摘要：无人机执行侦察任务时需要预先进行组织规划以满足特定的任务要求，将无人机侦察过程分为信息采集和信息回传两个过程，分析了不同类型无人机的探测能力及适用范围，并基于无人机与信息接收节点的不同通信策略分析了四种不同的信息回传方式；最后着重分析了元启发式算法在无人机路径规划中的应用。

关键词：侦察无人机；信息采集；信息回传；路径规划；元启发式算法

0 引言

近些年，无人机（UAV）因其低成本，高机动性，环境适应性等特点被广泛适应于民用和军事领域，成为各国竞相研究的热门技术。在民用领域中，无人机主要被用于农业监测，空中快递，火灾救援，5G辅助通信等场景^[1-2]，军事领域中，无人机主要执行军事侦察，火力打击，对有人驾驶机掩护等任务^[3-4]。在侦察任务中，一方面无人机具有体积小，机动性强，造价低廉等特点，因此其可以代替人前往一些地形复杂，凭人力难以探索的地方进行侦察，或者前往危险性大的敌方区域收集信息，这极大的节约了完成侦察任务的人力成本。另一方面，无人机行动灵活，且可以搭载不同功能的侦察设备，能够获取各种类型的侦察信息，具有极强的信息收集能力。

然而，受科技水平的限制，无人机当前仍不具备人的智能水平，面对复杂任务，无论是单架无人机独立执行，还是多架无人机协同执行，都需要预先进行合理的组织规划以确保成功完成任务^[5]，即对每架无人机执行的具体任务，执行任务的方式，飞行路径，资源使用等各方面进行合理规划。对无人机预先的组织规划是否合理，决定了无人机能否按照要求完成任务，因此研究如何对侦察无人机进行组织规划具有重要意义。

无人机军事侦察是利用无人机获取与敌方斗争所需要的信息的行动，是一个具备时序和空间属性的过程。空间属性主要体现为需要对单个或多个无人机进行路径规划，确定其访问的目标及飞行路线。时序属性主要体现为在整个任务过程中，无人机需要先完成信息收集，再将信息回传给接收信息的信息接收节点。对于相同的场景和任务，无人机的类型不同和路径规划方案不同会导致最终的信息收集结果不同，而无人机与接收信息的信息接收节点的通信方式不同，同样会对信息回传过程产生不同的影响。信息收集过程和信息回传过程会直接影响侦察任务的最终完成情况，因而为了满足不同侦察任务的要求，在对无人机进行组织规划时必须要考虑到不同因素对于侦察过程的影响。

1 无人机类型与信息采集

无人机根据机翼类型可以分为固定翼和旋翼无人机。与旋翼无人机相比，固定翼无人机(例如小型飞机)具有更大的重量，更高的速度，但是需要向前移动才能保持高空飞行，无法在空中悬停，固定翼无人机更加适合在空旷地带或高空对目标进行侦察。相反，如四旋翼无人机之类的旋翼无人机可以在给定区域上盘旋并保持静止^[6]，行动更加灵活，适合在地形复杂区域收集信息，但是其相比于固定翼无人机速度以及续航时间更小，不能长时间执行侦察任务。

根据任务要求和侦察目标不同，需要使用的无人机种类不同。不同类型的无人机因其飞行高度、负载能力和能源限制等特征不同，具备的信息收集能力也不同。根据飞行高度可以将无人机分为高空平台（HAP）和低空平台（LAP）。高空平台的海拔高度在17km以上，通常是准静止的^[7]，其拥有更大的负载能力和能源储备，能够在某一固定的大范围侦察区域内的长时间收集军事信息。另一方面，高空平台由于其高海拔特性，不易被敌方发现。相较而言，低空平台通常在几十米到几公里的高度飞行，可以快速移动且行动灵活^[8]，能够收集不同区域的信息，相比于高空平台，其收集的信息精度更高。同时，低空平台可以更快地完成的部署，适合执行对完成时间具有一定要求的任务，但是低空平台也因能源和负载的限制^[9]，不具备长时间的持续信息收集能力。

