分布式多無(wú)人機(jī)協(xié)同偵察目標(biāo)分配研究

岳　源，屈高敏

(中國(guó)民航飛行學(xué)院， 四川 廣漢　618300； 西安航空學(xué)院， 西安　710077)

隨著無(wú)人機(jī)載荷能力和智能水平的進(jìn)步，多無(wú)人機(jī)協(xié)同執(zhí)行任務(wù)成為可能[1-4]。執(zhí)行多目標(biāo)偵察任務(wù)是多無(wú)人機(jī)協(xié)同應(yīng)用的一個(gè)重要方向。多目標(biāo)偵察任務(wù)要求無(wú)人機(jī)集群在分配目標(biāo)時(shí)不重不漏且偵察價(jià)值最大。因此，多無(wú)人機(jī)在執(zhí)行偵察任務(wù)中如何進(jìn)行多目標(biāo)的分配決策是當(dāng)前無(wú)人機(jī)協(xié)同的主要課題。

文獻(xiàn)[5]根據(jù)無(wú)人機(jī)攜帶傳感器的偵察分辨率和目標(biāo)出現(xiàn)時(shí)間窗約束建立了分配模型。文獻(xiàn)[6]建立了以總飛行路程和技術(shù)數(shù)量為指標(biāo)異構(gòu)無(wú)人機(jī)的協(xié)同分配模型。文獻(xiàn)[7]研究給定一組具有不同偵察載荷能力的UAV對(duì)任務(wù)場(chǎng)景中的多個(gè)任務(wù)區(qū)進(jìn)行信息偵察。文獻(xiàn)[8]研究了集中式協(xié)同體系下多無(wú)人機(jī)在任務(wù)執(zhí)行階段之前的偵察目標(biāo)分配方法。文獻(xiàn)[9]研究了基于時(shí)間約束的異構(gòu)類型的任務(wù)處理增加了多無(wú)人機(jī)任務(wù)分配問(wèn)題復(fù)雜度。文獻(xiàn)[10]提出了利用信息確定性指標(biāo)對(duì)偵察收益的大小進(jìn)行衡量，并提出了一種基于時(shí)間窗機(jī)制的多無(wú)人機(jī)任務(wù)分配方法。但是這些文獻(xiàn)沒(méi)有深入分析影響無(wú)人機(jī)偵察能力的因素，并沒(méi)有將這些因素對(duì)目標(biāo)分配的影響考慮進(jìn)去，特別是缺乏對(duì)無(wú)人機(jī)數(shù)據(jù)鏈容量、雷達(dá)探測(cè)能力、無(wú)人機(jī)智能水平的綜合考慮。因此，本文在考慮上述因素基礎(chǔ)上建立了針對(duì)分布式協(xié)同體系下的多無(wú)人機(jī)多目標(biāo)分配策略，并采用改進(jìn)分配方法的粒子群算法對(duì)模型進(jìn)行求解。

1　多無(wú)人機(jī)協(xié)同體系

多無(wú)人機(jī)通過(guò)信息交互實(shí)現(xiàn)了集群協(xié)同。無(wú)人機(jī)集群根據(jù)控制決策機(jī)制的不同，主要分為集中式體系、分布式體系兩種協(xié)同體系[11-13]。

如圖1所示，集中式體系依賴于唯一的中央控制節(jié)點(diǎn)，一般由性能優(yōu)異的無(wú)人機(jī)或地面控制站承擔(dān)。中央控制節(jié)點(diǎn)控制著集群通信中樞，擁有集群的決策權(quán)。這種體系復(fù)雜性低，但面對(duì)突發(fā)情況響應(yīng)慢，執(zhí)行復(fù)雜任務(wù)效能低。特別是，承擔(dān)中央控制節(jié)點(diǎn)的無(wú)人機(jī)故障或損毀時(shí)，整個(gè)無(wú)人機(jī)集群完成任務(wù)的質(zhì)量就會(huì)極大降低。

