量子計算在多無人機協(xié)同搜索路徑規(guī)劃中的應用P1摘要無人機全稱“無人駕駛飛行器”（UnmannedAerialVehicle），英文縮寫為“UAV”，是利用無線電遙控設備和自備的程序控制裝置操縱的不載人飛機。它涉及傳感器技術、通信技術、信息處理技術、智能控制技術以及航空動力推進技術等，是信息時代高技術含量的產物。無人機價值在于形成空中平臺，結合其他部件擴展應用，替代人類完成空中作業(yè)。隨著無人機研發(fā)技術逐漸成熟，制造成本大幅降低，無人機在各個領域得到了廣泛應用，除軍事用途外，還包括農業(yè)植保、電力巡檢、警用執(zhí)法、地質勘探、環(huán)境監(jiān)測、森林防火以及影視航拍等民用領域，且其適用領域還在迅速拓展。多無人機協(xié)同能夠遂行軍事和民事領域多項任務，包括區(qū)域偵察、搜索救援、地形勘察等，相比于單機具有更高的任務執(zhí)行效率與容錯性，已成為無人機發(fā)展的必然趨勢。多無人機協(xié)同搜索是利用無人機攜帶傳感器偵察任務區(qū)域，并使用通信網絡共享探測信息，實現(xiàn)對目標的捕獲。協(xié)同搜索規(guī)劃是引導多無人機高效執(zhí)行目標捕獲任務的關鍵技術之一，已經得到了廣泛的研究。為保證協(xié)同搜索效能，便于無人機認知當前環(huán)境信息并根據探測信息合理規(guī)劃搜索路徑，需要進行合理的搜索環(huán)境建模并設計高效的協(xié)同搜索規(guī)劃方法。本課題重點研究構建不確定條件下無人機協(xié)同工作任務規(guī)劃模型，并設計基于量子計算的快速、高效的求解算法，實現(xiàn)快速地在線重規(guī)劃，獲得最大的工作效能。本文的主要工作內容如下：（1）分析典型多無人機協(xié)同任務規(guī)劃模型及相關算法的研究和應用現(xiàn)狀。（2）研究、分析量子計算算法的優(yōu)勢、特點。（3）分析典型的任務規(guī)劃模型及相應算法的關鍵技術。（4）建立任務規(guī)劃模型，設計基于量子計算的求解算法，探討多無人機協(xié)同工作的機理，求解多無人機協(xié)同工作最優(yōu)的任務規(guī)劃方案。關鍵詞無人機量子計算任務規(guī)劃第一章緒論 11.1研究背景與意義 21.1.1無人機的發(fā)展歷史 31.1.2量子算法介紹 31.1.3研究背景 31.1.4研究意義 41.2國內外研究現(xiàn)狀 21.2.1國內研究現(xiàn)狀 31.2.2國外研究現(xiàn)狀 31.2.3研究現(xiàn)狀總結 31.3論文主要研究內容 21.4論文章節(jié)安排 2第二章基于重訪機制的多無人機協(xié)同區(qū)域搜索問題分析與建模 12.1引言 22.2問題描述 22.3多無人機協(xié)同區(qū)域搜索組成要素 22.3.1無人機運動模型 32.3.2傳感器模型 32.3.3搜索信息圖構建與更新 32.3.4協(xié)同搜索規(guī)劃模型 32.3.5滾動優(yōu)化架構 32.3.6重訪機制 32.4仿真分析 22.5本章小結 2第三章優(yōu)化傳感器的多無人機 13.1引言 23.2問題描述 23.3多無人機協(xié)同任務規(guī)劃組成要素 23.3.1無人機運動模型 33.3.2傳感器模型 33.3.3搜索信息圖構建與更新 33.3.4任務規(guī)劃模型 33.3.5量子算法 32.3.4搜索信息圖構建與更新 33.4仿真分析 3.5本章小結 第四章總結與展望 1

