基于交替方向網(wǎng)絡(luò)進(jìn)化博弈的無人機(jī)集群任務(wù)分配

彭雅蘭，段海濱，魏 晨

1) 北京航空航天大學(xué)自動化科學(xué)與電氣工程學(xué)院仿生自主飛行系統(tǒng)研究組，北京 100083 2) 鵬城實(shí)驗(yàn)室，深圳 518000

無人機(jī)（Unmanned aerial vehicle, UAV）是一種“平臺無人，系統(tǒng)有人”的無人駕駛飛行器.電子信息與人工智能技術(shù)的迅猛發(fā)展使無人機(jī)在戰(zhàn)爭中的地位日益提高.隨著作戰(zhàn)任務(wù)的多樣性、復(fù)雜性和危險性不斷增強(qiáng)，未來空戰(zhàn)的作戰(zhàn)方式將不再局限于單機(jī)作戰(zhàn)，而逐步向無人化、智能化和集群化發(fā)展[1].

作為無人機(jī)集群自主協(xié)同控制技術(shù)的重要內(nèi)容之一，無人機(jī)集群任務(wù)分配是指基于一定的環(huán)境態(tài)勢信息和無人機(jī)集群狀態(tài)，為每架無人機(jī)分配一個或一組有序任務(wù)，使得集群綜合效能達(dá)到最大[2].任務(wù)分配問題是一個非確定性多項(xiàng)式（Nondeterministic polynomially, NP）問題，其求解方法有匈牙利算法（Hungarian algorithm）、窮舉法（Enumeration method）以及人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network, ANN）、遺傳算法（Genetic algorithm,GA）等基于現(xiàn)代優(yōu)化理論的研究方法[3-4].當(dāng)任務(wù)分配問題中涉及的變量規(guī)模不斷增大時，過大的計(jì)算代價是NP問題的求解難點(diǎn)，多數(shù)時候，問題求解計(jì)算的實(shí)時性難以保障，無法滿足在線動態(tài)任務(wù)分配要求.無人機(jī)集群動態(tài)任務(wù)分配本質(zhì)上是一個多約束、強(qiáng)耦合的復(fù)雜多目標(biāo)整數(shù)優(yōu)化問題，其決策量是離散的，且滿足約束條件的解不止一個，需要在解集中選擇出能夠滿足決策者意圖的最優(yōu)解[5].

國內(nèi)外學(xué)者針對無人機(jī)集群任務(wù)分配展開了諸多研究.針對無人機(jī)集群協(xié)同搜索任務(wù)分配問題，王瑞和肖冰松[6]提出了一種基于改進(jìn)鴿群優(yōu)化和馬爾科夫鏈的方法，通過建立蜂窩狀環(huán)境模型，降低對搜索區(qū)域的重復(fù)搜索，從而提高了無人機(jī)集群任務(wù)分配效率；Luo等[7]考慮無人機(jī)的有限執(zhí)行能力和任務(wù)資源需求，以全局收益最大化為目標(biāo)，提出了一種基于拍賣機(jī)制的任務(wù)分配算法來得到無人機(jī)的無沖突任務(wù)序列；為研究資源分配對子任務(wù)的影響，Zhang等[8]提出了一種基于多目標(biāo)粒子群優(yōu)化算法，通過構(gòu)建多目標(biāo)分配模型來優(yōu)化任務(wù)資源分配；Yavuz等[9]提出了一種適用于大規(guī)模無人機(jī)集群任務(wù)分配問題的算法，根據(jù)位置信息將無人機(jī)集群進(jìn)行聚類處理后再利用匈牙利算法進(jìn)行任務(wù)分配，并利用蟻群算法為每個任務(wù)子集規(guī)劃最優(yōu)路線；針對多目標(biāo)監(jiān)視任務(wù)，Li等[10]提出了一種基于惰性貪婪樣本的無人機(jī)集群任務(wù)分配算法，對非單調(diào)目標(biāo)函數(shù)進(jìn)行求解，并通過調(diào)整采樣頻率來優(yōu)化任務(wù)分配效率.

