无人机蜂群对海作战概念与关键技术研究

钮 伟， 黄佳沁， 缪礼锋

(1.中国航空工业集团公司雷华电子技术研究所， 江苏 无锡 214000；2.航空电子系统射频综合仿真航空科技重点实验室， 江苏 无锡 214000)

无人机蜂群是由大量无人机(Unmanned Aerial Vehicle, UAV)，以单平台无人机的作战能力为基础，以无人机之间的协同交互能力为支撑，以群体智能涌现能力为核心，基于开放式体系架构综合集成构建的，具有抗毁性、低成本、功能分布化等优势和智能特征的作战体系。早在2012年，美国海军研究生院的Loc Pham[1]便探讨了无人机蜂群对海作战的概念。文章假定使用多架无人机攻击一艘“宙斯盾”级驱逐舰，数百次模拟结果表明：当有8架无人机参与攻击时，平均有2.8架无人机能够避开“宙斯盾”系统的拦截；即便假设舰艇升级了防御系统，仍有至少1架无人机能够突破防御。这就意味着无人机蜂群具备对海作战的能力，可以用于攻击水面舰艇。

本文首先简要论述了无人机蜂群对海作战概念，随后总结了国内外在无人机蜂群领域的研究现状，据此分析了无人机蜂群作战能力形成的关键技术，最后对无人机蜂群未来的发展进行展望。

1 无人机蜂群对海作战概念

无人机蜂群的核心优势在于：单机成本低、群体数目大、群体智能程度高；其主要劣势在于：单机能力弱，即与制空型无人机相比，用于构建蜂群的无人机探测能力弱、机动性差、速度慢、航程短、智能程度低、打击能力有限等。综合考虑无人机蜂群的优势和劣势，无人机蜂群对海作战概念具备较高的可行性：其一，大型水面舰艇价值高，利用低成本的无人机蜂群打击高成本的舰艇符合利益最大化准则；其二，水面舰艇目标大、机动能力较差，是机动能力不足的无人机蜂群的理想目标；其三，现有的海上舰艇应对以无人机为代表的“低慢小”目标的能力不足，例如，2017年8月12日英国广播公司报道称，一架民用四轴无人机在未触动任何警报的情况下顺利地降落在了英国海军“伊丽莎白女王”号航母的甲板上；其四，目前海上舰艇装备的防空系统缺乏应对无人机蜂群的有效手段，大量的彼此协作的无人机足以使得舰艇的防空系统饱和，Loc Pham的实验证实了这一点。

可以预见，随着智能无人系统和蜂群战术方面的发展，在未来战场上高度智能的无人机蜂群可能还会充当一种非对称手段，通过饱和攻击打击敌方高价值的航母系统。杨王诗剑[2]从理论上简单论述了无人机蜂群攻击航母的可行性。文章以对一个美军航母编队攻击为例，假定航母的第一层防空圈由48架“超级大黄蜂”战斗机组成，按照最大拦截能力计算，能一次拦截192枚掠海飞行的反舰导弹；由舰艇装备的防空导弹构成第二层防空圈，4艘装备了“宙斯盾”系统的驱逐舰一次可同时拦截48枚反舰导弹；近防武器系统为第三层防空圈，包括航母上的约12座“密集阵”或“拉姆”近防系统。由此，文章认为对一个理想防空状态下的航母编队一次饱和攻击需要超过240枚反舰导弹齐射。

虽然这是一个理论上的推导，但具有很大的参考价值。不妨假想，如果将240枚高价值的反舰导弹换成由240架低成本无人机组成的高度协同的蜂群，或许将彻底改写未来海战的规则。

2 国内外无人机蜂群研究现状

目前国内外对于无人机蜂群的研究随着各国军方对无人机作战效能的需求提升而逐渐深入。

2.1 国外研究现状

在无人机蜂群领域，美国和欧洲处于领先地位，已经针对无人机蜂群作战的需求，开展了大量的应用研究项目。

2016年4月，美军发布了《小型无人机系统路线图2016—2036》，该路线图凸显了小型无人蜂群系统的重要意义。国防高级研究计划局(DARPA)、战略能力办公室(SCO)，以及空军、陆军和海军等都已经开展了大量的研究和论证工作，启动了多个项目，其中最具影响力的项目包括：DARPA主导自治编队混合主动控制项目(MICA)、拒止环境下协同作战计划(CODE)、“小精灵”项目、进攻性蜂群使能战术项目(OFFSET)，美国海军研究局(ONR)负责的低成本无人机蜂群技术(LOCUST)，以及战略能力办公室支持的“灰山鹑”微型无人机项目等。

