分类号 TP391 学号 12030056

UDC 密级 公 开

硕士学位论文

网络环境下多无人机任务协调方法研究

硕士生姓名 马纯超

学 科 专 业 控制科学与工程

研 究 方 向 模式识别与智能系统

指 导 教 师 朱华勇 教授

国防科学技术大学研究生院

二〇一四年十一月
 Unmanned Aerial Vehicle(UAV) Task
Coordination Method Study Under The
Network Environment

Candidate：Ma Chunchao
Advisor：Zhu Huayong

A dissertation
Submitted in partial fulfillment of the requirements
for the degree of Master of Engineering
in Control Science and Engineering
Graduate School of National University of Defense Technology
Changsha，Hunan，P.R.China
November，2014
 国防科学技术大学研究生院工学硕士学位论文

目 录
摘 要 ................................................................................................................. i

ABSTRACT ........................................................................................................ iii

第一章 绪论 ...................................................................................................... 1
1.1 研究背景 ......................................................................................................... 1
1.2 多无人机任务协调发展现状 ........................................................................... 2
1.2.1 国外发展现状 ......................................................................................... 2
1.2.2 国内发展现状 ......................................................................................... 5
1.2.3 国内外发展现状总结 ............................................................................. 6
1.3 论文主要工作 ................................................................................................... 8
1.4 论文组织结构 ................................................................................................... 9

第二章 网络环境下多无人机侦察任务协调机制 ................................................ 11

2.1 引言 ............................................................................................................... 11
2.2 支持信息共享的网络战场环境分析 ........................................................... 11
2.2.1 美军联合通用同步引擎(FUSE)系统 .................................................. 11
2.2.2 通用测控管控网络环境 ...................................................................... 12
2.3 网络环境下多无人机侦察任务模式 ........................................................... 14
2.3.1 互联互通条件下多无人机侦察模式 .................................................. 14
2.3.2 多无人机侦察任务特点与协调因素 .................................................. 16
2.4 面向网络环境多无人机侦察任务协调的系统构建 ..................................... 17
2.4.1 任务协调系统架构及模块分析 .......................................................... 17
2.4.2 系统信息传输与接口管理 .................................................................. 22
2.5 本章小结 ......................................................................................................... 27

第三章 多无人机侦察任务需求形式化表达 ..................................................... 29

3.1 引言 ............................................................................................................... 29
3.2 侦察任务需求表达 .......................................................................................... 29
3.3 侦察任务需求理解 ......................................................................................... 31
3.3.1 任务需求类型与任务目标 .................................................................. 32
3.3.2 任务需求与资源平台联系 .................................................................. 32
3.4 基于本体论的侦察任务需求建模 ................................................................. 35
3.4.1 本体建模基本理论 .............................................................................. 36
3.4.2 侦察任务需求本体建模 ...................................................................... 36
第 I 页
 国防科学技术大学研究生院工学硕士学位论文

3.5 本章小结 ......................................................................................................... 40

第四章 多无人机侦察任务协调方法 ................................................................ 41

4.1 引言 ............................................................................................................... 41
4.2 多无人机侦察任务协调要素 ....................................................................... 41
4.3 多无人机侦察任务协调算法框架 ................................................................. 42
4.3.1 初始资源筛选 ...................................................................................... 43
4.3.2 复杂多 UAV 多目标问题的统一建模 ................................................ 45
4.3.3 多 UAV 多目标侦察问题的改进遗传算法求解 ................................ 48
4.3.4 任务方案优化调整 .............................................................................. 52
4.3.5 基于 MapReduce 架构的分布式计算平台 .......................................... 54
4.4 多无人机侦察任务在线协调策略 ................................................................. 55
4.4.1 基于合同网协议的任务重规划 ........................................................... 56
4.4.2 基于精英种群的遗传算法动态调整策略 ........................................... 57
4.4.3 三维环境下 UAV 航迹规划 ................................................................ 59
4.5 本章小结 ......................................................................................................... 60

第五章 多无人机侦察任务协调应用 ................................................................ 61

5.1 引言 ............................................................................................................... 61
5.2 多无人机侦察任务协调仿真环境 .................................................................. 61
5.2.1 任务需求生成终端 ............................................................................... 62
5.2.2 任务协调规划中心 ............................................................................... 64
5.3 多无人机侦察任务协调应用 ......................................................................... 66
5.3.1 多无人机侦察任务想定及环境抽象 ................................................... 66
5.3.2 多无人机侦察任务预先规划 ............................................................... 67
5.3.3 多无人机侦察任务在线协调及航迹规划 ........................................... 70
5.4 本章小结 ......................................................................................................... 73

第六章 总结与展望 ........................................................................................... 75

6.1 论文工作总结 .................................................................................................. 75
6.2 未来工作展望 ................................................................................................. 76

致 谢 .............................................................................................................. 77

参考文献 ........................................................................................................... 79

作者在学期间取得的学术成果 ........................................................................... 85

第 II 页
 国防科学技术大学研究生院工学硕士学位论文

表 目 录

表 1. 1 无人机任务规划问题要素及算法 ...................................................................... 7
表 2. 1 系统内部及外部信息传输处理 ....................................................................... 26
表 3. 1 战略、战术及战役情报任务内容 .................................................................... 29
表 3. 2 侦察无人机类型及性能 ................................................................................... 33
表 3. 3 部分传感器参数 ............................................................................................... 34
表 3. 4 侦察任务本体对象属性及其定义域、值域 ................................................... 38
表 3. 5 侦察任务本体数值属性及其定义域、值域 ................................................... 39
表 4. 1 多无人机任务协调问题要素及含义 ................................................................ 41
表 4. 2 任务属性与外部联系 ....................................................................................... 44
表 5. 1 侦察 UAV 参数 ................................................................................................. 67
表 5. 2 目标参数 ............................................................................................................ 67
表 5. 3 目标分组集合及对应 UAV 集合 ..................................................................... 68
表 5. 4 CSP 模型算法与改进 GA 求解时间对比 ........................................................ 70
表 5. 5 4 次典型试验结果数据 ..................................................................................... 73
表 5. 6 仿真试验结果统计 ........................................................................................... 73

第 III 页
 国防科学技术大学研究生院工学硕士学位论文

图 目 录

图 1. 1 论文组织结构 ...................................................................................................... 9
图 2. 1 联合通用同步引擎(FUSE)的系统结构 ............................................................ 12
图 2. 2 网络化战场环境 ................................................................................................ 13
图 2. 3 网络环境下下多 UAV 侦察任务模式想定 .................................................... 14
图 2. 4 网络化环境下典型多无人机侦察任务实现流程 ............................................ 15
图 2. 5 任务协调规划系统框架 .................................................................................... 18
图 2. 6 任务收集处理子系统结构图 ............................................................................ 18
图 2. 7 资源管理子系统结构图 .................................................................................... 19
图 2. 8 任务分配子系统结构图 .................................................................................... 20
图 2. 9 任务执行监督子系统结构图 ............................................................................ 21
图 2. 10 系统内部及外部信息交换图 .......................................................................... 23
图 3. 1 任务时间窗 ....................................................................................................... 31
图 3. 2 任务目标与任务类型关系 ............................................................................... 32
图 3. 3 任务需求与外部平台资源关系 ....................................................................... 35
图 3. 4 侦察任务本体结构图 ........................................................................................ 37
图 3. 5 侦察任务本体类图 ............................................................................................ 37
图 3. 6 侦察任务本体对象属性图 ................................................................................ 38
图 3. 7 侦察任务本体数据属性——捕食者实例图 .................................................... 39
图 4. 1 算法设计流程 .................................................................................................... 43
图 4. 2 任务需求分析到初始资源筛选过程 ................................................................ 44
图 4. 3 协调执行目标的调整策略 ................................................................................ 48
图 4. 4 染色体编码方式 ............................................................................................... 49
图 4. 5 n 与 m 不同对应关系的交叉算子 .................................................................... 51
图 4. 6 n 与 m 不同对应关系的变异算子 .................................................................... 51
图 4. 7 改进遗传算法求解任务协调问题流程图 ........................................................ 52
图 4. 8 全局调整求解方案 ............................................................................................ 53
图 4. 9 全局调整流程图 ................................................................................................ 53
图 4. 10 MapReduce 分布式求解架构计算 UAV 任务规划 ....................................... 54
图 4. 11 合同法招标流程 ............................................................................................. 57
图 4. 12 基于精英群体的新染色体生成与初始化 ..................................................... 58
图 4. 13 基于精英种群的遗传算法动态调整流程 ..................................................... 58
图 4. 14 三维航迹规划无人机避障 ............................................................................. 60
第 V 页
 国防科学技术大学研究生院工学硕士学位论文

图 5. 1 多无人机任务协调规划系统原理样机 ............................................................ 61
图 5. 2 任务协调规划系统实际工作流程 ................................................................... 62
图 5. 3 任务终端操作界面 ........................................................................................... 62
图 5. 4 任务终端生成探测任务实例 ........................................................................... 63
图 5. 5 某任务需求的 XML 文件形式 ........................................................................ 64
图 5. 6 任务管理中心界面及实物图 ........................................................................... 64
图 5. 7 某任务能力需求文件范例 ............................................................................... 65
图 5. 8 任务管理功能界面 ........................................................................................... 65
图 5. 9 仿真战场环境 .................................................................................................... 67
图 5. 10 任务分配结果 ................................................................................................. 68
图 5. 11 初始解序列对应 UAV 与目标时间窗 .......................................................... 69
图 5. 12 无人机任务序列时间顺序及执行顺序 ......................................................... 69
图 5. 13 延长目标侦察时间后协调结果 ..................................................................... 71
图 5. 14 基于精英种群的新染色体生成 ..................................................................... 71
图 5. 15 基于精英种群遗传算法的动态协调结果 ..................................................... 72
图 5. 16 w1=0.7，w2=0.3 时仿真三维航迹图及平面投影 ........................................... 72
图 5. 17 w1=0.3，w2=0.7 时仿真三维航迹图及平面投影 ........................................... 72

第 VI 页
 国防科学技术大学研究生院工学硕士学位论文

摘 要

无人机技术的快速发展使其在战场上的应用越来越受到重视，无人机数量和
种类的增长也为如何高效使用多无人机提出更高要求。单架无人机及各自管理使
用的作战模式由于其局限性，极大限制了部队间信息共享能力，也给管理和空域
等安全方面带来了许多问题。在通用网络化条件下对战场内多无人机资源进行统
一的管理调度，实现无人机的“管用分离”，是未来无人机应用的发展趋势。本文以
网络环境下多无人机侦察多目标实现情报共享为背景，重点对任务需求分类与解
析、复杂约束下多 UAV 多目标任务协调问题建模、大规模任务协调问题预先规划
及任务动态在线协调等关键内容进行研究，主要工作及创新点如下：
（1）在多无人机多目标侦察任务基础上，进一步考虑用户战术侦察任务的复
杂性和动态性特点，分析网络环境下多用户、多目标、多无人机侦察任务样式，
设计从侦察任务需求输入到任务计划生成的整个流程，建立任务需求与无人机系
统的关联，将任务描述转换为无人机系统能力需求表达，为任务规划过程提供可
量化的数据表达方式和基础模型，并根据分析构建任务规划系统框架，阐述框架
模块组成及功能。
（2）对侦察任务需求进行分类和解析，从不同层次的用户角度出发，分析了
侦察任务中的几类典型任务，对影响规划结果的任务类型、优先级、时间窗、目
标特性及空间、侦察情报信息质量约束等进行详细阐述，规范任务需求格式，对
任务的统一管理。同时，建立任务属性与外部因素间的联系，作为任务资源选配
的约束条件，以降低问题规模复杂度，提高预先规划效率。
（3）针对多用户战术任务需求复杂性和动态性特点，在任务协调预规划求解
问题中考虑预留“弹性”时间及资源，以收益最大、路径和通信以及时间代价最低、
完成任务目标数目尽量多为目标，加入任务时间窗、空间地理位置等约束，并分
析任务目标数量与可用 UAV 资源对应关系对问题的影响，建立统一的多要素任务
分配问题模型；对无人机与目标进行分组排序及整数编码，设计任务时间窗和平
台的特性为约束条件的遗传算子，以改进遗传算法，求解分配问题；提出基于“任
务空闲时间窗与空闲无人机资源”的调整策略，实现分配结果全局优化；同时，
针对突发事件或请求，利用“弹性”UAV 资源和时间窗，提出合同网协议的任务拍
卖及改进的基于精英种群的遗传算法，实现对任务计划的在线协调；此外设计了
基于 Map-Reduce 的快速任务分配分布式计算平台。

主题词：无人机 任务需求格式 任务规划系统

第i页
 国防科学技术大学研究生院工学硕士学位论文

ABSTRACT
The technologies of UAVs are developing fast, which makes the UAVs receive
more and more attention. With the increasing stock and types of UAVs, a higher
demand on how to use them more effectively has been advanced. The traditional usage
patterns of UAVs, which can be described as “the user shall be responsible for its
management”, usually for a single UAV, have seriously limited the sharing of
information among the armies. It also leads to some other problems such as the
management and safety of airspace and so on. To achieve unified management for
UAVs in an information warfare, to make it different between the manager and the user
is a trend of development for UAVs. Under the background, this paper mainly studies
the classification and resolution of the order, multi-UAVs search multi-targets modeling
under complex constraint, the preplanning and dynamic online replan for large-scale
task coordination. The main work and contributions are summarized as follows:
(1) On the basis of multiple target multi-uavs reconnaissance missions, further
considering the complexity and dynamic characteristic about the tactical missions. Then
presents an analysis of the whole work procedures of the MPS in details from the input
of task orders to the output of the task assignment plan. Through this we will find out
the correlation between tasks and UAV systems，and convert the description of tasks
into the demand on the UAV systems. Owing to these works, quantized data
expressions and basic models may be provided. So it is easy to summarize the military
requirements on this system and build its architecture. In terms of the subsystems, it
follows a comprehensive discussion on their functions and modules.
(2) The format of the task order is always not unified in many researches and
departments. So we actually cannot work out a task plan correctly and effectively. This
paper summarizes some common types of the ISR (Intelligence, Surveillance and
Reconnaissance) tasks, and explains the factors that influence the result of task
allocation, for example, type, level, time window, etc. Based on that, we formulate a
task order form that can be commonly used. Furthermore, a summary of the relations
among these factors or with external conditions is presented, which can limits the choice
of resources to actualize tasks.
(3) Considering the constraints listed above, a multi-element task assignment
model is built, with the maximum profit, minimum route, communication and time cost,
and more tasks as accomplished taken as the performance indices. In order to reduce the
planning time for large-scale task allocation, we choose a distributed computing
platform and an improved genetic algorithm to realize parallel computing according to
the characteristics of different Task-UAV sets. Then a global adjustment is made on the
initial local plan at last. A dynamic re-plan on line is also taken into account to ensure
that the plan can be carried out satisfactorily.
Key Words：UAV, Task Requirement Format, Mission Planning System

第 iii 页
 国防科学技术大学研究生院工学硕士学位论文

第一章 绪论

1.1 研究背景

随着军事高新技术的不断发展，无人机以其低成本、易维护、减少人员伤亡
及可在多种复杂恶劣环境下执行任务的特点，在现代战争中崭露头角，并越来越
受到世界军事强国的重视和发展。在未来战争中，人直接参与的情况将越来越少，
而更多的是无人军事设备间的对抗[1, 2]。
为适应信息化战争形势，迅速收集处理实时、准确的情报信息，现代作战指
挥中开始广泛使用无人机进行侦察、监视等任务，尤其是对敌方纵身区域和重要
目标的侦察。与传统侦察手段相比，无人机侦察具有低风险、大纵深侦察能力、
适应恶劣环境等优点，可为指挥员提供详细的战场、目标数据，辅助决策[3, 4]。
网络化环境下，战争模式发生了巨大变革，“共享”作为互联网时代的重要内容，
在网络化战争中同样举足轻重。网络化环境下，部队之间的“距离”近似为零，可以
方便地分享信息资源和服务[5]。传统以平台为中心的作战方式下，各部队为了获取
自身需要的信息，需要配置相应设备，如无人机、地面站等，在情报共享不发达
的条件下，各作战单位常常发生资源配置重复、信息重复收集的问题。对无人机
部队而言，重复部署大量无人机也将导致空域安全、电磁、通信管理等问题，极
大限制无人机系统资源的有效利用[6]。
以指挥人员为主的各级各类作战人员，通过互联、互通、互操作的计算机网
络系统，根据作战需求和级别权限能够相互进行情报交流，才是真正的信息共享。
随着无人机技术的飞速发展，在同一战争中对多类型、多数量无人机的同时使用
提出了更高的要求。传统无人机使用方式下管理者和使用者为同一单位，造成的
结果是不同单位间任务不能高效协调统一，得到的情报不可以及时共享，对联合
作战及高层指挥官的战争决策极为不利。此外，在未来复杂的信息化战场条件下，
由于战场通信链路覆盖情况不同、任务要求不同、各种无人机的任务能力差异等，
单一种类的无人机系统显然无法满足战场需要。通过建立通用化的测控管控网络，
将分散在战场环境中的无人机、地面站、决策系统及控制系统等连接成有机整体，
各级作战人员通过该网络及时了解战场态势、共享情报信息，实现无缝地指挥、
控制、通信，对提高作战效能显然是很有利的。
将战场内所有无人机纳入同一体系，在信息共享层面解决了部队间信息交互
能力差的问题，但在控制层面若对无人机仍采用传统分散控制的模式，仍然会造
成侦察任务重叠和资源浪费。针对类似问题，美军在 3-56.1 号联合出版物《联合
空中作战的指挥与控制》中确认了“集中控制，分散实施”的联合空中作战基本
第 1 页
 国防科学技术大学研究生院工学硕士学位论文

原则[7]。参考该原则，无人机在网络化战场环境下的侦察应用同样可以归纳为集中
管理，分散执行的“管用分离”模式。该模式下，战区内全部无人机由某一级指挥机
构集中统一管理，其他作战单位作为使用者向指挥机构提出任务需求。指挥机构
收集任务需求，根据实际情况建立任务轻重缓急顺序，综合外部战场环境、气象
条件、现有资源平台及任务时序和空间约束，以有利于完成作战目标为目的，合
理进行任务的协调，统一制定无人机执行任务顺序与航路计划，从而避免任务重
叠，减少资源浪费。为方便作战单位的灵活使用，指挥机构分配给作战单位执行
任务的无人机及航线，而无人机的飞行控制与具体任务执行动作仍由相应地面站
控制实施，防止过分集中控制带来的计算负担和协调困难。
本文以网络化战场条件为背景，在新的无人机应用模式下，研究在战区级战
场环境中多用户、多任务、多目标、多种类和多数量无人机的侦察任务协调问题。
主要围绕对不同层次用户任务需求的表达、汇聚和理解，规范便于计算机解析的
任务需求形式，构建任务描述与无人机系统能力需求表达之间的关联。在上述基
础上综合考虑外部环境、任务时间窗、空间位置等约束进行的快速任务协调，包
括计划协调和在线协调。

1.2 多无人机任务协调发展现状

从已发表的研究文献来看，在无人机任务协调方面许多国家已做了许多深入
研究，主要涉及面向机群作战及有人——无人协调的无人机任务规划系统及任务
分配算法两个方面。

1.2.1 国外发展现状

(1) 国外任务规划系统发展现状
1）美军任务规划系统的发展
美军无人机发展历史较早，其任务规划系统种类及版本相应均较多，涵盖了
空、海、陆等多个兵种[8-13]。早在 1980 年，美军开发装备了计算机辅助任务规划
系统，即 CAMPS。1992 年为空军研制成功了任务支持系统 AFMSS。该系统由
MSS 发展而来，依据实战需求和环境改变，衍生出了 MSS II、MSS IIA、MSS II+
到 MSS II Block 等系列版本。现在美空军装备的 AFMSS 称为 BLOCK C，具有更
强的任务计划生成、信息处理和显示交互能力。AFMSS 既可以作为独立系统工作，
也同其它信息指挥系统联结使用，针对实战要求，综合考虑了地形、气象、威胁
等实际因素进行任务规划和航迹生成。1996 年开发了基于 Windows 的便携飞行计
划软件 PFPS。海军任务规划系统 NavMPS 于 1998 年定版，该系统具有强大的数
据库，能快速处理大规模的数字化气象、地形等数据，可迅速创建合适的任务规
第 2 页
 国防科学技术大学研究生院工学硕士学位论文

划和航路优化，减少任务、武器准备时间。美国陆军使用的任务规划系统称为
TMPW，面向营级单位，基于地形实现战区可视化，辅助指挥员分析战场信息，
制定计划。此外还有美海军陆战队的 MOMS 任务规划系统，也是在实战中应用较
成熟的系统。
在多兵种联合作战需求的推动下，美军于 2002 年开始将空军任务支持系统
AFMSS、海军任务规划系统 NavMPS 以及特种部队行动计划和预演系统 SOFPARS
一起移植到基于国防信息高速公路的一体化软件平台，支持三军联合作战，在威
胁分析、航迹规划、任务分配协调等方面发挥了巨大作用。此外，美军还开发了
OPUS 任务规划系统软件开发包，容纳了传统任务规划系统的大部分功能，并可以
在无人机任务执行过程中发挥作用。与 In-Flight Replanning System（IFRS）软件
工具配合，可有效解决动态环境中的任务规划问题[14]。
2）其他国家任务规划系统发展
除了美国，其他国家也相继开展对无人机任务规划系统的研究，技术和产品
日趋成熟。如英国空军装备的 Pathfinder 2000 任务规划系统和先进任务规划装置
(AMPA)可以支持鹞式、狂风等飞机的攻击计划、电子仿真等。法国空军装备的
MIPSY、CINNA 和 CIRC2000 三个系列的飞机任务规划系统等等[15]，对幻影 2000
型及其他无人机进行了很好的支持。以及欧空局(ESA)为 ENVISAT 项目和火星快
车项目研制开发的任务规划系统[16]。
(2) 国外任务规划理论发展现状
对于任务规划理论的研究，主要集中在任务分配问题建模和求解两个方面。
多无人机任务规划是一个 NP 难的问题，与许多传统的分配问题和行动序列问题都
有相似和联系。许多无人机任务分配模型正是在传统模型基础上根据问题特点进
行适当修改建模[17, 。当任务分配以最短路径代价作为优化指标时，可以抽象为
18]

多旅行商问题（Multiple Salesman Problem, MTSP）[19, 20]以及车辆路由问题（Vehicle

Routing Problem, VRP）[21-23]。为适应实际需求，对于有时间窗约束的任务分配问
题，使用带时间窗的 MTSP 模型[24]和带时间窗的车辆路由问题（VRPTW）[23]。对
于不同能力的无人机和时间窗约束，美国空军实验室研究建立了带时间窗的不同
能力约束车辆路径问题(CVRPTW)模型[25]。考虑无人机未来可以在不同基地补给
问题，建立了带时间窗的多基地车辆路由问题模型（MDVRPTW）[23]。
无人机任务规划问题同样可看作数学上的最优化问题，可以借助约束满足问
题（CSP）模型进行描述，对含任务时间窗的约束发展出 Temporal Constraint
Satisfaction Problem (TCSP) 模 型 求 解 [26] 。 线 性 排 序 问 题 (Linear Ordering
Problem ,LOP)[27]也为无人机的任务执行序列求解提供了模型。文献[28-30]将无人
机 任 务 规 划 问 题 抽 象 为 混 合 整 数 线 性 规 划 （ Mixed-Integer Linear

