基于Multi-Agent的无人机集群体系自主作战系统设计

近年来, 利用大量低成本、轻量级[1]的中小型无人机构建自主无人机作战群成为现代无人集群的一个重要发展方向[2]; 其可搭载各种电子设备或武器单元, 代替单一平台, 通过个体间行为紧密耦合协同来突破对动态复杂作战环境适应性的缺陷[3]。随着信息化军事变革越来越深入, 以网络中心战[4]和分布式杀伤[5]为代表的各种作战样式不断涌现, 这些基于信息栅格的网络化作战样式为当前传统集群的指挥控制方式带来了巨大冲击, 这使得对无人集群指挥控制的研究成为军事领域的研究热点。利用真实的战争对指挥控制领域的相关问题进行研究是最理想的, 但其成本和代价可能是无法估量和不可承受的。那么, 利用仿真对组织设计、任务规划等指挥控制相关问题进行深入研究就成为解决上述难题的有效手段。对于任何系统仿真, 都要先解决模型建立的问题, 指挥控制系统及其所属的作战环境是横跨物理域、信息域和认识域的复杂系统, 如何对这样一个复杂系统进行建模和仿真, 已成为当前急需解决的问题。

以组织理论为代表的传统指挥控制系统在设计上主要是基于效果的作战思维[6], 缺少对系统中各要素之间协同与对抗的动态策略设计, 将作战任务的划分简化为资源匹配问题, 缺少与现实指挥控制权限和指挥流程的考虑[7]。以复杂网络[8]和智能体[9]为代表的新型指挥控制系统虽然对系统的组织关系进行了一定程度的网络化描述, 但是缺少对组织结构中指挥体制、指挥流程以及智能体的组织规则的设计与描述。

因此, 为实现无人集群的自主作战, 需要分布式智能指挥控制系统进行支撑, 该作战系统主要包括态势感知、作战规划与决策、行动控制、仿真推演与训练、人机交互等智能技术。本文从无人集群算法和软件部署架构的特殊性考虑, 由于无人集群的分布式和无中心式特性[10], 其特征与人工智能Agent的特点相符[11], 最容易用Agent的思想对无人集群的分布式特性进行建模, 故本文通过对Agent仿真建模方法以及作战空间中各实体特性的研究, 提出适合仿真实体的Agent仿真建模方法, 并对如何管理和调度Agent实体模型进行探索和尝试, 然后搭建分布式Agent指挥控制仿真环境, 对指挥控制领域的具体问题进行研究, 通过构建无人集群自主作战系统, 验证仿真实体建模方法和管理调度技术的可行性。

计算机领域中Agent技术的研究和应用源于美国麻省理工学院的分布式人工智能(distributed artificial intelligence, DAI)的研究项目, 其不仅是一种解决复杂的学习、规划和决策问题的方法[12], 而且也是解决新的分布式应用问题的有效途径。DAI系统通常由具有自主学习能力的处理节点Agent组成, 这些节点分散在很大的范围内, 能够独立运作, 也可通过部分节点间的通信来完成协作[13]。Multi-Agent系统(Multi-Agent system, MAS)[14]是一个有组织、有序的Agent群体, 是对Agent的一种聚合。系统中各Agent能够相互通信, 并在通信的基础上建立协作关系。Agent能够根据用户设定的规则以及相互之间的协议对冲突或自身需求进行沟通, 这样就能产生合力, 促进整个系统的效能提升。

基于Agent建模是在系统抽象时利用Agent作为基本抽象单位, 可赋予Agent一些决策能力, 并预先设定好Agent间的沟通方式, 这样就得到一个系统的抽象模型[15]。整个建模过程既可以从总体体系架构开始, 并延伸到个体, 为每个系统单元设计适合的Agent, 也可先设计好每个Agent, 再按照MAS架构设计Agent之间的交互方式。很多文献都将Agent典型结构描述成由3个基本单元组成, 分别是传感器[16]、处理器[17]和效应器[18]。由于典型结构将所有Agent自主能力和智能行为笼统地以一个处理器来体现, 这会给此处理器的设计带来很大困难。基于对以上问题的考虑, 为了适配无人机集群协同自主作战的需求, 本文将采用多智能体体系设计基本作战单元, 其结构示意图如图 1所示。

