上, 采用一种改进带精英策略的快速非支配排序遗传算法(NSGAII: )进行求解, 得到多目标协同攻击任务分配的Pareto最优解集, 然后根据决策者的偏好选取最佳的任务分配方案。最后通过仿真算例, 验证了该算法的收敛性及有效性。     

城市环境下的异构多无人机层次化任务分配

针对多无人机应用于城市环境问题,设计了一种MUAV与SUAV层次化任务分配方案,并分析了MUAV对SUAV执行目标任务成功率的影响,将影响因子加入目标函数,提出了一种无人机探测范围内的层次化任务分配模型.采用连续粒子群(PSO)算法对问题进行求解,通过加入惯性权重的凹函数递减策略与将人工蜂群(ABC)算法引入到粒子群迭代环节,较好地解决粒子群算法易陷入局部最优的问题,同时提高算法收敛速度.仿真结果表明所提出的模型可以较好地解决城市环境下的多无人机层次化任务分配问题.     

基于多目标MQABC算法的无人机协同任务分配

针对多无人机协同任务分配问题经过单目标简化后对决策处理存在片面性和主观性等问题,提出了一种利用多目标自适应快速人工蜂群算法对其进行处理的方法.首先,建立多目标无人机协同任务分配模型;其次通过建立外部种群的约束处理技术及重置Harmonic平均距离循环策略对自适应快速人工蜂群算法(ABCSGQ)进行改进.另外通过定义自主决策准则引导多目标任务分配的方案选取.仿真实验结果表明:相比于多目标人工蜂群算法及非支配排序遗传算法,改进算法具有较好的分布性、收敛性及更高效的求解能力.     

一种多UAV混合动态任务分配方法

该文研究了战场环境下突发新任务的多无人机(UAV)动态任务分配问题,围绕任务分配过程中的时间复杂度和通信复杂度要求,在对任务及无人机分组的基础上,建立了无人机及无人机组执行任务的状态信息描述模型。提出了一种多UAV混合动态任务分配方法,将原问题分解为分组级任务分配和组内成员级任务分配两个层次,分别采用改进的粒子群改进鱼群算法(PSO-FSA)和分布式拍卖算法进行求解。仿真实验表明,该文方法能够降低任务分配问题求解的规模,具有低时间复杂度和低通信复杂度的特点,是一种有效的动态任务分配方法。     

多无人机模糊态势的分布式协同空战决策

针对不确定环境下的多无人机协同攻击多目标的空战问题给出了一种分析方法.首先通过分析不确定环境下的无人机空战态势,建立了多无人机模糊态势的任务分配模型.然后提出了异步一致性拍卖算法,将目标收益作为竞标的依据,给出了不确定环境下的多无人机协同攻击多目标的分布式空战决策方法.仿真结果表明,该算法在双方机群较大时能够实现快速收敛,提高了空战效率与资源利用率,且具有良好的稳定性和可扩展性.     

多无人机协同机场驱鸟任务分配

为解决传统机场驱鸟效率不高的问题,将多无人机协同技术引入该领域,基于自创的“伏击法”的驱鸟策略完成任务规划建模,并设计了一种基于遗传算法的任务分配方法。分别引入了推理树分析法和模糊逻辑分析法对参数进行优化选择,评价鸟击威胁和无人机拦截效率这两个任务规划的前置条件。设计了多个约束条件以保证任务规划的实际效果,并基于比例导引制导律对无人机执行任务时间进行估计。仿真实例表明,该方法在多个约束条件和同时面临多个鸟类目标的条件下,能有效完成多无人机协同驱鸟任务分配工作。     

异构型无人机群体并行任务分配算法

异构型无人机(UAV)群体任务分配机制起着至关重要的作用,分析了并行任务分配的特点,以时间消耗最短为优化目标,建立了整数线性规划的任务优化分配模型。对基本遗传算法进行了改进,提出了有效降低算法复杂度的编码方案,建立了相应的适应度函数,改进了现有遗传算法的变异策略。仿真案例表明该算法具有较强的寻优能力,能够有效地完成异构型群体UAV的并行任务分配。     

