蜂群无人机有可能彻底改变和重新定义战争的本质,其主要用途在于压倒敌人的防御和实施精确空袭。本文认为,利用 “灰狼”(Canis Lupus Grey Wolf)智能是协调无人机群行动的有力策略。在本文中,每架无人机都代表了狼的角色;首领无人机代表了蜂群的领导者,它领导狼群并负责做出关键决策。Beta 无人机与 alpha 无人机合作,共同制定决策并确保集体保护。德尔塔无人机的任务是保护敌方领土和保护群体免受潜在威胁,而处于最低等级的欧米茄无人机则尽职尽责地听从同伴的领导。仿真结果表明,与 “粒子群优化(PSO)”方案相比,基于 GWO 的拟议攻击模型方法性能更好。

基于 GWO 的认知蜂群无人机攻击模型的目标如下: 1)设计并实现一个可扩展、高效的智能蜂群无人机框架,该框架可容纳多架无人机协同工作;2)开发一个全面的攻击模型,包括目标搜索、接近和包围目标、猎杀和攻击目标;3)通过测试攻击模型的整体性能来验证结果,以确保在没有人工干预的情况下以最小的收敛延迟进行精确攻击。

蜂群无人机的体系结构、基于灰狼优化(GWO)体系的蜂群无人机分层结构以及蜂群无人机攻击的计算模型。

A. 蜂群无人机网络体系结构

蜂群无人机网络架构涉及多架无人机与地面控制系统(GCS)的协作与协调,以实现共同目标。无人机配备有传感器、摄像头、全球定位系统、机载控制单元和通信设备,可以感知环境、与环境互动并相互通信。这可用于导航、救援、救灾和监视等任务。特设(FANET)蜂群架构不依赖任何预先存在的基础设施。相反,无人机之间直接使用点对点网络技术进行通信。如图 1 所示,这种架构通常用于在较短距离内运行的较小蜂群。

通过通信网络,无人机可以相互交换信息,也可以与 GCS 交换信息。这可以通过射频(RF)、蜂窝通信等多种技术实现。GCS 是一个中央计算机系统,用于监控无人机群。它可以单独向无人机群的领导者或集体向所有无人机发出指令,并汇总无人机的遥测数据,以协调它们的活动。

B. 基于 GWO 的无人机群层次结构

GWO 是一种功能强大、用途广泛的战略算法,可用于改进无人机群的分类和管理,以用于国防应用中的攻击模型。GWO 还可用于根据无人机群的行为(攻击性或非攻击性)及其辨别意图对其进行分类。例如,GWO 可用于将蜂群无人机的领导者和追随者划分为用于攻击模型的无人机。这些信息可用于制定战略,如搜索、追逐、攻击猎物以及针对潜在反击的防御措施。图 2 显示了基于灰狼的蜂群无人机等级制度,灰狼属于犬科动物,遵循严格的社会支配等级制度。在最高层,蜂群的首领(指挥官)被称为α无人机。α无人机是强大的无人机(如 Rustom-II、Netra、MQ-9 “死神”),主要负责决定狩猎、群的定位、执行任务的时间等。它们是主导者,因为它们的命令必须得到蜂群中其他无人机的遵守。阿尔法无人机在航程、续航时间和有效载荷能力之间保持着良好的平衡。第二级是 “β ”无人机(如 “拉克希亚”、MQ-1C “灰鹰 ”和 “苍鹭”)。贝塔无人机是指挥型无人机,帮助首领进行决策和其他群组活动。如果首领无人机在攻击中被敌人消灭,贝塔无人机可能是首领的最佳人选。贝塔无人机尊重首领的命令,在整个族群中强化首领的命令,并向首领提供反馈。贝塔无人机是中空长航时无人机。