图1   作战单元结构示意图

根据以上Agent类型结构, 为进一步研究Agent行为、关系、通信和交互, 对Agent模型做以下定义: 形式化状态S和行为B共同构成Agent, 其表达式如下所示:

(1)

(1) 状态相关描述

分别从事件、状态、状态空间等角度对Agent状态进行描述, 具体描述及定义如下。

定义1   事件。在特定时间, 系统的状态变化称为事件。

定义2   状态。事物所有属性的表达形式称为状态。对于对象在特定时间的状态, 有如下所示:

(2)

定义3   状态域。状态域用于描述模型Agent中的某些特征属性。在状态S=(S₁, S₂, …, S_n)中, S₁, S₂, …, S_n表示状态域。

定义4   状态空间。如果系统有N个状态, 则状态域的域值构成一个N维状态空间, 如下所示:

(3)

定义5   传递函数。系统的映射Q: f: S→S′即为传递函数, 具体如下所示:

(4)

(2) 行为相关描述

分别从行为序列、动作、活动等角度对Agent行为进行描述, 具体描述及定义如下。

定义6   行为序列。行为序列是行为集合中所有元素的有序排列模式。假设p和q为集合中的两个元素, p→q为顺序执行过程, 即持续执行p直到执行q; p∨q为条件执行过程, 即执行p或执行q; p∧q为同时执行过程, 即同时执行p和q。

定义7   动作。动作是引起个体或坏境变换的最小执行单元, 是行为的基本组成部分, 如下所示:

(5)

式中：S_s为动作的开始状态; Q_p为动作函数; S_e为动作的终止状态。

此外, 对于有行为序列的多个动作序列集合 SA, 可表示为:

(6)

如对于顺序执行 SA₁, 可表示为

(7)

定义8   活动。活动是由事件触发或者个体引起的有序动作序列, 可划分为内部活动和外部活动, 内部活动只会导致个体自身状态变化, 而外部活动还会导致坏境状态发生改变。用 Atv表示活动, 其可定义为

(8)

式中: T表示活动的目标集合; E表示事件集合。

定义9   行为。行为用于描述个体对外部环境的反应, 是一系列可观察的活动。行为处理由外部环境、内部知识和当前状态强制执行的约束, 代表着个体的局部规则, 具体表述为

(9)

式中: B表示行为; T^all表示Agent的所有活动目标的集合; E^all表示Agent所能感知的事件集合; A_ct^all表示Agent的所有动作集合; A_vt^all表示Agent的所有活动集合。

包含双方装备的Agent模型在接受指挥控制系统调度的同时应具备作战规则模型, 并将其作为仿真推演的边界约束条件。系统推演中各Agent规则是基于Multi-Agent的无人集群体系自主作战仿真系统的核心, 是该系统中各类实体属性特征和实体间交互过程的描述依据, 影响着仿真模型的真实性和仿真结果的有效性, 包含实体规则、行为规则、裁决规则[19]。实体规则是对仿真实体自身组织结构、属性特征、功能状态等固有属性的一种定量描述的仿真军事规则。行为规则仿真实体是在执行特定作战任务时, 进行合理决策并对其作战行为状态的迁移进行约束限制的仿真军事规则。裁决规则是对仿真实体的状态变化以及其与其他作战实体和环境交互行为产生的影响, 所抽象出的关键规律化仿真军事规则。

作战规则作为仿真模型实现时的描述规范, 需要使用形式统一的数据、算法等方式对模型内容进行描述, 并能够在计算机中存储和运行对应的规范。因此, 本文对Agent在其生命周期内的行为规则进行定义[20-21], 如算法1所示。

