基于DCBGA的异构无人机集群ACK构建方法、系统和设备

技术领域

本发明属于无人机集群控制技术领域，涉及一种基于DCBGA的异构无人机集群ACK构建方法、系统和设备。

背景技术

经典的多智能体任务分配问题的模型和求解方法都已十分成熟，其本质是将该问题建模为组合优化问题，并实现复杂约束条件下无人机节点和任务节点的映射关系。就求解方法而言，主要可以分为集中式方法(solution)和分布式方法两类。集中式任务分配架构中存在一个全局的信息控制和决策中心，分配过程中各无人机平台向中心节点通报态势信息，最终产生一个全局统一的任务分配方案。但是该方法对于规模效应十分敏感，特别是在动态条件下，态势信息更新频繁，极易造成通信拥塞和决策求解困难。此外，对抗条件下还存在着中心节点“单点失效”的风险，系统的鲁棒性较差。目前的无人机集群大多采用低成本模块化设计的平台，平台通过搭载异构载荷实现任务资源的分布式部署，集群的大规模、动态、分布式特性使得难以在全局形成统一的信息交互节点，故分布式任务分配的求解方法的适用性更好。

分布式任务分配架构下，各无人机作为独立的功能节点基于自身的局部信息做出决策，并通过与领域内其他节点的信息交互实现一致性态势感知和决策冲突消解，现有研究成果包括基于市场机制下的合同网拍卖方法、单节点-单任务分配的CBAA方法、单节点-多任务分配的CBBA方法和CBGA方法等。然而前述传统的无人机集群技术存在着对大规模且动态环境下的异构无人机集群任务网络构建效率较低的技术问题。

发明内容

针对上述传统方法中存在的问题，本发明提出了一种基于DCBGA的异构无人机集群ACK构建方法、一种基于DCBGA的异构无人机集群ACK构建系统以及一种计算机设备，能够显著提高大规模且动态环境下的异构无人机集群任务网络构建效率及适用性。

为了实现上述目的，本发明实施例采用以下技术方案：

一方面，提供一种基于DCBGA的异构无人机集群ACK构建方法，包括步骤：

将动态对抗环境下的整体任务流程划分为离散的时间序列并确定各时间步长；

在当前时间步长内，异构无人机集群中各无人机利用构建的DCBGA模型进行目标选择；目标选择过程中各无人机根据自身视角内的最新态势信息选择边际收益最高的目标；

在当前时间步长内，各无人机利用DCBGA模型进行一致性过程；一致性过程中各无人机分别与通信直连的相邻无人机进行信息交互，完成态势信息共享及冲突消解；

在当前时间步长内的目标选择和一致性过程完成轮次达到设定轮数时，各无人机完成各自本地信息的更新、自身任务执行状态和运动状态的切换并进入下一个时间步长；

跟随每一时间步长的目标选择和一致性过程，输出并更新构建的异构无人机集群的ACK网络；ACK网络用于指示各无人机执行对所选目标的任务流程。

另一方面，还提供一种基于DCBGA的异构无人机集群ACK构建系统，包括：

任务划分模块，用于将动态对抗环境下的整体任务流程划分为离散的时间序列并确定各时间步长；

目标选择模块，用于在当前时间步长内，指示异构无人机集群中各无人机利用构建的DCBGA模型进行目标选择；各无人机根据自身视角内的最新态势信息选择边际收益最高的目标；

一致性模块，用于在当前时间步长内，指示各无人机利用DCBGA模型进行一致性过程；一致性过程中各无人机分别与通信直连的相邻无人机进行信息交互，完成态势信息共享及冲突消解；

时间切换模块，用于在当前时间步长内的目标选择和一致性过程完成轮次达到设定轮数时，指示各无人机完成各自本地信息的更新、自身任务执行状态和运动状态的切换并进入下一个时间步长；

网络输出模块，用于跟随每一时间步长的目标选择和一致性过程，输出并更新构建的异构无人机集群的ACK网络；ACK网络用于指示各无人机执行对所选目标的任务流程。

又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的基于DCBGA的异构无人机集群ACK构建方法的步骤。

