基于雙層耦合網絡的無人集群分布式系統(tǒng)模型*

沈宇婷，孟 新，高躍清

（1.中國科學院國家空間科學中心，北京 100190；2.中國科學院大學，北京 100049；3.中國電子科技集團公司第五十四研究所，石家莊 050081；4.河北省智能化信息感知與處理重點實驗室，石家莊 050081）

0 引言

無人集群作為面向未來戰(zhàn)場偵察監(jiān)視、目標打擊等任務需求的重要力量和作戰(zhàn)樣式，須具備有人/無人一體化的自主運行、動態(tài)調整、聚合解聚與平滑過渡能力［1-2］。這要求無人集群能夠以個體自主規(guī)劃決策為基準，實現(xiàn)個體對環(huán)境的及時感知、來源的有效甄別、信息的融合采信和決策的多場景適應，并支持無人自主和有人/無人編配的多模式快速匹配。以典型無人裝備無人機為例，無論小型集群化平臺還是大型綜合性平臺，信息的獲取感知、信息的共享交互都是無人機任務場景中必須具備的基礎能力［3］。通過美軍對各型無人機的軍事需求排序分析［4-7］，小型平臺主要需應用于范圍廣闊、條件復雜且危險度較高的場景，兼顧了無人自主和有人/無人編配的典型能力需求［8-9］，可作為研究無人集群系統(tǒng)的典型樣式，具備較為廣泛的借鑒意義。陳杰院士和辛斌博士提煉了設計面向實用化的無人集群系統(tǒng)需要解決“面向任務的協(xié)同能力建模與自主編配規(guī)則建立”、“局部信息獲取條件下，指控系統(tǒng)體系結構優(yōu)化設計”、“指揮控制體系的抗毀性和動態(tài)可重構架構設計”等基礎科學問題［10］。綜合小型平臺集群系統(tǒng)軍事需求，解決上述問題的關鍵在于，無人集群系統(tǒng)設計架構需要滿足信息感知獲取后，安全、動態(tài)、自主化運用這些信息，以達成協(xié)調保持有生任務力量的目標?；跁r效、魯棒性和動態(tài)適應等實用化目標的均衡，有必要探索能夠結合運用、兼容并包無人集群控制模型與方法架構，以期有效融合中心式與分布式決策的優(yōu)勢。

本文基于信息交互視角，圍繞無人集群分布式系統(tǒng)的任務協(xié)同和自主性產生的重點，通過面向信息交互的無人集群系統(tǒng)解耦需求分析，進行了橫向解耦與縱向解耦的機理分析，據(jù)此設計了面向系統(tǒng)信息交互網絡演化的CDLW 與H-CDLW模型，為構建雙層耦合網絡的無人集群分布式系統(tǒng)模型提供了基于信息交互行為、面向信息共享利用的演化控制機制。同時，基于雙層耦合網絡的集群系統(tǒng)模型，針對無人節(jié)點的自主狀態(tài)控制、目標信息融合與目標揀選進行了適配的算法設計，并進行了實驗驗證與分層解耦后網絡特性的分析，實驗結果表明基于雙層耦合網絡的無人集群分布式系統(tǒng)模型具備作為系統(tǒng)控制框架的基礎，能夠為實現(xiàn)時效、魯棒性和動態(tài)適應等實用化目標的均衡提供新思路。

1 面向信息交互的無人集群系統(tǒng)解耦需求分析

面向信息交互的無人集群系統(tǒng)解耦，主要針對無人集群系統(tǒng)實用化研究，以信息交互為關注重點，將每個無人機節(jié)點抽象為智能體，把節(jié)點間任務協(xié)同關系映射為智能體之間基于連接關系實現(xiàn)的群組控制問題。具體地，以智能體信息交互關系的建立和斷開控制形成的動態(tài)連接，來模擬實際無人機集群內部的通聯(lián)關系狀態(tài)和變化，建立信息交互視角下，集群行為特征分析和機制模型研究的基本方法框架，目標形成面向集群信息交互構建一般化協(xié)商規(guī)則（即信息的分層、信息的傳遞、信息的知悉控制等），以及面向無人機節(jié)點的通用化控制策略（即信息的融合采信、目標信息的揀選、信息交互能力上節(jié)點狀態(tài)的變化等），面向系統(tǒng)實現(xiàn)信息交互的魯棒性增強和負載優(yōu)化，形成無人集群系統(tǒng)實用化系統(tǒng)信息交互與控制的基礎框架。