如圖2所示，分布式協(xié)同體系依賴于無(wú)人機(jī)集群自身智能水平，通過(guò)數(shù)據(jù)鏈進(jìn)行實(shí)現(xiàn)控制決策。這種體系具有很高的智能水平，可以充分發(fā)揮各無(wú)人機(jī)自治水平，但對(duì)通信容量和無(wú)人機(jī)智能水平要求較高。分布式多無(wú)人機(jī)協(xié)同體系中，各無(wú)人機(jī)平臺(tái)性減弱(即無(wú)人機(jī)載荷能力、飛行速度等能力的要求降低)，節(jié)點(diǎn)性增強(qiáng)(即無(wú)人機(jī)智能能力、數(shù)據(jù)鏈容量、傳感器能力等能力要求提高)。以執(zhí)行偵察任務(wù)為例：U1無(wú)人機(jī)因受損不能完成任務(wù)時(shí)，可以通過(guò)數(shù)據(jù)鏈將實(shí)時(shí)情況共享到無(wú)人機(jī)集群，由系統(tǒng)內(nèi)其他無(wú)人機(jī)申請(qǐng)完成任務(wù)，從而提高了任務(wù)完成質(zhì)量。協(xié)同工作示意圖如圖3。

在這個(gè)工作流程下，無(wú)人機(jī)需要擁有足夠通信容量來(lái)進(jìn)行大量的數(shù)據(jù)交互，需要足夠的智能水平能夠根據(jù)信息自主決策。就偵察任務(wù)而言，無(wú)人機(jī)傳感器性能影響著任務(wù)完成的質(zhì)量。同時(shí)，為了提高任務(wù)完成效率，無(wú)人機(jī)的航程也會(huì)是重要考慮因素。因此，無(wú)人機(jī)相對(duì)目標(biāo)的路程、無(wú)人機(jī)探測(cè)傳感器性能、無(wú)人機(jī)通信容量、無(wú)人機(jī)智能水平是影響分布式多無(wú)人機(jī)協(xié)同偵察任務(wù)完成質(zhì)量的重要因素。

2　問(wèn)題描述與建模

2.1　問(wèn)題描述

分布式多無(wú)人機(jī)協(xié)同執(zhí)行偵察任務(wù)，假設(shè)有N架無(wú)人機(jī)組成集群，設(shè)為集合U={U1,U2,…,UN}，對(duì)?Ui∈U，〈PosU,B，S,N,v,h,I,D,Pf,Pm〉為無(wú)人機(jī)屬性，PosU為無(wú)人機(jī)二維坐標(biāo)位置，RU為無(wú)人機(jī)的通信容量，IU為無(wú)人機(jī)的智能水平，v為無(wú)人機(jī)巡航速度，h為無(wú)人機(jī)巡航高度，AU為無(wú)人機(jī)的雷達(dá)能力。目標(biāo)集合T={T1,T2,…,TM}，M為目標(biāo)數(shù)量，對(duì)?Tj∈T，二元組〈PosT,VT〉為目標(biāo)屬性，PosT為目標(biāo)二維坐標(biāo)位置，VT為目標(biāo)價(jià)值。無(wú)人機(jī)集群通過(guò)數(shù)據(jù)鏈共享集群各無(wú)人機(jī)信息及相應(yīng)目標(biāo)信息，使得集群對(duì)目標(biāo)偵察優(yōu)勢(shì)最大。

2.2　偵察優(yōu)勢(shì)函數(shù)

目標(biāo)分配的本質(zhì)在于立足現(xiàn)有資源且資源配置盡可能地最優(yōu)[13]。因此，應(yīng)根據(jù)不同無(wú)人機(jī)的相對(duì)優(yōu)勢(shì)來(lái)進(jìn)行任務(wù)分配。具體到偵察任務(wù)而言，分布式無(wú)人機(jī)協(xié)同體系一方面需要無(wú)人機(jī)攜帶的雷達(dá)載荷性能優(yōu)異，另一方面依賴無(wú)人機(jī)具有較好的數(shù)據(jù)交流能力，以實(shí)現(xiàn)無(wú)人機(jī)集群對(duì)目標(biāo)信息的掌握，因此進(jìn)行對(duì)無(wú)人機(jī)目標(biāo)分配時(shí)主要考慮無(wú)人機(jī)相對(duì)目標(biāo)的路程優(yōu)勢(shì)、容量?jī)?yōu)勢(shì)、雷達(dá)優(yōu)勢(shì)、智能優(yōu)勢(shì)。

2.2.1路程優(yōu)勢(shì)

進(jìn)行任務(wù)分配時(shí)首先考慮的是無(wú)人機(jī)與目標(biāo)的初始位置。為了使得分配結(jié)果最優(yōu)，盡量把距離目標(biāo)近的無(wú)人機(jī)分配給目標(biāo)。由于集群里無(wú)人機(jī)處于不同的位置，距離不同目標(biāo)的路程也不一樣，那么無(wú)人機(jī)i相對(duì)與目標(biāo)j的路程優(yōu)勢(shì)可描述為：

