周 凱，姜文志，陳鄧安，郭智杰

（1.解放軍91917部隊(duì)，北京 102100；2.海軍航空工程學(xué)院，山東 煙臺(tái) 264001）

基于改進(jìn)鴿群優(yōu)化的直升機(jī)協(xié)同目標(biāo)分配

周 凱1，2，姜文志2，陳鄧安2，郭智杰2

（1.解放軍91917部隊(duì)，北京 102100；2.海軍航空工程學(xué)院，山東 煙臺(tái) 264001）

針對(duì)多直升機(jī)協(xié)同目標(biāo)分配問(wèn)題，建立了基于敵我相對(duì)態(tài)勢(shì)的對(duì)地打擊多目標(biāo)的分配模型。引入多Agent系統(tǒng)機(jī)制，加快了有益信息在系統(tǒng)中的流動(dòng)；并借助雁群成員在飛行中借鑒雁群整體經(jīng)驗(yàn)的操作，來(lái)修正鴿群算法中地標(biāo)算子的尋優(yōu)方向，進(jìn)而提出了基于多Agent的改進(jìn)鴿群優(yōu)化的問(wèn)題求解策略。最后，以典型的直升機(jī)對(duì)地作戰(zhàn)目標(biāo)分配問(wèn)題為背景，仿真驗(yàn)證了模型及其求解算法的合理性和有效性。

直升機(jī)，空對(duì)地攻擊，目標(biāo)分配，多Agent，鴿群優(yōu)化

0 引言

直升機(jī)因其具有攻擊能力強(qiáng)、機(jī)動(dòng)性好、低空隱蔽接近目標(biāo)和生存力高等優(yōu)勢(shì)，主要遂行對(duì)地攻擊、護(hù)航和反艦任務(wù)，多機(jī)協(xié)同作為主要作戰(zhàn)方式，將在整個(gè)作戰(zhàn)過(guò)程發(fā)揮重要作用［1-2］。

目標(biāo)分配是直升機(jī)完成作戰(zhàn)任務(wù)的重要保證，本文主要考慮了多直升機(jī)多目標(biāo)分配問(wèn)題，并結(jié)合直升機(jī)編隊(duì)暴露在目標(biāo)區(qū)域進(jìn)行低空作戰(zhàn)的特點(diǎn)，考慮了每架直升機(jī)與每一目標(biāo)的相對(duì)態(tài)勢(shì)對(duì)毀傷能力的影響。對(duì)于求解直升機(jī)目標(biāo)分配這類(lèi)NP問(wèn)題，像遺傳算法，蟻群算法，粒子群等大量的仿生智能算法展現(xiàn)了很大優(yōu)勢(shì)［3-5］。為適應(yīng)現(xiàn)代戰(zhàn)爭(zhēng)快速、實(shí)時(shí)性的要求，本文采用Duan等人提出的鴿群優(yōu)化［6］（pigeon-inspired optimization）來(lái)解決此問(wèn)題。根據(jù)實(shí)際問(wèn)題需要，對(duì)算法進(jìn)行了改進(jìn)，并采用了離散矩陣二進(jìn)制編碼方式，給出了適合離散編碼的位置和速度更新公式［7］。最后，利用MAIPIO算法求解直升機(jī)多目標(biāo)分配數(shù)學(xué)模型，仿真驗(yàn)證了模型及其求解算法的有效性。

1 直升機(jī)協(xié)同多目標(biāo)分配數(shù)學(xué)型

本文以直升機(jī)編隊(duì)執(zhí)行空對(duì)地打擊任務(wù)為背景，設(shè)我方共有m架直升機(jī)（Zi表示第 i架直升機(jī)），敵方共有 n個(gè)目標(biāo)（Tj表示第 j個(gè)目標(biāo)）。Xij為決策變量，目標(biāo) Tj分配給 Zi時(shí)，Xij=1；否則，Xij=0。m 架直升機(jī)各自的價(jià)值量所組成的價(jià)值矩陣為：，n個(gè)地面目標(biāo)各自的價(jià)值量構(gòu)成的矩陣為。直升機(jī)目標(biāo)分配以對(duì)目標(biāo)毀傷最大，己方代價(jià)最小為目標(biāo)，而作戰(zhàn)收益、作戰(zhàn)代價(jià)以及相對(duì)態(tài)勢(shì)是影響目標(biāo)分配方案的主要因素。

