关键词 群体智能; 人工智能; 拓扑切换; 无人机集群;

摘要 受生物群体活动的启发,无人集群开始应用于遥感探测、信息中继、智能对抗等各个领域,相较于单个无人平台表现出更强大的环境适应性、更稳健的系统鲁棒性和更丰富的任务能力.作为集群行为的前提和保障,无人集群需要依赖稳健可靠的集群内部通信.通信资源的稀缺、环境的复杂对抗也对集群内部通信提出了更高要求.然而,关于无人集群通信的现有研究在通信的有效性、可靠性、安全性等方面仍然较为薄弱,集群系统的自主性、协同性、智能化水平还有待优化提升.本文重点聚焦以自组织网状网为代表的无人机集群通信网络,结合群体智能理论和认知无线电技术,建立面向无人机集群的群体智能协同通信模型,并阐述基于群体智能的多域立体协同感知技术,最后对下一步发展方向进行展望.

关键词 无人集群; 群体智能; 协同通信; 群智感知; 认知无线电; unmanned cluster; swarm intelligence; cooperative communication; swarm intelligent sensing; cognitive radio;

摘要 互联网技术的发展对软件开发技术、运行形态和服务模式都产生了前所未有的影响,以开源和众包为代表的大规模群体协作实践所蕴含的群体智能机理为网络时代的软件开发带来重大启示.本文以开源和众包大规模实践为案例,深入分析了开源创新和众包生产模式,凝练提出了以大众化协同、开放式共享和持续性评估为核心的群智软件开发机理,从群体协作基础环境、群体协作机制模型和群体协作支撑技术3个方面,深入讨论了基于群智的群体化软件开发服务环境涉及的关键要素以及我们的开源实践,并提出了群智软件开发未来面临的重大挑战,希望能为网络环境下基于群智的群体化软件开发提供有益的视角和借鉴.

关键词 开源; 众包; 群智; 群体化开发; 大众化协同; 开放式共享; 持续性评估; open source; crowdsourcing; crowd intelligence; crowd development; crowd collaboration; open sharing; continuous evaluation;

摘要 集群无人系统是近年来国内外军事领域的研究重点,正在推动无人作战样式由"单平台遥控作战"向"智能集群作战"发展,支撑作战系统在不确定任务和环境下具备协同、自主、灵活的特性.集群的整体性能取决于其成员系统及成员之间的相互关系,且随时间、环境变化而动态演化,系统间交互涌现出新智能.本文从集群无人系统结构演化机理入手,构建集群无人系统从底层链路到集群系统再到任务需求的三级结构与关系模型,并用图神经网络将多维空间关系模型转化为二维的图表示模型,构建出集群无人系统中系统之间以及层级之间的关系依赖图.整个图网络以任务为标准分类,提出了用递归神经网络描述层内关系和层间关系的方法,并给出了实现算法,利用训练数据集基于任务的节点属性标签,对集群无人系统的结构进行预测.以此为基础,可以进一步实现对结构依赖关系的权重参数学习,得到系统或链路损坏对任务层的影响,实现集群无人系统从作战任务到集群结构的自主决策.

关键词 集群无人系统; 自适应结构; 图神经网络; 演化; 智能涌现; 结构预测; swarm unmanned system; adaptive structure; graph neural network; evolution; intelligent emergence; structure prediction;

摘要 无人机通常是指由无线电遥控或者由自主控制算法控制的不载人飞行器.相比于有人机,无人机在执行危险任务等方面有着很大的优势,但是目前还没有能够应对高强度空战的无人机系统.此外,在执行空战任务时,单一无人机的鲁棒性往往得不到保证,而多无人机系统不仅能保证鲁棒性,还能通过饱和攻击的方式提高任务的成功率.因此,本文对基于群体智能的多无人机空战系统进行了研究.针对多无人机协同飞抵空战场并完成作战任务的问题,本文对飞机的空气动力学模型和飞机路径上的威胁区域进行了建模,并利用蚁群算法完成了无人机飞抵空战场的航迹规划.在单无人机有限状态机控制算法的基础上,结合多无人机协同,提出了一种多无人机自主控制算法以提高无人机集群在空战中的成功率.本文还搭建了一套仿真平台,对所设计算法的有效性进行了相关测试.

关键词 多无人机协同; 群体智能; 蚁群算法; 航迹规划; 自主控制; multi-UAV cooperation; swarm intelligence; ant colony algorithm; path planning; autonomous control;