上述技术方案中的一个技术方案具有如下优点和有益效果：

上述基于DCBGA的异构无人机集群ACK构建方法、系统和设备，在大规模异构无人机集群在动态对抗环境背景下，通过将整体任务流程划分为离散的时间序列并确定各时间步长，利用构建的DCBGA模型，异构无人机集群中各无人机在每一个时间步长内重复进行多轮目标选择过程和一致性过程，决定下一时间步长内全局的任务分配方案，最终落实全局层面目标选择方案到集群任务执行网络的构建，随着任务进程的不断演进，重复执行上述DCBGA模型的处理流程实现对任务执行网络的重构，不断推动集群任务的完成进度。相比于传统技术，上述方案实现了对大规模且动态环境下的异构无人机集群任务网络构建，效率高且适用性强。

附图说明

为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中基于DCBGA的异构无人机集群ACK构建方法的流程示意图；

图2为一个实施例中无人机的运动状态和转移流程示意图；

图3为另一个实施例中基于DCBGA的异构无人机集群ACK构建方法的流程示意图；

图4为一个实施例中基于DCBGA的异构无人机集群ACK构建系统的模块结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

除非另有定义，本申请所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本申请中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

需要说明的是，在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。

本领域技术人员可以理解，本申请所描述的实施例可以与其它实施例相结合。在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

通过对动态无人机集群系统的建模分析，知道任务场景下无人机集群的通信网络由集群的自组织过程驱动进行动态演化，而各任务平台的任务分配情况直接决定了集群自组织的运行方向，即无人机集群系统的执行网络(也称ACK)构建最终转化为基于任务分配方案而完成的系统效能释放的自组织过程。为此，将动态对抗条件下无人机集群执行网络构建问题抽象为多智能体的动态任务分配问题。

经典的多智能体任务分配问题的模型和求解方法都已十分成熟，其本质是将该问题建模为组合优化问题并实现复杂约束条件下无人机节点和任务节点的映射关系。就求解方法而言，主要可以分为集中式方法(solution)和分布式方法两类。集中式任务分配架构中存在一个全局的信息控制和决策中心，分配过程中各无人机平台向中心节点通报态势信息，最终产生一个全局统一的任务分配方案。但是该方法对于规模效应十分敏感，特别是在动态条件下，态势信息更新频繁，极易造成通信拥塞和决策求解困难。此外，对抗条件下还存在着中心节点“单点失效”的风险，系统的鲁棒性较差。

目前的无人机集群大多采用低成本模块化设计的平台，平台通过搭载异构载荷实现作战资源的分布式部署，集群的大规模、动态和分布式特性使得难以在全局形成统一的信息交互节点，故分布式任务分配的求解方法的适用性更好。分布式任务分配架构下，各无人机作为独立的功能节点基于自身的局部信息做出决策，通过与领域内其他节点的信息交互实现一致性态势感知和决策冲突消解，从而使得该方法表现出更好的鲁棒性、适应性和扩展性。

例如，基于市场机制下的合同网拍卖方法在多智能体任务分配领域应用广泛，该过程包括三个步骤：招标、投标、中标。为进一步削弱拍卖商的中心节点地位以增强方法的分布式特性，有研究员在合同网机制的基础上提出了单节点-单任务分配的CBAA方法和单节点-多任务分配的CBBA方法，实现了“完全”分布式的一致性协商过程，更加贴近集群作战过程中群体智能涌现的场景设定。然而方法本身是基于静态条件下的同构多智能体任务分配场景，为此众多学者在此基础上对问题复杂度进行扩展并相应的展开多方面的方法改进。

首先，CBBA方法的作者团队为增强方法在实际任务场景中的适用性，做出了一系列的改进。有学者在CBBA方法的基础上引入部分重规划机制(Partial Replanning)用于应对任务执行过程中出现新的动态目标的情况。还有学者将CBBA方法和Dijkstra(迪杰斯特拉)方法结合，在任务分配的同时实现了障碍避碰约束下的路径规划。还有学者在任务分配的基础上进一步考虑任务执行过程中多无人机通信连通性的维持，增强了动态通信受限条件下的多机协同能力。需要说明的是该方法的任务背景为小规模多无人机面向地面控制中心信息回传需求的通信保持，与本申请大规模异构无人机集群“离岸”自主执行任务、维持集群内部通信连接的场景并不相同。还有学者对任务和agent(智能体)的异构属性做出进一步扩展，引入异构agent合作机制，拓宽了方法的应用场景。