1.1 收益函數(shù)

在編隊(duì)對(duì)地攻擊過(guò)程中，直升機(jī)對(duì)地面目標(biāo)的毀傷能力是收益函數(shù)考慮的主要因素。而影響直升機(jī)對(duì)地毀傷的因素有直升機(jī)固有性能CGU和機(jī)載武器性能CWQ綜合起來(lái)就可以得到作戰(zhàn)直升機(jī)的殺傷指數(shù)，即單機(jī)對(duì)地攻擊效能［8-9］。

①固有性能CGU。影響直升機(jī)作戰(zhàn)效能的6個(gè)變量，即機(jī)動(dòng)性能CJD、探測(cè)能力CTC、隱蔽性能CYB、裝甲性能CZJ、航程性能CHC、電子對(duì)抗能力CDZ。各性能數(shù)的權(quán)重利用層次分析法確定。計(jì)算直升機(jī)固有性能采用下面的公式：

②機(jī)載武器性能CWQ。機(jī)載武器主要有航炮、火箭彈、導(dǎo)彈，由于彈藥裝載方案的不同，各型武器殺傷指數(shù)在機(jī)載武器性能所占比重也不同，計(jì)算公式如下：

綜上，可以利用下式計(jì)算單機(jī)對(duì)地攻擊效能：

則編隊(duì)內(nèi)第i架直升機(jī)對(duì)第j個(gè)目標(biāo)毀傷效能表示為 eij，打擊后的收益值通過(guò)式（1）～ 式（4）獲得，從而構(gòu)造收益矩陣V。

1.2 代價(jià)函數(shù)

我方直升機(jī)進(jìn)入目標(biāo)區(qū)域時(shí)，敵防空系統(tǒng)會(huì)對(duì)直升機(jī)進(jìn)行攔截，我方損失即作戰(zhàn)代價(jià)，故防空系統(tǒng)中高炮系統(tǒng)抗擊直升機(jī)作戰(zhàn)效能的大小表征了打擊目標(biāo)所付出的代價(jià)，高炮系統(tǒng)的打擊能力P為：

式中PD為理想條件下對(duì)空中目標(biāo)的發(fā)現(xiàn)概率；PS為高炮系統(tǒng)對(duì)連續(xù)目標(biāo)的射擊概率；（1-PK）n為系統(tǒng)對(duì)目標(biāo)的毀傷概率；PK為對(duì)目標(biāo)實(shí)施一次點(diǎn)射的平均毀傷概率；n為對(duì)目標(biāo)的平均點(diǎn)射次數(shù)［10］。

pij是第i架直升機(jī)被第j個(gè)目標(biāo)被擊毀的概率。打擊后的損失通過(guò)式（1）～式（6）獲得，從而構(gòu)造代價(jià)矩陣C。

1.3 態(tài)勢(shì)因子

直升機(jī)編隊(duì)在目標(biāo)區(qū)域執(zhí)行任務(wù)過(guò)程中，成員會(huì)耗費(fèi)自身資源的同時(shí)，還會(huì)受到來(lái)自地面目標(biāo)的攻擊。直升機(jī)能否成功打擊目標(biāo)不僅與編隊(duì)成員的自身狀態(tài)有關(guān)，同時(shí)與每一架直升機(jī)的態(tài)勢(shì)有關(guān)，如位置，速度，與目標(biāo)距離；相對(duì)于打擊目標(biāo)的優(yōu)勢(shì)越好，則成功摧毀目標(biāo)而保存自己的可能性越大［11-12］。所以，單純給出毀傷值的累加是不實(shí)際的，根據(jù)地面火炮的構(gòu)造限制和直升機(jī)低空飛行（H＜200 m）運(yùn)用特點(diǎn)，提出距離優(yōu)勢(shì)Tri、速度優(yōu)勢(shì)Tvi和高度優(yōu)勢(shì)Qij如下：