雖然上述基本思路可從宏觀（系統(tǒng)、集群）、中觀（群組、編隊）、微觀（個體、平臺）清晰地劃分出由信息交互與控制視角觸發(fā)的具體問題，并回應牽引性基礎科學問題。但在實際構建微觀、中觀和宏觀模型與機制的過程中，存在解耦過程中的大量實用化需求響應難點，具體分析如下：

1）動態(tài)性：無人集群系統(tǒng)實用化一定面臨高動態(tài)性場景。首先，這種高動態(tài)性體現(xiàn)在信息動態(tài)變化和與預期偏差的程度大，在無人集群系統(tǒng)的實際作業(yè)過程中，動態(tài)變化的發(fā)生和影響必然是仿真訓練和專家規(guī)則難以完全模擬和精準籌劃的。其次，高動態(tài)性體現(xiàn)在可能發(fā)生變化的信息維度及其具體內容的廣泛程度，尤其在實用化思路上，無人平臺需要具備獨立自主作業(yè)能力時，對動態(tài)變化響應的能力就顯得尤為必要。

2）自主性：無人集群系統(tǒng)的實用化必然需要自主作業(yè)和自主協(xié)商能力。以無人機集群為例，往往由小型平臺構成，其單一平臺的可裝配的載荷和存儲計算能力都有限，就需要盡可能消減單個平臺在面臨動態(tài)環(huán)境、復雜問題、缺乏后方算力和指揮等支援條件下的潛在負載。同時，這種負載表現(xiàn)在存儲、計算、通信等多個維度上，使得找到負載降低的關鍵問題重要而困難。

3）魯棒性：無人集群系統(tǒng)的實用化必須持續(xù)進行魯棒性的提升。在前述分析調研過程中可以看到：一方面無人機集群主要面臨的場景是相對危險系數(shù)和對抗性更高的場景，對系統(tǒng)的穩(wěn)定運行、算法的多樣化場景適配有著很高的要求。另一方面，無人集群隨著能力需求的增強，人機需要面臨的任務協(xié)同的具體樣式也隨之增加，不是單一樣式控制算法，或類似仿生的具體問題具體分析可以解決的。針對這些問題就需要明確已有規(guī)則算法、模式匹配的成果，如何能夠在兼顧成果集成的角度，同時擁有一套持續(xù)完善的方法框架，不斷提升穩(wěn)健運行和算法模型持續(xù)集成的水平。

4）匹配性與可擴展性：無人集群系統(tǒng)的實用化方法設計需要兼顧多方面匹配的擴展性。這里由于匹配性和可擴展性的緊密聯(lián)系，故合并分析。其實匹配性要求一方面在于無人集群系統(tǒng)自身和多個無人集群系統(tǒng)間的系統(tǒng)體系、協(xié)同組織、個體平臺在設計架構上需要保持一致的設計原則，另一方面在于與現(xiàn)有有人系統(tǒng)和未來體系之間的匹配。因此，對匹配性難點的思考就需要找到發(fā)展中相對穩(wěn)定的要素，進而破解展開研究，形成具備良好擴展和適配能力的控制框架和模型架構。

因此，基于上述需求響應難點，面向信息交互的過程進行無人集群系統(tǒng)的控制機制解耦要點，需要具備面向任務的協(xié)同自主、基于局部信息的系統(tǒng)優(yōu)化和控制體系的動態(tài)可重構等設計要素，重點關注協(xié)同過程中系統(tǒng)的一般化演化規(guī)則及其結構特性、局部交互特性分析，以及一般化、可擴展控制架構設計，使得解耦后的模型框架既能夠具備基本的信息交互控制能力，又能夠集成必要的算法模型實現(xiàn)動態(tài)擴展。在這個過程中，對通信組網、運動控制、信息融合、態(tài)勢評估等多個方面的模型需要能夠具備相對獨立，又能夠關聯(lián)耦合的控制，就需要選擇合適的分層解耦方式，為差異化算法模型的集成與融合提供條件。