第 3 页
 国防科学技术大学研究生院工学硕士学位论文

Programming,MILP）模型，可以较全面描述多 UAV 执行多类任务问题。针对上述

模型在描述多 UAV 执行多类任务的局限性问题，建立了动态网络流优化（Dynamic
Network Flow Optimization, DNFO ） 模 型 [31, 32]
和多维多选择背包问题
（Multidimensional Multiple-Choice Knapsack, MMKP）模型[33]。
任务分配求解算法方面主要分为传统最优化方法和启发式方法两类。传统的
最优化方法匈牙利算法、动态规划算法、枚举搜索（宽度优先、深度优先）和分
枝定界等算法。这些传统算法研究已较为充分，具有较完备的理论支持，且发展
出了许多商业化的软件予以实现[34]。但该类方法通常在问题规模较小情况下具有
较好效果，当问题规模增加时，其代价将急速增长。此外，该类方法通常只能解
决少量约束存在下且结构模型特定的问题，对于多无人机多任务规划的实际复杂
问题应用，能力仍稍显不足。
启发式算法因其对问题模型要求较少，主要通过问题要素与算法要素映射结
合的方式进行求解，对无人机任务规划问题具有良好的适应能力。启发式算法主
要有模拟退火算法（Simulated Annealing, SA）、禁忌搜索算法（Tabu Search, TS）
等；此外还包括群体算法类中的遗传算法（Genetic Algorithms，GA）、粒子群算
法（Particle Swarm Optimization, PSO）、蚁群算法（Ant Colony Optimization, ACO）
等。由于这些随机的启发式算法大部分不需要完全搜索求解空间，因此在问题空
间规模较大情况下，可比传统最优化方法更快找到全局最优解或近优解。
近年来，随着 UAV 任务需求与使用环境复杂化，越来越多的外部因素被考虑
到任务分配问题，以期得到更适合实际战争条件的任务计划。如地形因素、气象
因素、通信因素和动态环境因素[35]等，都进行了较深入的研究。受战场复杂电磁
环境的影响，为摆脱通信能力限制，一些群集理论和分布式理论开始在多 UAV 分
配上受到重视并研究[36-38]。同样由于集中式任务分配对通信带来的巨大负担，分
布式的分配策略如基于市场法，在 UAV 间采用通信中继或桥接方式最终实现全局
任务计划的生成[39]，以及网络流优化方法[40]，均获得了较多研究；数学模型如 MILP
模型，对 ISR（Intelligence, Surveillance and Reconnaissance）问题等仍可以进行较
好的描述[34, 41-45]。
问题考虑因素的多样性和复杂化，使得遗传算法等启发式算法得到了更多在
UAV 任务分配问题上的应用[18, 30, 46-48]。如文献[49]提出了一种改进的蚁群算法，
来解决多 UAV 之间执行任务中可能遇到的冲突问题和任务间可变停留时间问题；
为了减少单操作员面对多 UAV 执行任务时的负担，文献[50]提出了一种在时序约
束下的多 UAV 任务序列模型，采用贪婪算法，将操作员置于回路中，与期望结果
进行比较优化。文献[26]采用 TCSP 模型，研究了具有不同能力的多架 UAV 在搭
载不同类型的传感器时，使用回溯搜索解决执行优先级不同任务的策略。除了对

第 4 页
 国防科学技术大学研究生院工学硕士学位论文

于 UAV 自身能力和搭载的传感器、弹药等不同对任务分配影响的研究，对于在不
同时刻或情况下目标价值产生变化引起对任务分配的影响，也被开始重视并有学
者使用基于反馈阀值的概率决策模型进行研究[51]。文献[52]则采用了自然激励机制
如人工免疫算法（Artificial Immunity Algorithmc，AIA）、粒子群算法（PSO）和
蜂群算法，以最小路径代价为优化目标，对多 UAV 执行多类目标任务进行求解。
对具有时间窗或对时间敏感的任务目标[53, 54]，也是该问题重要的研究方向之一。

1.2.2 国内发展现状

我国对无人机在军事上的使用也越来越重视，在任务分配建模和算法理论进
行了较深入和全面的研究，但尚未开发出成熟的可以应用于实践环境的任务规划
系统，大多是基于仿真环境和软件，进行对理论算法的验证。
针对与 UAV 使用类似的成像侦察卫星调度问题，贺仁杰等在文献[55]分析了
侦察任务的资源约束、任务约束和时间约束等因素，分别采用整数规划模型和约
束满足问题模型描述，利用禁忌搜索和列生成算法，开发了侦察卫星调度软件。
田菁等在文献[56]建立了多基地多 UAV 协同规划模型，采用“自适应”进化多目标
优化算法对位于不同位置、不同性能的无人机进行规划，并综合考虑战场环境和
任务需求变化，提出了有效解决无人机动态任务规划问题的快速启发式动态任务
规划方法。针对多 UAV 多目标分配问题约束复杂，条件不同，难以统一描述的问
题，文献[57]建立了可处理多种分配模型的统一框架，利用代价矩阵优化差分进化
算法(Differential evolution,DE)，有效解决三维环境下多 UAV 多目标分配问题。此
外传统的数学模型如 MILP 模型等，也是国内研究较多的 UAV 任务规划模型[58]。
文献[59]对具有一定自主能力的多类机器人进行研究，建立了其对多任务多目标的
规划模型，具有很大实际意义。针对多约束条件下的多 UAV 协同多任务分配问题
(CMTAP)，文献[60]提出了利用多约束条件下的多车场车辆路径问题(MDVRPMC)
对协同多任务分配问题进行建模，在设计基于 Pareto 最优的遗传模拟退火算法的
基础上，对存在任务点动态时间窗口约束、任务类型约束、无人机任务能力约束
等条件下的协同多任务分配问题进行了求解。异构 UAV 执行的侦察任务或打击任
务，多是复杂环境中的耦合任务，有学者因此针对多类 UAV 执行不同类型任务时，
将任务分层解耦，建立异构多无人机任务分配模型[61, 62]。根据 UAV 在执行任务时
需要或获得的信息不同，有学者开始着手参考信息论中熵的变化表示各个任务中
的信息量，并考虑任务间关联，建立异构多 UAV 任务规划模型[63, 64]。
在任务分配问题的算法上，在机器人领域、车辆物流问题等等方面，与 UAV
任务规划算法都是想通和有所帮助的。无人机作为机器人的一种，多机器人在复
杂环境下的任务分配为 UAV 的使用问题给出了良好的启示[65, 66]。对于粒子群、遗

第 5 页
 国防科学技术大学研究生院工学硕士学位论文

传算法、蚁群算法、模拟退火等启发进化算法在大规模 UAV 任务分配上资源耗费

少、搜索时间较短的优点，国内也做了许多研究，并给出了优化改进策略 [67-71]。
文献[72]使用了动态规划算法和蚁群算法两种方法，对在战场对抗环境下任务目标
价值不断随时间变化情况下，多 UAV 如何进行任务分配以达到对作战目标的最大
效率打击开展了较深入研究。文献[73]在经典遗传算法基础上增加多种染色体来随
机搜索最优解，使用不同的染色体基因表示不同类型的任务，并通过改进的遗传
算子进行初始化、杂交和突变，对有限约束进行了形式化描述，进行 UAV 任务安
排。北京邮电大学博士林林对在有限通信拓扑下多无人机集中控制通信代价较高
且不可靠的问题，做了系统和详细的分析，建立了在该背景下多 UAV 协同执行任
务模型，并利用异构无人机间在执行任务时可能存在的空闲时间窗，提出了基于
时间窗的无人机联盟组成任务分配方法[74, 75]。

1.2.3 国内外发展现状总结

表 1.1 总结归纳了国内外学者在多无人机任务分配上考虑的因素及相应效果
较好的算法。由表可知，国内外对多 UAV 任务分配的研究逐步从简单约束条件下
建模求解，逐渐增加约束因素，如动态变化的战场环境、无人机能力的不同及搭
载的载荷不同导致任务能力不同、随时间变化的任务目标、如何充分利用空闲时
间窗等等；从传统数学等模型出发，到利用其他诸如生物进化、信息、人工智能
等领域的理论模型，对该问题建模描述更详细化、实际化，并得到丰硕成果。
需要说明的是，虽然任务规划问题得到了长久发展并取得了一系列成果，对
该问题的研究仍有一定局限性。如通常侧重某一规划要素的考虑，对具有综合规
划要素的问题研究较少；约束条件偏理想化，难以满足实际要求；任务分配与航
迹规划问题常被分割考虑，而航迹规划常在二维环境中进行研究，与带传感器要
素的任务分配结合时难以工程化实现。
此外，目前任务规划系统对问题关键要素即任务本身考虑较少，往往简单限
制其时间窗、优先级或目标等的单个或某几个方面。对于任务需求从作战单位如
何生成、传输、解析等未多考虑。同时对任务不加区分的与全部无人机、传感器
等资源进行分配，而未分析任务与无人机系统能力间的限制关系，导致规划复杂
度较大，规划时间较长。
我国在任务分配问题建模和任务分配算法等理论研究方面，均有较全面的研
究和成果。问题研究方向也开始向实际条件下的任务规划开展，但其成果形式未
得到很好的实践，多限于仿真平台的试验，在可用于实际战场环境的任务规划系
统研究方面还较欠缺。

第 6 页
 国防科学技术大学研究生院工学硕士学位论文

表 1. 1 无人机任务规划问题要素及算法
规划要素 说明 侦察 打击 典型算法
从路径代价指标考虑的
位置 约束 UAV 选择 ● ● TSP,VRP 算法及其引申
算法
目标大小(点,线,面等) 自然激励机制如人工免
目 类型 状态(静,动)等,约束 UAV 选 ● ● 疫,粒子群,遗传算法等,
标 择,是否协同执行等 对多类型目标进行分配
因 带时间窗的随机最大范
素 围 定 向 越 野 赛
目标价值随时间,要求变
(MCS-OPTW) 问 题 模 型
价值 化等会发生变化,约束图 ● ●
算法求解时敏目标问题
像信息及任务协调
基于反馈阀值的概率决
策算法等
时间窗是任务规划的常
时间窗 任务时域约束 ● ●
见考虑因素，算法较多
用户等级和任务目标价值
动态 自适应算 法,回 溯
优先级 决定任务优先级,约束任 ● ●
任 搜索等
务优先规划顺序
务
任务分层解耦分步求解
因 任务间的时序,促进,限制
约束关系 ● ● 信息论中交叉熵理论描
素 关系,约束任务分解排序
述不同任务接收的信息
启发 式算法 ,智能进 化
任务规模 约束规划指标(时间等) ● ● 算法在较大规模任务规
划方面有良好效果
通 覆盖范围 ● ◎
约束地面站,UAV 的部署, 在有限通信拓扑下常采
信 通信特性 ● ◎
约束图像类型,分辨率和 用动 态网络流 算法 , 分
因
通信代价 传输,及 UAV 通信等 ● ◎ 布式市场合同法等
素
外 图像类型,分辨率选取
气象条件 ● ◎ 动态 规划算法 ,基于 代
部 UAV 能力选取
价矩阵的差分进化算法
环 地形条件 ● ●
约束 UAV 能力选取 等
境 威胁信息 ● ●
能
力 UAV 性能 ● ● 匈牙利算法,禁忌搜索,
约束可完成的任务类型
需 回溯搜索等
求 载荷性能 ● ●
多 UAV 协同 约束任务类型,UAV 能力 ● ● 多目标进化算法(田菁
UAV
任务间协调 ● ● 多基地 UAV 任务规划,
协
约束任务时域,空域关系 北邮林林时间窗任务联
同 冲突消解 ● ●
盟的 PSO 算法等)
●：该因素对此类任务规划产生重要影响 ◎：该因素对此类任务产生一般性影响

第 7 页
 国防科学技术大学研究生院工学硕士学位论文

1.3 论文主要工作

在实际多无人机侦察任务协调中，由于作战单位职责、等级不同，任务需求
及紧急性各有侧重，在复杂战场环境及气象条件下，多任务分配需要的协调、高
效性给规划人员带来了巨大的压力，尤其在网络化战场条件下，无人机的“管用
分离”应用模式使规划人员需要面对多用户提出的数量众多的任务需求，综合分
析整个战场态势，挑选适合不同任务的无人机系统资源，做出及时高效的任务计
划。由于任务本身及约束间通常相互耦合，以人为主体的手工任务规划精度和效
率往往很低，得到的结果可靠性及合理性也较差，任务数量较多时对耦合问题难
以协调，顾此失彼。因此迫切需要构建综合考虑战场各要素、减少人参与的自动
规划系统。本文以此为目标，对系统需求的功能及输入输出要素进行分析，综合
考虑战场实际情况与侦察任务特点构建此规划系统，主要研究内容及创新如下：
（1）分析网络环境下多无人机任务协调机制，构建该条件下无人机任务规划
系统。为提高部队间信息共享能力，对无人机使用模式提出了新的要求。本文分
析了支撑无人机“管用分离”模式所需的网络化条件，总结该条件下多无人机侦
察任务模式和特点，归纳需要进行协调的要素。通过对从收集战场用户任务需求
到制定任务协调计划并收集情报的整个流程进行详细分析，构建面向网络环境的
多无人机任务协调规划系统，并对每个子系统如任务收集处理、任务分配子系统
等主要功能架构和实现技术做了详细阐述。
（2）分析侦察任务需求表达形式，建立任务需求标准化模型，实现从任务需
求到无人机能力描述的转换。无人机侦察任务协调其中心词之一是“任务”。任
务作为整个协调流程的输入端，其格式很大程度上决定了任务规划系统模块的构
建。本文对不同用户发出的任务需求进行分析，挖掘侦察任务通常所具备的内在
属性，如任务类型、任务优先级、时间窗、目标特性及情报要求等等。面向系统
共享与计算机理解，采用本体理论对侦察任务需求建模。通过建立任务属性与资
源平台的规则联系，建立面向任务描述的无人机系统能力需求的量化方法。如根
据任务目标时间与位置与无人机位置通过可达性联系，任务目标类型与传感器通
过 NIIRS(National Imagery Interpretability Rating Scale.美国国家图像解译度分级标
准)联系等。规则联系可由经验、学习等不断补充，以完成对可执行对应任务最小
能力资源的筛选。
（3）多要素任务分配问题建模及求解。如何科学、快速的对多要素任务进行
分配是任务协调规划的核心内容。本文以收益指标最优、路径通信代价及耗费时
间最低、完成的任务目标数目尽量多为性能指标，以任务时间窗、空间地理位置、
能力不同的无人机系统等为约束建立多要素任务分配问题模型。针对问题特性及

第 8 页
 国防科学技术大学研究生院工学硕士学位论文

分配效率的要求，对不同任务集合采取相应算法如改进遗传算法进行任务分配并
行计算，最后进行全局调整，得到任务分配计划方案。对任务执行中突发事件，
采用合同网协议及快速随机生成树（RRT）进行任务和航迹的重规划。任务重规
划在局部范围进行以保证重规划时间，航迹规划则在三维情况下考虑，以保证传
感器为满足得到的情报分辨率而提出的对 UAV 高度的要求。
（4）系统仿真环境构建及部分应用实现。根据建立的系统架构，利用实验室
现有仿真平台，通过对任务终端、任务管理中心、任务分配等的开发，构建系统
仿真环境，并对侦察想定案例进行一定的应用展示。

1.4 论文组织结构

根据主要研究内容，本文主要分为四个部分。第一部分重点分析支撑情报共
享的网络环境特点，分析该环境下多无人机任务协调模式和需要协调的要素，对
从任务需求收集到任务计划生成执行的完整过程进行分析，构建符合新问题特点
的任务协调规划系统。第二部分从侦察任务出发进行分析，设计常用侦察任务格
式模板，通过特定原则如 NIIRS 等将任务目标与平台资源等建立连接，从而将任
务描述转换为对无人机系统资源的能力需求，实现初步任务资源筛选。第三部分
对多无人机多目标任务分配问题进行分析，归纳其约束条件，设定合理优化指标，
对问题进行建模求解，根据任务分配结果进行航迹规划，并考虑任务执行中突发
问题进行动态规划。第四部分对多无人机任务协调问题进行实例化验证。

第一章 绪论

第二章 网络环境下多无人机侦察
任务协调机制分析

第三章 多无人机侦察任务需求 第四章 多无人机侦察任务协调

形式化表达 方法
任务需求的表达、汇聚、理解 侦察任务协调问题建模
基于本体的任务需求建模 侦察任务计划协调与在线协调

第五章 多无人机侦察任务协调
应用

第六章 总结与展望

图 1. 1 论文组织结构

第 9 页
 国防科学技术大学研究生院工学硕士学位论文

第一章：介绍课题主要研究背景，指出在网络战场环境下，无人机使用模式
发生的巨大变化，阐述了对传统任务协调提出的新要求和挑战，较详细介绍了国
内外任务规划系统及任务分配算法的研究现状，并介绍论文主要研究工作。
第二章：对网络环境下多无人机侦察任务协调问题与机制进行分析，包括网
络环境的组成、多无人机侦察任务的模式特点和需要协调的要素等。对从任务需
求输入到最终任务计划输出的整个协调过程进行分析，按照对任务规划系统提出
的新需求，搭建多无人机任务协调规划系统框架，对系统功能进行分析并建立相
应功能模块，并对每个功能模块进行具体分析。
第三章：对无人机的侦察任务进行较详细的梳理，从一般侦察任务需求出发，
将侦察任务进行分类作为基元侦察任务，其他侦察任务均可由基元任务组合完成。
为便于不同系统间对任务需求传输与理解，基于本体对侦察任务进行建模，对任
务类型、目标、优先级、地理位置、时间窗等因素进行分析，建立任务目标与无
人机平台及传感器资源等的对应关系，设定侦察任务需求格式模板。
第四章：结合网络环境下多无人机侦察任务协调问题特点，对无人机任务分
配问题进行建模。从实际战场需求出发，综合考虑用户优先级、任务时间窗、无
人机系统能力区别等约束，确定无人机任务分配的优化指标，进行初始任务资源
筛选，及后续的智能算法如改进遗传算法规划，采用分布式平台计算以提高任务
分配效率，对分配结果进行全局调整，根据最终任务计划对无人机的任务执行过
程进行任务分配。归纳任务执行过程中可能出现的突发状况，采用合同法以及基
于精英种群的改进遗传算法对突发情况下任务进行拍卖等重分配。并采用快速随
机生成树对三维环境的无人机航迹进行规划。
第五章：介绍网络环境下多无人机侦察任务协调应用。通过仿真实验平台基
本实现第二章中任务协调规划系统，对多无人机侦察任务协调算法进行验证。
第六章：总结全文工作，并讨论进一步工作研究方向。

第 10 页
 国防科学技术大学研究生院工学硕士学位论文

第二章 网络环境下多无人机侦察任务协调机制

2.1 引言

本章从网络环境下多无人机任务协调出发，分析支撑无人机实现互联互通互
操作的网络化环境组成，总结该条件下多无人机侦察任务模式和特点，归纳需要
进行协调的要素。通过从收集战场用户任务需求到制定任务协调计划并收集情报
的整个流程进行分析，构建面向网络环境下实现多无人机任务协调的规划系统，
并对每个子系统如任务收集处理、任务分配子系统等主要功能架构和实现技术做
详细论述。

2.2 支持信息共享的网络战场环境分析

2.2.1 美军联合通用同步引擎(FUSE)系统

美军曾派无人机系统计划办公室分队成员远赴阿富汗考察无人机信息使用效
率问题，发现由于部署大量无人机，指挥官不得不面对数以千计来自无人机的情
报信息，而这些信息中不乏重复冗余，原因则是各无人机部队信息共享缺乏，对
目标进行重复侦察。为对无人机数据流进行有效控制，美军开发了联合通用同步
引擎(Federated Universal Synchronization Engine, FUSE)的系统，使用软件和硬件将
多种来源的情报——如视频、合成孔径雷达、红外成像信息、和运动目标指示等
——融合在一起显示在可视化的屏幕上，使得各作战单位可以对整个战场态势得
到直观的了解[76]。
美军对情报信息共享模式，是对来自不同无人机部队得到的情报进行融合，
随后发布给作战单位。参考美军对情报信息的共享使用问题，提出对无人机进行
集中管理分配，即作战单位不拥有无人机，而是向统一的任务协调规划中心提出
侦察任务需求，由规划中心从全局出发分配无人机进行侦察，得到不同作战单位
需求的情报，发放给用户。并可参照订阅——发布模式，将无人机得到的任务情
报由管控中心进行归纳融合，由作战单位根据自身侧重信息进行订阅，是实现无
人机更好的情报信息共享的另一种解决方式。

第 11 页
 国防科学技术大学研究生院工学硕士学位论文

图 2. 1 联合通用同步引擎(FUSE)的系统结构

2.2.2 通用测控管控网络环境

通用测控管控网络由基础网和区域战场战术网两部分构成。
基础网依托国家和军队已有的以及列入规划建设的卫星通信链路（中继星、
窄带星）、移动通信网络、国防光纤通信网络构建，用于整个体系内所有无人机
管控信息与情报信息的网络化传输。其中，移动通讯网、国防主干网的组合主要
解决国土范围内的移动与固定通信问题，卫星通信用于解决国土范围内常规通信
手段无法覆盖的区域与高度层、国土之外以及近海和远洋作战区域的通信问题。
基础网的存在保证了战区内区域战场战术网的随时布置，是区域网实现的基础。
区域战场战术网是以通用网络化无人机测控/管控节点为中心的区域通用化测
控网，该网络随用随布、按需扩展、动态自组织、用后撤除，用以实现该网覆盖
范围内所有无人机的通用化测控、信息网络化传输、一体化综合管控和信道/控制
站/情报等资源的共享。区域战场战术网以通用网络化无人机测控/管控节点为中
介，可利用光纤、无线、中继（卫星中继或空中中继）等多种方式接入基础网，
实现国土及离岸战场或任意敏感区域的全空域、全时域覆盖。

第 12 页
 国防科学技术大学研究生院工学硕士学位论文

图 2. 2 网络化战场环境

上图给出了依托基础网建立战区内多地面站组网的网络化战场环境。该战场
环境中存在基础通信设施（光纤、3G/4G 网络等）、卫星链路及战术数据链等。
从图中可以看出，地面站与地面站、地面站与指挥中心可以通过基础网中的卫星
通信链路，国防光纤通信网等进行连接，以实现无人机状态及情报等信息的相互
传输；地面站通过通用战术数据链、卫星链路实现对无人机的控制；用户则通过
移动通信网络如 3G/4G 网络从 UAV、地面站或指挥中心获取情报信息或向指挥机
构发出任务需求。
根据该战区内网络接入模式特点，可知战场内的网络环境具有以下能力：
（1）同一战区内，一个地面站可同时控制多型多架无人机，且无人机能够随时
随地无缝接入，互联互通互不干扰；
（2）实现无人机“管用分离”，解决无人机起降测控与飞行测控分离，多站间
跨站飞行，以及没有无人机的情报用户可以随时、随地、按需共享无人机的情报；
（3）同一战区内无人机大规模使用时，实现全系统内各要素（平台、链路、网
络、控制站、人员、情报）互联互通、全息可观，精确可控，具备对系统内各种
资源的“时域、空域、频域、任务域”统一规划调度、指挥控制、运行管理的综
合管控能力；
（4）通过组网或入网，具备扩展为区域或广域范围使用、更大规模和入网容量
的通用网络化测控与情报共享系统的能力。

第 13 页
 国防科学技术大学研究生院工学硕士学位论文

2.3 网络环境下多无人机侦察任务模式

2.3.1 互联互通条件下多无人机侦察模式

无论国内外，无人机系统最初发展没有被放到整个军事大系统中考虑,通常是
各军兵种根据需求自定标准、独立研制，使得无人机之间以及无人机与其他武器
装备系统之间互不兼容、使用的传感器和数据链互不匹配、无人机的地面控制站
互不配套,所造成的问题在实战使用中得到充分暴露，导致多种类型无人机之间无
法互连互通互操作，无法实现多种无人机协同作战，并且为了操作多型无人机，
操作员需要进行多次培训，耗费了大量额外的科研人力和物力资源。若在战场上
使用多种无人机，则需要树立大量“烟囱”，导致系统容量多、占用通信资源多、
相互工作干扰严重的问题，极大制约了无人机的协同作战能力和情报共享能力，
降低无人机系统资源使用效率，并存在重大安全隐患。
通用测控管控网络的建立，使得战场内分布的无人机系统、地面站、指挥机
构等可以有机连接成为一个整体，实现对战区内无人机资源的统一管理和调配，
有效利用资源，并实现情报信息共享，帮助指挥员及时把握战场整体态势，做出
正确决策。

