李士波

摘要：多無人作戰(zhàn)飛機任務分配是無人機協(xié)同控制的一項關鍵技術。綜合無人機后續(xù)攻擊任務和影響無人機作戰(zhàn)效能評估的各種因素，按照分階段分配方法建立了多UCAV任務分配模型，并使用粒子群算法對建立的任務分配模型進行求解，將每個粒子的位置使用兩個多維向量表示，兩個向量分別采用兩種不同方式同時進化。該方法解決了分配模型復雜性帶來的分配難題，取得了良好的分配效果。

關鍵詞：任務分配；協(xié)同控制；無人作戰(zhàn)飛機；粒子群優(yōu)化

DOI：10.11907/rjdk.173133

中圖分類號：TP319

文獻標識碼：A文章編號：1672-7800（2018）007-0193-03

Abstract：Multi-UCAVmissionallocationisthekeytechniqueforcoordinatecontrol.Consideringtheconsequentattackmissionandthemainfactorsthataffectcombatefficiencyassessment，themissionallocationmodelthatbasedondifferentstagesisestablished.Particleswarmoptimizationalgorithmisproposedtosolvetheproblem，eachparticlespositionisexpressedintwomulti-dimensionvectorsandthevectorsevolveindifferentmannerssynchronously，theevolvevalueisusedincostevaluationsubsequently.Thismethodhassolvedtheallocationproblemthatbroughtaboutthecomplexityoftheallocationmodelandreceivedgoodallocationresults.

KeyWords：missionallocation；coordinatecontrol；unmannedcombataerialvehicle；particleswarmoptimization（PSO）

0引言

無人作戰(zhàn)飛機（UnmannedCombatAerialVehicles，UCAV）從事的任務具有很大的危險性和復雜性，因此通常采用多架無人機共同執(zhí)行任務的策略[1-3]。在多架無人機共同執(zhí)行任務過程中，多UCAV任務規(guī)劃技術是實現(xiàn)多無人機協(xié)同控制的關鍵技術[4-6]。因此，多UCAV任務分配技術研究尤其重要。

多無人機任務分配問題是一個多目標組合優(yōu)化問題，即通過一定的分配策略給無人機分配不同的任務。分配原則是在保護無人機的前提下，增大對目標的殺傷概率，避免重復攻擊和遺漏。

多UCAV任務分配問題是研究熱點[7-9]，學者們先后提出了匈牙利算法、線性規(guī)劃法、禁忌搜索方法、市場交易模型等方法，這些方法在分配規(guī)模較大時會導致求解困難，并且往往未能充分考慮影響無人機作戰(zhàn)效能的各種因素和后續(xù)攻擊任務，很難適應動態(tài)復雜環(huán)境下無人機任務分配需求。

本文提出按階段分配的方法建立多UCAV任務分配模型，在建模過程中充分考慮影響無人機作戰(zhàn)效能評估的各種因素，并提出使用粒子群算法對建立的復雜任務分配模型進行求解。該分配方法對無人機數(shù)目和攻擊目標數(shù)目均沒有限制，無人機可先后對多個目標進行攻擊，在分配過程中并不簡單地要求每一架無人機都執(zhí)行攻擊任務，更好地反映了任務分配的實際情況和要求。

1多UCAV任務分配模型建立

在多UCAV任務分配問題中，每架無人機可賦予攻擊多個目標，因此可將多無人機任務分配過程劃分為多個階段，如圖1所示。在每個階段中，選擇一架無人機去攻擊一個目標，在每個分配階段不僅要考慮選擇無人機攻擊目標，還要考慮選擇執(zhí)行攻擊任務的無人機。

無人機任務分配要考慮的因素包括執(zhí)行攻擊任務的次序、無人機對目標殺傷的概率、無人機對抗威脅的能力（生存概率）、攻擊路徑最短等。執(zhí)行攻擊任務的次序指在攻擊目標確定后，為每架無人機首先確定攻擊哪一個目標，之后確定要攻擊的第二目標，依次類推，直至所有攻擊目標均被確定。任務分配目標是使無人機對目標的殺傷概率達到最大而自身的損失最低，并盡可能地使所有無人機攻擊路徑總和最短[10-11]。