(1)

式(1)中：Lij指無(wú)人機(jī)i對(duì)目標(biāo)j的路程優(yōu)勢(shì)，其值越大意味優(yōu)勢(shì)越大；Sij是指無(wú)人機(jī)i到目標(biāo)j的距離；∑Sij是指無(wú)人機(jī)i到所有目標(biāo)的距離之和。

2.2.2通信容量?jī)?yōu)勢(shì)

容量?jī)?yōu)勢(shì)是指當(dāng)前無(wú)人機(jī)能夠傳輸多大的數(shù)據(jù)容量。能夠傳輸?shù)臄?shù)據(jù)容量越大，目標(biāo)信息就越容易被反饋。多輸入多輸出技術(shù)以其大容量、高質(zhì)量傳輸性能優(yōu)勢(shì)成為無(wú)線通信領(lǐng)域的一項(xiàng)重要技術(shù)。

根據(jù)文獻(xiàn)[15]知，數(shù)據(jù)鏈的通信容量與帶寬、天線的信噪比有關(guān)，由香龍公式可得無(wú)人機(jī)的通信容量公式為：

Cij=B·log2(1+S/N)

(2)

式(2)中：Cij表示無(wú)人機(jī)i對(duì)目標(biāo)j的通信容量?jī)?yōu)勢(shì)；B表示帶寬；S表示無(wú)人機(jī)i傳感器信號(hào)平均功率；N表示目標(biāo)j背景噪聲功率。

這里對(duì)通信容量?jī)?yōu)勢(shì)進(jìn)行歸一化處理，將通信容量轉(zhuǎn)化到[0,1]區(qū)間，轉(zhuǎn)換方法如下(下文方法相同)：

(3)

2.2.3雷達(dá)優(yōu)勢(shì)

雷達(dá)優(yōu)勢(shì)是指當(dāng)前無(wú)人機(jī)相對(duì)其他無(wú)人機(jī)雷達(dá)探測(cè)能力的優(yōu)勢(shì)。當(dāng)前主流無(wú)人機(jī)主要搭載合成孔徑雷達(dá)(SAR)，本文以SAR為研究對(duì)象建模，需要考慮無(wú)人機(jī)相對(duì)于目標(biāo)的角度優(yōu)勢(shì)、距離優(yōu)勢(shì)、探測(cè)優(yōu)勢(shì)等。

如圖4所示，無(wú)人機(jī)沿著OA方向飛行，為保證偵察效果最佳，無(wú)人機(jī)做高度為h，速度為v勻速定高飛行。無(wú)人機(jī)瞬時(shí)探測(cè)靶面長(zhǎng)度為r，無(wú)人機(jī)與目標(biāo)的俯仰角為α，SAR視場(chǎng)角為β時(shí)，則：

(4)

單位時(shí)間中無(wú)人機(jī)對(duì)目標(biāo)的角度優(yōu)勢(shì)為Pa

Pa=r/v

(5)

SAR探測(cè)能力隨距離的增大而減小,設(shè)雷達(dá)最大探測(cè)距離為D,目標(biāo)距離雷達(dá)的距離為d，則對(duì)目標(biāo)的距離優(yōu)勢(shì)為Pd

Pd= e-d/DZ

(6)

無(wú)人機(jī)在執(zhí)行偵察時(shí)一方面取決自身的偵察能力，另一方面取決于目標(biāo)的偽裝程度。無(wú)人機(jī)在偵察區(qū)域中偵察到目標(biāo)的能力，它可以用發(fā)現(xiàn)目標(biāo)概率Pf、目標(biāo)的偽裝度Pm這兩個(gè)參數(shù)表示，則對(duì)目標(biāo)的探測(cè)優(yōu)勢(shì)為Pw

Pw=Pf·(1-Pm)

(7)

綜合上述三方面的優(yōu)勢(shì)函數(shù)，對(duì)Pa、Pd、Pw計(jì)算結(jié)果進(jìn)行歸一化處理，使各分項(xiàng)數(shù)值處于[0,1]之間，即可得偵察優(yōu)勢(shì)函數(shù)為：

(8)

式(8)中，δ1+δ2+δ3=1?？紤]到雷達(dá)的探測(cè)優(yōu)勢(shì)主要來(lái)源于距離優(yōu)勢(shì)，設(shè)定δ1=δ3=0.2，δ2=0.6。

2.2.4智能優(yōu)勢(shì)