异构集群协同作战推演系统应包括各类型无人机、各类型目标、调度系统和任务规划系统等, 每个节点还应具有相应的作战规则。

由于战场的复杂性和态势需求的实时性, 无人集群需要针对实时态势做出快速相应, 同时根据不同作战模式和作战场景, 无人集群规模是不确定的, 需要无人集群在协同作战时能够保证弹性和实时性。因此, 无人集群必须能够自主进行目标探测、识别、打击、支援甚至毁伤评估, 并能根据外界突发情况快速对原有任务规划做出在线调整, 使得新任务规划能够满足当前态势坏境和任务的需求。所以, 无人集群需具备自治性和社会性等特征, 需要对无人机个体进行独立抽象建模, 将每个无人机当作独立决策个体即Agent, 各个Agent之间通过通信进行对等协同, 从而组成多智能体协同集群[22]。同时, 还需要抽象无人机载荷能力对应每个个体的传感器和控制组件。

本文将无人机Agent设计为一个多智能体系统, 如图 2所示。

图2   无人机Agent结构图

该系统由虚拟任务系统智能体、协同决策智能体和态势感知智能体组成。态势感知Agent作为无人机体系结构最底层, 负责从本系统传感器、其他无人机和目标处收集和筛选能够生成信息的数据, 将其输入虚拟任务系统Agent。虚拟任务系统Agent是体系结构中最重要的一环, 负责根据态势感知Agent输出的数据计算相关作战资源并生成作战编队, 同时得到各目标单位相对距离、目标单位附近火力数量等数据。输出当前无人机是否参加该目标作战和机动路径终点决策, 在协同作战过程中, 还负责根据当前态势信息计算当前任务阶段、当前作战目标以及载荷使用情况。这些决策信息不仅可作为本系统行为输出的直接决定因素, 同时通过态势感知Agent传播后还可作为其他无人机决策的间接影响因素。个体规划Agent负责将虚拟任务系统Agent输出的目标路径和作战策略最终形成无人机的个体行为输出。

结合Agent模型定义, 侦察/攻击/察打一体无人机Agent的状态Suav主要可分为〈发现目标、赶赴侦察区域、赶赴攻击目标、侦察中、攻击、状态反馈、侦察变更、被击毁、返航〉, 各个状态之间的行为主要是通过条件或者消息进行执行转换, 如侦察中→侦察变更, 即持续执行“侦察中”直至满足条件执行“侦察变更”状态。无人机Agent的具体状态行为转换图如图 3所示。

图3   无人机Agent状态图

基地Agent的主要功能是在作战中发挥情报支援和指挥引导作用, 其由计算单元、存储单元和通信单元构成, 并将自身计算、存储、通信等多种资源进行整合, 在作战过程中收集战场态势信息为作战云提供指控决策, 在必要时提供高效信息处理能力。

无人机各作战节点将各种信息上传至基地Agent, 或者根据需要从基地Agent定向订购相关所需信息。即基地Agent中虚拟任务系统Agent负责对数据进行处理、分类、分发管理, 以实现各无人机Agent作战节点之间的高效信息共享; 另一方面, 各无人机Agent作战节点可以将自身所能对外提供的能力信息传送至基地Agent, 或者根据需要从基地Agent定向订购所需服务, 基地Agent的虚拟任务系统Agent负责进行功能组合与任务匹配, 以最合适杀伤链、最大效能完成打击任务。基地Agent的结构图如图 4所示。

图4   基地Agent结构图

目标Agent主要用于模拟雷达、导弹车等作战目标, 根据一定的防御距离和每秒在防御圈内的杀伤概率设计了防御事件。因此, 本仿真模型中对于目标的建模过程重点集中在雷达和火力打击。其状态S_target主要包括〈搜索, 锁定, 打击, 被摧毁〉, 其中打击状态还包括〈跟踪, 引导, 评估〉。目标Agent通过雷达对当前作战空域进行搜索, 获取当前空域中无人机Agent态势信息; 在发现目标后会进一步对目标真实性进行确认, 根据雷达锁定条件对目标进行跟踪和确认; 在锁定目标后, 根据导弹相关参数判断是否满足导弹发射条件, 达到导弹发射条件后发射导弹。在制导过程中, 导弹会根据战斗机的当前位置信息不断进行跟踪引导; 当导弹导引头捕获目标时, 标志此次攻击结束, 并根据导弹参数以一定概率摧毁无人机; 期间目标Agent无打击能力时, 目标转入搜索预警。若目标被摧毁, 移出战场。目标Agent状态图如图 5所示。