图 2. 3 网络环境下下多 UAV 侦察任务模式想定

第 14 页
 国防科学技术大学研究生院工学硕士学位论文

图 2. 4 网络化环境下典型多无人机侦察任务实现流程
图 2.3 正是此模式下的无人机执行侦察任务的想定。该想定下，整个战场由数
据链将用户、管理中心、无人机、地面站等节点联系起来，节点之间可方便进行
相互通信。无人机因此摆脱了传统数据链限制，可以跨区飞行执行任务。本文研
究的网络环境下多无人机侦察任务问题是在互操作等级二与互操作等级三之间建
立的，即用户从被动接收无人机提供的情报，到向任务协调规划中心发出情报请
求，实现间接控制 UAV 载荷，获得需要的情报信息。该想定主要有两个层次的工
作流程，一是情报服务层，另一个是飞行管控层。情报层直接面向用户提供情报
信息服务，飞行管控层为情报服务的实现提供执行条件。两个层次之间交叉互连，
同步执行。图 2.4 给出了具体的 5 个步骤：
Step1：情报服务层工作从接收用户情报任务需求开始，查询情报汇总中心是
否有满足用户需求的情报，有则直接发放，没有则同时收集战场环境态势和战区
内的实时 UAV 状态，分析任务需求，生成执行相应任务需要的能力文件（所需
UAV 能力、传感器能力等）。
Step2：根据生成的能力文件，在现有可用资源中进行 UAV、载荷、通信链路
等资源的选配，得到任务与资源匹配的集合。任务协调规划中心则由输入的任务
资源组，分析问题约束及特点，选取合适的算法进行任务的分配。
Step3：航迹规划系统则按照无人机的任务执行顺序，考虑外部地形、环境和
威胁，为无人机正确执行任务规划合适航迹。任务分配方案与航迹文件综合得到
的任务计划，下发至战区内通用地面站(UGCS)。
Step4：UGCS 在得到任务计划后，控制计划方案中指定的 UAV 向目标区域飞

第 15 页
 国防科学技术大学研究生院工学硕士学位论文

行对目标进行侦察。在目标侦察过程中动态监控协调中心实时收集战区内所有
UAV 状态、任务执行情况与任务执行过程中的突发事件等信息，面向战区层次进
行动态协调调整，将动态协调命令派发 UGCS 进行具体实施。
Step5：UAV 对目标进行侦察后，收集的情报信息回传给控制该 UAV 的 UGCS，
UGCS 将粗略情报信息分发给用户，用时将该信息交由情报汇总融合中心。情报融
合汇总中心收集来自多个 UGCS 的数据信息，对情报进行融合，将融合后的精确
情报发送至士兵移动终端。

2.3.2 多无人机侦察任务特点与协调因素

为最大化的提升无人机系统资源的利用效率和各单位间信息共享程度，未来
无人机的使用模式较传统方法将发生较大变化。与此同时给多无人机侦察任务分
配带来新特性，从 2.3.1 中分析的工作流程，可总结该问题具有以下 3 个主要特点：
（1）无人机集中管理。传统模式下，战场环境中的不同作战单位装备一定数
量的无人机以满足自身任务需要，隶属于不同单位的无人机系统由于型号参数等
不同，通用性较差，获得的情报信息难以共享给其他单位。分别部署数量众多的
无人机同时还造成资源重复使用、空域安全形势严峻、难以协同等等一系列问题。
针对上述问题，将无人机统一由专门的无人机部队进行维护、起降等，无人机机
群任务协调规划中心根据任务需求，对无人机实行统一管理和调配，是未来战争
下无人机新型使用模式。
（2）系统可互操作。互操作是实现无人机统一管理使用的先决条件。新模式
下，整个战区分布着数量若干、能力等级不同的地面控制站，其通信数据链覆盖
情况也有所不同。因此必须采用 4586 等互操作协议，提高系统间互操作水平，使
无人机可以受不同地面站的控制，不受传统数据链限制。
（3）“多”与“动”并存。“多”有四个层次含义：同一规划周期发出情报
请求的用户多；任务协调规划中心管理调配的无人机种类、数量多；发出的侦察
任务类型、数量和约束条件多；任务目标的种类数目多。“动”是指在任务执行
过程中可能遇到突发事件，需要对任务进行动态的重分配。
综合上述特点可知，多无人机任务协调充斥于整个情报信息的服务过程。需
要进行协调的主要因素有：
（1）协调任务需求间的关系。网络化环境下，无人机被集中统一管理，战场
内的作战用户向统一的指挥机构提出任务需求。作战用户等级及对情报需求的不
同，导致产生不同的任务需求。任务协调中心需要对任务需求分门别类，建立轻
重缓急顺序，方便为其调配相应资源以获得所需情报信息。
（2）协调任务需求与资源的关系。分析网络环境下多无人机任务协调流程可

第 16 页
 国防科学技术大学研究生院工学硕士学位论文

知，执行任务所需的资源有无人机平台、传感器和通信链路三种。任务需求自身
属性限制资源能力的选取，而资源能力则限制了其可以执行的任务种类。对任务
需求与资源的协调，要发掘任务需求与资源间的内在联系，将任务描述按特定规
则转换为对无人机系统资源的能力需求，为任务协调建立可量化的数据表达形式。
（3）协调任务分配的关系。侦察任务最终要被无人机系统执行，以获得所需
的情报信息。对筛选出来的不同能力的资源平台，由于复杂的战场地形环境、气
象信息、侦察任务时间窗等属性约束的存在，导致其执行侦察任务时付出的代价
及得到的收益不同。为最大限度的利用无人机系统资源，需要对任务分配进行协
调，得到合理的任务分配方案。
（4）协调侦察任务执行过程。生成的任务方案对无人机何时执行何种侦察任
务需求做出安排，落实无人机的具体执行前，需要为其规划合理的航迹。航迹协
调需要综合考虑战场内地形、威胁、气象条件和无人机间冲突。在任务执行过程
中，会遇到侦察任务的增加、变更等突发事件，对整体任务计划产生影响，需要
进行在线协调以保证任务计划的实现。

2.4 面向网络环境多无人机侦察任务协调的系统构建

网络环境下多无人机侦察任务问题具有约束条件多、环境复杂、任务需求和
无人机数量大等特点。为提高侦察任务的协调效率，需要科学高效的任务协调规
划系统，实现从任务需求汇聚、理解到任务计划生成执行及情报分发的完整流程。

2.4.1 任务协调系统架构及模块分析

根据系统总体需求，整个系统被分为三个层次，包括实现任务收集、资源管
理、任务分配、任务执行监督、情报收集等功能的功能层，协调管理系统中环境
数据、资源数据、任务数据与情报数据交互的数据传输层，以及支持整个系统允
许的软件与硬件平台，统称为物理层。下图简要概括了系统整体框架与各层次之
间关系。

第 17 页
 国防科学技术大学研究生院工学硕士学位论文

图 2. 5 任务协调规划系统框架
各子系统基本功能如下：
(1)战场态势显示子系统
战场态势显示子系统的功能是将战场地形数据、威胁数据、气象信息数据等
进行处理，将整个战场态势可视化显示在屏幕上，使指挥官或操作员可直观对战
场进行分析，做出决策。该系统的数据输入主要有战场地形信息、各时刻气象数
据信息、侦察所得的威胁数据及其他情报信息等的更新。与 FUSE 相同的是，战
场态势可以由单兵手持式任务终端进行查看，实现信息的共享。
(2)任务收集处理子系统
任务收集处理子系统是整个系统的主要输入，有任务收集与任务的处理两个
子功能模块。该子系统结构及功能如图 2.6 所示。

图 2. 6 任务收集处理子系统结构图
任务收集模块收集战场中各作战用户的任务需求。不同用户角色在不同环境
下，用户任务需求的形式有所不同，如文本、语音格式及手持任务终端发出的任
务需求。文本或语音形式的任务需求，需要进行语义分析，并转义为系统可解析
的任务需求的模板形式。

第 18 页
 国防科学技术大学研究生院工学硕士学位论文

任务处理模块对格式化后的任务进行统一的管理。如根据用户或任务目标等
确定任务优先级，根据定义的基元侦察任务将任务进行分解，根据任务类型、优
先级和时间窗等对任务进行分组与排序。对处理后的任务需求建立任务数据库，
使用视图化的任务管理系统对任务进行管理，具有便捷的查看、编辑任务等功能，
并可按任务编号、申请单位等特性快速进行索引等。
信息交互模块负责该子系统与其他内部子系统或外部的数据传输。
(3)资源管理子系统
资源管理子系统中的资源特指为完成侦察任务需要的无人机系统资源，主要
包括无人机平台资源、传感器载荷资源、通信链路资源三类。图 2.7 为该子系统结
构及功能图示。

图 2. 7 资源管理子系统结构图
无人机平台资源为战场中分布的无人机平台。由于系统在通用网络化测控与
管控环境下构建，具备底层链路及信息互联互通条件，需要对无人机进行统一的
管理，以实现对无人机从整个战区出发的全局任务分配。无人机的具体起降、飞
行等动作由专门的无人机部队实施。系统需要管理的是战场现有无人机型号、数
量、运行状态（空闲、忙碌）、平台能力特点等数据。通过与无人机部队的数据
交互对无人机建立统一索引与信息关联，方便无人机增加、删除及查找等功能。
传感器载荷资源是完成侦察任务的具体承担者。与无人机平台相同，载荷由
无人机部队根据需要配备给不同的无人机。系统则更关心传感器载荷的类型、数
量、参数等，对传感器载荷进行编号管理，方便根据任务需求挑选合适的载荷，
并实现对载荷的编辑、增减等。
通信链路资源是无人机正常执行任务与完成情报信息回传的保证。由于通用
化网络环境的建立，无人机在其能力范围内可以在不同地面站控制下实现跨区飞
行。在全局战场环境下，作战区域中部署着多套不同类型的数据链，对战区进行
覆盖或者交叠覆盖。通信链路资源管理则是根据任务、无人机与所得情报信息类
型（文本、图像、视频等）选取合适的数据链进行通信。为便于研究，本文提出
第 19 页
 国防科学技术大学研究生院工学硕士学位论文

通信约束条件的简单模型，但在同一通信条件下开展研究。
上述三类资源（无人机、传感器、通信链路）相互联系，可交叉索引。系统
可建立集中式管理信息库，通过分布式索引对三类资源进行管理。数据库可以通
过视图化的管理工具显示在计算机上，使操作员可方便了解当前资源所处状态，
并对资源进行相应查找、编辑等操作。该子系统的资源信息同样可以通过信息交
互模块，与其他系统或子系统进行连接。
(4)任务分配子系统
任务分配子系统是整个系统的核心部分，包括初始任务资源筛选、任务分配
优化计算、航迹规划、任务计划评估选择。图 2.8 较为直观描述了任务分配子系统
的各个功能模块和结构关系。

图 2. 8 任务分配子系统结构图
对整个战场任务进行统一的管理与分配，带来了信息共享的优势，但缺点也
显而易见，即需要进行分配的任务相比传统模式规模大大增加。针对该难题，系
统通过对任务分组排序、初始资源筛选、任务分配、全局优化等几个步骤，将问
题分层次考虑并解决。本文建立的系统通过分析任务属性与资源属性之间的内部
关系，建立资源筛选规则库。根据规则库的限定，为不同的任务需求快速筛选出
具备完成任务能力的无人机平台、传感器等资源，得到任务—资源一一映射的集
合，集合内组合数目可以通过设定参数来进行粗略或严格的限制。输入到任务分
配计算模块的则是任务与资源对应的组合，这极大的降低了问题规模，提高任务
分配的效率。
任务分配优化计算则根据筛选出的任务—资源对应集合，按任务类型的不同，
分析任务时间窗、优先级、目标地理位置等约束，建立问题数学优化模型。根据
决策者偏好的不同，优化指标可以设定不同的参数值。对不同的任务—资源组合，
根据特点采用合适的优化算法进行任务分配。为提高任务分配效率，系统可以提
供几套已经验证的任务分配算法模板，采用分布式计算平台，对不同的任务—资
源组合并行进行计算，得到每组局部最优的分配方案。分布式计算所得任务方案，
是每组任务的局部最优方案，极可能导致无人机空白时间窗不被使用而造成资源
的浪费。因此从全局出发，对初始分配方案进行优化调整，得到适合的任务计划。
第 20 页
 国防科学技术大学研究生院工学硕士学位论文

任务计划命令是指导通用化地面控制站控制无人机执行侦察任务的方案性文
件，除给出无人机的任务执行序列，对其任务执行路径也需给出较为详细合理的
计划。系统根据任务分配方案，综合战场地形环境、气候、威胁等信息，使用航
迹规划算法得打无人机飞行航路。针对无人机平台物理特性，对得到的航迹进行
平滑，得到可飞航路。
优化指标选取的不同导致得到的任务计划方案有所差别，即便采取相同的优
化指标和算法，也可能得到不同的结果。不同方案侧重的优化指标不同，选取哪
种方案发放给地面站实施则是任务计划评估与发放子系统的职责。
同样的，该子系统同样需具备信息交互模块实现与外部数据的传输。
(5)任务执行监督子系统
任务执行监督子系统担任监视任务完成情况及处理突发事故的职能。主要用
来对无人机飞行中的状态进行监管，并对影响任务计划完成的情况进行重规划，
其各功能结构如图 2.9 所示。

图 2. 9 任务执行监督子系统结构图
地面站接收到任务协调规划中心的任务计划后，控制相应的无人机根据规划
的航迹，飞行至任务目标区域执行侦察任务。整个过程无人机的状态必须处于地
面站的监管之下，地面站将无人机状态、任务执行状态等信息反馈给任务协调规
划中心以供进一步决策。对需要跨区飞行的无人机，必须在任务协调规划中心监
督下，进行地面站控制权交接仲裁等一系列操作，以确保飞行安全。
在任务执行过程中，可能遇到平台能力降级、设备损毁（无人机、传感器等）、
任务变化（新增、删除、插入、交换等）等突发事件，对可能出现的突发事件进
行管理，对应建立快速响应处理机制。在能力范围内可以由该子系统对任务与飞
行航迹进行重规划。超出其能力范围的，将突发事故情况发回任务协调规划中心，
进行更高层的决策与重规划。
(6)情报收集分发子系统
无人机执行侦察任务获得的情报有以下几种回传方式：1）任务需求用户可以

第 21 页
 国防科学技术大学研究生院工学硕士学位论文

与执行该任务无人机直接取得联系时，可直接与无人机建立连接，操控无人机载
荷，实时得到相应情报信息。2）任务需求用户只可与操控执行任务无人机的地面
站建立联系时，可以由无人机将情报信息发送给地面站，使用户从地面站获得需
要的情报信息。3）以上两种情况均不满足，无人机将得到的情报信息传回任务协
调规划中心，由情报收集分发子系统将用户需要的情报信息发放给用户。
无论采用何种方式，无人机得到的情报信息均需通过不同的数据链传回情报
收集分发子系统。将获得的情报信息按照日期、来源等标签管理，进行去冗余与
融合等操作，使其他用户可以对整个战场范围内的信息进行订阅，以实现信息共
享。对融合后的情报信息，进行可视化的显示，使得处于通信网络的任何单位，
通过终端进行整个战场态势的查看。
(7)数据库接口管理子系统
数据库对整个系统的数据管理进行支持。系统数据库主要有四类，由无人机
数据库、传感器载荷数据库、通信链路数据库组成的资源数据库，由气象数据库、
战场地形数据库、威胁数据库组成的环境数据库，由任务需求数据库、任务计划
方案数据库组成的任务数据库，和管理情报信息的情报数据库。
接口管理子系统则通过指定网络传输协议实现对系统内部及与外部系统间的
数据交换与管理，详细的数据库接口形式及数据交换格式在下节展开论述。

2.4.2 系统信息传输与接口管理

上小节主要介绍了系统的工作流程、系统总体结构框架及各子系统结构和功能
模块，从宏观角度分析系统各模块职责和逻辑方面的联系。
在战场上，每个系统都不能孤立存在，要想完成正常工作，必然存在与其他部
门系统间的信息交联。本小节从保证任务协调规划系统各环节正常工作的角度，
着重分析各环节的信息流，包括从系统接收外部数据输入，进入系统内部进行一
系列对数据的处理、利用等。系统经上述步骤生成的有效信息，最终经由系统输
出端交付给外部系统部门或单位。任务协调规划系统正是由于信息流的存在，才
能使内部各模块与外界形成有机整体，实现系统需求。
图 2.10 简要归纳了系统内部及外部间信息流走向。整个系统的信息通过系统
数据库，以及接口管理系统，实现对信息数据的维护和交互。

第 22 页
 国防科学技术大学研究生院工学硕士学位论文

图 2. 10 系统内部及外部信息交换图

2.4.2.1 系统接口管理
从图中可以看出，系统可以分为外部接口与内部接口两大类。
(1)外部接口
外部接口指任务协调规划系统与外界其他部门、系统或软硬件平台之间交换
数据的接口。具体来说，系统外部接口主要有以下三种：
1）无人机任务协调规划系统与战场用户之间的接口关系。战场用户是系统直
接要求使用者和受益者。用户从自身需求出发，向系统提出不同形式的侦察任务，
驱动任务协调规划系统执行。根据用户职责和级别的不同，或发布任务需求时的
环境限制、时间限制等，任务需求形式可以是未经处理的文本、语音性质的原始
任务文件，或按手持任务终端发出的格式化任务需求。任务协调规划系统则根据
用户需求，侦察、获得并处理情报信息，最终由情报收集处理子系统发送给相应
用户，用户也可以通过任务终端或其他可视化设备，接收整合于战场态势显示系
统的战场全局情况，以便于指挥决策。
2）无人机任务协调规划系统与其他资源约束部门之间的关系。资源管理子系
统接收来自无人机部队和通信部门提供的资源数据，包括无人机、传感器和通信
数据链资源，建立资源数据库，以支撑任务分配的进行。测绘部门向任务分配子
系统提供战场地形数据及威胁信息数据；气象部门向任务分配子系统提供气象数
第 23 页
 国防科学技术大学研究生院工学硕士学位论文

据，作为进行任务分配、航迹规划等的约束条件。测绘部门和气象部门又将获得
来自情报收集处理子系统对战场环境数据的更新。
3）无人机任务协调规划系统与地面控制站系统的关系。系统向地面控制站输
出制定好的任务计划，由地面控制站控制无人机执行。在任务执行过程中，地面
控制站将实时的无人机状态输入资源管理子系统进行资源数据库的更新；任务监
督子系统接收地面控制站传输的无人机实时状态，结合任务执行情况等进行任务
动态监督处理；无人机执行侦察任务获得的情报信息，也可以通过地面控制站回
传给情报收集处理子系统。地面控制站提供的信息同样可以由战场态势显示子系
统进行显示。
(2)内部接口
内部接口指无人机任务协调规划系统内部子系统之间存在的接口，这些接口
负责子系统间数据的交换。内部接口关系主要包括以下种：
1）任务分配子系统与其他子系统之间的接口关系。任务分配子系统是整个系
统的核心部分，与大多数子系统存在数据交换。任务收集处理子系统将任务进行
规范化处理，与资源管理子系统的资源管理文件，一同提供给任务分配子系统作
为任务资源筛选的初始条件。任务分配子系统综合任务需求和约束文件制定的任
务计划文件，提供给任务执行监督子系统，并接受来自该子系统动态重规划后的
调整方案，进行全局协调。
2）情报收集处理子系统与战场态势显示子系统之间的接口关系。情报收集处
理子系统得到的情报数据信息格式是多种多样的，如文本、图像、视频等，或其
他格式的地形数据、气象数据等。指挥员面对格式众多的情报信息很难把握重要
情报，因此对情报信息进行处理融合，将信息发送给战场态势显示子系统，实现
二维或三维图像形式的直观显示，对指挥员辅助决策极为有利。

2.4.2.2 系统数据传输格式
如上所述，无人机任务协调规划系统是一个极其复杂的系统，与外部其他系
统之间涉及大量信息交互，同时就系统自身来说，其内部子系统之间也具有多种
信息交联。而不同系统或部门，其数据文件一般有固定的规范或标准，系统之间
数据不可以直接进行传输使用。
类似问题在软件设计领域是比较常见的。如近年来随着 SOA（面向服务技术

第 24 页
 国防科学技术大学研究生院工学硕士学位论文

架构）的兴起，越来越多的应用系统开始进行分布式的设计和部署。系统由原来
单一的技术架构变成面向服务的多系统架构。原来在一个系统之间可以完成的业
务流程，通过多系统的之间多次交互来实现，系统之间需要大量信息交换。
系统间数据传输主要有三个要素：传输方式，传输协议，数据格式。本文主
要讨论系统的数据传输方式和系统间流通的数据格式，对传输协议不作具体分析。
无人机任务协调规划系统的信息传输方式主要考虑以下几种：
（1）Socket 方式。Socket 方式是最简单的交互方式。是典型的 c/s 交互模式。
一台客户机，一台服务器。服务器提供服务，通过 IP 地址和端口进行服务访问。
而客户机通过连接服务器指定的端口进行消息交互。其中传输协议可以是
TCP/UDP 协议。而服务器和约定了请求报文格式和响应报文格式。该方式具有易
于编程、易于控制权限通用性强等优点。但该方式在传输较大规模的数据时，会
占用较大网络带宽，甚至可能导致连接超时。
（2）ftp/文件共享服务器方式。系统 A 和系统 B 约定文件服务器地址，文件
命名规则,文件内容格式等内容，通过上传文件到文件服务器进行数据交互。该方
式优点：方案简单，避免了网络传输、网络协议等概念，可以传输规模较大的数
据。该方式的缺点也是显而易见的：不适合实时性传输；必须有共同的文件服务
器，有一定安全隐患；文件数据格式必须约定，格式被改变时各系统需同步修改。
（3）数据库共享数据方式。系统 A 和系统 B 通过连接同一个数据库服务器的
同一张表进行数据交换。当系统 A 请求系统 B 处理数据的时候，系统 A 插入一条
数据，系统 B 选择系统 A 插入的数据进行处理。在多个系统可以共用一个数据库
时，相比文件传输，该方式交互更加灵活。同时数据库本身提供了如更新，回滚
等相当多的操作，能实现可靠的数据交换。该方式受限于数据库的连接池数目，
在接入系统较多情况下可能造成无可用数据库连接。
（4）Message 方式。Java 消息服务（Java Message Service）是 message 数据
传输的典型的实现方式。系统 A 和系统 B 通过一个消息服务器进行数据交换。系
统 A 发送消息到消息服务器，如果系统 B 订阅系统 A 发送过来的消息，消息服务
器将消息推送给 B。双方约定消息格式即可。目前市场上有很多开源的 jms 消息中
间件，比如 ActiveMQ, OpenJMS 。该方式比较灵活，可以采取同步，异步，可靠
性的消息处理，消息中间件也可以独立出来部署，接入起来也比较简单。但在大
数据量的情况下，消息可能会产生积压，导致消息延迟，消息丢失，甚至消息中
间件崩溃。
不同系统使用的数据格式一般不同，为便于系统间的信息交换读取，需要使
用数据交换格式进行封装，使得系统之间的数据格式一致。常用的数据交换格式
主要有 XML、JSON、protocol buffer 等几种。