无人机信息收漂方式还取决于无人机负载的侦察设备^[10]，如红外摄像，高速摄像机，环境感知器件等。负载设备提取信息的范围决定了无人机与目标的远近，如装备高空摄影机的无人机可以在距离目标较远的上空侦察目标，装备环境感知器件的无人机则需要靠近目标以提取信息。无人机除了通过所负载的设备提取目标信息外，也可以协同地面侦察设备获取信息，如图2所示，将侦察设备或地面侦察车放置在目标区域进行侦察，无人机到达地面侦察设备附近时由设备将信息发送给无人机。

2 无人机信息回传方式

无人机的信息回传方式与无人机和信息接收节点的通信策略有关，主要为四种：无人机携带信息飞回信息接收节点，无人机通过卫星中继回传信息，无人机通过蜂窝网络回传信息，无人机通过自组网通信回传信息。

在信息接收节点和侦察区域相距非常遥远，侦察区域无法拥有固定基础设施的情况下，卫星通信是最佳解决方案。卫星可以作为信息接收节点和无人机之间通信的中转站。然而，无人机与卫星的通信链路过长，因而这种方式中信息传输延迟更高。此外，在树木或建筑等遮挡物较多的场景下，这些遮挡物会阻碍无人机与中继卫星的通信^[11]。

蜂窝网络是当前热门的通信方式，该技术通过基站将通信场景分成多个区域，每个区域由f基站（中心点）提供通信服务。一个区域内的所有通信都必须经过这个中心点^[12]，该中心点通过路由转发的方式将信息传递至目的地。然而，军事侦察任务通常是收漂危险区域或敌方区域信息，很少存在侦察区域拥有固定基站的情况，因而此回传方式不适用于军事侦察任务。

无人机自组网，是MANET（移动自组网）的一部分，其中节点之间无需中央基础设施即可进行通信^[13]。如图3所示，每个无人机都被视为一个路由节点，所有无人机组成一张路由网络相互传递信息。通过这种方式，无人机之间以及无人机和信息接收节点之间可以进行短距离或长距离的通信，这可以提高无人机自组网在信息回传范围和传输数据速率方面的效率。但是当收到较大的电子干扰或者无人机拓扑位置快速变化时，无人机之间的通信链路容易受到破环，此时无人机通过自组网方式回传信息无法保证侦察信息的高可靠性。此外，当侦察区域距离用户较远时，无人机资源耗费巨大。

在无人机数量有限的情况下，无人机携带信息回传是一个经济有效的信息传输方式^[14]，该方式中，无人机携带获取的信息飞至通信信息接收节点，当信息接收节点进入无人机的通信范围内后，无人机将携带的信息传递给信息接收节点，釆用该方法既能够保证信息接收节点获取的信息质量，同时也能够节约无人机资源。但是，由于无人机在往返路径上会消耗一定的时间，当用户和侦察区域较远的情况下，会对用户获取信息造成一定的时延，因而此方法适用于对于获取信息具有一定的延迟容忍度的侦察任务。

3 元启发式算法

无人机在进行信息采集以及信息回传过程中都需要进行合理的路径规划，无人机的路径规划方案决定了其是否能够满足侦察任务要求。当前路径规划问题通常被建模为旅行商问题（TSP）或者旅行商问题的变形问题，即在通过规划旅行商的目标访问顺序，遍历所有目标或者满足其他特定的任务要求。而TSP问题已被证明是NP问题^[15]，难以在短时间内求得最优解或者无法得出最优解，当前学者们通常采用元启发式算法在短时间内算法获取路径问题的次优解。

元启发式算法是通过自然界的存在的现象规律引申出来的算法，其代表算法地传算法（GA）、粒子群算法（PSO）和蚁群算法（ACO）等。与传统数学推导算法不同，元启发式算法主要通过不断迭代的方式获取某个问题的解决方案，其极大降低了求解NP问题的复杂度，因而被广泛应用于路径规划问题的求解。

遗传算法（GA）易于理解且易于使用，具有并行性和鲁棒性，同时具有良好的全局搜索功能。它包含遗传个体，遗传算子以及遗传种群三个概念，一个遗传个体代表一个解，遗传种群则代表多个解的集合，遗传算子则为个体进行遗传操作的方法。遗传算法每一次迭代中，遗传算子使用选择，交叉和变异对个体进行遗传操作，为了确保总体的连续性，保留最佳个体至下一代，同时为了使遗传个体多样化，使用交叉和变异算子来对个体进行遗传操作。

