谁家漫影群蜂舞，何处凝神一气击——浅谈无人机蜂群作战（一） 2016年10月，韩国报道300架无人机同时升空 2016年11月，中国报道67架固定翼无人机集群飞行试验，打破美国海军50架数量的世界纪录
图1：中国固定翼无人机集群飞行试验 2017年1月，美国报道，3架F/A-18F“超级大黄蜂”战斗机发射超过100架微型无人机。 近来上述几个消息的轮番登场，让“无人机蜂群作战”在短短几个月内成为炙手可热的军备话题。有朋友问，韩国300架无人机起飞先于我们的67架起飞，为什么反而说中国是打破了记录了呢？应当怎样解读上面的几个试验案例？中国无人机蜂群作战能力究竟如何？今天，我们就来聊聊这个话题。 一如既往，兵器迷的文章，首先聊技术原理。愿意啃墙皮的——走起！ 一、无人机蜂群作战的发展背景和技术原理 众所周知，军用无人机可以有效避免操作人员的伤亡，让载机方在使用时摆脱了由此产生的人道顾虑。而且无人机使用起来政治敏感度低：无人机侵入一国领空，要比有人机带来的负面影响小很多——大不了说一句无人机失控，设备故障，就很容易大事化小。所以进入二十一世纪以来，随着技术发展水平的不断提高，军用无人机的使用规模急剧扩大。这其中美军自然是头筹。2010年5月24日，美国陆军就已经宣布其无人机队突破100万飞行小时节点：截止当年4月14日，UAV无人机（Unmanned Aerial Vehicle）编队已经完成飞行1,002,731小时，其中88%是在伊拉克和阿富汗完成的作战任务。 然而，上述无人机的使用基本上是单机模式，即每一架无人都单独执行自己的特定任务。即便有多架无人机共同参与一个作战任务，无人机彼此之间也很少有直接的协同交互。 无人在持续发展的过程中，作战范围日益扩大，作战环境日益复，作战难度日益提高，因此单机模式也逐渐暴露出一些问题，比如： 无人机单机观察设备的角度有限，造成无法全方位连续侦查和攻击目标， 无人机单机一旦发生设备故障，容易导致整个任务被延迟，甚至取消， 无人机单机面临高威胁防空体系时，容易被拦截和毁伤，造成任务失败， 无人机单机的任务载荷，特别是弹药载荷有限，造成打击威力和效果受到限制， 此外，由于无人机单机被赋予越来越多察打一体的复杂任务，大中型无人机的成本也在快速攀升。比如捕食者A无人机基本型的价格，已经上升到200万-450万美元左右；全球鹰无人机的单机成本更是达到了4000万-7000万美元，甚至接近了三代有人战斗机的水平。如果算上控制系统、维护管理等所有开销，全寿命成本将更加惊人。比如，2014年12月，韩国军方宣布在2019年前将花费6.574亿美元(约合人民币41亿元)引进4架“全球鹰”并进行实战部署。这些无人机已经成为防空系统重点关照的高价值目标。一旦被击落，载机方面的经济损失是可想而知的。 在上述背景下，军工企业开始研究利用多架低成本无人机进行相互协同的作战模式。这就是我们今天的话题——无人机蜂群作战。 无人机蜂群作战的技术原理，是“集群智能”（Swarm Intelligence）。意思是众多无/低智能的个体通过相互之间的简单合作所表现出来的集体智能行为。集群智能与仿生学有很深的渊源，因为在自然界生物群体的一些协同现象是非常普遍的。比如蜜蜂筑巢、候鸟迁徙、鱼群游弋、象群远征、鹿群逃避、蚁群觅食…等等的群体协助行为，称之为群体行为（swarm behavior）。 在群体行为中，单个个体的行为会被临近的个体所影响，通过他们局部简单的相互交流，使得整体可以通过组织协作完成一些较为复杂任务。通过交互作用和协作行为，简单个体的协同集合可以表现出整体优势从而完成复杂任务。在复杂性技术中，这种现象叫做涌现（emergence）。 抛开这些概念，让我们先来看看，群体行为中的集群智能，有哪些些非常重要的特点： 第一：个体简单性：群体中的每一个个体可以相对简单，并不需要完成复杂任务所需要的较高智能。群体中的每个个体，并不能，或者并不需要直接得知整个群体的信息，而只能，或只需要感知一部分信息。群体中的个体具有十分简单的自治个体的规则，只需要最小智能，因而具有简单性（这对控制无人机的单价成本具有重要意义）。 第二：控制分散性：群体中包含的所有个体是完全分散的，没有中心控制。也就是不会因为单个体或少数几个个体出现不确定的状况而影响全局。