基于狼群角色匹配C-劳动分工机制的无人机集群空战策略

针对无人机集群在空战任务中的角色动态切换问题，提出了受狼群启发的无人机集群空战角色匹配C-任务分工方法，提高了应对复杂空战环境的动态任务执行能力。首先，通过分析狼群围捕行为特性，得到三种狼群个体特性，进而给出狼群角色匹配C-劳动分工模型。然后，基于无人机集群和狼群在行为机制上的相似性，将狼群的分工机制映射到无人机集群中，提出了无人机集群角色匹配C-任务分工模型。最后，针对不同任务分工下的目标分配问题，分别建立了攻击和制导任务的目标分配模型。仿真表明所提出的角色匹配C-任务分工方法能够有效解决空战角色动态切换问题，提高了整体空战能力。     

基于博弈论的多机器人任务分配算法

为了寻找一种合理有效的多机器人任务分配算法，基于多机器人协作救火任务环境，以博弈论纳什均衡为基础，研究多机器人的任务分配问题。根据任务模型特点和纳什均衡的主要特征提出了一种基于博弈论的任务分配算法。博弈的效用函数同时考虑了距离、火势和燃烧时间等因素，机器人根据此效用函数选择行为策略，促使机器人尽快扑灭惩罚值较大的火灾而获得较大的奖励值。利用任务总收益函数值的大小评价算法的优劣性。收益函数与火势、燃烧时间和机器人扑灭火灾数有关，这切合实际救火模型。实验结果证明了该任务分配算法的有效性。     

基于改进DPSO非退出故障下多无人机任务规划

针对非退出故障下多无人机协同任务规划问题，提出了一种基于混合策略改进的离散粒子群算法。该方法首先采用Sobol序列进行种群初始化，提高解空间的覆盖率；然后，提出非线性时变策略，加快算法的收敛速度；并引入柯西算子,增强离散粒子群算法的搜索空间；同时，还提出自适应交叉学习策略，丰富种群多样性，进而提升算法的全局寻优能力。综合改进的离散粒子群算法不仅加快了收敛速度，并且解的最优性也得到了提高。此外，运用三次样条插值算法进行无人机航迹规划，最后，将改进算法在三维空间中进行无人机故障前后的对比仿真实验，结果表明所设计的算法具有显著的寻优有效性，为部分无人机发生轻微故障后，多机协同执行任务规划的问题提供了理论依据。     

基于MM YOLOv4的无人机目标检测算法

针对当前无人机目标图像检测方法精度较低和检测速度过慢的问题,提出一种结合轻量级网络和改进多尺度结构的目标检测算法。首先采用MobileNetV3轻量级网络替换YOLOv4的主干网络,减少模型复杂度,提升检测速度;其次,引入改进多尺度结构的PANet网络,增强高维图像特征和低维定位特征的流动叠加,提升对小目标的分类和定位精度;最后,利用K means方法对目标锚框进行参数优化,提升检测效率。同时结合公开数据集和自主拍摄方式构建一个新的无人机目标图像数据集Drone dataset,并基于数据增强的方法开展算法性能实验。实验结果表明,该算法的mAP达到了91.58%,FPS达到了55帧/s,参数量为44.39 M仅是YOLOv4算法的1/6,优于主流的SSD、YOLO系列算法和Faster R CNN算法,实现了对多尺度无人机目标的快速检测。     

基于EKF的无人机飞行控制系统故障检测

无人机飞行控制系统是一种典型的多传感器闭环控制系统,其执行机构与传感器故障会严重影响系统的安全性与可靠性,针对无人机飞行控制系统故障检测问题的研究具有重要的意义.本文考虑了一类无人机闭环非线性飞行控制系统的故障检测问题,针对风扰动影响下无人机纵向非线性系统模型,设计基于扩展卡尔曼滤波器的残差产生器,并应用χ2检验对残差进行评价,实现无人机闭环控制系统的故障检测.同时,基于某型无人机Simulink仿真平台进行仿真实验.结果表明,所提出的方法能够实现空速管堵塞故障和升降舵部分失效故障的检测.     