此外，还有学者在方法模型中添加了任务执行过程的时序耦合约束(couplingconstraints)，更加符合实际应用需求，将任务执行过程划分为离散的时间序列，通过迭代贪婪优化实现动态场景下的多无人机任务分配。受到群居动物认知行为的启发，有学者提出CBGA方法，将异构无人机联盟作为CBBA方法中的agent个体，联盟通过异构单元的共同合作协同完成分配的任务，这与多无人机向敌方目标发起同时攻击的任务场景十分贴近。

但上述现有方法大多存在以下问题：(1)假设多智能体对于全局目标信息预先已知，缺少集群对于未知环境一致感知的过程，特别是在动态对抗条件下出现的“弹出式”(pop-up)目标和无人机战损的作业态势更新；(2)智能体模型过于简化，缺乏运动学约束的考虑，导致任务间转运的行程代价计算不够准确；(3)对于异构智能体的组合，未考虑非线性效能的叠加；(4)多智能体规模较小，任务求解的实时性要求不高，与大规模无人机集群作战的实际应用场景存在差距。

为此，本申请对CBGA方法做出未知环境下的动态对抗性、规模扩展性和非线性异构效能叠加的改进，提出了用于动态对抗条件下多无人机-多目标任务分配的DCBGA(Dynamic Consensus-Based Group Algorithm)方法，更加符合异构无人机集群执行网络构建的任务场景。

学者在CBBA方法的基础上，考虑单任务需要多无人机进行同时匹配的约束，相应地提出了CBGA方法。本申请基于此方法进行动态化改进，提出DCBGA方法用于驱动集群中的无人机个体选择边际收益最大的目标，从而在全局层面促使多个异构无人机形成针对各个目标的执行网络。

在一个实施例中，如图1所示，提供一种基于DCBGA的异构无人机集群ACK构建方法，包括步骤S11至S15：

S11，将动态对抗环境下的整体任务流程划分为离散的时间序列并确定各时间步长；

S12，在当前时间步长内，异构无人机集群中各无人机利用构建的DCBGA模型进行目标选择；目标选择过程中各无人机根据自身视角内的最新态势信息选择边际收益最高的目标；

S13，在当前时间步长内，各无人机利用DCBGA模型进行一致性过程；一致性过程中各无人机分别与通信直连的相邻无人机进行信息交互，完成态势信息共享及冲突消解；

S14，在当前时间步长内的目标选择和一致性过程完成轮次达到设定轮数时，各无人机完成各自本地信息的更新、自身任务执行状态和运动状态的切换并进入下一个时间步长；

S15，跟随每一时间步长的目标选择和一致性过程，输出并更新构建的异构无人机集群的ACK网络；ACK网络用于指示各无人机执行对所选目标的任务流程。

关于DCBGA(模型)方法的关键信息：根据CBGA方法的需要，在整个任务执行过程中，每个无人机在本地都存储着中标者(successful bidder)矩阵和中标价格(tenderprice)矩阵这两项决策信息用于目标决策。考虑真实作业环境的动态未知特性，需要将任务过程划分为多个离散的时间步长，在时域内滚动完成全局的动态任务分配。这里的时间步长Δt可以是任意定义的一段时间长度，具体的细节粒度视作业的实际态势变化情况而定。在每个时间步长Δt后，各无人机U

其中，中标者矩阵记为Z

其中，u

其中，

根据式(2)的临时任务联盟的任务预期收益的计算公式可以看出，相同类型和规模的联盟成员组合的条件下，各类型无人机编组

此外，无人机之间展开目标竞争时都是基于自身视角给出针对各个目标的投标值，而由于通信受限的缘故，各自视角中的目标临时任务联盟组建情况G(T

此外，在DCBGA方法中每个无人机在本地还需要记录一些方法关键信息，包括任务包向量b

为单个无人机构建包含多个待执行任务的任务包向量的出发点是为了当多个目标位置相近时，集群只需指派单个无人机去执行该连片区域内的多个目标而不是指派多个无人机分别执行这部分目标任务。然而在动态对抗条件下，战场态势变化迅速，可能随时出现新目标弹出和无人机失效的情况，无人机构建的大长度任务包会将面临频繁的任务重分配，同时生成新的最优执行路径将十分耗时。并且由于集群通信受限的特性，各无人机对战场态势更新的感知速度较慢，构建的大长度任务执行路径的可信度存疑。为此，本申请增强无人机个体在任务执行过程中的贪心特性，在DCBGA方法中将任务包向量b