因此整个群体的健壮性较高，或者说群体整体具有更强的稳定鲁棒性（robustness）（这对无人机群的抗摧毁性和自愈性具有重要意义）。 第三：联系有限性：群体中的相邻个体之间，可以彼此直接交换有限的信息；或者彼此不直接交互信息而是通过环境探查间接获取相关信息，不需要或不可能群体中的每个个体与其他所有个体发生信息交流。 第四：群体智能性：在个体简单性、控制分散性和联系有限性的基础上，群体却可以在适当的进化交互过程中表现复杂行为涌现出来的智能( Emergent Intelligence) ，而这种智能是单个个体无法做到的。 这位说：要吐了…… 确实，墙皮有点厚。仅仅说概念、规则，当然过于抽象。那么下面，咱们就通过基于仿生学发展起来的两个著名算法，对集群智能的原理做一个简单的介绍。兵器迷尽量将论文里的语言白话，希望大家看得顺溜一些。 1 蚁群算法(Ant Colony Optimization Algorithm, 简称ACO)。蚁群算法，又称蚂蚁算法，是由Marco Dorigo在1992年的博士论文中提出的。其灵感来源于蚂蚁在寻找食物过程中发现食物源和到达路径的行为。 ACO算法的基本含义只有三点： 首先，都在没有事先告诉蚂蚁们食物源在什么地方的前提下，单个蚂蚁开始寻找食物。 然后，当一只蚂蚁找到食物后，它会向环境释放一种挥发性分泌物——信息素（pheromone ），信息素浓度的大小表明了食物源的远近程度，即食物信息素（还有一种蚁窝信息素，我们简略不提了）。而且该物质随着时间的推移会逐渐挥发消失。 第三步，食物信息素会吸引吸引其他的蚂蚁过来，这样越来越多的蚂蚁就会找到食物，它们在搬运食物的过程中也会释放信息素吸引更多的蚂蚁。 那位喘了口气，看来这也并不复杂啊。 没错，寻找食物源的任务已经完成了。下面就说这个机制中稍微复杂一点的任务：寻找最短路径 因为蚂蚁众多，发现同一个食物源的蚂蚁可能不止一只，所以它们寻找这个食物源的道路可能也是不同的。这样就有多条从蚁穴通往食物源的道路。假设有2条这样的道路：较近的A路，和较远的B路。 一开始，被A、B两条道路上的信息素吸引的蚂蚁都很多。然而，由于A路比较近，往返的时间短，因此单位时间内走完A路的蚂蚁就多，释放的信息素也就多；同时，A路较近通过的时间短，也会形成A路上的信息素挥发消失的程度比B路低。因此，B路上的信息素就越来越多，浓度也越来越高，被吸引的蚂蚁也就越来越多，最后，大多数蚂蚁都被吸引到最短的路径A上来了。 找到了食物源，又找到了最短路径，算法到这里本来就结束了。但，还有一个问题没有解决。就是局部最优解的陷阱。 对高中代数还有印象的同学，也许会问：这样的蚁群算法是否会造成局部最短路径并非全局最短路径的问题。这是很有道理的质疑。但是说也奇怪，现实生活中，实际上蚁群总是逐渐接近全局最短路径的。原因竟然是——蚂蚁会“犯错误”。 也就是说，蚂蚁会按照一定的小概率，不往信息素高的地方走，而是另辟蹊径，走出一条新路来。如果这条新路真能够比现有路径更短，那么根据上面谈到的最短路径形成机制，其他的蚂蚁会逐渐被吸引过来。通过这样的偶然的“错误”，蚂蚁有效避免了局部最优解不是全局最优解的问题。 蚁群就是通过这样一个简单的机制，实现了发现目标（食物）和为群体寻找距离目标最短路径的两项复杂任务。 有点意思了吧？ 接着往下看。 2 人工蜂群算法(Artificial Bee Colony Algorithm, 简称ABC)蜜蜂是常见的一种群居昆虫，群内数量可达数万只。虽然单个蜜蜂的的行为很简单，但是群体却表现出极其复杂的行为。人工蜂群算法的起源，是诺贝尔奖得主、奥地利人K.VON.Frisch发现的。2005年土耳其大学的D.Karaboga正式提出了基于蜜蜂采蜜的ABC人工蜂群算法，该算法具有简单和鲁棒性强的特点，在非限制性数值优化函数上比常见的启发式算法具有更加优越的性能，用于解决多峰值函数的问题。 此外另有基于蜜蜂繁殖的算法由Abbass于2001年提出，称为蜜蜂交配优化算法honey bee mating optimization HBMO。用于解决金融分类信贷风险估计、避开障碍物等路径规划问题，本文不做详细介绍。 ABC算法建立在蜜蜂自组织机制和集群智能的基础上。