1) MICA项目

MICA项目[3]的目标是，在减少操作员人为干预的前提下提升无人机的自主与协同控制能力，涉及的研究内容包括无人机自主协同作战的分层控制结构、多无人机自主编队控制方法和无人机协同作战的建模与仿真技术等，参与研究的机构包括加州大学伯克利分校、麻省理工学院(MIT)以及霍尼韦尔公司(Honeywell)等。

2) CODE项目

CODE项目[4]于2014年4月29日正式发布，该项目计划通过发展一个能安装在现有无人机平台上的新型模块化软件架构，增加无人机的自主性。如图1所示，项目预期一个远程操作员可以同时控制6架甚至更多的无人机，多架无人机将协同完成发现、跟踪、识别和攻击目标，就像狼群协同狩猎一样。

3) “小精灵”项目

DARPA于2015年9月公布了“小精灵”项目[5]，该项目计划研制一种部分可回收的侦察和电子战无人机蜂群。这种无人机蜂群可由C-130多用途飞机或者其他军用飞机进行投放，能够迅速不被察觉地进入敌人上方，并且可以通过压制导弹防御系统、切断通信、利用电脑病毒袭击敌人数据网络等多种手段击溃敌人，如图2所示。按照设想，“小精灵”项目的无人机价格相当低廉，单架无人机的成本将在100万美元以内，单架无人机的损毁不会造成严重的损失，也不会危及整体任务，其他无人机可以继续执行监视、电子干扰、通信窃听、网络战或等任务。在完成任务后，剩余的无人机在预定地点集合，再由C-130飞机利用机械臂等手段重新回收，每架无人机可重复使用20次左右。2017年3月，项目第二阶段的合同由美国通用原子航空系统公司(GA-ASI)和Dynetics公司分别获得。

4)OFFSET项目

2017年1月，DARPA发布了OFFSET项目的招标书。OFFSET项目[6]主要工作将聚焦于开放式软件与系统架构、博弈软件设计与基于博弈的社群开发、沉浸式交互技术、以及用于分布式机器人的机器人系统集成与算法开发，以开发并测试专为城市作战蜂群无人系统设计的蜂群战术。此外，DARPA研究人员希望这种蜂群系统还能引出新的蜂群无人系统使能技术，比如分布式感知、可靠与弹性通信、分布式计算与分析、以及适应性集体行动等。

5)LOCUST项目

LOCUST项目[7]采用由BAE系统公司研制的，廉价的“丛林狼”型三足无人机。该无人机长1m左右，重12～14磅，可以在6096m以下的高度投放，也可以折叠后从发射管中发射。丛林狼的单价很低，单架价格将在1万美元以下，属于“一次性”无人机。迄今为止，美国海军研究局已在多地对低成本无人机蜂群技术进行了演示。

6)“灰山鹑”微型无人机项目

“灰山鹑”微型无人机项目于2012年8月设立。2017年1月9日，美国防部首次披露：不久前完成了一次空射微型无人机蜂群演示，3架“超级大黄蜂”战斗机在Ma=0.6的速度下，投放了103架“灰山鹑”。这些微型无人机蜂群在地面站的指挥之下，成功完成了4项设定的任务，如图3所示。此项蜂群研究直接瞄准快速生成战斗力，这次演示表明美军空射无人机蜂群正朝实战化方向迈进，主要体现在四个方面：1)“灰山鹑”微型无人机已经做到高成熟度和低成本； 2)创造性解决微型无人机装机综合问题； 3)已开展了作战演习和多机编队投放演示；4)演示了大规模蜂群依托云处理协同。

除了上述项目，美国还在蜂群方面做了一些尝试。例如由美国空军主持WASM项目[8]，和美国海军支持的UCAS-D[9]项目。这些项目在功能上相互独立、各有侧重，又在体系上互为补充，融合发展。

欧洲方面，欧盟委员会信息社会技术计划(IST)资助的多异构无人机实时协同和控制项目(COMETS)、欧盟委员会信息通信技术计划(ICT)资助的面向安全无线的高移动性协同工业系统的估计与控制项目(EC-SAFEMOBIL)也比较引人注目。COMETS[10]项目关注民用领域中多异构平台实时协调与控制问题，针对多类异构无人机组成的协同探测和监视系统，设计实现分布式控制结构，集成分布式信息感知和实时图像处理技术；从2011年开始，ICT正式启动EC-SAFEMOBIL[11]，针对高动态固定翼和旋翼无人机，开发新的预测和协同控制技术，并研究多机自动感知、规避与精确着陆问题。