下一级无人机是三角洲'δ'(如 AURA、Ghatak、Wing Loong、Bayraktar TB2),它们在行动中必须向 beta 和 alpha 报告。三角洲无人机是虫群中的下属无人机,在虫群中扮演着多种角色,它们是侦察无人机、哨兵保护者和猎手。这些无人机负责守卫领地的边界,并在出现任何危险时向族群发出警告。如果需要攻击目标,德尔塔无人机有能力取代贝塔无人机的位置。德尔塔无人机有能力攻击和摧毁敌方目标,如狙击手或车辆。级别最低的是欧米茄 “Ω ”无人机(如猎豹、迦楼罗、乌鸦、瞬眼、黑蜂),它们经验较少,是年轻人。它们学得很快,顺从的天性可以缓解紧张局势,保持蜂群和谐。欧米茄无人机可能会协助收集资源的活动,如侦察潜在的猎物,不过在它们成熟之前,它们可能不会在实际狩猎中发挥核心作用。它们是族群的下一代,代表着族群的延续。这些无人机能够捕捉高分辨率图像并提供实时视频画面。在蜂群无人机中部署这种层次结构的主要目标是,通过模拟受灰狼行为启发的合作攻击,高效率、高效益地找到优化问题的最佳全局解决方案。

C. 基于 GWO 的蜂群无人机攻击策略

蜂群无人机的狩猎智能受 GWO 的影响,以团队合作和协调的群组编队为基础,采用伏击战术进行追逐,最后发动攻击。蜂群行为可能会因具体情况、环境因素和猎物类型的不同而变化。所提出的算法主要是将猎物建模为不采用规避机动行为的静止目标。图 3 显示了基于 GWO 的蜂群无人机攻击目标模型的分层结构。拟议方案的操作顺序如下: 搜索、追逐和接近目标;包围和骚扰目标,直到其停止移动;猎杀和攻击目标。

D. 计算模型

介绍描述搜索、包围、狩猎和攻击目标的计算模型。

成为VIP会员查看完整内容
39

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《自定位无人机蜂群的快速集体规避》
专知会员服务
25+阅读 · 8月22日
《生成式人工智能和情报评估》
专知会员服务
67+阅读 · 7月22日
《基于无人机蜂群在复杂环境中的监视模型》
专知会员服务
33+阅读 · 7月10日
《空中无人机拦截: 追踪与捕获策略》
专知会员服务
44+阅读 · 5月29日
《重新思考战斗人工智能和人类监督》
专知会员服务
70+阅读 · 5月5日
《基于自然语言的人工智能军事决策支持》
专知会员服务
111+阅读 · 1月25日
《利用无人机蜂群反制雷达探测》意大利空军
专知会员服务
49+阅读 · 2023年11月19日
《超视距空战中计算机生成兵力的行为建模》
专知会员服务
82+阅读 · 2023年7月10日
国家自然科学基金
12+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
37+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
41+阅读 · 2014年12月31日
国家自然科学基金
14+阅读 · 2014年12月31日
Arxiv
158+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
402+阅读 · 2023年3月31日
Arxiv
67+阅读 · 2023年3月26日
Arxiv
141+阅读 · 2023年3月24日
Arxiv
21+阅读 · 2023年3月17日
VIP会员
相关VIP内容
《自定位无人机蜂群的快速集体规避》
专知会员服务
25+阅读 · 8月22日
《生成式人工智能和情报评估》
专知会员服务
67+阅读 · 7月22日
《基于无人机蜂群在复杂环境中的监视模型》
专知会员服务
33+阅读 · 7月10日
《空中无人机拦截: 追踪与捕获策略》
专知会员服务
44+阅读 · 5月29日
《重新思考战斗人工智能和人类监督》
专知会员服务
70+阅读 · 5月5日
《基于自然语言的人工智能军事决策支持》
专知会员服务
111+阅读 · 1月25日
《利用无人机蜂群反制雷达探测》意大利空军
专知会员服务
49+阅读 · 2023年11月19日
《超视距空战中计算机生成兵力的行为建模》
专知会员服务
82+阅读 · 2023年7月10日
相关基金
国家自然科学基金
12+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
37+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
41+阅读 · 2014年12月31日
国家自然科学基金
14+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员