图5   目标Agent状态图

评估Agent主要是在无人集群作战结束后对作战的打击效果进行评估。评估内容主要包括战场实时资源需求与消耗情况[23]、作战完成情况、探测收益、攻击收益[24]、使用维护成本、损失成本和寿命周期费用[25], 定义分别如下:

式中: DN_tgt为摧毁目标数量; DN_total为战场目标总数; D_P为探测概率; D_C为探测覆盖率; D_D为探测持续时间比例; a, b, c是三个评价指标系数, 且满足a+b+c=1;p_n为多发武器对目标k的综合命中概率；Valuek为目标k的价值；C_F/h为燃油费；C_M/h为维护工时费; C_B, _AC/h为飞行器备件费; C_EG/h为飞行器大修费; C_L^UAV为机体损伤费用; C_L^Load为载荷损伤费用; C_AC为无人机出厂单价; L_AC为无人机的使用寿命飞行小时数; C_D/h为小时研制费。

体系调度Agent通过建立相关Agent行为规则(主要为状态图和事件)完成仿真过程组织、可视化显示和参数控制[26]。体系调度流程图如图 6所示。体系调度Agent通过在不同状态间的切换完成初始化、启动无人机、全局任务规划、支援、全部返航等事项, 状态间切换由消息或条件触发。通过系统初始化无人机、基地、目标等数据, 并等待指令状态, 随后进入任务分发阶段状态, 向非待命无人机发送起飞指令; 之后, 由系统(控制中心)进行初始任务规划, 完毕后进入等待消息状态; 当有无人机被攻击时, 判断战场内是否还存在存活无人机(若无存活无人机, 则不能接受战场消息, 此时需要指挥中心自行判断); 当无存活无人机, 且有作战需求和待命无人机时, 进入支援处理环节, 出动待命机; 当有支援消息时(此支援消息一般来自集群), 进入支援任务, 出动待命机并进行重规划; 当满足任务结束条件时, 全部返航并结束所有状态。

图6   无人集群自主作战总过程流程图

虚拟任务规划Agent的主要功能是完成任务规划、信息统计、消息广播以及完成集群组织[27]。虚拟任务规划Agent作为体系调度Agent或无人机Agent的子成员, 用于模拟控制中心任务系统和机载任务系统。体系调度Agent或各类型无人机Agent通过调用其函数实现各自的功能, 其具体步骤如下。

步骤1   提出任务规划需求, 无人机Agent攻击完一个目标、一架无人机被击毁或体系调度Agent处于某些状态等条件下均可能产生任务规划需求(当能力冗余时, 不会产生需求), 任务规划需求以消息形式发出。

步骤2   规划计算权限转接, Agent计算权限通常由集群中计算能力中的最大者获得, 当集群中当前权限不足时进行规划转接。

步骤3   接收到消息, 并且获得了计算权限的无人机Agent进入执行任务规划算法状态, 调用作为子成员的虚拟任务规划Agent。

步骤4   资源-能力池刷新。

步骤5   执行任务规划算法, 规划结果, 算法执行过程中即为各架无人机指定了新的任务。

在此过程中, 无人集群体系作战单元Agent包括各个无人机Agent、各目标Agent、基地Agent、虚拟任务系统Agent和体系调度Agent, Agent之间的交互关系如图 7所示。

图7   各Agent类关系交互图

为满足仿真系统要求, 在完成所有Agent模块结构的基础上, 需要明确其在数据库中的存储结构, 设计数据表以及表之间的相互关联, 因此需要开展相应接口设计以及与其他Agent的交互关系设计工作。