與上述需求不能完全適應的是，現(xiàn)有研究主要仍關注于特定優(yōu)化、分配、規(guī)劃、調整、融合的算法設計，即便各領域已頗為深入、成果豐碩，但在為差異化算法模型的集成與融合方面，仍需研究并提煉設計出具有共性支撐能力的架構與機制。為此，本文研究旨在從信息交互視角出發(fā)，根據(jù)上述基礎性科學問題，找到無人集群系統(tǒng)合適的解耦方式，如圖1 所示。以網絡信息交互、局域信息決策和交互負載優(yōu)化為重點內容，構建一種可支撐實現(xiàn)下述能力的基礎性系統(tǒng)模型，包括：1）一般化交互機制，為按需裝填專有決策模型或控制算法提供基本結構；2）通用化控制策略，為多源信息收集與處理提供基礎去冗和評估能力；3）形成決策傳播效應，為動態(tài)自主力量編配和效能優(yōu)化提供底層機制。最終，面向未來無人集群系統(tǒng)形成“系統(tǒng)基本體系架構”、“平臺節(jié)點基礎功能模塊與結構”、“信息交互協(xié)調機制”、“面向動態(tài)任務的基本協(xié)同機制”和“系統(tǒng)信息交互負載動態(tài)優(yōu)化機制”提供一定的解決思路和實踐參考。

圖1 解耦需求分析思路與重難點概要示意圖Fig.1 Outline diagram of decoupling demand analysis ideas and key difficulties

面向信息交互的無人集群分布式系統(tǒng)解耦，是將物理運動、通信組網和任務規(guī)劃層進行邏輯上的解耦，重點在于信息交互與傳播的視角。所以在下面的網絡演化模型研究中，采用先橫向解耦再縱向解耦的思路，先提出一層網絡的演化機理研究，分析基于候選局域動態(tài)世界（candidate-dynamic-local-world，CDLW）的無人系統(tǒng)網絡演化動力，再提出面向無人集群系統(tǒng)的網絡層次化分層控制思路，分析構建層次化候選局域動態(tài)世界（hierarchi cal-candidate-dynamic-local-world，H-CDLW）的無人系統(tǒng)網絡演化動力，支撐面向無人集群系統(tǒng)的多智能體系統(tǒng)網絡模型設計。

2 基于CDLW 的無人集群系統(tǒng)網絡演化

2.1 基于改進LW 模型的橫向解耦演化動力

橫向解耦從信息交互與傳播控制角度出發(fā)，將物理運動、通信組網和任務規(guī)劃縱向耦合成一層，分析無人集群系統(tǒng)在認知迭代特性、信息聚合局部特性和整體過程動態(tài)耦合特性方面的演化動力，據(jù)此基于局域世界網絡模型（local-world，LW）進行設計。綜合考慮，LW 模型發(fā)展基礎是BA（barabasi-albert）無標度模型，主要規(guī)則基于增長與優(yōu)先連接特性，難以平衡局域信息決策與交互負載優(yōu)化。因此，本節(jié)主要改進并分析基于候選動態(tài)局域世界的演化動力及要素［11-13］，為2.2 節(jié)改進設計相關演化模型提供支撐，具體如表1 所示。

表1 基于候選局域動態(tài)世界（CDLW）的演化動力Table 1 The evolutionary dynamics based on candidate-dynamic-local-world（CDLW）

此外，有約束的隨機重連中有一類重要觸發(fā)條件為節(jié)點消減，由于其與群組和個體策略控制緊密相關，不作為基礎控制模型研究重點。同時，上述“外圍”雖主要指物理域時空范圍，但并不排除密度稀疏情況。

2.2 基于CDLW 的無人集群系統(tǒng)網絡演化模型

從無人節(jié)點個體間的信息交互行為來看，根據(jù)無人集群分布式系統(tǒng)應具備的基本特性設計基于CDLW 的無人集群系統(tǒng)網絡演化模型構造與演化算法（如算法2-1 所示）。具體地，面向無人平臺節(jié)點個體間信息交互控制，進行局部信息交互決策與交互負載優(yōu)化設計，提供個體節(jié)點間相對獨立的自主協(xié)同演化機制。

然而，無人系統(tǒng)各節(jié)點同時處在時間、空間和交互信息等多維度綜合作用下，為實現(xiàn)通信組網、目標信息融合、運動控制等不同算法模型的動態(tài)可擴展、可重構，還需針對上述算法涉及的常見要素，進行要素分析與分層解耦，從而實現(xiàn)無人集群系統(tǒng)模型從架構和機制設計上的匹配性與可擴展性的兼容。