第 25 页
 国防科学技术大学研究生院工学硕士学位论文

XML（Extensible Markup Language），可扩展标记语言，是一种用于标记电

子文件使其具有结构性的标记语言。它可以用来标记数据、定义数据类型，是一
种允许用户对自己的标记语言进行定义的源语言。它提供统一的方法来描述和交
换独立于应用程序或供应商的数据，非常适合万维网的传输。由于 XML 以文本形
式记录，可以在不同系统平台上解析。它使用元素和属性来描述数据，在数据传
输中始终保留数据关系结构，使其成为最常用的数据交换格式之一。但 XML 比较
繁琐，数据文件相对较大，解析相对较难[77]。
JSON（JavaScript Object Notation）是一种轻量级的数据交换格式。它是基于
JavaScript 的一个子集。JSON 采用完全独立于语言的文本格式，但是也使用了类
似 C 语言家族的习惯。这些特性是 JSON 成为理想的数据交换语言，易于人阅读
和编写，同时也易于机器解析和生成[77]。
protocol buffer 是 Google 的一种独立于语言和平台的数据交换格式。采用二进
制格式，可用于分布式应用之间的数据通信或者异构环境下的数据交换，其效率
和兼容性都比较优秀。但是不适合描述符号文本。
表 2.1 给出了系统内部和外部的数据传输文件及交换方式等。对源文件格式，
数据交换格式，数据传输方式和处理后生成的文件等做了说明。数据库存储格式
是根据对源文件进行解析并符号化后，利用 Microsoft Access 建立 OLEDB 数据库，
方便进行信息的查询及其他操作。用户发送的任务需求一般数据规模较小，但要
求的实时性较高，因此可采用 Socket 方式传输。而资源数据和外部环境文件一般
数据规模较大，且其数据在一段时间内不会发生较大变化，不要求实时传输，采
用 FTP 文件传输或数据库共享方式更为方便。不同战场用户对情报类型、内容的
需求有所差别，采用 Message 传输方式，可以实现用户订阅自己感兴趣的情报信
息，而经处理融合后的战场态势也可由协调中心发放给各个用户。
表 2. 1 系统内部及外部信息传输处理
数据
交互平台 源文件格式 数据交换 传输方式 处理后文件
信息
系统与外部数据交互
格式化任务
任务
用户系统 TXT,MP3,XML 等 XML/JSON Socket 需求文件
需求
任务数据库
无人机部队、测绘
资源 部门、通信部门 TXT,XLS,Access, XML、数据 FTP 文件传输、
资源数据库
数据 系统 DAT 等 库存储格式 数据库共享
地面控制站系统
外部 测绘部门、气象部 地理地形数据： XML、数据 FTP 文件传输、 环境数据库

第 26 页
 国防科学技术大学研究生院工学硕士学位论文

环境 门系统 Shapefile,Coverag 库存储格式 数据库共享

文件 e,Geodatabase 等
气 象 数 据 ：
TXT,XLS 等
XML，TXT，JPG、
情报 地面控制站系统 PNG 等图片格式，
情报信息数
信息 系统用户、气象/ MP4、FLV 等视频 可直接传输 Message 方式
据库
文件 测绘部门 格式
地图文件格式
系统内部子系统间的数据交互，可自定义数据格式，采用共享数据库方式传输

2.5 本章小结

本章首先分析现代战争对科学、高效的无人机任务协调规划系统的迫切需求。
从战场用户角度出发，分析从侦察任务需求发出，到通过任务协调规划系统制定
任务计划，输出到地面控制站执行，最终获得情报并分发给用户的整个工作流程。
根据工作流程设计系统架构及功能模块，将系统分为功能层、数据层和物理层，
对每个层次包含的内容和相互关系做出阐述，解释每个层次及模块的功能特性。
系统整体功能的实现，需要进行与外部系统或自身内部的信息交互。本章从
系统的各个功能环节分析系统信息流传输路径。为了实现系统数据传输，参考在
现有应用程序或系统间几种数据传输方式，如 Socket、FTP 文件传输等，根据传
输方式特点，决定在各环节采取哪种传输方式。针对不同系统部门间使用的数据
文件形式多有所不同的问题，采用主流数据交换格式如 XML、JSON 等进行数据
格式交换。通过系统接口和数据库的管理将其连接成为有机整体。

第 27 页
国防科学技术大学研究生院工学硕士学位论文

第 28 页
 国防科学技术大学研究生院工学硕士学位论文

第三章 多无人机侦察任务需求形式化表达

3.1 引言

侦察任务的目的是为开展战争行动获取及时、准确的情报信息。不同职能角
色的作战用户，对情报内容有各自的要求，导致不同的侦察任务需求。若无统一
的任务需求请求格式，则任务管理中心需要耗费大量人力和计算资源对杂乱的任
务需求进行规范和理解，不仅给操作人员带来巨大的负担，也造成任务规划效率
低下。本章参照军事情报类型及其内容等，分析不同用户一般性情报需求。并根
据现有无人机执行的侦察任务的特点，总结归纳了几类具有代表性的侦察任务及
其命令要素，建立任务需求模型。

3.2 侦察任务需求表达

军事情报是反映军事、战争情况或与它们有关的情报，从层次上可以区分为
战略情报、战役情报和战术情报。战略情报是一个长期积累的过程，是对各种途
径来源的情报加以分析得到的国家间格局文件[78]。本文设计的多无人机协同规划
系统定位于为各级指挥官提供支撑局部战争的战役情报和战术情报。无人机执行
侦察任务则是为了获取相应战役战术情报，根据情报内容的需求可以推导出完整
表达一个侦察任务所需的要素。
表 3. 1 战略、战术及战役情报任务内容

情报类型 概述 任务 内容

1、 基本情况，包括敌社会
制度、政治、文化等等
指导战争全局所需的情 1、 战略预警
2、 动向情况
报，是制定和实施国家 2、 查明敌方战略意图
战略情报 3、 战略意图
战略及国家军事战略、 3、 研究敌方战略特点
4、 力量对比
指导战争的依据 4、 注意敌内外情况变化
5、 自然环境状况
6、 世界局势、国际问题等

组织实施战役所需的情 1、 查明敌况。敌方编成、企图、作战能力，军事基地、
报，是战役指挥员了解 港口机场、仓库位置、容量及所属舰船、飞机、物
战役情报 战区环境、判断敌情， 资类型、数量等等
把握战场态、组织战场 2、 查明环境，主要指自然环境
活动的保障条件 3、查明其社会情况

第 29 页
 国防科学技术大学研究生院工学硕士学位论文

1、 查明敌情。查明敌人兵力编成、番号、部署企图等，
战术指挥员组织实施战
敌人阵地、工事、大规模武器地点、数量等等
战术情报 斗所需情报，是战斗的
2、 查明地形
重要保障
3、查明民情

对于无人机侦察任务优化分配等，已经有许多研究。但对侦察任务需求格式
做规范性说明的论述则比较少。规范侦察任务需求格式，对系统对任务需求进行
解析理解，及做出有效任务规划，是极其有利的。
从一般侦察任务及作战想定出发，可以归纳出侦察任务需求的以下基本要素。
1)任务编号：编号是唯一性的任务标识。通过确定编号书写规则，可以从编
号信息中得到任务需求的来源单位、任务类型等。
2)任务优先级：任务优先级确定了任务的紧急程度，优先级高的任务可以获
得的情报信息往往更具价值，在执行过程中会被优先考虑。任务优先级可以由任
务需求发出者或侦察任务类型、目标特点等决定，由任务收集处理子系统对任务
优先级进行统一确定，任务优先级常以 0-9 等十个数字表示先后顺序。
3)任务类型：一条侦察任务需求，可能涉及到多个侦察动作。为便于分析，
将侦察任务分为基元任务与复合任务。基元任务是任务空间中最基本、不能再进
行分解的基本任务，复合任务是有几种基元任务组合而成更为复杂的任务。
根据侦察动作，可以将侦察任务分类为探测搜索、侦察和监视跟踪几类基元
侦察任务。常见的侦察任务是由多个基元任务组合而成的复合任务。
A 探测搜索任务。根据面向的用户角色不同，分为广域探测/搜索和区域探测
/搜索。广域层面是高级指挥官为得到战略或战役级别的情报发出的任务要求，依
靠无人机对敌方大面积国家、战场等进行的探测扫描，得到其兵力部署、军事设
施位置等等。由于探测面积较大，通常需要多架无人机协同扫描以提高效率；区
域层面是战役指挥官从某战役出发为得到战役情报发出的任务要求。两种方式对
情报要求侧重有所不同，因此分辨率要求不同。区域扫描要得到更详尽的情报，
对图像分辨率要求较高。
B 侦察任务。侦察任务侧重于收集静止目标一段时间内的状态情报，需要对
目标侦察一段时间，或侦察几个周期以确保信息有效性。一般由基层作战单位指
挥官发出任务需求，为辅助做出正确决策收集战术情报。侦察任务需求对任务的
描述一般较为详尽，参照约定的任务需求格式，规范化描述目标位置、时间要求、
图像要求等约束条件。
C 监视跟踪。监视跟踪任务侧重于对敌方力量动向情报的收集，如部队行进
方向，装甲车移动状态等等，多对动目标发出。进行监视跟踪前，一般首先需要
对目标进行识别确认，往往伴随侦察任务一同进行。

第 30 页
 国防科学技术大学研究生院工学硕士学位论文

除以上单独基元任务，侦察任务需求命令的下达多为基于以上任务的复合型
任务。如命令“下午 xx 时刻至 xx 时刻间在 xx 区域可能出现某股部队，观察其动
向”，即包含了对某区域的探测/搜索任务和对某部队的监视跟踪任务，后一任务
约束于前一任务。命令“侦察 xx 区域内所有机场飞机数量”，即需要对 xx 区域
进行探测搜索并对探测到的每个机场进行侦察。
4)任务区域：探测搜索任务的任务区域，或在侦察任务、监视跟踪任务的目
标位置未给定时的大致所处范围。任务区域可由几个地理坐标确定的多边形区域，
或者中心地理位置与半径组成的圆形区域表示。
5)任务目标：任务目标是侦察任务的最终落脚点。一般说来，不同类型的目
标，其军事价值有所不同，在侦察、打击等任务上的先后顺序也因此不同。即使
同一目标，在不同用户、不同环境或不同的需求和时刻，其价值都可能实时发生
变化。因此任务目标同样是任务需求的一个重要因素。
根据目标类型的不同，可以分为点目标（装甲车、导弹井、雷达等），线目
标（公路、桥梁、铁路等），面目标（机场，军事基地等）；根据目标运动状态，
可以分为静目标和动目标。目标可以用一个或多个地理位置坐标序列表示。
6)任务时间窗：为满足侦察任务时效性要求，UAV 必须在指定的时间窗内对
任务进行侦察。侦察任务时间窗的形式一般为[starttime,endtime,worktime]，分别表
示任务开始时间，结束时间和持续时间。

图 3. 1 任务时间窗
A 点表示侦察任务最早开始时间，D 点表示任务最晚结束时间，B 点表示任务
实际开始执行时间，C 点表示任务实际结束时间。符合任务时间窗要求的目标其
BC 段应当包含于 AD 段内。
7）任务需求间约束关系：侦察任务需求之间有可能具有耦合关系。如促进关
系（任务需求 A 的完成有利于任务需求 B 的完成），时序约束（侦察任务需求 B
必须在 A 完成后才能完成等）。这些关系对任务协调会产生较大影响，需要在任
务需求表达中明确。
通常来讲，网络化战场环境下不同作战单位提出的侦察任务需求均具有上述
要素，对要素的表述越多，其任务需求也越明朗，越有助于进行任务协调。

3.3 侦察任务需求理解

侦察任务需求之间各要素不是孤立存在的，与命令自身要素或外部无人机平
台、传感器等，都有内部联系。通过对侦察任务需求内在属性之间，以及与外部
第 31 页
 国防科学技术大学研究生院工学硕士学位论文

无人机、传感器等资源平台之间联系的挖掘，可在进行任务协调前，限制执行相
应任务的资源能力选取，为减少问题规模、降低求解难度打下基础。

3.3.1 任务需求类型与任务目标

任务需求的下达过程中，具体的目标位置或目标名称可能是缺省的，需要首
先对目标大致所处区域进行探测搜索，因此实际上将隐藏一个探测搜索任务。对
探测搜索后所得的敏感目标，根据其类型和状态等，决定进行侦察任务还是监视
跟踪任务。任务目标与任务类型之间关系大致如下图：

图 3. 2 任务目标与任务类型关系
从图 3.2 可以看出，目标根据类型不同，可以分为点、线、面目标三类。根据
运动状态的不同，可以分为静目标和动目标两种。这两种目标属性组合存在于任
务目标之上，对任务类型及后续任务资源的选取，都会产生一定影响。如命令“下
午三点到四点内对位于 A 区域内某军事基地进行侦察”中，目标“某军事基地”的位
置、类型等信息未详细给出，因此需要对 A 区域进行扫描，寻找处于 A 区域内的
军事基地，对得到的军事基地由任务需求用户做出目标确认，根据用户需求侦察
感兴趣的军事基地。而对该基地进行侦察的任务，其时间约束受限于完成探测搜
索 A 区域任务而得到确定目标的时间。

3.3.2 任务需求与资源平台联系

侦察任务最终需要分配到外界资源平台上执行，若将大规模任务不加区分，
直接输入任务规划系统进行分配优化，将带来较大计算量，且耗费较长的时间。
优先对任务进行分析，将具有共性的任务分组、排序，根据任务组内子任务属性、
要求等，筛选完成任务所需的最小能力集合（包括 UAV 能力、载荷能力、链路选
择等）以缩小问题求解空间，是提高任务分配效率的有效途径。
侦察任务所需要的资源平台一般是无人机平台及搭载的传感器载荷。由于本
文研究背景在已具备良好的通用化网络测控管控条件，因此对于不同通信链路的
第 32 页
 国防科学技术大学研究生院工学硕士学位论文

选择未过多研究。
(1)无人机侦察任务能力
无人机作为执行侦察任务的平台，其性能如飞行速度、续航时间很大程度制
约了任务的分配情况，依据其性能指标的不同，各无人机完成不同类型的任务能
力差别较大[79]。
无人侦察机按续航时间和航程的长短，主要分为四大类型：长航时无人侦察
机，中程无人侦察机、短程无人侦察机和近程无人侦察机。不同侦察 UAV 飞行速
度、高度、续航长短不同导致无人机能力不同。UAV 搭载的侦察载荷及通信载荷
不同的影响在下文单独列出。
表 3. 2 侦察无人机类型及性能
升限 速度 活动半径
侦察 UAV 类型 续航时间（h） 代表机型 侦察能力
(m) (km/h) （km）

长航时 高空长航时 >10000 >36 300 左右 全球鹰、捕食者

无人侦 150~600 对目标持续侦察、通信中继
察机 中空长航时 >3000 >12 150-300 蒂尔系列

中程无人侦察机 几千米 150~200 10h 左右 700-1000 D-21、金龟子 昼夜侦察、大面积快速侦察

短程无人侦察机 8-12 150-350 先锋、不死鸟 侦察监视、目标搜索定位

1000-6000 100~300
近程无人侦察机 1-6 30 短毛猎犬 战地监视

(2)传感器载荷
UAV 执行侦察任务的目的是利用搭载的成像传感器获得目标的有关信息，成
像传感器收集、量测和记录侦察目标的信息，是侦察任务的核心。目前 UAV 搭载
的成像传感器主要类型有光电相机（Electro-optical，EO）、红外成像装置（Infrared，
IR）和合成孔径雷达（synthetic aperture radar，SAR）[80]。
光电相机（Electro-optical，EO）：成像需要良好的光照条件，在遮挡物（雨
雾、云层、建筑）较多情况下成像效果较差。对于给定的光学镜，一般可见光波
段成像分辨率高于红外波段成像分辨率。
红外成像装置（Infrared，IR）：即使没有外部光源也可成像，一般多用于夜
晚、阴天等光照条件较差时刻的侦察。
合成孔径雷达（synthetic aperture radar，SAR）：分辨率高；能全天候工作，
不受天气条件和时间限制；能有效识别伪装物和穿透掩盖物。Lynx 合成孔径雷达
可以分辨 1m/s 或 2km/h 的运动目标。
EO、IR 是绝大多数无人机都搭载的成像传感器，由于 EO、IR 分辨率一般高
于 SAR 且其图像容易解译，因此优先考虑使用 EO、IR。SAR 一般搭载于大型无
人机，对雨雾及阻挡物较多环境下侦察任务效果较好，但图像解译较难，多用于
第 33 页
 国防科学技术大学研究生院工学硕士学位论文

特定环境下侦察。表 3.3 给出了三类传感器几个典型实例及参数。

表 3. 3 部分传感器参数
无人机 EO/IR SAR
重量：290kg
工作频段：X 频段
覆盖带宽：600MHz
峰值功率 3.5kw
重量：100kg
工作模式：
工作区间：EO，可见光，0.4-0.8um
1、 宽域模式，对地分辨率 1m，作用距离
RQ-4A 全球 IR，红外，3.6-5.0um 频段
220km，每天可覆盖 13800km
鹰 NIIRS（美国图像判读性等级）
2、 聚束模式，对地分辨率 0.3m，作用距离
EO：5.5/6.5（宽域/聚束）
20-200km
IR：5.0/6.0（宽域/聚束）
3、 地面移动目标指示，覆盖范围 200km，
可检测速度为 4-70km/h 的运动目标
最新研发的增强型传感器套件（EISS）可将
性能提高 50%
AN/AAS－52 型光电红外传感器,
具有两色 DLTV 光学机,955mm,
捕食者
可变焦;3～5μm PtSi 或 InSb 多视 AN/ZPQ-1 型合成孔径雷达，分辨率为 0.3m
MQ-1
场热像仪; 19-560mm 范围内 6 个
可调焦距。
MX-15 多光谱目标捕获转塔，携
AN/APY-8 山猫（lynx）合成孔径雷达
带光电变焦和定点摄像机、红外
改进型蚋蚊 工作频段：ku 波段
变焦摄像机、激光指示器和激光
（I-GNAT） 质量<52kg
照明器 4 种传感器，具有高稳定
分辨率可达 0.1m
性和目标定位精度
14 倍变焦的黑白或彩色电视摄像
猎人
机 , 焦 距 20-280mm; 第 三 代
RQ-5B
InSb(3-5μm)FLIR。
Tammam POP300 式光电红外载 人眼安全激光测距仪(可选)：Er 玻璃，1.54
荷,12 倍变焦的三视场(宽、中、 μm；重复频率 1Hz；测量范围 20Km；测
影子 200
窄三种视场)热像仪,像素 量精度±5m；
RQ-7
640×480;逐行扫描的彩色 14 倍变 激光测距/指示器(可选)：二极管激光器，
焦 CCD,具有宽、窄两种视场 1.064/1.54μm 双频，重复频率 1～20Hz
400×450 像素黑白电视摄像机，
法国红隼无 具有红外、可见光两个传感器，
作用距离 8km。条幅宽 4km
人机 可给出探测和识别的双频谱 图
像，在 300m 高度有 45cm 分辨率

(3)任务目标基于图像质量的传感器等级划分
NIIRS(National Imagery Interpretability Rating Scale.美国国家图像解译度分级
标准)作为一种定量的主观图像质量标准, 将用户的任务需求同图像质量联系了起
来, 是目前西方情报机构广为使用的一种图像质量标准。NIIRS 是根据图像解译专
家经验得到的从 0～9 级的 10 等级尺度，0 级最低，9 级最高，等级越高，表
明图像的可解译性越高[81]。NIIRS 体现了情报界对侦察图像的文字要求，构成了

第 34 页
 国防科学技术大学研究生院工学硕士学位论文

用户和研制部门之间交流的标准语言。
NIIRS 分级标准对红外、可见光、雷达等传感器均进行了定义，根据空军、海
军、陆军、电子部队及民用设施的不同对需要的图像质量进行归纳分级。NIIRS
分级标准涉及了对不同军事目标进行辨别需要的能力等级，通过该联系，可以将
任务目标与所需的传感器能力对应起来[82, 83]。文献[84]对具体的红外、可见光和 SAR
的 NIIRS 标准进行了表述。
a.红外 NIIRS 分级标准
b.可见光 NIIRS 分级标准
c. SAR NIIRS 分级标准

编号 类型 时间 区域 目标

探测 侦察 监视 昼 当时 夜 海 陆 空 已知 未知
搜索 跟踪 气象

种类 移动 固定

速度 续航 抗风性

性能 分辨率

大型 中型 小型 光电 红外 雷达

无人机 传感器
图 3. 3 任务需求与外部平台资源关系

图 3.3 根据上文分析的任务需求与资源平台的关系，建立两者之间的约束示意
图。任务的类型、任务目标及区域环境限制了无人机平台的选择；任务时间窗约
束的成像条件和目标与图像的 NIIRS 标准则限制了传感器载荷的选择。

3.4 基于本体论的侦察任务需求建模

不同战场用户，发出的侦察任务需求格式有所不同。高层指挥官对任务的下
达往往是宏观的，常为文本或口头语言形式，需要对首长任务意图进行领会与解
析；中、下级的战场指挥官，可以严格规范其侦察任务申请格式，根据开发的单
兵式任务终端，生成规范的任务需求格式。然而，在情况紧急或环境恶劣的情况
下，单兵式任务终端的交互对于指挥官来说可能同样是复杂的，这时作战单位可

第 35 页
 国防科学技术大学研究生院工学硕士学位论文

采用语音或文本形式，迅速发送任务需求，满足其对情报的要求。
除按照规定格式申请的侦察任务，其他格式的任务均需要任务收集处理子系
统进行统一的解析和规范。为消除任务需求间语义差异，生成便于机器理解的规
范化任务需求，本文考虑使用本体论对军事侦察任务进行建模[85]。

3.4.1 本体建模基本理论

本体（Ontology）这个概念在哲学中，它被定义成“对世界上客观存在物的
系统地描述”，即“存在论”。20 世纪 90 年代初，本体概念被广泛的引用到
计算机信息领域中，用于表示特定知识领域的形式化语言。在过去的十几年中，
人们对本体的理解逐渐完善。最新最全面的定义由 Studer 在 1998 年提出，本体
是共享概念模型明确的形式化规范说明[86]。从本体定义的“概念模型、形式化、共
享、明确”几个特征中不难看出，本体可以帮助我们从概念上抽象地描述信息系统
模型，提高信息系统模型的可重用性，同时能够实现各信息系统之间的知识(或资
源)共享和语义互操作采用本体论对军事侦察任务信息建模，可以实现知识共享，
减少概念和语义差异，使得不同背景人员交流和系统间互操作成为可能。
使用本体论建模主要有以下几个步骤[87, 88]：
（1）确定知识域。构建本体之前，首先要明确构建本体所需的知识域。如构
建本体用途、范围、方法等。知识域的确定约束了本体领域范围的边界，需要尽
量多的参考领域专家的意见，保证获取合适的知识域。
（2）分析领域知识。根据领域范围，本体构建者从书籍、资料中提取与之尽
可能相关的概念、属性和术语等。随后按照其逻辑、相关程度和规则等，将概念
分类。进一步建立类之间的联系，添加类的对象和数据属性，创建出本体的初步
框架结构。
（3）利用本体编辑工具对本体形式化。利用本体开发环境（如 protégé4 等），
将类、实例及类与类、类与实例等之间的关系采用 OWL 语言形式表示出来。
（4）本体检验、评估及改进。在实现本体过程中，需检测所获取知识有无错
误并改正。本体构建到一定规模后，需要对本体正确性、一致性等进行评价。随
着对领域认知的加深，需要进一步对本体进行扩充。

3.4.2 侦察任务需求本体建模

根据上小节的本体建模步骤，实现对侦察任务的建模。
（1）侦察任务本体架构。从侦察任务需求要素的分析可知侦察任务本体分为
5 个子类：任务类型、任务申请用户、任务区域、任务约束、任务资源。
任务类型，子类有探测搜索任务、侦察任务、监视跟踪任务等。
第 36 页
 国防科学技术大学研究生院工学硕士学位论文

任务用户，子类有用户军种、编制、指挥员等。用户军种子类又有海军、空
军、陆军等；编制子类为集团军（子类又包括各大军区）、师（子类装甲师、机
械步兵师等）、团等）等。
任务区域，子类有区域内任务目标、区域地理范围、区域气象信息等。任务
目标子类为点目标、线目标、面目标。
任务约束，子类包括任务间约束、时间约束、图像类型约束等。约束限制不
一定全部存在。
任务资源，子类包括无人机、传感器等。无人机子类又包括大、中、小型三
类无人机；传感器子类包括光电、红外雷达三大类传感器。用户发出任务申请时
这项一般为缺省。

