智能无人机集群是未来无人化时代大国战略技术竞争的制高点之一。集群网络优化是实现集群智能协同、发挥集群数量优势的基础。本书紧密围绕智能无人机集群网络优化关键技术展开阐述，主要介绍作者在该领域的系列研究工作。全书共9章，首先分析了无人机集群网络的地位作用、归纳总结了无人机集群网络的特点、梳理了网络优化的挑战与潜力，在此基础上提出了智能无人机集群网络优化在目标、机制、方法等方面的新思考。然后分别针对资源分配、数据接入、路由选择、拓扑优化等几个关键主题，详细介绍相关的问题分析、模型建立、算法设计和实验结果。最后介绍了智能无人机集群网络优化的场景运用。 本书适合高等院校无人系统、无线通信及相关专业的本科生、研究生阅读，也可供相关科技人员参考。

第1章无人机集群的神经系统
　　无人机集群是将大量无人机在开放体系架构下综合集成，以平台间协同控制为基础，以提升协同任务能力为目标的分布式系统。无人机集群由于其平台小型化、功能分布化、系统智能化、体系生存强、系统成本低、部署简便、使用灵活等特性，便于发挥数量规模优势，实现集群侦察、打击、干扰等功能，可以应用于反恐、突防、护航等作战任务，被世界各军事强国视为未来无人化作战的样板，受到国防领域、工业界、学术界等的重点关注。各国争相研究和发布无人机集群试验原型系统，争抢该研究的制高点。
　　在军事领域，无人机集群将带来作战模式的颠覆性变革，可广泛应用于广域搜索侦查监视、边境巡逻搜救、城市反恐维稳等领域，并可衍生新的作战模式，提升体系作战效能。2016年5月，美国空军提出《2016—2036年小型无人机系统飞行规划》，希望在2036年实现无人机系统集群作战。2016年10月美军三架海军F/A-18F“超级大黄蜂”战斗机成功抛洒出103架“灰山鹑”微型无人机，并自动组成集群队形。美国国防部高级研究计划局（Defense Advanced Research Projects Agency，DARPA）主导的小精灵（Gremlins）项目致力于可快速部署与多次回收利用的无人机集群，拒止环境中的协同作战（collaborative operations in denied environment，CODE）项目力求发展无人机协同自主作战的能力。为显著提升小型地面部队在城市环境下的作战效能，DARPA在2016年12月启动了“集群使能攻击战术”（offensiveswarm-enabledtactics，OFFSET）项目，旨在快速生成集群战术，评估集群战术的有效性，并将*佳集群战术整合到野外作战中。
　　在民用领域，无人机集群在智能交通、物流运输、森林火灾监测、地质灾害探测、农业植保、国土资源监测、对地观测和遥感、高速公路管理、小区环境监测等场景中具备特有的优势。例如，无人机集群在精准农业方面从单纯的农药喷洒逐渐扩展到农业信息采集、光谱数据分析等领域。在抢险救灾方面，相比卫星通信，大规模无人机集群构建的临时中继网络更加灵活，成本也更低。顺丰、京东等企业已经开始无人机物流快递的尝试，在不久的将来，大量的物流快递无人机将在城市上空组成大规模无人机集群。在国土资源监测中，无人机集群以协同模式同时对区域进行监控，可以很大程度上实现区域的同步监控，增加有效覆盖面积，节约执行任务时间。
　　在工业界，2016年11月4日，英特尔公司实现了500架无人机同时升空并编队。新加坡SwarmX公司针对无人机集群研制了哈夫曼（HiveMind）无人机操作系统，釆用了“基于目标的集群管理”和机器学习算法来有效地部署集群。我国十分重视无人机集群技术的研究。2017年6月11日，中国电子科技集团展示了119架无人机编队飞行的“集群”技术。紧接着，我国又实现了1000架无人机的编队飞行。