算法1 基于CDLW 的網絡構造與演化算法

3 基于H-CDLW 的無人集群系統(tǒng)網絡演化

3.1 無人集群系統(tǒng)層次化解耦機理分析

面向無人集群系統(tǒng)的網絡建立，需要考慮時間、空間以及交互信息等3 個維度的綜合作用。而對任意一個系統(tǒng)來講，時間與空間是統(tǒng)一的，各個節(jié)點之間共享同一片時空分布的空間。也就是說，無論是任務規(guī)劃與控制層面、通信組網層面，還是具體到某個無人節(jié)點的物理控制律，都是在相同的時間與空間尺度調節(jié)中狀態(tài)一一對應的。那么若想實現(xiàn)不同算法模型的動態(tài)可擴展、可重構，層次化解耦的方式就無法從時間和空間的維度上進行劃分。所以，本文選取針對信息交互維度，展開層次化解耦的機理分析，通過研究信息交互的內容范疇，結合無人集群系統(tǒng)信息交互維度的層次要素，得出層次和解耦的思路和方法。

3.1.1 信息、信息交互與傳播

克勞德·艾爾伍德·香農將信息定義為：“信息是用來消除隨機不確定性的東西”。諾伯特·維納將信息描述為：“信息是人們在適應外部世界，并使這種適應反作用于外部世界的過程中，同外部世界進行互相交換的內容和名稱”。實際上，信息交互就是指感知與反饋交替中，消除不確定性的適應過程中，發(fā)生的內容交換。所以信息交互從過程上分為發(fā)出與接收。因此，可從以下要素來描述分析信息交互，即信源、信宿、信道、內容、噪聲與評估（即反饋），則信息傳播就是信息在交互中獲得時空范圍上擴散的現(xiàn)象。

3.1.2 基于信息交互的層次要素分析

基于信息、信息交互與信息傳播的理解，具體到任務規(guī)劃與控制層面、通信組網層面和節(jié)點控制律（動力學）層面，從上述六方面的要素來分析，各層之間存在如表2 所示的特征與關聯(lián)。由于信息交互的目標是為決策提供信息，故表2 的分析中補充了信息交互的決策部位。

表2 基于信息交互的層次要素分析Table 2 Hierarchical elements analysis based on information interactions

3.1.3 基于信息交互的層次化解耦思路

綜上分析，面向無人集群系統(tǒng)的分布式網絡拓撲模型，至少受時間、空間與信息交互三尺度的耦合關聯(lián)影響。由于時間與空間是多層次統(tǒng)一一致的，因此，主要選擇基于信息交互要素分析進行層次解耦。從物理運動層、通信組網層和任務規(guī)劃與控制層，由下至上交互的信息內容是逐層約束，由上而下交互的信息內容是逐層解算的目標輸入。同時，從信息交互的要素分析上看，由于時空分布限制對組網規(guī)劃、流量控制、路由選擇等算法的強約束，通信組網的控制物理上強依賴于物理運動。因此，在基于信息交互及傳播的層次解耦上，將通信組網和物理運動統(tǒng)一成時空分布層，完成運動控制和連接的保持，為任務層提供基本的拓撲構型。而任務層則獨立解耦成為交互決策層，主要關注以任務分配、資源部署為目標的信息交互行為的產生與信息傳播的動力生成［14］。據(jù)此，基于CDLW 的無人集群系統(tǒng)網絡演化模型將劃分為交互決策層和時空分布層。其中，時空分布層為反饋響應層，交互決策層為牽制層。當無人節(jié)點進行信息交互及決策時，牽制層的決策輸入影響反饋響應層，即可將無人集群看作物理上的單層網絡、邏輯上的雙層耦合網絡結構。從而提供不同動力學模型的解耦框架。實際運作過程中，下層對上層的約束，可以看作是一種牽制。例如，在無人機碰撞檢測等方面也應作為信息的輸入層，影響上層的信息交互決策過程。所以這種雙向的實際牽制，就成為反饋和相應的耦合循環(huán)。同時，運動學模型和信息交互動力學模型均可細化解耦，將雙層網絡拆分出更多的層次，再通過層次之間的耦合關系和層間的信息流動等，真實化模擬無人集群的個體行為、群組行為和集群行為等微觀、中觀、宏觀各個尺度下的行為機理。

3.2 基于層次化解耦改進的H-CDLW 網絡演化動力

縱向解耦主要從信息交互分層出發(fā)，分析物理運動、通信組網和任務規(guī)劃等不同邏輯層信息交互頻次、內容之間的相對獨立性，以及這些信息交互存在的耦合關聯(lián)。因此，可將基于CDLW 的網絡演化模型進一步縱向拆解，構建基于層次化候選動態(tài)局域世界（H-CDLW）的網絡演化模型，并進一步分析其演化動力與機理，形成相應的網絡演化機制。對橫向解耦結果一一縱向解耦的動力分析如表3所示［14-16］。