式（3）表示在每個階段中只有一架無人機從事攻擊任務，并只對一個目標發(fā)起攻擊。式（4）表示無人機攻擊的目標數(shù)目最多不能超過其自身能力的限制。

2粒子群算法

粒子群算法是Kennedy和Eberhart[12-13]于1995年提出的一種優(yōu)化算法，該算法被證明在優(yōu)化問題方面具有很大潛力。與傳統(tǒng)算法相比，PSO算法有一定的智能性，具有適用范圍廣、搜索能力強、不易陷入局部最優(yōu)等優(yōu)點，在路徑規(guī)劃領域效果非常好[14]。

粒子群算法本質(zhì)是一種基于群體和適應度的優(yōu)化算法[15-16]。在求解優(yōu)化問題時，每個粒子代表問題的一個潛在解。粒子群算法使用適應度函數(shù)評估粒子優(yōu)劣，適應度函數(shù)的大小由粒子的具體位置坐標決定。每個粒子記憶、追隨當前的最優(yōu)粒子，在解空間中搜索。每次迭代過程不完全隨機，如果找到較優(yōu)解，將會以此為依據(jù)尋找下一個解。

每個粒子用3個指標表征：位置、速度、適應度。在進化前，粒子的初始位置和速度根據(jù)問題限制在一定區(qū)間內(nèi)任意取值。粒子在每次迭代過程中需要記憶更新兩個極值。第一個極值是粒子自身歷史上的最優(yōu)位置，另一個極值是整個種群目前的最優(yōu)解。所有粒子通過這兩個極值修正粒子自身的位置，對下一步行為進行調(diào)節(jié)，使之迅速向最優(yōu)值方向收斂。每個粒子在多維空間中不斷改變位置，直到一個相對穩(wěn)定的位置被找到，或者到達設定的進化次數(shù)限制。所有粒子按照下式演化：

Rand1（）函數(shù)和Rand2（）函數(shù)在[0，1]之間產(chǎn)生隨機數(shù)。C1和C2是一個正常數(shù)，作為權重因子。權值ω用于控制粒子以前的速度對現(xiàn)在粒子速度的影響，在一定程度上，該參數(shù)平衡全局和局部粒子搜索能力。

用Vpbest表示粒子過去經(jīng)歷的所有位置中的最好位置時產(chǎn)生的速度矢量，用Vgbest表示在所有粒子中經(jīng)歷的最好位置所產(chǎn)生的速度矢量，繪制粒子自身位置變化原理如圖2所示。

3任務分配問題粒子群算法

針對復雜任務分配模型的粒子群方法需要構造一個2Nt維空間，每個粒子都包含兩個Nt維向量，分別定義為Target和Vehicle向量。Target向量對應于在不同階段所要攻擊的目標，Vehicle向量則對應于不同階段攻擊時所使用的無人機。例如使用3架無人機去打擊5個目標，則某個粒子的位置向量如表1所示。

攻擊過程劃分為5個階段：①序號為3的無人機攻擊目標2；②序號為1的無人機攻擊目標4；③序號為2的無人機攻擊目標3；④序號為3的無人機攻擊目標1；⑤序號為1的無人機攻擊目標5。要保證所有目標均分配給一架無人機攻擊，無人機可使用多次但不能超過其最大攻擊次數(shù)。

在粒子群進化中，Target向量和Vehicle向量采用兩種不同的方式同時進化。由于Target向量代表不同階段要攻擊的目標，每個目標只能攻擊一次，因此Target向量定義為有序整數(shù)數(shù)列：

其進化可通過離散PSO算法進行。Vehicle向量對應于不同階段攻擊時使用的無人機，將其定義為序列Y=（u1，u2…uNv），ui∈U。

Vehicle向量與Target向量的區(qū)別在于Vehicle向量允許重復，并且有最大攻擊目標數(shù)的限制。因此，Vehicle向量的進化采用標準PSO算法變形，實現(xiàn)方法及過程如下：

（1）每個粒子的位置中Vehicle向量的每一維隨機取1-Nv（目標數(shù)）之間的整數(shù)，其中1-Nv代表無人機序號。

（2）為了保證滿足約束條件（4），考察生成的序列，若Vehicle向量中某個無人機的序號出現(xiàn)次數(shù)超過無人機最大攻擊的目標數(shù)目，則重新生成該向量，直到滿足約束條件為止。

（3）與Vehicle向量相對應的速度向量V2為-（Nv-1）～（Nv-1）之間任意值。

（4）結合Target向量，按照代價評估函數(shù)（2）計算個體歷史最優(yōu)解和群體全局最優(yōu)解。

（5）按照速度更新公式和位置更新公式計算Y和V2，對Y取整，當Y和V2超過邊界限制時按邊界取值。若更新后某個粒子的位置Y不滿足約束條件（4），則恢復更新前的原值。

