题目：基于启发式群体智能的多UAV/UGV 异构协同控制技术研究

无人机(Uninhabited Aerial Vehicle, UAV)、无人车(Uninhabited Ground Vehicle, UGV)正向着自主化、智能化、功能多样化的方向发展，UAV与UGV协同完成复杂任务将成为必然趋势，多UAV协同控制、多UGV协同控制及多UAV与UGV异构协同控制是其研究的核心内容和关键技术之一。启发式群体智能在解决复杂优化问题上有着自组织、协同性与动态性等优势，本文将蚁群算法(Ant Colony Optimization，ACO)、遗传算法(Genetic Algorithm, GA)和微粒群算法(Particle Swarm Optimization, PSO)应用于多UAV协同控制、多UGV协同控制及多UAV与UGV异构协同控制的研究。 首先，以多UAV与UGV异构集群系统的特点为基础，设计了异构集群系统的分层框架，并结合启发式群体智能的智能涌现行为，设计了基于启发式智能体(Agent)的多UAV与UGV异构系统体系结构，同时给出了UAV侦察Agent和UGV攻击Agent的内部体系结构。 其次，利用Voronoi图对航路规划环境进行建模，构造了多UAV航路代价的数学模型，使用ACO与GA分别规划多UAV协同航路，并将GA用于航路重规划，对规划的航路进行平滑，得到满意的多UAV协同航路；针对UAV非线性运动方程，建立了多UAV编队的数学模型，提出了基于混沌-PSO(CPSO)的双模非线性滚动时域控制(NRHC)编队控制方法，给出了有效的避撞策略，通过反复在线优化，实现了多UAV编队与重构。 再次，设计了以PSO与人工势场法相结合的方法，为多UGV进行路径规划与重规划，使UGV有效避开已知静态威胁和突发动态威胁，顺利进入目标区域；针对多UGV群集运动的特点，使用人工势场与速度协调得到UGV控制输入，实现了多UGV从无序初始状态形成群集运动。 进一步，分析了多UAV与UGV异构协同运动的特点及约束条件，设计了基于RHC与PSO的混合控制方法，作为多UGV子群协同控制方法，建立了由势能代价、一致性代价和跟随代价组成的优化目标函数，使得多UGV子群较好的跟随虚拟领航者进行方向调整，并给出了基于避撞速度向量和跟踪盘旋速度向量的速度向量指令组控制多UAV子群，使其始终盘旋在多UGV上空监视周围环境，使多UAV与UGV异构系统满足了协同运动的多种约束条件。 然后，考虑了网络通信中的时延问题，为多UAV与UGV异构系统设计了合理的补偿策略，通过设立数据缓冲区有效解决了网络时延和时序错乱的问题，降低网络时延给异构系统造成的影响，保证了网络环境下多UAV与UGV异构系统进行协同运动。 最后，在考虑UAV/UGV速度、攻击和防守三方面的性能前提下，构造了组合优势函数，使用离散PSO(DPSO)实现多UAV与UGV异构组合的整体性能最优；在多UAV与UGV异构协同追捕逃跑问题中，设计了基于博弈论的追捕策略，将追捕的UAV与UGV异构系统、逃跑的移动目标视为2个局中人，制定相应的策略集，通过PSO算法求解纳什均衡，得到最优追捕策略，实现多UAV与UGV协同对移动目标的追捕。 仿真实验结果表明，启发式群体智能算法适用于多UAV协同控制、多UGV协同控制及多UAV与UGV异构协同控制，为研究UAV/UGV提供了新颖思路和研究方法。