交替方向法（Alternating direction method of multipliers, ADMM）是一種典型利用“分而治之”思想的算法[11].近年來由于在統(tǒng)計(jì)學(xué)習(xí)、語音識別與圖像處理等領(lǐng)域中，對大規(guī)模非光滑系數(shù)優(yōu)化問題求解的迫切需求，交替方向法得到了大量關(guān)注和研究[12].交替方向法采用分解-協(xié)調(diào)過程，分步協(xié)調(diào)各個子問題的解決方案，以尋求全局最優(yōu)，在凸函數(shù)優(yōu)化問題上顯現(xiàn)出良好的求解效果.針對單個無人機(jī)任務(wù)策略生成問題，考慮無人機(jī)多類屬性與任務(wù)需求多元素制約，利用交替方向法將單無人機(jī)任務(wù)收益函數(shù)中的多個變量進(jìn)行拆分求解.

無人機(jī)集群協(xié)同任務(wù)分配問題中涉及多個智能體之間的沖突與合作，為解決這一問題，網(wǎng)絡(luò)進(jìn)化博弈在問題建模和算法設(shè)計(jì)方面都有較好優(yōu)勢[13].將每架無人機(jī)定義為一個博弈參與者，利用網(wǎng)絡(luò)進(jìn)化博弈的納什均衡策略，通過參與者與鄰居間的信息交互進(jìn)行自身行動策略調(diào)整，最終達(dá)到全局最優(yōu)策略.

本文設(shè)計(jì)了一種基于交替方向網(wǎng)絡(luò)進(jìn)化博弈的無人機(jī)集群任務(wù)分配算法，融合交替方向法與網(wǎng)絡(luò)進(jìn)化博弈算法的優(yōu)勢，將無人機(jī)集群任務(wù)分配過程拆分為局部收益優(yōu)化與全局收益優(yōu)化兩部分.首先，考慮無人機(jī)自身能力特性與任務(wù)資源需求異質(zhì)性，求解單無人機(jī)局部最優(yōu)收益任務(wù)分配策略.最后，利用網(wǎng)絡(luò)進(jìn)化博弈模型，考慮任務(wù)執(zhí)行過程中機(jī)間協(xié)作與沖突，通過每個博弈參與者與鄰域內(nèi)無人機(jī)個體進(jìn)行實(shí)時信息交互，從而得到全局最優(yōu)任務(wù)收益分配策略.

1 系統(tǒng)建模

1.1 無人機(jī)集群任務(wù)分配模型

無人機(jī)集群任務(wù)分配問題可描述為：求得一個N架無人機(jī)協(xié)同執(zhí)行M項(xiàng)任務(wù)的無沖突全覆蓋任務(wù)分配方案，以最大限度提高無人機(jī)集群完成所有任務(wù)的全局收益與執(zhí)行效率.全局收益函數(shù)為局部收益函數(shù)之和，任務(wù)執(zhí)行成本是每個局部收益函數(shù)的重要因素.

1.1.1 代價函數(shù)設(shè)計(jì)

假設(shè)無人機(jī)集群U={ui|i∈ (1,2,···，N)}協(xié)同執(zhí)行任務(wù)集合，其中N為總無人機(jī)數(shù)量，M為總?cè)蝿?wù)數(shù)量[14].對于無人機(jī)i，其可單獨(dú)執(zhí)行的任務(wù)集合為，si為的子集，無人機(jī)i可執(zhí)行的備選任務(wù)組合為式中ni為所有子集總數(shù).為簡化分析，假設(shè)每架無人機(jī)可執(zhí)行任務(wù)組合都存在一個非空可執(zhí)行任務(wù)子集.對于無人機(jī)集群協(xié)同任務(wù)分配問題，假設(shè)當(dāng)且僅當(dāng)兩架無人機(jī)共同執(zhí)行同一任務(wù)時，兩架無人機(jī)之間存在通信鏈路并進(jìn)行信息交互，與無人機(jī)i有信息交互的所有無人機(jī)組成無人機(jī)i的鄰居集合Ψi，表示為：

由于無人機(jī)能力特性與每項(xiàng)任務(wù)執(zhí)行資源需求不同，所以各架無人機(jī)執(zhí)行不同任務(wù)時的執(zhí)行成本也有差異.為有效完成某一項(xiàng)任務(wù)，無人機(jī)需要向任務(wù)點(diǎn)位置移動，且無人機(jī)需要具備完成該任務(wù)的載荷資源，因此，考慮任務(wù)執(zhí)行成本由負(fù)載成本與航路成本組成.任務(wù)所需執(zhí)行時間越長，無人機(jī)需要攜帶的燃料就越多，即負(fù)載成本隨實(shí)際執(zhí)行時間單調(diào)增加，無人機(jī)i執(zhí)行任務(wù)組合si的負(fù)載成本LCi(si)具體計(jì)算公式為[15]：

