基于關聯定位誤差信息素的巡航導彈集群快速協同搜索研究

摘" 要：""""" 協同搜索是巡航導彈多彈控制領域的一個未來發展方向， 對其進行研究有助于巡航導彈適應未來戰場智能化作戰需求。 針對缺少先驗環境信息下巡航導彈集群對目標的高效搜索問題， 本文提出了一種基于關聯定位誤差的改進信息素快速協同搜索算法， 篩選組內精英個體領導集群成員的搜索。 在此基礎上， 結合交叉測向、 位置控制、 信息融合、 自主分組等技術， 構建了適用于巡航導彈集群的具體實現架構。 通過數值仿真分析和對比， 本文構建的架構能夠實現特定場景下巡航導彈集群對多未知目標的位置定位， 而提出的改進信息素搜索算法能夠提升協同搜索的效率。

關鍵詞："""" 巡航導彈； 無人系統集群； 協同搜索； 蟻群信息素； 制導與控制

引用格式： 陳汝佳， 鄧亦敏， 段海濱 ." 基于關聯定位誤差信息素的巡航導彈集群快速協同搜索研究［ J］. 航空兵器， 2024，" 31（ 3）： 51-58.

Chen Rujia，" Deng Yimin，" Duan Haibin. Research on Fast Cooperative Search of Cruise Missile Cluster via Correlation Location Error Pheromone［ J］. Aero Weaponry， 2024，" 31（ 3）： 51-58.（ in Chinese）

中圖分類號：""""" TJ765； V249

文獻標識碼：""" A

文章編號："""" 1673-5048（2024）03-0051-08

DOI： 10.12132/ISSN.1673-5048.2023.0224

0" 引" 言

巡航導彈［1］是一種多以亞聲速或超聲速飛行， 能夠自動導航， 能在非常低的大氣高度按照非彈道軌跡飛行的戰術武器， 是現代化作戰系統的重要組成部分。 伴隨人工智能和芯片技術的突破， 低成本、 強動態、 高自主的智能化彈藥［2］逐漸登上舞臺。 目前， 挪威海軍打擊導彈（Naval Strike Missile， NSM）已經具備多彈協同攻擊及多目標打擊能力［3］； 俄羅斯“鋯石”巡航導彈（ZIRCON）則可進行“領彈-從彈”式的多彈協同作戰［4］。 可見， 巡航導彈的集群化、 規模化正在成為必然的發展趨勢。

協同目標搜索要求多無人系統能夠實現對缺乏先驗信息區域的快速感知、 覆蓋和目標探查。 對協同目標搜索技術的研究一直是多無人系統控制的熱門領域。 文獻［5］提出一種基于深度強化學習的多無人機協同目標搜索， 對任務決策和飛行方向進行了有效優化。 文獻［6］設計了一種基于有限狀態機的無人機協同搜索和目標分配算法， 并設計了完整的實物平臺。 文獻［7］基于信息幾何的多源融合無人機集群協同定位， 實現了城市、 峽谷復雜環境下的快速定位。 文獻［8］設計了一種改進“長機-僚機”群體控制算法， 將無人艇聚集到期望目標， 然后采用位置反饋編隊控制實現對目標的逼近和定位。 然而已有的協同目標搜索技術多以操縱性能較好的無人機、 無人艇等低速個體為被控對象， 以高速彈藥為對象的研究較少。

蟻群具備在未知環境中快速尋找食物的能力， 并總能按照食物和巢穴間的最短距離運動， 這種現象的關鍵在于螞蟻覓食途中留下的信息素軌跡。 蟻群對信息素的應用催生了蟻群信息素算法［9］， 其機制和思想被成功應用于多無人系統協同目標搜索。 文獻［10］基于蟻群算法， 實現了無人機對尋靶軌跡的求解， 能夠實現計算時間復雜度和軌跡規劃質量間的平衡。 文獻［11］提出一種仿鳥群行為機制的無人機集群目標搜索方法， 采用信息素導引規劃搜索路徑， 實現對目標的信號頻域和空間位置的確定。 受飛蛾尋偶機制啟發， 文獻［12］仿照蟻群信息素的正負更新機制， 通過考慮風勢對局部信息素濃度的影響， 加速無人機對單移動目標的協同搜索能力。 但是， 已有的信息素協同目標搜索［10-12］或其他應用信息素的系統［13-14］多會對信息素更新機制進行調整， 原因是作為群智能優化算法［15］的一員， 經典蟻群信息素算法存在

