● 摘要
无人作战飞机(Uninhabited Combat Aerial Vehicle, UCAV)是一种有动力、可控制、能携带多种任务设备、执行多种作战任务、并能重复使用的无人飞行器，而多UCAV协同控制是UCAV系统的核心内容和关键技术之一。由于仿生智能算法在解决复杂优化问题时所体现出来的协同性、动态性、自组织等优点，本文将蚁群优化(Ant Colony Optimization, ACO)、微粒群优化(Particle Swarm Optimization, PSO)和遗传算法(Genetic Algorithm, GA)应用于多UCAV协同控制，其中重点研究了基于仿生智能的多UCAV态势评估、多UCAV协同航路规划及重规划、多UCAV紧编队飞行及编队重构和多UCAV协同目标分配技术。首先，在分析多UCAV协同控制系统的特点、融合三种典型的多UCAV协同控制体系优点的基础上，结合仿生智能的群体智能涌现行为，设计了一种基于仿生智能体的多UCAV协同控制系统结构，并给出了UCAV(攻击)仿生智能体的内部结构。其次，提出了蚁群-Bayesian算法，建立了蚁群-Bayesian网络学习模型，并使用该模型定义了对UCAV影响比较大的内外部因素作为Bayesian网络的结点，利用蚁群优化得到了最优的网络结构，且利用该网络研究了UCAV态势评估问题，从而实现对复杂作战态势的有效评估。再次，以蚁群优化为基础，分析了UCAV单机航路规划方法，在此基础上，研究了多UCAV协同航路规划。以团队预计到达目标时间(Estimated Team Arrival Time, ETA)作为协同变量，航路代价作为协同函数，并考虑了不同威胁源的影响。定义“威胁度”来表征不同的威胁源对候选航路的影响，通过协同函数传递给各个UCAV到达目标的时间范围，经过协同调整ETA，寻找到既能满足时间约束，又能使团队代价最小的航路。最后对该航路进行平滑，使之成为UCAV可飞行的航路，并考虑了突发威胁情况下路径重规划算法。进一步，提出了一种用微粒群优化在线优化多UCAV紧编队飞行控制参数的方法，并通过实验验证了其可行性和有效性；编队重构是多UCAV协同控制的一个难点，提出了一种用于解决三维空间多UCAV编队重构问题的混合微粒群与遗传算法(Hybrid Particle Swarm Optimization and Genetic Algorithm, HPSOGA)的方法。 然后，在考虑作战双方信息、我方UCAV对地态势、地面目标防空能力和地面目标战役指数等作战因素的前提下，构造了多UCAV空地作战态势函数，并提出了一种基于改进蚁群优化的多目标分配方法，并进行了仿真验证。最后，在阐述多UCAV协同对地目标攻击效能评估理论的基础上，利用Markov理论建立了多UCAV的对地攻击模型，并用全概率方法推导了多UCAV协同对地攻击的两个效能指标，即任务成功率和最佳作战时间，且通过实验证明了该评估方法的有效性。