Swarm intelligence algorithms for multiple unmanned aerial vehicles collaboration: a comprehensive review
用于多種無人機(jī)協(xié)作的群體智能算法：綜合綜述
https://doi.org/10.1007/s10462-022-10281-7

Swarm intelligence algorithms for multiple unmanned aerial vehicles collaboration: a comprehensive review

摘要：

在過去的十年里，無人機(jī)（uav）顯示出了越來越大的前景。在此背景下，我們提供了一個在多個無人機(jī)協(xié)作中發(fā)揮極其重要的作用。本研究集中在與該主題相關(guān)的四個方面：避免碰撞處理、任務(wù)分配、路徑規(guī)劃和地層重組。綜合研究了選定的典型算法，分析了它們在多無人機(jī)協(xié)作中的優(yōu)缺點(diǎn)。本研究總結(jié)了群智能算法的基本結(jié)構(gòu)，其中包括幾個基本階段；并對多無人機(jī)協(xié)作的四個方面的群智能算法進(jìn)行了全面的調(diào)查。此外，通過分析這些關(guān)鍵技術(shù)和相關(guān)應(yīng)用，突出了研究趨勢和挑戰(zhàn)。這篇廣泛的綜述是為學(xué)者和專業(yè)人士在無人機(jī)群的概述。

一、多無人機(jī)協(xié)作中的群體智能

群智能算法本質(zhì)上是基于迭代隨機(jī)搜索算法，在迭代過程中全局共享啟發(fā)式信息，進(jìn)行后續(xù)迭代搜索。根據(jù)創(chuàng)造這些技術(shù)的靈感來源，它們基本上可以分為四類：進(jìn)化現(xiàn)象、生物群體智能、物理規(guī)則和與人類相關(guān)的概念。

在眾多的群智能算法中，可以抽象出一個基本框架。第一步是初始化操作，包括定義相關(guān)參數(shù)值，設(shè)置終止條件，隨機(jī)生成agent。然后，根據(jù)初始設(shè)定的評價函數(shù)對群中的agent進(jìn)行評價。然后，根據(jù)設(shè)定的唯一規(guī)則對智能進(jìn)行評估，并對代理進(jìn)行更新。最后判斷是否滿足終止條件，循環(huán)或結(jié)束迭代過程。

選擇遺傳算法(GA)和差分進(jìn)化算法(DE)是基于進(jìn)化現(xiàn)象的;選擇粒子群算法(PSO)、蟻群算法(ACO)和人工蜂群算法(ABC)是基于生物的群體智能算法;引力搜索算法(GSA)基于物理規(guī)律;其他在這一領(lǐng)域使用較少的被歸為其他。此外，基于人的概念的算法在無人機(jī)領(lǐng)域很少使用，也沒有選取典型的此類算法。圖2顯示了自1950年以來，我們基于谷歌Scholar數(shù)據(jù)和Web of Science數(shù)據(jù)檢索的多無人機(jī)協(xié)作領(lǐng)域的研究數(shù)量。結(jié)果表明，在過去的幾十年里，群智能算法在這一領(lǐng)域進(jìn)行了較為深入的研究和應(yīng)用。

由于無人機(jī)(UAV)的應(yīng)用環(huán)境日益復(fù)雜，所執(zhí)行的任務(wù)日益多樣化，以及單架無人機(jī)能力有限，對多架無人機(jī)協(xié)作技術(shù)的需求日益迫切，已成為日益重要的發(fā)展趨勢。多年來，大量的研究通過分析自然界生物的群體行為，如模仿鳥類遷徙、蜜蜂覓食等，進(jìn)一步解決了當(dāng)前的問題，以最大限度地提高單架無人機(jī)的效率，并控制多架無人機(jī)的決策和管理。從而更安全、更可靠、更穩(wěn)定地完成避碰、任務(wù)分配、路徑規(guī)劃、編隊(duì)重構(gòu)等任務(wù)。