图 3. 4 侦察任务本体结构图

图 3. 5 侦察任务本体类图
第 37 页
 国防科学技术大学研究生院工学硕士学位论文

图 3.4 给出了侦察任务模型本体的上层概念图，图 3.5 为使用 protégé4 建立的

侦察任务本体类图。
（2）侦察任务本体属性定义。要将一个侦察任务表示出来，仅仅有类是不够
的，还需要定义每个类的属性。属性根据描述不同，可以是一个概念，也可以是
一个数值型。属性通常根据需求定义，添加在拥有该属性最大的类上，子类继承
父类所有属性。属性包括对象属性和数据属性。
对象属性是指联系概念与概念之间的关系，由用户参考领域专家建议制定，
如任务用户与任务类型之间存在“申请”关系。针对侦察任务，本文定义的属性包括：
申请任务、接受任务、组成、配备载荷、所需资源、有要求、选择、载荷装配者、
执行任务等。本文只给出了侦察任务本体模型的有限属性，更为完备的属性、关
系等的建立，需要领域知识专家的大量参与。表 3.4 给出了上述所列属性的定义域
和值域。图 3.6 为使用 protégé4 建立的侦察任务本体对象属性结构图。
表 3. 4 侦察任务本体对象属性及其定义域、值域
对象属性 定义域 值域 对象属性 定义域 值域
申请任务 任务用户 任务类型 所需资源 任务类型 无人机、传感器
组成 任务用户 军种、编制 接受任务 任务类型 无人机
有要求 任务用户 任务约束 配备载荷 无人机 传感器
选择 任务约束 无人机、传感器 载荷装配 传感器 无人机
执行任务 无人机 任务类型

图 3. 6 侦察任务本体对象属性图

第 38 页
 国防科学技术大学研究生院工学硕士学位论文

类的数据属性按照各个类的特征各不相同。表 3.5 给出部分类的详细数据属

性，图 3.7 为中型无人机类捕食者的一个实例，显示了其数据属性。

表 3. 5 侦察任务本体数值属性及其定义域、值域
对象 数据属性值域
任务类型 任务编号
任务用户 用户名称、级别、
区域地理范围坐标，地形地貌等
任务区域 区域内目标坐标、静动、速度、移向等
区域内气象如晴朗、阴、雨，湿度，温度等
任务间促进、使能、限制等约束关系
任务约束 图像要求的分辨率等
时间窗数据
任务资源 无人机、传感器的名称、性能参数等

图 3. 7 侦察任务本体数据属性——捕食者实例图

第 39 页
 国防科学技术大学研究生院工学硕士学位论文

3.5 本章小结

获得满足需要的军事情报，是执行侦察任务的本质要求。本章从获得的军事
情报类型不同出发，着重对无人机任务协调规划系统的输入驱动——侦察任务需
求进行分析，一定程度上弥补了对于侦察任务需求指存在模糊定义的缺点。对任
务需求各要素进行较为详细的分析，从任务编号、类型、优先级、区域、目标和
时间窗等要素出发，较为完整的描述侦察任务的概念。
通过挖掘任务要素之间（如任务类型与任务目标等）的内在联系，以及任务
自身属性与资源平台的特定联系，阐述侦察任务需求的使用问题。为了消除侦察
任务需求申请时系统、用户之间可能存在的语义分歧，采用具有共享概念和互操
作优点的本体论进行军事侦察任务的建模。根据以上分析的任务属性、要素和内
在外部联系与本体论的概念、属性、函数、公理等层次一一对应，建立易于任务
协调规划系统使用的侦察任务模型，为进行任务的优化分配打下基础。

第 40 页
 国防科学技术大学研究生院工学硕士学位论文

第四章 多无人机侦察任务协调方法

4.1 引言

网络环境下多无人机任务协调的核心部分是任务分配，其他诸如对侦察任务
需求格式的确定等，都是为了任务分配所做的准备工作。随着无人机数量和种类
的增长，以及使用规模的扩大，传统人工任务分配的方式越来越力不从心。为满
足任务分配的科学性和时效性，迫切需要发展以计算机为主的智能自动化分配方
式。使用计算机进行任务分配，需要详细分析问题特点，根据条件约束建立相应
数学模型，选取合适算法进行优化分配。为提高分配效率，对计算平台和方式也
需进行适当选择和改进。

4.2 多无人机侦察任务协调要素

面向同一方向上大规模使用无人机的作战应用，提升无人机系统资源的使用
效率和各单位间信息共享程度，多无人机任务协调需考虑任务需求、使用模式以
及战场态势等多种要素，而传统无人机任务协调方法很难满足要求。
本文提出了一种“集中管理、分散执行”的多无人机侦察任务协调方法，主
要要素包括战场环境、任务资源、任务需求。战场环境包括战场中的气象条件、
威胁障碍、地面站分布等，由相应负责部门向系统提供；任务资源包括完成任务
必须的无人机平台、传感器载荷及使用的通信链路，资源的选取由任务协调中心
确定；任务需求本身特征如类型、约束条件、任务区域目标等。
表 4. 1 多无人机任务协调问题要素及含义
要素 符号化表示 具体含义
Environment
表示地理位置坐标为 X,Y 处的气象条件，
Weather [(X,Y),weather]
weather 包括光照、湿度等信息
[threatID,(threat_X, threatID:威胁编号,编包含其类型等信息
Threat
threat_Y,threat_R)] threat_X,Y,R:威胁的位置坐标和覆盖半径
GID 为地面站编号，包含能力等级等信息
[GID,(GX,GY,GR),
GCS (GX,GY,GR),地面站位置坐标和控制范围
(GN,Gn)]
(GN,Gn),地面站可控 UAV 最大数和实际数
Source
VID:无人机编号,包含对应无人机基本信息
[VID,(Vx,Vy,Vz),Vv,Sensor,
UAV (Vx,Vy,Vz),Vv:实时无人机位置、速度
DataUnit,GCS]
Sensor:无人机搭载的传感器载荷

第 41 页
 国防科学技术大学研究生院工学硕士学位论文

DataUnit:无人机通信终端
GCS:无人机处于哪个 GCS 控制下
SID:传感器编号
Sensor [SID,UAV,SNi] UAV:传感器装备于哪架 UAV
SNi:传感器 NIIRS 能力等级
DID:通信链编号
DataLink [DID,DAera]
DAera:通信链覆盖范围
Task
TID 任务编号,根据特定规则可以得到任务用户、任务类型信息
Tlevel 任务优先级,初始缺省,由系统确定
TAera 任务区域,由矩形或圆形区域表示,线、面目标可由任务区域表示
任务目标,包括 tID:目标编号,可以查得目标类型信息;静目标位置坐标
Ttarget
(tx,ty),动目标由坐标序列表示[(tx1,ty1),(tx2,ty2)…(txn,tyn)…]
[Tstart,Tend,Twork] 任务时间窗,表示任务开始时间、结束时间、工作时间
Tsource 任务需要的资源,初始缺省，由系统确定
Trelation 任务间关系,如促进、时序、使能约束关系等

上述要素在传输给系统时多是文本形式，不利于计算机理解使用。表 4.1 给出
了各要素符号化的表示方法，通过该方式将要素信息详细合理的记录存储下来，
建立任务、资源、环境等数据库。表 4.1 中已给出各符号对应含义，需要说明的是，
各个要素的 ID 编号原则需要进行统一规范，以保证系统从 ID 中可以索引出相应
部门、无人机、目标等要素的基本信息。如无人机 ID：UAV03001，001 表示编号
为 1 的无人机，03 可代表“捕食者”型号无人机，由此该无人机的基本续航能力、
最大巡航速度等等，均可查询得到。

4.3 多无人机侦察任务协调算法框架

任务分配问题需要考虑的要素和约束众多，仅利用一种优化算法完成对该类
多要素多约束任务的分配，显然极其困难；此外由于问题中任务情况不同，所采
取的优化算法也是不固定的。针对该难题，构建了一种通用化的任务分配算法框
架，通过任务自身与无人机等的联系，将任务进行预处理，筛选合适资源，降低
问题复杂度，对筛选的资源组结合自身特点，选取合适算法优化分配，并在全局
范围内进行优化调整。
算法框架主要分为任务目标预处理、求解初始解和初始解改进得到全局最优
解三个部分组成。具体实施过程如下：

第 42 页
 国防科学技术大学研究生院工学硕士学位论文

收集战场中给定规划周期
内各级用户任务请求

任务
任务命令解析，并符号 目标
化转义存储 预处
理

任务目标按分组原则排序，得到
一系列目标子集合，T1,T2…Tn

对每个任务组T1,T2…Tn,进行任务分
析，得到每组所需资源能力文件

根据资源能力文件,对资源进行筛选，得到
<T1,UAV1>,<T2,UAV2>...等任务资源组合
求解
初始
解
任务资源组合进入任务分配子系统进行分布
式计算，针对不同资源组可选取不同算法

对每个任务资源组合的初始解序列，综合全
局因素，进行任务插入、删除等优化调整

根据全局任务分配方案，进
行无人机航迹规划
得到
全局
最优
输出最终全局分配方案 解

图 4. 1 算法设计流程

4.3.1 初始资源筛选

侦察任务的要求决定了不是任何无人机或传感器均有执行某种任务的能力。
因此，在存在大量可用资源的情况下根据任务做属性对初始资源的进行筛选，可
以将任务分配的值域范围缩小，便于计算。
对任务进行初始资源筛选，首先需要对收集的任务需求进行处理。包括将任
务分解为基元任务，将相同类型的基元任务归为一组。如对于 N 个初始任务
(t1,t2,t3…tN)，可以将其分为[Ts,Tr,Tg]三类任务，Ts 表示探测搜索，Tr 表示侦察，Tg
表示监视跟踪。每类任务中存在数量不等的该类基元任务。对于每类基元任务，
又可以选取如任务目标地理位置、任务优先级、任务时间窗和任务目标价值等分
类要素，将该类任务进一步细分，得到如 Ts：(Ts1 , Ts1 , Ts1...Ts1 ) ，Ts1：(t1s1 , ts21 , ts31...tsn11 ) 。
对分组后的任务组进行按照其时间、优先级进行排序，并依次根据任务属性选取
相应执行资源。
第 43 页
 国防科学技术大学研究生院工学硕士学位论文

表 4. 2 任务属性与外部联系
属性 附加规则 联系媒介 确定资源
任务区域 气象条件(光照、雨等) 传感器
时间
目标位置 无人机初始位置 无人机
类型 专家知识 无人机、传感器
地形,威胁 无人机性能 无人机
区域
通信覆盖 无人机通信终端 无人机
目标 目标类型 NIIRS 等级 传感器
图像约束 无 传感器性能 传感器
无人机 传感器 是否可组合 资源组合
其他原则
1、 任务优先级、用户等级越高，向其提供的无人机、传感器性能越好，以保证情报信息
满足需求。
2、 选取的无人机侦察半径以可覆盖目标组为目标，不宜为某组目标分配过多资源。

表 4.2 给出了针对任务属性等进行资源筛选的基本原则。如在任务时间窗内，
任务区域的气象条件决定了成像条件，约束传感器的选取；任务目标位置及其开
始时间，决定了只有可以在规定时刻到达该位置的无人机可以执行等。根据上述
原则，对分解的任务小组进行对应能力资源的选取，可以极大的降低任务分配的
规模。对每组(Task,UAV)，可以根据特点进行规划算法的选取，快速得到任务分配
的初始解。

任务命令规范 任务能力需求分析 任务资源集合筛选

昼、夜 UAV能力需求文件
传感器类型 速度>120km/h
语音命令 任务数据库 作战半径>200km
时间窗 经验知识
初始位置…
T1 UAV类型 ……
语音识别引擎 T2
类型 气象条件
T3
UAV位置
文本命令 … 数据库管理 任务资源组合
任 区域 UAV可达性
UAV数据库 <Task1,UAV1>
务 UAV速度 传感器能力需求文件
基于本体的语 分 分辨率>640*480 <Task2,UAV2>
义分析引擎 NIIRS等级 传感器数据库 …
任务处理 析 目标位置 类型:SAR
传感器性能 …… <Taski,UAVi>
通信链数据库
...
要素提取 目标类型 地形威胁干扰
UAV机动性
符号化
XML表示 图像类型、分辨
情报要求 UAV升限
分组排序 率等 通信能力需求文件
终端命令 通信波段:L/C波段
传输指标 通信波段 通信带宽:1024bits/s
……

图 4. 2 任务需求分析到初始资源筛选过程
图 4.2 给出了具体的初始资源筛选过程。首先从任务需求收集开始，语音类任
务需求可由通过语音识别引擎可以生成文本命令，文本命令被基于本体的语义分
析引擎解析，可以生成与终端命令类似的格式化命令。将任务需求要素提取并处
理后，对任务分组排序得到一系列标准化的任务需求集合。任务资源筛选模块则

第 44 页
 国防科学技术大学研究生院工学硕士学位论文

对每组任务需求集合进行分析，根据任务属性，结合如昼夜情况、气象条件等规
则得到对 UAV、传感器、通信链路的能力需求文件。根据对应能力需求文件，可
以在资源数据库中查找具有相应能力的资源并一一匹配，输出任务资源组合。

4.3.2 复杂多 UAV 多目标问题的统一建模

任务规划的目标是尽可能合理利用资源，最大限度的完成作战单位要求的任
务。根据上述对要素的符号化及初始处理，假设在战场环境 E 中存在 Nth 个威胁
(th1,th2…thNth)，分布有 Ng 个地面站(G1,G2…GNg)；在某任务组中存在 n 个基元任务
（T1,T2,T3..Tn）;对应该任务组的资源中有数量为 m 的无人机 UAV（V1,V2,…,Vm），
相应传感器载荷与通信终端匹配在无人机上。
通常情况下，无人机数目与任务目标数量是不匹配的。存在无人机资源紧缺
或无人机资源富余的情况。根据任务目标数 n 与无人机数目 m 的关系，有以下三
种情况：
1）n=m 时，即任务目标数与 UAV 数目一一对应。
该情况是最简单的分配问题。尽管一架 UAV 可以执行多个任务目标，使得规
模为 n 的任务目标即便由少于该数目的 UAV 也可完成，其求解目标也选择寻找
UAV 与任务的一对一分配关系。这样处理节省了判断完成 n 个目标所需最少 UAV
数目的时间，且缩短了总体执行任务的时间，使得在下一个规划周期可以得到更
多的可用 UAV 资源。
即便 n 与 m 是对应的，最终规划结果并不确保每个任务目标都会分配到不同
UAV 上，如其他 UAV 不可飞达目标地点等限制。此时，需要对规划结果进一步
调整，查找是否可由其他 UAV 执行该目标。
2）n<m 时，即任务目标数量小于 UAV 数量。
此时为避免 UAV 在计划周期时间内闲置，规定每架 UAV 只能执行一个目标，
对于侦察时间要求较长的任务、优先级高的重要任务等，分配多架 UAV 协同执行，
可以缩短总体任务执行时间，并保证在实际执行过程中 UAV 失效情况下对重要目
标的侦察保障。由于任务目标与 UAV 之间数量不平衡，该情况问题约束较复杂，
求解难度较大。
3）n>m 时，即任务目标数量大于 UAV 数量。
此时要求一架 UAV 可以巡航执行多个目标，一个目标尽量安排有 UAV 执行，
使得完成任务的总效益最高，该情况是最大限度利用 UAV 资源完成复杂的任务目
标。任务目标和 UAV 的位置分布及其时间窗使得 UAV 需遵循特定的巡航逻辑，
UAV 性能对目标分配会产生较大影响，时间约束复杂，同时对于需要协同执行的
任务需要考虑多机间的协调，计算复杂，问题求解难度大，是本文研究的重点。

第 45 页
 国防科学技术大学研究生院工学硕士学位论文

根据第三章分析及 4.3 节设计的算法框架，需要对任务目标分组并选取相应

UAV 资源进行建模求解。使得可能同时具备上述情况的几种，因此，必须对该复
杂多 UAV 多目标侦察问题进行统一建模，使其对不同情况的问题均具备较强的适
应能力。
无人机任务分配的优化指标主要有三个方面：1、执行任务付出的代价最小。
代价包括完成任务所需时间、无人机油耗及不同数据链带来的通信代价。2、得到
的收益最高，本文中即完成任务获得的情报价值。不同任务根据其目标、优先级
等的不同，得到的收益不同。3、完成尽量多的任务。现实中对所有任务完成分配
往往是不可能的，因此需要尽可能的完成任务。
任务分配的目的是决策从任务目标 i 到目标 j 是由哪架无人机执行。Xuij 表示
无人机从目标 Ti 出发执行目标 Tj 的决策变量，值为 1 时代表无人机执行，0 为不
执行。对于 UAV 只执行一个目标的情况，Ti 可表示相应 UAV 的初始位置。根据
任务目标与 UAV 数量间的关系，可知：
当 n=m 时，决策变量 xiju  xuj ，代表一一对应关系。当值为 1 时表示无人机从
初始位置出发执行任务目标 j，值为 0 表示不执行。
当 n<m 时，决策变量 xiju  x[jh,...,k ] ，代表多 UAV 对一个目标侦察的对应关系。
当值为 1 时表示序号为[h,…,k]的 UAV 从各自初始位置出发执行任务目标 j，值为
0 表示不执行。
当 n>m 时， xiju  x[ui , j ] 为分段决策变量，值为 1 时代表无人机从目标 Ti 出发执
行目标 Tj，值为 0 则不执行。
根据优化指标和设计的决策变量，可以得到如下目标函数：
任务收益优化目标：
n n m
max  xijk  Rijk 4-1
i 1 j i k 1

Rijk  Level ( j ) Ptarget (j ) 4-2

公式 4-1 表示了所有无人机在执行完所分配的目标得到的总体收益。公式 4-2

中 Rkij 表示无人机 Vk 从目标 Ti 出发执行目标 Tj 获得的收益，收益由目标的优先级
Level(j)和目标本身价值 Ptarget(j)确定，即在任务优先级相同的情况下，不同的目
标也会带来不同的收益。
任务代价优化目标：
n n m
min  xijk  Cijk 4-3
i 1 j i k 1

第 46 页
 国防科学技术大学研究生院工学硕士学位论文

Cijk  Oilk ( Dij )  Datak ( Dij )  Timek ( Dij ) 4-4

Ckij 表示无人机 Vk 从任务 Ti 的目标点出发去执行任务 Tj 时的代价，代价中油
耗、通信和时间均与是与目标间距离及无人机相关的函数。通信代价与目标位置
距离 GCS 距离相关，结合通信信号在自由空间衰减公式 Lbf  32.5  20  lg F  20  lg D ，
Lbf：自由空间损耗，F：信号频率，D:传输距离。
任务分配个数优化指标，表示分配执行的目标尽可能多：
n n m
max  xijk 4-5
i 1 j  i k 1

任务的约束条件包括无人机续航限制、时间窗限制等等：
s.t.:
m m

 xijk   x[ki, j ]  1, i  1, 2,3...n; j  1, 2,3...n; i  j; n  m

k 1 k 1
4-6
n n

 xijk   x[jh,...,k ]  1, h, k  1, 2,3..., m; n  m

j 1 j 1

n n

  Oil ( D )  Oil (V ), k  1, 2,3...m.

i 1 j  2, i
k ij k 4-7

m
Gg n   (Vk  Gg ?)  Gg N , g  1, 2,3...N g 4-8
k 1

Tstart (Tj )  Tstartijk  Tleaveik  Timek ( Dij )  Twait j  Tend (Tj ) 4-9

Tleavekj  Tstartijk  Twork (Tj )  Tend (Tj ) 4-10

公式4-6表示了n与m在不同对应情况下无人机执行目标的限制。当n≥m，即任
务目标数量大于等于UAV数量时，4-6中第一式表示每个任务最多只由一架UAV完
成，一架UAV可以先后完成多个任务。当n≤m，即任务目标数量小于等于UAV数
量时，表示每架UAV最多完成一个目标，而一个目标可以由多架UAV协同执行。
当n≥m，即任务目标数量大于等于UAV数量时，为降低问题难度，限制了每
个目标只由一架UAV执行。对于实际情况下需要多架无人机协同执行的任务，采
取对任务其 “复制”的策略，额外生成相同任务以不同编号存入任务需求数据库，
将复制的任务委派不同的无人机执行。不同无人机在执行复制任务时，规定执行
前在某地点集结后一同执行，可实现变相协同的效果。

第 47 页
 国防科学技术大学研究生院工学硕士学位论文

2
4
UAV

6 8 协同任务
5 8 4copy 6 2
UAV2
7
1 3
1 7 4 3
5 UAV1

t/min
UAV2
UAV1

UAV1的侦察任务序列 UAV2的侦察任务序列 目标的任务时间窗 单独任务 协同任务

图 4. 3 协调执行目标的调整策略
如图 4.3，UAV1 和 UAV2 分别执行各自的任务目标序列。对于需要协同执行
的任务目标 4，对其进行复制，生成新的任务目标 4copy 进入目标集合对其进行分
配，使得两架 UAV 在目标 4 满足的时间窗内集结，对其进行协同侦察。这降低了
问题建模的复杂性，同时使得无人机使用限制缩小，方便与其他无人机组成联盟
以协同执行任务。
4-7约束了无人机的油耗约束，即保证无人机在其最大油量内完成的任务序列。
通用地面控制站分布在战场区域内，可以对多型多架无人机进行控制。由于地
面控制站同时可以控制的无人机数量有限，视距数据链的控制范围一般限定在
200km以内，因此在任务分配中需要的对某区域同时执行任务的无人机同时出现在
某区域的数量进行限定。公式4-8表示了对地面控制站Gg一次可同时控制的无人机
数量不超过其的能力最大值限制。
公式4-9和4-10描述了任务的时间窗约束。无人机实际开始执行任务时间窗需要
在时间窗限定内，若无人机到达目标点时刻早于最早时间窗，需要等待直至可以
开始任务。对任务侦察一段时间后，实际离开目标点飞向下一个目标的时刻需早
于最晚时间窗。

4.3.3 多 UAV 多目标侦察问题的改进遗传算法求解

遗传算法是由J.H.Holland于60年代提出的模拟生物进化的智能优化算法。因其
具有“群体搜索、不需要目标函数的导数、概率转移准则”等特点，逐渐应用到任务
规划问题上，并取得了较好的效果。本文结合分析的问题特点，对传统遗传算法
进行如下改进，进行任务优化分配。

第 48 页
 国防科学技术大学研究生院工学硕士学位论文

1）编码
编码是采用遗传算法对多UAV多目标侦察问题求解需要解决的首要问题，优
秀的编码方式可以体现UAV执行侦察任务的特点，并选择、交叉、变异等运算产
生直接影响。多UAV多目标侦察问题的约束复杂性，使得一般的二进制编码难以
体现问题特点，因此本文考虑采用特殊的整数编码方式。
如图4.4所示，本文将任务序列集合作为一条染色体，每个基因表示一个任务
目标，每个基因取值为无人机的编号，如图4.4(a)中第1个目标由编号为2的UAV执
行。根据任务目标与UAV数量的不对应情况，采用三种方式进行编码。图4.4(a)表
示任务目标数量与UAV数量相等时的染色体编码方式，该情况下每个目标的基因
值赋值各不相同的UAV编号，构成一一对应的染色体编码。图4.4(b)表示UAV数量
大于任务目标数目时的编码方式，同样赋值各目标基因不同的UAV编号，对于某
些重要目标或需要协同执行的目标，赋予其他协同执行的UAV序号或备选UAV序
号，以保障重要目标的完成，如图，目标3由编号为1、13的UAV协同执行。图4.4(c)
表示任务目标数量大于UAV数量时的编码方式，此时一架UAV可以巡航执行多个
目标，一个目标只被一架UAV执行。如图中，该任务目标组由标号为2,5,7的UAV
巡航执行，其中UAV2顺序执行目标1,7,13，而目标6,10,14基因值为0表示未能分配
给UAV执行。
染色体:任务目标序号 1 2 3 4 5 6 7 8 9 10
基因值:无人机编号 2 7 1 9 4 6 8 5 3 10

(a)n=m时染色体编码，以n=m=10为例

染色体:任务目标序号 1 2 3 4 5 6 7 8 9 10
1 6 3
基因值:无人机编号 2 7 9 4 8 5 10
13 11 12

(b)n<m时染色体编码，以n=10，m=13为例

染色体:任务目标序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
基因值:无人机编号 2 5 5 7 5 0 2 5 7 0 5 2 2 0 7

(c)n>m时染色体编码，以n=10，而可执行该组目标UAV为2,5,7号飞机为例

图 4. 4 染色体编码方式
根据此编码方式进行种群个体初始化时，图4.4(a),(b)编码方式需注意个目标基
因值不同；图4.4(c)中编码方式在初始化时需要考虑UAV巡航各目标的“可达性”，

第 49 页
 国防科学技术大学研究生院工学硕士学位论文

即需要满足公式4-9,4-10的时间窗约束，以生成可行个体。
2）适应度函数
该问题是复杂的多目标优化问题，为了便于求解，将多个目标函数设置不同
权值融合在一个目标函数之中。根据模型中三个目标函数，定义适应度函数为
f  w1  Reward  w2 1/ Cost  w3  Percent 4-11