緒論研究背景與意義無人機的發(fā)展歷史自從1903年萊特兄弟的第一架飛機試飛成功開始，人類對天空的探索就從未停止過。無人機最應早用于戰(zhàn)爭之中，主要用來進行戰(zhàn)場偵察以及作為訓練用的靶機。小到環(huán)境監(jiān)測、高空攝影，大到軍事打擊、航空航天等領域，無人機都能大大提高執(zhí)行任務的效率。無人機作為一種飛行工具，能夠在無飛行員在機上進行操作的情況下進行飛行。隨著無人機技術的發(fā)展，無人機在各個領域都得到了廣泛的應用。無人機按照技術可劃分為無人固定翼機、無人直升機、無人多旋翼機等，固定翼機對于起飛與落地的環(huán)境要求較高，但其飛行時間更長，在此特定狀態(tài)下適合長距離、長時間的任務；多旋翼機更加靈活，起降時對環(huán)境要求低，但其穩(wěn)定性、飛行時間、飛行距離不如固定翼機，故其適合環(huán)境復雜的任務。無人機按照應用領域可劃分為軍用無人機和民用無人機兩大類，軍用無人機主要用于情報偵察、軍事打擊、信息對抗、通信中繼、后勤保障等方面，民用無人機用途廣泛，其應用領域包括：高空攝影、地質測繪、環(huán)境監(jiān)測、防災救災等諸多領域。現(xiàn)代無人機正在朝著微型化、智能化、數(shù)字化方向發(fā)展，新型無人機將采用最先進的隱身技術，采用復合材料、雷達吸波材料和低噪聲發(fā)動機機載設備將向模塊化方向發(fā)展，機載設備采用模塊化設計后，無人機可以根據不同的任務搭載不同的設備，實現(xiàn)一機多用的功能。現(xiàn)代戰(zhàn)爭是推動無人機發(fā)展的基本動力。目前無人機在軍事領域的應用得到了廣泛的關注，由于無人機的成本較傳統(tǒng)的有人駕駛的飛機更低，并且體積更小，更加靈活輕便，可以大大降低軍費開支，降低飛行員傷亡率，得到了各個國家的青睞(林一博,王梓萱,2022)。越來越多的研究人員開始進行無人機的研究，無人機在軍事方面的研究主要集中在航跡規(guī)劃、編隊控制等方面。在無人機的各種用途中，搜索是無人機最主要的用途，用于搜索的無人機一般稱作偵察無人機，典型的偵察無人機包括中國的無偵-5型無人遠程偵察機、以色列的“搜索者”無人偵察機、美國的“全球鷹”無人偵察機、英國的“不死鳥”無人偵察機等。隨著無人機技術的發(fā)展，對無人機的單機任務規(guī)劃研究從19世紀60年代開始進行。到了19世紀90年代后，由于戰(zhàn)場環(huán)境變得更加復雜，在此類條件中并且各個國家的各種防空系統(tǒng)也在進行發(fā)展，單無人機已經不能滿足此時的任務需求，所以對多無人機任務規(guī)劃的研究成為了目前對無人機任務規(guī)劃研究的熱點(馮晨昊,李映雪,2023)。量子算法介紹1980年Benioff和Manin等先后提出了量子計算的概念,1982年費曼設想利用量子計算機進行高效的量子模擬，Deutsch于1985年完善了量子計算機的概念，并提出了量子平行計算的概念。然而1985年至1994年的十年里,量子計算沒有引起世界上的重視。直到1994年，量子算法取得突破，最著名的兩個量子算法，Shor質因數(shù)分解算法和Grover搜索算法相繼被提出，顯示了量子計算的強大功能，大大推動了量子計算的研究，使得量子計算成為國際上的持續(xù)研究熱點。但是在此之后量子算法的后續(xù)發(fā)展緩慢，Shor在2003年提出了著名的Shor之問,詢問為什么沒有發(fā)現(xiàn)更多的量子算法。2009年以后，多個重要的新量子算法被發(fā)現(xiàn)，如求解線性方程組的量子算法，稀疏Hamiltonian體系的酉算符線性疊加算法，取得計算精度的指數(shù)改進的量子系統(tǒng)的新模擬算法等。[1]目前發(fā)展比較成熟量子算法的有QAOA（量子近似優(yōu)化算法）、HHL、Grover（量子搜索算法）、Shor算法等(高云飛,孫芷晨,2021)。QAOA是一個多項式時間的近似優(yōu)化算法，作為一種近似算法，它并不會給出問題的最優(yōu)結果，而是給出一個接近最優(yōu)的結果，該算法一般用于解決組合優(yōu)化問題。HHL算法解能夠求解線性方程。線性系統(tǒng)是很多科學和工程領域的核心，由于HHL算法在特定條件下實現(xiàn)了經典算法的指數(shù)加速效果，所以該算法能夠在數(shù)據處理、機器學習、數(shù)值計算等場景具有廣泛應用(薛宇峰,馬思敏,2021)。Grover算法，它適用于解決如下問題：在一個無序數(shù)據庫中搜索數(shù)據。Grover算法的用途很廣，可以尋找最大值、最小值、平均值等(林子昂,張雅麗,2022)。Shor算法的核心是利用數(shù)論中的一些定理，將求一個正整數(shù)N的質因子分解轉化為求某個函數(shù)的周期。其基本思想是，首先利用量子并行性通過一步計算獲得所有的函數(shù)值，然后通過測量函數(shù)得到相關聯(lián)的函數(shù)自變量的疊加態(tài)，并對其進行量子快速傅里葉變換，從而得到其質因數(shù)。研究背景20世紀80年代以前，無人機的航跡規(guī)劃主要依靠地面人員的手工操作，隨著防空技術的飛速發(fā)展，考慮到這種背景人工規(guī)劃的航跡由于精確度低、耗時長等缺點，已經不能滿足需要。因此，針對無人機的自動航跡規(guī)劃便提上日程。由于無人機飛行的環(huán)境日益復雜以及無人機性能逐漸提高，無人機的航跡規(guī)劃對無人機的時效性、處理位置環(huán)境能力、求解速度等提出了更高的要求(王俊凱,趙月華,2020)。考慮到外界條件可能會對結果造成偏差，本文在設計與實踐環(huán)節(jié)設置了多重手段來維護數(shù)據的準確性與方案的牢固性。首先探究了可能對執(zhí)行效果構成威脅的所有外部因素，隨后在設計階段加入了環(huán)境變異分析，通過模擬各類外部狀況評估其潛在影響，并基于這些分析結果修改設計方案，提高其適應外界變化的能力和穩(wěn)健性，確保其始終有效且相關。為了確保復雜環(huán)境中多無人機能夠安全、快速地執(zhí)行任務，降低被敵方雷達捕獲、摧毀的概率，需要設計滿足一定約束條件及性能指標最優(yōu)的航跡。多無人機的航跡規(guī)劃需要考慮以下幾個因素：根據這一背景安全性、局限性、協(xié)同性、實時性。安全性是無人機航跡規(guī)劃的首要考慮因素，安全是無人機能夠完成飛行任務的前提；局限性是由于無人機的物理條件限制，存在最大轉彎角度、最低與最高飛行高度、最大爬升與俯沖角度等條件約束無人機的航跡規(guī)劃(孫浩然,郭婷婷,2023)；協(xié)同性會讓多無人機的協(xié)同更加高效；實時性保障了無人機之間的信息交流的有效性。研究意義單無人機搜索由于搜索范圍、傳感器精度等因素限制，面對復雜的環(huán)境，其性能易受到限制。一旦單無人機在任務中途發(fā)生故障，任務就會中斷甚至失敗。多無人機協(xié)同搜索相比于單無人機具有更高的效率與更好的容錯率，多無人機可以利用通信網絡共享搜索信息，可以提高單次執(zhí)行任務的效率。依此背景而定多無人機協(xié)同搜索是無人機執(zhí)行各種任務的前提條件，只有更快地進行任務區(qū)域的搜索，更加精確地發(fā)現(xiàn)任務目標，才能更好地執(zhí)行任務。