无人机群行动任务规划研究

无人机群行动任务规划研究

窦雪倩

中国电子科技集团公司第二十九研究所，620000

摘要：传统的单平台行动在联合对抗的要求下不再适用。以无人机群作为行动平台，执行行动任务的行动方式，会有效增强电磁对抗能力，从而获得成为制胜关键。针对无人机群行动任务规划问题，本文研究了无人机典型应用场景，根据任务环境的关键信息生成禁飞区和不同等级的威胁区，通过分析航行代价和攻击效益，考虑航行距离、生存概率、任务负荷等约束，对无人机群行动任务规划问题进行了建模。结合最短路径算法和优化调度算法对该模型进行了求解，并仿真验证了算法的可行性。

关键词：无人机群；任务规划；最短路径；优化调度

1引言

随着电子技术的长足发展，电磁设备在战场的作用日益增强。不同于传统的单平台行动，新的无人机群对抗在联合对抗的背景下应声而来，以实现范围更广、能力更强、防护性更好的对抗效果[1-3]。因此，以无人机群作为行动平台，执行侦察、打击以及效果评估等行动任务的行动方式，会有效增强电磁对抗能力，从而获得决胜战场的关键[4-5]。

无人机群行动任务规划通过分析任务电磁环境信息和无人机群的行动能力，优化各个无人机的任务，使无人机从其所在基地出发，按照任务要求规划的航路执行任务后返回基地。本文针对无人机典型应用场景，分析了无人机群任务规划模型，并通过仿真验证了该应用模型的可行性。

2应用场景分析

无人机群分布在多个机场，任务区域中有多个行动对象。任务区域根据预先掌控的电磁环境信息，分为禁飞区和威胁区，其中禁飞表示高山等危险地形，威胁区表示对无人机有威胁的区域，如雷达探测、火力打击、导弹攻击的区域，其威胁等级根据类别不同而有所不同。

图1 无人机群应用场景概念图

如图1所示，“P”表示机场，每个机场有数架无人机。任务区域为虚线框区域，行动对象表示为“T”，深灰色圆“Z”为禁飞区，灰白色圆“D”为威胁区。任务要求在满足每架无人机最大航行距离、最小生存概率等约束条件下，获得最大的攻击效益并规划出航行的最短路径。

3任务规划模型建立

机场：由表示，其位置为，。

行动对象：记为，，其位置为。为对象的攻击效益，为行动对象对单架无人机的毁伤概率。

无人机：记为，，，表示机场隶属于的第架无人机，无人机的总数为。为无人机的最大航行距离，为无人机生存概率，为无人机的价值，为无人机的最大任务目标数。无人机的任务分配结果表示为任务目标向量：

表示无人机执行行动对象的攻击任务，表示无人机的任务序列中不包含行动对象。

威胁区域：记为，，其半径为，对应威胁大小。

禁飞区域：记为，，其半径为。

通过对目标函数和相关约束进行分析，建立无人机群行动任务规划的模型。

3.1目标函数

（一）航行代价

任务区域中的任务点a和b之间的路径的航行代价记为，其评估方法如下：

1）当经过禁飞区域时，无人机遭受毁伤，则航行代价为无穷大；

2）当经过威胁区时，无人机以一定概率遭受毁伤，其航行代价定义为：

其中，两点之间的欧式距离，；

为无人机穿越威胁区的风险系数，表示为：

式中：从威胁区域的圆心到路径的垂直距离。

无人机在复杂电磁环境下攻击对象的航路规划是一个旅行商问题，将航行代价等效为路径长度，得到执行本次攻击任务的最小航行代价的路径。

将任务区域栅格化，以栅格点和任务点共同作为路径中的节点，得到节点两两之间的最短路径，由此构成求最短路径的网络。

根据无人机的任务节点和构成的最短路径网络，采用遍历法最终得到完成任务航行代价最短的路径。

无人机的任务目标向量，对应的航行代价为，则无人机群的总航行代价为：

（二）攻击效益

行动对象和无人机群的攻击关系表示为：

行动对象的受攻击情况定义为，其值大小表示受到个对象攻击：

行动对象的攻击效益为，该对象有至少一架无人机执行任务即，则可获得其对应的攻击效益。总的攻击效益表示为：

其中为攻击系数，且。

3.2约束条件

（一）航行距离约束

无人机的航行距离小于其最大航行距离限制：

（二）生存概率约束

（三）任务负荷约束

3.3任务规划模型

综合考虑航行代价和攻击效益，采用加权法将无人机群任务规划的多目标优化问题转化为单目标优化问题，建立的模型如下：

4仿真验证

分析得到的无人机群任务行动规划模型计算流程如下：

1、任务数据输入：包括环境数据、敌我对象数据、任务数据；

2、最短路径计算：采用Dijsktra算法得到任务区域栅格网络的最短路径网络；

3、任务优化分配：采用遗传算法得到无人机群的任务分配结果；

4、无人机群航路规划：结合最短路径网络和任务分配结果推出无人机群执行任务的航路；

5、无人机群任务行动规划结果输出：包括无人机群内各个战斗机的任务数据和航路数据。

对建立的无人机群任务规划模型及算法进行验证。在200km*200km的任务区域中有8个行动对象，从P1和P2机场分别派出2架飞机组成无人机群执行任务行动，无人机的生存概率需大于50%。

无人机群对象数据如表1所示。

表1 无人机群对象数据

行动对象数据如表2所示。

表2 无人机群对象数据

环境数据如表3、表4所示。

表3 威胁区数据

表4 禁飞区数据

采用遗传算法对无人机群行动任务规划问题进行求解。无人机群的4个对象对应任务区域的8个行动对象，则自变量个数设为32。遗传算法的其他参数设置如表5所示。

表5遗传算法参数

多目标问题的权重系数取决于对各个目标的偏好和量纲，本文中选取为1，为0.01。得到的仿真结果如表6所示。

表6任务规划仿真结果

得到的总攻击效益为51.5，总航行代价为1926.8km。图2和图3分别表示无人机群任务规划问题的图形描述和算法的迭代过程图示。

图2 无人机群任务规划结果

图3 算法迭代过程

仿真结果表明，该无人机群行动对象任务规划模型能够有效的预分配任务并规划航路，在最大化攻击效益的同时最小化航行距离，并满足存活概率、航行距离、任务负荷的约束。

5结束语

本文通过分析航行代价和攻击效益，考虑航行距离、生存概率、任务负荷等约束，对无人机群行动任务规划问题进行了建模。结合最短路径算法和优化调度算法对该模型进行了求解，并仿真验证了算法的可行性。

参考文献：

[1] 邢强,贾鑫,朱卫纲等.无人机群组认知电子战概述及关键技术[J].现代防御技术，2017.45(6):173-177.

[2] 王雅琳,杨依然,王彤等.2019年无人系统领域发展综述[J]．无人系统技术，2019.2(6):53-57.

[3] 丁凡,王劲松,汤红飞等.基于系统论的无人机蜂群再认识[J].航天电磁作战，2022.38(1):6-9.

[4] 李坎.对地攻击型无人机群协同作战效能分析[J].指挥控制与仿真，2017.39(6):63-68.

[5] 齐智敏,张海林,伊山等.智能无人机群体作战效能评估指标体系研究[J].舰船电子工程，2021,41(9):1-5.