具体的，在动态对抗背景下，将整个任务流程划分为离散的时间序列，在每个时间步长(at each time step)内，DCBGA(模型)方法的运行分为两个阶段：目标选择过程和一致性过程。各无人机个体根据自身视角内的最新态势信息选择边际收益最高的目标，随后与通信直连的相邻无人机进行信息交互完成态势信息共享并实现冲突消解。每个时间步长内集群将进行重复多轮的两阶段DCBGA运行流程，最终决定下一时间步长内全局的任务分配方案(根据信息交流需要，将单个时间步长Δt内方法运行轮数设定为c

上述基于DCBGA的异构无人机集群ACK构建方法，在大规模异构无人机集群在动态对抗环境背景下，通过将整体任务流程划分为离散的时间序列并确定各时间步长，利用构建的DCBGA模型，异构无人机集群中各无人机在每一个时间步长内重复进行多轮目标选择过程和一致性过程，决定下一时间步长内全局的任务分配方案，最终落实全局层面目标选择方案到集群任务执行网络的构建，随着任务进程的不断演进，重复执行上述DCBGA模型的处理流程实现对任务执行网络的重构，不断推动集群任务的完成进度。相比于传统技术，上述方案实现了对大规模且动态环境下的异构无人机集群任务网络构建，效率高且适用性强。

在一个实施例中，异构无人机集群中无人机的任务执行状态包括无目标牵引、有目标牵引和固定目标选择，无人机的运动状态包括蛇形机动、航迹飞行、环绕等待、同步攻击和节点失效。

可以理解，本实施例中在行为驱动模块作用下，无人机的多种运动状态和转移规则如下图2所示。设定任务执行过程中无人机的任务执行状态es(task engagement state)分为三种，分别为无目标牵引(uncommitted)、有目标牵引(committed)以及固定目标选择(sticky)。运动状态(motion state)ms分为五种，分别为蛇形机动、航迹飞行、环绕等待、同步攻击以及节点失效。

其中，无目标牵引表示无人机当前没有响应任何目标的需求，在任务空间中随机游走，处于蛇形机动状态。有目标牵引表示无人机当前响应了某个目标的任务需求，处于航迹飞行状态。在前往任务执行位置的过程中，无人机可能会发现效益更高的目标并切换至前往该目标任务执行位置的飞行航迹。此外无人机可能发现已有优于自身的无人机前往执行该任务，那么就认为其在该任务的“竞标”中失败，重新切换至蛇形机动状态。

固定目标选择表示无人机“黏着”(sticky)于当前选择的目标任务而不进行任务切换，直至抵达该目标周围的特定任务执行位置，进入环绕等待状态，等待与其余异构无人机形成针对该目标的临时任务联盟。当联盟组建完毕后，联盟内的异构无人机会对目标发起同步攻击，攻击完成后联盟解散，各无人机恢复到蛇形机动状态。在部分情况下，可能由于目标位置偏僻或者目标优先级较低，处于环绕等待状态的无人机将长时间无法迎来新加入联盟的无人机，从而陷入到“卡死”(stuck)状态，此时无人机可以主动打破该状态(如设置等待倒计时)，重新进入蛇形机动状态，以便对其余目标的需求做出响应。此外在动态对抗条件下，无人机在任务执行全流程中的任意时刻都可能会遭受到对方攻击进入节点失效状态(dead)。

在一个实施例中，上述步骤S12中目标选择的过程，具体可以包括如下过程：

各无人机根据自身视角内的最新态势信息，选择执行对于自身边际收益增量最大的目标的子任务并将目标添加到自身的目标选择列表。

可以理解，在目标选择阶段，各无人机根据自身视角内的最新态势信息，选择执行对于自身边际收益增量最大的目标的子任务并将该目标添加到其目标选择列表c

目标选择过程的核心是计算当前态势下，无人机选择执行各个目标的子任务为自身带来的边际收益r

但无人机U

其中，μ为规模偏正因子，用于在初始阶段吸引无人机发起联盟组建；I(·)为指示函数，如果判据为真，则取值为1，否则为0。本申请中用各无人机在集群中的初始排列顺序作为其专属身份标识，即ID(U

