摘要无人机技术经过不断发展，面对高度对抗、高度动态的战场环境，无人机作战方式已逐渐由单一平台向多平台“群”作战方向发展。无人机被运用最多的还是侦察探测，而群体智能算法具有的分布性和自组织的特点与实现无人机集群协调自主控制的要求相符合，因此，越来越多的群体智能算法被运用在无人机协同探测领域，本文总结了近年来最成熟的两个群体智能算法在该领域的应用。

　　近年来，无论是民用还是军事领域，无人机集群技术都引起了广泛关注。在民用领域，无人机集群可用于灾害搜索救援、地形测绘航空制图、农药喷洒等方面[1]；在军事领域，无人机集群数量大、体积小、造价低等特点使得无人集群作战成为各国关注、研究的重点，其应用形式可分为：渗透侦察、诱骗PG电子游戏科技干扰、察打一体及协同攻击。

　　美国致力于打造无人自主集群系统，力争其在军事方面的领先地位。美国国防部将无人机自主控制等级可分为10级，包括单机自主、多机自主和集群自主三个层面。2016年，美国空军发布了《小型无人机系统飞行规划(2016—2036)》，从战略层面肯定了小型无人机系统的前景和价值；2018年，美国国防部发布了《无人系统综合路线)》，强调了自主性对于加速无人系统领域进步的重要作用，是重要的力量倍增器，将彻底改变作战概念[2]。

　　在军事需求的牵引下，美军空中智能集群作战技术不断取得突破。2015年4月,美国海军公布了低成本无人机集群技术项目进行的一系列集群无人机技术验证工作。2016年4月,LOCUST项目完成了30架“郊狼”无人机连续发射并编组飞行的试验，30架无人机被相继发射，每架飞机都在发射后成功展开机翼飞行。无人机可装备多种有效载荷，可以让有人机和传统武器系统执行其它任务,是降低作战人员风险的战斗力倍增器。

　　美国国防部战略能力办公室(SCO)目前正在积极研发蜂群微型无人机技术，旨在通过F-16等有人机释放“山鹑”(Perdix)微型无人机群以执行态势感知、情报侦察和电子干扰等任务。2016年10月,SCO成功完成了一次大规模的微型无人机蜂群演示。在演示中,3架“超级大黄蜂”战斗机一共投放了103架“山鹑”无人机。美国国防部宣称,无人机并未预编程,而是共享一个分布式大脑,这使得它们能够适应编队,同时也与多个指挥站通信。

　　2015年5月,美海军研究实验室展示了一种可用于集群作战的微型无人机——CICADA(缩写意为“蝉”)。相比其它无人机,“蝉”不仅坚固耐用,而且尺寸更小、成本更低、结构更简单,可装备多种轻型传感器。“蝉”可通过飞机、气球或大型无人机释放,并能在释放后滑翔至预定目标。“蝉”不装备动力推进系统,能够像鸟一样几乎无声地滑翔,不易被敌方觉察,适合以集群方式执行任务。

　　为提高小规模作战部队在城市环境作战的有效性,DARPA于2016年12月发布了进攻性集群使能战术(OFFSET)项目,旨在开发并演示验证100多个作战相关的集群战术,应用于无人机和地面无人车辆集群。该项目将加速美军对无人集群战术关键使能技术的理解,搭建开放式系统架构和测试平台[3]。

　　单架无人机往往受限于体积及飞行时间，集群可有效解决这些限制，而对于集群飞行中的任务分配、协同控制也是目前研究的热点。自然界中集群行为是一种普遍存在的现象，如蚁群觅食、蜜蜂采蜜、鸟群迁徙等。对于这些群体，每个个体的行动、感知能力有限，个体之间遵循简单的规则，但通过分工协作，却完成了复杂的群体行为。受到这些行为的启发，群体智能（SwarmIntelligence，SI）吸引了许多研究者的关注。SI是一门研究自然和人工系统的学科，群体由许多个体组成，这些个体间是分散的，通过自组织的的方式进行协调，如鸟群、鱼群、蚁群。在群体内部，由于协作行为，出现了一种搜索策略。Karaboga给出了群体智能的充分性条件，当且仅当群体智能满足自组织和分工两个条件时，一组同类智能体才能表现出群体智能。

　　生物群体的分布式、自适应等特性与无人集群与实现无人机集群协调自主控制的要求相符合，因此，将群体智能算法应用于无人机集群的控制，可有效提高在复杂环境中无人机的协同、决策。在已有的研究成果中，粒子群算法和蚁群算法是最具代表性的算法，研究者结合相应场景，对传统的算法做出改进，在任务分配、编队飞行、协同探测等方面已有了许多研究成果。

　　粒子群算法（PSO）实现简单、算法复杂度低、收敛速度快，常被应用于路径规划、任务分配等实际场景中。

　　针对多无人机协同作战任务中拦截敌机的目标分配问题，结合作战过程中实时动态信息，融合态势优势指标和空战能力，通过建立综合优势评价矩阵，得到协同攻防模型；根据敌方目标的作战价值，利用离散粒子群算法（DPSO）对目标进行分配，可有效解决多目标优化分配问题。根据具有详细战术需求的特定场景，最大密度收敛DPSO算法、快速交叉DPSO算法和精确覆盖探测DPSO算法，可分别解决这些场景中的无人机集群侦察路径规划问题。

　　蚁群算法（ACO）通过局部相互作用和信息素变化模拟蚂蚁的主要行为和社会特性。对于侦察探测任务，探索区域环境有时是完全未知且动态变化的，蚁群算法可指导无人机航路点的动态选择。在一定距离内，无人机可以相互通信，交换和更新各自的信息素地图。根据信息素浓度的动态变化，控制多无人机的协同搜索行为。

　　在海上多无人机协同探测中，根据目标初始位置建立概率图模型，通过修改蚁群算法的行为准则和信息素更新规则，可有效地搜索动态目标。

　　在战场中，获取敌方情报是作战胜利的关键，无人机造价低、零伤亡的特点，使其在现代战争中的作用越来越大。但单无人机的性能和载荷受限，因此，多无人机协同探测已成为一种趋势，而对无人机的数量、任务、携带的传感器等进行合理分配显得尤为重要。生物群体通过个体之间简单的运动规则与分工机制，能够完成复杂的工作，这种特性正是无人机集群所期望的。近年来，越来越多的群体智能算法被用来解决多无人机协同侦察问题，但对于实际侦察任务需求，无人机之间的有效协同仍有待进一步深入研究。

　　[1]陈琨.动态环境下的多无人机协同控制技术研究与验证[D].北京邮电大学,2019.