其中，α1與γ1為負(fù)載成本系數(shù)，β為負(fù)載成本衰減因子，Rk為任務(wù)k的資源需求量，LDi為無人機(jī)i的載荷能力，tsj為任務(wù)j開始執(zhí)行時間，etj(si)為任務(wù)j實(shí)際開始執(zhí)行時間，具體計(jì)算公式為：

航路成本PCi(si)計(jì)算公式為[16]：

其中，α2為航路成本系數(shù)，MFLi為無人機(jī)i的最長飛行航路，TPLi為無人機(jī)i的總飛行航路長度，其具體計(jì)算公式為：

無人機(jī)i對任務(wù)組合si的任務(wù)執(zhí)行成本為上述負(fù)載成本與航路成本之和，即：

在此無人機(jī)ui對任務(wù)組合si的任務(wù)執(zhí)行成本函數(shù)基礎(chǔ)上，給出了全局任務(wù)執(zhí)行成本函數(shù)[17]：

1.1.2 任務(wù)分配模型

無人機(jī)集群任務(wù)分配目標(biāo)就是找到全局任務(wù)執(zhí)行成本最小的無沖突、全覆蓋任務(wù)分配方案，可將該問題描述為不等式約束下的最小化問題.受現(xiàn)有模型啟發(fā)[18-20]，無人機(jī)集群任務(wù)分配模型可以定義為：

每架無人機(jī)需要具備能夠順利完成已分配任務(wù)序列的載荷資源，即任務(wù)資源需求約束；在攜帶資源有限的條件下，每架無人機(jī)任務(wù)航路總長度不得大于其最大飛行距離，且需要平衡每架無人機(jī)剩余飛行長度距離，以確保整個無人機(jī)集群執(zhí)行能力的持久性；每項(xiàng)任務(wù)的實(shí)際開始執(zhí)行時間需滿足其執(zhí)行開始時間窗約束.

1.2 網(wǎng)絡(luò)進(jìn)化博弈模型

針對無人機(jī)集群任務(wù)分配問題，構(gòu)建網(wǎng)絡(luò)進(jìn)化博弈模型G={U,{Si},{Ai}}，將每架無人機(jī)ui∈U定義為博弈參與者，對于無人機(jī)ui，其可執(zhí)行任務(wù)序列si∈Si作為其行動策略[21].為實(shí)現(xiàn)集群整體任務(wù)效用Ai最大化，每個博弈參與者都會根據(jù)自身鄰域Ψi中鄰居策略與收益，在行動策略集中不斷迭代更新自身策略.

對于可行任務(wù)組合si∈Si與未被分配任務(wù)集合為T0(s)，證明F(T)的最優(yōu)解與最優(yōu)任務(wù)分配方案之間的等效性：

定理1對與?j∈M，公式（8）的最優(yōu)解始終是無人機(jī)集群最優(yōu)任務(wù)分配解.

證明：假設(shè)s*是公式（8）的一個最優(yōu)解，但不是無人機(jī)集群最優(yōu)任務(wù)分配解，則必定存在一個子任務(wù)tk沒有被分配給任何一架無人機(jī).由此，可得到一個將任務(wù)tk分配給無人機(jī)ui的新任務(wù)分配解≠s*，.根據(jù)公式（6）和公式（7），可得：

當(dāng)s*不是最優(yōu)任務(wù)分配解時，不可能是公式（8）的最優(yōu)解，即如果s*是公式（8）的最優(yōu)解，則必然是無人機(jī)集群最優(yōu)任務(wù)分配解.

定義1 納什均衡[22]：對于有限策略集博弈模型G={U,{Si},{Ai}}，當(dāng)任何一個參與者在某策略組合下單方面改變自身策略（其他參與者策略不變）都不能提高自身效用時，此策略組合成為納什均衡.

定義2 勢博弈[22]：對于有限策略集博弈模型G={U,{Si},{Ai}}，如果存在一個勢函數(shù)ξ滿足下式，則該博弈模型可成為勢博弈.

利用勢博弈模型，勢函數(shù)的最優(yōu)解即為博弈模型的納什均衡解，無人機(jī)集群分布式任務(wù)分配問題可以轉(zhuǎn)化為求解網(wǎng)絡(luò)進(jìn)化博弈納什均衡解，得到最優(yōu)任務(wù)分配策略.