收稿日期： 2023-11-17

基金項目： 國家自然科學基金項目（91948204； U20B2071； T2121003）

作者簡介： 陳汝佳（2000-）， 男， 浙江寧波人， 博士研究生。

*通信作者： 段海濱（1976-）， 男， 山東東營人， 博士生導師。

收斂速度較慢的問題， 這限制了整體系統的性能。 換而言之， 如何提高蟻群信息素算法收斂速度， 進而提高協同搜索性能， 仍是一個值得研究的問題。

本文面向巡航導彈集群的快速協同搜索實現問題， 提出了一種基于關聯定位誤差的信息素搜索方法， 通過調整集群內精英個體附近信息素濃度， 進而提升協同搜索速度； 在此基礎上構建了用于巡航導彈集群的信息素協同搜索架構， 實現了信息素協同目標搜索算法對巡航導彈集群的應用。 最后通過數值仿真對所提架構和改進機制的效果進行了驗證。

1" 問題描述航空兵器" 2024年第31卷第3期

陳汝佳， 等： 基于關聯定位誤差信息素的巡航導彈集群快速協同搜索研究

假設某海域固定空間內有NSum數量的巡航導彈集群和TSum數量的靜止目標。 巡航導彈集群缺乏目標精準地理信息， 需要通過集群內個體機載定位裝置搜索未知目標。 當所有目標均被定位后， 整個搜索任務完成。

1.1" 環境與目標建模

當巡航導彈采用特定飛行戰術時， 其飛行高度控制在10～20 m。 相比廣闊海場， 導彈的高度變化可忽略不計。 此時作戰場景簡化為二維平面， 表示為由邊長Q的最小方形網格分割的、 長和寬分別是Lx和Ly的矩形區域， 可形成M×N的數量坐標點。 位于（m， n）號網格中心的某靜止目標位置可描述為（xm， yn）， 滿足：

xm=Q（m－1）+0.5Q，" m=1， 2， …， Myn=Q（n－1）+0.5Q，" n=1， 2， …， N （1）

整體任務場景參考圖1。

two-dimension scene

1.2" 搜索技術建模

目標感知技術是巡航導彈協同搜索算法獲取信息的前提。 到達角度測距（Angle-of-Arrival， AOA）定位是一種利用信號到達角度進行空間定位的方法［16］， 根據彈載目標傳感器截獲待搜索信號， 利用多彈間對信號始源地的相對方位偏差推斷目標位置， 其原理如圖2所示。

根據圖2， 假設任意兩個巡航導彈Ni和Nj的空間位置分別為（xi， yi）和（xj， yj）， 其與目標的方位角分別為i和j， rl=Δx2ij+Δy2ij=（xj－xi）2+（yj－yi）2為兩者距離。 在實際情況下， 受外界環境擾動等因素影響， 測向過程存在誤差， 此時目標位于誤差四邊形A－B－C－D內。 若認為測向過程相互獨立， 且測向誤差服從N（0， σ2）的正態分布， 可得誤差為

σx=σsin2（i－j）·（Δyijcos2j+Δxijsinjcosj）2+

（Δyijcos2i+Δxijsinicosi）2

σy=σsin2（i－j）·（Δyijsinjcosj+Δxijsin2j）2+

（Δyijsinicosi+Δxijsin2i）2" （2）

計算可知定位誤差Eij表示為

Eij=34σ2x+σ2y（3）

1.3" 巡航導彈單體建模

信息素搜索系統的最終控制對象為巡航導彈個體， 因此需要建立合適的巡航導彈模型。 巡航導彈常通過直接調整過載加速度改變運動狀態， 由此可構建基于過載量［17］的三自由度模型：

x·=Vcosθcosψy·=Vcosθsinψh·=VsinθV·=－gsinθ+gnx" ψ·=gVcosθnyθ·=gV（nh－cosθ） （4）

式中： P=［xyh］T表示巡航導彈質心的空間位置， 其中高度h垂直向上為正； V為空速； ［ψθ］分別為彈道偏角（默認導彈正向東時為0 rad， 右偏為正）和彈道傾角（默認導彈水平地面時為0 rad， 上仰為正）； u=［nxnynh］T為過載系數值， 定義為對應運動方向上除重力外所有合力相對重量的比值； g為重力加速度， 取值9.8 m/s2。 為便于表示， 用X1=［xyhVψθ］T描述模型（4）運動狀態。