　　在学术界，IEEE通信协会的旗舰级刊物IEEECommunications Magazine于2016年5月刊发了题为Wireless Communications，Networking， and Position with UAVs的学术专刊，展开对无人机集群通信的理论研究。可见，世界强国已经掀起无人机集群研究竞赛的热潮。
　　集群的本质属性之一是协同。把数量规模优势转变为集群效能，其关键在于：在统一行动任务之下，集群内无人机之间的密切协同，形成有机整体。而密切协同的基础在于：构建能够保障及时、可靠的信息交互的集群网络。无人机集群的群内网络优化问题，是当前制约无人机集群自主化、智能化协同的命门。没有通信就没有指挥，没有通信也谈不上充分协同。而没有协同，集群就丧失了意义。没有一个健壮的“神经系统”，无人机集群的效能就得不到发挥。
　　相比于传统的无线网络，无人机集群网络面临着复杂环境、高动态、高自主、多约束、小体积、低成本等技术挑战，釆用传统无线通信手段的简单移植无能为力。如图1-1所示，与传统的蜂窝网络、物联网、车联网等无线通信不同，在对抗条件下，支撑无人机集群任务行动的集群网络，面临多约束、强对抗、高动态等诸多全新挑战。
　　图1-1无人集群网络系统场景示意图
　　（1）无人机集群网络面临更多更强的约束，需要具备高效通信能力。任务指标的刚性约束、复杂多变的电磁频谱约束、无人机能量瓶颈的约束、机载通信设备的性能约束等给无人机通信组网带来了挑战。同时，无人机集群需要进行指挥调度和编队调整等大量的、实时性的集群控制，需要占用大量的通信资源。这使得无人机集群通信和控制之间的矛盾异常突出。
　　（2）无人机集群网络面临更强的对抗性干扰，需要具备可靠通信能力。对无人机进行干扰使其丧失或降低作战效能被视为高效的对抗手段。无人集群在战场环境中将不可避免地遭受敌方高强度的对抗性干扰，而且干扰手段越来越智能化。受限于无人机个体信息获取能力、机载设备性能、有限能量等条件，传统的抗干扰方法很难与敌抗衡。同时，传统的独立抗扰行动（如增大功率、扩频、跳频等）会对集群内部的通信造成严重互扰。
　　（3）无人集群网络优化面临更高的动态性，需要具备捷变的响应能力。环境的高动态、拓扑的高动态、业务的高动态、任务的高动态，将给无人集群带来陌生环境信息获取难、决策信息不完全、信息交互代价高等问题，给集群通信的动态优化决策带来了挑战。尤其是无人集群的路由决策问题，更是极具挑战性。
　　综上，无人集群通信面临着多约束条件下的高效通信、强对抗条件下的可靠通信和高动态条件下的捷变响应等新的挑战，传统的无线网络设备难以应对。因此，需要对无人机集群网络优化理论和方法展开深入研究，需要根据无人机集群的新特点，挖掘其通信网络优化的新潜力，将认知无线电、机器学习、协同通信等*新技术与无人机集群的特点和需求紧密结合，定制开发，才能研发出满足大规模、高动态、多约束特征要求的无人机集群网络。
　　国内外也对无人机集群网络展开了深入研究。从不同的应用角度，美军对无人机集群自组网展开了广泛的研究，但项目的详细资料均未公开，其中，美国DARPA支持的“小精灵”项目，研究了侦察和电子战无人机蜂群“有效、安全的自组织无线网络”的设计问题。波兰世行集团的蜂群察打一体系统体现出了无人机协同作战的未来发展趋势。瑞士洛桑联邦理工学院智能系统实验室开发了基于微型无人机的灾区通信保障网络。国内一些著名专家及团队也展开了无人机集群优化的深入研究。例如，南京航空航天大学吴启晖教授团队对无人机集群频谱资源动态优化进行了深入研究，推动了无人机集群智能通信的前沿探索。北京航空航天大学向锦武院士团队在无人机的智能感知等领域取得了丰硕成果。中山大学成慧教授团队在无人机集群的飞行控制研究方面进行了深入的创新研究。沈阳航空航天大学陈侠教授团队在无人机协同任务分配、决策理论与应用等方面取得了丰硕成果。西北工业大学高晓光教授团队在人机协同智能决策方面进行了深入研究。