为得到预计时间

在一个实施例中，进一步的，上述步骤S12中目标选择的过程，具体可以还包括如下过程：

在计算边际收益的过程中，记录当前无人机视角中各个目标的最优任务联盟组合；

若最优任务联盟组合成员发生变化，则当前无人机进行目标选择，否则跳过目标选择的执行。

具体的，对于大规模无人机集群而言，集群中存在大量的“空闲”无人机作为冗余任务节点，在发起攻击前这部分无人机将长时间处于无任务牵引状态(uncommitted)。每次进入目标选择过程，该部分无人机都需要对全域范围内已知的目标进行边际收益计算。通过上述分析可知，该过程中的最优控制序列的求解涉及到数值积分计算，将占用大量的计算资源且耗时较长，而最终可以预见这部分无人机将依旧处于无任务牵引状态，即可以认为该过程中方法运行存在大量的无效计算。也可以理解为任务单元存在“健忘”特性(forgetful)的智能缺陷，总是不断忘记目标选择过程中与其余无人机竞争失败的经历。

为此，需要在计算边际收益的过程中记录下当前无人机U

在一个实施例中，进一步的，上述步骤S12中目标选择的过程，具体还可以包括如下过程：

无人机在进入距离目标第一设定范围后，无人机设置自身的任务执行状态为固定目标选择状态；无人机的目标选择范围为距离无人机自身第二设定范围内的目标。

可以理解，无人机U

这在目标选择过程中，基于对最优性的追求，无人机个体会陷入“困惑”(confused)的境地，在相当长一段时间内不断切换目标选择并将该“症状”在集群层面大规模传播。造成某些时刻特别是“弹出式”(pop-up)目标动态注入任务空间的初始阶段，部分目标的任务联盟的成员缺失，出现全域执行网络漏洞的出现，影响集群任务效能的发挥。同时，无人机目标选择的切换将相应地引发起运动模式的反复切换，拖累无人机快速抵达选定目标的任务执行位置，延缓任务进程。

具体的，为进一步加快DCBGA方法的收敛速度，实现异构无人机集群执行网络的快速完备构建，本实施例进一步增强无人机在目标选择过程中的贪心特性以缓解无人机在目标选择初始阶段的“困惑”症状。无人机在进入距离目标第一设定范围(sticky_limit)后，将其任务执行状态es

此外，为避免无人机对超远距离的目标进行无谓的目标选择尝试，即认为该行为不符合执行网络快速闭合的动态特性且大概率将被其余无人机“挤出”临时任务联盟，体现了无人机在目标选择时的“鲁莽”(reckless)特性，设定无人机个体只能对距离自身不超过第二设定范围内(select_limit)的目标进行选择。

在一个实施例中，进一步的，上述步骤S13中一致性过程，具体可以包括如下处理过程：

各无人机通过交换目标清单及失效无人机清单更新最新态势信息；最新态势信息包括弹出式目标信息、目标状态变化及无人机状态变化；

当各无人机得知新的目标信息后，将处于固定目标选择状态的无人机释放并进行任务执行状态重新置零。

可以理解，动态条件下，集群内部无人机个体通过与一跳范围内的相邻通信节点交换最新的战场态势和决策信息，最终实现态势信息的一致性以及全局任务分配方案的冲突消解。在进行任务分配方案冲突消解之前，无人机需要与相邻节点进行最新战场态势信息共享，将态势认知水平统一到同一层次。通过交换目标清单TL以及失效无人机清单(deadUAV list)DL更新包括：“弹出式”目标信息、目标状态变化以及无人机状态变化在内的最新战场态势信息。当无人机通过交流得知新的目标信息后，为避免其忽视目标选择方案优化的可能，盲目坚定之前的目标选择，从而表现出“固执”(stubborn)的特性，需要将处于固定目标选择状态的无人机释放出来，将其任务执行状态重新置零。

在一个实施例中，进一步的，上述步骤S13中一致性过程，具体还可以包括如下处理过程：

各无人机分别基于交流时间戳向量与通信直连的相邻无人机进行信息交互，完成目标选择方案的冲突消解。

可以理解，在态势认知水平达到同一层次后，无人机继续与通信直连的相邻无人机交换决策信息用于目标选择方案的冲突消解。在与相邻无人机信息交流的过程中，无人机U

其中，c

就某个完备的分配方案而言：

在动态对抗条件下，对于大规模无人机集群而言，N

依然以无人机U

当目标T

更新过时信息(Update Outdated Info)表示：相较于无人机U

在一个实施例中，如图3所示，进一步的，上述基于DCBGA的异构无人机集群ACK构建方法还可以包括步骤S145：

S145，在每一个时间步长的目标选择和一致性过程完成后，各无人机分别进行失效信息重置和有效信息更新；失效信息重置包括无人机对所有目标的报价和规划飞行航迹的重置，有效信息更新包括无人机选定目标的报价和飞行航迹的更新。