考慮巡航導彈實際運行場景， 模型（4）需要滿足如下基本約束：

-π/2≤θ≤π/2

－π≤ψ≤π

nmin≤nx， ny， nh≤nmax （5）

此時， 過載系數均受區間［nmin， nmax］約束。

圖3為巡航導彈模型圖。

1.4" 巡航導彈反步控制律

交叉測向的定位誤差E與目標到巡航導彈的距離有關， 通過對每個巡航導彈實施位置控制， 驅動導彈逼近目標， 能夠減小誤差四邊形范圍， 從而減小定位誤差。 根據模型（4）特點， 設計反步控制律實現位置控制。

首先對模型進行解耦， 設置狀態向量X2：

X2=［PTP·T］=［xyhx·y·h·］（6）

根據X2與u之間的關系， 可計算得到線性化矩陣：

B=gcosθcosψ－gsinψ－gsinθcosψgcosθsinψgcosψ－gsinθcosψgsinθ0gcosθ（7）

利用B將原系統解耦為參數嚴反饋形式， 如下：

P·1=P2

P·2=Bu－GY=P1 （8）

式中： P1=P=［x1y1h1］T； P2=［x2y2h2］T； G=［00g］T； 一階輸出量Y=［xout， yout， hout］。 由此構建三通道反步控制律［18］：

Z1=Y－Pd

V1=0.5ZT1Z1

Α1=－C1Z1+P·dV2=V1+0.5ZT2Z2（9）

此時， 期望位置向量Pd=［xdydhd］T； 一階段誤差Z1=［z11z21z31］T； 二階段誤差Z2=［z12z22z32］T； 準Lyapunov函數V1=［Vx1Vy1Vh1］T， V2=［Vx2Vy2Vh2］T； 調和函數Α1=［α1α2α3］T； C1=diag{c11c21c31}為系數對角陣。 若滿足：

Bu=－C1Z·1+P¨d－Z1+C2Z2－G（10）

其中， 系數對角陣C2=diag{c12c22c32}， V1， V2指數衰減至0， 系統趨向Lyapunov穩定。 由此可得t+1時刻反步控制律如下：

uc（t+1）=［nxcnycnhc］Tt+1=

B－1（t）·

（－C1Z·1（t）+P¨（t）－

Z1（t）+C2Z2（t）－G） （11）

2" 關聯定位誤差信息素的協同搜索

以螞蟻為首的真社會性昆蟲在處于未知環境中時， 會共同探索環境信息、 搜索食物， 同時采用信息素作為彼此的通信媒介。 信息素的濃度將影響整個群體對局部區域的價值判斷， 吸引整體向高價值區域移動。 受生物依靠信息素覓食這一行為啟發， 將食源映射為待搜索目標， 以蟻群為巡航導彈集群， 設計關聯定位信息素的協同搜索算法。

2.1" 信息素結構建模

實現信息素搜索的前提是構建個體信息素結構。 從搜索任務起始階段起， 每個個體都被視作一只螞蟻， 具備與其他個體交換信息的能力。 每只螞蟻都維護著一條單獨的信息素軌跡， 表示如下：

Hk（t）={hkp（t）}， p∈（xm， yn）（12）

式中： m=1， 2， …， M; n=1， 2， …， N;" p為二維網格地圖上的某點； hkp（t）為t時刻個體k在p位置生成的信息素濃度。 在t時刻， 個體k所有的信息素濃度信息構成了其信息素軌跡結構Hk（t）。

2.2" 仿椋鳥鄰域交互機制的分組策略

自主分組策略為分布式協同搜索提供組員信息。 歐椋鳥群在飛行過程中采用視覺感知鄰近個體信息， 從而形成規模化集群。 文獻［19］表明， 采用Delaunay三角剖分（Delaunay Triangulation， DT）方法能夠模擬存在視線遮擋場合下的歐椋鳥集群行為， 如圖4所示。