為了達到多無人機協(xié)同搜索的目的，并且提高無人機任務執(zhí)行效率和完成質量、增強無人機在復雜環(huán)境中的應變能力，必須研究多無人機的信息搜集、數(shù)據分析、任務分配、航跡規(guī)劃、編隊控制、通信網絡等多個技術，并研究多項技術間的協(xié)同作用。多無人機協(xié)同任務規(guī)劃是一種必然趨勢(李明杰,陸晨曦,2020)。進行多無人機協(xié)同任務規(guī)劃，首先要進行信息搜集，并對搜集到的信息進行整理；其次對各種信息進行分析，對無人機進行航跡規(guī)劃；最后，搭建模擬多無人機協(xié)同搜索的虛擬仿真平臺和實物演示平臺，驗證相關算法的可行性和有效性(陳若愚,吳雨桐,2021)。本文討論的任務場景為未知信息的區(qū)域，由于區(qū)域的信息未知，多無人機協(xié)同任務規(guī)劃需要預先規(guī)劃好相關的算法，根據無人機搜集到的信息來自主規(guī)劃航跡。國內外研究現(xiàn)狀國內研究現(xiàn)狀中國對于無人機搜索規(guī)劃算法方面起步較晚，目前還處于發(fā)展階段，還需深入研究。田菁等人[2]提出了一種模型預測控制（ModelPredictiveControl，MPC）與遺傳算法（GeneticAlgorithm，GA）相結合的多無人機協(xié)同路徑規(guī)劃算法，該算法結合了MPC的預測能力和遺傳算法的優(yōu)化能力，從這些表現(xiàn)可以推測出文章將矩形搜索區(qū)域基于六邊形網格對其進行劃分，將網格劃分成六邊形的優(yōu)點是無人機每次運動到相鄰網格時都需要運動的路程都相同，文章還利用了基于貝葉斯準則更新的搜索信息圖來進行信息的描述，這種兩種模式結合的算法為多無人機協(xié)同搜索問題提供了一種高效的解決方法(楊文博,許欣怡,2023)。劉重等人[3]提出一種帶信息素回訪機制的多無人機分布式協(xié)同目標搜索方法，通過建立環(huán)境信息素地圖描述環(huán)境信息，可以由此看出并利用信息素“釋放-傳播-揮發(fā)”的特性，設計基于信息素的網格回訪機制，引導無人機對重點區(qū)域進行回訪，并且采用滾動優(yōu)化機制獲得無人機的最優(yōu)路徑，提高無人機捕獲目標的效率(張玉峰,李曉婷,2022)。孫陽光等人[4]提出了基于量子遺傳算法的無人機航跡規(guī)劃算法，該算法以量子計算為基礎，結合了遺傳算法，提出了一種量子遺傳算法（QGA），該算法利用表征量子疊加態(tài)的量子比特對航跡進行編碼，通過分別引入和設計具有量子特性的量子交叉和帶有方向性的量子旋轉門變異策略，引導并實現(xiàn)無人機搜索路徑的優(yōu)化。該算法的種群多樣性好，并且收斂速度快，面向全局的搜索能力強(王澤民,范嘉瑩,2021)。沈東等人[5]提出了基于修正目標概率圖（MTPM）和數(shù)字信息素圖（DPM）的多無人機協(xié)同廣域目標搜索滾動時域決策。在此特定情境下事實昭然若揭研究建立了基于滾動時域控制的協(xié)同搜索決策方法（MTPM-DPM-RHCmethod，MDR）(劉智偉,曾小雪,2022)。建立了基于滾動時域控制的協(xié)同捜索決策方法，該方法能夠有效降低無人機對目標的虛警概率和漏檢概率，提高無人機的遍歷率和回訪率，其中遍歷率高能夠提高無人機對慢速移動的目標的搜索能力，回訪率高能夠提高對快速移動的目標的搜索能力(沈浩然,朱怡婷,2019)。理論上講，只要方案的輸入信息與預期一致，其輸出就有望符合預期設計目標。詳細而言，若初始狀態(tài)與參數(shù)設定精確無誤，且所構建的模型或方法體系合理，則其產出將具備較高的可靠性和有效性。這既需要輸入數(shù)據的精確性，也依賴于分析結構的科學性、技術方法的先進性以及研究策略的合理性。此外，還需關注外部環(huán)境對結果的影響，確保研究過程的可控性和可驗證性，為結論的普遍接受度提供堅實基礎。曹云飛,方文潔等人[6]提出了基于博弈論的無人機搜索路徑規(guī)劃算法，該算法能夠在目標產生機動行為時對敵我雙方的行為進行充分的利用，基于本文的研究基礎我們對這種情況予以了審視使規(guī)劃出的路徑能夠完全覆蓋待搜索區(qū)域，并且能夠提高無人機搜索到目標的幾率。高子銘,邱慧敏等人[7]提出了一種基于Radau偽譜法的無人機集群飛行路徑規(guī)劃算法，使用該算法可以得到滿足狀態(tài)約束、路徑約束和控制約束的飛行軌跡，符合多無人機協(xié)同飛行的需求，具有較強的實用價值。國外研究現(xiàn)狀自從1991年的海灣戰(zhàn)爭中，無人機成功完成了戰(zhàn)場偵察、火炮校射、通信中繼、和電子對抗等復雜任務后，西方國家開始意識到了無人機在戰(zhàn)爭中的作用，便開始爭相進行無人機技術的研制，目前從事無人機研究的美國、以色列、俄羅斯、英國等近30個國家，無人機技術自此開始飛速發(fā)展(鄭昊天,魏琳娜,2021)：使用新型材料使得無人機更加堅固并且輕便；采用先進的信號處理與通信技術提高無人機的圖像傳輸速度；利用程序使得無人機不需要人為進行操控就能自主執(zhí)行各種任務。目前，無論是理論研究，在此情勢的作用下還是工程實踐方面，美國在多無人機任務分配領域都處在世界頂尖水平，其國內多所軍事院校、科研單位、軍火公司都曾以全球鷹、捕食者、X-45、X-47等無人機為背景，進行了多無人機的協(xié)同任務分配以及其他協(xié)同控制問題研究(李志遠,王雪琴,2022)[8]。針對無人機區(qū)域搜索的任務規(guī)劃問題，M(賈鵬飛,張慧萍,2022)I等人[9]提出了一種計算方便且快速的方法，該方法利用預先設定好的程序，使得無人機以掃描線的方法進行區(qū)域搜索，這種方法的優(yōu)點是能夠實現(xiàn)搜索區(qū)域全覆蓋，按照這種設定行事但是缺點也很明顯，即無人機搜索效率低無人機飛行路線無法更改、無人機難以應對突發(fā)事件等(陳思遠,李晨曦,2020)。針對上述方案的調試工作，本文從理論分析與實際驗證兩個層面展開。理論分析環(huán)節(jié)，深入探討了方案設計的基本原理與預期目標，通過構建理論框架與邏輯推理，為后續(xù)的實驗奠定了堅實的基礎。接著，在實際驗證階段，本文精心設計了一系列實驗，旨在檢驗方案的有效性與穩(wěn)定性。實驗過程中，嚴格執(zhí)行了信息收集與分析流程，以保障結果的可靠性。同時，為了深入探索方案在不同情境下的適用性，本文還考慮了多種典型應用場景，并針對每種場景對系統(tǒng)參數(shù)進行了調整。這一過程不僅驗證了方案的正確性與可行性，也為后續(xù)的研究提供了有價值的參考。PolycarpouMM等人[10,11]提出一種基于搜索信息圖的搜索方法，該方法用搜索信息圖來存儲目標和環(huán)境信息。基于搜索信息圖，無人機可以采用不同的搜索算法來規(guī)劃搜索路線。基于搜索圖的搜索方法首先是對整個搜索區(qū)域按照網格進行劃分，然后對劃分好的網格圖建立圖模型，最后采用合適的搜索算法在劃分好的網格圖上進行優(yōu)化搜索，規(guī)劃無人機搜索路徑(張逸凡,王靜怡,2023)。在此特定狀態(tài)下典型的圖模型包括占用圖模型[12,13]、概率圖模型[14]、不確定圖模型[15]、信息素圖模型[16]等。