在无人集群体系自主作战系统中, 主要是无人机Agent、目标Agent等实体单元进行对抗交互, 任务和过程控制分别作为各实体Agent内部的规划和控制过程, 因此主要设计战场作战单元实体对应的Agent接口和服务信息化接口, 以及无人集群体系自主作战系统中各Agent之间的交互关系和总的调度控制关系。

针对无人集群体系自主作战系统架构, 设计了互操作式信息交互接口, 该类接口主要包括基于物理模型的数据交互接口[28]和基于分布式设计思想的仿真通用化信息接口[29]。

(1) 基于物理模型的实体Agent数据交互接口设计

针对无人集群系统中最小单元的物理模型, 设计该信息接口。该接口继承了无人集群系统的基础物理模型, 如无人机物理模型, 武器物理模型。基于平台模型框架的模型体系调用该接口, 从而达到无人机模型、武器模型、传感器模型甚至联合作战编队模型在系统中的具体实现。例如, 基于物理模型的数据信息交互接口中的作战实体基类, 其继承于作战平台模型类, 也称飞机类; 在此基础上, 可实现飞机实体单元在仿真体系中装配任务单元, 从而具备行为能力, 也能够设置指控和隶属关系, 能处理情报、产生和处理消息、发射武器等, 其具体实现形式如图 8所示。

图8   基于物理模型的实体Agent数据信息接口

(2) 无人集群体系自主作战系统通用化信息接口设计

通用化信息接口[30]模块定义了各种管理器、服务接口以及模型基本框架包含的子模块[31]。该模块内定义的各种接口和子模块具有不可替换性, 其他模块直接依赖于该模块, 根据任务需求实现相应服务。如: 基于相关服务和管理接口, 实现了分布式仿真相关的核心服务和管理器; 基于分布式数据中继和传输服务接口, 实现了分布式数据中继和数据传输功能, 具体设计图如图 9所示。

图9   无人集群体系自主作战系统通用化信息接口

基于Multi-Agent的无人集群体系自主作战系统能够支撑典型的指挥控制研究, 如协同探测、指挥控制组织设计、指挥决策、任务规划、武器协同运用等, 并且将实际装备组织在一起完成虚拟试验。其能够根据指挥控制虚拟试验需求完成实验想定的设计、实验过程的控制和试验数据的采集分析。整个仿真系统由想定编辑、仿真控制、评估管理、数据采集管理等模块组成, 其中各个功能模块的交互以及与人员的交互关系如图 10所示。想定制作模块主要是在环境、模型和规则基础上, 编辑装备数据; 设计作战场景主要包括初始兵力编成、装备配置、位置部署和各情报节点、指控节点和武器平台初始参数的编辑、修改, 以及想定文件的管理等功能。想定设计模块输出的结果是想定文件, 是推演控制模块的输入。仿真控制模块主要由仿真运行支撑工具完成想定的加载和推演, 主要包括想定的解析、初始参数的分发、推演控制等。推演控制模块直接完成与仿真实体的交互。数据采集模块与模型管理模块负责完成两项功能, 一是对动态数据, 即实验过程数据进行采集, 将数据保存在数据库中为实验数据的分析和效能评估提供支持；二是对静态数据, 即整个系统中的模型等进行存储、修改、查询, 并为其他模块以及试验人员提供相应的交互接口[32]。评估管理模块主要负责完成体系效能评估和分析, 为试验人员提供效果评估模型管理、评估数据采集与读取等功能, 能够为试验人员提供评估效果的可视化接口。效能评估模块需要从数据采集管理模块获取实验的过程数据等。

