城市环境下无人机群目标打击航迹规划

doi:10.3969/j.issn.1009-086x.2025.01.001

摘要/Abstract

摘要：

针对复杂城市环境下无人机目标打击问题，引入一种基于电鳗觅食优化算法的无人机目标打击方法。该方法首先设置稀疏环境无敌防守和密集环境有敌防守2种场景并设计相应的约束条件和航迹优化代价函数以符合城市环境飞行需求，然后通过电鳗觅食优化算法（electric eel foraging optimization，EEFO）为无人机规划出一条合理的目标打击轨迹，最后得到其飞行轨迹和适应度值，并与SO，SCA，WOA，MFO，HHO 5种算法进行对比。实验结果表明，在稀疏环境无敌防守场景下EEFO算法比其他五种算法具有更高的轨迹规划效率和稳定性，消耗的航迹代价最小且收敛更快；在密集环境有敌防守场景下EEFO算法与其他5种算法相比，所规划出的目标打击轨迹最优且消耗的航迹代价收敛趋势更好，任务完成度最高，具有更好的表现。

关键词: 城市环境, 无人机, 目标打击, 航迹规划, 电鳗觅食优化

Abstract:

To solve the problem of UAV target strikes in complex urban environments， a UAV target strike method based on the electric eel foraging optimization （EEFO） algorithm is proposed. First， the method sets up two scenarios， namely the sparse environment without enemy defense and the dense environment with enemy defense， and designs corresponding constraint conditions and trajectory optimization cost functions to meet the flight needs in urban environments. Then， the EEFO algorithm is used to plan a reasonable target strike trajectory for the UAV. Finally， the flight trajectory and fitness value of the EEFO algorithm are obtained and compared with those of the other five algorithms： SO， SCA， WOA， MFO， and HHO. The experimental results show that in a sparse environment with enemy defense， the EEFO algorithm has higher trajectory planning efficiency and stability than the other five algorithms. It consumes the smallest trajectory cost and converges faster. In the dense environment with enemy defense， the EEFO algorithm has the optimal planned target strike trajectory and a better convergence trend of the consumed trajectory cost compared to the other five algorithms， with the highest task completion degree and better performance.

Key words: urban environment, UAV, target strike, track planning, electric eel foraging optimization

中图分类号:

TJ35

费陈, 赵亮, 贺拥亮, 李银城, 徐嵩. 城市环境下无人机群目标打击航迹规划[J]. 现代防御技术, 2025, 53(1): 1-10.

Chen FEI, Liang ZHAO, Yongliang HE, Yincheng LI, Song XU. Trajectory Planning for UAV Swarm Target Strikes in Urban Environments[J]. Modern Defense Technology, 2025, 53(1): 1-10.

图/表 16

图1 三维构型空间

Fig. 1 3D configuration space

图2 城市建筑示意图

Fig. 2 Urban construction

图3 地面威胁示意图

Fig. 3 Ground threat diagram

图4 飞行高度约束

Fig. 4 Flight altitude constraints

图5 最大航程约束

Fig. 5 Maximum range constraints

图6 航点避障约束

Fig. 6 Obstacle avoidance constraints navigation of oints

图7 3次B样条法平滑曲线

Fig. 7 Cubic B-spline smoothed curve

表1 仿真参数设置

Table 1 Simulation parameter settings

参数名称	仿真取值
规划空间大小	500×500
起始点位置	（20，10，20）
目标点位置	（410，380，30）
种群大小	30
最大航程约束	1 000
无人机飞行高度约束	（0，50）
航程代价权重	0.4
高度变化代价权重	0.4
转弯角代价权重	0.2
迭代次数	50

图8 稀疏城市三维环境无进攻方防守目标打击轨迹

Fig. 8 Tanget strike trajectory in dense urban invincible defensive target in sparse urban 3D environment withact enemy defense

表2 仿真场景设置

Table 2 Simulation scenario settings

场景名称	建筑物数量	威胁区域数量
无敌防守	10	0
有敌防守	80	10

图9 稀疏城市二维环境无敌防守目标打击轨迹

Fig. 9 Target trajectory of invincible defensive target in sparse urban 2D environment without enemy defense

图10 无敌防守收敛图

Fig. 10 Convergence for enivornment without enemy defense

图11 密集城市三维环境有敌防守目标打击轨迹

Fig. 11 Target strike trajectory in dense urban 3D environment wilk enemy defense

图12 密集城市二维环境有敌防守目标打击轨迹

Fig. 12 Target strike trajectory in dense urban environment with enemy defense

图13 有敌防守收敛图

Fig. 13 Convergence for environment with enemy defense

图14 密集城市有进攻防守环境下算法任务完成度

Fig. 14 Algorithm task completion degree in dense urban environment with enemy defense