目前應用最多的區(qū)域劃分方法是將搜索區(qū)域劃分成矩形網格，這種劃分方式的優(yōu)點是模型建立簡單，計算方便。SujitPB等人[17]將搜索區(qū)域劃分成六邊形網格，這種劃分方法的優(yōu)點在于，無人機在由一個網格運動到任意相鄰網格的的路徑長度相同，但是這種方法的計算較為復雜(徐俊宇,趙月婷,2019)。YangYL等人[18]將機會學習方法應用于多無人飛行器協(xié)同搜索問題,該方法基于目標位置的先驗知識，對目標概率圖進行初始化,利用傳感器不斷采集周圍環(huán)境信息并貝葉斯規(guī)則來不斷更新概率圖，盡快減少目標位置的不確定性(郭文昊,劉梓晴,2022)。研究現(xiàn)狀總結目前，國內外的多無人機協(xié)同任務規(guī)劃研究主要集中在兩個方向：一是環(huán)境完全未知，由預先設定好的程序讓無人機進行搜索；二是在不確定環(huán)境下基于概率圖進行多無人機協(xié)同搜索(朱晨陽,趙琳琳,2021)。目前多無人機協(xié)同搜索規(guī)劃方法主要有遺傳算法（GeneticAlgorithm，GA）、粒子群算法（ParticleSwarmOptimization，PSO）、蟻群算法（AntColonyOptimization，ACO）、模擬退火算法（SimulatedAnnealingAlgorithm，SAA）等(林瑞達,王子怡,2020)。模擬退火算法的第一個想法是由N.Metropolis等人在1953年提出的。1983年，S.Kirkpatrick等人成功地將退火的思想引入了組合優(yōu)化領域。它是一種基于蒙特卡羅迭代求解策略的隨機優(yōu)化算法。它的出發(fā)點是基于固體物質的退火過程在物理上與一般的組合優(yōu)化問題之間的相似性(黃澤宇,孫靜宜,2023)。在此類條件中模擬退火算法從某個比較高的初始溫度開始，隨著溫度的不斷減小，結合概率跳躍的特征，在解空間中隨機搜索目標函數(shù)的全局最優(yōu)解，即局部最優(yōu)解可以有一定概率地跳出并最終逼近全局最優(yōu)解。模擬退火算法是一種通用的優(yōu)化算法。從理論上說，考慮到這種背景該算法具有概率全局優(yōu)化性能。目前模擬退火算法已廣泛應用于工程領域，如超大規(guī)模集成電路、生產調度、控制工程、機器學習、神經網絡、信號處理等領域(周子豪,李思悅,2021)。遺傳算法是20世紀70年代由美國的JohnHolland首先提出的。該算法是根據自然界生物進化的規(guī)律設計和提出的，它是生物進化過程的計算模型，遺傳算法模擬了達爾文生物進化的自然選擇和遺傳機制，是一種通過模擬自然演化過程來尋找最優(yōu)解的方法。該算法通過數(shù)學和計算機模擬，根據這一背景將求解過程轉化為類似生物進化的染色體基因交叉和突變過程。在求解復雜的組合優(yōu)化問題時，與一些傳統(tǒng)的優(yōu)化算法相比，它通常能更快地得到更好的優(yōu)化結果(賈鵬飛,張慧萍,2022)。遺傳算法廣泛應用于組合優(yōu)化、機器學習、信號處理、自適應控制和人工生命等領域。粒子群算法最初是由Eberhart博士和Kennedy博士在1995年基于對鳥類捕食行為的研究提出的。其基本核心是利用群體中個體共享的信息，使整個群體的運動在問題解決空間中由無序向有序演化，依此背景而定從而獲得問題的最優(yōu)解。想象一下這樣的場景：一群鳥正在尋找食物。遠處有一片玉米地(王翔宇,李璐瑤,2019)。沒有一只鳥知道玉米田在哪里，但它們知道它們離玉米田有多遠。所以找到玉米地的最佳策略，最簡單和最有效的策略就是立刻搜索離玉米地最近的鳥群周圍的區(qū)域。在粒子群算法中，每個優(yōu)化問題的解在搜索空間中是一只鳥，稱為“粒子”，問題的最優(yōu)解對應于鳥發(fā)現(xiàn)的“玉米地”。從這些表現(xiàn)可以推測出所有粒子的位置和速度矢量，和當前位置的健身價值可以根據目標函數(shù)的計算，可以理解為“玉米地”的距離。在每次迭代中，種群中的例子不僅可以從自己的經驗(歷史位置)中學習，還可以從種群中最優(yōu)粒子的“經驗”中學習，從而確定在下一次迭代中如何調整和改變飛行的方向和速度。這樣你就可以不斷迭代，最終所有的例子都會逐漸接近最優(yōu)解(彭子軒,王怡然,2020)。蟻群算法是一種用于尋找最優(yōu)路徑的概率算法。它是MarcoDorigo在1992年的博士論文中提出的，靈感來自于螞蟻尋找食物的行為。當他們研究螞蟻覓食時，他們發(fā)現(xiàn)單個螞蟻的行為相對簡單，可以由此看出但作為一個整體，蟻群可以表現(xiàn)出一些智能行為。例如，蟻群可以在不同的環(huán)境中找到通往食物源的最短路徑。這是因為蟻群中的螞蟻可以通過某種信息機制來傳遞信息(劉一鳴,許婷婷,2022)。并通過進一步研究發(fā)現(xiàn)，螞蟻路由它釋放一種物質可以被稱為“信息素”，在蟻群螞蟻的感覺有“信息素”，他們將沿著“信息素”高濃度路徑，每一只螞蟻經過的路上，在此特定情境下事實昭然若揭留下“信息素”，這就產生了類似的正反饋機制，所以隨著時間的推移，整個蟻群會沿著最短的路徑到達食物源。蟻群算法的基本思想如下：螞蟻用于表示的路徑優(yōu)化問題的可行解，和整個蟻群數(shù)量構成的所有路徑優(yōu)化問題的解空間。路徑較短的螞蟻釋放出更多的信息素。隨著時間的推移，短路徑上積累的信息素濃度逐漸增加，選擇這條路徑的螞蟻數(shù)量也隨之增加。最后，在正反饋作用下，整個螞蟻會集中在最優(yōu)路徑上，即對應于待優(yōu)化問題的最優(yōu)解。論文主要研究內容論文以多無人機協(xié)同任務規(guī)劃為背景，通過對各架無人機的航跡規(guī)劃，實現(xiàn)多無人機協(xié)同區(qū)域搜索。基于本文的研究基礎我們對這種情況予以了審視根據預先建立的三種搜索信息圖：目標概率分布圖、環(huán)境不確定度圖、環(huán)境搜索狀態(tài)圖來描述無人機搜集到的信息，并且使用貝葉斯準則更新目標概率分布圖，使用衰減因子與無人機搜索信息更新環(huán)境不確定度圖與環(huán)境搜索狀態(tài)圖，利用滾動優(yōu)化架構計算無人機的最優(yōu)搜索路徑，在此情勢的作用下利用重訪機制對無人機長時間未搜索到的區(qū)域進行重訪，以增大搜索到目標的概率。論文還研究了在無人機任務規(guī)劃中加入量子算法的可行性，并且對不同的無人機搜索算法進行仿真實驗，對比分析不同算法之間的優(yōu)缺點。論文章節(jié)安排根據以上論文研究內容，本文分為四章，內容安排如下所示。介紹論文的研究背景與意義，并且從國內和國外兩個角度分析無人機的研究現(xiàn)狀，總結其中的優(yōu)缺點，提出本文的主要研究內容。基于多無人機任務規(guī)劃建立多無人機協(xié)同搜索規(guī)劃模型，開展對于一定區(qū)域內多無人機搜索路徑規(guī)劃的研究。在第二章的基礎上對無人機協(xié)同搜索規(guī)劃模型進行優(yōu)化，討論加入量子算法的可行性。并對不同的無人機搜索算法進行仿真實驗，對比分析不同算法之間的優(yōu)缺點。總結論文的研究工作，提出對未來的展望。