群體智能算法在解決優(yōu)化問題方面的卓越性能體現(xiàn)在簡單的靜態(tài)問題和復(fù)雜的動態(tài)問題。具有靜態(tài)目標(biāo)函數(shù)的算法在優(yōu)化過程中通常保持之前給定的目標(biāo)函數(shù)，而其他算法在搜索過程中目標(biāo)函數(shù)會發(fā)生變化。影響群智能算法分類的因素有很多。核心是基于算法在每次迭代中生成的隨機(jī)解的數(shù)量:基于單解的算法和基于種群的算法。前者在優(yōu)化過程中只隨機(jī)生成一個候選解，并不斷迭代;后者會生成多個候選解，更有利于搜索空間信息的共享，具有更強(qiáng)的空間探索能力。

二、典型的群智能算法

這些描述性的群智能算法是非常高效的群優(yōu)化算法，它們已經(jīng)在大量的學(xué)術(shù)和現(xiàn)實(shí)問題上得到了驗(yàn)證。它們向解收斂速度較慢，且在一定程度上搜索時容易出現(xiàn)停滯，因此存在缺陷。因此，在結(jié)合具體應(yīng)用時，對基本的群智能算法進(jìn)行了相應(yīng)的改進(jìn)，以避免此類問題的出現(xiàn)。在這個小節(jié)中，我們討論并代表了不同類型的多無人機(jī)協(xié)作群智能算法。

1.遺傳算法

基于自然界生物遺傳學(xué)和種群進(jìn)化規(guī)律和過程的啟發(fā)式算法是一種進(jìn)化算法(GA)。根據(jù)演化算法的發(fā)展歷史，演化算法主要有四個分支。最流行的是由Holland為模擬達(dá)爾文進(jìn)化論而開發(fā)的遺傳算法(Holland 1992)。該算法是在研究生物遺傳現(xiàn)象和人工適應(yīng)系統(tǒng)行為之間的相似之處時創(chuàng)建的。該算法從隨機(jī)初始種群開始;主要采用隨機(jī)選擇、交叉、變異等操作，獲得一組對環(huán)境適應(yīng)性更強(qiáng)的新個體;并最終逐代收斂到最優(yōu)個體，生成問題的最優(yōu)解(Chen and Liu 2007)。
在評估個體的適應(yīng)度后，使用選擇算子來確定如何從親本群體中選擇個體作為后代。常用的方法有輪盤賭輪盤選擇、隨機(jī)錦標(biāo)賽、例外值選擇等(Katoch et al. 2021)。通過交叉算子，遺傳算法能夠保持種群的原始特征，即能夠模仿自然界有性繁殖的基因重組過程。最后一個操作是變異操作。突變操作以一定的概率選擇一定的位或幾個個體，隨機(jī)改變這些位的基因值。

2.差分進(jìn)化

差分進(jìn)化(DE)是由Rainer Storn和Kenneth Price在1995年共同提出，用來求解Chebyshev多項(xiàng)式(Storn and Price 1997)。本質(zhì)上，它是一種基于種群的隨機(jī)搜索算法。與遺傳算法類似，它主要通過突變、交叉和選擇三種操作算子模擬生物進(jìn)化過程，使初始解演化為全局最優(yōu)解(Wang et al. 2011)。在過去幾十年的發(fā)展過程中，DE越來越受到研究者的關(guān)注，并成功地應(yīng)用于各個科學(xué)和工程領(lǐng)域。
差分進(jìn)化中的選擇和交叉操作與前面介紹的遺傳算法相似，其中最重要的操作是變異操作。
本質(zhì)上，DE算法的變異過程是將父向量中不同個體的加權(quán)差分向量加到基向量上，也可以說是對基向量進(jìn)行了隨機(jī)擾動。

