基于有限忍耐度鸽群优化的无人机近距空战机动决策

doi:10.11772/j.issn.1001-9081.2023121837

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (5): 1401-1407.DOI: 10.11772/j.issn.1001-9081.2023121837

所属专题：进化计算专题（2024年第5期“进化计算专题”导读，全文即将上线）

• 进化计算专题 • 上一篇

基于有限忍耐度鸽群优化的无人机近距空战机动决策

郑志强, 段海滨()

北京航空航天大学自动化科学与电气工程学院，北京 100083

收稿日期:2024-01-02 接受日期:2024-01-22 发布日期:2024-04-26 出版日期:2024-05-10
通讯作者: 段海滨
作者简介:郑志强（1998—），男，江西九江人，博士研究生，主要研究方向：无人机自主控制、群体智能
第一联系人：段海滨（1976—），男，山东广饶人，教授，博士，主要研究方向：无人机自主控制、计算机仿生视觉、智能感知、仿生智能计算。
基金资助:
国家自然科学基金资助项目(T2121003);科技创新2030—“新一代人工智能”重大项目(2018AAA0102403)

Short-range UAV air combat maneuver decision-making via finite tolerance pigeon-inspired optimization

Zhiqiang ZHENG, Haibin DUAN()

School of Automation Science and Electrical Engineering，Beihang University，Beijing 100083，China

Received:2024-01-02 Accepted:2024-01-22 Online:2024-04-26 Published:2024-05-10
Contact: Haibin DUAN
About author:ZHENG Zhiqiang， born in 1998， Ph. D. candidate. His research interests include UAV autonomous control， swarm intelligence.
Supported by:
National Natural Science Foundation of China(T2121003);Science and Technology Innovation 2030 — Key Project of “New Generation Artificial Intelligence”(2018AAA0102403)

摘要/Abstract

摘要：

由于对抗双方态势的快速变化，无人机近距空战机动自主决策困难且复杂，是空中对抗的一个难点。对此，提出一种基于有限忍耐度鸽群优化（FTPIO）算法的无人机近距空战机动决策方法。该方法主要包括基于机动动作库的对手行动预测和基于FTPIO算法的机动控制量和执行时间优化求解两个部分。为提升基本鸽群优化（PIO）算法的全局探索能力，引入有限忍耐度策略，在鸽子个体几次迭代中没有找到更优解时对其属性进行一次重置，避免陷入局部最优陷阱。该方法采用的优化变量是无人机运动模型控制变量的增量，打破了机动库的限制。通过和极小极大方法、基本PIO算法和粒子群优化（PSO）算法的仿真对抗测试结果表明，所提出的机动决策方法能够在近距空战中有效击败对手，产生更为灵活的欺骗性机动行为。

关键词: 鸽群优化算法, 近距空战, 机动决策, 无人机, 有限忍耐度策略

Abstract:

Due to the rapid change of the situation during the confrontation， the autonomous maneuver decision-making for short-range Unmanned Aerial Vehicle （UAV） air combat is difficult and complex， which is a difficult point in air combat. To address this issue， a short-range UAV air combat maneuver decision-making method based on Finite Tolerance Pigeon-Inspired Optimization （FTPIO） algorithm was proposed. Two parts were designed in the proposed method： opponent action prediction based on the maneuver library and optimization solution of maneuver control and execution time based on FTPIO algorithm. To improve the global exploration ability of the basic Pigeon-Inspired Optimization （PIO） algorithm， the finite tolerance strategy was introduced. When the pigeon individual failed to find a better solution in several iterations， its attributes would been reset to avoid falling into the local optimal trap. The optimization variables used in the proposed method were the increments of the control variables of UAV motion model， which broke the limitations of the maneuver library. Simulation and adversarial testing results with the MiniMax method， basic PIO algorithm， and Particle Swarm Optimization （PSO） algorithm show that the proposed maneuver decision-making method can effectively defeat opponents during confrontation and generate more flexible deceptive maneuver behaviors.