基于重訪機制的多無人機協(xié)同區(qū)域搜索問題分析與建模引言本章內容為多無人機協(xié)同區(qū)域搜索問題的分析與建模，在一個規(guī)定區(qū)域有多個移動目標，需要利用無人機對目標進行搜索與跟蹤。首先利用已知的目標初始概率分布圖，使用貝葉斯準則更新搜索概率圖，按照這種設定行事利用不同的無人機搜索收益作為衡量指標，選出使得無人機搜索收益最大化的路徑作為無人機的運動路徑，并且提出一種基于環(huán)境不確定度的重訪機制，實現(xiàn)無人機對長時間未被探測到的區(qū)域的的重新訪問，以增大無人機對移動目標的搜索概率，從而實現(xiàn)多無人機協(xié)同區(qū)域搜索(李宇航,王雪兒,2023)。問題描述在一個未知情況的矩形任務區(qū)域內有多個地面敵方目標，任務區(qū)域內的環(huán)境信息未知，目標的運動情況未知，目標的具體位置未知，需要利用無人機對目標進行搜索與跟蹤。雖然目標的初始位置與環(huán)境信息未知，在此特定狀態(tài)下但是可以通過其他技術手段獲得目標的大致位置以及環(huán)境不確定度等初始信息(任思明,王若婷,2021)。我方往戰(zhàn)場內投放若干架無人機，無人機的型號相同，運動速度相同，并且無人機之間通信良好。我方需要根據無人機的性能以及以上已知的部分信息來規(guī)劃無人機的搜索路徑，在降低環(huán)境不確定度的同時獲取目標位置等信息。在獲取目標位置后，無人機會將目標的位置標記出來，為后續(xù)的作戰(zhàn)提供便利。為了保持研究結論的可復制性和可推廣性，本次研究采取了多項措施以確保研究的嚴謹性和普遍性。通過嚴格遵循了科學研究的方法論原則從研究設計到數(shù)據收集、分析，每一步都力求標準化和透明化。在研究設計階段明確界定了研究目標和變量確保研究的邏輯性和可操作性。同時采用了多種數(shù)據來源和收集方法，以增加數(shù)據的多樣性和代表性，從而避免單一數(shù)據來源可能帶來的偏差。通過詳細的研究日志、數(shù)據收集和分析流程的描述，以及清晰的研究結果圖表，都有助于研究結果的推廣。圖2-1所示為多無人機協(xié)同搜索示意圖，在矩形任務區(qū)域內有若干目標，圖中用紅色五角星表示目標，四架無人機從任務區(qū)域的不同地方進場，通過對無人機的搜索路徑進行規(guī)劃，實現(xiàn)無人機對目標進行搜索(沈志輝,黃文君,2022)。圖2-1多無人機協(xié)同搜索示意圖多無人機協(xié)同區(qū)域搜索組成要素無人機運動模型本文將無人機視作在二維平面內做平面運動的質點，不考慮無人機的飛行高度等三維因素。并且由于飛行性能的約束，無人機存在最大轉彎角，即無人機單次轉彎的角度不能超過。在此類條件中理論上無人機在每一個時刻內可以有八種運動方向，但是由于無人機最大轉彎角的限制，無人機只能進行直飛、左轉、右轉三種動作，因此無人機在每一個時刻內只有三個可能的運動方向，無人機運動示意圖如圖2-2所示(楊凱豪,趙麗莎,2021)。圖2-2無人機運動示意圖傳感器模型無人機在搜索過程中，會根據傳感器所探測到的信息更新目標概率分布圖、環(huán)境不確定度圖與環(huán)境搜索狀態(tài)圖。考慮到這種背景由于在實際情況中，會出現(xiàn)環(huán)境遮擋與傳感器失靈等不確定性因素，可能會出現(xiàn)傳感器漏判或誤判的情況，因此加入傳感器探測概率與傳感器誤判概率這兩個參數(shù)，其中。傳感器探測概率表示傳感器范圍內有目標時，傳感器探測到目標的概率，傳感器誤判概率表示傳感器范圍內沒有目標時，傳感器探測到目標的概率。這一結果與已有文獻的相似性，不僅驗證了前期研究的正確性，還進一步突出了該領域研究的連續(xù)性和累積性。它提醒本文，科學研究是一個不斷迭代、逐步深化的過程。基于這一發(fā)現(xiàn)，本文可以更有信心地推進后續(xù)研究，探索新的假設、設計更精細的實驗，以期在該領域取得更加突破性的進展。搜索信息圖構建與更新本文使用三種搜索信息圖來描述無人機搜索任務區(qū)域內的環(huán)境信息與目標搜索狀態(tài)，依此背景而定分別為表示網格內目標存在概率的目標概率分布圖、表示無人機對網格信息掌握程度的環(huán)境不確定度圖與表示網格是否已被無人機搜索的環(huán)境搜索狀態(tài)圖。信息圖為網格化的矩形圖，本章將信息圖劃分為矩形網格，在每個矩形網格中儲存相關的數(shù)據，利用不同的數(shù)據對無人機搜索到的信息進行(劉明澤,李馨瑤,2023)。目標概率分布圖由于無人機搜索過程中，在無人機未發(fā)現(xiàn)目標前，從這些表現(xiàn)可以推測出目標的具體位置信息并不明確，所以引入目標概率分布圖來表示目標的存在概率，利用無人機傳感器探測到的信息來對目標概率分布圖進行更新(李志強,胡可欣,2020)。目標概率分布圖表示在任務區(qū)域內目標存在的概率，當某個網格內的時，表示該網格內不存在目標；當時，表示該網格內存在目標。在后續(xù)的研究中會對已有的研究成果進一步從不同的角度進行優(yōu)化，會綜合考慮理論框架、方法學改進、實證研究的深化以及跨學科的合作。首先，在理論框架方面，將致力于整合最新的學術觀點和理論進展，以提供更為全面和深入的理解。其次，針對方法學上的不足，研究人員計劃引入或開發(fā)更先進的技術與工具，以提高數(shù)據收集、處理及分析的精確性和效率。目標的初始概率分布圖為，可以由此看出由于目標初始可能位置已知，所以采用多元高斯分布函數(shù)（MultivariateGaussianDistribution）初始化目標概率分布圖，其公式如式（2-1）所示(周晨風,吳潔文,2022)：式（2-1）其中為目標個數(shù)，為目標初始可能位置，為第個目標的存在概率峰值，為第個目標的概率峰值寬度。目標概率分布圖的更新公式如式（2-2）所示(郭澤宇,趙子瑤,2021)：式（2-2）式中為無人機傳感器探測信息，時，表示無人機傳感器在時刻探測到目標；時，表示無人機傳感器在時刻未探測到目標。環(huán)境不確定度圖環(huán)境不確定度圖表示無人機對任務區(qū)域的信息掌握程度，當某個網格內的時，在此特定情境下事實昭然若揭表示無人機表示無人機對該網格所包含的信息完全不確定；當時，表示無人機信任該網格所包含的信息(張宇杰,劉欣怡,2020)。環(huán)境初始不確定度可視為網格目標存在概率的信息熵[19]，其公式如式（2-3）所示：式（2-3）基于本文的研究基礎我們對這種情況予以了審視隨著無人機對任務區(qū)域的搜索，無人機傳感器所探測到的區(qū)域的環(huán)境不確定度也隨之更新，環(huán)境不確定度更新公式如式（2-4）下：式（2-4）其中表示環(huán)境不確定度的衰減系數(shù)，為當前時刻在網格中同時搜索的無人機數(shù)量。