可以理解，各无人机基于DCBGA方法两阶段信息决策后，最终敲定下一时间步长内自身的目标选择。在此过程中，各无人机还同时进行了任务执行状态的相应调整。为最终在任务空间中落实集群执行网络的构建，各无人机基于目标选择c

随后，基于最新的任务空间状态信息，无人机进行新一轮的战场态势感知，具体可以包括：发现“弹出式”目标、判断失效无人机节点和感知任务执行状态，假设“弹出式”目标可以被侦察类无人机即刻发现并实现包括目标价值、火力需求和最佳攻击战位在内多种目标信息解算，其余类型无人机通过一致性过程中的态势信息共享感知最新出现的目标信息。假设无人机被攻击失效后，与之通信直连的相邻无人机可以感知到其状态变化并将这条态势信息在集群网络内部传播。

无人机进入到环绕等待阶段后，开始密切关注联盟中其余成员的任务执行状态。当发现联盟规模达到目标需求且所有成员都进入到环绕等待阶段，联盟整体切换到协同作业状态，实现对目标的有效执行并将该目标从任务空间中剔除，目标被消灭的消息也随之在集群内部传播。当发现联盟中所有成员都已经抵达最佳攻击战位而联盟规模尚未达到目标需求，无人机随即开始状态计时，若该情形持续超过一定的时间阈值，则判定任务联盟进入到“卡死”状态(stuck)，将任务状态ts

由于异构无人机集群可以对任务空间中的多个目标实现高烈度、网络化的同步作业，而非低对抗条件下的逐个击破策略。当发现某目标任务联盟陷入到“卡死”状态，说明该条件下异构无人机集群不具备联合体系破击的能力，所以集群应该适当集中任务资源对更少的目标发起彻底作业执行，而不是对大面积的目标发起非有效的作业。为此，陷入“卡死”状态的无人机临时任务联盟将主动跳出该状态，以方便响应其余目标的任务需求。

为充分研究不同任务资源密度下的集群执行网络构建能力，需要消除目标分布条件对实验结果的影响，故任意目标被消灭后，将在任务空间中随机生成一个新的目标将其取代，实现不改变任务资源密度的条件下产生“弹出式”目标的效果。新目标除位置信息发生变化外，其余目标信息与被替代目标保持一致。而之前陷入过“卡死”状态的目标将在任务空间中持续保留，同时为避免反复陷入该情景，任务空间中将不再生成新目标将其替换且集群也不再对该目标构建执行网络。

除了对任务环境的态势信息的感知和更新，无人机需要对自身本地存储的决策信息进行调整，为进入下一个时间步长进行DCBGA方法流程做准备，包括失效信息重置和有效信息更新。失效信息重置操作主要针对当前尚未处于固定目标选择状态的无人机，即es

至此，各无人机完成全部本地信息的更新调整，以全新的空间位置、速度和通信拓扑结构进入新一轮的DCBGA方法流程，完善全域执行网络构建并推动集群任务完成进度。

应该理解的是，虽然图1至图3流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本申请中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且图1至图3的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，还提供一种基于DCBGA的异构无人机集群ACK构建系统100，包括任务划分模块11、目标选择模块13、一致性模块15、时间切换模块17和网络输出模块19。其中，任务划分模块11用于将动态对抗环境下的整体任务流程划分为离散的时间序列并确定各时间步长。目标选择模块13用于在当前时间步长内，指示异构无人机集群中各无人机利用构建的DCBGA模型进行目标选择；各无人机根据自身视角内的最新态势信息选择边际收益最高的目标。一致性模块15用于在当前时间步长内，指示各无人机利用DCBGA模型进行一致性过程；一致性过程中各无人机分别与通信直连的相邻无人机进行信息交互，完成态势信息共享及冲突消解。时间切换模块17用于在当前时间步长内的目标选择和一致性过程完成轮次达到设定轮数时，指示各无人机完成各自本地信息的更新、自身任务执行状态和运动状态的切换并进入下一个时间步长。网络输出模块19用于跟随每一时间步长的目标选择和一致性过程，输出并更新构建的异构无人机集群的ACK网络；ACK网络用于指示各无人机执行对所选目标的任务流程。