一些著名团队也在开展基于群体智能的无人集群研究工作。例如，大连理工大学谭国真教授团队进行智能无人系统群体智能分布式理论及应用项目研究。北京航空航天大学段海滨教授团队开展“基于群体智能的多无人机编队自主协调及验证”和“基于鸟群行为的无人机自主控制”项目研究。这些研究取得了多项创新成果，对推动无人机集群网络控制和通信的智能化做出了重要贡献。我国在2021年珠海航展上展示的67架规模固定翼集群的主要目的之一就是验证无人机集群基于点对点（Ad hoc）的自组网通信系统。中央军委科技委在无人机集群通信方向展开了立项研究。在学术界，无人机集群通信研究的相关论文等成果已经陆续刊出。
　　但是，当前公开的资料中，无人机集群网络尚无法真正应对面临的能量、频谱和刚性任务需求等挑战。当前展示的无人机集群编队飞行试验，多数执行预先设定的飞行动作和控制规则，使用相对固定的频谱分配，执行预定的通信组织规划，离真正实现自主控制、自主协调、自主决策还有差距，集群成员的智能特性体现得还不够明显。无人机集群的神经系统一无人机集群网络还不够高效、健壮。
　　1.1无人机集群的发展及趋势
　　1.1.1无人机集群发展概况
　　自20世纪90年代以来，无人机在军民领域受到了空前的关注并得到了迅速发展。因响应速度快、使用成本低、部署灵活等独*优势，无人机被普遍认为是未来信息化发展的重要平台。近年来，无人机平台的发展取得了长足的进步，出现了各种性能优异的无人机。
　　但是，受限于单个无人机的功能，无人机难以携带一些体积较大、质量较重的作业载荷，这就限制了无人机作业的精度及范围。特别是随着无人机应用对自主性、智能化、多任务等方面的要求越来越高，无人机单机作业效能和智能水平已逐渐无法满足任务应用需求，一些比较复杂的任务不能得到满意的执行。尤其是在复杂恶劣的战场环境、遮蔽物众多的城市环境等，独立的无人机受限于搭载的设备数量、性能以及个体视角等缺陷，往往难以执行持续目标跟踪、全方位饱和攻击等任务。因此，无人机集群自然成为发展趋势，并成为当前研究的重点和热点。
　　无人机集群是来自对自然界生物集群现象的研究。早在2000年，美国国防部就开始了一个名为无人机集群空中战役的研究计划，该计划通过对蚁群信息素的模拟来实现对无人机行为的控制。美国联合部队司令部于2002年对无人机集群的作战效率和适合类型进行了研究。美国还大力开展了无人机集群实验研究，通过无人机编队飞行来实现无人机集群体的控制。国外加紧推进无人机集群履行任务的能力研究和方案验证，美国是其中的先进代表，全力投入进行研究，已经进行了若干典型的无人机集群任务执行验证项目，包括低成本无人机集群技术[2]、“灰山鹑”无人机集群[3]、近战隐蔽自主一次性无人机[4]、可空中回收无人机集群“小精灵，，等[5]。相关项目基本情况如表1-1所示[6]。
　　低成本无人机集群技术（low-costunmanned aerial vehicle swarming technology，LOCUST）项目由美国海军研究办公室（Office of Naval Research，ONR）主导。该项目主要是验证如何在短时间内布设大规模的微型无人机，进行通信组网，进而完成集群协同，体现出集群数量的优势。在无人机部署上，低成本无人机集群技术项目研发了郊狼（Coyote）等系列小型折叠翼无人机。灰山鹑（Perdix）无人机集群项目由美国战略能力办公室（Strategic Capabilities Office，SCO）主导。该项目主要研究通过普通战斗机抛射微型无人机集群，帮助普通战斗机执行危险区域的抵前侦查，诱骗敌方等配合作战任务。2016年10月，SCO完成由3架F/A-18战斗机空中投放103架“灰山鹑”无人机的演示验证。