参考文献 21

1	张换然，申凌峰，任资卓，等. 无人机辅助智能边缘网络技术综述［J］. 电讯技术， 2024， 64（2）： 325-332.
	ZHANG Huanran， SHEN Lingfeng， REN Zizhuo， et al. A Comprehensive Survey on Unmanned Aerial Vehicle Assisted Intelligent Edge Network［J］. Telecommunication Engineering， 2024， 64（2）： 325-332.
2	董康生，胡伟波，沈雁鸣，等. 美军无人空战装备智能化发展动态及启示［J］. 现代防御技术， 2022， 50（4）： 28-37.
	DONG Kangsheng， HU Weibo， SHEN Yanming， et al. Development and Implications of Intelligent Unmanned Combat Aerial Equipment by the US Army［J］. Modern Defence Technology， 2022， 50（4）： 28-37.
3	杨云志. 中小型无人机AIS侦察系统应用技术［J］. 电讯技术， 2023， 63（1）： 14-18.
	YANG Yunzhi. Applied Technology of Middle and Small-Sized UAV AIS Reconnaissance System［J］. Telecommunication Engineering， 2023， 63（1）： 14-18.
4	潘楠，刘海石，陈启用，等. 多基地多目标无人机协同任务规划算法研究［J］. 现代防御技术， 2021， 49（2）： 49-56.
	PAN Nan， LIU Haishi， CHEN Qiyong， et al. Study on Cooperative Mission Planning Algorithm for Multi-Base and Multi-Target UAV［J］. Modern Defence Technology， 2021， 49（2）： 49-56.
5	RABTA B， WANKMÜLLER C， REINER G. A Drone Fleet Model for Last-Mile Distribution in Disaster Relief Operations［J］. International Journal of Disaster Risk Reduction， 2018， 28： 107-112.
6	宋占福，赵全习，胡文志，等. 无人机支援地面防空作战研究［J］. 现代防御技术， 2022， 50（5）： 22-27.
	SONG Zhanfu， ZHAO Quanxi， HU Wenzhi， et al. Research on UAV Supporting Ground Air Defense Operations［J］. Modern Defence Technology， 2022， 50（5）： 22-27.
7	MUÑOZ J， LÓPEZ B， QUEVEDO F， et al. Multi UAV Coverage Path Planning in Urban Environments［J］. Sensors， 2021， 21（21）： 7365.
8	WU Jianfa， WANG Honglun， LI Na， et al. Path Planning for Solar-Powered UAV in Urban Environment［J］. Neurocomputing， 2018， 275： 2055-2065.
9	HU Xinting， PANG Bizhao， DAI Fuqing， et al. Risk Assessment Model for UAV Cost-Effective Path Planning in Urban Environments［J］. IEEE Access， 2020， 8： 150162-150173.
10	甯洋，郑波，龙足腾，等. 基于CMPSO算法的无人机复杂三维路径规划［J］. 电光与控制， 2024， 31（4）： 35-42.
	NING Yang， ZHENG Bo， LONG Zuteng， et al. Complex 3 D Path Planning for UAVs Based on CMPSO Algorithm［J］. Electronics Optics & Control， 2024， 31（4）： 35-42.
11	胡莘婷，吴宇. 面向城市飞行安全的无人机离散型多路径规划方法［J］. 航空学报， 2021， 42（6）： 452-463.
	HU Shenting， WU Yu. Risk-Based Discrete Multi-Path Planning Method for UAVs in Urban Environments［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（6）： 452-463.
12	赵凯，朱愿，王任栋. 基于均值高程图的城市环境三维LiDAR点云地面分割方法［J］. 军事交通学院学报， 2018， 20（9）： 80-84.
	ZHAO Kai， ZHU Yuan， WANG Rendong. Mean Elevation Map-Based Ground Segmentation Method for 3D LiDAR Point Cloud Under Urban Environment［J］. Journal of Military Transportation University， 2018， 20（9）： 80-84.
13	宋海洋. 基于深度Q网络与A*算法的城市无人机路径规划研究［D］. 成都：四川大学， 2023.
	SONG Haiyang. Research on Urban Unmanned Aerial Vehicle Path Planning Based on Deep Q-Network and A* Algorith［D］. Chengdu： Sichuan University， 2023.
14	李歆莹，房建武. 城市环境下基于A*算法和DWA算法的无人机路径规划方法研究［J］. 无人系统技术， 2023， 6（2）： 61-70.
	LI Xinying， FANG Jianwu. Research on UAV Path Planning by A* Algorithm and DWA Method in the Urban Environment［J］. Unmanned Systems Technology， 2023， 6（2）： 61-70.
15	谢文勋. 城市环境下基于深度强化学习的无人机多维路径规划［D］. 广汉：中国民用航空飞行学院， 2023.
	XIE Wenxun. Multidimensional Path Planning for UAV Based on Deep Reinforcement Learning in Urban Environments［D］. Guanghan： Civil Aviation Flight University of China， 2023.
16	LIN Yucong， SARIPALLI S. Sampling-Based Path Planning for UAV Collision Avoidance［J］. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（11）： 3179-3192.
17	WANG Xueyuan， GURSOY M C， ERPEK T， et al. Learning-Based UAV Path Planning for Data Collection with Integrated Collision Avoidance［J］. IEEE Internet of Things Journal， 2022， 9（17）： 16663-16676.
18	许伦辉，曾豫豪. 基于改进ACO和三次B样条曲线的路径规划［J］. 计算机仿真， 2022， 39（7）： 407-411.
	XU Lunhui， ZENG Yuhao. Path Planning Based on Improved ACO and Cubic B-Spline Curve［J］. Computer Simulation， 2022， 39（7）： 407-411.
19	ALZAKARI S A， IZCI D， EKINCI S， et al. A New Control Scheme for Temperature Adjustment of Electric Furnaces Using a Novel Modified Electric Eel Foraging Optimizer［J］. AIMS Mathematics， 2024， 9（5）： 13410-13438.
20	PHONG D H T， LINH N T. Optimize Power Generation of Thermal Generating Sources in Solving the Green Energies-Based Economic Load Dispatch Using Electric Eel Foraging Optimization［J］. World Journal of Advanced Engineering Technology and Sciences， 2024， 11（2）： 368-378.
21	HEIDARI A A， MIRJALILI S， FARIS H， et al. Harris Hawks Optimization： Algorithm and Applications［J］. Future Generation Computer Systems， 2019， 97： 849-872.