環(huán)境搜索狀態(tài)圖環(huán)境搜索狀態(tài)圖表示在時刻是否有無人機搜索網格，當時，在此情勢的作用下表示網格未被無人機搜索到；當時，表示網格已被無人機搜索到(黃逸凡,張雅婷,2023)。從上可以可以看出該方案相比于其他方案具有更好的性價比，同時它在安全性方面的加強也是不可忽視的一點。增強的數(shù)據保護措施和隱私管理功能能夠有效防止信息泄露，確保用戶的個人信息安全。協(xié)同搜索規(guī)劃模型多無人機協(xié)同搜索的目的是為了收集任務區(qū)域內的目標信息，降低任務區(qū)域內的環(huán)境不確定度，因此，協(xié)同搜索規(guī)劃模型需要達到以下幾個目標：無人機發(fā)現(xiàn)目標的概率盡可能大。無人機發(fā)現(xiàn)目標的時間盡可能短。無人機探測的區(qū)域盡可能廣。考慮以上幾個目標，本節(jié)以最大化無人機的協(xié)同搜索效益為目標，建立多無人機協(xié)同搜索規(guī)劃模型如下(王宇翔,孫婧瑤,2019)：式（2-5）在此特定狀態(tài)下其中，表示當前無人機搜索的時間，表示無人機協(xié)同搜索任務總時長，為第i架無人機的總協(xié)同搜索收益，為無人機的目標搜索收益，為無人機的環(huán)境搜索收益，為無人機的期望探測收益，為各收益權重系數(shù)。[20]目標搜索收益目標搜索收益表示無人機在進行搜索任務的過程中搜索到目標的可能性，其計算公式如式（2-6）所示：式（2-6）其中，表示無人機的數(shù)量，表示無人機在當前規(guī)劃的時域內所探測到的區(qū)域，表示無人機認為網格中是否存在目標，其公式如式（2-7）所示：式（2-7）其中表示目標存在閾值，當時，表示無人機認為網格中不存在目標；當時，表示無人機認為網格中存在目標。目標搜索收益的存在使得無人機會朝著目標存在概率更大的區(qū)域搜索，從而盡可能增加探測到目標的概率(陳云哲,陸小雪,2021)。環(huán)境搜索收益環(huán)境搜索收益表示無人機在搜索過程中，在此類條件中無人機搜索范圍內環(huán)境不確定度較上一搜索時刻的減少量，其公式如式（2-8）所示：式（2-8）環(huán)境搜索收益的存在使得無人機會朝著環(huán)境不確定度更大的區(qū)域搜索，從而盡可能探測到未被無人機探測到的區(qū)域，來減小環(huán)境不確定度。這一優(yōu)化設計的結果源自于對現(xiàn)有狀態(tài)的細致解析以及對已有資源和技術的全面應用。相比于傳統(tǒng)的處理方式，本方案在諸多核心領域展示了突出的優(yōu)勢。首先，通過采取更為先進的設計理念，它實現(xiàn)了工作效能的提升和錯誤概率的下降，從而極大提高了任務完成的概率。再者，從節(jié)省成本的角度看，新的解決方案有效地減少了運作和維護的成本，減少了不必要的資源消耗，提高了經濟效益。此外，它還加強了系統(tǒng)的通用性和擴展性，使系統(tǒng)能夠更靈活地適應未來的發(fā)展趨勢和需求變動。期望探測收益期望探測收益表示無人機在搜索過程中，會盡量選擇目標存在概率和環(huán)境不確定度較高的路徑，其公式如式（2-9）所示：式（2-9）期望探測收益保證了無人機在搜索時具有較高的探測收益，如果某一條路徑的目標存在概率或者環(huán)境不確定度較低，考慮到這種背景則這條路徑的期望探測收益就會降低；反之，某一條路徑的目標存在概率或者環(huán)境不確定度較高，則該路徑的期望探測收益就會升高(楊志遠,張婷婷,2022)。滾動優(yōu)化架構為了提高多無人機協(xié)同搜索的效率，利用滾動優(yōu)化架構[21]求解時域內的最優(yōu)搜索路徑，在時域內無人機，其中為滾動優(yōu)化時刻，為進行優(yōu)化的時域長度，為無人機執(zhí)行最優(yōu)搜索路徑的時域長度，且。滾動優(yōu)化架構是該多無人機協(xié)同搜索規(guī)劃算法的重點，利用滾動優(yōu)化架構，可以將一個無限時域的優(yōu)化問題轉化為有限時域的優(yōu)化問題。滾動優(yōu)化架構示意圖如圖2-3所示：圖2-3滾動優(yōu)化架構示意圖[20]滾動優(yōu)化架構利用2.3.4節(jié)中的多無人機協(xié)同搜索規(guī)劃模型進行滾動優(yōu)化，假設當前無人機搜索的時刻為，依此背景而定則滾動優(yōu)化架構會計算從時刻至時刻內的所有無人機可能經過的搜索路徑的協(xié)同搜索收益，選擇出協(xié)同搜索收益最大的一條路徑，并在時刻讓無人機執(zhí)行這一收益最大的路徑。從這些表現(xiàn)可以推測出當執(zhí)行時刻到達下一個優(yōu)化時刻時，重復上述步驟，對時域進行滾動優(yōu)化。執(zhí)行一次滾動優(yōu)化的具體步驟如下所示(徐晟文,李涵瑤,2023)：步驟1：若無人機當前搜索時刻為，則進入滾動優(yōu)化。步驟2：根據無人機傳感器信息計算時域內各個可能路徑的總協(xié)同搜索收益。步驟3：無人機選擇總協(xié)同搜索收益最大的一條路線作為當前時刻無人機運動路徑，并開始進行運動。步驟4：無人機運動到下一規(guī)定時刻時，重復步驟1至步驟3，從而實現(xiàn)滾動優(yōu)化架構。重訪機制由于目標會不斷進行運動，所以在無人機搜索過程中可能會出現(xiàn)目標運動到無人機已經搜索過的區(qū)域內的情況，可以由此看出如果按照上述搜索機制進行搜索，就會出現(xiàn)無人機不會搜索之前已經搜索到的區(qū)域的情況，那么就會減小無人機搜索到目標的概率。重訪機制的建立，則使得無人機會重訪長時間未被探測到的區(qū)域。在此特定情境下事實昭然若揭其具體實現(xiàn)方法如下：若網格長時間未被無人機探測到，則該網格的環(huán)境不確定度會隨時間進行增長，來使得無人機對網格進行重訪。[20]重訪機制下的環(huán)境不確定度更新公式如下(鄭子豪,王麗娜,2021)：式（2-11）式中，表示環(huán)境不確定度的增益系數(shù)。通過重訪機制，可以減少無人機搜索目標時的遺漏情況，減少無人機搜索到目標的時間，增加無人機的搜索效率。在進行設計優(yōu)化時，重點放在了成本效率和解決方案的普適性上，從而相對于初始版本，從多個角度進行了升級。首先，通過去掉多余的工序、選擇更高性價比的替代方案，大幅削減了實施成本，使得方案更顯經濟性。與此同時，為了擴大其推廣范圍，在設計過程中全面考慮了不同地域和背景下的實用性，確保該方案在多樣化的環(huán)境下能夠穩(wěn)定工作，便于他人模仿應用。仿真分析仿真實驗平臺為MatlabR2019a版本。未知情況的矩形任務區(qū)域設定為長寬各為60km的矩形區(qū)域。在矩形區(qū)域內投放四架無人機，無人機的初始坐標已定，四架無人機的飛行速度設定為50m/s，無人機的最大轉彎角度設定為45度。無人機具體運動參數(shù)設置如下：表2-1無人機運動參數(shù)無人機序號初始坐標