摘要 目标搜索问题是现实中一类常见的问题,如灾难现场搜救、战场目标侦察等.无人机由于其灵活性、低成本、可搭载各类传感器并以集群形式开展协作等优势,是解决大范围、高风险区域目标搜索问题的理想技术方案,当前发展迅速.在战场等复杂现实环境中,由于缺乏基础通信设施及干扰的存在,无人机与地面指挥员、无人机之间难以快速、可靠通信,处于通信拒止状态.因此,无人机难以获得指挥员的实时控制信息,需要其具备自主、智能完成任务的能力并开展协同.随着人工智能技术的快速发展,强化学习技术在解决连续决策问题上展现出了较强的潜力.无人机搜索问题作为一种典型的连续决策问题,属于强化学习技术的适用范围.但对于目前的强化学习及人工智能技术能否适用于无人机从而自主决策完成现实场景中的任务这一问题尚存争议,仍有待进一步探索.为此,本文以现实战场环境为背景,对通信拒止及包含两方对抗的战场环境中的目标搜寻问题进行了建模,依据模型构建了对抗仿真平台,并通过实验研究的方式针对以下3个问题展开了探索:(1)强化学习在通信拒止环境下多无人机搜索问题的适用性;(2)各强化学习算法在该问题上的优劣;(3)通信拒止程度对强化学习算法效果的影响.通过运用当前主流的强化学习技术开展仿真实验并定量评估实验结果.本文总结发现:(1)强化学习在解决通信拒止环境下多无人机搜索问题上具备有效性;(2)在与其他算法对抗时,运用基于Deep Q-Network (DQN)强化学习技术的自主决策无人机集群体现出了较强的问题解决能力;(3)通信拒止程度对强化学习算法效果有影响,但在不同的通信拒止程度下,强化学习算法表现相对稳定.

关键词 无人机; 强化学习; 目标搜寻; 通信拒止环境; UAV; reinforcement learning; target searching; communication denied environments;

摘要 求解非线性方程组要求在一次运行中同时求解(联解)其多个根,在数值计算中这是一项重要但困难的工作.为了实现非线性方程组多根求解,本文提出了一种改进的环拓扑混合群体智能算法,其主要特点是:(i)设计一种改进的环形拓扑结构,以弥补基于下标的相邻个体在搜索空间上不相邻的缺点,进而能更有效利用邻域信息;(ii)采用混合的群体智能方法以提升算法的搜索能力;(iii)引入个体重新初始化机制,以增强群体多样性.为了验证算法的性能,选择8个含有多个根的非线性方程组作为测试集.实验结果表明,所提出的方法不仅能在一次运行中找到多个根,而且与代表性算法对比,在找根率和成功率上有着显著优势.

关键词 非线性方程组; 群体智能; 多根联解; 人工蜂群算法; 环拓扑; nonlinear equations; swarm intelligence; simultaneously multiple roots locating; artificial bee colony; ring topology;

摘要 分布式编队控制是集群智能控制重要的基础性研究课题之一.拒止环境和多任务需求对编队控制提出了新的挑战.本文研究了高阶线性集群系统在拓扑切换情况下的分布式分组时变编队跟踪控制问题.在本文所提出的集群系统模型架构中,智能体被分为3类:虚拟领导者、分组领导者和跟随者.虚拟领导者为整个集群系统宏观运动提供参考轨迹或者跟踪指令.分组领导者一方面跟踪虚拟领导者所提供的轨迹或指令;另一方面通过与其他分组领导者之间的相互协作实现各分组之间的协同配合.跟随者实现对各自分组领导者的时变编队跟踪.在拓扑切换和外部扰动同时存在的情况下,基于智能体之间的局部有限邻居节点之间的相对信息反馈和滑模控制理论构造了分布式分组时变编队跟踪控制协议,并给出了控制协议中未知参数的求解算法,进而利用李雅普诺夫(Lyapunov)理论证明了集群系统在拓扑切换和外部扰动同时存在情况下的闭环稳定性.最后,数值仿真结果验证了本文提出的控制方法能够实现集群系统分组时变编队跟踪控制,并可应用在以无人机集群为代表的实际物理模型中.

关键词 拒止环境; 高阶线性集群系统; 分组时变编队跟踪; 拓扑切换; 外部扰动; denial environment; high-order linear cluster systems; time-varying group formation tracking; switching topologies; external disturbances;

摘要 高清图像(高分辨率图像)前景遮罩提取问题是图像合成、自动前景提取等图像处理领域的热点难题,其本质是前景背景像素对的大规模组合优化问题,目前相关研究成果较少.本文针对问题维度过高难以直接求解这一问题,设计了基于RGB聚类的多类协同优化策略,以实现决策空间的有效降维;给出协同目标反馈的分组优化策略,通过将协同目标中的最优前景背景像素对作为启发式信息反馈给每个分组,实现大规模组合优化问题的分组协同求解.在分组优化策略的基础上,论文提出了基于分组协同的群体竞争优化算法(competitive swarm optimization algorithm based on group collaboration,GC-CSO),为高维优化问题分析提供了借鉴.为了验证所提方法的有效性,本文选用alpha matting基准数据集作为测试数据,通过与群体竞争优化算法、典型带分组策略的大规模优化算法进行对比分析,验证了:(1)基于RGB聚类的协同优化策略可以显著地降低问题维度;(2) GC-CSO算法提高了高清图像前景遮罩的提取精度.

关键词 高清图像; 前景遮罩; 大规模优化; 协同优化; 群体竞争优化; high-resolution images; alpha matting; large-scale optimization; cooperative optimization; competitive swarm optimizer;