图10   无人集群体系自主作战系统交互关系图

本节主要开展基于Multi-Agent的无人集群体系自主作战试验系统设计及开展相关验证。

本节基于前文所述对无人集群体系自主作战系统的设计方案, 搭建仿真推演系统, 推演系统主要包括仿真参数设置界面、虚拟可视化界面和数据分析界面。软件界面的显示由体系调度Agent控制。仿真参数设置界面中的参数和虚拟可视化交互界面中各Agent的参数相关联(具体机制依赖于建模工具的Agent框架)。仿真参数设置界面用于实现用户输入仿真系统的重要参数的设置, 包括目标阵地参数设置、基地资源参数设置、作战平台参数设置、评估参数设置和人工干预控制参数设置等操作。目标阵地参数设置可实现目标阵地单元增加、单元基本信息和重要属性的输入等; 基地资源参数设置可实现无人机基地可用资源的设置, 包括无人机属性编辑及可用数目设置, 任务载荷种类、属性和数目设置等。

仿真环境虚拟可视化界面, 用于较为直观地展示仿真进程, 实现仿真重要信息的虚拟可视化显示。该区域可实现战场态势实时演示, 包括作战任务的重构、资源调度分配等实时展示, 以及作战目标等信息的可视化显示。在推演过程中, 异构飞行器集群结合各个平台的位置态势和武器资源以及传感器资源, 采取网络化制导打击作战手段, 并实时更新平台的武器资源、传感器资源等战场态势信息; 利用集群全局中的自身优势, 提高集群的协同作战效能, 降低作战成本。仿真推演开始后, 异构集群中的侦察编队分别从各个基地出发, 对规划的作战目标进行战场侦察, 在确定目标信息后, 呼叫攻击编队前往作战区域实行打击任务。在整个推演过程中, 通信无人机编队提供战场通信支援服务, 具体设计情况如图 11所示。其中, “W”表示武器载荷, “W4”表示该无人机还拥有4枚武器载荷。基地可以统计其自身无人机数目及使用情况, 包括出动数目、返航数目、待命数目等。目标周围的“T”表示目标编号, 如“T1”表示ID为1的目标; 目标周围的“D”表示摧毁所需的武器量, 如“D2”表示摧毁该目标需要2枚武器; 目标周围的紫红色虚线圈表示目标的防御范围。

图11   无人集群协同侦察场景图

攻击编队到达作战区域后开始根据作战规划对目标实施协同打击, 当前目标被摧毁后, 无弹药的攻击无人机返回基地, 无弹药的察打一体无人机可协同侦察无人机, 继续对战场进行搜索。侦察编队继续执行战场搜索任务, 在发现新目标后, 将战场态势上传给集群。集群根据战场态势, 对战场资源进行调整, 对作战编队进行重构, 若火力不足, 可以呼叫支援, 若附近攻击编队存在多余火力, 则调度无人机前往支援; 若附近无可用资源, 则呼叫基地支援。资源和任务重新调整完毕后, 集群开始自组织攻击编队, 进行新的协同作战, 具体场景如图 12和图 13所示。

图12   无人集群协同打击场景图

图13   无人集群协同作战任务与资源重构场景图

在上述无人集群作战过程中, 基于时变战场态势信息与集群无人机作战模式, 完成了作战方案的确定、作战目标子任务集合的生成、集群资源配置方案的分配、集群体系自组织、全域战场目标分配, 确定了集群协同作战目标集结点、生成了集群航路引导信息。当集群到达目标集结点后, 执行预定作战方案、完成了协同策略生成与控制, 并为后续开展集群无人机作战模式与仿真的效能评估奠定了基础。

根据仿真系统用户流程设计, 考虑功能子系统中各个子模块的定义, 面向复杂任务的调度和管理的流程图如图 14所示。

图14   面向复杂任务的调度和管理流程

异构集群协同作战完成作战任务, 摧毁所有目标, 或者所携带的所有武器弹药消耗完毕, 则认为作战任务结束, 集群开始返回基地。在所有无人机返回基地后, 一次异构集群协同作战的仿真推演结束, 系统可以根据推演数据进行作战效能评估, 效能评估结果在数据分析界面内展示。数据分析界面用于显示仿真过程中的重要信息, 包括平台损失曲线、武器需求信息和效能评估。平台损失曲线表示集群损失量随时间的变化, 损失数量单位为架; 武器需求信息表示战场全局实时武器需求与无人机所拥有的武器随时间的变化关系; 效能评估表示通过算法对战场全局作战的资源消耗成本、获得收益等进行综合求解展示。