近战隐蔽自主一次性无人机（close-in covert autonomous disposable aircraft，CICADA）项目由美国海军研究实验室（Naval Research Laboratory，NRL）发起。该项目的主要目的是控制用于供大型平台抛撒的一次性、低成本微型无人机。2019年4月，美海军从4架大型无人机（Hives）释放了100多架小型CICADA微型无人机编队。可空中回收无人机集群“小精灵（Gremlins）”项目[5]由DARPA主导。该项目的主要构想仍然是由微型无人机布设，但是这些微型无人机要能进行回收。世界其他军事强国也同样在加紧无人机集群方向的研究和验证。印度在2019年公布了其无人机集群项目ALFA-S（air-launched flexible asset-swarm），通过传统战斗机发射规模性的微型无人机，形成集群协同，对地面防控目标进行打击[7]。土耳其STM军工集团开发了由20架7kg的四旋翼无人机组成的集群并进行反恐行动的演示[8]。
　　我国在无

目录
前言
第1章无人机集群的神经系统1
1.1无人机集群的发展及趋势4
1.1.1无人机集群发展概况4
1.1.2集群协同带来的优势6
1.1.3无人机集群发展趋势8
1.2无人机集群协同面临的挑战10
1.2.1遥控协同模式面临的问题10
1.2.2预先编程协同模式面临的问题11
1.2.3仿生物群体智能协同面临的问题12
1.3无人机集群自主协同的基础保证13
1.3.1信息共享的途径是网络13
1.3.2决策动作的协调靠网络14
1.3.3集群决策的基础是网络14
2.4.3无人机集群网络拓扑优化研究现状25
2.4.4无人机集群网络路由优化研究现状26
参考文献30
第3章无人机集群网络优化的挑战与潜力34
3.1无人机集群网络优化的新挑战34
3.1.1多维动态35
3.1.2能力约束36
3.1.3信息缺失37
3.2无人机集群网络优化的新潜力38
3.2.1网络弹性38
3.2.2集体主义39
3.2.3智能学习39
参考文献40
第4章智能无人机集群网络优化的新思考41
4.1任务驱动：智能无人机集群网络优化的目标指引41
4.2通控一体：智能无人机集群网络优化的探索思路46
4.3群体智能：智能无人机集群网络优化的主要途径50
4.4博弈学习：智能无人机集群网络优化的重要方法52
4.4.1博弈论基本概念52
4.4.2博弈论在无人机集群网络优化中的应用54
4.4.3学习算法与博弈理论的结合55
参考文献56
第5章智能无人机集群网络频谱资源分配61
5.1引言61
5.1.1概述61
5.1.2本章主要内容64
5.2基于相关均衡的无人机集群频谱资源匹配优化65
5.2.1问题引入65
5.2.2模型建立66
5.2.3资源需求-供应匹配优化博弈和相关均衡69
5.2.4基于悔恨匹配过程的分布式学习算法72
5.2.5实验结果及分析73
5.2.6小结78
5.3基于势能博弈的无人机集群频谱分配优化78
5.3.1问题引入78
5.3.2模型建立79
5.3.3基于势能博弈的自组织频谱接入方法81
5.3.4实现纳什均衡的多智能体学习算法83
5.3.5实验结果及分析84
5.3.6小结88
5.4基于协同自治的密集集群网络频谱决策优化88
5.4.1问题引入88
5.4.2模型建立90
5.4.3基于分治决策的资源分配机制91
5.4.4实验结果及分析98
5.4.5小结104
5.5基于团购机制的无人机集群频谱分配优化104
5.5.1问题引入104
5.5.2模型建立105
5.5.3无人机集群重叠联盟形成博弈108
5.5.4仿真结果及分析113
5.5.5小结117
5.6基于联盟图博弈的多跳数据传输分配优化117
5.6.1问题引入117
5.6.2模型建立118
5.6.3博弈模型设计121
5.6.4算法设计125
5.6.5实验结果及分析126