表3 基于層次化候選動態(tài)局域世界（H-CDLW）的網絡演化動力Table 3 The evolutionary dynamics based on hierarchical-candidate-dynamic-local-world（H-CDLW）

3.3 基于H-CDLW 的無人集群系統(tǒng)網絡演化模型

基于前述分析，為實現(xiàn)通信組網、目標信息融合、運動控制等不同算法模型的匹配性與可擴展性的兼容，無人集群系統(tǒng)模型從架構和機制設計上應具備的基本特性，以及據(jù)此構造的基于H-CDLW 的無人集群系統(tǒng)網絡演化模型構造與演化算法（如算法3-1 所示）。具體地，面向時間、空間與信息交互解耦，重點關注兼容匹配性和可擴展性，提供個體間不同尺度控制相對獨立的協(xié)同演化機制，即基于雙層耦合網絡的基本模型。

4 面向多目標融合揀選的H-CDLW 層次化交互控制

4.1 基于H-CDLW 的無人集群雙層耦合網絡模型

基于H-CDLW 的網絡解耦實現(xiàn)了時空分布與交互決策解耦的基本框架，基于H-CDLW 的無人集群雙層耦合網絡示意如圖2，更為復雜解耦方式可據(jù)此進一步縱向解耦。這種基于雙層耦合網絡的解耦方式，形成自頂向下系統(tǒng)構建方法，依據(jù)信息交互和傳播需求多尺度解耦，將實際行為產生與決策生成的分析和控制分離，使得行為產生能夠基于實際物理環(huán)境的可實現(xiàn)能力進行表征和計算，而決策生成能夠基于實際任務協(xié)同關系的動態(tài)需求進行表征和計算，動態(tài)可控地聚合集群的通信、感知、行動資源。同時，這種分離有具備實際物理關聯(lián)的基礎，可通過一定的約束設計，為分離后的耦合提供具備匹配性的基礎性架構，為行為產生與決策生成的層間約束抑制與激勵提供可擴展設計基礎。

圖2 基于H-CDLW 的無人集群雙層耦合網絡示意圖Fig.2 Diagram of double-layer coupled network of unmanned cluster based on H-CDLW

需要特別說明的是，本文所提分層解耦的方式，并非將無人集群系統(tǒng)按控制、規(guī)劃、協(xié)作、通信等計算內容不同，對算法模型的計算內容進行簡單分層組裝和輸入輸出的關聯(lián)，而是從無人集群系統(tǒng)需要具備個體能力出發(fā)，提出了一種面向個體信息感知、信息融合、信息決策和信息傳播的、具備分層耦合特性的一般化機制和框架，從信息交互的角度上為不同計算內容算法模型的耦合提供一個兼具匹配性和可擴展性的容器，為無人集群實用化的自主性達成等提供基礎支撐。

4.2 面向多目標融合揀選的H-CDLW 層次化交互控制算法設計

面向多目標融合揀選的H-CDLW 層次化交互控制算法設計中，任一無人節(jié)點Ax的目標信息融合模塊位于時空分布層，對t 時刻通過直接觀測和集群通信得到的目標信息進行自動融合處理，生成可觀測目標序列Ix（t），交由交互決策層的目標揀選模塊進行待觀測目標的揀選。當時空分布層的目標信息融合模塊未收到任何直接觀測和集群通信得到的目標信息時，若無人節(jié)點Ax此時不存在觀測目標，則該節(jié)點按照基于H-CDLW 的無人集群系統(tǒng)網絡構造與演化算法，進行自由態(tài)漫游。算法設計主要是針對智能體每步中觀測-評估-融合-篩選-狀態(tài)變遷決策的控制方法，概要算法流程設計如算法4-1 所示。

設計中，級聯(lián)目標信息融合和級聯(lián)目標揀選分別基于時空分布層CDLW（LUst-CDLW）和交互決策層CDLW（LUid-CDLW）進行計算評估［17］。觀測融合基于實際系統(tǒng)通信交互能力評定，目標決策基于鄰居節(jié)點傳播信息意圖的實際信息傳播行為評定。層次化通過層間信息交互的抑制和促進，保留可擴展的解耦機制。