（km）飛行速度

（m/s）最大轉彎角度

（°）1（1，30）50452（30，60）50453（60，30）50454（30，1）5045考慮到無人機傳感器的探測概率和虛警概率，設定無人機傳感器參數(shù)如下：表2-2無人機傳感器參數(shù)參數(shù)搜索范圍（km）取值0.950.051×1由于目標的初始具體位置未知，但可以用其他手段探測到目標的大致位置，所以設定目標的初始坐標隨機分布在任務區(qū)域中，基于本文的研究基礎我們對這種情況予以了審視目標的數(shù)量為四個。由于需要初始化搜索信息圖中的目標概率分布圖，故給出目標的存在概率峰值與概率峰值寬度。目標具體參數(shù)設置如下：表2-3目標參數(shù)目標序號初始坐標

（km）存在概率峰值概率峰值寬度

（km）1（20，20）0.015452（30，40）0.01403（40，25）0.02354（25，30）0.01540下表給出了無人機協(xié)同搜索收益的權重系數(shù)，判斷無人機是否認為網格中有目標的目標存在閾值，在此情勢的作用下用于更新環(huán)境不確定度圖的環(huán)境不確定度衰減系數(shù)，以及重訪機制中的環(huán)境不確定度增益系數(shù)。具體參數(shù)設置如下(朱俊凱,許欣瑤,2020)表2-5其他參數(shù)參數(shù)目標存在閾值環(huán)境不確定度

衰減系數(shù)環(huán)境不確定度

增益系數(shù)取值0.850.31.1根據以上參數(shù)設置，得到目標初始概率分布圖，如圖2-4所示：圖2-4目標初始概率分布圖仿真實驗中，無人機的運動軌跡如圖2-5所示，圖2-6至圖2-9為四架無人機分別的運動軌跡，圖2-10為無人機重訪機制，按照這種設定行事其中紅色矩形表示目標所在位置，不同顏色的線段表示不同無人機的運動軌跡(李軒陽,王子萱,2022)。圖2-5無人機運動軌跡圖圖2-6無人機1運動軌跡圖圖2-7無人機2運動軌跡圖圖2-8無人機3運動軌跡圖圖2-9無人機4運動軌跡圖圖2-10無人機重訪機制由圖2-5可見，四個表示目標位置的紅色矩形都有表示無人機運動軌跡的線段經過，即四個目標都被無人機所捕獲。經過次仿真實驗，得到的數(shù)據如下表所示：本章小結本章提出了多無人機協(xié)同區(qū)域搜索問題的分析與建模，利用了搜索信息圖對無人機傳感器搜索到的信息進行儲存，并且根據信息圖對無人機的搜索路徑進行規(guī)劃，達到提高無人機搜索效率的目的。在此特定狀態(tài)下利用滾動優(yōu)化架構對無人機的各條可能路徑進行選擇，使無人機按照最優(yōu)路徑進行運動。使用重訪機制讓無人機對長時間未訪問的區(qū)域進行重訪，減少目標的遺漏率。仿真實驗展示了使用該算法時無人機的運動軌跡，表明了該算法確實可以使無人機在一定時間內搜索到目標

優(yōu)化傳感器的多無人機協(xié)同任務規(guī)劃引言第二章提出了基于最優(yōu)路徑的多無人機協(xié)同搜索規(guī)劃模型，本章在其基礎上加入了量子算子，使得無人機搜索更加高效，并且在無人機傳感器上加入了動態(tài)掃擺系統(tǒng)，使其搜索范圍更加寬廣。問題描述由于在實際情況中，無人機的傳感器是安裝在無人機云臺上的，而云臺可以在一定角度內進行轉動，達到傳感器擺動搜索的效果，多無人機協(xié)同任務規(guī)劃組成要素無人機運動模型無人機運動模型大致如2.3.1節(jié)所示，與2.3.1節(jié)不同的是，無人機在搜索到目標后會對目標進行追蹤(陳俊宇,趙雨晨,2023)。傳感器模型由于在實際情況中，無人機的傳感器是由相機組成的，相機通過照相的方式對目標區(qū)域進行搜查，由于相機的照相范圍具有限制，所以將其安裝在云臺上，云臺可以在一定角度內進行轉動，從而擴大相機的照相范圍達到傳感器掃擺搜索的效果。與第二章描述的傳感器模型類似，由于在實際情況中，會出現(xiàn)環(huán)境遮擋與傳感器失靈等不確定性因素，在此類條件中可能會出現(xiàn)傳感器漏判或誤判的情況，因此在本章的傳感器模型中加入傳感器探測概率與傳感器誤判概率這兩個參數(shù)(沈子昂,李慧瑤,2020)。傳感器掃擺模式示意圖如圖3-1所示，圖中的三個矩形分別表示傳感器云臺轉動到不同角度時，傳感器所能探測到的范圍。圖3-1傳感器掃擺模式示意圖搜索信息圖構建與更新無人機搜索信息圖如2.3.3節(jié)所示，本章不再做具體描述。任務規(guī)劃模型無人機任務規(guī)劃模型大體上如2.3.4節(jié)所示，與2.3.4節(jié)不同的是，由于無人機會搜索到目標時對目標進行追蹤，所以在計算無人機總協(xié)同搜素效益時，忽略無人機的期望探測收益，只計算無人機的目標搜索收益、無人機的環(huán)境搜索收益，其具體公式如式（3-1）所示(賈旭東,吳怡瑤,2021)：式（3-1）量子算法本章所示的多無人機協(xié)同任務規(guī)劃加入了量子算子，當未被無人機追蹤到的目標較少時，由于目標在不斷進行無規(guī)則的運動，考慮到這種背景若繼續(xù)按照第二章所描述的算法來規(guī)劃無人機的運動路線，則追蹤剩余目標的時間會大大增加。因此在至剩余一個目標未被追蹤時，考慮引入量子算子，使得無人機的搜索效率更高。本文參考已有方法制定了計算框架，并對其進行簡化，以提升其實用性和可行性。通過深入解析現(xiàn)行方案，找出并移除了那些復雜而不必要的步驟，優(yōu)化了整個流程，建立了一個更為簡單而高效的計算模型。這一舉措不僅減少了所需資源，而且縮短了處理時長，在保留原有性能的同時，使方案更容易被采納和推廣，引入了若干驗證和質量保障措施。利用量子系統(tǒng)具有疊加性、糾纏性及相干性等獨特的物理特性，可以在無人機搜索時有更好的收斂能力，更強的全局搜索能力，根據這一背景從理論上說可以減少無人機搜索目標的時間。仿真分析本節(jié)將分析對比多無人機平掃搜索目標的搜索效率，與本章提到的多無人機搜索算法的搜索效率。仿真實驗平臺為MatlabR2019a版本。未知情況的矩形任務區(qū)域設定為長寬各為500m的矩形區(qū)域。在矩形區(qū)域內投放四架無人機，無人機的初始坐標與初始飛行方向已定，四架無人機的飛行速度設定為3.5m/s，無人機的最大轉彎角度設定為45度(王澤華,楊秋月,2023)。無人機參數(shù)設置如表3-1所示：表3-1無人機運動參數(shù)無人機序號初始坐標飛行速度（m/s）最大轉彎角度