2.2 国内研究现状

我国在无人机蜂群方面的研究起步较晚，但经过多年不懈的努力，国内相关研究单位也取得了一些显著的成果。

在理论研究方面，国防科技大学、西北工业大学、哈尔滨工业大学、北京航空航天大学、华中科技大学和空军工程大学等高校的学者围绕任务分配、航迹规划和编队控制等无人机蜂群的关键技术进行了多年的钻研探讨和学术积累，取得了大量的成果。叶媛媛等[12]利用满意解集合，降低计算复杂度，解决无人机协同任务分配问题；谭何顺等[13]提出了基于资源福利的任务组级粗粒度任务分配方法，使得无人机负载均衡，并通过PSO算法求解；关震宇等[14]基于遗传算法，并且考虑无人机的飞行性能约束，提出一种基于Dubins路径的无人机的避障规划算法，借助先验信息对威胁进行规避；刘伟等[15]针对无人机在复杂飞行环境中的路径平滑性优化问题，提出一种基于双层决策的平滑航迹规划方法，改善路径的全局与局部平滑度；曲成刚等[16]使用人工势场法和虚拟领航员对多智能体系统进行协同控制；夏庆军等[17]对大规模空战中的无人机编队进行了研究，首先利用层级化概念将大规模编队划分为基本队形，设计了编队的编码与解码方法，最后利用自适应遗传算法搜索最优空战队形，该方法为解决大规模飞机编队问题提供了思路。

在演示验证方面，新华社2017年6月10日消息称，中国电子科技集团公司成功完成了119架固定翼无人机蜂群飞行试验，演示了密集弹射起飞、空中集结、多目标分组、编队合围、蜂群行动等动作。刷新了此前2016年珠海航展披露的67架固定翼无人机蜂群试验记录，这标志着智能无人蜂群领域的又一突破。

总的来说，国内外都认识了无人机蜂群的重要性，并将其作为各国军事理论与应用中的前沿研究课题予以了足够的重视，在这一方面开展了不少研究工作。欧美军事强国，尤其是美国近年来专门设立多个无人机蜂群相关的重点项目，项目涵盖了从作战概念到实质验证的无人机蜂群的各项关键技术，涉及了从大型到微型的各种级别的无人机，取得了不少突破性的成果，并且稳步向着实战化迈进。国内的研究大多还停留在概念和理论研究阶段，少有实质性的验证试验。显然，国内外的研究存在着不小的差距，但是就目前来看，即使对于处在领先地位的美国而言，无人机蜂群作战也还处于起步阶段，距离真正实现能用于复杂战场环境下无人机蜂群还有很大的差距，面临一系列问题需要解决。

3 无人机蜂群作战关键技术

无人机蜂群领域相关关键技术水平不足是无人机蜂群发展面临的主要问题之一。这些关键技术主要包括：战术与作战使用、总体架构、集群感知与信息融合、集群控制与群体智能、任务规划和航迹规划等。

3.1 战术与作战使用

无人机蜂群作战系统是军事需求和高新技术进步“双引擎”推动下提出的，可能给未来战争带来新质作战能力的全新作战系统。研究无人机蜂群作战首先需要着眼未来战争的需求，从设计未来战争的角度出发，研究无人机蜂群战术和作战使用。

毫无疑问，无人机集群可以衍生出一些全新的作战方式，例如：超饱和协同探测，即利用大量搭载异类传感器的异构无人机组成的集群，对战场进行长时间、全方位、大范围、高精度的情报侦察和监视；辅助攻击，无人机集群可以充当先头部队主动接敌，执行诱敌、干扰、欺骗、佯攻等任务，使敌方面临的问题复杂化，增加敌方的额外负担，暴露和消耗敌方火力；超饱和攻击，即依托无人机蜂群巨大的数量优势和智能优势，突破敌方的防空系统，直接对目标关键部位进行精确打击。

事实上，蜂群能做的事情远不止于此，但是由于蜂群技术刚刚起步，研究人员对蜂群的理解不够深刻，加上技术发展速度和军事需求尚不明确，故而蜂群战术的创新面临着巨大的困难。发挥群体的智慧，群策群力，可能是解决这一问题最有效的方法。资料表明，DARPA为了寻求蜂群作战的创新方案，提出在OFFSET项目的实施过程中发起“蜂群冲刺”，让更多的科研人员和用户参与到开发过程中，创造和测试新型蜂群战术和实现技术。如此，在设计过程中便能保证蜂群具有良好的环境适应性。