Key words: Pigeon-Inspired Optimization (PIO) algorithm, short-range air combat, maneuver decision-making, Unmanned Aerial Vehicle (UAV), finite tolerance strategy

中图分类号:

TP301.6

郑志强, 段海滨. 基于有限忍耐度鸽群优化的无人机近距空战机动决策[J]. 计算机应用, 2024, 44(5): 1401-1407.

Zhiqiang ZHENG, Haibin DUAN. Short-range UAV air combat maneuver decision-making via finite tolerance pigeon-inspired optimization[J]. Journal of Computer Applications, 2024, 44(5): 1401-1407.

图/表 10

表1 机动动作库

Tab. 1 Maneuver library

编号	名称	控制量 $n x$ ， $n z$ ， $γ$
1	匀速直飞	$0,1, 0$
2	加速直飞	$K 1, 1,0$
3	减速直飞	$K 2, 1,0$
4	匀速爬升	$0, K 3, 0$
5	加速爬升	$K 1, K 3, 0$
6	减速爬升	$K 2, K 3, 0$
7	匀速降高	$0, - K 3, 0$
8	加速降高	$K 1, - K 3, 0$
9	减速降高	$K 2, - K 3, 0$
10	匀速左转	$0, K 3, a r c c o s (K 3 - 1)$
11	加速左转	$K 1, K 3, a r c c o s (K 3 - 1)$
12	减速左转	$K 2, K 3, a r c c o s (K 3 - 1)$
13	匀速右转	$0, K 3, - a r c c o s (K 3 - 1)$
14	加速右转	$K 1, K 3, - a r c c o s (K 3 - 1)$
15	减速右转	$K 2, K 3, - a r c c o s (K 3 - 1)$

表1 机动动作库

Tab. 1 Maneuver library

编号	名称	控制量 $n x$ ， $n z$ ， $γ$
1	匀速直飞	$0,1, 0$
2	加速直飞	$K 1, 1,0$
3	减速直飞	$K 2, 1,0$
4	匀速爬升	$0, K 3, 0$
5	加速爬升	$K 1, K 3, 0$
6	减速爬升	$K 2, K 3, 0$
7	匀速降高	$0, - K 3, 0$
8	加速降高	$K 1, - K 3, 0$
9	减速降高	$K 2, - K 3, 0$
10	匀速左转	$0, K 3, a r c c o s (K 3 - 1)$
11	加速左转	$K 1, K 3, a r c c o s (K 3 - 1)$
12	减速左转	$K 2, K 3, a r c c o s (K 3 - 1)$
13	匀速右转	$0, K 3, - a r c c o s (K 3 - 1)$
14	加速右转	$K 1, K 3, - a r c c o s (K 3 - 1)$
15	减速右转	$K 2, K 3, - a r c c o s (K 3 - 1)$

图1 红蓝双方态势关系

Fig. 1 Situational relationship of red and blue

图2 近距空战流程

Fig. 2 Flow chart of short-range air combat

图3 FTPIO算法流程

Fig. 3 Flow chart of FTPIO algorithm

表2 算法参数设置

Tab. 2 Parameters for algorithms

算法	参数符号	描述	参数值
PIO和 FTPIO	$N c 1, m a x$	地图与指南针算子最大迭代次数	40
	$N c 2, m a x$	地标算子最大迭代次数	8
	$N p$	种群大小	20
	$R$	地图与指南针因子	0.2
PSO	$c 1, c 2$	学习因子	2.0
	$N c, m a x$	最大迭代次数	48
	$N p$	种群大小	20
	$w$	惯性因子	0.8

表2 算法参数设置

Tab. 2 Parameters for algorithms

算法	参数符号	描述	参数值
PIO和 FTPIO	$N c 1, m a x$	地图与指南针算子最大迭代次数	40
	$N c 2, m a x$	地标算子最大迭代次数	8
	$N p$	种群大小	20
	$R$	地图与指南针因子	0.2
PSO	$c 1, c 2$	学习因子	2.0
	$N c, m a x$	最大迭代次数	48
	$N p$	种群大小	20
	$w$	惯性因子	0.8