無(wú)人機(jī)智能水平參考美國(guó)空軍研究實(shí)驗(yàn)室的智能等級(jí)定義[16]，若無(wú)人機(jī)i智能水平處于8級(jí)，那么取無(wú)人機(jī)的智能水平Ini為0.8。無(wú)人機(jī)的智能優(yōu)勢(shì)即與無(wú)人機(jī)自身智能水平有關(guān)還和目標(biāo)復(fù)雜度有關(guān)?？傻弥悄軆?yōu)勢(shì)函數(shù)為：

Iij=Ini·coj

(9)

2.2.5無(wú)人機(jī)集群目標(biāo)優(yōu)勢(shì)函數(shù)

對(duì)上述優(yōu)勢(shì)函數(shù)的計(jì)算結(jié)果進(jìn)行歸一化處理，綜上可知無(wú)人機(jī)集群任務(wù)目標(biāo)函數(shù)為：

X=ω1L+ω2SA+ω3I

(10)

式(10)中：X指量化的無(wú)人機(jī)偵察優(yōu)勢(shì)；L指某無(wú)人機(jī)對(duì)某目標(biāo)的距離優(yōu)勢(shì)；R指某無(wú)人機(jī)完成偵察任務(wù)的通信容量?jī)?yōu)勢(shì)；A指某無(wú)人機(jī)的雷達(dá)優(yōu)勢(shì)(考慮到無(wú)人機(jī)的雷達(dá)偵察數(shù)據(jù)需要通過(guò)數(shù)據(jù)鏈來(lái)傳遞，數(shù)據(jù)鏈的通信容量決定著無(wú)人機(jī)的雷達(dá)優(yōu)勢(shì)是否可以發(fā)揮出來(lái)，因此要將這兩個(gè)因素綜合考慮)；I指某無(wú)人機(jī)的智能優(yōu)勢(shì)，無(wú)人機(jī)智能水平越高越容易識(shí)別目標(biāo)信息；ω1、ω2、ω3為分項(xiàng)優(yōu)勢(shì)的權(quán)重(其中ω1+ω2+ω3=1，由于本模型中各分項(xiàng)優(yōu)勢(shì)重要程度接近，故設(shè)定ω1=ω2=0.35，ω3=0.3)。

2.3　協(xié)同偵察多目標(biāo)分配模型

定義矩陣Xij為無(wú)人機(jī)集群對(duì)目標(biāo)的偵察優(yōu)勢(shì)矩陣，xij表示集群第i架無(wú)人機(jī)對(duì)第j個(gè)空中目標(biāo)的偵察優(yōu)勢(shì)指數(shù)。

(11)

定義矩陣Yj為目標(biāo)的價(jià)值矩陣，yj表示第j個(gè)目標(biāo)的價(jià)值指數(shù)。

(12)

綜上，無(wú)人機(jī)集群對(duì)目標(biāo)分配模型如下：

(13)

式(13)中，J為無(wú)人機(jī)集群對(duì)目標(biāo)的偵察價(jià)值，每架無(wú)人機(jī)要么不參與分配，要么最多分配一個(gè)目標(biāo)；一個(gè)目標(biāo)最多分配一個(gè)無(wú)人機(jī)。

3　改進(jìn)離散粒子群算法

3.1　基本算法

為了研究智能體的群體行動(dòng)，人們借鑒了動(dòng)物社會(huì)的群體動(dòng)力學(xué)，粒子群算法通過(guò)模擬飛鳥(niǎo)覓食的行為來(lái)實(shí)現(xiàn)。通過(guò)對(duì)飛鳥(niǎo)位置和速度的更新來(lái)找到最優(yōu)解，一般描述為：

Vij(t+1)=ωVij(t)+c1r1j(t)[yij(t)-xij(t)]+

(14)

xi(t+1)=xt(t)+vi(t+1)

(15)

式(14)中：Vij(t)指粒子i在t時(shí)刻第j維上的慣性速度；xij(t)粒子i在t時(shí)刻第j維上的維度；c1、c2為常數(shù)，分別為認(rèn)知速度和社會(huì)速度的學(xué)習(xí)因子；r1j(t)、r2j(t)為[0，1]之間隨機(jī)數(shù)。

