无人机集群自组织搜索仿真模型设计与实现

城市威胁背景下无人机集群自组织搜索移动目标问题，是无人机集群作战应用的一个重要发展方向。采用基于Agent的复杂系统建模仿真工具，构建了无人机集群搜索仿真模型框架，设计实现了无人机集群自组织搜索模型。在考虑无人机集群作战可能受到威胁的背景下，展示了无人机集群自组织搜索概念，探索了使用基于概率的有限状态机模型实现集群自主决策的解决方案，并通过案例进行了分析验证。该仿真模型为无人机集群作战应用研究提供了参考案例、模型支撑和实验平台。     

无人机集群网电攻击行动协同目标分配建模

以一体化综合防空系统中的雷达为作战对象,从体系对抗的高度研究了无人机集群网电攻击行动协同目标分配的思路与方法,并以目标重分配规则与有人机/无人机协同规则为重点构建了基于协同目标分配规则的协同目标分配模型。然后研究了基于智能优化算法的协同目标分配模型求解方法,运用混合离散粒子群优化算法模拟有人机目标分配,运用基于协议规则算法模拟无人机目标分配。最后进行了仿真实验测试,实验结果证明了协同目标分配模型的有效性,并反映了集群自组网状态对于集群作战效能的重大影响,为无人机集群以及反无人机集群的战法设计提供定量依据。     

无人机集群对地作战任务可靠性评估

针对无人机(unmanned aerial vehicle, UAV)集群执行对地攻击任务可靠性评估问题,考虑实际作战环境和任务规划,建立了一种适用于具体任务过程的可靠性评估方法。首先,建立了UAV集群作战的时态异构网络模型,用时态打击链模拟UAV集群任务规划和协同作战过程。然后,基于连续时间马尔可夫链(continuous-time Markov chain, CTMC)建立了UAV集群在威胁区域飞行的生存概率模型。进而,综合UAV集群的作战能力和生存概率,提出了任务可靠性评估方法。最后,通过实例分析,验证了该模型的实用性和合理性。该模型考虑到各方面影响战果的因素,贴合实际,为UAV集群任务可靠性评估和决策提供了参考。     

考虑韧性的无人机集群自组织区域覆盖方法

为提高无人机集群执行自组织区域覆盖任务成功率,提出一种基于个体相互作用力、边界排斥力、重点区域吸引力3种虚拟力的分布式自组织覆盖算法。在此基础上,进一步考虑无人机个体自身故障或毁伤等失效的影响,将集群韧性指标纳入到覆盖关键阈值调节机制中。仿真实验结果表明,该方法能有效使无人机集群对目标区域及重点区域进行覆盖,且能在集群发生故障或遭受毁伤后迅速进行自组织恢复,获得较高的任务成功率。     

无人机集群规避动态障碍物的分布式队形控制

本文研究了无人机集群躲避动态障碍物下的队形控制问题。首先, 引入针对动态障碍物的碰撞预判机制判断集群是否需要对障碍物进行规避。其次, 在动态障碍物与无人机间构造斥力场实现避障。最后, 根据一致性理论设计基于集群各无人机之间、无人机与虚拟领导者之间的位置、速度一致性控制律, 结合人工势场法实现躲避动态障碍物下集群队形的形成与保持。仿真结果表明, 集群无人机能够在以分布式方式躲避动态障碍物的同时实现队形的形成、保持与重构。     

基于视野和速度引导的无人机集群避障算法

在未来的多无人机(unmanned aerial vehicle, UAV)空中作战中,无人机集群在未知空域中安全飞行是集群研究中的重要内容。针对无人机集群避障以及集群形态保持问题,提出了一种基于视野和速度引导(visual field and velocity guidance, VFVG)的集群避撞算法。基于视野法设计集群自适应通讯拓扑机制,结合远吸近斥势力原则及一致性方法,在保持集群形态的同时,加速了集群无人机个体间的避障信息的传递。在此基础上,提出将极限环与人工势场法相结合构造避障速度引导项,解决了集群遇障分群困难、避障徘徊停滞等问题。引入避障时间指标,验证了算法的避障效率。仿真结果表明,该方法能够使多无人机以良好的集群形态安全快速平稳地通过复杂障碍区域,有效提高了集群避障成功率和避障效率。     

复杂环境中多无人机协同侦察的任务分配方法

现有多无人机协同规划方法往往将航迹规划与任务分配拆开单独解决,导致在复杂环境下协同方案并不是最佳。建立多无人机协同侦察异构目标的代价矩阵,针对复杂环境中多种障碍约束和无人机运动及航迹特点,以改进的PSO-AFSA (Particle Swarm Optimization-Artificial Fish Swarms Algorithm)求解单无人机航迹规划模型,利用匈牙利算法完成各架无人机侦察任务协同分配。仿真结果表明：该算法能使单无人机航程更短且航迹更光滑的同时,实现与任务协同分配紧耦合,使无人机集群总航程的全局总代价最低,提高了任务分配合理性。     