图4 测试函数迭代曲线

Fig. 4 Iteration curves of test functions

表3 测试情形中红蓝双方初始状态

Tab. 3 Initial states of UAVs in tests

情形	阵营	状态值
一般	红方	s =［100 m，2 600 m，1 000 m，60 ms，0，20°］^T
一般	蓝方	s =［4 200 m，3 000 m，1 900 m，60 ms，0，190°］^T
平衡	红方	s =［700 m，2 500m，1 200 m，60 ms，0，0］^T
平衡	蓝方	s =［4 700 m，2 500m，1 200 m，60 ms，0，180°］^T
优势	红方	s =［700 m，2 600 m，1 100 m，60 ms，0，25°］^T
优势	蓝方	s =［1 200 m，3 000 m，1 500 m，60 ms，0，0］^T
劣势	红方	s =［1 200 m，2 600 m，1 100 m，60 ms，0，25°］^T
劣势	蓝方	s =［700 m，3 000 m，1 500m，60 ms，0，0］^T

图5 四种情形下无人机近距空战仿真三维轨迹

Fig. 5 3D trajectories of short-range air combat simulations in four cases

图6 FTPIO（红方）与基本PIO（蓝方）

Fig. 6 FTPIO （red） vs. Basic PIO （blue）

图7 FTPIO（红方）与PSO（蓝方）

Fig. 7 FTPIO （red） vs. PSO （blue）

参考文献 27

1	HUO M， DUAN H， LUO D， et al. Parameter estimation for a VTOL UAV using mutant pigeon inspired optimization algorithm with dynamic OBL strategy［C］// Proceedings of the 2019 IEEE 15th International Conference on Control and Automation. Piscataway： IEEE， 2019： 669-674. 10.1109/icca.2019.8899524
2	LUO L B， WANG X Y， MA J F， et al. GrpAvoid： multigroup collision-avoidance control and optimization for UAV swarm［J］. IEEE Transactions on Cybernetics， 2023， 53（3）： 1776-1789. 10.1109/tcyb.2021.3132044
3	YONG K N， CHEN M， WU Q X. Noncertainty-equivalent observer-based noncooperative target tracking control for unmanned aerial vehicles［J］. SCIENCE CHINA Information Sciences， 2022， 65（5）： 152202. 10.1007/s11432-020-3205-4
4	YANG Q M， ZHANG J D， SHI G Q， et al. Maneuver decision of UAV in short-range air combat based on deep reinforcement learning［J］. IEEE Access， 2020， 8： 363-378. 10.1109/access.2019.2961426
5	KIM C-S， JI C-H， KIM B S. Development of a control law to improve the handling qualities for short-range air-to-air combat maneuvers ［J］. Advances in Mechanical Engineering， 2020， 12（7）： 1-15. 10.1177/1687814020936790
6	董一群，艾剑良.自主空战技术中的机动决策：进展与展望［J］.航空学报， 2020， 41（S2）： 724264. 10.7527/S1000-6893.2020.24264
	DONG Y Q， AI J L. Decision making in autonomous air combat： review and prospects［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（S2）： 724264. 10.7527/S1000-6893.2020.24264
7	ISAACS R. Differential Games： A Mathematical Theory with Applications to Warfare and Pursuit， Control and Optimization ［M］. Mineola： Dover Publications， 1999： 305-330.
8	BASPINAR B， KOYUNCU E. Differential flatness-based optimal air combat maneuver strategy generation［C/OL］// Proceedings of the AIAA Scitech 2019 Forum. San Diego： American Institute of Aeronautics and Astronautics， 2019 ［2023-12-05］. . 10.2514/6.2019-1985
9	ERNEST N， CARROLL D， SCHUMACHER C， et al. Genetic fuzzy based artificial intelligence for unmanned combat aerial vehicle control in simulated air combat missions［J］. Journal of Defense Management， 2016， 6： 1000144. 10.4172/2167-0374.1000144
10	WU A， YANG R， LIANG X， et al. Visual range maneuver decision of unmanned combat aerial vehicle based on fuzzy reasoning［J］. International Journal of Fuzzy Systems， 2022， 24（1）： 519-536. 10.1007/s40815-021-01158-y
11	王昱，任田君，范子琳.基于引导Minimax-DDQN的无人机空战机动决策［J］.计算机应用，2023，43（8）：2636-2643. 10.11772/j.issn.1001-9081.2022071069
	WANG Y， REN T J， FAN Z L. Air combat maneuver decision-making of unmanned aerial vehicle based on guided Minimax-DDQN［J］. Journal of Computer Applications， 2023， 43（8）： 2636-2643. 10.11772/j.issn.1001-9081.2022071069
12	CHEN Y， ZHANG J， YANG Q， et al. Design and verification of UAV maneuver decision simulation system based on deep q‑learning network［C］// Proceedings of the 2020 16th International Conference on Control， Automation， Robotics and Vision. Piscataway： IEEE， 2020： 817-823. 10.1109/icarcv50220.2020.9305467