以一次仿真推演为例, 平台损失和武器需求实时情况如图 15所示。根据推演过程中产生的数据, 如集群出动数目、摧毁目标数目等指标计算出的成本和收益的评估结果如图 16所示。

图15   仿真推演实时评估曲线图

图16   效能评估分析图1

由图 16可以得到本次推演的探测收益为3.43, 攻击收益为4.69, 由于评估过程中探测收益是由对目标的探测概率、探测覆盖率、持续时间等综合求解, 攻击收益是由无人机突防概率、武器命中率、目标重要度综合求解, 故收益结果是无量纲的。

本次推演对于装备使用的维护成本为23.66万元, 损失成本为257.00万元, 装备周期小时费用为13.78万元, 损失成本占主要成本主要部分。经过综合评估, 此次作战完成了预期作战目标, 该次推演的综合收益为0.438, 成本综合评估为0.499 9, 作战效费比为88%, 推演数据如图 17所示。

图17   效能评估分析图2

一次仿真推演后, 依据自动生成该次推演的双方的战损和资源装备使用情况, 以及相应的过程数据, 如侦察时间等, 通过计算可以得出任务完成率、作战效费比等。通过蒙特卡罗仿真推演, 可得到多次仿真推演过程中探测目标、摧毁目标等的情况, 如图 18和图 19所示。

图18   基于蒙特卡罗的推演资源和任务完成率统计图

图19   基于蒙特卡罗的推演综合评估图

从图 18可以得出, 集群协同打击过程几乎探测到所有目标, 并有接近一半的概率摧毁所有目标, 即使没有摧毁所有目标, 任务完成率也保持在82%以上, 最高可达100%。在50次仿真推演过程中, 综合收益与综合评估的堆叠图如图 19所示。

通过图 19的每次推演综合收益与综合成本, 可以得出相应的作战效费比, 并且发现异构集群协同作战的效费比在80%以上, 大多数情况下效费比处于80%~83%之间, 少数情况下效费比可以达到100%, 即通过对无人集群的仿真推演, 可知在本文所提的模型和协同方式下, 无人集群体系的自主作战性价比较高, 具有较好的指导意义。

本文所设计的无人集群自主作战系统涉及作战规划、作战执行以及作战评估全过程, 能够完成作战想定编辑、集群资源规划、任务规划、武器协同运用、行为协同、集群对抗、作战效能评估分析等功能。基于Multi-Agent机制, 各Agent能够在相互通信的基础上建立协作关系, 适配整个集群在对抗作战过程中的自主性和协同性需求; 除了离线资源、任务规划设计和作战策略设计, 本系统还引入了资源任务的动态管理机制, 能够针对突发情况进行战场资源与任务重构, 以及资源不足情况下的作战支援, 使集群作战推演过程更加贴近现实。同时, 本系统开放集群作战装备和目标性能的数据接口, 可引入实际武器装备和目标相关属性参数, 提升无人集群作战系统推演结果的真实性。

考虑到当前无人集群协同作战研究的不断深入, 而无人集群体系的自主作战系统的设计工作刚刚起步, 无人集群体系的自主作战系统的设计能够实现无人集群的自主作战网络生成-结构演化-任务分配-效能评估的全过程动态仿真, 为后续的深入研究和应用奠定基础。本文开展了基于Multi-Agent的无人集群体系自主作战系统设计, 通过分析Multi-Agent体系结构, 在Agent模型基础上开展无人集群相关节点设计; 并根据Agent的规则设计, 开展后续集群体系规则库设计和无人集群体系作战系统的算法库设计; 并针对无人装备实体设计信息化接口, 以便无人集群作战系统能够更便捷地实现交互。通过对实际仿真系统的试验验证, 表明基于Multi-Agent的无人集群体系自主作战系统的设计对未来无人集群的深入研究和实际训练应用有很好的指导和借鉴意义。