3.2 总体架构

无人机蜂群系统是由大量不同类型和功能，具备有限自主决策控制能力和交互能力的无人机组成的智能系统，为了完成复杂的作战任务，无人机蜂群必须进行高效的集群协同。而系统架构决定着系统的整体效能，为了应对高度对抗性、高度不确定性、高度动态性的战场环境，无人机蜂群系统的总体架构必须具有高鲁棒性、高可靠性、高容错性、高动态性和高实时性。

传统的系统架构分为集中式与分布式两大类[18-22]。集中式的结构存在对整个系统进行控制的中央处理节点。其优势在于决策与控制的管理权限比较集中，结构清晰明了，易于实现，而且能够从全局对问题进行求解和优化。但是集中式架构的决策与控制严重依赖中心节点，中心的处理压力大，而蜂群所面临的问题计算复杂度高，计算耗时长，因此系统的实时性较差；另外，一旦中心故障或者损坏，系统将丧失完成任务的能力，即系统鲁棒性差。分布式的架构各无人机具有充分的自治权限，通过通信网络进行信息共享与协商实现自主决策。与集中式的架构相比，决策无须等待中心返回控制指令，系统实时性较好；而且，个体具有同等的地位，无人机的故障或功能失效不会对系统的整体性能产生太大的影响，系统具备更强的鲁棒性和容错性。但是，分布式的架构很难获得全局最优解。因此集中式和分布式的架构都存在着固有的缺陷，难以满足无人机蜂群作战的需求，需要寻求更加有效的架构。

多智能体系统和复杂网络系统这两个当下热门研究领域的相关理论可以为构建无人机蜂群总体架构提供一些新的思路。

多智能体系统(MAS)[23]作为分布式人工智能理论的一个分支，其核心思想是“分而治之”，即将复杂系统尤其是复杂的动态协作系统分解为相对独立的子系统，通过子系统彼此之间的协作来完成高度复杂的任务。各智能体具有自主性、分布性、协调性等特性，而多智能体系统整体具有自治性、敏感性和社会性等特性，这些基本特征恰恰与无人机蜂群系统相符，因此可以用多智能体系统对无人机蜂群作战系统的进行描述[24-27]。

复杂网络是指具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络，简而言之即呈现高度复杂性的网络[28]。其复杂性主要体现在结构复杂、网络演化、节点和连接多样性、动力学复杂性等方面。可以看出，复杂网络的理论概念[29-30]与蜂群无人机所面临的实际问题十分契合，这就提供了一条引入复杂网络理论解决蜂群无人机协同问题的新途径。

3.3 集群感知与信息融合

集群感知与数据融合是无人机集群控制与决策的依据。集群感知是指各无人机基于机载传感器，通过无人机间的协同获得更广的观测范围、更高的定位精度，实现对战场环境的全面感知，主要包括对外部环境的协同探测和蜂群内部的互感能力。无人机蜂群信息融合[31-33]是指无人机平台之间通过机间数据链共享目标信息、平台状态信息、情报信息和指挥控制信息等，借助配准、关联、滤波、身份识别、态势估计、威胁估计等信息融合手段获取作战区域完整、准确的全局信息。由此建立信息优势，进而建立决策优势，有利于无人机蜂群系统整体效能的提升。集群感知和信息融合问题必须解决无人机之间关联关系时变情况下的海量信息的交互问题，以及异质异构传感器多源信息的融合处理问题。

针对无人机蜂群通信问题，可以将无人机蜂群视为移动无线网络，将无人机视为移动通信网络节点。无人机的空间分布决定了网络的拓扑结构，而不同的网络拓扑结构有着不同的通信性能。无人机蜂群作战时，各无人机移动迅速，相互之间的位置关系变化不定，且随时可能由于敌方的干扰出现无人机故障或者损毁的情况。因此，无人机蜂群的通信网络拓扑变化迅速，无人机之间的通信关系不确定、不稳定甚至随时可能中断，不能指定各无人机在通信网络中的功能，这些都是传统无线移动网络所没有面对过的难题。要解决这一难题，需要从网络架构、硬件、算法和通信协议等几个方面进行努力[34-35]。

在多传感器信息融合方面，己有大量成熟的理论和方法[36-39]。与一般的多传感器信息融合问题相比，无人机蜂群信息融合问题难度更大，主要体现在：信息表现形式的多样性、信息数量的巨大性、信息关系的复杂性、以及要求信息处理的及时性等几个方面。故而，处理方法也应不同于一般的信息融合方法，可行的方法是参考人脑信息融合的认知机制，研究特征提取、知识表达和推理、认知机理等，并且应用于无人机蜂群的信息融合过程中[40-41]。