13	RUAN W， DUAN H， DENG Y. Autonomous maneuver decisions via transfer learning pigeon-inspired optimization for UAVs in dogfight engagements［J］. IEEE/CAA Journal of Automatica Sinica， 2022， 9（9）： 1639-1657. 10.1109/jas.2022.105803
14	RAMÍREZ LÓPEZ N， ŻBIKOWSKI R. Effectiveness of autonomous decision making for unmanned combat aerial vehicles in dogfight engagements［J］. Journal of Guidance， Control， and Dynamics， 2018， 41（4）： 1021-1024. 10.2514/1.g002937
15	高岳林，杨钦文，王晓峰，等.新型群体智能优化算法综述［J］.郑州大学学报（工学版）， 2022， 43（3）： 21-30.
	GAO Y L， YANG Q W， WANG X F， et al. Overview of new swarm intelligent optimization algorithms［J］. Journal of Zhengzhou University （Engineering Science）， 2022， 43（3）： 21-30.
16	KENNEDY J， EBERHART R. Particle swarm optimization［C］// Proceedings of ICNN’95 — International Conference on Neural Networks. Piscataway： IEEE， 1995： 1942-1948. 10.1109/ICNN.1995.488968
17	王峰，黄子路，韩孟臣，等.基于KnCMPSO算法的异构无人机协同多任务分配［J］.自动化学报，2023，49（2）：399-414.
	WANG F， HUANG Z L， HAN M C， et al. A knee point based coevolution multi-objective particle swarm optimization algorithm for heterogeneous UAV cooperative multi-task allocation［J］. Acta Automatica Sinica， 2023， 49（2）： 399-414.
18	梁军，洪泽泓，余松森.基于改进粒子群优化算法和遗传变异的图像分割模型［J］.计算机应用，2023，43（6）：1743-1749.
	LIANG J， HONG Z H， YU S S. Image segmentation model based on improved particle swarm optimization algorithm and genetic mutation［J］. Journal of Computer Application， 2023， 43（6）： 1743-1749.
19	DUAN H， QIAO P. Pigeon-inspired optimization： a new swarm intelligence optimizer for air robot path planning［J］. International Journal of Intelligent Computing and Cybernetics， 2014， 7（1）： 24-37. 10.1108/ijicc-02-2014-0005
20	LIAO T， CHEN B， ZHOU Q， et al. Improved pigeon-inspired optimization in an integrated obstacle avoidance method for Mars UAV formation［J］. Guidance， Navigation and Control， 2023， 3（1）： 2350006. 10.1142/s2737480723500061
21	DUAN H， LEI Y， XIA J， et al. Autonomous maneuver decision for unmanned aerial vehicle via improved pigeon-inspired optimization［J］. IEEE Transactions on Aerospace and Electronic Systems， 2023， 59（3）： 3156-3170. 10.1109/taes.2022.3221691
22	LI Y， HAN W， WANG Y. Deep reinforcement learning with application to air confrontation intelligent decision-making of manned/unmanned aerial vehicle cooperative system［J］. IEEE Access， 2020， 8： 67887-67898. 10.1109/access.2020.2985576
23	REN Z， ZHANG D， TANG S， et al. Cooperative maneuver decision making for multi-UAV air combat based on incomplete information dynamic game［J］. Defence Technology， 2022， 27（3）： 308-317. 10.1016/j.dt.2022.10.008
24	杨爱武，李战武，李宝，等.基于动态变权重的空战态势评估［J］.兵工学报，2021，42（7）：1553-1563. 10.3969/j.issn.1000-1093.2021.07.023
	YANG A W， LI Z W， LI B， et al. Air combat situation assessment based on dynamic variable weight［J］. Acta Armamentarii， 2021， 42（7）： 1553-1563. 10.3969/j.issn.1000-1093.2021.07.023
25	FENG Q， HAI X， SUN B， et al. Resilience optimization for multi-UAV formation reconfiguration via enhanced pigeon-inspired optimization［J］. Chinese Journal of Aeronautics， 2022， 35（1）： 110-123. 10.1016/j.cja.2020.10.029
26	HU D， YANG R， ZHANG Y， et al. Aerial combat maneuvering policy learning based on confrontation demonstrations and dynamic quality replay［J］. Engineering Applications of Artificial Intelligence， 2022， 111： 104767. 10.1016/j.engappai.2022.104767
27	YAO X， LIU Y， LIN G. Evolutionary programming made faster［J］. IEEE Transactions on Evolutionary Computation， 1999， 3（2）： 82-102. 10.1109/4235.771163