[1]	邱浩楠, 何明, 韩伟, 徐昕, 陈浩天, 危怡然. 一种仿鸟群行为的无人机集群相变控制方法[J]. 现代防御技术, 2025, 53(1): 11-22.
[2]	吴润泽, 彭维仕, 马医选. 基于改进TOPSIS法的反无人机蜂群系统作战效能评估[J]. 现代防御技术, 2025, 53(1): 63-72.
[3]	马艳艳, 林强, 牛闯, 杨海达. 基于嵌入式粒子群算法的目标航迹模拟方法[J]. 现代防御技术, 2024, 52(5): 51-60.
[4]	岳江锋, 谢京华. 反无人机作战方案评估方法研究[J]. 现代防御技术, 2024, 52(5): 9-16.
[5]	何敬玉, 刘吉铮, 杨志晨, 汪冬冬, 欧平. 多旋翼无人机噪声源跟踪定位系统研发及测试[J]. 现代防御技术, 2024, 52(3): 1-8.
[6]	王宗辉, 杨云军, 赵弘睿, 赵佳祥. 倾转机翼旋翼无人机倾转过渡状态数值模拟[J]. 现代防御技术, 2024, 52(3): 9-19.
[7]	范文茹, 刘权威, 田栢苓. 基于干扰补偿的四旋翼无人机轨迹跟踪控制[J]. 现代防御技术, 2024, 52(2): 87-93.
[8]	周桢, 蔡玉洁, 杨阳, 王创维, 张云飞. 2022年世界防空反导综述及对我国发展启示[J]. 现代防御技术, 2023, 51(6): 26-35.
[9]	张瀚文, 甘旭升, 魏潇龙, 童荣甲. 基于路径-博弈混合策略的无人机空战机动决策[J]. 现代防御技术, 2023, 51(6): 87-96.
[10]	屈长虹, 宋钰, 王坤, 崔清勇, 陈蒋洋. 基于PSO算法的反无地基战术激光系统部署方法[J]. 现代防御技术, 2023, 51(5): 15-24.
[11]	袁国栋, 何明, 韩伟, 禹明刚, 成铭洋. 无人机集群社团网络弹性重构研究[J]. 现代防御技术, 2023, 51(5): 50-58.
[12]	王瑞杰, 王得朝, 丰璐, 赵正党, 陈浙梁. 国外无人机蜂群作战样式进展及反蜂群策略研究[J]. 现代防御技术, 2023, 51(4): 1-9.
[13]	李碧燕, 胡顺. 基于方向信息的无人机群编队控制算法[J]. 现代防御技术, 2023, 51(2): 55-61.
[14]	杨萍, 闫少强, 汪江鹏, 吴丰轩, 阎哲, 燕松. 一种基于安全飞行空间的UAV低空突防改进模型[J]. 现代防御技术, 2022, 50(6): 124-131.
[15]	王文涛, 甘旭升, 吴亚荣, 任谨慎, 王翠香. 考虑不确定性的低空无人机运行风险评估方法[J]. 现代防御技术, 2022, 50(5): 14-21.