圖中， 1到7號個體互為Delaunay三角形的頂點， 由此構成一個組群。 推廣到三維空間， Delaunay剖分以四面體為基本單位， 同時內部不包含其余點， 此時構成四面體各頂點的個體構成Delaunay剖分。 由此可設計仿椋鳥群交互機制的分組策略。

在每一輪搜索開始時， 對整個集群進行三維Delaunay剖分， 尋找每個個體和其構成剖分四面體的另外3個個體， 將整個集群劃分為多個組群。 然后進行組群合并， 對于某個體， 將與其共用一條Delaunay邊的個體作為鄰居。 接著對彼此鄰居取并集， 即可生成大組Group。

2.3" 目標概率-信息素融合策略

為反映集群對環境的感知情況， 采用數據融合方法將信息素圖和目標概率圖整合。 在某時刻， 在同組內個體完成測向定位和信息素更新后， 將每個個體的信息素圖和目標概率圖歸一化后疊加， 形成“目標概率-信息素”信息融合圖。 隨后對整個組實施內部交互， 疊加每個個體的信息融合圖并歸一化， 獲得該組的信息融合圖。 此時， 信息融合圖上的概率最大點即為該組估計目標點p*（t）=（x*（t）， y*（t））。

2.4" 避免重復搜索的信息素更新機制

信息素搜索依靠衰減作用實現對低價值路徑的剪枝。 若一枚巡航導彈經過某網格點， 但仍未完成對目標的定位， 可認為該網格點為低價值區域。 采用負作用機制降低此處信息濃度， 避免反復搜索已知路徑， 該機制如下：

hkp（t+1）=hkp（t）－γ∑Si=1lip（t）， i， k∈S（13）

lip（t）=1ln{r2－［x（t）－xi（t）］－［y（t）－yi（t）］+1}

s.t. 0≤p（t）－pi（t）2lt;r（14）

式中： γ∈（0， 1）為衰減參數； r為距離閾值； pi（t）=（xi（t）， yi（t））為t時刻i個體的網格位置； p（t）=（x（t）， y（t））為t時刻某位置p； lip（t）為個體i信息素結構中p位置的信息素衰減值。 當p相對個體i的距離小于距離閾值r時， 就對集合S內的個體k在位置p的信息素施加衰減作用。

2.5" 時間自適應的信息素更新機制

信息素的巡航導彈集群對于環境的認知是“從無到有”的， 表現為信息素濃度的增加。 隨著協同搜索的進行， 集群對環境的認知會逐漸加快， 直到趨于飽和， 由此得到如下更新策略：

hkp（t+1）=［1+κe－ωt］hkp（t）（15）

式中： κ∈（0， 1］為調節系數； ω為認知因子， 用于調節信息素濃度增加速率。 伴隨時間推移， 集群的環境認知能力不斷加強。 在一定時間后， 集群的認知能力達到較高水平， 但增長速度趨向飽和。

2.6" 關聯定位誤差的精英導引

信息素搜索作為群智能優化算法， 有時會出現收斂速度緩慢的現象， 這會增加協同搜索所需的時間， 降低系統在瞬息萬變的戰場上的適應能力。 因此， 為了提高搜索效率， 將關聯定位誤差E和信息融合后得到的高概率目標點p*（t）引入信息素更新機制， 采用精英個體領導集群運動。

本文定義的精英個體， 是某一時刻在組群S內具備最優定位誤差和相距高概率目標點p*（t）最近的個體。 按照此定義， 需要首先確定組內最優誤差。

在t時刻， 當集合S內個體經過兩兩交叉測向后， 會獲得一組定位誤差Φ， 描述如下：

Φ={Ei， j}（16）

式中： i， j∈S為集合內任意兩個個體， 滿足i≠j。 由于不同個體組合間測向角和相對目標的距離不同， 因此定位誤差E各不相同， 選擇Φ內最小值作為最優定位誤差Es， 即

Es=argmin{Φ}（17）

隨著搜索過程的進行， Es值會逐漸減小， 直到小于最小定位誤差Emin， 則可認為完成對目標的搜索。 因此， 最優定位誤差Es能夠反映t時刻組群集合S的搜索進展。 同時， 根據式（2）～（3）， 通過交叉測向得到最優定位誤差Es的兩個巡航導彈i和j， 相比組內其他個體更具有優勢， 這種優勢體現在更顯著的測角定位效果和與待搜索目標更近的距離。 相比其他巡航導彈， i和j可以被視作備選精英個體。