3.4 集群控制与群体智能

集群控制与群体智能是实现无人机蜂群作战的核心。美国在《无人机系统路线图2005—2030》中明确提出发展无人机自组织集群控制方法，使得多架具备自主决策控制能力的无人机能够通过组织规则和信息交互实现较高程度的自主协作，通过高效的协同组织形式和动态功能分配方法提高系统作战效能。

构成无人机蜂群的无人机个体能力较弱，但借助有效的集群控制手段，无人机蜂群系统作为一个整体能够展现强大的力量。现实世界中很多社会性生物群体也体现了这种特征，如蚁群、蜂群、鱼群、鸟群等，虽然这些群中个体行为简单、能力有限，但当它们协同工作时能够涌现出非常复杂的群体智能特征，例如表现出协调一致的运动行为、互相协同抵御外部威胁、互相协作采集食物、建造结构复杂而巧妙的巢穴等[42]。因而借鉴生物群体智能的理论是解决无人机蜂群面临的集群控制问题的有效途径[43-44]。基于集群智能理论的集群控制方法主要有基于行为法、领航法、人工势场法等。

基于行为法是预先定义无人机的若干种行为，如跟随、避撞、回避等，然后在控制过程中根据每个无人机的信息将这些行为按照某种策略进行加权综合，并将之作为依据来控制每个无人机的具体行为[45-49]。领航法的基本思想是在集群系统中设立领导者或者虚拟领导者，通过领导者的领导作用达到对群体系统控制的目的[50-56]。人工势场法将物理学中势能场的概念引入到集群系统中来，用势函数模拟影响无人机受到的内外作用，每个无人机在势函数的作用下行动，从而实现对集群的控制[57-59]。

总的来说，三种方法各有优劣。基于行为方法与集群智能最为契合，能够实现完全分布式的集群控制，研究重点在于集群内部个体的行为的设计与描述，然而个体局部行为对群体行为的影响是未知的，导致群体智能的涌现结果不可控，故而该方法实现难度很大。领航法是目前最成熟的集群控制方法，通过对领航者的控制实现集群控制，实现简单，易于控制，但领导者很可能成为集群的弱点，领导者的失效甚至微小的故障都可能导致整个集群的失控。人工势场法通过势函数来描述集群内个体之间的局部作用以及环境对个体的作用，依靠势函数对集群起到控制作用，思路简单，然而战场环境复杂多变，势函数设计困难。

3.5 任务规划

无人机蜂群任务规划是完成蜂群作战任务的关键。无人机蜂群任务规划是指根据作战任务需要和战场环境以及无人机性能的约束，为蜂群中的无人机规划一个或一组有序任务，并且要避免资源冲突，实现整体的协同和全局的最优。无人机蜂群任务规划本质上是一个约束众多而复杂的组合优化问题，因而可以借鉴组合优化问题的求解方法解决无人机蜂群的任务规划问题。然而，无人机蜂群由许多各具特点、不同类型和不同用途的无人机组成，而且受到战场环境和敌方兵力部署的制约，这导致无人机蜂群任务规划问题的建模难度急剧增加；其次，无人机蜂群任务规划属于多参数、多约束的非确定多项式问题，在多输入条件下容易导致组合爆炸，问题求解难度很大；另外，作战任务通常相互关联、彼此制约，即存在复杂的约束关系和不同的任务需求，如时间、空间、载荷匹配关系和任务优先级要求等[60-62]。这些因素都给解决无人机蜂群任务规划问题造成了诸多的困难，故而，针对该问题的研究重点应集中在解决无人机蜂群任务规划问题建模、基于实时传感器信息的任务规划的时效性、任务规划算法的速度、提升任务调度综合性能等几个方面。

3.6 航迹规划

无人机的航迹规划是指根据任务的需要，实时地设计出一条使无人机从起点到目标点，符合无人机机动性能约束，并且综合代价最小的最优飞行轨迹。无人机的航迹规划是为圆满完成任务而作的飞行规划，任务规划的实现均由航迹规划来保证。合理的规划使无人机能有效地规避威胁，提高生存概率及作战效率[63-66]。但在实际作战过程中，战场环境瞬息万变，多变约束条件成为航迹规划的研究的主要难点所在，解决航迹规划问题重点要保证航迹规划算法对环境变化的响应性和计算的实时性。