5.6.6小结131
5.7开放性讨论132
参考文献33
第6章智能无人机集群业务数据传输动态接入140
6.1引言140
6.1.1概述140
6.1.2本章主要内容145
6.2面向无人机业务数据的*优序贯机会频谱接入146
6.2.1问题引入146
智能无人机集群网络优化技术
6.2.2模型建立147
6.2.3业务数据模型150
6.2.4*优序贯检测次序152
6.2.5实验结果及分析154
6.2.6小结156
6.3面向异构业务数据的集群合作势能博弈接入157
6.3.1问题引入157
6.3.2模型建立158
6.3.3面向业务数据的本地合作势能博弈162
6.3.4算法设计164
6.3.5实验结果及分析170
6.3.6小结174
6.4基于集群业务合作的时频二维函数化联盟博弈接入175
6.4.1问题引入175
6.4.2模型建立176
6.4.3业务合作联盟博弈180
6.4.4业务驱动联盟形成算法182
6.4.5实验结果及分析187
6.4.6小结192
6.5面向集群异构业务数据的自组织业务匹配序贯接入192
6.5.1问题分析192
6.5.2模型建立193
6.5.3面向业务数据的序贯接入博弈模型198
6.5.4面向业务数据的序贯接入决策分布式学习算法199
6.5.5实验结果及分析203
6.5.6小结209
6.6开放性讨论209
参考文献210
第7章智能无人机集群网络路由选择218
7.1引言218
7.1.1概述218
7.1.2本章主要内容223
7.2面向传输时延优化的路由选择223
7.2.1问题分析223
7.2.2模型建立224
7.2.3基于深度强化学习的无人机集群路由算法设计225
7.2.4实验结果及分析229
7.2.5小结238
7.3面向多个属性联合优化的路由选择239
7.3.1问题分析239
7.3.2模型建立239
7.3.3基于熵权法的多属性路由决策241
7.3.4多属性联合深度强化学习算法设计242
7.3.5实验结果及分析247
7.3.6小结252
7.4考虑任务属性优先级的路由选择253
7.4.1问题分析253
7.4.2属性优先级分析253
7.4.3基于属性优先级的深度强化学习算法设计254
7.4.4实验结果及分析257
7.4.5小结260
7.5开放性讨论260
参考文献261
第8章智能无人机集群网络拓扑优化265
8.1引言265
8.1.1概述265
8.1.2本章主要内容266
8.2面向能量效率的无人机集群拓扑优化266
8.2.1问题分析266
8.2.2模型建立267
8.2.3基于功率控制的无人机集群覆盖部署269
8.2.4实验结果及分析276
8.2.5拓展分析282
8.2.6小结282
8.3面向高效信息传输的无人机集群拓扑优化282
8.3.1问题分析282
8.3.2模型建立283
8.3.3覆盖效用*优的联盟形成博弈286
8.3.4基于帕累托的联盟部署算法290
8.3.5实验结果及分析291
8.3.6小结296
8.4开放性讨论296
参考文献297
第9章智能无人机集群网络优化的场景运用299
9.1引言299
9.2辅助通信299
9.2.1网络架构301
9.2.2信道特征302
9.2.3技术研究要点303
9.3灾害管理和应急救援305
9.3.1无人机集群辅助灾害管理305
9.3.2无人机集群辅助应急救援309
9.4空中物联网312
9.4.1无人机物联网架构312
9.4.2编队控制313
9.4.3物联数据融合313
9.5安全监控314
9.5.1无人机安全监控概述314
9.5.2系统构成315
9.5.3运用例317
9.6医疗服务319
9.6.1无人机的医疗应用场景319
9.6.2技术要点321
参考文献322
彩图