進一步， 通過比較備選精英個體位置pi（t）， pj（t）與估計目標點p*（t）間的距離， 可以得到組內精英個體opt， 如下：

popt=pi（t），" ifpi（t）－p*（t）2lt;pj（t）－p*（t）2

pj（t）， ifpi（t）－p*（t）2gt;pj（t）－p*（t）2

s.t." i， j∈S， i≠j（18）

式中： opt為群組集合S內的精英個體， 其所處的網格位置popt相比其他組內成員具有更高的價值， 因此對整個組展現出領導作用。

以信息素更新角度看， 精英個體opt對組內其他個體的領導表現為popt附近的信息素濃度增加， 促使集合內其他個體向精英個體opt靠近。 由此， 設計信息素濃度更新策略， 表示如下：

ΔhSp（t）=0 """"""""""""Esgt;Emax

（eζEsEmin－1）e－p（t）－popt（t）" 2hfix Emax≥Esgt;Emin

0 Es≤Emin （19）

式中： ζ∈［0， 0.1］為調節系數； ΔhSp（t）為某網格位置p處的濃度增值； hfix為一個固定信息素增值； Emax為設置的最大定位誤差閾值。

在t時刻， 當定位誤差Es的值大于Emax時， 群組距離目標較遠， 此時群組S相對待搜索目標較遠， 此時精英導引機制不生效； 當定位誤差Es小于Emin時， 群組S完成對目標的定位； 當定位誤差Es的值小于Emax， 但大于最小定位誤差Emin時， 精英領導機制有效， 精英個體opt對整個集群產生吸引作用， 表現為信息素增值ΔhSp（t）。

ΔhSp（t）受距離和定位誤差影響。 具體來講， 隨著p（t）與popt（t）的歐式距離逐漸增大， 信息素增值逐漸減小， 這有助于引導其他個體向精英目標所處位置平滑靠近。 同時， 隨著定位誤差Es逐漸縮小并接近最小定位誤差Emin， ΔhSp（t）的值也會減小， 這是因為隨著Es的逐漸減小， 必然伴隨著整體集群對待搜索目標進近。 為了防止集群在opt領導下過于靠近目標點， 影響后續搜索潛力， 精英個體的領導能力會逐漸減小， 直到Es等于Emin時， 增值ΔhSp（t）變為0。

將信息素濃度增值ΔhSp（t）引入到對每個個體的更新中， 得到如下關聯定位誤差的精英導引更新策略：

hkp（t+1）=hkp（t）+ρΔhSp（t）， k∈S

s.t. hmin≤hkp（t+1）≤hmax， k≠opt（20）

式中： ρ∈［0， 1］為領導能力系數， 用來進一步調整精英個體的領導能力； hkp（t）和hkp（t+1）分別為t和t+1時刻集合S內個體k在位置p的信息素濃度； 更新后的hkp（t+1）不能超過設定的濃度范圍［hmin， hmax］。

關聯定位誤差的精英導引示意圖如圖5所示。 隨著Es的減小， 精英個體opt的在同一網格點的信息素濃度增值ΔhSp（t）減小。

3" 關聯定位誤差信息素集群協同搜索實現流程

Step 1： 在t=ts（s.t. ts∈（0， Tmax］）時刻， 根據仿椋鳥鄰域交互的分組方法確定各個巡航導彈分組Ssum={S1， S2， …}和組數Gn。 每組內兩兩進行測向定位， 比較得出最優定位誤差Es， 通過將目標概率圖與上周期信息素信息融合獲得估計目標點位置p*（t）。 用Es與最小定位誤差Emin比較， 當Es小于Emin， 則完成對應目標定位， 目標數量Tsum減1； 當Tsum=0， 程序結束。

Step 2： 對每個群組S內個體依次使用信息素更新算法， 將更新后的全局信息素圖再次與目標概率圖做信息融合， 得到的概率最大網格點對應的空間位置為t=ts+ΔT時刻期望運動位置［xd（t）， yd（t）］。 為保障巡航導彈在二維平面運動， 設置hd（t）=h（0）， 將Pd（t）=［xd（t）yd（t）hd（t）］T輸入反步控制器中。

