空地异构无人系统侦察任务规划方法

相对空中同构无人系统，空地异构无人系统的运动能力、资源载荷、作战场景等异构性质会导致约束条件增多，使求解模型计算量显著增加，协同作战任务的建模和大规模问题的高效求解是需要解决的关键问题。以无人系统完成任务的时间、路径代价、侦察收益为目标函数，同时考虑无人平台续航能力等约束条件，合理构建了空地异构无人系统侦察任务的多目标规划模型；针对具有多威胁区的城市作战环境，考虑无人平台任务路径的安全性和时效性，分别提出了无人机和无人车改进A*算法路径规划策略。针对蛇优化算法(snake optimizer，SO)优化效果不稳定、容易陷入局部最优解的问题，结合粒子群算法和遗传算法提出了改进蛇优化算法(improved snake optimizer，IMSO）；通过Python语言进行了仿真验证和与现有算法的对比分析，验证了模型的可行性和算法的优越性。不同算法在由小到大的3种任务载荷设置下独求解10次，IMSO的平均目标函数值分别为SO的100.11%、108.99%和110.01%，可以看出IMSO能多次跳出局部最优，算法的稳定性、最终适应度值均好于SO，在较大规模问题的求解上更具有优越性。

智能化战争正在来临，以地面无人车(UGV)、无人机(UAV)等为代表的智能无人装备已经走入战场，成为重要的作战力量[1]。单一种类无人装备受工作方式、工作空间、载荷性能等因素限制功能有限，无法单独完成复杂多样的作战任务[2]。空地异构无人系统是由各种不同类型的无人机和地面无人车组成的智能系统，能够结合空、地无人系统各自优势协同作战，更好地释放体系作战效能，是未来战场的必然选择。

作战任务分配是指在将使命任务分解为若干作战任务并进行优选后，根据当前可用作战单元及其作战能力，将作战任务依次指派给单个或若干作战单元去执行。其实质是建立作战单元与作战任务之间的动态映射系，即明确作战单元在不同时刻执行不同作战任务的流转关系[3]。无人系统任务分配属于NP难组合优化问题，该问题主要从问题模型的构建和模型的求解2个方面考虑[4]。

启发式算法的基本思路是通过一些启发式策略或规则对问题空间进行搜索，通常不需要对模型进行深入的数学分析和推导，对数学模型的依赖小，对于复杂的NP问题，亦可在短时间内得到一个较优的解，因而得到了持续研究和发展。对启发式算法的初始化、粒子编码的改进是常见的应对思想。

Deng等研究了异构无人系统侦察、攻击、验证等任务分配问题，对遗传算法的染色体个体编码进行了设计，验证了改进遗传算法的可行性和有效性[5-7]。范博洋等[8]建立了空地异构无人系统的任务分配模型，对战场中的目标点聚类划分出多个子任务区域，再使用混合粒子群优化算法对区域间任务分配和子区域内空地异构无人系统的任务分配问题进行求解，从而得到满足约束条件的全局任务分配结果。Wang等[9]设计了一种多层编码策略和约束调度方法来处理关键逻辑以及物理约束，提出了一种改进多目标量子行为粒子群优化算法。Tan等[10]针对异构无人水面艇的多类型任务分配，提出了一个可变的任务价值模型，并将改进的蚁群算法的转移概率函数融入到任务分配中，以最大化任务执行的整体收益。Chen等[11]提出了一种新的信息素更新机制和4种新定义的启发式信息的多目标蚁群优化算法。

对异构无人系统任务分配方法的研究大多为异构无人机系统，对空地异构无人系统，尤其是复杂城市环境条件下的空地异构无人系统作战任务规划研究较少，并且存在作战场景简单、任务类型单一、任务难度较低，不够贴近实战的问题。空地异构无人系统协同任务规划，任务类型、资源、数量，以及任务协同复杂度均有显著增加[12]，现有启发式算法的任务分配虽然寻优能力较强，但不易满足实时性要求，且可靠性、可维护性、抗干扰性都不高，并且在问题规模较大时易陷入局部最优，在实战环境下实际应用中存在很多问题。