3.粒子群優(yōu)化算法

基于對鳥群行為的研究，Kennedy和Eberhart在1995年提出了PSO算法(Kennedy and Eberhart 1995)。在該算法中，一組粒子通過不斷與相鄰粒子的信息相互作用來更新自己的速度和位置，從而找到全局最優(yōu)值。算法的初始狀態(tài)是由隨機(jī)粒子組成的解群，每個粒子只有兩個屬性:速度和位置。粒子根據(jù)當(dāng)前個體最優(yōu)值和當(dāng)前全局最優(yōu)解不斷調(diào)整自己的速度和位置。
更新過程：

4.蟻群優(yōu)化

蟻群優(yōu)化算法最早由Marco Dorigo在1992年的博士研究的基礎(chǔ)上提出(Dorigo 1992)。它的核心思想是學(xué)習(xí)螞蟻在尋找食物或躲避危險時尋找路徑的行為。蟻群算法具有分布式、正反饋和啟發(fā)式搜索的特點(diǎn)(Dorigo 1992)。具體來說，它模仿了螞蟻對信息素的處理過程。螞蟻可以在行進(jìn)途中留下一種叫做信息素的物質(zhì)，其他螞蟻可以感知到這種物質(zhì)的強(qiáng)度，從而在覓食過程中指導(dǎo)它們的行動方向。首先，m螞蟻隨機(jī)出發(fā)，它們的信息素濃度初始值都是相等的。然后，螞蟻根據(jù)隨機(jī)比率規(guī)則選擇下一個要轉(zhuǎn)移的位置，其選擇概率為(Dorigo and Caro 1999):

一段時間后，所有的螞蟻完成了一個動作。然后，計算每個螞蟻的路徑長度;最短路徑長度，也就是當(dāng)代最優(yōu)解，被節(jié)約了?？紤]到信息素的揮發(fā)和邊緣螞蟻對信息素的釋放，對信息素數(shù)據(jù)進(jìn)行更新，以備下一次迭代。

5.人工蜂群

受蜂群智能覓食行為的啟發(fā)，Karaboga在2005年開發(fā)了ABC算法來處理多元優(yōu)化問題(Karaboga 2005)。蜜蜂群體可以通過相互合作有效地從食物來源采集花蜜。最初的ABC算法包括三種類型的蜜蜂:雇傭蜜蜂、旁觀者蜜蜂和偵察蜜蜂。每種蜜蜂都有自己的勞動分工。更正式地說，被雇傭的蜜蜂會在原始食物來源xm附近尋找更豐富的食物來源dm (Tsai et al. 2009)。之前的研究將待挖掘食物的適合度與原始適合度進(jìn)行了比較，通過以下過程發(fā)現(xiàn)了新的食物來源(Kaur and Goyal 2011):

其中，可以將每個食物源視為待優(yōu)化問題的求解向量。蜜蜂采用貪婪選擇，并根據(jù)適合度值來決定挖掘哪個食物源。適應(yīng)度可以根據(jù)。式中，fm()為該優(yōu)化問題的目標(biāo)函數(shù)。

6.引力搜索算法

引力搜索算法是由Esmat Rashedi, Hossein Nezamabadipour等人在2009年創(chuàng)建的。該算法將每個agent視為問題的解，并以質(zhì)量來衡量解的性能。所有這些物質(zhì)都會被引力吸引或排斥。通過這種直接的交流形式，經(jīng)過一定次數(shù)的迭代后，他們會傾向于轉(zhuǎn)向更高質(zhì)量的agent，即更好的agent (Rashedi et al. 2009):

式中，G(t)為t時刻的引力常數(shù)，(xd j?xd i)為兩個個體之間的質(zhì)量差，Rij(t)為i與j之間的歐氏距離，F(xiàn)ijd(t)為個體之間的引力作用。另外，將agent的下一次速度視為其當(dāng)前速度加加速度的一小部分。因此，其位置和速度可計算為(Rashedi et al. 2009):

說明vd I (t + 1)的更新需要AD I (t)的加速。根據(jù)牛頓第二定律，將結(jié)合得到的力Fd i (t)除以agent的質(zhì)量Mi即可得到加速度。

