1.算法描述
近年来，随着通信网络、人工智能、自主系统、大数据的前沿技术的发展，无人机蜂群作战也正在由概念变成现实，从理论走向实践。航迹规划，多机协作，集群控制等问题成为当下研究热点。在军事作战中派遣多无人机协同作战相比于单无人机能够在穿透敌方防御系统，探测目标以及执行攻击任务等方面更具优势[1]，采用大规模、低成本的无人机蜂群进行低空突防,实施饱和攻击已成为一种全 新的"非对称"对抗战术[2]。在各种民事应用中，无人机蜂群已经被广泛用于环境 和自然灾害监测、边境监视、突发事件援助、搜索和救援、货物传递和建筑等任务。随着航空技术与人工智能的迅速发展，无人机以其操作灵活，成本低廉等特 点，在民用及军事领域都有广阔的应用前景。
基于无人机(Unmanned Aerial Vehicle, UAV)的各种应用是一个近年来得到飞速发展的高技术领域。由于单架 UAV 存在能力受限、可靠性弱等缺点，由多 UAV 协作构成多 UAV 蜂群可以更高效、更可靠、更低代价地支持完成各种任务。
无人机蜂群是由若干配备多种任务载荷的低成本小型无人机组成，参照蜜蜂等昆虫的集体行动模式，以智能化无人控制技术和网络信息系统为支撑，在人类指挥或监督下共同完成特定作战任务。无人机蜂群可以是同构的,也可以是异构 的，其以数量众多、群体智能为典型特征,可实现协同任务分配、协同探测和协同 攻击，能够极大增强无人机的通信能力和抗毁伤能力，扩展无人机对战场信息的 感知获取能力，提高无人机协同执行任务的能力。
Flocking(有时也称为是warming或herding)，拥有4项简单的规则，把它们组合在一起时，为自治主体群给出一个类似于鸟群、鱼群的群体行为的逼真形式。定向行为规则：分离原则、列队原则、聚合原则、躲避原则
分离原则：定向时要避免与本地flock同伴拥挤。即定时检测邻近同伴，避免拥挤；
列队原则：驶向本地flock同伴的平均航向。即检测邻近同伴航向、速度，获取平均值并调整自己；
聚合原则：定向时朝着本地flock同伴的平均位置移动。即检测邻近同伴，平均位置然后调整其匹配航向；
躲避原则：使避免撞上局部区域内的障碍或敌人。即“向前看一段距离”，遇到障碍物、敌人调整航向、速度进行躲避。
无人机蜂群网络是一种由大量节点组成的分层、多簇结构的无线通信网络。针对多无人机协同任务分配问题，提出了一种新的系统框架。将其转化为一个组合优化问题，并用改进的聚类算法进行求解。目的是使多无人机以低能耗完成任务。随着无人机数量的增加，无人机之间的碰撞等飞行安全问题也随之出现，提出了一种基于改进人工势场的多无人机抗碰撞改进方法。针对联网无人机易受到各种网络攻击的问题，提出了一种基于入侵检测系统(IDS)的多无人机执行任务时抵抗网络攻击的方法。为了进一步提高任务分配的 准确性，提出了一种改进的方法。此外，提出了一种在线实时路径规划和任务重 新分配方法，以增强多无人机的鲁棒性，特别是在任务中增加一个紧急目标等突 发问题的响应。最后，数值仿真和真实的物理飞行实验表明，该方法为多无人机 任务分配提供了一种可行的解决方案，与其他任务分配方法相比，该方法具有良好的性能。
2.仿真效果预览
matlab2022a仿真结果如下：
3.MATLAB核心程序
for i = 1:UAV_num
if norm(Speed_0(i,:))~=0
Speed_0(i,:) = Speed_0(i,:)/norm(Speed_0(i,:));
end
while 1
%初始化随机位置
Position_0(i,:) = [rand*Width/4,randn*Width/40+Width/2, randn*Width/40+Width/2,atan2(Speed_0(i,2), Speed_0(i,1))];
%计算任意两个无人机之间的距离
d = func_dist_btuav(Position_0(1:i-1,1:3), Position_0(i,1:3));
if( all(d>0.5))
break
end
end
end
Position = Position_0;
Speed = Speed_0;
..............................................................
for t = 0:ts:TIMES
t
i=i+1;
%flocking控制，输出速度变量
Speed1 = func_flocking_Speed(Position(:,[1,2,4]),Speed(:,[1,2]),Radius);
Speed2 = func_flocking_Speed(Position(:,[2,3,4]),Speed(:,[2,3]),Radius);
Speed3 = func_flocking_Speed(Position(:,[1,3,4]),Speed(:,[1,3]),Radius);
Speed = [Speed1(:,1)+Speed3(:,1),Speed1(:,2)+Speed2(:,1),Speed2(:,2)+Speed3(:,2)]/2;
for j = 1:UAV_num
theta = atan((Goal(2)-Position(j,2))/(Goal(1)-Position(j,1)));
theta_ = atan((Goal(3)-Position(j,3))/(Goal(2)-Position(j,2)));
for jc = 1:2
dist(jc) = sqrt((Position(j,1) - C(jc,1))^2 + (Position(j,2) - C(jc,2))^2 + (Position(j,3) - C(jc,3))^2);
end
%检测无人机和障碍物之间的间距，通过flocking控制器和PPO，作用到无人机，做出避障的运动决策
%注意，如果采用PID+flocking的控制方式，响应速度kg大约为0.6左右，不同控制策略，响应速度不一样，如果要对比则修改kg参数
[V,I] = min(dist);
if Position(j,1)<=max(C(1,1),C(2,1))
if Position(j,2)>1.02*(C(1,2)+R(1)) & Position(j,2)<0.98*(C(2,2)-R(2))
vv(j,:) = [0.8*Speedv,0,Speedv*sin(theta)*sin(theta_)];
else
if Position(j,2)<=1.02*(C(1,2)+R(1)) %第二个障碍物
if dist(I) >= (1+6*Kg)*R(I)%不避障
vv(j,:) = [0.8*Speedv,0,Speedv*sin(theta)*sin(theta_)];
else%切线方式避障
theta0 = atan((C(1,2)-Position(j,2))/(C(1,1)-Position(j,1)));
d0 = sqrt((C(1,2)-Position(j,2))^2+(C(1,1)-Position(j,1))^2);
theta1 = -real(asin(1.3*R(1)/d0));
if Position(j,2)<C(1,2)
thetas=theta1;
else
thetas=theta0+theta1;
end
vv(j,:)= 1.5*[Speedv*cos(thetas),Speedv*sin(thetas),Speedv*sin(theta)*sin(theta_)];
end
end
if Position(j,2)>=0.98*(C(2,2)-R(2))%第一个障碍物
if dist(I) >= (1+6*Kg)*R(I)%不避障
vv(j,:) = [0.8*Speedv,0,Speedv*sin(theta)*sin(theta_)];
else%切线方式避障
theta0 = atan((C(2,2)-Position(j,2))/(C(2,1)-Position(j,1)));
d0 = sqrt((C(2,2)-Position(j,2))^2+(C(2,1)-Position(j,1))^2);
theta1 = real(asin(1.3*R(2)/d0));
if Position(j,2)<C(2,2)
thetas=theta0+theta1;
else
thetas=theta1;
end
vv(j,:)= 1.5*[Speedv*cos(thetas),Speedv*sin(thetas),Speedv*sin(theta)*sin(theta_)];
end
end
end
else
vv(j,:)=[Speedv*cos(theta),Speedv*sin(theta)*cos(theta_),Speedv*sin(theta)*sin(theta_)];
end
end