基于遗传算法求解旅行商问题时会遇到多样性保持与收敛不平衡的问题。文献^[16]提出了一种启发式计算模型（PCM）。基于PCM的先验知识，增强所得解的分布，首先优化组初始化过程，然后使用爬山方法（HC）避免陷入局部最优。文献^[17]将遗传算法和粒子群算法相结合，提出了一种新的特征选择方法。该方法是将粒子群优化（PS0）的更新规则和标准速度与遗传算法的选择，交叉和变异相结合，进而进行个体杂交。

蚁群算法本质上是一种并行的正反馈算法，整体上类似于分布式多代理系统，它具有健壮性，低参数和自组织的优点。蚁群算法类似于快速探索随机树，从搜索空间到检测区域的随机提取样本逐步构建填充树，能够快速解决非凸问题。文献^[18]则提出一种基于分布式算法的蚁群系统（ACS）求解TSP问题。在该算法中，利用虚拟的蚂蚁探索路径，每只蚂蚁在探索路径上留下一定的信息素，存储在TSP映射边缘的信息素构成一个路径解决方案。文献^[19]提出了一种改进的蚁群算法用于求解带时间窗的路径问题，基于“集思广益”思想更新获得的解，与传统蚁群算法相比，此算法节省了路由成本，提高了局部和全局收敛速度。

粒子群是一种概率类算法，可以快速优化旅行商路径。它具有概念简洁，易于实现，鲁棒性强等特点，能够存储过去的迭代以及并行分布式计算。由于粒子群趋于过早的收敛，该算法通常和其他进化算法联合使用，然后通过迭代更新搜索近似最佳值。粒子群算法的灵感来自鸟类的觅食行为，每个“鸟”都作为一个移动“粒子”寻找路径方案，同时其根据自身和其他粒子飞行经验迭代更新当前位置和飞行速度。目前，粒子群算法己成为解决连续空间路径优化问题的主要优化算法。文献^[20]提出了一种新的基于集合的粒子群算法，该算法使用集合和概率的概念来定义位置和速度，其候选解和速度分别定义为确定集和概率集。文献^[21]中研究者受群体繁殖过程启发提出一种基于适应度依赖的优化算法（FDO）oFDO使用适合度函数值生成权重，这些权重在探索和开发阶段指导搜索代理并将搜索代理推向最佳状态。

4 结语

侦察无人机执行任务时需要预先进行组织规划，其组织规划需要考虑无人机信息采集和信息回传两个过程。无人机信息采集可以通过负载装备采集侦察信息或者与传感器协同获取侦察信息，无人机类型以及无人机负载装备影响无人机的信息采集方式。在信息回传过程中，根据无人机和信息接收节点的通信策略，无人机回传信息方式可分为携带传输，卫星中继，蜂窝传输，组网传输四种。此外，无人机信息采集和信息回传都需要对无人机进行路径规划，利用元启发式算法能够快速的获取无人机的路径次优解，其代表算法为遗传算法，蚁群算法和粒子群算法三种算法。

参考文献：

[1] R.S.Stansbury，M.A.Vyas，and T.A.Wilson，A survey of UAS technologies for command，control，and communication[C].Unmanned Aircraft Systems.Springer，2008，pp.61-78.

[2] R.Austin，Unmanned aircraft systems:UAVS design，devel­opment and deployment[J].John Wiley＆Sons，2011，vol.54.

[3] M.Mozaffari，W.Saad，M.Bennis，and M.Debbah，"Mobile unmanned aerial vehicles(UA Vs)for energy-efficient Internet of Things communications[J].IEEE Transactions on Wireless Communications，vol.16，no.ll，pp.7574-7589，Nov.2017

[4] R.Yaliniz，A.El-Keyi，and H.Yanikomeroglu，Efficient 3-D placement of an aerial base station in next generation cellular networks[J].Proc，of IEEE International Conference on Com-munications(ICC)，Kuala Lumpur，Malaysia，May.2016.