上述基于DCBGA的异构无人机集群ACK构建系统100，在大规模异构无人机集群在动态对抗环境背景下，通过将整体任务流程划分为离散的时间序列并确定各时间步长，利用构建的DCBGA模型，异构无人机集群中各无人机在每一个时间步长内重复进行多轮目标选择过程和一致性过程，决定下一时间步长内全局的任务分配方案，最终落实全局层面目标选择方案到集群任务执行网络的构建，随着任务进程的不断演进，重复执行上述DCBGA模型的处理流程实现对任务执行网络的重构，不断推动集群任务的完成进度。相比于传统技术，上述方案实现了对大规模且动态环境下的异构无人机集群任务网络构建，效率高且适用性强。

在一个实施例中，上述基于DCBGA的异构无人机集群ACK构建系统100还可以用于实现上述基于DCBGA的异构无人机集群ACK构建方法各实施例中的其他步骤或过程。

关于基于DCBGA的异构无人机集群ACK构建系统100的具体限定，可以参见上文中基于DCBGA的异构无人机集群ACK构建方法的相应限定，在此不再赘述。上述基于DCBGA的异构无人机集群ACK构建系统100中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于具体数据处理功能的设备中，也可以软件形式存储于前述设备的存储器中，以便于处理器调用执行以上各个模块对应的操作，前述设备可以是但不限于本领域已有的各型便携式、车载或舰载无人机集控设备。

在一个实施例中，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如下处理步骤：将动态对抗环境下的整体任务流程划分为离散的时间序列并确定各时间步长；在当前时间步长内，异构无人机集群中各无人机利用构建的DCBGA模型进行目标选择；目标选择过程中各无人机根据自身视角内的最新态势信息选择边际收益最高的目标；在当前时间步长内，各无人机利用DCBGA模型进行一致性过程；一致性过程中各无人机分别与通信直连的相邻无人机进行信息交互，完成态势信息共享及冲突消解；在当前时间步长内的目标选择和一致性过程完成轮次达到设定轮数时，各无人机完成各自本地信息的更新、自身任务执行状态和运动状态的切换并进入下一个时间步长；跟随每一时间步长的目标选择和一致性过程，输出并更新构建的异构无人机集群的ACK网络；ACK网络用于指示各无人机执行对所选目标的任务流程。

可以理解，上述计算机设备除上述述及的存储器和处理器外，还包括其他本说明书未列出的软硬件组成部分，具体可以根据不同应用场景下的具体数据处理与控制设备的型号确定，本说明书不再一一列出详述。

在一个实施例中，处理器执行计算机程序时还可以实现上述基于DCBGA的异构无人机集群ACK构建方法各实施例中增加的步骤或者子步骤。

在一个实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如下处理步骤：将动态对抗环境下的整体任务流程划分为离散的时间序列并确定各时间步长；在当前时间步长内，异构无人机集群中各无人机利用构建的DCBGA模型进行目标选择；目标选择过程中各无人机根据自身视角内的最新态势信息选择边际收益最高的目标；在当前时间步长内，各无人机利用DCBGA模型进行一致性过程；一致性过程中各无人机分别与通信直连的相邻无人机进行信息交互，完成态势信息共享及冲突消解；在当前时间步长内的目标选择和一致性过程完成轮次达到设定轮数时，各无人机完成各自本地信息的更新、自身任务执行状态和运动状态的切换并进入下一个时间步长；跟随每一时间步长的目标选择和一致性过程，输出并更新构建的异构无人机集群的ACK网络；ACK网络用于指示各无人机执行对所选目标的任务流程。

在一个实施例中，计算机程序被处理器执行时，还可以实现上述基于DCBGA的异构无人机集群ACK构建方法各实施例中增加的步骤或者子步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线式动态随机存储器(Rambus DRAM，简称RDRAM)以及接口动态随机存储器(DRDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可做出若干变形和改进，都属于本申请保护范围。因此本申请专利的保护范围应以所附权利要求为准。