3.2　改進(jìn)分配方法

任務(wù)分配的求解問(wèn)題中，變量的取值是離散的，所以解決非連續(xù)的優(yōu)化問(wèn)題要利用離散粒子群算法(DPSO算法)進(jìn)行優(yōu)化。在優(yōu)化過(guò)程中必須進(jìn)行變量的離散化：一方面需要將粒子的位置離散化，另一方面也要將更新速度離散化。粒子在選擇新位置的時(shí)候，并不是在全定義域內(nèi)進(jìn)行選擇。粒子移動(dòng)的位置表示該粒子對(duì)于任務(wù)分配的結(jié)果，目標(biāo)的數(shù)目也是微粒的維數(shù)，粒子的更新速度為無(wú)人機(jī)和目標(biāo)之間的任務(wù)配對(duì)的變化情況[17-18]。文獻(xiàn)[19]就運(yùn)用交換子和交換序列實(shí)現(xiàn)了粒子群算法向離散空間的映射。文獻(xiàn)[20-21]運(yùn)用結(jié)果取整的方法，實(shí)現(xiàn)了位置和速度的離散化。

DPSO算法流程如圖5所示。具體流程如下：

步驟1：初始化設(shè)置微粒群的規(guī)模，慣性權(quán)值，加速系數(shù)，最大允許迭代次數(shù)，生成隨機(jī)的初始無(wú)人機(jī)和目標(biāo)的任務(wù)配對(duì)，并計(jì)算目標(biāo)評(píng)價(jià)函數(shù)的適應(yīng)的值。

步驟2：就初始粒子適應(yīng)度值，尋找出個(gè)體最優(yōu)值、群體最優(yōu)值。

步驟3：根據(jù)公式計(jì)算各微粒新的速度，并對(duì)各微粒新的速度進(jìn)行限幅處理。

步驟4：根據(jù)公式計(jì)算各微粒新的位置，并對(duì)各微粒新的位置進(jìn)行限幅處理。

步驟5：對(duì)每個(gè)微粒，比較其當(dāng)前適應(yīng)值和其個(gè)體經(jīng)歷過(guò)的最好適應(yīng)度值，若當(dāng)前適應(yīng)值更優(yōu)，則令當(dāng)前適應(yīng)值為其個(gè)體歷史最好的適應(yīng)度值，并保存當(dāng)前位置為其個(gè)體歷史最好位置。

步驟6：比較群體所有微粒的當(dāng)前適應(yīng)度值和全局歷史最好的適應(yīng)度值，若某微粒的當(dāng)前適應(yīng)度值更優(yōu)，則令該微粒的當(dāng)前適應(yīng)值為全局歷史最好適應(yīng)度值，并保存該微粒的當(dāng)前位置為全局歷史最好位置。

步驟7：若滿足停止條件，則搜索停止，輸出搜索結(jié)果；否則，返回步驟3繼續(xù)搜索。

4　仿真算例

假定飛行前任務(wù)裝訂為：8架無(wú)人機(jī)對(duì)8個(gè)目標(biāo)進(jìn)行偵察，設(shè)置粒子群種群數(shù)量為50，速度范圍為[-1，1]，位置范圍為[1，8]，迭代次數(shù)設(shè)定[19-21]為200，目標(biāo)位置參數(shù)、無(wú)人機(jī)初始參數(shù)、無(wú)人機(jī)載荷參數(shù)分別如表1、表2、表3所示。分配結(jié)果仿真如圖6所示。

通過(guò)仿真試驗(yàn)，可得適應(yīng)度值為2.832 9。在該適應(yīng)度值下，無(wú)人機(jī)集群對(duì)目標(biāo)的分配策略是U1T3，U2T1，U3T2，U4T6，U5T5，U6T7，U7T8，U8T4。

表1　目標(biāo)參數(shù)

表2　無(wú)人機(jī)基本參數(shù)

表3　無(wú)人機(jī)載荷參數(shù)

從仿真試驗(yàn)可以看出，離散粒子群算法在第80次迭代附近找到了最優(yōu)分配方案，說(shuō)明算法收斂速度比較快，能夠有效地解決多約束條件下的多無(wú)人機(jī)協(xié)同任務(wù)分配問(wèn)題，且目標(biāo)的分配結(jié)果滿足了諸多約束規(guī)則。

5　結(jié)論

本文針對(duì)分布式多無(wú)人機(jī)協(xié)同體系進(jìn)行了分析，研究了影響該體系的路程、通信容量、雷達(dá)能力、智能水平四個(gè)主要因素，并在此基礎(chǔ)上建立任務(wù)目標(biāo)分配模型，貼合分布式多無(wú)人機(jī)協(xié)同的實(shí)際。針對(duì)離散粒子群算法變量不連續(xù)的問(wèn)題，在考慮到執(zhí)行偵察任務(wù)的基礎(chǔ)上，提出了改進(jìn)分配方法，使得分配方案有更好的實(shí)際意義，并取得了良好的收斂性。

參考文獻(xiàn)：

[1]United States Air Force RPA vector:Vision and Enabling Concepts 2013—2038[R].Headquarters USA Air Force,17 Feb，2014.

