无人机集群作战是未来空战的主要形式,包括执行侦察、巡逻、攻击、防御等任务,极大化地降低了作战成本,提高作战效率。而任务分配是无人机集群作战的顶层规划,也是无人机指挥控制系统的核心功能。无人机群任务分配问题的本质目的是考虑无人机数量、战场环境、目标价值、单机能力约束等因素,以总体任务效率最优或次优为目标,通过优化算法为无人机分配不同任务。但现阶段研究中,无论是无人机群任务分配数学模型的完善性和任务分配算法的寻优能力都有待提升,论文针对存在静态障碍物的无人机群协同攻击移动目标的任务分配问题开展了一系列的理论方法研究,具体成果如下,

　　1.针对无人机群协同攻击任务场景中任务分配算法寻优能力较差的问题,结合协同多任务分配模型CMTAP和粒子群算法PSO,提出了一种基于模拟退火机制和局部随机搜索的粒子群任务分配算法SA-LRS-PSO。首先提出了考虑无人机航程、最大任务完成时间、任务时间窗口及任务奖励的数学模型,根据任务场景,设计了一种融合无人机、目标类型、任务顺序等信息的单链粒子编解码算法,其次在PSO算法粒子更新过程中引入自适应学习因子和社会认知部分,同时设计了基于模拟退火机制(SA)的局部搜索启动机制,并采用变异和交换算子对粒子进行局部随机搜索(LRS),提高算法全局搜索能力。结果表明针对无人机群协同攻击问题,本文所提出的SA-LRS-PSO算法可以在不大幅度增加计算消耗的情况下,更好地搜寻全局最优。

　　2.在存在障碍物情况下的无人机群协同任务分配问题中,现阶段研究不能较好估测无人机航程,导致任务分配算法中评价函数与实际结果存在一定偏差,算法寻优能力较差。针对此问题,本文设计了无人机避障算法评价指标,用于筛选内嵌于无人机群协同任务分配算法的无人机避障算法。首先建立了路径障碍物及避障问题模型,其次提出了一个考虑路径长度、计算时间消耗、算法稳定性三方面的无人机避障算法评价指标。结果表明,PSO避障算法性能优越,选用PSO避障算法内嵌于无人机群协同任务分配算法。

　　3.针对存在静态障碍物的无人机群协同攻击移动目标任务场景,提出了一种优化粒子群算法TSL-PSO。首先考虑到存在无人机避障后追逐移动目标的情况,建立了相应的数学模型和相遇点求解公式,其次针对存在障碍物情况下的无人机拦截移动目标场景,提出了一种结合PSO和二分法的相遇点求解算法,而后结合禁忌列表-可变邻域下降算法(TL-VND)和SA-LRS-PSO算法,并行产生多架UAV

　　的任务调度方案并参与粒子群迭代过程,提高种群多样性,提高算法收敛速度。结果表明TSL-PSO算法可以实现在此问题场景下的任务分配,且显著提高了算法的收敛速度。

　　以上研究内容可以提高无人机群的作战效率,为无人机群在现代化战场的智能化应用奠定理论和技术基础。PG电子游戏科技PG电子游戏科技