4 结束语

在未来战争中，大量不同类型、不同性能的无人机组成的蜂群被投放到战场执行各种作战任务定会成为一种必然趋势。本文首先提出了无人机蜂群对海作战的概念，并简要分析了其可行性和重要性；随后总结了国内外无人机蜂群的发展现状；基于此，引出了实现无人机蜂群作战的各项关键技术，并且针对每条技术论述了其重要性、难点和解决方案。

可以预见，随着这些关键技术的发展和进步，在未来对海作战中，无人机蜂群将充分发挥其成本低、数量多、智能程度高的优势，作为攻击海面大型、高价值目标的有效的非对称手段发挥无可比拟的重要作用，这种完全不同于以往的全新作战样式必将彻底颠覆未来海上作战样式。但是，除了技术问题，这一新的作战概念正面临着一些发展问题有待解决。首先，无人机蜂群作战的作战概念以尚不明确，作战概念是武器装备发展的逻辑起点，作战概念不明确，作战任务就无法清晰地描述，蜂群系统以及无人机的能力需求也就难以定位，这就使得蜂群作战的概念很难落地；其次，无人蜂群作战要求无人机具有较高的自主程度和智能程度，这无疑将削弱人在回路中的作用，不少人担心无人系统可能失控而成为人类的威胁，这就使得蜂群作战的理念难以被广泛认可；最后，群体智能涌现是无人机蜂群发挥效能的关键，传统的研究方法主要依靠少数研究人员的努力推动技术进步，这与无人机蜂群的理念背道而驰，可能成为限制蜂群技术发展的最大障碍。

尽管发展无人机蜂群作战存在诸多的难点，但是机遇与挑战往往是并存的。我国应当加强对无人机蜂群作战的研究，通过军民融合等国家战略推动关键技术的进步，实现“弯道超车”，以此为契机摆脱“跟随式”的发展，占据以无人机蜂群为代表的无人系统领域的制高点。

[1] Loc Pham. UVA swarm attack: protection system alternatives for destroyers[D]. Naval Postgraduate School, 2012.

[2] 杨王诗剑. 引领海战革命——浅析无人机“蜂群战术”[J]. 兵器知识, 2012(3): 60-63.

[3] M Ownby. Mixed Initiative Control of Automa-teams (MICA)-a progress report[C]. AIAA the 3rd "Unmanned Unlimited" Technical Conference, Chicago, USA, 2004: 1-6.

[4] Jean-Charles Ledé. Collaborative Operations in Denied Environment (CODE) Program Overview[C]. Briefing Prepared for SPIE Defense + Security Symposium Sensors and Command, Control, Communications and Intelligence (C3I) Technologies for Homeland Security, Defense, and Law Enforcement Applications XV Conference, USA, 2016.

[5] DARPA. Gremlins[R]. Tactical Technology Office, DARPA-BAA-15-59, 2015.

[6] Timothy H. Chung. Offensive Swarm-Enabled Tactics (OFFSET) [R]. DARPA, 2017.

[7] LOCUST: autonomous，swarming UAVs fly into the future [OL]． http: //www.onr.navy.mil/Media-Center/PressRelea-ses/2015/LOCUST-low-cost-UAV-swarm-ONR．aspx，2015-04-14.

[8] Schumacher C, Chandler P R, Rasmussen S J. Task Allocation for Wide Area Search Munitions via Iterative Network flow [C]. Proceedings of AIAA Guidance, Navigation, and Control Conference and Exhibit. Monterey, California, 2002.

[9] Jaime E. Navy Unmanned Combat Air System Carrier Demonstration (UCAS-D) Overview [R].USA, 2012.

[10] Ollero A, Lacroix S, Merino L, et al. Multiple Eyes in the Skies, Architecture and Perception Issues in the COMETS Unmanned Air Vehicles Project [J]. IEEE Robotics & Automation Magazine, 2005:46-57.

[11] Franklin M. Unmanned Combat Air Vehicles: Opportunities for the Guided Weapons Industry [R]. Occasional Paper, Royal United Services Institute for Defense and Security Studies, 2008.

[12] 叶媛媛,闵春平,沈林成,等.基于满意决策的多UAV协同目标分配方法[J].国防科技大学学报,2005,27(4):116-120.

[13] 谭何顺,曹雷,彭辉,等.一种多无人机层次化任务分配方法[J].解放军理工大学学报(自然科学版),2014,15(1):18-24.

[14] 关震宇,杨东晓,李杰,等.基于Dubins路径的无人机避障规划算法[J].北京理工大学学报,2014,34(6):570-576.

