随着控制理论和计算机科学的发展,为了满足日益复杂的战场环境下的作战需求,无人机的作战方式逐渐由单平台作战向集群作战转型。与传统单平台作战相比,集群作战的智能化程度高、鲁棒性好,在复杂的战场环境下可以更好地完成作战任务。在无人机集群作战的任务规划中有三个重点研究内容:(1)利用集群作战的优势完成合作任务;(2)集群作战的航迹规划;(3)集群作战的任务分配。这三点内容决定了无人机集群作战效果的优劣,是集群作战方式由理论转向实践的关键。集群无人机在执行合作任务时,需要分析合作执行任务与单机执行任务相比的优势以及参与合作任务的无人机之间怎样配合这两个问题。航迹规划和任务分配则是任何任务规划系统都需要关心的核心问题。在复杂的战场环境下,如何合理分配任务,如何在满足各种约束条件的前提下为集群中的每个无人机设计较优的航迹,如何合理建立模型并设计有效的算法解决集群作战中的难题,都值得深思。本文以多无人机的侦察定位作为作战任务,将参与集群的无人机分为多个编队分别执行任务,以此为背景建立了任务规划的系统模型并对算法进行了设计和仿真。论文的主要内容总结如下:1、简要介绍了无源多站协同时差(TDOA)定位的原理,指出在TDOA定位中接收站的布站方式对定位精度的影响很大。针对这个问题,本文提出使用粒子群算法对每个观测时刻编队中辅无人机的观测点进行优化,然后利用三次样条插值法将观测点连接得到辅无人机在侦察区间内的平滑航迹。2、对于无人机在两侦察任务之间的航迹,针对现有单无人机航迹规划模型中存在的不足,本文对作战环境中存在的威胁进行分析和建模,在基本A*算法的基础上设计了一种可以使无人机有效规避风险的改进A*算法。在改进算法的基础上,本文又利用线性插值法对航迹进一步优化,在减少风险的同时也解决了A*算法的规划结果中存在折线航迹的问题。3、对于侦察任务的分配问题和每个待侦察目标处主无人机观测点的选择问题,本文采用遗传算法求解。在任务分配问题中,遗传算法的编码类似于解决TSP问题时使用的整数编码,但在编码中加入多个0,以每两个0之间的序列表示一个无人机编队需要执行的任务以及执行的顺序,以估计航程代价和待侦察目标的优先级共同表示算法的适应度函数。观测点的选择是一个组合优化问题,本文根据任务规划的模型确定了每个待侦察目标处观测点的可选范围,以观测点组合表示的主无人机航迹的累积风险成本与观测点和目标的位置关系决定的定位精度共同表示算法的适应度函数。4、本文针对以上算法建立了仿真模型并进行计算机仿真,仿真结果证明了系统中各算法设计的合理性和任务规划系统的有效性。