算法3 面向目標融合揀選的H-CDLW 層次化交互控制算法

4.2.1 基于LUst-CDLW 的級聯(lián)目標信息融合方法

無人平臺節(jié)點Ax基于LUst-CDLW 的時空分布層鄰域為Γx（t），對鄰域通信收到的目標信息進行基于級聯(lián)拓撲交互特征分析的目標信息融合，計算與任一時空分布層鄰居節(jié)點Ai的級聯(lián)拓撲關聯(lián)度Ex-i，具體地

Ex-i=a1CDx-i+a2Clx-i

對通信接收目標信息融合結果，進行遍歷修訂，若直接觀測目標序列和融合結果I（xt）存在相同目標，且該目標在兩個序列中信息差處于預設誤差閾值范圍內，則以直接觀測目標序列觀測值更新修訂該目標I（xt）序列信息融合結果，反之不修訂。最終根據(jù)遍歷修訂后I（xt）排序得到s 個目標可觀測序列，即為待揀選序列TGTt= {tgt1，…tgt1，tgts}，推送至交互決策層，再根據(jù)邏輯拓撲交互情況進行級聯(lián)目標揀選。

4.2.2 基于LUid-CDLW 的級聯(lián)目標揀選方法

在目標揀選過程中，若t 時刻，任一無人節(jié)點Ax待揀選目標序列TGTt= {tgt1，…tgt1，tgts}，則基于LUid-CDLW 交互決策層鄰域拓撲，對可觀測目標序列進行基于信息交互評價的收益- 代價評估取最值后揀選。

其中，MAX（Ix_tgtt）為目標揀選篩選最大值的函數(shù)，Ix_tgtt是節(jié)點Ax對s 個待揀選目標序列生成相應的收益-代價評估結果序列，則為序列中的任一目標評估結果，具體地

其中，e1、e2、e3和均為可調權重值，IRERl為目標更替抑制因子。若Ax當前有關注目標且tgtl為已關注目標，則抑制因子失效，即IRERl為1；若Ax當前無關注目標，IRERl=ft（tgtl）為按設定策略設計的抑制因子的策略函數(shù)，tgtl表示可觀測目標序列中的一個目標，具體的各項評估指標計算方法如表4所述。

表4 基于LUid-CDLW 的級聯(lián)目標揀選評估指標表Table 4 Cascade target selection evaluation indexesbasedon LUid-CDLW

5 仿真驗證

5.1 仿真想定

仿真想定以500 個無人智能體節(jié)點開展基于H-CDLW 的雙層耦合網絡演化實驗（初始網絡基于BA 無標度網絡進行重連初始化后構建完成）。下述所有實驗初始網絡構型相同且演化策略均服從于本文模型：1）無目標的自由態(tài)巡察：以500 節(jié)點初始最大隨機連接數(shù)LinkRNDmax為8 的初始構型進行無目標自由態(tài)巡察實驗，分別按最大連接保持數(shù)LinkCapmax為10 條、5 條、2 條遞減，可感知目標范圍按300 計，觀察仿真時間步TimeStepSIM為500、1 000、1 500、2 000 時網絡的運動和自由演化情況。2）有目標的感知與聚集：以500 節(jié)點初始LinkRNDmax為8 的初始構型進行有目標的感知與聚集演化實驗，3個潛在目標（-850，850）、（850，-850） 和（-850，-850）分別于TimeStepSIM為20、100、300 出現(xiàn)。上述3 目標可感知目標范圍按分別按100、400 和200計，觀察網絡的運動和節(jié)點聚集演化的情況。

5.2 實驗結果與分析

5.2.1 無目標的自由態(tài)巡察

盡管通信一再受到抑制（如圖3 的最大連接保持數(shù)從10、8 和2 依次遞減），整體演化仍處在均勻狀態(tài)，未發(fā)生突變和剝離情況。同時量化統(tǒng)計對比是否采用本文模型的進行時空分布層通聯(lián)關系變化情況，包括通信連接總數(shù)、新增通信連接數(shù)和斷開連接數(shù)。為排除感知通信范圍的影響，感知通信范圍均為600～800，即整體通聯(lián)良好、基本全域可視。

圖3 自由態(tài)巡察演化實驗拓撲關系圖示Fig.3 Diagram of the topological relationship of the evolution experiment in free state inspection