基于联盟的无人机集群编队控制方法

针对切换拓扑结构下的集群编队控制问题,设计只需个别无人机获取虚拟长机信息也能保证集群连通性的编队控制算法。当队形变换或部分通讯网络故障导致网络拓扑结构发生改变时,以距离为原则对集群进行联盟划分,各联盟内部成员以信息浓度大小为标准同其他成员进行竞争,由信息浓度最大的无人机获取虚拟长机信息,其联盟成员通过与该无人机通讯间接获取虚拟长机信息。该算法使得每架无人机在任意时刻都能直接或间接地获取虚拟长机信息。引入集群对虚拟长机的反馈机制,与传统反馈算法不同的是,本文中反馈无人机的数量和组成成员都是变化的,从而提高了系统的收敛速度和鲁棒性。在此基础上进一步讨论编队的损伤问题,设计了一种基于分层的分布式递归自修复算法,解决了网络分裂状态下的自修复及修复后队形变化过大的问题。仿真结果表明了所建模型的合理性和求解方法的有效性。     

基于面向服务的通用任务规划仿真集成方法研究

采用基于Service oriented architecture(SOA)的集成框架实现了仿真环境中无人机系统的通用任务规划模块功能的集成.给出了具有系统之系统特点的多无人机综合仿真环境UAVSSE体系结构设计和多层次集成方法.将任务规划功能模决抽象为任务规划服务,基于Web Services技术实现通用的任务规划服务封装.利用注册、发现和绑定机制,任务规划功能能够动态地集成进仿真运行,并能为多架无人机和多个地面系统的仿真提供任务规划服务.通过综合仿真环境中的原型系统验证了相关技术,结果表明基于面向服务方法的任务规划集成能够为多UAV仿真环境提供有效的任务规划功能集成,弥补了HLA在构建动态"系统之系统"仿真中的不足,并能为未来的仿真系统和真实UAV一体化运行提供借鉴.     

基于态势演化博弈的无人机集群动态攻防

针对无人机集群动态攻防问题,提出了态势演化博弈模型。首先,从基地与守方无人机集群相互作用以及攻防双方动态斗争角度出发,构建了攻方无人机与守方无人机的态势演化博弈模型。其次,设计了同态势演化博弈模型相对应的态势评估函数,使每阶段个体的策略选择都为该阶段的最优解。然后,根据策略选择,结合社会力模型,驱动无人机向指定目标运动,完成攻防双方无人机集群的动态对抗。实验结果表明,无人机集群的动态运动符合空战情况,验证了基地在具备功能时的优越性,以及设计的态势演化博弈模型能够实现无人机集群对抗决策的自适应选择。     

基于景象匹配的航摄影像二维定位方法

针对目前无人机基于景象匹配对目标定位精度低与速度慢,以及依赖任务设备的问题,提出了一种基于景象匹配的航摄影像二维定位方法。首先进行任务规划,来获取某固定区域的航摄影像。然后基于特征匹配算法来完成景象匹配。最后提出坐标解算及底图生成方法,来实现航摄影像二维定位。实验结果表明该方法提高了定位精度与速度,减小了对任务设备的依赖。因此,所提方法是一种有效的基于景象匹配的目标定位方法。     

多UCAV协同目标分配算法研究

针对多无人作战飞机(unmanned combat aerial vehicle, UCAV)协同目标分配问题,提出了一种基于离散粒子群算法的多UCAV协同目标分配方法。根据多UCAV协同目标分配问题的特点,建立了粒子与实际问题间的映射,设计了新的粒子群位置和速度更新公式,并且对标准粒子群算法作了改进。充分利用粒子群优化算法的全局搜索能力,有效地解决多约束条件下多UCAV协同目标分配问题。仿真结果表明,离散粒子群算法能够稳定快速地找到较优分配方案,并且算法简单、灵活。     

基于TDOA的无人机集群协同单目标定位

无源定位作为现代信息化战场中电子侦察的重要技术, 可以在自身不辐射电磁波的情况下实现对敌方目标的精确定位。以高灵活性、高安全性的无人机(unmanned aerial vehicle, UAV)集群为接收站, 研究基于到达时差测量的辐射源定位方法。作为高机动平台, UAV集群的位置误差更大, 基于该情况对Chan算法、Taylor算法进行改进, 并提出了一种粒子群泰勒协同的解算方法。与其他方法的定位结果进行对比, 仿真结果表明所提的方法定位精度接近克拉美罗下界(Cramer-Rao lower bound, CRLB), 解决了Taylor算法的初值问题。     

有限干预下的UAV低空突防航迹规划

低空突防航迹规划是实现有人机和无人机（unmanned aerial vehicle, UAV）编队协同作战的关键技术,针对目前智能算法在求解低空突防航迹规划问题中存在的不足,充分发挥人脑这个超级智能系统来引导飞行航迹求解过程,将基于角度量编码的小生境伪并行自适应遗传算法（niche adaptive pseudo parallel genetic algorithm, NAPPGA）和人有限干预情况下的智能决策结合起来,提出UAV低空突防航迹规划技术。通过大量仿真计算,结果表明,应用该技术预规划和重规划的三维航迹能够有效实现威胁回避、地形回避和地形跟随,满足UAV低空突防要求,具有一定的实用性。     