深度卷积网络多目标无人机信号检测方法

现有无人机的感知识别方法多采用视觉探测,易受限于探测距离和周围建筑物遮挡及不良天气能见度等诸多因素的影响.针对这一问题提出一种利用深度卷积神经网络开展无人机链路感知识别的算法,构建多模式多类型无人机的RF信号训练数据集,并给出卷积神经网络详细设计及优化方法步骤.实测结果表明:所提深度算法不仅可以实现多类型的无人机入侵识别,还可以进一步对其型号和飞行模式进行区分.在-20 dB的低信噪比条件下,对无人机批次识别率为96.8％(6类),飞行模式的识别率可达94.4％(12类),具有很强的应用前景.     

一种多无人机层次化任务分配方法

针对大规模任务分配问题,为了提高任务分配的效率和合理性,提出了基于任务依赖关系和ISODATA算法相结合的任务分组方法。在任务分组基础上,从无人机负载均衡的角度出发,提出了基于资源福利的任务组级粗粒度任务分配方法,结合粒子群算法提出了任务组内的细粒度任务分配算法。通过实验仿真验证所提方法有效,且性能和灵活性较普通任务分配算法有较大的优势。     

基于虚拟力的三维部署技术研究

为了能够实现在复杂多变的环境中执行对未知目标体的探测任务,提出了一种基于虚拟力的在三维空间中的对复杂目标进行精确覆盖的部署算法。首先将虚拟力算法从二维空间拓展到三维空间,创新地提出了自适应中心引力和目标斥力网的概念,使传感器节点能够根据探测目标形态的不同,自主进行调整部署形态,自适应地覆盖未知目标进行有针对性的探测任务。在仿真试验中,实现了对不同形态的复杂目标进行精确覆盖,并且与传统的虚拟力算法相比,覆盖率和均衡度都有较大提升。因此算法能在针对复杂的未知目标进行探测时,以较小的代价高效地完成探测任务,提出了一个从区域覆盖部署到目标精确覆盖部署的新型的研究方向。     

面向多机协同的Att-MADDPG围捕控制方法设计

多无人机对动态目标的围捕是无人机集群作战中的重要问题.针对面向动态目标的集群围捕问题,通过分析基于MADDPG算法的围捕机制的不足,借鉴Google机器翻译团队使用的注意力机制,将注意力机制引入围捕过程,设计基于注意力机制的协同围捕策略,构建了相应的围捕算法.基于AC框架对MAD-DPG进行改进,首先,在Critic网络加入Attention模块,依据不同注意力权重对所有围捕无人机进行信息处理;然后,在Actor网络加入Attention模块,促使其他无人机进行协同围捕.仿真实验表明,Att-MAD-DPG算法较MADDPG算法的训练稳定性提高8.9％,任务完成耗时减少19.12％,经学习后的围捕无人机通过协作配合使集群涌现出更具智能化围捕行为.     

针对逃逸目标的多机协同围捕策略研究

针对多无人机对入侵飞行器的协同追踪围捕控制问题,将自然界中生物群落在捕捉猎物时展现的逃逸-围捕策略引入到多无人机协同作战研究中,设计了一种多无人机协同围捕逃逸目标策略。该策略由2个阶段组成,第1阶段使用基于动态反馈线性化的控制方法准确跟踪逃逸目标,第2阶段使用李雅普诺夫矢量场方法。该方法可以保障多无人机在围捕飞行中躲避敌方防空力量、雷达探测等危险区域。仿真结果验证了所设计的策略在多无人机围捕和阻止目标逃逸场景中的可行性与有效性。