從圖4 中可以看到，僅依靠距離解算通信連接關系，在每步仿真過程中不采取分層篩選和歷史評估偏好保持，整體通信連接呈衰減態(tài)勢。本文模型集群總體維持在最大連接保持水平且具備時間穩(wěn)定性。進一步加速節(jié)點振蕩和距離變化，模擬驗證運動速度相異，可通聯(lián)基本條件喪失如：損失、失聯(lián)等情況下的魯棒性。在4 倍和8 倍巡察加速過程中（如圖5 所示），本文模型集群通信連接信道保持數(shù)依舊保持在將近5 000 條的高位運行，穩(wěn)定程度和總數(shù)隨加速巡察的倍率增加略有降低，具有較好的系統(tǒng)魯棒性。

圖4 無巡察加速、無人機集群連接關系統(tǒng)計對比圖Fig.4 Statistical comparison ofUAV cluster connection relationshipswithno patrol acceleration

圖5 巡察加速后，無人機集群連接關系統(tǒng)計對比圖Fig.5 Statistical comparison of up dating status of connection relationships

實驗通過30 次實驗的均值統(tǒng)計（如表5 所示），本文模型集群能在不穩(wěn)定條件下對減少的連接進行補充，更新頻次明顯高于普通集群?？梢姡陔p層耦合網絡的無人系統(tǒng)能夠基于歷史連接保持和動態(tài)感知范圍，迅速補足通信能力缺失，可增強系統(tǒng)穩(wěn)定運行和適應能力。

表5 連接更新對比統(tǒng)計表Table 5 Statistical comparison of updating status of connection relationships

5.2.2 有目標的感知與聚集

如圖6 和圖7 所示，有目標的感知與聚集過程中，無人機集群能夠順利完成對不同目標的動態(tài)聚集和觀測過程，圍繞目標形成穩(wěn)定的觀測群組。延續(xù)之前實驗中最大通信連接保持數(shù)的降低的魯棒性驗證方法，為上述偵察聚集過程增加不穩(wěn)定因素，驗證無人機集群是否能夠在順利完成對三個目標的感知聚集層次化控制。下面通過量化統(tǒng)計與分析無人機集群度分布變化情況，觀察在偵察聚集過程中，前述實驗無人機集群行為的穩(wěn)定性是否能夠得到保持。由于仿真無人機集群節(jié)點數(shù)較多，在圖8中采用堆積圖方式進行量化可視化。

圖6 有目標演化時節(jié)點連接關系與時空分布隨目標變化情況Fig.6 Connection relationship and spatio-temporal distribution of evolution illustrated with the change of target

圖7 聚集觀測標注示意Fig.7 Diagram of aggregate observation clusters annotation

圖8 無人機集群通信連接分布變化示意圖Fig.8 Diagram of the changes of UAV cluster communication connections distribution

基于如圖8 所示整體分布和細節(jié)放大情況，可以看到有目標偵察聚集過程中，集群通信連接分布情況與前述實驗中基本保持一致，持續(xù)運動和聚集監(jiān)視的無人機集群未出現(xiàn)較低通信連接數(shù)，基本保持在滿通信信道負載運行，均勻性和穩(wěn)定性良好。進一步在圖8 的實驗（2）中將LinkCapmax抑制到至多6 條信道水平，模擬弱通信連接條件下的均勻穩(wěn)定運行能力，能夠得到相同的實驗結果，即在基本滿負荷條件下信道保持均勻性和穩(wěn)定性良好。

6 結論

本文面向實用化無人集群分布式控制問題，基于復雜網絡信息交互與傳播視角橫縱雙向解耦，形成了基于CDLW 與H-CDLW 的演化模型，構建了基于雙層耦合網絡的系統(tǒng)模型，設計了匹配的層次化交互控制多目標融合揀選方法，并通過仿真實驗驗證了該模型在多維度實用化目標均衡方面的優(yōu)勢，提供兼具匹配性和可擴展性的分層控制機制。本文成果屬基礎架構設計與驗證，還需結合集群自主性涌現(xiàn)過程，對群組聚集、解聚以及信息交互決策過程中存在的沖突消解等問題，深化研究內容，完善當前的雙層耦合網絡系統(tǒng)模型設計，從而支撐可適應個體信息感知、信息融合、信息決策和信息傳播等方面動態(tài)需求，形成具備動態(tài)分層耦合特性，按需裝填、耦合不同算法模型，以及兼具匹配性和可擴展性的一般化機制和框架。