[15] 刘伟,郑征,蔡开元.未知复杂环境中的无人机平滑飞行路径规划[J].控制理论与应用,2012,29(11):1403-1413.

[16] 曲成刚,曹喜滨,张泽旭.人工势场和虚拟领航者结合的多智能体编队[J].哈尔滨工业大学学报,2014,46(5):1-5.

[17] 夏庆军,张安,张耀中.大规模编队空战队形优化算法[J].控制理论与应用，2010,27(10):1418-1423.

[18] TW McLain, RW Beard. Coordination variables, coordination functions, and cooperative timing missions[J]. AIAA Journal of Guidance Control & Dynamics, 2005,28(1):150-161.

[19] RW Beard, TW Mclain, DB Nelson, et al. Decentralized cooperative aerial surveillance using fixed-wing miniature UAVs[J]. Proceedings of the IEEE, 2006,94(7):1306-1324.

[20] Wei Y, Blakea M B, Madeya G R. An Operation-Time Simulation Framework for UAV Swarm Configuration and Mission Planning [J]. Procedia Computer Science, 2013, 18(10):1949-1958.

[21] 袁利平，陈宗基，周锐，等. 多无人机同时到达的分散化控制方法[J]. 航空学报,2010(4):797-805.

[22] 彭辉,沈林成,朱华勇.基于分布式模型预测控制的多UAV协同区域搜索[J].航空学报,2010,31(3):593-602.

[23] Hayes-Roth B. Agents on Stage: Advancing the State of the Art of AI[R]. Knowledge Systems Laboratory, KSL-95-50, 1995.

[24] W Ren, RW Beard, TW Mclain. Coordination variables and consensus building in multiple vehicle systems[J]. Lecture Notes in Control & Information Science, 2005,309:439-442.

[25] W Ren, RW Beard. Consensus of information under dynamically changing interaction topologies[C]//IEEE American Control Conference, Boston, USA, 2004:4939-4944.

[26] 韩健.基于多Agent的无人机协作控制[D].哈尔滨：哈尔滨工业大学,2012.

[27] 王强. UAV集群自主协同决策控制关键技术研究[D].西安：西北工业大学,2015.

[28] 汪小帆, 李翔, 陈关荣. 复杂网络理论及其应用[M]. 北京：清华大学出版社, 2006.

[29] YY Liu, JJ Slotine, A L Barabási. Controllability of complex networks[J]. Nature, 2011, 473(7346): 167-173.

[30] J Ruths, D Ruths. Control profiles of complex networks[J]. Science, 2014, 343(6177): 1373-1376.

[31] S Shen, Y Mulgaonkar, N Michael, et al. Multi-sensor fusion for robust autonomous flight in indoor and outdoor environments with a rotorcraft MAV[C]//2014 IEEE International Conference on Robotics and Automation(ICRA), Hong Kong, China, 2014:4974-4981.

[32] G Abdi, F Samadzadegan, F, Kurz. Pose estimation of unmanned aerial vehicles based on a vision-aided multi-sensor fusion[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016, XLI-B6:193-199.

[33] 王林,王楠,朱华勇等.一种面向多无人机协同感知的分布式融合估计方法[J].控制与决策，2010,25(6):814-820.

[34] 欧阳瑞斌. 无人机群通信技术研究[D].北京：北京理工大学,2016.

[35] 刘昕. 军用无人机自组网技术研究[D].南京：南京理工大学,2014.

[36] 韩崇昭,朱洪艳,段战胜,等.多源信息融合[M].北京：清华大学出版社,2006.

[37] 何友,王国宏,陆大金,等.多传感器信息融合及应用[M].北京：电子工业出版社,2000.

[38] 徐毅，金德琨，敬忠良.数据融合研究的回顾与展望[J].信息与控制,2002,31(3) :250-255.

[39] 孟章荣.军事应用中的多源信息融合技术[J].现代防御技术,2001,29(2):27-30.

[40] Hall D L, Llinas J. Introduction to multisensory data fusion[C]. Proceedings of the IEEE, 1997, 85(1): 6-33.

[41] 吴荣春.军事信息系统中信息融合关键技术研究[D].成都：电子科技大学,2016.