[2]A future vision for remotely piloted aircraft:Leveraging interoperability and networked operations[R].Headquarters USA Air Force，21 Jun，2013.

[3]TIRPAK J A.Aperture:pilotless futures; modular airplanes strategic agility invisible jammers[J].Air Force Magazine， 2014(5):10-12.

[4]張洋,譚健美,朱家強(qiáng).美國(guó)空軍未來(lái)25年無(wú)人機(jī)系統(tǒng)路線圖解析[J].飛航導(dǎo)彈,2015(1):54-57.

[5]孫健,劉慧霞,席慶彪.基于改進(jìn)粒子群算法的多UAV協(xié)同偵察任務(wù)規(guī)劃[J].現(xiàn)代電子技術(shù),2012,35(7):12-15，18.

[6]蘇菲,陳巖,沈林成.基于蟻群算法的無(wú)人機(jī)協(xié)同多任務(wù)分配[J].航空學(xué)報(bào),2008(S1):184-191.

[7]張耀中,謝松巖,張蕾,張建東.異構(gòu)型多UAV協(xié)同偵察最優(yōu)化任務(wù)決策研究[J].西北工業(yè)大學(xué)學(xué)報(bào),2017,35(3):385-392.

[8]鄧啟波.多無(wú)人機(jī)協(xié)同任務(wù)規(guī)劃技術(shù)研究[D].北京:北京理工大學(xué),2014.

[9]林林.基于協(xié)同機(jī)制的多無(wú)人機(jī)任務(wù)規(guī)劃研究[D].北京:北京郵電大學(xué),2013.

[10] 張蕾.多無(wú)人機(jī)協(xié)同偵察任務(wù)決策研究[D].西安:西北工業(yè)大學(xué),2016.

[11] 黃長(zhǎng)強(qiáng),翁興偉,王勇,等.多無(wú)人機(jī)協(xié)同作戰(zhàn)技術(shù)[M].北京:國(guó)防工業(yè)出版社,2012.

[12] 沈林成,牛軼峰,朱華勇.多無(wú)人機(jī)自主協(xié)同控制理論與方法[M].北京:國(guó)防工業(yè)出版社,2013.

[13] 曹文靜.多無(wú)人機(jī)協(xié)同體系結(jié)構(gòu)研究[M].北京:國(guó)防工業(yè)出版社,2017.

[14] GALATI D G,SIMAAN M A.Effectiveness of the nash strategies in competitive multi-team target assignment problems[J].Transactions of Aerospace and Electronic systems，2007， 43(1)： 126-134.

[15] 高喜俊,陳自力.多天線結(jié)構(gòu)對(duì)無(wú)人機(jī)MIMO信道容量的影響[J].航空學(xué)報(bào),2015,36(10):3401-3410.

[16] 陳宗基,魏金鐘,王英勛,周銳.無(wú)人機(jī)自主控制等級(jí)及其系統(tǒng)結(jié)構(gòu)研究[J].航空學(xué)報(bào),2011,32(6):1075-1083.

[17] ANDRIES P.ENGELBRECHT.計(jì)算群體智能基礎(chǔ)[M].譚營(yíng),譯.北京:清華大學(xué)出版社,2009.

[18] 高飛.MATLAB智能算法超級(jí)學(xué)習(xí)手冊(cè)[M].北京:人民郵電出版社,2014.

[19] 李煒,張偉.基于粒子群算法的多無(wú)人機(jī)任務(wù)分配方法[J].控制與決策,2010(9):1359-1363，1368.

[20] 尹高揚(yáng),周紹磊,莫駿超,等.基于多目標(biāo)粒子群優(yōu)化的無(wú)人機(jī)協(xié)同多任務(wù)分配[J].計(jì)算機(jī)與現(xiàn)代化,2016(8):7-11.

[21] 王強(qiáng),張安,宋志蛟.UAV協(xié)同任務(wù)分配的改進(jìn)DPSO算法仿真研究[J].系統(tǒng)仿真學(xué)報(bào),2014(5):1149-1155.