7.其他

除了上述在多無人機(jī)協(xié)作中的應(yīng)用外，還有許多其他的群體智能優(yōu)化算法。例如，還有兩個基于進(jìn)化思想的分支:進(jìn)化策略(ES)以及進(jìn)化編程(EP) (Fogel 1998)。基于生物群體行為的麻雀搜索算法基于麻雀的覓食行為和反捕食行為(Xue and Shen 2020)，受啟發(fā)的蝙蝠算法(IBA)受微蝠回聲定位的影響(Yang 2010)，灰狼優(yōu)化器(GWO)受狼的組成和等級的影響(Mirjalili et al. 2014)，鯨魚優(yōu)化算法(WOA)模擬了座頭鯨群體的行為(Mirjalili和Lewis 2016)。其他算法則基于物理規(guī)則。模擬退火算法(SAA)基于退火過程(Kirkpatrick et al. 1983)，正弦余弦算法(SCA)受正弦和余弦函數(shù)的影響(Abualigah和Diabat 2021)，人工電場算法(AEFA)受庫侖靜電力定律(Yadav 2019b)的啟發(fā)。
這些群體智能算法的靈感仍然主要來自于自然界的生物群體，特別是昆蟲和動物，通過人為設(shè)計信息交換機(jī)制，模擬生物群落中個體之間的信息交換過程，從而利用有向迭代優(yōu)化問題(Zhang et al. 2007)。近年來提出的大多數(shù)新的群智能算法都是對傳統(tǒng)算法的改進(jìn)，主要側(cè)重于優(yōu)化參數(shù)、提高速度和融合已知算法(Yang et al. 2018)。

三、任務(wù)分配中的群智能算法

為提高任務(wù)執(zhí)行效率，多架無人機(jī)一般采用團(tuán)隊(duì)協(xié)作的方式。無人機(jī)配備了具有互補(bǔ)功能的不同傳感器，以適應(yīng)復(fù)雜的任務(wù)約束。在任務(wù)數(shù)量較多的情況下，任務(wù)分配的優(yōu)化效果直接影響到多無人機(jī)系統(tǒng)的工作效率。

1.任務(wù)分配

多無人機(jī)任務(wù)分配問題具有高度非線性、動態(tài)性、高度對抗性和多模態(tài)等固有的復(fù)雜性。該問題的目標(biāo)是在實(shí)現(xiàn)多種指標(biāo)的前提下，實(shí)現(xiàn)不同屬性目標(biāo)所產(chǎn)生的總獎勵最大化，實(shí)現(xiàn)無人機(jī)編隊(duì)整體效能最大化。將任務(wù)分配給多個無人機(jī)時，根據(jù)無人機(jī)的類型和特點(diǎn)分配相應(yīng)的任務(wù)。圖4顯示了多架無人機(jī)執(zhí)行偵察和打擊任務(wù)的任務(wù)分配場景。如圖4a所示，部署三架偵察無人機(jī)UAV1、UAV2、UAV3執(zhí)行偵察任務(wù)，分別負(fù)責(zé)三個任務(wù)子區(qū)域TaskArea1、TaskArea2、TaskArea3。經(jīng)偵察得知，任務(wù)區(qū)內(nèi)有五個關(guān)鍵打擊目標(biāo){T1, T2, T3, T4, T5}。如圖4b所示，算法評估后，分配UAV4打擊T1、T2目標(biāo)，分配UAV5打擊T3目標(biāo)，分配UAV6打擊T4、T5目標(biāo)。然而，在大多數(shù)情況下，背景更為復(fù)雜，例如，(Stolfi et al. 2021)提出了一種捕食者-獵物方法來保護(hù)一個限制區(qū)域免受大量入侵者的侵襲，并利用共同進(jìn)化的遺傳算法來優(yōu)化無人機(jī)參數(shù)，以最大化入侵者檢測。