Step 3：" 計算Pd（t）一階導數和二階導數， 然后由式（11）生成得到t=ts+ΔT時刻控制量uc（t）， 通過約束（5）后控制模型（4）， 生成運動狀態X1（t）。 所有個體更新完成后， 記錄各個體運動狀態X1（t）和信息素圖H（t）信息。

Step 4： 判斷ts+ΔT是否達到最大仿真時長Tmax。 若未達到， 則程序正常進行。 此時t=ts+ΔT， 本輪仿真結束， 回到Step1。 不斷重復， 直到達到最大仿真時長Tmax， 程序結束。

基于關聯定位誤差信息素的搜索流程如圖6所示。

4" 數值仿真

對關聯定位誤差信息素集群協同搜索算法設計數值仿真實驗，" 驗證算法在散布作戰工況的有效性， 并分析改進機制對搜索速度的影響。

當巡航導彈集群進入作戰空間后開始進行隨機散

布。 在接收到指揮部指令后， 集群開始執行協同搜索任務。 此時， 巡航導彈隨機散布于作戰場地， 以接收指令時刻作為初始時刻， 即t=0。 設置仿真最小步長ΔT=1 s， 搜索任務最大仿真時長Tmax=100 s； 地圖大小Lx=Ly=50 km， 采用邊長Q=500 km網格將地圖劃分為M=N=101等份； 設置巡航導彈集群數量Nsum=32， 目標數量Nsum=5。 任務開始時， 巡航導彈的初始位置隨機散布在xm∈［5， 49］ km， yn∈［5， 49］ km范圍內， 高度控制在［15， 20］ m之間， 初始速度340 m/s。 設置最小定位誤差Emin為500 m， 當定位誤差Es小于該值時認為完成對該目標的搜索。 其余仿真實驗參數設置如表1所示。

圖7展示了不同時刻巡航導彈集群的運動情況和搜索對象。" 紫色圓點為待搜索目標精確位置；" 帶箭頭紅色圓點為巡航導彈當前時刻位置； 白色虛線為巡航導彈搜索對象。 0～29 s， 巡航導彈集群對5個目標完成了搜索定位。 在控制律作用下， 巡航導彈逐漸向待搜索目標迫近， 并在完成對待搜索目標的定位后轉向目標。 在仿椋鳥交互的分組算法下， 巡航導彈集群僅根據組內信息連通性動態調節自身組別， 而不形成固定的分組結構， 能夠實現組內的分布式信息傳遞。

表2描述了目標點被定位時的時刻、 估計位置和誤差。 隨著搜索過程的進行， 各目標點的估計位置能夠靠近真實值， 同時最終定位誤差均被控制到最小定位誤差以下， 表現出良好的定位效果。 圖8為定位誤差隨迭代過程進行的變化曲線， 直觀展示了定位誤差收斂的過程。 隨著集群搜索迭代的進行， 被探測目標的空間定位誤差呈現下降趨勢， 并在29 s時全部達到最小定位誤差。 此結果與表2保持一致。

圖9為29 s時巡航導彈全局信息融合圖。 圖中h軸為全局所有個體搜索后得到的融合概率。 相比其他位置， 待搜索目標點處概率明顯較高， 形成了陡峭尖峰。 該現象說明巡航導彈集群在協同交互與信息共享下，" 實現了對真實目標區域的逼近。 同時， 在巡航導彈經過的位置，

感知地圖留下一條數值為-0.1的概率軌跡。 這說明集

群內個體能降低已搜索過地區的概率， 使得其余個體不再關注此塊地區。 以上結果驗證了關聯定位誤差信息素的巡航導彈協同搜索算法的有效性。

為進一步驗證改進機制的有效性， 將改進后算法與文獻［9］的基本信息素算法做比較， 進行了共100次仿真實驗。 每次實驗開始時， 固定巡航導彈數量32個和目標數量5個， 然后分別隨機初始化巡航導彈狀態和目標位置， 并將初始化的結果輸入到兩個算法中， 記錄兩個算法每次收斂所用時間， 繪制輪次對比曲線， 如圖10所示。