距離優(yōu)勢(shì)：

速度優(yōu)勢(shì)：

高度優(yōu)勢(shì)：

其中，r1為目標(biāo)距離，rmti為目標(biāo)攻擊距離，rm為機(jī)載武器最大射程，vi為我機(jī)速度，vti為目標(biāo)最大瞄準(zhǔn)速度，hi為直升機(jī)飛行高度，hti上與hti下分別為高炮的射擊高低界。

因此，在模型中的態(tài)勢(shì)因子W為：

1.4 總體目標(biāo)函數(shù)

目標(biāo)分配應(yīng)當(dāng)保證對(duì)地面目標(biāo)毀傷最大的同時(shí)，我方代價(jià)最小，因此，分配模型的總體目標(biāo)函數(shù)可表示為：

相應(yīng)的約束條件：

目標(biāo)分配時(shí)，每個(gè)目標(biāo)均須分配一架直升機(jī)對(duì)其進(jìn)行打擊，即

對(duì)編隊(duì)中的每一架直升機(jī)，至少給其分配一個(gè)地面目標(biāo)，即

由于每架直升機(jī)配置的武器數(shù)量有限，且為保證直升機(jī)在目標(biāo)區(qū)域內(nèi)滯留的時(shí)間不至于過(guò)長(zhǎng)，要求每架直升機(jī)攻擊的目標(biāo)的個(gè)數(shù)不能超過(guò)某個(gè)值［13］，記各架直升機(jī)可攻擊的目標(biāo)的最大個(gè)數(shù)所組成的向量，則有

2 多直升機(jī)協(xié)同目標(biāo)分配的改進(jìn)鴿群優(yōu)化算法

2.1 基本鴿群優(yōu)化

鴿群優(yōu)化是Duan等人2014年提出的一種仿生智能優(yōu)化算法-鴿群優(yōu)化算法。PIO算法中每個(gè)鴿子都對(duì)應(yīng)一個(gè)可行解，具有位置和速度兩個(gè)屬性，分別表示當(dāng)前鴿子在解空間的位置和移動(dòng)速度，并通過(guò)適應(yīng)度函數(shù)來(lái)評(píng)價(jià)鴿子的品質(zhì)。PIO算法采用指南針?biāo)阕雍偷貥?biāo)算子來(lái)模仿不同飛行階段的導(dǎo)航工具，并在兩個(gè)獨(dú)立的循環(huán)中完成進(jìn)化和篩選操作，實(shí)現(xiàn)尋優(yōu)。首先是地圖和指南針?biāo)阕樱?］：

鴿子通過(guò)上式更新自身狀態(tài)，R表示地圖和指南因數(shù)。t表示當(dāng)前的迭代次數(shù)。Xi（t）和Vi（t）分別表示鴿子i在t代的位置和速度。Xgbest表示在t-1次迭代循環(huán)后通過(guò)比較所有鴿子的位置而得到的全局最好位置。rand是[0，1]上的隨機(jī)數(shù)。當(dāng)滿足循環(huán)迭代停止條件，地圖和指南針?biāo)阕拥某跏紝?dǎo)航工作結(jié)束，并將Xi移交給地標(biāo)算子。

地標(biāo)算子［6］是用來(lái)模仿鴿子靠近目的地飛行時(shí)，地標(biāo)在鴿群個(gè)體對(duì)路線評(píng)估和修正中起到的作用。如果鴿子熟悉地標(biāo)，那么可徑直飛向目的地。反之，如果鴿子不熟悉地標(biāo)并且遠(yuǎn)離目的地，它們會(huì)跟隨熟悉地標(biāo)的鴿子飛行從而到達(dá)目的地。在每次的迭代循環(huán)中，地標(biāo)算子會(huì)將當(dāng)前位置的適應(yīng)值進(jìn)行排序，將品質(zhì)差（即不熟悉地標(biāo)或遠(yuǎn)離目的地）的個(gè)體舍棄，每次操作鴿子的總數(shù)Np減半，把余下鴿子的中心位置Xc（t）當(dāng)成地標(biāo)作為飛行的參考方向。依據(jù)下式對(duì)鴿子的位置Xi進(jìn)行更新：