2.代表性應(yīng)用

本文總結(jié)并分析了表3中用于多無人機(jī)任務(wù)分配問題的典型群智能算法。在此表的類型中，使用“UAV類別”來表示研究對象是固定翼還是旋轉(zhuǎn)翼無人機(jī)，使用“Cooperative allocation”來區(qū)分無人機(jī)實(shí)體在任務(wù)分配過程中是否合作，使用“UAV formation”來表示無人機(jī)是均勻的還是異構(gòu)的，使用“Number of targets”來確定任務(wù)分配算法是針對單個目標(biāo)還是多個目標(biāo)，“目標(biāo)要求”用于表示對目標(biāo)是否有優(yōu)先級或時間窗要求，“不確定性”用于表示算法是否考慮相關(guān)的不確定因素，“空間維度”用于說明算法的功能空域，“算法”表示應(yīng)用的算法，“年”表示發(fā)布的年份。

對于二維空間的任務(wù)分配問題，為了根據(jù)相對距離將每架無人機(jī)分配到每個火點(diǎn)，Ghamry等(2017)利用粒子群算法和控制參數(shù)化和時間離散化(CPTD)方法，在考慮控制輸入約束的情況下，計算出森林消防中多架無人機(jī)的最優(yōu)任務(wù)分配。Schwarzrock等人(2018)以分散的方式開發(fā)了一種從Swarm-GAP(廣義分配問題)算法到多架無人機(jī)任務(wù)分配的解決方案。它假定任務(wù)是由一個中央實(shí)體產(chǎn)生的，例如在監(jiān)測一個地區(qū)以探測不同目標(biāo)為目標(biāo)的軍事行動期間?？紤]到敵對環(huán)境中優(yōu)化問題的計算時間和非凸性，Kim等人(2021)提出了社會學(xué)習(xí)粒子群算法(social-learning PSO)，以最大限度地將估計艦船整體損傷的目標(biāo)函數(shù)作為交戰(zhàn)結(jié)果。Wu等(2018)在完整分析經(jīng)典蟻群分工的基礎(chǔ)上，提出了一種動態(tài)蟻群分工及實(shí)現(xiàn)方法，用于處理無人機(jī)群體戰(zhàn)斗中動態(tài)環(huán)境下的任務(wù)分配問題，結(jié)果表明該方法在各種多智能體系統(tǒng)中具有較好的實(shí)用性。Zhang等(2016)針對異構(gòu)無人機(jī)在協(xié)作團(tuán)隊(duì)中作業(yè)時的分配問題，開發(fā)了一種混合GSA-GA，該GA采用遺傳算法中的選擇、交叉和變異操作來實(shí)現(xiàn)GSA粒子的位置更新策略，實(shí)驗(yàn)表明其性能有所改善。Amorim等(2020)將群智能思想與廣義分配問題(GAP)方法相結(jié)合，開發(fā)了一種啟發(fā)式方法，即swarm-GAP，用于解決表示多架無人機(jī)的智能體之間的任務(wù)分配問題，優(yōu)化動態(tài)環(huán)境中的資源使用。