其最小搜索模型主要包含以下几个要素： 1） 食物源(food source): 与蚁群算法ACO中的信息素不同，ABC算法用一个参数“收益率”（profitability），来表示食物源的质量，包含食物源离蜂巢的远近、花蜜的丰富程度和获得花蜜的难易程度等各个因素。 2 ）采蜜蜂（Employed foragers，简称EF）：这种蜜蜂数量不多，它保存有某个食物源收益率的所有信息。如果它号召其他蜜蜂也来这个蜜源采蜜，这个采蜜蜂就被称为引领蜂Leader。 3 ）待采蜂（Unemployed foragers，简称UF）：这种蜜蜂其实分为两种，一种是飞出去寻找和侦查食物源的侦查蜂Scouter，另一种是等待在蜂巢获取食物源信息的跟随蜂Follower。 蜂群算法的机制也是只有三点，如下： 首先，待采蜂中的侦查蜂，大约占蜂群的15-20%，飞出去寻找蜜源。 第二：找到蜜源后的侦查蜂采蜜并保存蜜源收益度信息，转化成为采蜜蜂。随后采蜜蜂返回将蜜留在蜂巢。第三：随后，采蜜蜂有以下三种选择 A: 如果蜜源收益率较高，采蜜蜂就通过摇摆舞与蜂巢中的跟随蜂分享蜜源信息，吸引它们随自己前往蜜源采蜜，因此转化为引领蜂。而那些被成功号召随它去采蜜的跟随蜂，就会转化为采蜜蜂。*采蜜蜂的摇摆舞是蜜蜂之间交换信息是最为重要的一环。摇摆舞的持续时间长短，是表现蜜源收益率的重要指标，跟随蜂被招募到一个蜜源的概率与蜜源的收益率，也就是与摇摆舞的视觉长短是成正比的。 B: 如果蜜源收益率一般，只值得采蜜蜂自己一个去继续采蜜就好了，它就继续做自己的采蜜蜂。 C：如果蜜源收益率很低，采蜜蜂就放弃继续采蜜，转化为待采蜂。这时它既可以出去侦查成为待采蜂中的侦查蜂，或者留在蜂巢成为待采蜂中的跟随蜂。 在整个ABC算法寻找最优解的过程中，不同角色的蜜蜂起到了不同的作用： 采蜜蜂：保存优良蜜源，即目标信息的作用 引领蜂：传达蜜源质量和位置信息，即沟通分享的作用 跟随蜂：增加了优良蜜源对应的蜜蜂数目，既起到了提高算法收敛速度的作用 侦查蜂：随机搜索新的蜜源，能帮助算法跳出局部最优解，达到全局最优 认识了这两种算法，我们小结一下： 蚂蚁算法ACO值得注意的是： 蚂蚁个体之间并没有直接的关系，而是每只蚂蚁都和环境中的信息素发生交互。比如：一只蚂蚁找到了食物，它并没有直接告诉其它伙伴这里有食物，而是向环境播撒食物信息素。而通过信息素这个纽带，将蚁群内的各个个体有效关联起来。这比蜂群需要通过摇摆舞的直接联系更加巧妙和安全，系统的抗毁性更好——即便找到食物的蚂蚁死了，一定时间内它的信息素仍然能够引导其他蚂蚁找到食物源。 蚁群算法是一种模拟进化算法，研究表明该算法具有许多优良的性质。国内某单位将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有很高的有效性和应用价值。 而蜂群算法ABC算法值得注意的是： 侦查蜂、等待蜂、采蜜蜂、引领蜂不同角色，一方面承担的任务各不相同，实现了专业化分工；另一方面，在多种情况下，各种角色可以有条件转换，这同样使得系统的抗毁性更好。相对于其他算法，人工蜂群算法的优点是，它在每次迭代时都进行局部搜索，因此找到最优参数的概率和速度也相应提高。国内的研究表明，相对于蚁群算法、遗传算法、微粒群算法等其他仿生智能算法，人工蜂群算法具有很好的全局搜索能力和局部搜索能力，不易陷入局部最优解，且易收敛。 当然，蚁群ACO和蜂群算法都采用了一定概率的随机搜索，用来避免局部最优解对全局优化的干扰，可以说是异曲同工之妙。 无论是蚁群算法ACO，还是蜂群算法ABC，都透着大自然鬼斧神工的神奇和幽密。兵器迷写到这里，不由得想起侏罗纪公园中的一句台词： 生命总是能找到它自己的出路（Life finds its way） 了解了生物集群智能的基本原理，那么无人机蜂群作战又有哪些具体的技术设计要求呢？开篇提到的美国、中国和韩国的无人机机群试验又各自有哪些特点和优劣？ 预知后事如何，且听下回分解。 注：所有资料来自于互联网公开报道和公开出版物，如： 《美军无人“蜂群”作战技术发展分析》 《基于蜂群算法的无人机群协同飞行》 《人工蜂群算法的无人机航路规划与平滑》 《无人机蜂群作战趋势》 本文同时引用了互联网和央视的视频截图和图片，在此一并致谢 更多文章，请见个人博客 http://blog.sina.com.cn/s/articlelist_1455885643_0_1.html |
|
|