其中Reward为染色体对应解得到的总收益，对应公式4-1、4-2中R，Cost为其
总代价对应公式4-3、4-4中C，Percent为目标完成度（完成目标数与总目标数的比
值），w1 ，w2，w3权值的设定一般根据决策者的偏好，根据实际经验确定，由于
多个目标函数的量纲不同，为保证优化结果的合理性，需将它们在数量级上进行
归一化，如本问题未调整时Reward的数量级在102而1/Cost数量级在10-1，则代价的
变化很难对适应值产生影响而导致优化结果不合理。
3）遗传算子
遗传算子中选择算子仍采用传统轮盘赌法进行选择，并根据本问题自身特殊
性，对交叉算子和变异算子做如下改进。
 交叉算子
对随机两两配对的每对父代个体，生成0-1内的随机数与交叉概率Pc比较，小
于Pc的配对按照设置的交叉点进行交叉。交叉点的选取采用随机生成方式。图4.5
中三幅图分别给出了任务目标数n与UAV数目m在不同对应情况下的交叉算子。

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
2 7 1 9 4 6 8 5 3 10 7 3 1 9 4 6 8 5 3 10 7 3 1 9 4 6 8 5 2 10
交叉 处理
随机生成交叉点 交叉后基因值有重复和未赋值UAV 将未交叉部分重复基因值赋值未分配UAV

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
7 3 1 8 4 2 6 10 5 9 2 7 1 8 4 2 6 10 5 9 2 7 1 8 4 3 6 10 5 9

(a)n=m时交叉算子，以n=m=10为例。

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
1 6 3 1 6 3 1 6 3
2 7 9 4 8 5 10 13 2 9 4 8 5 10 13 2 9 7 8 5 10
13 11 12 4 11 12 4 11 12

交叉 处理
随机生成交叉点 交叉后基因值有重复和未赋值UAV 将未交叉部分重复基因值赋值未分配UAV
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
1 5 3 1 5 3 1 5 3
13 2 10 9 12 6 13 2 7 10 9 12 6 13 2 7 10 9 12 6 13
4 8 7 13 8 7 13 8 4

(b)n<m时交叉算子，以n=10,m=13为例。

第 50 页
 国防科学技术大学研究生院工学硕士学位论文

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
随机生成n-1个不同 2 5 5 7 5 0 2 5 7 0 7 2 5 7 5 0 2 5 7 0 不可行则选取下个
值[3,6,2...n-1]为 交叉 交叉点进行交叉直
交叉点位置 交叉点1 交叉点2 至生成可行个体
交叉后个体根据约束判断可行性
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
7 2 5 0 7 5 2 0 7 2 2 5 5 0 7 5 2 0 7 2

(c)n>m时交叉算子，以n=10,m=3，可选UAV编号为2,5,7为例。

图 4. 5 n 与 m 不同对应关系的交叉算子

图 4.5(a)、(b)分别为 n 与 m 一一对应以及 n<m 时交叉算子，需要交叉的配对

个体根据随机生成的交叉点进行交叉，交叉后生成的新染色体中可能存在某些基
因值重复，而有 UAV 未执行任何目标的情况出现，需要对其进一步处理。由于重
复的基因值必然存在于交叉部分，对交叉部分的重复基因值不作调整，而将未交
叉部分的重复基因值赋值为未执行任务的 UAV 编号，得到最终新染色体。
图 4.5(c)为 n>m 时的交叉算子。根据目标组长度 n，首先随机生成 n-1 个不同
整数依次作为交叉点。对于交叉后生成的新个体，由于不确保其可行性，因此需
要根据公式 4-9,4-10 进行可行性判断，若可行，新个体进入子种群；否则依次对下
一个交叉点进行重复操作，直至循环完交叉点或生成可行个体停止。
 变异算子
变异算子的处理是对每个长度为n的染色体生成[0,1]内的n个随机数，然后将各
随机数与变异概率Pm比较，如果小于Pm则作为变异点进行变异。当n=m、n<m时
变异方式分别如图4.6(a),4.6(b)所示，变异点得到的新基因值可能导致其他基因位
值的重复和UAV未分配，因此对变异后个体进行处理。
1 2 3 4 5 6 7 8 9 10 变异 1 2 3 4 5 6 7 8 9 10 处理 1 2 3 4 5 6 7 8 9 10
2 7 1 9 4 6 8 5 3 10 2 7 1 8 4 6 8 5 3 10 2 7 1 8 4 6 9 5 3 10

变异点 变异后存在重复基因值和未赋值UAV 将未分配UAV赋值给重复基因值

(a)n=m时变异算子，以n=m=10为例。
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
变异 处理
1 6 3 5 6 3 5 6 3
2 7 9 4 8 5 10 2 7 9 4 8 5 10 2 7 9 7 8 1 10
13 11 12 13 11 12 13 11 12

变异点 变异后基因值有重复和未赋值UAV 将未分配UAV赋值给重复基因值

(b)n<m时变异算子，以n=10,m=13为例。
随机数小于 随机数小于 随机数小于
Pm的变异点 Pm的变异点 Pm的变异点

1 2 3 4 5 6 7 8 9 10 变异 1 2 3 4 5 6 7 8 9 10 处理 1 2 3 4 5 6 7 8 9 10
2 5 5 7 5 0 2 5 7 0 2 5 5 7 5 7 2 5 7 0 2 5 5 2 5 7 2 5 7 0

优先变异点全部变异完毕未找到
优先变异点 对优先变异点变异后判断个体可行性 可行解，变异由Pm判断的变异点

(c)n>m时变异算子，以n=10,m=3，可选UAV编号为2,5,7为例。

图 4. 6 n 与 m 不同对应关系的变异算子
当n>m时，在该问题中，如图4.6(c)，当个体需要变异时，优先变异基因值为0
第 51 页
 国防科学技术大学研究生院工学硕士学位论文

的位置，置换为其他UAV编号，判断变异后个体是否为可行解，若均不为可行解，
则变异随机数小于Pm的位置，置换为不同于该位置的无人机编号，判断是否可行。
若均不可行则不进行变异。规定同一染色体只有一个基因值发生变异。
n 与 m 对应关系的不同，导致其编码规则和遗传算子有所区别。在应用改进
遗传算法时，需要对二者对应关系进行判断，以选择合适的编码规则和遗传算子。
在进化过程中，对于适应度值大于设定阈值的较好个体，挑选进入“精英种群”池，
方便在动态在线协调求解时减少初始个体生成时间。

采用轮盘赌法对父代群体进行选择复
开始，遗传代数Gen=0
制，直至子代群体与父代规模相同

以分组后任务目标组为染色体，以可以执行对 随机选取一对个体，随机选取交叉点根据交叉概率
应目标的无人机资源编号为基因值，根据n和m 进行交叉，根据n和m的对应关系选择合适的交叉算
的对应关系选择不同规则进行编码 子进行交叉，直至子代群体规模仍为M

对染色体随机赋值，根据无人机平台特性及时 对群体中染色体根据变异概率以及n和m的对应关系选择
间窗约束判断个体是否可行，生成M个初始个体 变异算子进行变异，判断可行性直至子代群体规模仍为M

计算种群中各个体适应度函数值 Gen=Gen+1

N 满足结束
适应度值是否超
过阈值？ 条件？

Y Y

对适应度值超过阈值的个体进行复
解码，并输出结果
制，进入精英个体池

图 4. 7 改进遗传算法求解任务协调问题流程图

4.3.4 任务方案优化调整

对不同的任务目标集合分别采用最优化算法求得初始解后，只是实现对局部
问题的优化，在全局问题上需要进一步改进。对于不同的解序列，根据其时间窗
的共同覆盖程度，可以对解序列进行一系列插入、删除、交换、重新排序等调整，
从而获得全局最优或较优解。
如图 4.8，对 UAV1、UAV2 的任务序列，可看出任务 j 在 UAV1 的空闲时间
段内，若 j 目标位置满足 UAV1 从 i 目标飞行至 i+1 目标的时间段内执行，则可将
j 目标插入 UAV1 的任务序列中。同样，若 i+2 与 j+2 目标交换后使全局优化值更
高，则可以进行交换。
第 52 页
 国防科学技术大学研究生院工学硕士学位论文

UAV UAV

j j+1 j+2 j+1 j+2

UAV2 UAV2

i i+1 i+2 i j i+1 i+2

UAV1 UAV1

UAV1空闲时间窗 时间 目标j插入 时间
（a） （b）

图 4. 8 全局调整求解方案
图 4.9 给出了全局调整的具体流程图。对需要全局调整的目标如未分配的目标
按照时间窗和优先级排序，得到全局调整目标组[t1,t2,t3…tn]，根据资源筛选规则寻
找具有执行目标能力的 UAV，比较 UAV 是否具有空闲时间窗可执行该目标。此
外还需判断 UAV 到该目标的可达性和其他约束，全部调整完毕后对具有重叠时间
窗的任务目标进行交换，重新计算收益值，根据收益值确定是否进行交换调整。
对未分配成功的任务目标按时间窗、
优先级重新排序编号，得到t1,t2...tn

对未分配成功的目标ti,依次与可执行
ti的全部UAV平台的空闲时间窗比较

Y
时间窗冲 全部UAV时间窗均
突？ 冲突，则i+1

通过任务资源筛选规则如UAV可达性、传感器
等，判断该UAV任务序列是否可以插入ti

可选UAV均不可插 N 可否插
入，则i+1 入？

计算执行新插入任务的目标函数值，
指标最优的UAV执行任务目标ti

对新生成的任务序列，通过时间窗是否重叠
及资源筛选规则进行UAV解序列间目标交换，
与原方案优化指标比较

选取优化指标最大方案，作为全
局任务分配方案

图 4. 9 全局调整流程图

第 53 页
 国防科学技术大学研究生院工学硕士学位论文

4.3.5 基于 MapReduce 架构的分布式计算平台

无人机的集中管理调配，在带了对资源充分合理利用和信息共享优势的同时，
也使问题随着规模增大而造成数据量和计算难度的快速增长。现实问题中无人机
和任务等的规模往往较大，对任务集中分配处理难以满足时间效率要求。本文依
据“集中控制，分布实施”的准则，设计了分布求解、全局优化的计算框架。
在 4.3.1 节中，已经完成了对<Task,UAV>资源对的筛选，任务分配即在每个资
源对中开展。资源对之间的独立性使得它们可以进行并行计算以降低时间耗费。
因此选取在云计算中对计算机集群上大型数据分布处理效果较好的 MapReduce 架
构，依据其原理构建分布式任务规划平台[89]。
Mapreduce 的架构是由 Map 和 Reduce 函数组成的，当程序输入一大组
Key/Value 键值对时，Map 函数自动将原本的 Key/Value 分拆成多组中介键值对，
然后 Reduce 函数再合并具有相同 Key 的中介值配对，化解最后输出结果。简单的
说，Map 函数对数据分类处理，而 Reduce 函数对数据做汇总处理。Map 和 Reduce
函数均可以根据实际需要编写。
依据每个 work 的 计算得到中间结果
同一类任务分组 计算得到每个无人 对各无人机的任务
计算能力为其分 根据相同无人机键 机的初始任务序列 其他规划步骤
配任务集合 序列进行优化
值进行 Reduce

 T11 , UAV1 
 T12 ,UAV1  Map Phase Reduce Phase V11 :Taskset
全局调
 T13 ,UAV1  V12 :Taskset 整优化
Work 1 Work 1
 T1k ,UAV1  V1n :Taskset
1

各无人机最
 T21 ,UAV2  终任务序列
Work 2
 T1 , UAV1   T22 ,UAV2  V21 :Taskset
 T2 ,UAV2   T23 ,UAV2 
V22 :Taskset
Work 2
航迹规划
Work 3
 T2k ,UAV2  V2n :Taskset
2

 TN , UAVN 

 TN1 ,UAVN  VN1 :Taskset 冲突消解

 TN2 ,UAVN  Work m Work n VN2 :Taskset

 TN3 ,UAVN 

VNn :Taskset
N
突发事件
管理节点 重规划
 T ,UAVN 
N
k

任务总集合：T  {T1 ,T2 ,...,TN } VNn 为第 N 个无人机资源集合中

N

Mapper 的 work 层 中间结果 Reducer 的 work 层

其中T k 代表第 k 类任务集合，UAVk 的第 nN 个无人机，Taskset 为
代表第 k 个无人机资源集合 对应无人机的任务序列

图 4. 10 MapReduce 分布式求解架构计算 UAV 任务规划

如图 4.10 所示，对每类任务 Tk ，可以选取对应资源 UAVk 。Workm 为计算能力
不完全相同的计算资源，每个计算资源中配置了常用的任务分配算法。由于每类
任务 Tk 中基元任务数目不同，对规模较大者进一步通过任务时间、位置等原则分

第 54 页
 国防科学技术大学研究生院工学硕士学位论文

割成不同大小的任务片，如 Tk1 , Tk2 ...... 。管理节点根据每个 Work 的计算能力，输入

不同规模的任务片，Work 根据任务片属性，调用配置在自身中的任务分配算法对
任务进行分配，得到每个基元任务的执行者。最后由 Reduce 将由同一架无人机执
行的基元任务汇聚在一起，得到每架无人机的执行任务序列。随后进行全局任务
计划的调整及后续的执行等。

4.4 多无人机侦察任务在线协调策略

由于战场环境变化及作战单位对任务目标要求的不断变化，在无人机执行任
务过程中，任务可能发生变化，需要对动态任务进行及时分配，以满足作战需求，
提高打赢战争的能力。
一般情况下，无人机在执行任务过程中需要进行动态侦察任务在线协调的情
况有以下几种：
1) 出现新的侦察任务目标。
在无人机执行任务过程中，战术用户根据实际战场情况，可能发出新的任务
请求；无人机在执行搜索任务的过程中，可能发现具有重要价值或指挥官感兴趣
的目标，需要进一步进行侦察等。
2) 侦察任务目标取消。
在无人机执行任务的过程中，由于情报间的共享可能从其他部门得到该情报
信息，或目标被摧毁、指挥官决策发生改变等，都可导致对侦察任务的取消。
3) 侦察任务属性的改变。
无人机执行侦察任务过程中，任务目标的属性由于其他情报或战场环境的变
化可能发生改变。如指挥官更感兴趣的目标，对其侦察的时间可能增加，某些目
标的价值可能发生改变等。而对某任务目标侦察时间的延长，可能导致无人机无
法到达后续目标位置，从而出现新的未分配目标。
4) 无人机故障或被击落导致任务序列无法完整执行。
在执行任务过程中，无人机可能由于机械故障或战损，导致无法完成后续的
侦察任务序列。此时其剩余任务序列中的目标需重新进行分配。
总体来说，需要进行动态协调的各种情况本质上可以转化为两类问题：
第一类问题是某些无人机其“空闲”时间窗较多，如在其飞行过程中及等待执
行目标的时间，未给其分配任务目标以更大限度的利用其资源能力。
第二类问题是某些任务目标未分配给对其进行侦察的无人机，如出现新的侦
察目标、无人机故障等未完成的目标、某些任务目标侦察时间的延长导致后续无
法完成的目标等。
在 4.3.2 节中详细分析了任务目标数量 n 与 UAV 数量 m 的不同对应关系问题
第 55 页
 国防科学技术大学研究生院工学硕士学位论文

建模求解带来的影响，根据分析可知，在 n≤m 时对每架 UAV 最多只侦察一个目标

的设定使得 UAV 资源相对较充裕，可以预留较多的“弹性”UAV 资源以应对突发
事件。当 n>m 时，UAV 对目标侦察是巡航执行过程，在执行任务目标的过程中，
对于出现在航路附近的目标点可以利用其飞行的空闲时间窗资源进行调整，相当
于存在“弹性”时间窗以应对突发事件。
通常任务变化往往是局部、少量的，在任务执行过程中遇到突发事件要求快
速给出解决方案，而并不要求严格的全局最优。若对变化后的任务目标及可用无
人机资源进行全局的重新分配，则需因此，对任务的重规划只需考虑任务变化带
来影响的局部计划，其他部分按原计划进行。
对于简单的新增加的任务目标，本文利用富余的“弹性”无人机空闲资源，提出
了基于合同协议的动态协调策略，对新增加的任务进行拍卖以实现在线动态协调。
对于某些找不到空闲时间窗资源而又价值重要的目标，提出了基于精英种群的遗
传算法动态调整策略，将新目标插入预先规划的 UAV 目标序列组进行重新动态调
整，在不对预先计划发生大的调整时实现在线动态协调。

4.4.1 基于合同网协议的任务重规划

为了满足任务重规划对时间指标的要求，本文采用合同网协议来实现对变化
任务的拍卖。
本文采用合同网协议(Contract Net Protoco1)对无人机执行侦察任务过程中的
突发事件进行在线协调。合同网是由 Smith 于 1980 年提出的用以研究解决分布式
问题的算法，并随后被其他学者进行研究和改进。合同网的基本思想是 Agent 之
问通过“招标—投标—中标”这一市场拍卖机制实现任务的委派和迁移，使整个
多 Agent 系统以较低的代价和较高的质量完成任务。基于合同网的协商过程一般
包括招标、投标、标值评估、合同签订四个步骤[90]。
合同网模型中节点分为管理者、投标者和中标者三类。该问题中，监督任务
执行并对动态事件做重规划的任务监督执行中心作为管理者，负责向其他节点发
布新的任务信息。如图 4.11 所示任务监督中心可以实时监管无人机的位置及状态，
当有新的目标插入时，任务监督中心分析目标能力需求，选取可执行该任务的无
人机，并根据无人机位置、无人机空闲时间窗来选择对哪些无人机发送任务通告。
计算平台根据公式 4-1 至 4-4，计算接收到通告的无人机执行该目标获得的收益，
即投标值，并发送给监督中心。监督中心对一系列标书进行评估，选取最佳无人
机执行新任务目标。
为了满足重规划时间要求，监督执行中心并不向所有无人机发送任务通告，
而是按“就近原则”选择距离突发任务较近的无人机，并进一步筛选出在突发任务时

第 56 页
 国防科学技术大学研究生院工学硕士学位论文

间窗时刻“空闲”的无人机。对新出现的目标 k，任务监督中心选择发送通告的某无
人机 i 需要满足以下公式：
UAVi  payloadi  datalinki  target j (need ) 4-12
dis(UAVi , target j )  R 4-13
T  dis(UAVi , target j ) / vi  tleave j 4-14

Rtstart j  twork j  tleave j 4-15

Rtleave j  dis(UAVi , target j 1 ) / vi  tleave j 1 4-16

R s t a jr1t  t w jo1rk t jle1 a v e 4-17

公式 4-12 表示无人机平台能力、载荷能力及通信能力可满足目标 j 的能力需

求。公式 4-13 表示无人机当前位置与新目标 j 的位置在某有限范围内，以满足“就
近原则”选择无人机。公式 4-14，公式 4-15 表示无人机从当前时刻及位置飞行至
新目标 j 在其时间窗限制范围内，其中 Rtstartj 表示对目标 j 的实际开始侦察时间。
公式 4-16、4-17 表示无人机离开新目标飞行至原任务序列中下一目标时需满足时
间窗要求。
任务监督
执行中心
突发任务

选择UAV 无人机

任务通告 接到通告
计算投标值

接到标书 发送标书

投标评估

授予任务 中标

接受任务

图 4. 11 合同法招标流程

4.4.2 基于精英种群的遗传算法动态调整策略

基于合同网进行在线协调的原则是对原有任务计划不进行大的调整，且不可
以追求调整后优化指标的最佳策略，其调整结果从目标出发，寻找可满足其要求
的无人机，一般不对原有计划进行调整。而在新的任务目标较多，或由于新目标
较重要需要取代任务计划中某些不重要目标时，需要对规划结果进行一定调整。
由于在线协调对时间的及时性要求，将新目标与无人机资源重新进行调整显然难
第 57 页
 国防科学技术大学研究生院工学硕士学位论文

以满足要求，因此考虑在预先规划的结果基础上进行进一步协调。
根据 4.3.2 节中遗传算法的编码方式可知，染色体中代表的任务序列是按照时
间及优先级进行排序，由于平台可达性及任务目标时间窗的限制，生成初始种群
需要进行遍历和根据约束条件的筛选，需要耗费较长时间。在采用遗传算法进行
求解的过程中，由于进化方向的不确定性，会生成一系列较高适应度值的“精英群
体”，通过设定的阈值将适应度大于该阈值的群体保留，当出现新的目标时，根据
新目标的时间窗、地点、优先级等，将其插入染色体，利用精英种群的基因值进
行新的种群初始化并求解。
染色体:任务目标序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
基因值:无人机编号 2 5 5 7 5 0 2 5 7 0 5 2 2 0 7
T 无人机执行到T时刻任务时
j k
有新的目标加入

染色体:任务目标序号 6 7 8 9 j 10 11 k 12 13 14 15
基因值:无人机编号 0 2 5 7 0 5 2 2 0 7

基于精英群体的新染色体初始化

图 4. 12 基于精英群体的新染色体生成与初始化
任务开始执行至T时刻，收集到新的
任务目标j

预规划的改进遗传算法
对任务目标j进行解析，生成其能力
需求文件，寻找可插入的目标组

根据目标组，回溯生成该任务目标序列的精
挑
进化种群 精英种群池 英群体池，删除T时刻以前已完成目标，并在
选
合适位置插入新目标j

保留精英群体中原有基因值，对新插入目标j
选择、交叉、变异等操作，得到
遍历赋值可用UAV编号，判断并挑选出可行群
预规划结果
体，完成种群初始化

对基于精英种群生成的初始群体，进
行遗传、交叉、变异等操作，得到动
态协调后的分配方案

图 4. 13 基于精英种群的遗传算法动态调整流程
如图 4.12、4.13 所示，对于 T 时刻出现的任务目标 j，k，按照其时间窗、地
理位置、优先级等属性，可以插入相应目标组。将在 T 时刻之前以完成的任务目
标删除，构造新的染色体。同时根据保留的精英群体中的基因值，对新染色体进

第 58 页
 国防科学技术大学研究生院工学硕士学位论文

行赋值，在种群初始化时只需考虑对目标 j，k 所在基因位置赋值并遍历。对初始

化后的父代种群，同样进入 4.3.2 中改进遗传算法进行求解，得到动态调整方案。

4.4.3 三维环境下 UAV 航迹规划

无论任务规划还是重规划后，都需要对无人机进行航迹规划寻找合适航路。
尤其在任务重规划后，需要尽快获得合理的航路点。无人机执行侦察任务是按照
其解序列从一个目标点飞行到下一个目标点进行情报收集。因此对无人机航迹的
规划只需规划两个目标点之间的飞行航路，同时因不同目标的情报图像要求约束
传感器高度，需要对 UAV 的飞行高度进行规划。因此本文采用改进 RRT 算法在
三维空间对无人机进行航迹规划以满足该要求。RRT 算法由 LaValle 于 1998 年提
出，它是概率上完全的空间采样搜索算法，即如果规划空间存在一条可行路径，
RRT 算法就一定能找到相应路径[8]。RRT 算法在无人机航迹规划上已经有许多研
究，对其基本原理不再赘述。RRT 几个基本要素由采样点选取、新节点扩展、代
价函数和航迹点去冗余及平滑。
本文研究中 RRT 树节点包含信息有：UAV 当前位置（N,E,H）、碰撞检测标
志、航迹代价（当前代价和父代节点代价）和父节点索引等基本信息。在三维空
间，为了减少采样点选取规模，采用按一定随机概率以目标点为采样点的方式，
否则在飞机偏航角度的扇形区域内随机选取。
在确定随机采样点后，以一定的步长 L 向 xrandom 扩展到达新节点 xnew，具体计
算公式如下：
xrandom  xnear
xnew  xnear  L 4-18
xrandom  xnear
由于地形及无人机性能限制，扩展得到的新节点需要判断是否满足要求。主
要判断指标有：扩展方向是否遇到障碍；新节点与 xnear 连线角度是否在无人机正
常俯仰角范围内。
求两曲线交点是障碍检测的常用手段，由于三维障碍曲线难以获得，这里采
用分析平面投影与高度对比的手段来判断是否遇到障碍，首先将 xnew 和 xnear 投影
到二维平面，得到相应坐标，依次选取两坐标连线中一定比例的点[P1,P2,…Pi]，依
次判断这些点与圆心距离和圆半径的大小(图 4.14)，若存在 OPi<R 并且对应比例点
Pi 的高度小于山峰高度，则认为会碰撞，节点不可扩展；若未碰撞则判断 xnew 与
xrandom 的坡度，若坡度大于 UAV 最大俯仰角，同样判断节点不可扩展。