2 基于網(wǎng)絡(luò)進(jìn)化博弈與交替方向法的分布式任務(wù)分配算法

2.1 交替方向法

交替方向法是一種適用于解決分布式凸函數(shù)優(yōu)化問題的簡單且強(qiáng)大的算法，求解過程中對變量進(jìn)行交替迭代處理[23].交替方向法可有效解決如下形式優(yōu)化問題：

其中，h和C是凸函數(shù).該優(yōu)化問題可寫為另一種形式：

其中，g是C的指標(biāo)函數(shù)，z是單獨(dú)變量，u是原始變量.

增廣拉格朗日函數(shù)定義為[24]：

其中，ρ為懲罰參數(shù)，a為縮放后的對偶參數(shù).交替方向法通過以下三個步驟將全局優(yōu)化問題分解為兩個可分離變量的子問題，并分別對u和z進(jìn)行最小化處理：

除此之外，交替方向法還可以擴(kuò)展到具有多個可分離變量、非凸函數(shù)優(yōu)化問題或者具有不等式約束的優(yōu)化問題[12].

考慮無人機(jī)集群任務(wù)分配優(yōu)化問題，針對1.1.2節(jié)中提出的無人機(jī)集群任務(wù)分配模型（如公式（8）所示），對于無人機(jī)ui，當(dāng)fi(si)取最小值時，無人機(jī)個體i達(dá)到自身策略最優(yōu)點(diǎn).

利用交替方向法求解公式（8）中的目標(biāo)函數(shù)，引入?yún)f(xié)調(diào)變量φ，其增廣拉格朗日函數(shù)定義為：

其中，λ為對偶因子（拉格朗日乘子），ρ＞0是懲罰參數(shù)，為協(xié)調(diào)變量在當(dāng)前循環(huán)中的實(shí)際計(jì)算值，將si作為函數(shù)變量，對fi(si)進(jìn)行優(yōu)化求解，從而求得最小任務(wù)執(zhí)行成本fi(si).交替方向法具體實(shí)施步驟如下.

Step 1輸入原始數(shù)據(jù)及參數(shù)，包括無人機(jī)的最大飛行長度、巡航速度、負(fù)載能力，任務(wù)的位置、執(zhí)行時間、開始執(zhí)行時間窗和負(fù)載需求，拉格朗日乘子、懲罰因子等；

Step 2無人機(jī)i根據(jù)自身性能和任務(wù)屬性挑選有能力執(zhí)行的任務(wù)，生成初始可行任務(wù)組合，并根據(jù)公式（6）計(jì)算相應(yīng)的任務(wù)執(zhí)行代價，得到協(xié)調(diào)變量φ；

Step 3通過優(yōu)化更新協(xié)調(diào)變量φ，φ[l]為第l次迭代計(jì)算待更新的協(xié)調(diào)變量，并據(jù)此得到更新后的拉格朗日乘子λ：

Step 4若第l次迭代結(jié)果滿足下列約束條件，則認(rèn)為此時得到無人機(jī)i的最優(yōu)任務(wù)組合si_best，算法停止運(yùn)行并輸出結(jié)果，否則，進(jìn)入下一次迭代計(jì)算，跳轉(zhuǎn)至Step2.

其中，σpri與 σdual分別為原始?xì)埐詈蛯ε細(xì)埐?

2.2 無人機(jī)集群交替方向網(wǎng)絡(luò)進(jìn)化博弈任務(wù)分配實(shí)現(xiàn)流程

根據(jù)2.1節(jié)中給出的交替方向法，求得每架無人機(jī)ui的最優(yōu)任務(wù)組合si_best，在整個無人機(jī)集群中，存在個體間交互與執(zhí)行任務(wù)耦合，借助1.2節(jié)中給出的網(wǎng)絡(luò)進(jìn)化博弈模型，平衡各架無人機(jī)之間的任務(wù)沖突，實(shí)現(xiàn)全局任務(wù)收益最大化.基于交替方向網(wǎng)絡(luò)進(jìn)化博弈的無人機(jī)集群任務(wù)分配算法流程如圖1所示.