（°）1（6.25，0）3.5452（18.75，0）3.5453（31.25，0）3.5454（43.75，0）3.545考慮到無人機傳感器的探測概率和虛警概率，以及無人機傳感器的探測范圍和安裝無人機云臺轉動的角度，設定無人機傳感器參數(shù)如表3-2所示：表3-2無人機傳感器參數(shù)參數(shù)搜索范圍（m）云臺掃擺角度（°）取值0.90.055.05×7.72530由于目標的初始具體位置未知，但可以用其他手段探測到目標的大致位置，所以設定目標的初始坐標隨機分布在任務區(qū)域中，目標的數(shù)量為四個，并且會在任務區(qū)域內進行隨機運動。由于需要初始化搜索信息圖中的目標概率分布圖，故給出目標的存在概率峰值與概率峰值寬度。文中闡述的數(shù)據處理手段較之傳統(tǒng)方法更顯簡潔而高效。本文采用了一個更為直觀的預處理路徑，它削減了非必要的轉換環(huán)節(jié)，優(yōu)化了數(shù)據凈化和規(guī)范化流程，極大地增強了信息處理的速率和效率。由此，本文能夠迅速準備好用于分析的數(shù)據集，同時也減小了因復雜步驟引發(fā)錯誤的可能性。經過對多種來源和類別的數(shù)據測試，證實了這種方法的穩(wěn)定性和有效性。目標參數(shù)設置如表3-3所示：表3-3目標參數(shù)目標序號初始坐標移動速度（m/s）存在概率峰值概率峰值寬度

（km）1（37.5，41.2）50.03202（10，41.5）50.03203（30.2，8.9）50.03204（16.1，26.8）50.0320下表給出了無人機協(xié)同搜索收益的權重系數(shù)，判斷無人機是否認為網格中有目標的目標存在閾值，依此背景而定用于更新環(huán)境不確定度圖的環(huán)境不確定度衰減系數(shù)，以及重訪機制中的環(huán)境不確定度增益系數(shù)。具體參數(shù)設置如表3-4所示：表3-4其他參數(shù)參數(shù)目標存在閾值環(huán)境不確定度

衰減系數(shù)環(huán)境不確定度

增益系數(shù)取值0.550.450.850.341.1圖3-1目標初始概率分布圖本章小結本章提出了多無人機協(xié)同任務規(guī)劃問題的分析與建模，利用了搜索信息圖對無人機傳感器搜索到的信息進行儲存，從這些表現(xiàn)可以推測出并且根據信息圖對無人機的搜索路徑進行規(guī)劃，達到提高無人機搜索效率的目的。利用滾動優(yōu)化架構對無人機的各條可能路徑進行選擇，使無人機按照最優(yōu)路徑進行運動。可以由此看出使用重訪機制讓無人機對長時間未訪問的區(qū)域進行重訪，減少目標的遺漏率。并且優(yōu)化了傳感器的模型，使得無人機的搜索范圍更大，從而提高搜索效率仿真實驗展示了使用該算法時無人機的運動軌跡，并且將不同的算法之間作對比，通過數(shù)據直觀分析出不同算法之間的優(yōu)缺點。

總結與展望無人機在現(xiàn)代軍事和民用領域的應用越來越廣泛，多無人機協(xié)同目標搜索是其應用的一個重要方面。本文將多架無人機協(xié)同目標搜索問題分為兩部分:多架無人機前段協(xié)同飛行路徑規(guī)劃問題(無人機協(xié)同飛行到指定位置)和多架無人機協(xié)同搜索路徑規(guī)劃問題。這兩個問題都可以歸結為協(xié)作控制問題，也就是說，它可以看作是一個組合優(yōu)化過程。鑒于蟻群算法在組合優(yōu)化中的良好性能，本文選擇應用蟻群算法來解決多架無人機的目標搜索問題。本文的主要研究工作如下:1.本文通過介紹了一種基于重訪機制的多無人機協(xié)同搜索規(guī)劃模型，利用無人機對目標進行搜索與跟蹤。首先利用已知的目標初始概率分布圖，使用貝葉斯準則更新搜索概率圖，利用不同的無人機搜索收益作為衡量指標，選出使得無人機搜索收益最大化的路徑作為無人機的運動路徑，并且提出一種基于環(huán)境不確定度的重訪機制，實現(xiàn)無人機對長時間未被探測到的區(qū)域的的重新訪問，以增大無人機對移動目標的搜索概率，從而實現(xiàn)多無人機協(xié)同區(qū)域搜索。2.對多無人機協(xié)同搜索規(guī)劃模型進行了仿真分析，并且將其與其他模型進行對比，分析各個模型之間的優(yōu)缺點，實驗結果表明，本文提到的多無人機協(xié)同搜索規(guī)劃模型能夠在較短的時間內規(guī)劃多個無人機在復雜環(huán)境下滿足時間和空間協(xié)調約束的搜索路徑。3.分析了在多無人機協(xié)同搜索規(guī)劃模型中加入量子計算算子的可行性，分析表明，加入量子計算算子后，若未被無人機追蹤到的目標剩余數(shù)量較少，則可以提高無人機搜索到目標的概率，減少無人機搜索到目標的時間。由于時間和能力的限制，本文的研究工作還一下不足之處，需要進一步的研究和完善:由于目標是不斷進行運動的，隨機性較大，故不同算法之間的仿真實驗數(shù)據差別不大由于計算機硬件的限制，本文未將量子算法完全利用到多無人機任務規(guī)劃模型中。

參考文獻魏世杰，王濤，阮東等.量子算法的一些進展[J].中國科學：信息科學，2017，47(10):1277-1299.林一博,王梓萱.不確定環(huán)境中多無人機協(xié)同搜索算法[J].電子與信息學報，2022,29(10):2325-2328.馮晨昊,李映雪.帶信息素回訪機制的多無人機分布式協(xié)同目標搜索[J].2023,39(9):1998-2011.高云飛,孫芷晨等.基于量子遺傳算法的無人飛行器航跡規(guī)劃[J].宇航學報，2021，31(3):648-654.薛宇峰,馬思敏等.基于MTPM和DPM的多無人機協(xié)同廣域目標搜索滾動時域決策[J].自動化學報，2021，40(7):1391-1403.林子昂,張雅麗.基于博弈論的無人機搜索路徑規(guī)劃[J].系統(tǒng)工程與電子技術，2011，33(10):2254-2257.王俊凱,趙月華基于偽譜法的無人機集群飛行路徑規(guī)劃[J].空天防御，2021，4(1):52-59.孫浩然,郭婷婷等.國外多無人機協(xié)同任務分配研究現(xiàn)狀及發(fā)展趨勢[J].飛航導彈，2016,5:54-58.M(賈鵬飛,張慧萍,2022)I,OlleroA.MultipleUAVCooperativeSearchingOperationUsingPolygonAreaDecompositionandEfficientCoverageAlgorithms[C]//7thInternationalSymposiumonDistributedAutonomousRobotics陳思遠,李晨曦tems,France:Springer,2004:211~220李明杰,陸晨曦.ACooperative