（6）重復執(zhí)行步驟（4）和步驟（5），直到滿足終止條件或達到最大迭代次數(shù)。

4任務分配問題仿真實現(xiàn)

例：若使用3架無人機去攻擊5個目標，無人機當前位置和目標位置已知，如圖3所示。

其中□代表無人機，◇代表目標，無人機攻擊每個目標的殺傷概率、生存概率以及目標價值如表2、表3所示，最大攻擊目標數(shù)目Nmax為3。

按照式（2）給出的任務分配模型進行建模，將模型中的各參數(shù)分別取值為Nt=Ns=5，Nu=3，加權系數(shù)w1=w2=w3=1/5，即將各個子目標賦予相同的重要程度。分配過程使用PSO算法，使分配代價按照評估函數(shù)計算達到最大值。

5結語

本文采用分階段分配方法建立無人機任務分配模型，該模型充分考慮了無人機對目標的殺傷概率、目標對抗威脅能力和攻擊路徑長度等重要戰(zhàn)術指標，并考慮了無人機對后續(xù)目標的攻擊任務。建立的復雜任務分配模型使用粒子群算法求解，將每個粒子的位置使用兩個多維向量表示，兩個向量采用兩種不同方式同時進化。仿真結果證明了該方法的可行性，本文提出的建模方法和分配算法可直接應用到多無人機自主控制體系中。

參考文獻：

[1]劉重，高曉光，符小衛(wèi)，等.未知環(huán)境下異構多無人機協(xié)同搜索打擊中的聯(lián)盟組建[J].兵工學報，2015（12）：2284-2297.

[2]龍濤，沈林成，朱華勇.面向協(xié)同任務的多UCAV分布式任務分配與協(xié)調(diào)技術[J].自動化學報，2007（7）：731-737.

[3]曹文靜，徐勝紅.多無人機協(xié)同方法研究[J].飛航導彈，2007（1）：44-48.

[4]肖作林，田鴻堂，秦楓.多UCAV協(xié)同任務規(guī)劃技術研究[J].戰(zhàn)術導彈技術，2013（6）：53-57.

[5]張紅，盧廣山，朱榮剛.無人作戰(zhàn)飛機任務系統(tǒng)技術研究[J].電光與控制，2006（1）：55-59.

[6]邸斌，周銳，丁全心.多無人機分布式協(xié)同異構任務分配[J].控制與決策，2013（2）：274-278.

[7]閔桂龍，端木京順，張冰，等.軍事后勤中的多目標無人機任務規(guī)劃[J].計算機仿真，2016（3）：85-89.

[8]TAKENOT，TSUJIMURAY，YAMAZAKIG.Asingle-phasemethodbasedonevolutioncalculationforvehicleroutingproblem[C].ConferenceofComputationalIntelligenceandMultimediaApplications，2001：103-107.

[9]UCHIMURAK，SAKAGUCHIH，NAKASHIMAT.Geneticalgorithmsforvehicleroutingproblemindeliverysystem[C].Yokohama：VehicleNavigationandInformationSystemsConference，1994.

[10]TANK，LEEL，ZHUQ，etal.Heuristicmethodsforvehicleroutingproblemwithtimewindows[J].ArtificialIntelligenceinEngineering，2001，15（3）：281-295.

[11]葉媛媛，閔春平，朱華勇，等基于整數(shù)規(guī)劃的多任務分配問題研究[J].信息與控制，2005，34（5）：548-552.

[12]EBERHARTRC，KENNEDYJ.ANewOptimizerusingparticleswarmtheory[C].Proceedingofthe6thInternationalSymposiumMicroMachineandHumanScience，1995：39-43.

[13]KENNEDYJ，EBERHARTRC.Particleswarmoptimization[C].ProceedingsofIEEEInternationalConferenceonNeutralNetwork，1995：1942-1948.

[14]張建南，劉以安，王剛.基于優(yōu)化粒子群算法的無人機航路規(guī)劃[J].傳感器與微系統(tǒng)，2017（3）：1-4.

[15]吳曉軍，楊戰(zhàn)中，趙明.均勻搜索粒子群算法[J].電子學報，2011（6）：1261-1266.

[16]王東風，孟麗，趙文杰.基于自適應搜索中心的骨干粒子群算法[J].計算機學報，2016（12）：2652-2667.

（責任編輯：杜能鋼）