圖1 基于交替方向法網(wǎng)絡(luò)進(jìn)化博弈的無人機(jī)集群任務(wù)分配算法流程圖Fig.1 Flowchart of the unmanned aerial vehicle swarm task allocation algorithm, based on the alternating direction method of multipliers (ADMM)network potential game theory

對于第p輪迭代中無人機(jī)i的任務(wù)組合，記為第p輪循環(huán)中所有無人機(jī)的任務(wù)組合記為假設(shè)對于任務(wù)集合T，通過廣播機(jī)制，向所有無人機(jī)發(fā)送完整任務(wù)集信息，根據(jù)完整的任務(wù)集，每架無人機(jī)都可得到自己可單獨(dú)執(zhí)行的任務(wù)組合Sif.在算法初始化階段，設(shè)置所有無人機(jī)屬性與任務(wù)屬性，隨機(jī)在Sif中選擇si1和Si1.完成初始化后，執(zhí)行交替方向法所有算法步驟，得到每架無人機(jī)局部收益最大的任務(wù)組合，作為下一步算法初始輸入量，再逐步實(shí)施算法中剩余步驟.每輪迭代中，無人機(jī)i僅與自己鄰域內(nèi)鄰居交換信息，由此可給出博弈當(dāng)前收益Aip、最佳響應(yīng)Bip和后悔值Rip的計(jì)算[24]：

3 仿真實(shí)驗(yàn)分析

為驗(yàn)證本文所提出的無人機(jī)集群分布式任務(wù)分配算法的有效性，以4架無人機(jī)協(xié)同執(zhí)行20個目標(biāo)點(diǎn)的打擊任務(wù)為例進(jìn)行仿真驗(yàn)證，并與文獻(xiàn)[25]中基于一致性拍賣包算法（Consensus-based bundle algorithm, CBBA）進(jìn)行仿真實(shí)驗(yàn)對比.對每組仿真實(shí)驗(yàn)獨(dú)立運(yùn)行150次，給出平均數(shù)值統(tǒng)計(jì)結(jié)果，并采用基于Unity3D平臺開發(fā)的無人機(jī)集群三維態(tài)勢視景仿真綜合驗(yàn)證平臺對該無人機(jī)集群任務(wù)分配方法進(jìn)行演示驗(yàn)證.

在800 m×800 m×800 m三維空間內(nèi)，4架無人機(jī)對隨機(jī)分布的20個目標(biāo)點(diǎn)執(zhí)行打擊任務(wù).無人機(jī)最大飛行航路MFLi為2000 m，巡航速度V=20 m·s-1，單個任務(wù)所需執(zhí)行時間隨機(jī)設(shè)定為3 s或5 s，對應(yīng)載荷需求隨機(jī)設(shè)定為2或3，單個任務(wù)收益隨機(jī)設(shè)定為5或8，交替方向法中原始?xì)埐瞀襭ri與 對偶?xì)埐瞀襠ual均設(shè)定為0.01.理想條件下，無人機(jī)i可與鄰域范圍Ψi內(nèi)所有鄰居個體進(jìn)行信息交互.

任務(wù)完成效能指標(biāo)選取總?cè)蝿?wù)收益、任務(wù)完成時間、資源消耗和無人機(jī)總飛行航路長度.其中，總?cè)蝿?wù)收益為所有無人機(jī)局部收益總和，任務(wù)完成時間為無人機(jī)集群完成所有任務(wù)所需總時長，資源消耗則為完成所有任務(wù)所需飛行資源與載荷資源之和，無人機(jī)總飛行航路長度為所有無人機(jī)任務(wù)航路長度總和.

無人機(jī)集群在仿真的初始時刻、150、200和300 s的任務(wù)分配仿真結(jié)果如圖2所示，圖中紅色星號代表任務(wù)目標(biāo)點(diǎn)的當(dāng)前位置，當(dāng)某個目標(biāo)點(diǎn)被成功打擊后，將不再顯示.由圖2可知，在仿真實(shí)驗(yàn)最后時刻，無人機(jī)集群完成了對所有目標(biāo)的打擊任務(wù).在單個無人機(jī)效用函數(shù)優(yōu)化階段，交替方向法中原始?xì)埐钆c對偶?xì)埐铍S迭代次數(shù)的變化曲線如圖3所示.在98次迭代時原始?xì)埐钆c對偶?xì)埐罹諗恐吝_(dá)到最大容錯度，所得結(jié)果滿足任務(wù)分配模型中的所有不等式約束條件且能夠穩(wěn)定收斂于最優(yōu)解.

