王宇琦， 张 安， 毕文豪

(西北工业大学，西安 710086)

0 引言

有人/无人机编队协同打击地面时敏目标(TCT)是指将有人机作为编队中的指挥机，将无人机(UAV)作为攻击机，两者通过数据链支持协同完成作战任务。有人/无人机编队协同任务分配的目的是在满足各项战术和技术指标的前提下，将不同的任务合理地分配给UAV，使得整个编队的作战效能最好[1-2]。近年来,国内外针对协同作战的任务分配进行了很多研究，特别是以遗传算法为代表的智能算法得到广泛应用[3]。例如，文献[3]对多UAV打击TCT的任务进行了研究并利用变长度染色体整数编码遗传算法进行了仿真验证。但相关文献中的部分分配算法模型存在着模型约束条件简单以及只限于单类型任务等问题。因此，本文针对有人/无人机打击地面TCT协同任务分配问题的特点，采用一种矩阵型编码遗传算法，在考虑了TCT的时间约束和时序约束影响的同时，能够解决多类型任务的分配。

1 有人/无人机编队系统总体框架

在有人机和多架无人机协同打击地面TCT任务中[4-5]，当有人机通过机载传感器获取了需要打击的TCT信息或接到了上级作战指令后，有人机飞行员基于专家经验将编队作战任务进行分解，根据编队内各UAV执行任务的能力进行任务分配，形成任务分配方案。随后有人机向各UAV发布作战指令，各UAV接收作战指令后立即执行任务。在任务执行过程中，UAV通过各自的机载传感器感知战场态势[6]，向有人机回传任务、态势信息等，接收有人机的指令，同时与其他UAV相互通信和协同，共同完成编队任务[7]。图1所示为有人/无人机编队协同对地TCT打击任务分配框架。

图1 有人/无人机编队协同对地TCT打击任务分配框架

2 有人/无人机协同任务分配建模

(1)

UAV任务分配的结果即为每架UAV分配一个有先后顺序的任务执行序列，第j架UAV的任务序列可表示为

(2)

式中，lj为第j架UAV中所含的子任务总数。

2.1 任务分配收益函数

本文中，TCT的初始价值由有人机按照作战意图和战场态势进行事先设定，在任务执行过程中TCT的价值随着时间变化而呈现出相应的变化。

(3)

任务收益模型分为侦察任务、打击任务和评估任务3部分，因此任务分配收益模型为

(4)

2.2 任务分配约束条件

1) 时间约束。

任务时间约束是指对第i个TCT的打击任务必须在其限定的时间窗口内完成。本文中，假设已得知TCT的任务时间窗口[8]。

2) 时序约束。

本文中，侦察任务C完成后可执行打击任务A，打击任务执行完后可执行评估任务V。可表示为

(5)

(6)

3) UAV任务约束。

① 1个子任务只能分配给1架UAV，每个子任务都要被执行。因此约束条件可表示为

(7)

② 假设在整个作战过程中每架UAV的任务序列中最多针对两个目标执行任务，此即UAV的任务能力。

4) 航路约束。

设在作战区域中有NP个圆形威胁区，用P表示威胁区集合，则P={P1,P2,…,PNP}。各UAV的航路需避开这些威胁区，即

Path(Vj)∩P=∅j=1,2,…,n。

(8)

假设Vj要完成Ti上的侦察任务，图2中，线段1，4分别是过UAV做威胁圆的切线，线段3是过目标点做威胁圆的切线，圆弧段2是威胁圆上的一段。由于β<α，则其航路预估长度为

l=l1+l2+l3

(9)

图2 航路预估方法示意图Fig.2 Schematic diagram of route estimation method

3 基于矩阵型遗传算法的任务分配方法

3.1 时序约束任务的处理

时序约束在打击TCT多任务规划中非常重要，而在处理有时序约束的多任务分配过程中，不可避免会碰到死锁问题。死锁有多种形式，主要可分为自锁死和互锁死。本文中，在得到一个染色体编码后，通过调整染色体中同一架UAV的基因顺序使它们按照C，A，V的顺序排列来解决死锁问题。如图3所示，V2自锁死，因为它在目标2上的C任务应早于A任务被执行，调整两个基因的顺序使得染色体不再死锁。

图3 死锁染色体及其解锁Fig.3 Deadlock chromosome and its unlocking

3.2 基于矩阵型GA的任务分配

基于矩阵型GA任务分配的过程如下。

1) 构造一个3×NT维的矩阵型染色体，NT为任务数量，NT=3m，m为TCT数量。由NT个这样的基因构成一个矩阵染色体，编码如图4所示，这样的一个染色体对应一个完整的任务分配方案。n个UAV被分配去执行任务，它们的序号在矩阵染色体中从小到大排列，即V1

TV11…TV1l1TV21…TV2l2…TVn1…TVnlnkV11…kV1l1kV21…kV2l2…kVn1…kVnlnV1…V1V2…V2…Vn…Vn

图4 染色体编码方式

Fig.4 Chromosome encoding method

2) 根据有人/无人机打击TCT的任务分配数学模型,适应度函数如式(4)所示，计算种群中每个染色体所对应的适应度值。

3) 使用轮盘赌方法对种群进行选择操作，并使用精英保留策略，保留当代种群中适应度最高的多个染色体。

4) 采用单点交叉及单点变异对种群中的染色体进行交叉及变异操作。

5) 判断是否满足算法结束条件，若满足则退出循环，否则转向2)。

4 仿真验证

假定作战区域为100 km×100 km,1架有人机与6架UAV组成作战编队，在作战区域内分布着2个疑似TCT，位置分别为(300 km,80 km),(75 km,90 km),目标价值分别为40，30，3个威胁点分别为(20 km,45 km),(50 km,55 km)和(85 km,60 km)。6架UAV初始航向为正北，飞行高度为6 km,速度恒定为50 m/s,初始位置见表1。两个TCT的时间窗分别为[0 min,25 min],[0 min,30 min],设时间窗内TCT是静止的。UAV执行攻击目标1,2的任务概率信息见表2。

表1 UAV初始位置

表2 UAV执行攻击目标1，2的任务概率信息

遗传算法的基本参数设定：遗传代数为200，交叉概率为0.8，变异概率为0.1。经过基于矩阵型遗传算法的任务分配后得到的结果如图5所示。

图5 任务分配结果示意图Fig.5 Task assignment results

根据图5可以发现，本文所提算法满足UAV打击TCT的任务规划要求。通过本文所提算法的计算，得出与TCT1的交战时间为1400 s，即23.3 min，与TCT2的交战时间为1687 s，即28.1 min。23.3 min<25 min，28.1 min<30 min，即任务分配结果满足战场上TCT的时间窗口要求。

本文从不同迭代次数中各染色体对应的整个任务交战收益来分析遗传算法的收敛性能。根据作战想定仿真，可得到染色体在迭代过程中的最佳适应度值随着迭代次数的变化曲线，如图6所示。可以看出，随着迭代次数的增加，仿真中任务收益明显增大。当迭代次数在60左右时，整体任务收益最大，得到最优分配方案。

图6 基于矩阵型遗传算法收敛性

5 结论

协同任务分配是有人/无人机编队协同作战的关键技术之一，任务分配的合理性很大程度上决定协同作战的成败。本文通过分析有人/无人机编队的作战过程，建立了编队系统的总体框架；然后引入时敏特性函数，以任务分配收益最大为评估指标建立了有人/无人机编队打击地面时敏目标的任务分配模型；最后提出了一种基于矩阵型编码方式的遗传算法对任务分配模型进行仿真验证。仿真结果表明，本文所提算法合理有效，能够很好地满足要求。