第 59 页
 国防科学技术大学研究生院工学硕士学位论文

xnew

截取的比例点 Pi
O

xnear 障碍物投影

图 4. 14 三维航迹规划无人机避障
无人机航迹代价参考公式 4-4 综合考虑飞机飞行距离和油耗作为两个航路点
间的代价。无人机的飞行距离和油耗决定了飞机执行任务的有效程度，飞机爬坡
比平飞消耗更多的油量，分别为 h 和 l ,对航迹距离和油耗设以不同的权值 w1,w2，
可以得到无人机航迹规划的代价函数(  k 为第 k 段航线坡度)：
n
J   ( w1  L w2 * oil (k )) 4-19
k 1

oil (k ) || xnew  xnear || (k )  sin(k ) l  || xnew  xnear ||  cos(k ) h 4-20
最后结合 UAV 平台物理特性，对生成的航迹点去冗余并平滑，得到可飞航迹。

4.5 本章小结

本章从以信息共享为目的的无人机使用模式出发，阐述了该模式下无人机机
群任务规划问题的新特点。为了降低问题复杂度，满足对任务分配的时间要求，
本文建立了分布式并行求解框架。首先根据一定原则将任务进行分类排序，对每
个任务组筛选初始资源，约束任务执行者的选取。对降低了问题复杂度的子问题，
以收益指标最优、代价最低、完成的任务目标数目尽量多为性能指标，以任务时
间窗、空间地理位置等为约束，分析任务目标数量 n 与 UAV 数量 m 的不同对应关
系对问题求解的影响，为增强对问题求解的适应性，建立统一的多要素任务分配
问题模型。根据问题模型，采用改进的遗传算法，针对 n 和 m 的不同对应关系选
取合适的编码规则和遗传算子对问题进行求解。最后对得到的初始方案进行全局
优化调整，得到最终方案。对于任务执行中所遇突发事件，根据空闲时间窗及可
用 UAV 等“弹性”资源，采用合同法进行拍卖或基于精英种群的遗传算法进行在线
协调，并做相应航迹重规划。此外设计了对不同任务集合采取相应算法进行任务
分配并行计算的分布式计算平台 MapReduce。

第 60 页
 国防科学技术大学研究生院工学硕士学位论文

第五章 多无人机侦察任务协调应用

5.1 引言

本章依据第二章对多无人机任务协调规划的系统设计，建立仿真实验环境。
对从任务终端生成任务需求，任务协调中心收集、管理任务需求，将任务描述转
换为能力需求文件等工作环节做详细介绍。并根据建立的侦察任务想定，进行对
任务协调分配、航迹规划、任务方案优化调整等进行实验数据验证。

5.2 多无人机侦察任务协调仿真环境

按系统设计方案，多无人机任务协调规划系统的仿真环境，由无人机机群仿
真平台、便携式任务终端、地面站控制系统和机群任务协调规划中心站组成。仿
真平台为系统提供模拟的战场环境和无人机、传感器信息数据；地面站控制系统
管理仿真无人机执行任务，并向中心站提供实时状态信息。任务协调规划系统中
心站分为四个席位，分别完成对数据的收集处理，任务分配等计划生成，任务执
行过程中的监督管理，和根据收集的情报完成战场态势融合评估和分发等。图 5.1
为组成仿真环境的各个平台部分与连接关系。
无人机
状态
机群任务规划系统中心站
地面控制
站系统 局域网络通信

仿真平台
信息交互
无人机机群仿真平台 仿真引擎

数据管理席位 任务规划席位 运行监管席位 态势管理席位

仿真数据源
（地理、天气、地貌、目标等）
任务收集管理 无人机状态监督 情报信息收集
OE飞行平台仿真 可见光、红外仿真 初始资源筛选
资源管理
任务执行状态 情报融合处理
机群任务预规划
空情信息收集

数据分析 任务航迹规划 意外事件管理 态势生成评估

情报信
息输出
任务数 环境数
任务计划评估 机群任务重规划 战场态势显示
便携式任 据库 据库
务终端 资源数 情报数
据库 据库 任务上传/下载 仲裁管理 情报分发
作战指
令输入

图 5. 1 多无人机任务协调规划系统原理样机
无人机机群仿真平台、地面站控制系统及战场态势显示等，均已开发出完整
的实物、半实物系统。本文主要开发了便携式任务终端界面、任务规划和运行监
督席位等的部分内容。
图 5.2 为系统从任务需求输入到任务计划生成与收集情报的实例化工作流程。
具体包括任务需求规范、任务能力需求分析、任务资源集合筛选、任务计划生成、
执行与调整及情报分发几个环节。具体任务输入和管理细节在 5.2.1 及 5.2.2 小节
第 61 页
 国防科学技术大学研究生院工学硕士学位论文

分析，整个算法流程在 5.3 节实现。

任务命令规范 任务能力需求分析 任务资源集合筛选

昼、夜 UAV能力需求文件
传感器类型 速度>120km/h
语音命令 任务数据库 作战半径>200km
时间窗 经验知识
初始位置…
T1 UAV类型 ……
语音识别引擎 T2
Xml文件 类型 气象条件
T3
UAV位置 FTP传输 数据库管理 任务资源组合
文本命令 …
任 区域 UAV可达性
UAV数据库 <Task1,UAV1>
务 UAV速度 传感器能力需求文件
基于本体的语 分 分辨率>640*480 <Task2,UAV2>
义分析引擎 NIIRS等级 传感器数据库 …
任务处理 析 目标位置 类型:SAR
传感器性能 …… <Taski,UAVi>
通信链数据库
有线 ...
要素提取 目标类型 地形威胁干扰
无线 UAV机动性
Socket传输 符号化 数据库共享
XML表示 情报类型、分辨
情报要求 UAV升限
分组排序 率等 通信能力需求文件
终端命令 通信波段:L/C波段
传输指标 通信波段 通信带宽:1024bits/s
……

战场用户 任务资源组合文件 综合约束文件

数据库共享
FTP传输

任务执行监 分布式任务
督协调平台 重规划方案 航迹规划 环境数据库
分配平台
UAV实时信息 航迹生成 模型匹配
情报收集处 气象文件
UAV飞行航路文件
理平台 任务执行情况 航迹优化 地形文件
算法选择
…
情报收集 动态重规划 FTP传输 航迹调整
有线 情 并行计算
无线 报 情报融合 Xml文件 FTP传输
文 冲突检测协调
卫星通信
件
存储管理
数据处理
情报分发 初始解序列文件 FTP传输
有线
有线 无线
无线 信息理解
卫星通信
卫星通信 符号表示
方案协调 归类建库
地面站执行 FTP传输 FTP传输 优化平台

UAV状态 综合任务计划文件 全局任务分配方案 手动调整

有线
情报收集 无线
战场环境 自动调整
Socket传输
战场环境

情报分发 执行与调整 任务计划生成 外部数据输入

图 5. 2 任务协调规划系统实际工作流程

5.2.1 任务需求生成终端

任务需求终端是配备于战场作战单位的装备，在具有触摸屏的平板电脑开发。
使得用户可以方便查看实时战场态势，并通过友好、简易的人机交互，向任务协
调规划中心发送任务需求。

图 5. 3 任务终端操作界面
图 5.3 给出了任务需求终端的操作界面。任务需求终端具有查看战场态势、新
建任务、编辑已发送的任务、查看完成过的历史任务、查看可以建立联系的无人
机状态和传感器信息等功能。
第 62 页
 国防科学技术大学研究生院工学硕士学位论文

新建任务：可以建立探测搜索、侦察、监视跟踪三种类型的任务。可以详细
设定任务中目标类型、时间窗约束、区域位置信息等。根据任务需求生成界面，
用户可以给出格式规范的任务需求命令。界面多采用下拉列表选择等形式，减少
用户繁琐输入。在环境较恶劣时，提供语言生成任务需求功能。图 5.4 为由任务终
端生成一个探测搜索任务的具体实例。

图 5. 4 任务终端生成探测任务实例

编辑任务：对于上传而未开始执行的任务，可以在编辑任务的选项中对任务
进行修改参数、撤销等等操作。
历史任务：可以查看已完成的任务。从中访问历史情报信息，与实时战场情
报对比等等。也可申请对某历史任务重新执行，减少重新录入时间。
飞机状态：与临近无人机建立联系，查看无人机状态信息，获得无人机传感
器信息等。
任务终端生成任务需求后，以 XML 文件格式存储并发送给任务协调中心，任
务协调中心对收集到的 XML 文件进行解析后利用 Microsoft Access 建立 OLE DB
数据库，随后进行诸如增加、删除等管理和对任务能力需求的分析。图 5.5 即由图
5.4 任务终端中生成的 XML 文件。

第 63 页
 国防科学技术大学研究生院工学硕士学位论文

图 5. 5 某任务需求的 XML 文件形式

5.2.2 任务协调规划中心

任务协调规划中心包括了对任务的处理、任务分配重分配和航迹的规划等。

图 5. 6 任务管理中心界面及实物图

任务协调规划中心由几台计算机席位组成，分别承担了任务的管理、无人机
管理、传感器管理、任务分配的功能。
任务协调规划中心收集来自战场不同用户的任务需求的 XML 文件后，对其解
析并建立任务数据库。任务管理进行对任务优先级、时间窗等的处理排序，具有
新建任务、删除任务等操作功能。在任务管理中心可得到任务需求的详细信息，
包括任务的编号、类型等，以及根据武器专家等分析得到的完成任务需要的能力
文件、与其他任务的约束关系等，便于为任务计划的制定提供数据支持。

第 64 页
 国防科学技术大学研究生院工学硕士学位论文

图 5. 7 某任务能力需求文件范例

图 5. 8 任务管理功能界面

任务、无人机、传感器的管理包括对其的增加、删除、排序等。在管理界面
均可查看其工作状态。任务协调规划中心建立统一集中管理的任务、资源等数据
库后，将其要素转义为字符和数字等变量，得到的数据文件输入到 MATLAB 等计
算工具进行任务分配、优化调整及航迹规划等规程，具体实现过程在 5.3 小节通过
应用实例描述。

第 65 页
 国防科学技术大学研究生院工学硕士学位论文

5.3 多无人机侦察任务协调应用

5.3.1 多无人机侦察任务想定及环境抽象

1）想定描述
【任务背景】在 800*800km 面积的战场环境内，分布若干作战单位，对战场
环境进行侦察。三个通用化地面控制站被均匀部署在该战区内，对战区达到大面
积有效通信覆盖。8 架无人机搭载不同类型的传感器在战区内随时待命，可全天候
执行侦察任务。
【任务描述】战区内作战单位根据作战需求，向任务协调规划中心发出侦察
任务需求。通过任务协调规划中心对无人机的调配，实现对战场内装甲车、机场
等目标的侦察，建立对战场态势的综合理解图像。
【无人机系统】存在大、中、小不同类型的无人机共 8 架，可以选择 EO/IR，
SAR 等传感器，并可搭载不同通信终端，实现与地面站、规划中心等的通信。
【战场环境】战区为崎岖不平的多山区，气候晴朗，适合侦察进行。电磁干
扰较少，理想通信环境。
【实现平台】硬件支持：品牌式一体 PC，CPU 型号 Intel Core i5，内存 6GB，
硬盘容量 1TB。
软件支持：32 位的 Windows 7 操作系统，MATLAB2012b，由 Visual Studio 2012
开发的任务终端软件和任务协调规划中心软件。
2）想定环境抽象
为便于研究，将战场中地面站、无人机分布抽象为下图。地面站能力等级相
同，均匀覆盖大部分战区。假设作战单位提出的侦察任务目标共有 40 个。战场中
无人机及目标的位置随机分布。

第 66 页
 国防科学技术大学研究生院工学硕士学位论文

图 5. 9 仿真战场环境

任务协调规划中心可对任务、无人机等进行管理，将任务目标、无人机等符
号化转义表示后，可得到表 5.1 和表 5.2 中数据，方便使用 Matlab 等工具计算。
表 5. 1 侦察 UAV 参数
UAV
经度 纬度 速度(km/h) 续航时间(h) 活动半径(km) 所属 GCS
编号
1 190.57 487.32 200 40 2000 1
2 310.91 240.79 200 40 2000 3
...... …… ……
8 240.81 603.54 160 12 900 1
表 5. 2 目标参数
目标序号 优先级 位置坐标 任务开始时间 任务结束时间
1 2 [227.56,636.96] [2014,2,16,10,35,45] [2014,2,16,10,42,45]
2 4 [205.40,225.37] [2014,2,16,9,5,57] [2014,2,16,9,11,57]
3 2 [541.76,437.12] [2014,2,16,10,34,38] [2014,2,16,10,43,38]
…… …… …..
40 3 [284.42,373.63] [2014,2,16,11,44,6] [2014,2,16,11,51,6]

5.3.2 多无人机侦察任务预先规划

1）初始资源筛选。对 40 个目标根据位置进行分类，按照时间窗和优先级进
行排序，得到三组任务集合，依据每组任务集合中目标位置及时间窗，利用 4.3.1
中初始资源筛选原则，可以选取相应 UAV 集合，最终得到表 5.3 中目标集合及对
应 UAV 的编号集合：

第 67 页
 国防科学技术大学研究生院工学硕士学位论文

表 5. 3 目标分组集合及对应 UAV 集合

T 目标序号及对应优先级 UAV

22 33 4 20 35 23 30 18 19 1 8 12 26 5 38
T1 13
1 10 2 5 1 7 10 5 3 2 7 2 1 8 8

27 7 9 17 31 3 10 37 11 39
T2 468
7 7 3 5 9 2 6 7 8 4

2 29 21 32 28 6 15 36 14 16 34 25 13 24 40
T3 257
4 3 3 8 3 7 8 5 3 5 7 7 7 1 3

2）采用改进遗传算法对任务资源组分布式计算。初始群体设置为 100 个，交

叉概率 Pc=0.75，变异概率 Pm=0.01，遗传 1000 代，权重值 w1=0.5，w2=0.3，w3=0.2。
每组目标序列执行 10 次算法，由于遗传算法的初始解是随机生成的，且进化方向
不定，因此会产生适应度收敛到一定值的几个不同结果，挑选适应值最大的 4 组，
得到图 7 分配结果。

图 5. 10 任务分配结果

上图为对于每组任务资源集合得到的初始规划结果，可以看出未分配成功的
目标为(4, 6, 12, 17,18, 22, 24,26,35, 39)。局部范围内未被分配的目标在全局范围内
可能被其他 UAV 执行。因此需要对初始序列进行全局调整。
3）对初始解进行全局调整。下图将初始解序列中每架 UAV 执行的任务目标
序号及时间窗表示出来，该图中坐标原点时间表示 9 点时刻，横坐标时间单位为
分钟。从图中可以看出，部分无人机的空白时间窗与未成功分配目标的任务时间
窗不是重叠的，因此可以考虑将未分配目标插入到 UAV 的空白时间窗中。同时必
须考虑 UAV 与任务目标位置与 UAV 速度性能对可达性的约束。对某未分配目标
如目标 12，UAV6，UAV7 等具有空白时间窗，但由于 UAV 与目标位置距离较远，
因此目标 12 最后仍不可被分配。

第 68 页
 国防科学技术大学研究生院工学硕士学位论文

图 5. 11 初始解序列对应 UAV 与目标时间窗

通过目标时间窗与 UAV 空白时间窗及二者地理位置的约束进行全局调整，最
终得到任务目标 18 可以由 UAV8 执行。最终规划结果如下图。

图 5. 12 无人机任务序列时间顺序及执行顺序
三组分布式规划计算中，耗时最长者为 34s，全局方案调整时间 17s。程序综
合规划时间 72s。 40 个目标点中 10 个目标未分配，成功率为 75%。仿真实验中
目标点与 UAV 位置及任务时间窗均是随机得到的，目标特性与 UAV 能力导致目
标并不一定被分配。5.12 中两图给出了仿真实验结果中不同 UAV 执行任务的顺序
和时间窗，综合两图及目标参数可以看出：1）未被分配的目标其优先级一般较小。
2）：未分配目标其位置和时间窗相互约束，即尽管其时间窗在其他 UAV 空闲时
间范围内，但地理位置相差较远导致不可能完成该目标，同样在 UAV 执行路径附
近的其他目标因时间窗不符合同样不能被分配。根据时间窗进行全局调整已经找
不到更优解，且规划时间较短，可判定该方案是最优的。

第 69 页
 国防科学技术大学研究生院工学硕士学位论文

表 5. 4 CSP 模型算法与改进 GA 求解时间对比

CSP 模型算法 分组改进遗传算法
UAV 与目标数
分配率 规划时间 分组数 分配率 规划时间
UAV=4，T=20 90% 32s 2 90% 40s
UAV=8，T=40 75% 4min39s 3 75% 72s
UAV=15，T=80 未找到解 >30min 6 87.5% 6min17s

为判断算法性能，对比文献[26]中采用的 CSP 模型求解任务分配的算法，分

别对 4、8、15 架 UAV 及对应 20、40、80 个目标进行求解时间的对比。从表 5.4
中可以看出，在问题规模较小即无人机、目标数目较少时，分组改进的遗传算法
对比 CSP 模型算法无明显优势，然而随着问题规模的增加，需要搜索的解空间规
模急速增长，传统的 CSP 模型算法难以快速找到优化解。对比分组改进后遗传算
法自身对不同规模问题的求解可知，随着问题规模的增加，分组数随之增加，从
而导致在求解完每组的初始解后需要进行全局调整的初始解数目和约束增多，在
全局调整方面花费更多时间，使得求解时间变长。

5.3.3 多无人机侦察任务在线协调及航迹规划

1）多无人机侦察任务在线协调。在无人机执行任务计划过程中，假设以下两
种情况进行在线协调。
Case1：由于任务序列中某些目标任务时间窗的变化，使得其他任务目标的完
成受到影响。如由于某目标引起指挥官兴趣而对其延长侦察时间，导致后续与其
时间窗接近的任务目标无法完成，或某目标情报信息从其他渠道得到，从而可以
减少对其侦察时间以得到更多“弹性”资源等。
无人机在任务执行过程中，如对于第 2 架 UAV，若对第 25 个目标延长侦察时
间，导致第 2 架 UAV 无法及时飞行至第 13 个目标进侦察。此时需要对任务计划
做在线协调，以尽可能将第 13 个目标分配给现有“弹性”资源执行。
除第 2 架无人机，距离第 13 个目标最佳的无人机为 UAV5 和 UAV7，且具备
空闲时间窗。监督中心因此可将任务目标 13 拍卖，得到 UAV5 和 UAV7 的投标值
分别为 7.853 和 7.372，且由于目标 13 与 UAV7 中后续目标 40 距离较远，若由 UAV7
执行目标 13 则目标 40 重新变成不可执行目标。综合以上考虑，目标 13 协调给
UAV5 执行。

第 70 页
 国防科学技术大学研究生院工学硕士学位论文
UAV

UAV

插入UAV5序列

时间窗延长

图 5. 13 延长目标侦察时间后协调结果
Case2：任务计划执行过程中，由于搜索某区域得到新的感兴趣目标，或指挥
官增加侦察目标，需要进行在线协调，以尽量满足对新目标进行分配。
在无人机执行任务过程中，假设在 9:20 时刻指挥官发出新的较重要任务目标
请求 Tnew，其任务时间窗为[10:28,10:40,3],位置坐标为[218.6,584.3]，任务优先级为
7。由于目标较重要，需要在原有任务计划基础上进行动态协调以满足指挥官要求。
根据 Tnew 的地理位置可知，可对其进行侦察的无人机有 UAV1，UAV3。根据
Tnew 的时间窗及两架无人机任务序列可知，UAV1 与 UAV3 均不存在空闲时间窗可
以执行目标 Tnew。因此如图 5.14 所示，将 Tnew 插入预规划时目标染色体集合，得
到新的染色体并参照原精英种群生成初始化群体。

预规划中适应值较
9:20时刻已完成目标 按时间窗排序后插入新目标后的染色体 高的几个精英个体

图 5. 14 基于精英种群的新染色体生成
采用基于精英种群的遗传算进行动态求解，最终进化得到优化的解序列编码：
[1,0,3,1,0,1,0,0,3,1]，与原计划相比即 UAV3 不再执行目标 1 而是执行新目标 Tnew。
由于时间窗限制，目标 1 无法再进行其他调整执行，调整后适应度值为 48.5137，
即舍弃目标 1 而执行新目标可以得到更大收益。图 5.15 给出了调整过后的两架无
人机任务目标序列及时间窗。

第 71 页
 国防科学技术大学研究生院工学硕士学位论文

Tnew
新目标及时间窗

Tnew

被舍弃目标

图 5. 15 基于精英种群遗传算法的动态协调结果
2）无人机在三维环境的航迹规划。根据公式 4-13 中航迹代价函数，图 5.16,5.17
分别给出了 w1=0.7，w2=0.3 及 w1=0.3，w2=0.7 时无人机三维航迹规划及平面投影。
红色实线代表初始航迹，蓝色虚线代表去冗余后航迹。表 5.5 和表 5.6 给出了 RRT
算法在三维航迹规划的性能及规划成果率。

图 5. 16 w1=0.7，w2=0.3 时仿真三维航迹图及平面投影

图 5. 17 w1=0.3，w2=0.7 时仿真三维航迹图及平面投影

第 72 页
 国防科学技术大学研究生院工学硕士学位论文

表 5. 5 4 次典型试验结果数据
算法所用时间 RRT树节点数 生成航迹节点数 去除冗余后节点数 代价函数权值

487.34ms 79 33 7 w1=0.7，w2=0.3

505.78ms 96 38 9 w1=0.7，w2=0.3

616.49ms 173 36 13 w1=0.3，w2=0.7

598.91ms 142 36 8 w1=0.3，w2=0.7

表 5. 6 仿真试验结果统计
仿真试验次数 成功规划次数 算法平均时间 RRT树平均节点 航迹平均节点 成功率

20 17 546.27ms 103 36 85%

5.4 本章小结

为了提高解决网络环境下无人机新型使用模式带来的任务协调问题的能力，
第二章设计了自动的任务协调规划系统。本章根据设计的无人机任务协调系统结
构，结合实验室现有的仿真平台、硬件设施等，建立多无人机侦察任务协调实验
环境。利用开发的任务终端生成任务需求，设定传输的文件格式，输入任务协调
软件进行对任务及资源等的管理，并将任务描述转换为任务能力需求文件以筛选
任务资源。根据侦察任务想定，将生成的任务需求等抽象为符号形式，在 MATLAB
环境下用改进遗传算法进行任务协调分配，用 RRT 算法进行航迹规划，并通过无
人机空闲时间窗及合同网协议等进行方案的优化调整和任务的重分配。实验结果
表明，针对网络环境下多无人机任务协调问题建立的模型及算法框架具有一定的
实际可操作性。