[1]	唐睿, 岳士博, 张睿智, 刘川, 庞川林. UAV协助下非正交多址接入使能的数据采集系统中能效优化机制[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1209-1218.
[2]	周景贤, 李希娜. 基于改进卷积神经网络和射频指纹的无人机检测与识别[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 876-882.
[3]	蔡美玉, 朱润哲, 吴飞, 张开昱, 李家乐. 基于注意力机制和多粒度特征融合的跨视角匹配模型[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 901-908.
[4]	高胡震, 杜昌平, 郑耀. 基于扩张状态观测器的无人机云台系统控制算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 604-610.
[5]	王昱, 任田君, 范子琳. 基于引导Minimax-DDQN的无人机空战机动决策[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2636-2643.
[6]	张钟元, 戴炜, 李光昱, 陈小庆, 邓启波. 基于改进人工势场和一致性协议的协同避障算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2644-2650.
[7]	祁超帅, 何文思, 焦毅, 马英红, 蔡伟, 任素萍. 无人机飞行数据异常检测算法综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1833-1841.
[8]	李校林, 江雨桑. 无人机辅助移动边缘计算中的任务卸载算法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1893-1899.
[9]	王先兰, 周金坤, 穆楠, 王晨. 基于多任务联合学习的跨视角地理定位方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1625-1635.
[10]	孙亚男, 吴杰宏, 石峻岭, 高利军. 改进自组织映射的多无人机协同任务分配方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1551-1556.
[11]	王龙宝, 栾茵琪, 徐亮, 曾昕, 张帅, 徐淑芳. 基于动态簇粒子群优化的无人机集群路径规划方法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3816-3823.
[12]	赵琳, 吕科, 郭靖, 宏晨, 向贤财, 薛健, 王泳. 基于深度强化学习的无人机集群协同作战决策方法[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3641-3646.
[13]	马峻, 姚震, 徐翠锋, 陈寿宏. 基于改进PP-YOLO和Deep-SORT的多无人机实时跟踪算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2885-2892.
[14]	李敬虎, 邢前国, 郑向阳, 李琳, 王丽丽. 基于深度学习的无人机影像夜光藻赤潮提取方法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2969-2974.
[15]	陈宝, 周祖鹏, 卫欢, 吕延钊, 睢志成. 基于专家PID的带臂四旋翼无人机控制方法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2637-2642.

基于有限忍耐度鸽群优化的无人机近距空战机动决策

Short-range UAV air combat maneuver decision-making via finite tolerance pigeon-inspired optimization

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 27

相关文章 15

编辑推荐

Metrics