[42] 梁晓龙, 孙强, 尹忠海, 等. 大规模无人系统集群智能控制方法综述[J]．计算机应用方法研究, 2015(32): 11-16．

[43] 程代展,陈翰馥．从群集到社会行为控制[J]. 科学导报, 2004(8): 4-7．

[44] 肖人彬．群集智能特性分析及其对复杂系统研究的意义[J]．复杂系统与复杂性科学, 2006，3(3) : 10-19．

[45] KWONG H, JACOB C． Evolutionary exploration of dynamic swarm behavior[C]// Proc of IEEE Congress on Evolutionary Computation．2003: 367-374．

[46] TANNER H G, JADBABAIE A，PAPPAS G J． Stable flocking of mobile agents，part Ⅱ: dynamic topology[C]// Proc of the 42nd IEEE Conference on Decision and Control．2003: 2016-2021．

[47] S Kim, Y Kim, A Tsourdos. Optimized behavioural UAV formation flight controller design[C]//Proceedings of the European Control Conference, Budapest, Hungary, 2009:4973-4978.

[48] J Shin, S Kim, J Suk. Development of robust flocking control law for multiple UAVs using behavioral decentralized method[J]. Journal of the Korean Society for Aeronautical and Space Sciences, 2015,43(10):859-867.

[49] HX Qiu, HB Duan, YM Fan. Multiple unmanned aerial vehicle autonomous formation based on the behavior mechanism in pigeon flocks[J]. Control Theory & Applications, 2015, 32(10):1298-1304.

[50] COUZIN I D, KRAUSE J, FRANKS N R，et al． Effective leadership and decision-making in animal groups on the move [J]． Nature,2005,433( 7025) : 513-516．

[51] M Turpin, N Michael, V Kumar. Trajectory design and control for aggressive formation flight with quadrotors[J]. Autonomous Robots, 2012, 33(1/2): 143-156.

[52] M Saska, T Baca, J Thomas, et al. System for deployment of groups of unmanned micro aerial vehicles in GPS-denied environments using onboard visual relative localization[J]. Autonomous Robots, 2017, 41(4):919-944.

[53] T Nageli, C Conte, A Domahidi, et al. Environment independent formation flight for micro aerial vehicles[C]//IEEE International Conference on Intelligent Robots and Systems, Chicago, USA, 2014:1141-1146.

[54] AS Aghdam, MB Menhaj, F Barazandeh, et al. Cooperative load transport with movable load center of mass using multiple quadrotor UAVs[C]//2016 4th International Conference on Control, Instrumentation, and Automation, Qazvin, Iran, 2016:23-27.

[55] H Liu, XK Wang, HY Zhu. A novel back stepping method for the three-dimensional multi-UAVs formation control[C]//IEEE International Conference on Mechatronics and Automation, Beijing, China, 2015:923-928.

[56] 俞辉,王永骥．基于动态拓扑有领航者的智能群体群集运动控制[J]．系统工程与电子技术,2006, 28(11) : 1721-1724．

[57] GAZI V． Swarm aggregations using artificial potentials and sliding-mode control [J]． IEEE Trans on Robotics,2005,21( 6) : 1208-1214．

[58] X Liang, GL Meng, HT Luo, et al. Dynamic path planning based on improved boundary value problem for unmanned aerial vehicle[J]. Cluster Computing, 2016,19 (4):2087-2096.

[59] F Liao, R Teo, JL Wang, et al. Distributed formation and reconfiguration control of VTOL UAVs[J]. IEEE Transactions on Control Systems Technology, 2017, 25(1):270-277.

[60] 赵明,苏小红,马培军，等.复杂多约束 UAVs 协同目标分配的一种统一建模方法[J].自动化学报,2012,38(12):2038-2048.

[61] Edison E, Shima T. Integrated task assignment and path optimization for cooperating uninhabited aerial vehicles using genetic algorithms [J]. Computers & Operations Research, 2011, 38(1):340-356.

[62] Eun Y, Bang H. Cooperative task assignment/path planning of multiple unmanned aerial vehicles using genetic algorithms [J]. Journal of Aircraft,2009,46(1):338-343.

[63] M Kothari, I Postlethwaite. A probabilistically robust path planning algorithm for UAVs using rapidly-exploring random trees[J]. Journal of Intelligent & Robotic Systems, 2013,71(2):231-253.

[64] H Shorakaei, M Vahdani, B Imani, et al. Optimal cooperative path planning of unmanned aerial vehicles by a parallel genetic algorithm[J]. Robotica, 2014,34(4):823-836.

[65] XY Zhang, HB Duan. An improved constrained differential evolution algorithm for unmanned aerial vehicle global route planning[J]. Applied Soft Computing, 2015, 26(C): 270-284.

[66] 李少斌,陈炎财,杨忠,等. 具有通信延迟的多无人机编队飞行控制[J]. 信息与控制, 2012(2):142-146.