圖2 任務(wù)分配結(jié)果.(a) 初始時刻; (b) 150 s; (c) 200 s; (d) 300 sFig.2 Task allocation results: (a) initial moment; (b) 150 s; (c) 200 s; (d) 300 s

圖3 ADMM的殘差收斂曲線Fig.3 Residual convergence curve of the ADMM

如表1所示，本文所提出的基于交替方向網(wǎng)絡(luò)進(jìn)化博弈無人機(jī)集群分布式任務(wù)分配算法(Distributed tasks allocation algorithm, DTAA)在四項(xiàng)指標(biāo)中均不同程度優(yōu)于基于一致性的拍賣包算法.在總?cè)蝿?wù)收益方面，分布式任務(wù)分配算法較基于一致性的拍賣包算法增長了20.99%；在無人機(jī)集群完成所有任務(wù)總時間方面，分布式任務(wù)分配算法降低了16.50%；資源消耗方面，分布式任務(wù)分配算法降低了12.94%；航路總長度方面，分布式任務(wù)分配算法降低了12.69%.

表1 本文所提分布式任務(wù)分配算法與拍賣算法性能指標(biāo)Table 1 Performance metrics of the distributed tasks allocation algorithm and CBBA algorithm

無人機(jī)集群在兩種算法下任務(wù)完成度與任務(wù)完成個數(shù)隨時間的變化趨勢如圖4和圖5所示.

圖4 任務(wù)完成度隨時間變化Fig.4 Changes of the degree of completion of tasks over time

圖5 任務(wù)完成個數(shù)隨時間變化Fig.5 Changes of the number of completed tasks over time

在任務(wù)開始階段，分布式任務(wù)分配算法較基于一致性的拍賣包算法效率優(yōu)勢還不明顯，隨著任務(wù)執(zhí)行時間的增加，由于設(shè)計(jì)代價函數(shù)時考慮任務(wù)點(diǎn)位置與資源消耗等因素，分布式任務(wù)分配算法在任務(wù)執(zhí)行中后期仍然能夠保證快速針對任務(wù)特征分配到具有執(zhí)行能力的適合執(zhí)行者.

無人機(jī)集群任務(wù)分配三維態(tài)勢視景仿真綜合實(shí)時推演驗(yàn)證結(jié)果如圖6所示.

圖6 三維視景場景演示.(a) 任務(wù)分配場景1; (b) 任務(wù)分配場景2Fig.6 3D visual simulation platform snapshots: (a) task allocation scenario 1; (b) task allocation Scenario 2

圖6中紅色曲線表示無人機(jī)飛行軌跡，無人機(jī)先后飛抵所有任務(wù)目標(biāo)點(diǎn)并無沖突、全覆蓋執(zhí)行完畢.基于此三維態(tài)勢視景仿真綜合驗(yàn)證平臺，可實(shí)現(xiàn)無人機(jī)集群任務(wù)規(guī)劃與執(zhí)行情況的動態(tài)展示，使決策者便于觀察任務(wù)執(zhí)行過程，實(shí)時掌握集群整體態(tài)勢.

4 結(jié)論

本文針對無人機(jī)集群任務(wù)分配問題中各類資源約束的異質(zhì)性和無人機(jī)執(zhí)行能力因素，將任務(wù)分配問題公式化描述為不等式約束下求解最小值問題.利用交替方向法求解單架無人機(jī)局部收益最大化任務(wù)組合，在網(wǎng)絡(luò)進(jìn)化博弈算法中，將每架無人機(jī)局部收益最大化任務(wù)組合作為初始任務(wù)分配方案，每架無人機(jī)作為博弈參與者與鄰域內(nèi)無人機(jī)個體交換任務(wù)策略與收益信息，將全局任務(wù)收益最大化作為求解目標(biāo)進(jìn)行二次優(yōu)化.基于本文所建立的無人機(jī)集群任務(wù)分配網(wǎng)絡(luò)進(jìn)化博弈模型，分析了無人機(jī)集群最優(yōu)任務(wù)分配策略與網(wǎng)絡(luò)進(jìn)化博弈的納什均衡解的等效性.

通過仿真實(shí)驗(yàn)，驗(yàn)證了本文所提出的基于交替方向網(wǎng)絡(luò)進(jìn)化博弈的無人機(jī)集群任務(wù)分配算法可在有限迭代步驟內(nèi)穩(wěn)定收斂至最優(yōu)解，且能夠無沖突的分配所有任務(wù)目標(biāo)點(diǎn).與傳統(tǒng)方法比較，在總?cè)蝿?wù)收益、效率、資源消耗和航路總長度方面均有較強(qiáng)優(yōu)勢.最后，通過無人機(jī)集群三維態(tài)勢視景仿真綜合驗(yàn)證平臺，以實(shí)時推演形式給出了無人機(jī)集群任務(wù)規(guī)劃與執(zhí)行的動態(tài)仿真過程.