基本信息素搜索算法的平均輪次為83.8輪， 最小搜索輪次為69輪； 基于關聯定位誤差的信息素搜索算法平均輪次為44.81輪， 最小搜索輪次為18輪。 可知在相同初始條件下， 基于關聯定位誤差信息素的搜索算法擁有整體更低的搜索輪次， 這是因為所設計的精英導引策略能夠領導集群個體向目標快速逼近。 仿真結果表明， 改進后的算法能夠提高隨機位置目標搜索場景下巡航導彈集群的搜索速度。

5" 結" 論

為實現巡航導彈集群的快速協同搜索， 提出一種關聯定位誤差的信息搜索算法。 該方法引入交叉測向定位獲得的最優定位誤差， 根據最優定位誤差和個體與疑似目標空間位置， 確定集群內的精英個體， 并通過調整精英個體附近信息素濃度領導同組成員； 考慮巡航導彈控制特點， 設計了適用于巡航導彈集群的信息素協同搜索架構。 數值仿真實驗驗證了所設計架構的有效性； 對比實驗證明了所提改進算法的優越性， 能夠提升集群定位速度。

未來的研究將進一步拓寬巡航導彈集群的應用場景， 在充分考慮導彈天然約束情況下， 提升彈藥集群的自主性和智能性， 構建更真實、 適用性更強的分布式巡航導彈作戰集群。

參考文獻：

［1］ 林功勛，" 滕海. 巡航導彈的特點與防御難點研究［J］. 軍事文摘，" 2023（1）： 41-45.

Lin Gongxun，" Teng Hai. Research on Characteristics and Defense Difficulties of Cruise Missile［J］. Military Digest，" 2023（1）： 41-45.（in Chinese）

［2］ Liu D W，" Sun J，" Huang D G，" et al. Research on Development Status and Technology Trend of Intelligent Autonomous Ammunition［J］. Journal of Physics： Conference Series，" 2021，" 1721（1）： 012032.

［3］ 劉果， 蘇炯銘， 羅俊仁.智能導彈作戰能力分析與作戰運用模式研究［C］∥ 中國自動化大會， 2022： 593-599.

Liu Guo，" Su Jiongming，" Luo Junren. Operational Capabilities Analysis and Operational Applications Research of Intelligent Missiles［C］∥ China Automation Conference，" 2022： 593-599. （in Chinese）

［4］ 孟二龍，" 高桂清，" 王康，" 等. 俄羅斯鋯石高超聲速智能反艦導彈主要優勢及啟示［J］. 飛航導彈，" 2019（11）： 34-38.

Meng Erlong，" Gao Guiqing，" Wang Kang，" et al. Main Advantages and Enlightenment of Russian Zircon Hypersonic Intelligent Anti-Ship Missile［J］. Aerodynamic Missile Journal，" 2019（11）： 34-38.（in Chinese）

［5］ Luo Q Y，" Luan T H，" Shi W S，" et al. Deep Reinforcement Learning Based Computation Offloading and Trajectory Planning for Multi-UAV Cooperative Target Search［J］. IEEE Journal on Selected Areas in Communications，" 2023，" 41（2）： 504-520.

［6］ Liu X Y，" Lin Z C，" Niu Y B，" et al. A Multi-UAV Cooperative Search System Design Based on Man-in-the-Loop［C］∥3rd International Conference on Unmanned Systems （ICUS），" 2020： 757-762.

［7］ Tang C K，" Wang Y Y，" Zhang L L，" et al. Multisource Fusion UAV Cluster Cooperative Positioning Using Information Geometry［J］. Remote Sensing，" 2022，" 14（21）： 5491.

［8］ Li L A，" Li Y P，" Zeng J B，" et al. A Research of Multiple Autonomous Underwater Vehicles Cooperative Target Hunting Based on Formation Control［C］∥6th International Conference on Automation，" Control and Robotics Engineering （CACRE），" 2021： 22-27.

［9］ Dorigo M，" Di Caro G，" Gambardella L M. Ant Algorithms for Discrete Optimization［J］. Artificial Life，" 1999，" 5（2）： 137-172.

［10］ Perez-Carabaza S，" Besada-Portas E，" Lopez-Orozco J A，" et al. Ant Colony Optimization for Multi-UAV Minimum Time Search in Uncertain Domains［J］. Applied Soft Computing，" 2018，" 62： 789-806.