針對三維空間任務(wù)分配問題，

• 為了解決壓制敵方防空任務(wù)對多個地面靜止目標(biāo)的問題，Ye等(2020)開發(fā)了一種具有多類型基因染色體編碼策略的改進(jìn)遺傳算法，用于對多目標(biāo)無優(yōu)先級或時間窗要求的異構(gòu)固定翼無人機(jī)協(xié)同任務(wù)分配問題。
• Xu等(2020)研究了多目標(biāo)混排蛙跳算法(MOSFLA)和基于遺傳算法(GA)的多旋翼無人機(jī)植防作業(yè)優(yōu)化任務(wù)分配與排序模型，結(jié)果表明，使用具有已知分配矩陣的遺傳算法將大大縮短總作業(yè)時間。
• 考慮到資源消耗、任務(wù)完成效果和工作量平衡，Han等(2021)采用了提出的具有良好計算效率的模糊精英策略遺傳算法(FESGA來解決資源受限和任務(wù)優(yōu)先級約束的異構(gòu)無人機(jī)系統(tǒng)的任務(wù)分配問題。
• Zhao等(Ming et al. 2017)通過生成合理的DE后代，提出了一種具有統(tǒng)一基因編碼策略的離散映射DE算法，不僅有效地解決了協(xié)同多目標(biāo)分配問題，而且提高了多目標(biāo)分配的精度和規(guī)模。
• Yang等(2020)以平衡全局負(fù)載和最小化減速為目標(biāo)，引入了DE算法來探索無人機(jī)在地面物聯(lián)網(wǎng)網(wǎng)絡(luò)中的接近最優(yōu)位置，仿真結(jié)果顯示了該方法的可行性和優(yōu)越性。
• Liu等(2019a)在任務(wù)分配仿真中對標(biāo)準(zhǔn)蟻群算法、多激勵蟻群算法和人工勢場蟻群算法進(jìn)行了比較，結(jié)果表明，兩種增強(qiáng)算法使用的增強(qiáng)策略能有效加快螞蟻路徑搜索速度，從而減少無人機(jī)航跡規(guī)劃時間。
• 為了優(yōu)化不同場景下空中基站的三維位置，Hu等(2020)提出了一種*改進(jìn)的基于智能搜索和特殊劃分的ABC (ABCIS)**來提高性能，結(jié)果表明該方法在單模態(tài)和多模態(tài)函數(shù)上都能獲得顯著增強(qiáng)。
• Lu等人(2020)利用粒子群算法(PSO)和遺傳算法(GA)改進(jìn)了GWO在高維任務(wù)分配中的應(yīng)用，以加快收斂速度，并通過三種地面攻擊場景的仿真驗(yàn)證了所開發(fā)的方法。
• Dong等人(2020)引入了一種順序蒙特卡羅(SMC)方法重采樣機(jī)制，以提高標(biāo)準(zhǔn)獅子群優(yōu)化(LSO)的性能;結(jié)果表明，該方法能有效地避免過度集中，擴(kuò)大搜索范圍，提高搜索能力。
• 以同時減少任務(wù)完成時間和總?cè)蝿?wù)時間為規(guī)范，Luo等(2020)開發(fā)了一種具有雙方法切換的多群果蠅優(yōu)化算法(MFOA)，用于處理多功能異構(gòu)無人機(jī)協(xié)同任務(wù)分配問題。

四、趨勢與挑戰(zhàn)

各種無人機(jī)由于具有較強(qiáng)的風(fēng)險承受能力、較低的制造成本和良好的機(jī)動性，在軍事和民用領(lǐng)域得到了廣泛的應(yīng)用。在相關(guān)挑戰(zhàn)中，多無人機(jī)的避碰、任務(wù)分配、路徑規(guī)劃和編隊(duì)重構(gòu)是不同無人機(jī)自主控制的核心科學(xué)問題(Tang et al. 2021c;Pan等人，2021年)。針對多無人機(jī)協(xié)同的主要方向，給予足夠的重視和努力，可以全面完成任務(wù)。本部分強(qiáng)調(diào)了該領(lǐng)域未來的研究方向。

1.轉(zhuǎn)變信息交換方式

在控制無人機(jī)集群飛行時，通常假設(shè)信息能夠連續(xù)接收，但這需要足夠的計算資源和理想的通信環(huán)境。但在實(shí)際飛行過程中，會遇到傳輸速度受限、傳感器信息獲取延遲等問題。因此，如何更好地利用群智能算法，進(jìn)一步改變無人機(jī)之間、系統(tǒng)與無人機(jī)之間的信息傳遞和交互方式，成為亟待解決的關(guān)鍵問題之一。要實(shí)現(xiàn)這一轉(zhuǎn)化，需要在保證信息質(zhì)量、不受干擾、提高控制性能的同時，顯著減少通信和計算資源的過度消耗，從而設(shè)計出更合適的群體智能程序。