第 73 页
国防科学技术大学研究生院工学硕士学位论文

第 74 页
 国防科学技术大学研究生院工学硕士学位论文

第六章 总结与展望

6.1 论文工作总结

信息化模式下战争形势的转变同样带来了无人机使用模式的新变化。“管用分
离”的使用模式促使新的无人机任务规划系统的发展和改进。本文分析了未来在网
络化战场条件下无人机使用的新特点，对无人机任务协调规划系统的设计、关键
技术等进行了研究，主要完成了以下工作：
（1） 分析任务规划系统各模块功能与联系，构建其系统架构。
通过对新的无人机使用模式对任务规划系统的军事需求，根据从任务需求输
入到任务计划生成、执行等工作流程，设计了无人机任务协调规划系统。详细分
析了系统架构和模块构成，并对每个模块功能、与其他模块的关系做了细致阐述。
梳理了系统内部和与外部系统等之间的数据交换和信息流方向，规定了系统接口
管理和数据传输方式。
（2） 分析任务需求命令格式，建立任务需求标准化模板
结合不同用户对军事情报的需求，综合分析多种侦察任务，总结归纳了在侦
察任务中的共有属性。将一般侦察任务分解成探测搜索、侦察和监视跟踪三类基
元任务，并对任务自身属性如用户、目标、时间窗等等进行详细分析。此外，建
立任务属性与无人机、传感器等的联系“桥梁”。为便于不同用户和平台间对任务需
求的生成、解析等，使用本体理论对侦察任务建模，规范了侦察任务需求的请求
格式。
（3） 多要素任务分配问题分析建模（及分布式平台计算研究）
本文讨论的无人机任务分配问题，具有多用户、多无人机、多任务多目标等
特点。为了降低问题复杂度，满足对任务分配的时间要求，本文在前两点工作基
础上，建立了分布式并行求解框架。首先根据一定原则将任务进行分类排序，对
每个任务组筛选初始资源，约束任务执行者的选取。对降低了问题复杂度的子问
题，以收益指标最优、代价最低、完成的任务目标数目尽量多为性能指标，以任
务时间窗、空间地理位置等为约束建立多要素任务分配问题模型。利用分布式计
算平台 MapReduce，对不同任务集合采取相应算法进行任务分配并行计算。最后
对得到的初始方案进行全局优化调整，得到最终方案。对于任务执行中所遇突发
事件，采用合同法进行拍卖，并做相应航迹重规划。

第 75 页
 国防科学技术大学研究生院工学硕士学位论文

6.2 未来工作展望

本文围绕侦察任务分配和系统关键技术问题，研究了侦察任务模型、系统结
构和算法框架等内容，取得了一定成果。由于问题的复杂性，在很多方面并未深
入，有待进一步拓展深化，主要表现在以下几个方面：
（1）多无人机协同执行任务模型研究
本文中任务目标只被一架无人机执行。对需要多架无人机执行的目标，采取
对其 “复制”，额外生成同样的任务，要求其他执行复制的无人机在同一时刻在某
位置集结执行。这降低了问题的复杂性，但并不便于对问题和无人机的管理，因
此对于多无人机协调执行侦察任务问题建模，需要进一步研究。
（2）问题因素考虑全面化
为便于研究，本文在理想通信环境下进行考虑，通信代价只是提出，但在建
模中被同等对待。在实际战争中，通信可靠性难以得到良好保证，不同通信链路
付出的代价不同，另外，情报信息的回传也需选取合适的通信链路。此外，地面
控制站能力各不相同，并不一定可以控制全部无人机等。这些因素都很大程度上
决定了任务计划的可实施性，需要在未来加以考虑。
（3）多样化突发事件的处理
任务的动态重规划是无人机任务分配的重要问题。本文只考虑了突发任务的
情况，对于无人机战损、平台能力降级、突发威胁、通信中断等等重要的意外事
件未深入分析。这些因素在任务规划系统的实际使用上都有十分重要的意义。

第 76 页
 国防科学技术大学研究生院工学硕士学位论文

致 谢

两年研究生生活转瞬即逝，细数下来在科大已有近七年时光，在结束学业生
涯之际，着实感慨良多。经过坎坷积累的路程，自己的硕士课题研究工作终于进
入尾声。论文的完成，除去自身的积累，更多的是融合了实验室的智慧和工作。
实验室的老师、师兄师姐和其他工作人员及同学在这两年半中给予了无私的帮助
和关怀，在此向他们表达我最诚挚的谢意！
首先感谢我的硕士导师朱华勇教授，在这两年多时间里，朱老师在工作、学
习上均给了我很大的指导和帮助。朱老师自身对科研一丝不苟的严谨态度，对工
作一如既往的热情，对前沿方向的敏感把握，对知识掌握的渊博精通，无一不令
人感到钦佩。进入实验室初，朱老师便带领我们对整个实验室项目进行了解，在
论文开题方向、小论文发表、硕士论文的撰写方面，均与我进行多次细致深刻的
讨论和审阅修改。
感谢实验室的尹栋老师在硕士课题的研究上进行的具体指导。尹老师乐观积
极的态度和开朗热情的性格感染着实验室的所有人。他开阔的思路和创新性的见
解，对我课题的研究和完善起到了很大的促进作用。同时感谢项目组的谢海斌老
师，对我的小论文等进行细致的关心。感谢项目组的杨建师兄、程巧师姐，教给
了我很多论文写作的经验的研究方法，感谢项目组的简立轩、朱雷、欧阳秋萍师
弟师妹，与你们开展工作使我很开心。
感谢初进实验室带我们去月亮岛实验的张代兵老师，带我直接接触实验室课
题的相晓嘉老师、方斌老师和牛轶峰老师。感谢胡天江老师对我受益匪浅的沟通
交流。感谢实验室的张国忠老师、王祥科老师、周典乐老师给过我的指导和建议。
另外感谢李杰师兄、丛一睿师兄、马兆伟师兄、王勋师兄等所给我的学习研
究上的指导，感谢同年级的沈镒峰、赵云云、闫成平对我的督促和帮助，感谢实
验室的其他师兄师姐，你们对待学习和工作孜孜不倦的追求和态度是我克服困难
的最大动力。
在此同样感谢我可爱的室友王华松、侯维宇同学，感谢挚友沈镒峰、谭磊、
安邦、陈强、杨啸等。感谢从本科到硕士你们一路上对我的关心和鼓励。
深深感谢我的父母和家人在我感到迷茫时对我的支持和鼓励，你们是我坚持
走下去的最大动力。
最后，感谢所有关心和帮助过我的人们！

第 77 页
国防科学技术大学研究生院工学硕士学位论文

第 78 页
 国防科学技术大学研究生院工学硕士学位论文

参考文献

[1] 金林敏, 郑荣金, 祁一民. 无人机在现代战争中的运用及发展[J].飞航导弹.

2011(9):29-32.
[2] 胡正平, 田弼臣. 信息化条件下无人机的战场应用及发展趋势[J].飞航导弹.
2011(10):63-65.
[3] 陈伟, 申洋, 张旺. 无人机侦察情报即时任务排序研究[J].火力与指挥控制.
2014,39(4):73-76.
[4] 孙 成 陆 . 特 种 作 战 中 无 人 机 侦 察 力 量 的 运 用 [J]. 四 川 兵 工 学 报 .
2011,32(1):40-42.
[5] 刘军刚, 佘诗武. 基于信息战的军事情报研究[J].情报杂志. 2008(6):134-138.
[6] 曾 佳, 黄永葵, 马 滢, 陈 晨. 无人机系统互操作性标准研究[J].航空电子技
术. 2011,42(2):50-54.
[7] Dod. Joint Air Operations. Joint Publication: 1995.
[8] 陈炳峰. 外军任务规划系统分析与启示[J].舰船电子工程. 2013,33(9):24-27.
[9] 刘 新 艳 , 黄 显林 , 吴 强 . 国 外 任 务 规划 系 统 的 发 展 [J]. 火力 与 指 挥 控 制 .
2007,32(6):5-9.
[10] 胡 中 华 , 赵 敏 . 无 人 机 任 务 规 划 系 统 研 究 及 发 展 [J]. 航 天 电 子 对 抗 .
2009,25(4):49-51.
[11] 戴 定 川 , 盛 怀 洁 , 赵 域 . 无 人 机 任 务 规 划 系 统 需 求 分 析 [J]. 飞 航 导 弹 .
2011(3):66-70.
[12] A. Boukhtouta, A. Bedrouni, J. Berger, F. Bouak, A. Guitouni. A Survey of
Military Planning Systems[J].Defence Research and Development Canada-Valcartier.
2004:23-27.
[13] 张 臻, 王光磊. 航空兵任务规划系统验证技术[J].指挥信息系统与技术 .
2014,5(3):44-48.
[14] David E. R. Pritchard. Dynamic Route Replanning And Retasking Of Unmanned
Aerial Reconnaissance Vehicles [D]: Air University; 2000.
[15] 叶文, 范洪达, 朱爱红. 无人飞行器任务规划[M]. 北京: 国防工业出版社;
2011.
[16] 魏晨曦. 欧空局任务规划系统(MPS)的发展[J].
[17] Feng Pan, Xiaohui Hu, Russ Eberhart, Yaobin Chen. A New UAV Assignment
Model Based on PSO[C]. 2008 IEEE Swarm Intelligence Symposium: IEEE; 2008.
[18] Mohsen Ramezani Ghalenoei, Hossein Hajimirsadeghi, Caro Lucas, editors.
Discrete invasive weed optimization algorithm: application to cooperative multiple task
assignment of UAVs. Decision and Control, 2009 held jointly with the 2009 28th
Chinese Control Conference CDC/CCC 2009 Proceedings of the 48th IEEE Conference
on; 2009 : IEEE.
[19] Secrest B R. Traveling Salesman Problem for Surveillance Mission Using Particel
Swarm Optimization : Air Force Institute of Technology; 2003.
[20] T. Bektas. The multiple traveling salesmanproblem: an overview of formulations
and solution procedures[J].Omega. 2006,34:209-219.
[21] C. Schumacher, P. R. Chandler, M. Pachter, L.S. Pachter. Optimization of Air

第 79 页
 国防科学技术大学研究生院工学硕士学位论文

Vehicle Operations Using Mixed-Integer Linear Programming. Air Force Research Lab
(AFRL/VACA) Wright Patterson AFB, OH Control Theory Optimization Branch: 2006.
[22] Ann Melissa Campbell, Barrett W.Thomas. Probabilistic Travelling Salesman
Problems with Deadlines[J].Transportation Science. 2008,42(1):1-21.
[23] Mariam Faied, Ahmed Mostafa, Anouck Girard. Vehicle Routing Problem
Instances: Application to Multi-UAV Mission Planning[C]. AIAA Guidance,
Navigation, and Control Conference; Toronto, Ontario Canada: AIAA; 2010.
[24] Kursat Y. Multi-objective Mission Route Planning using Particle Optimization [D]:
Air Force Institute of Technology University; 2002.
[25] L Guo-Xi. Application of hybrid strategies to capacitated vehicle routing problem
with time windows[J].Industrial Engineering Journal. 2006,1:107-119.
[26] Cristian Ramirez-Atencia, Gema Bello-Orgaz, David Camacho, editors. A simple
CSP-based model for Unmanned Air Vehicle Mission Planning. Innovations in
Intelligent Systems and Applications (INISTA) Proceedings, 2014 IEEE International
Symposium on; 2014 : IEEE.
[27] A. Arulselvan, C. W. Commander, P. M.Pardalos. A hybrid genetic algorithm for
the target visitation problem[J]. 2008.
[28] A. Richards, J. Bellingham, M. Tillerson, J. P. How. Coordination and control of
multiple UAVs[C]. AIAA Guidance, Navigation, and Control Conference; Monterey,
CA: AIAA; 2002.
[29] P. R. Chandler, M. Pachter, S. R. Rasmussen, C. Schumacher. Multiple Task
Assignment for a UAV Team[C]. AIAA Guidance, Navigation,and Control Conference;
Monterey, CA: AIAA; 2002.
[30] Tal Shima, Steven J Rasmussen, Andrew G Sparks, Kevin M Passino. Multiple
task assignments for cooperating uninhabited aerial vehicles using genetic
algorithms[J].Computers & Operations Research. 2006,33(11):3252-3269.
[31] K. E. Nygard, P. R. Chandler, M. Pachter. Dynamic network flow optimization
models for air vehicle resource allocation[C]. Proc of the the American Control
Conference; Arlington, Texas2001. p. 1853-1858.
[32] C. Schumacher, P. R. Chandler, S. J. Rasmussen, D. A. W. D. Walker. Task
allocation for wide area search munitions with variable path length[C]. Proceedings of
the 2003 American Control Conference2003. p. 3472-3477.
[33] Hanafi S, Wilbaut C. Scatter Search for the 0-1Multidimensional Knapsack
Problem[J].Journal of Mathematical Modeling and Algorithms. 2008,7(2):143-159.
[34] Jonghoe Kim, James R. Morrison. On the concerted design and scheduling of
multiple resources for persistent UAV operations[C]. 2013 International Conference on
Unmanned Aircraft Systems (ICUAS); Grand Hyatt Atlanta: IEEE; 2013. p. 942-951.
[35] Luca F Bertuccelli, Han-Lim Choi, Peter Cho, Jonathan P How, editors. Real-time
multi-UAV task assignment in dynamic and uncertain environments. presentado al
AIAA Guidance, Navigation, and Control Conference, Chicago, Illinois; 2009.
[36] P. B. Sujit, A. Sinha, D. Ghose. Multi-UAV Task Allocation using Team
Theory[C]. Proceedings of the 44th IEEE Conference on Decision and Control, and the
European Control Conference: IEEE; 2005. p. 1497-1502.
[37] Mehdi Alighanbari, Jonathan P How, editors. Decentralized task assignment for
unmanned aerial vehicles. Decision and Control, 2005 and 2005 European Control
Conference CDC-ECC'05 44th IEEE Conference on; 2005 : IEEE.
[38] Yi Weia, M. Brian Blakea, Gregory R. Madeya. An Operation-time Simulation
Framework for UAV Swarm Configuration and Mission Planning[J].2013 International
第 80 页
 国防科学技术大学研究生院工学硕士学位论文

Conference on Computational Science. 2013.

[39] Gyeongtaek Oh, Youdan Kim, Jaemyung Ahn, Han-Lim Choi. Market-Based
Distributed Task Assignment for Rendezvous Mission over Networks with Limited
Connectivity[C]. 19th IFAC World Congress The International Federation of Automatic
Control; Cape Town, South Africa: IFAC; 2014.
[40] Kelly Cohen, Steven Rasmussen, editors. Application of Proper Orthogonal
Decomposition and Neural Networks to UAV Task Assignment. AIAA Infotech@
Aerospace Conference, Atlanta, GA; 2010.
[41] Corey Schumacher, Phillip Chandler, Meir Pachter, L Pachter. UAV task
assignment with timing constraints[M]: Defense Technical Information Center; 2003.
[42] Corey Schumacher, Phillip Chandler, Meir Pachter, Lior Pachter, editors.
Constrained optimization for UAV task assignment. Proceedings of the AIAA guidance,
navigation, and control conference; 2004 : Reston, VA, USA: American Institute of
Aeronautics and Astronautics Inc.
[43] Marjorie A Darrah, William M Niland, Brian M Stolarik. Multiple UAV dynamic
task allocation using mixed integer linear programming in a SEAD
mission[J].Infotech@ Aerospace. 2005:26-29.
[44] Hector J Ortiz-Pena, Michael Hirsch, Mark Karwan, Rakesh Nagi, Moises Sudit.
Measuring the Price of Anarchy via Perspective Optimization of Unmanned Vehicles in
ISR Operations. DTIC Document, 2012.
[45] Byung Duk Song, Jonghoe Kim, Jeongwoon Kim, ... Persistent UAV service: An
improved scheduling formulation and prototypes of system components[C]. 2013
International Conference on Unmanned Aircraft Systems (ICUAS); Grand Hyatt
Atlanta: IEEE; 2013. p. 915-925.
[46] Marjorie Darrah, William Niland, Brian Stolarik, Lance Walp, editors. UAV
cooperative task assignments for a SEAD mission using genetic algorithms. AIAA
Guidance, Navigation, and Control Conference and Exhibit; 2006.
[47] Eugene Edison, Tal Shima, editors. Genetic algorithm for cooperative UAV task
assignment and path optimization. AIAA Guidance, Navigation and Control Conference,
Honolulu; 2008.
[48] Hyunjin Choi, Youdan Kim, Hyounjin Kim. Genetic algorithm based decentralized
task assignment for multiple unmanned aerial vehicles in dynamic
environments[J].International Journal of Aeronautical and Space Science.
2011,12(2):163-174.
[49] Theopisti Zaza, Arthur Richards, editors. Ant Colony Optimization for routing and
tasking problems for teams of UAVs. Control (CONTROL), 2014 UKACC
International Conference on; 2014 : IEEE.
[50] L. F. Bertuccelli, N.W. M. Beckers, M. L. Cummings. Developing Operator
Models for UAV Search Scheduling[C]. Navigation, and Control Conference; Toronto,
Ontario Canada: AIAA; 2010.
[51] Min-Hyuk Kim, Hyeoncheol Baik, Seokcheon Lee. Response Threshold Model
Based UAV Search Planning and Task Allocation[J].J Intell Robot Syst.
2014,75:625-640.
[52] J Senthilnath, Sn Omkar, V Mani, Anurag R Katti, editors. Cooperative
communication of UAV to perform multi-task using nature inspired techniques.
Computational Intelligence for Security and Defense Applications (CISDA), 2013 IEEE
Symposium on; 2013 : IEEE.
[53] Lanah Evers, Ana Isabel Barros, Herman Monsuurb, Albert Wagelmansc. Online
第 81 页
 国防科学技术大学研究生院工学硕士学位论文

stochastic UAV mission planning with time windows and time-sensitive

targets[J].European Journal of Operational Research. 2014,238:348–362.
[54] Corrinne Luteyn. The UAV-Mission Planning Problem with Time Windows and
Stochastic Fuel Consumption [D]2013.
[55] 贺仁杰. 成像侦察卫星调度问题研究 [D]. 长沙: 国防科学技术大学; 2004.
[56] 田菁. 多无人机协同侦察任务规划问题建模与优化技术研究 [D]. 长沙: 国防
科学技术大学; 2007.
[57] 赵 明, 苏小红, 马培军, 赵玲玲. 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.
[58] Liying Yang, Chengdong Wu, Jianda Han, Yiyong Nie. The task assignment
solution for multi-target pursuit problem[C]. IEEE; 2009.
[59] Yushing Cheung, Jae H. Chung. Semi-Autonomous Control of Single-Master
Multi-Slave Teleoperation of Heterogeneous Robots for Multi-Task Multi-Target
Pairing[C]. International Journal of Control and Automation2011.
[60] 龙国庆, 祝小平, 周洲. 多无人机系统协同多任务分配模型与仿真[J].飞行力
学. 2011,29(4):68-71.
[61] 刘毅, 李为民, 邢清华, 徐小来. 基于双层规划的攻击无人机协同目标分配优
化[J].系统工程与电子技术. 2010,32(3): 579-583.
[62] 郭文强, 高晓光, 任佳, 肖秦琨. 基于图模型自主优化的多无人机多目标攻击
[J].系统工程与电子技术. 2010,32(3):574-578.
[63] 邸 斌, 周 锐, 丁全心. 多无人机分布式协同异构任务分配[J].控 制 与 决
策. 2013.
[64] Nguyen Duc Manh, Le Thi Hoai An, Pham Dinh Tao. A Cross-Entropy method for
Nonlinear UAV Task Assignment Problem[C]. IEEE.
[65] 黎 萍, 杨宜民. 多机器人系统任务分配的研究进展[J].计算机工程与应用.
2008,44(17):201-205.
[66] 黎 萍, 杨宜民. 基于博弈论的多机器人系统任务分配算法[J].计 算 机 应
用 研 究. 2013,30(2):392-395.
[67] Yue-Feng Liu, An Zhang. Cooperative task assignment method of
manned/unmanned aerial vehicle formation[J].Systems Engineering and Electronics.
2010,3:032.
[68] L Geng, Yf Zhang, Jj Wang, Jerry Yh Fuh, Sh Teo. COOPERATIVE TASK
PLANNING FOR MULTIPLE UNMANNED AERIAL VEHICLES USING A
GENETIC ALGORITHM[J].Control and Intelligent Systems. 2014,42(2).
[69] Zhao Junwei, Zhao Jianjun, editors. Study on Multi-UAV Task Clustering and
Task Planning in Cooperative Reconnaissance. Intelligent Human-Machine Systems
and Cybernetics (IHMSC), 2014 Sixth International Conference on; 2014 : IEEE.
[70] L. Geng, Y. F. Zhang, J. J. Wang, J. Y. H. Fuh, S. H. Teo. Cooperative Task
Planning for Multiple Autonomous UAVs with Graph Representation and Genetic
Algorithm[C]. IEEE International Conference on Control and Automation (ICCA); June
12-14. Hangzhou, China2013. p. 394-399.
[71] 王婷, 符小卫, 高晓光. 基于改进遗传算法的异构多无人机任务分配[J].火力
与指挥控制. 2013,38(5):37-41.
[72] Liu Zhong, Quan Luo, Dingwen, Shi-Dong Qiao, Jian-Mai Shi, Wei-Ming Zhang.
A Task Assignment Algorithm for Multiple Aerial Vehicles to Attack TargetsWith
Dynamic Values[C]. IEEE TRANSACTIONS ON INTELLIGENT
第 82 页
 国防科学技术大学研究生院工学硕士学位论文

TRANSPORTATION SYSTEMS: IEEE; 2013.

[73] Deng Qibo, Yu Jianqiao, Wang Ningfei. Cooperative task assignment of multiple
heterogeneous unmanned aerial vehicles using a modified genetic algorithm with
multi-type genes[J].Chinese Journal of Aeronautics. 2012,26(5):1238–1250.
[74] 林 林, 孙其博, 王尚广, 杨放春. 基于时间窗的多无人机联盟任务分配方法
研究[J].电子与信息学报. 2013,35(8).
[75] Lin Lin, Sun Qibo, Wang Shangguang, Yang Fangchun1. Research on PSO Based
Multiple UAVs Real-Time Task Assignment[C]. Chinese Control and Decision
Conference (CCDC): IEEE; 2013. p. 1530-1536.
[76] Mr. Timothy R. Owings. Unmanned Aircraft Systems Update. AUSA’s ILW Army
Aviation Symposium and Exposition, 2011.
[77] 刘文, 甘志春, 李文, 王更辉. 基于 XML 和 JSON 的格式化网络参数文件研
究[J].计算机与网络. 2014,24:54-57.
[78] 李耐国. 军事情报研究[M]. 北京: 军事科学出版社; 2001.
[79] 魏凯, 史红伟. 无人机任务能力需求分析[J].飞航导弹. 2014(2):25-29.
[80] 朱 菲菲, 刘贺 军 . 无人 机任务 载荷的 技术现 状和发 展趋势 [J]. 电光系统 .
2013(2):16-21.
[81] 陈世平. 关于遥感图像品质的若干问题[J].航天返回与遥感. 2009,30:10-17.
[82] 时红伟, 陈世平. 一种面向用户任务需求的遥感图像质量标准-NIIRS[J].航天
返回与遥感. 2003,24(3):30-35.
[83] 白宏刚. 基于 NIIRS 的遥感系统像质预估与评价方法研究 [D]. 西安: 西安电
子科技大学; 2010.
[84] John Pike. National Image Interpretability Rating Scales
http://www.fas.org/irp/imint/niirs.htm1998. ; .
[85] 吴 江, 陈宗基. 基于本体的多无人机系统语义互操作方法[J].上海交通大学
学报. 2011,45(2):290-294.
[86] Rudi Studer, V. Richard Benjamins, Dieter Fensel. Knowledge Engineering:
Principles and Methods[J].Data and knowledge engineering. 1998,25(1):161-197.
[87] 张倩倩. 基于语义 Web 的作战文书理解关键技术研究. [D]. 杭州: 杭州电子
科技大学; 2013.
[88] 杨晓冬. 基于本体的作战文书分词的关键技术研究 [D]. 杭州: 杭州电子科技
大学; 2013.
[89] 王会颖, 倪志伟, 吴 昊. 求解多维背包问题的 MapReduce 蚁群优化算法[J].计
算机工程. 2013,39(4):248-253.
[90] 龙涛, 沈林成, 朱华勇, 牛轶峰. 面向协同任务的多 UCAV 分布式任务分配与
协调技术[J].自动化学报. 2007,33(7):731-737.

第 83 页
国防科学技术大学研究生院工学硕士学位论文

第 84 页
 国防科学技术大学研究生院工学硕士学位论文

作者在学期间取得的学术成果

作者攻读硕士期间发表的论文：
[1] 马纯超,朱华勇,方斌,尹栋. RRT 算法在无人机三维航迹规划的应用[C].国防科
技前沿论坛,2013(10).
[2] 马纯超,尹栋,朱华勇.网络化战场环境下多无人机调度问题研究[J].火力与指挥
控制.2014(已录用).

第 85 页