[5] E.W.Frew，T.X.Brown，Networking issues for small unmanned aircraft systems[J]，Intell.Rob.Syst.54(1-3)(2009)21-37.

[6] G.Ding，Q.Wu，L.Zhang，Y.Lin，T.A.Tsiftsis，and Y.D.Yao，An amateur drone surveillance system based on the cog­-nitive Internet of Things[J].IEEE Communications Magazine，vol.56，no.1，pp.29-35，Jan.2018.

[7] K.P.V.Valavanis，J.George，Classification of multi-UAV architectures，Handbook of Unmanned Aerial Vehicles[C]，ICUAS，USA，2014.

[8] Zanella，N.Bui，A.Castellani，L.Vangelista，and M.Zorzi，Internet of Things for smart cities[J].IEEE Internet of Things Journal，vol.1，no.1，pp.22-32，Feb.2014.

[9] T.Park，N.Abuzainab，and W.Saad，Learning how to com­municate in the Internet of Things:Finite resources and het-­erogeneity[J].IEEE Access，vol.4，Nov.2016.

[10] ZengY，XuJ，ZhangR.Energy Minimization for Wireless Communication With Rotary-Wing UAV[J].IEEE transac-­tions on wireless communications，2019，18(4):2329-2345.

[11] Q.Wu，J.Xu，and R.Zhang，UA V-enabled aerial base sta­tion(BS)Ⅲ/Ⅲ：Capacity characterization of UA V-enabled two-user broadcast channe[J] available online:arxiv.org/abs/1801.00443，2018.

[12] Hourani，S.Kandeepan，and A.Jamalipour，"Modelingair-to-ground path loss for low altitude platforms in urban envi­ronments[C].Proc.Of IEEE Global Telecommunications Conference(GLOBECOM)，Austin，TX，USA，Dec.2014.

[13] Stcker，R.Bennett，F.Nex，M.Gerke，and J.Zevenbergen， Review of the current state of UAV regulations[J].Remotesensing，vol.9，no.5，p.459，2017.

[14] E.Yanmaz，S.Yahyanejad，B.Rinner，H.Hellwagner，and

C.Bettstetter，Drone networks:Communications，coordina­tion，and sensing[J].AdHoc Networks，vol.68，pp.1-15，2018.

[15] M.Niendorf，P.T.Kabamba，and A.R.Girard，Stability of Solutions to Classes of Traveling Salesman Problems[J].IEEET rans.Cybem.，vol.46，no.4， pp.973-985，Apr.2016.

[16] Buddhadeb Pradhan，Diptendu Sinha Roy，Nirmal BaranHui，Multi-agent Navigation and Coordination Using GA-Fuzzy ApproachtJ].Soft Computing for Problem Solving，pp.793-805，Oct.2018.

[17] P.Ghamisi and J.A.Benediktsson，Feature Selection Based on Hybridization of Genetic Algorithm and Particle Swarm Opti-mization[J].IEEE Geosd.Remote S.，vol.12，no.2，pp.309-313，2015.

[18] M.Dorigo and L.M.Gambardella，Ant colony system:a co­operative learning approach to the traveling salesman problem[J].IEEE T.Evolut.Comput.，vol.1，no.1，pp.53-66，1997.

[19] L.Wu，Z.He，Y.Chen，D.Wu and J.Cui，Brainstorming-Based Ant Colony Optimization for Vehicle Routing With Soft Time Windows[J].IEEE Access，vol.7，pp.19643-19652，2019.

[20] W.Chen，J.Zhang，H.S.H.Chung，W.Zhong，W.Wu and Y.Shi，A Novel Set-Based Particle Swarm Optimization Meth­-od for Discrete Optimization Problems[J].IEEET.Evolut.Comput.，vol，14，no.2，pp.278-300，2010.

[21] S.LAyon，M.A.H.Akhand，S.A.Shahriyar and N.Siddique，Spider Monkey Optimization to Solve Traveling Salesman Problem[C].Proc.of the International Conference on Electri­cal，Computer and Communication Engmeering，2019，pp.1-5.