2.控件使用分布式方法

分布式控制在多任務(wù)協(xié)調(diào)中發(fā)揮了重要作用，成為無人機(jī)集群協(xié)調(diào)技術(shù)的核心之一。然而，這種分布式控制策略可以進(jìn)一步整合群智能算法，開發(fā)出更先進(jìn)的控制方案。簡單地說，該融合技術(shù)可以應(yīng)用于自主編隊(duì)、態(tài)勢感知、全局規(guī)劃等多種功能，以更好地建模集群中單個無人機(jī)的個體行為和無人機(jī)系統(tǒng)的整體行為。我們熟悉集中控制。雖然集中控制更有效，但一旦中心無人機(jī)損壞，整個無人機(jī)集群將崩潰。而如果采用分布式群智能控制方法，則可以有效降低整個系統(tǒng)的成本，進(jìn)一步提高系統(tǒng)的魯棒性和靈活性。

3.開發(fā)移植方便

為了適應(yīng)更復(fù)雜的應(yīng)用場景，往往需要不同類型、不同系統(tǒng)功能的無人機(jī)對新技術(shù)進(jìn)行有效集成和全面集成。這也是無人機(jī)協(xié)同研究和發(fā)展的重要趨勢之一。為了實(shí)現(xiàn)這一目標(biāo)，有必要借鑒群體智能行為的啟發(fā)，大力開發(fā)一種針對不同類型無人機(jī)的更加開放的系統(tǒng)架構(gòu)。也為組件和平臺提供統(tǒng)一的標(biāo)準(zhǔn)和工具，進(jìn)行相互交換或全面集成，使不同類型或平臺的無人機(jī)集群也可以快速升級或替換。異構(gòu)無人機(jī)集群是由多個平臺上部署不同功能模塊的無人機(jī)組成，平臺和功能更加多樣化和集成化。分布式是指將無人機(jī)集群的整體功能分解為多個同質(zhì)或異構(gòu)的子功能，通過信息交互、通信和協(xié)作，將這些子功能同時分布在不同的單架無人機(jī)上，達(dá)到均衡性或更強(qiáng)的綜合性能。不同平臺上的無人機(jī)類型和性能往往差異很大，導(dǎo)致其運(yùn)動和有效載荷特性存在差異，因此適用于不同的群體智能算法。單一的群智能算法無法滿足異構(gòu)無人機(jī)集群的需求，多群智能算法的綜合集成將是一種可行的解決方案。該集成算法可應(yīng)用于異構(gòu)無人機(jī)群中各無人機(jī)的運(yùn)動模式和通信模式的選擇。在此過程中，需要根據(jù)系統(tǒng)架構(gòu)設(shè)計多種群體智能算法的集成方法，使異構(gòu)無人機(jī)群體能夠以多種方式進(jìn)行信息交換和協(xié)作。集成群智能算法的性能受到系統(tǒng)結(jié)構(gòu)的限制。因此，異構(gòu)分布式群智能算法的實(shí)現(xiàn)需要一種更加開放的系統(tǒng)架構(gòu)，支持方便的移植和開發(fā)。

4.人機(jī)協(xié)作模式

在執(zhí)行多個領(lǐng)域的各種任務(wù)時，有時需要人與機(jī)器之間的密切合作。人機(jī)協(xié)作是進(jìn)一步提高無人機(jī)協(xié)同能力的關(guān)鍵技術(shù)。一般來說，當(dāng)無人機(jī)被組織成集群時，它們可以與有人駕駛的飛機(jī)編隊(duì)一起執(zhí)行空中攔截和地面打擊等任務(wù)。這種編排方式強(qiáng)調(diào)了無人機(jī)和有人駕駛飛機(jī)之間的密切配合、綜合集成、系統(tǒng)保障和優(yōu)勢互補(bǔ)，從而提高了編隊(duì)的整體效能。人機(jī)編組對無人機(jī)的自主能力提出了更高的要求。針對不同的任務(wù)場景，設(shè)計了層次群智能算法來匹配無人機(jī)所需的自主能力。在這些能力中，有必要進(jìn)一步減少人工對無人機(jī)的干預(yù)，有必要利用群體智能算法做出更高層次的群體智能決策，提高整體編隊(duì)反應(yīng)速度。