［11］ Shen Y K，" Wei C，" Sun Y B，" et al. Bird Flocking Inspired Methods for Multi-UAV Cooperative Target Search［J/OL］. IEEE Transactions on Circuits and Systems II： Express Briefs，" 2023： 1.

［12］ 劉云昊，" 鄧亦敏，" 段海濱，" 等. 基于飛蛾信息素尋偶機制的無人機集群協同搜索［J］. 國防科技大學學報，" 2022，" 44（4）： 22-31.

Liu Yunhao，" Deng Yimin，" Duan Haibin，" et al. Unmanned Aerial Vehicle Swarm Cooperative Search Based on Moth Pheromone Courtship Mechanism［J］. Journal of National University of Defense Technology，" 2022，" 44（4）： 22-31.（in Chinese）

［13］ Xie X W，" Tang Z H，" Cai J J. The Multi-Objective Inspection Path-Planning in Radioactive Environment Based on an Improved Ant Colony Optimization Algorithm［J］. Progress in Nuclear Energy，" 2022，" 144： 104076.

［14］ Luo Q，" Wang H B，" Zheng Y，" et al. Research on Path Planning of Mobile Robot Based on Improved Ant Colony Algorithm［J］. Neural Computing and Applications，" 2020，" 32（6）： 1555-1566.

［15］ 劉雪，" 田云娜，" 田園." 群智能算法研究綜述［J］. 信息與電腦（理論版），" 2021，" 33（24）： 63-69.

Liu Xue，" Tian Yunna，" Tian Yuan. A Survey of Swarm Intelligence Methods［J］. Information amp; Computer，" 2021，" 33（24）： 63-69.（in Chinese）

［16］ 鐘建林，" 劉方，" 石章松，" 等. 基于測向交叉定位的空艦導彈協同攻擊方法［J］. 航空兵器，" 2019，" 26（4）： 47-53.

Zhong Jianlin，" Liu Fang，" Shi Zhangsong，" et al. Coordinated Attack Method for Air-to-Ship Missiles Based on Beam-Crossing Locating［J］. Aero Weaponry，" 2019，" 26（4）： 47-53.（in Chinese）

［17］ 錢杏芳，" 林瑞雄，" 趙亞男. 導彈飛行力學［M］. 北京： 北京理工大學出版社， 2000： 59-60.

Qian Xingfang，" Lin Ruixiong，" Zhao Yanan. Missile Flight Mechanics［M］. Beijing： Beijing Insititute of Technology Press，" 2000： 59-60. （in Chinese）

［18］ Zhou J，" Wen C，" Zhou J，" et al. Adaptive Backstepping Control［M］. Berlin： Springer，" 2008： 9-31.

［19］ 于月平，" 段海濱，" 范彥銘，" 等." 仿歐椋鳥大規模超機動行為的無人機集群轉彎控制［J］." 機器人，" 2020，" 42（4）：" 385-393.

Yu Yueping，" Duan Haibin，" Fan Yanming，" et al. Turning Control of Multiple UAVs Imitating the Super-Maneuver Behavior in Massive Starlings［J］. Robot，" 2020，" 42（4）： 385-393.（in Chinese）

Research on Fast Cooperative Search of Cruise Missile Cluster via

Correlation Location Error Pheromone

Chen Rujia， Deng Yimin， Duan Haibin*

（Beihang University， Beijing 100083， China）

Abstract： Cooperative search is a future development direction in the field of cruise missile multi-projectile control，" and its research is helpful for cruise missile to adapt to the future battlefield intelligent operation requirements. To solve the problem of efficient target search of cruise missile cluster in the absence of prior environmental information，" an improved pheromone fast collaborative search algorithm based on correlation location error is proposed，" which selects elite individuals within the group to lead the search of cluster members. On the basis of this，" this paper combines cross direction finding，" position control，" information fusion，" autonomous grouping and other methods to build a specific implementation architecture suitable for cruise missile cluster. Through numerical simulation analysis and comparison，" the architecture constructed in this paper can realize the location of cruise missile cluster to multiple unknown targets in the sea-skimming scenario，" and the proposed enhanced pheromone search algorithm can improve the efficiency of collaborative search.

Key words： cruise missile； unmanned system cluster； cooperative search； ant pheromone； guidance and control