基于MPC的无人机航迹跟踪控制器设计

针对固定翼无人机航迹跟踪问题,采用基于状态扩展的双反馈模型预测控制理论对控制器进行设计。首先推导基于侧向偏差的无人机侧向航迹跟踪模型,采用动态逆方法对模型进行线性化处理,在此基础上设计基于状态扩展的双反馈模型预测控制器,并采用量子粒子群优化(quantum particle swarm optimization, QPSO)算法对控制器参数进行优化,考虑无人机飞行过程中受到的未知干扰,引入扩张状态观测器(extended states observer, ESO)对干扰进行观测,进一步提高系统的鲁棒性,并结合实际工程应用对系统进行数学仿真。仿真结果表明,基于状态扩展双反馈模型预测控制的无人机侧向航迹跟踪控制器,能够在系统存在模型不确定性与受到动态干扰时对期望航迹进行准确、稳定的跟踪。     

面向多无人机协同对地攻击的双层任务规划方法

无人机(unmanned aerial vehicles, UAVs)的任务规划包含任务分配、执行顺序确定以及航迹优化等。为了达到任务规划的全局最优,需要全盘梳理任务的各个方面,提出高效的优化策略。综合考虑任务规划过程中任务分配、执行顺序确定以及航迹优化等方面的需求和相互间影响,首先从优化框架出发, 设计了双层互耦的任务规划求解策略, 而后将任务规划模型分为上层任务分配和下层任务序列优化, 并对每一层的优化方法和优化步骤进行了详细设计。在任务分配问题中, 基于模拟退火算法, 提出了可跳出局部最优的模拟退火-撒点(simulated-annealing-shooting, SAS)算法, 并详细探讨了算法参数的设计原则。最后通过仿真分析, 验证了所提出的规划框架和SAS优化算法的有效性。     

基于机群关系特征的多机协同作战任务分配

本文研究多机协同作战的任务分配问题。首先,根据不同飞机种类的特点提出了任务适应度概念,用以描述不同任务场景下各机种执行该任务的相对优劣程度。其次,根据同一机群内和不同机群间的飞机单元执行同一任务时的相互关系,提出了关系特征函数,用以描述执行同一任务时其他执行单元对自身效能的影响。再次,针对某一任务需要多架飞机单元共同完成的实战需求,设计了考虑任务适应度和机群关系特征的全局收益指标,并通过求解最优化问题实现了多机种协同作战收益最大化。最后,针对典型的多机协同作战场景,给定任务需求后进行求解,得到了任务分配结果。结果表明,所提出的方法能够充分利用不同机种的各自优势及机群内外成员关系提高全局收益,对多机协同作战任务分配问题具有重要的意义。     

无人机蜂群电磁作战概念仿真

首先，提出了基于四环聚焦的无人机(unmanned aerial vehicle, UAV)蜂群电磁作战概念设计框架,并以彻底毁瘫防空体系为作战目标,设计“蜂刺”作战概念及“雷电蜂”作战行动。然后,面向体系对抗仿真的需求,提出了UAV蜂群电磁作战行动实体蜂群行为网络化交互(enity swarm behavior networked-interaction, ESBNI)建模框架,并研究了基于分层描述的UAV蜂群力量实体建模方法,以及基于行为规则的UAV蜂群电磁行为建模方法。再次,依托UAV蜂群电磁作战仿真原型(electromagnetic swarm operation simulation, ESS)系统,开展了“雷电蜂”作战行动的演示。最后,通过多案比对探索性仿真的方法,评估了联合作战背景下的UAV蜂群电磁作战效能,并验证了该作战概念的合理性、有效性。     

基于威胁等效和改进PSO算法的UCAV实时航路规划方法

为解决无人战斗机（unmanned combat aerial vehicle, UCAV）实时航路规划问题,通过对各种威胁等效为雷达威胁,威胁分级和每级分层次的处理方法,得到每个威胁的击毁和击伤作用距离。建立UCAV简易的二维模型,利用其飞行姿态与雷达散射截面积(radar cross section, RCS)之间的关系,得出以探测概率为基础的威胁代价函数。最后运用自适应Meta Lamarckian学习策略的粒子群优化(particle swarm optimization, PSO)算法对方法进行实时性仿真测试,结果表明此方法的有效性。     

基于粒子群算法的无人机舰机协同任务规划

无人机舰机协同任务规划技术是指充分利用无人机与舰艇的优势互补,协同进行作战任务规划的新技术,它是无人机任务规划问题的研究新热点,对于提升海军海上作战能力具有重要意义。针对该问题提出了相应的数学模型,并利用自适应的粒子群算法(self adaptive particle swarm optimization, APSO)进行了求解,该算法能够自适应调整粒子群的惯性权重,更好的防止粒子群陷入局部最优。实验表明,在给定的实验样本中APSO相对于标准粒子群算法和带有压缩因子的粒子群算法能更有效的求解。