5.加強(qiáng)自組織水平

自組織是指系統(tǒng)中各組成部分按照彼此一致的規(guī)則自動協(xié)調(diào)，形成相對穩(wěn)定結(jié)構(gòu)的過程。可以說，無人機(jī)協(xié)作是自組織水平的重要體現(xiàn)。除了它自己的狀態(tài)，一個單獨(dú)的無人機(jī)在做決定時必須考慮其他智能個體的行為。由于信息、網(wǎng)絡(luò)、平臺等技術(shù)的支持，集群可以實(shí)現(xiàn)信息共享;因此，這種考慮可以是一個更廣泛的全球考慮，以便集群中的單個無人機(jī)可以實(shí)現(xiàn)共同的目標(biāo)。行為選擇更加精確和優(yōu)化。未來，如果無人機(jī)集群在應(yīng)用中更具協(xié)同性，那么在無人機(jī)系統(tǒng)的自組織模式下，群智能算法有必要將局部視角轉(zhuǎn)變?yōu)槿忠暯?。此外，在觀察、判斷、決策和行動過程中，群智能算法應(yīng)以全局信息為核心，從全局角度進(jìn)行綜合權(quán)衡和全局控制。

總結(jié)

隨著無人機(jī)技術(shù)的快速高水平發(fā)展，將多架無人機(jī)作為自主控制的編隊(duì)?wèi)?yīng)用于復(fù)雜情況是一個新興領(lǐng)域的代表之一。在實(shí)現(xiàn)自主控制的挑戰(zhàn)中，碰撞避免、任務(wù)分配、路徑規(guī)劃和編隊(duì)重構(gòu)是關(guān)鍵功能。本文對各種經(jīng)典的無人機(jī)群智能算法進(jìn)行了系統(tǒng)的總結(jié)和分析。
搜索使用公認(rèn)的科學(xué)數(shù)據(jù)庫，如Web of Science、Elsevier、IEEE Xplore、Science Direct、SpringerLink、Scopus和谷歌Scholar，使用“遺傳算法”和“碰撞避免”/“任務(wù)分配”/“路徑規(guī)劃”/“formation reconfiguration”等術(shù)語。差分進(jìn)化算法采用相同的搜索格式代替遺傳算法，其他群智能算法也采用相同的搜索格式。檢索的文獻(xiàn)包括期刊文章、會議論文、書籍章節(jié)和技術(shù)報告。一般來說，大多數(shù)的群智能算法都用于多無人機(jī)協(xié)作，本文對常用的算法和具有代表性的算法進(jìn)行了討論。本文提出了群智能算法的基本框架，劃分了幾個基本階段，并給出了不同類型的多無人機(jī)協(xié)同群智能算法。利用提出的群智能框架，討論和總結(jié)了沖突避免、任務(wù)分配、路徑規(guī)劃和編隊(duì)重構(gòu)的不同方法、技術(shù)、方法、設(shè)置和應(yīng)用含義。此外，本文還對未來的研究方向提出了建議。希望本文能為研究人員和相關(guān)從業(yè)者提供信息和啟示，為推動無人機(jī)應(yīng)用產(chǎn)業(yè)的發(fā)展做出貢獻(xiàn)。文章來源地址http://www.zghlxwxcb.cn/news/detail-594640.html

到了這里，關(guān)于用于多種無人機(jī)協(xié)作的群體智能算法：綜合綜述的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！