[发明专利]一种基于鸽群智能竞争学习的无人机集群对抗控制方法

说明书

本发明公开一种基于鸽群智能竞争学习的无人机集群对抗控制方法，包括以下实施步骤：步骤一：初始化集群对抗环境设置；步骤二：建立无人机集群对抗运动控制模型；步骤三：建立基于动态博弈论的作战目标分配模型；步骤四：建立无人机集群作战目标分配的代价函数；步骤五：设计基于竞争学习机制的鸽群优化算法；步骤六：输出无人机集群对抗结果；该方法解决了无人机集群对抗中的运动控制和作战目标分配问题，设计成本低、实时性强、稳定性高，具有实际应用价值，提升了无人机集群对抗中的自主能力水平。

技术领域

本发明是一种基于鸽群智能竞争学习的无人机集群对抗控制方法，属于无人机自主控制领域。

背景技术

无人机(Unmanned Aerial Vehicle，UAV)是无人驾驶的飞行器，具有“平台无人，系统有人”的特点，在执行“枯燥、恶劣、危险、纵深”的作战任务时，能发挥具大的优势。由于无人机具有体积小、造价低、战场生存能力强、可以避免人员伤亡等优点，在民事和军事领域都有着广泛应用。但随着作战环境的日益复杂，单无人机由于获取信息量以及装配武器载荷量的不足，难以完成作战任务，因此无人机集群作战样式应运而生。无人机集群通过建立通信网络，可以进行实时的信息交互，实现协同侦查、搜索和打击，能提高无人机集群的作战效能。本发明旨在利用无人机集群对抗模式克服单架无人机对抗的技术缺陷，提出一种稳定快速的无人机集群对抗控制方法，实现无人机集群在未来智能化作战环境下的运动控制和作战目标分配。

面对敌方无人机集群的进攻，目前我方能采取的最有效的战术就是利用无人机集群对敌方无人机集群进行拦截，这必将导致双方无人机集群的缠斗。无人机集群对抗是一个复杂的非线性随机过程，空战对抗态势随着时空不断演化，每个无人机作为一个智能体必须依据不断变化的态势，分析敌方的作战意图，和友机一同进行战术决策，确定攻击目标，最大化对敌杀伤，最小化自身损失。另外，在集群对抗中，无人机个体是战术决策结果的执行者和发出者，通过不断与己方其他个体进行交互，控制自身的运动，实现在攻打敌方目标的过程中和友机的协同和避障，促使对抗过程不断演化。因此，无人机集群对抗控制可以分解为对抗运动控制和作战目标分配两个子过程。

针对作战目标分配，在建模方面，最经典方法是运筹学中的多旅行商(MultipleTravelling Salesman Problem，MTSP)模型和混合整数线性规划(Mixed Integer LinearProgramming，MILP)模型。MTSP模型的缺点是忽略了任务的异构性，没有考虑任务的执行顺序，MILP模型的问题在于仅仅适用于目标少的任务分配问题，并且计算量较大，实时性差。两个模型均不能将对方的作战目标分配考虑进去，不符合实际作战要求。在求解方面，通常分为集中式目标分配求解和分布式目标分配求解。集中式求解方法是通过将目标分配模型转化成代价函数，通过智能优化算法(粒子群优化算法、遗传算法等)进行求解，虽然计算量较大，但是求解精度高，能保证是全局最优解。分布式求解方法中，常见的有一致性理论、对策论、次梯度算法、拍卖算法，其中拍卖算法具有计算复杂性低，运行效率高的优点，被广泛应用于无人机目标分配。

针对集群对抗运动控制，目前研究方法主要有队形可控的编队运动控制和队形不可控的群集运动控制。其中编队运动控制的方法主要分为集中式控制和分布式控制。集中式控制的原理是集群中所有无人机的状态信息汇总至集中控制中心统一处理，常见的方法有虚拟结构法、长-僚机法，当集群规模较大时，整个系统的可靠性较低，鲁棒性、灵活性较差。分布式控制中的决策是由每架无人机自主进行的，常见的方法有人工势场法、和α-β-γ框架法，是一种可靠的集群编队控制方式。编队控制的优点在于编队队形可控，并且能实现突发状况下编队队形的保持和变换，具有一定的环境自适应性，缺点在于需要根据实际作战场景设计针对具体需求的编队形状，并且要对个体间的几何位置关系进行说明，不适用于未知环境下的运动控制。群集运动控制中，通过定义个体间简单的行为规则，可以在避免个体间相互碰撞的前提下，整个群体速度趋于一致，并且实现聚集，比较著名的有Reynolds模型、Viseck模型、Couzin模型和社会力模型。