2.2 基于多Agent改進(jìn)鴿群優(yōu)化

2.2.1 競(jìng)爭(zhēng)算子

多Agent系統(tǒng)是由若干個(gè)Agent組合而成的松散耦合的協(xié)作網(wǎng)絡(luò)［14］。Agent能夠感知環(huán)境，對(duì)自身信息進(jìn)行更新，并通過(guò)與其他Agent間的競(jìng)爭(zhēng)與合作來(lái)完成對(duì)實(shí)際復(fù)雜問(wèn)題的求解，體現(xiàn)整個(gè)系統(tǒng)的智能性。把多Agent思想引入到鴿群優(yōu)化。每一只鴿子（即代表單個(gè)Agent）都將在定義的環(huán)境模型內(nèi)與其他相鄰鴿子，按照一定的算法規(guī)則進(jìn)行信息通信、交互作用。為了不讓鴿子限制在局部環(huán)境中，不采用文獻(xiàn)［14］固定格子的結(jié)構(gòu)，而是在初始化的個(gè)體空間中隨機(jī)選取鄰居，這樣選取的交互個(gè)體在數(shù)目和選取范圍上體現(xiàn)了優(yōu)勢(shì)。因而個(gè)體能快速獲取更多的有效信息，使整個(gè)系統(tǒng)更快收斂。

圖1 鴿子與鄰居交互的示意圖

把多Agent融入到PIO算法中，每個(gè)鴿子在更新自己的位置之前，要先與為其隨機(jī)配置的鄰居進(jìn)行競(jìng)爭(zhēng)與合作，所以每只鴿子要計(jì)算各自的適應(yīng)值。在求解目標(biāo)分配問(wèn)題上，個(gè)體適應(yīng)值函數(shù)由優(yōu)化問(wèn)題的目標(biāo)函數(shù)F決定，則鴿子a的適應(yīng)值

假設(shè)鴿子b是a隨機(jī)配置的鄰居中品質(zhì)最優(yōu)的個(gè)體，若鴿子a滿足：

則它是一個(gè)優(yōu)質(zhì)個(gè)體，否則為劣質(zhì)個(gè)體。如果a是一個(gè)優(yōu)質(zhì)個(gè)體，保持不變。反之，個(gè)體a的位置根據(jù)下式進(jìn)行調(diào)整

可以由式（2）～式（5）看出，即使個(gè)體a為劣質(zhì)個(gè)體，它在競(jìng)爭(zhēng)合作的過(guò)程中既吸收了周邊最優(yōu)個(gè)體的有用信息，同時(shí)保留部分自身的原有信息。式中，rand（-1，1）是（-1，1）區(qū)間內(nèi)的隨機(jī)數(shù)。和是對(duì)可行解X'a（t）的上下界進(jìn)行約束。

2.2.2 雁群機(jī)制

在自然界中，雁群飛行比孤雁飛行在效率和飛行距離上均體現(xiàn)了優(yōu)勢(shì)，其中頭雁的作用不容忽視，雁群成員借助其飛行產(chǎn)生的氣流省力飛行，所以要求頭雁更為強(qiáng)壯。受到雁群飛行的啟發(fā)，可以將大雁的強(qiáng)壯程度為鴿子品質(zhì)的好壞，將最優(yōu)個(gè)體選為頭雁，其他個(gè)體根據(jù)適應(yīng)值由高到低依次排列。根據(jù)雁群的飛行特性，雁群中的成員只跟隨其前面的較優(yōu)個(gè)體Pi-1而不再一直圍繞全局極值個(gè)體變化。由此速度更新公式為：

在飛行過(guò)程中，頭雁一般憑借自身經(jīng)驗(yàn)進(jìn)行飛行決策，雁群成員依靠自身經(jīng)驗(yàn)（個(gè)體極值）的同時(shí)，以成員個(gè)體極值Pi（除頭雁外）與適應(yīng)值的加權(quán)平均作為吸收整體成員經(jīng)驗(yàn)［15］，計(jì)算公式如下：

最后通過(guò)導(dǎo)航過(guò)渡因子［16］tr將兩個(gè)獨(dú)立迭代循環(huán)，合并在一個(gè)迭代循環(huán)中，更新方式如下：

式中，tmax表示最大迭代次數(shù)。

2.2.3 編碼方式

直升機(jī)協(xié)同目標(biāo)分配屬于離散問(wèn)題，因此，本文對(duì)個(gè)體的編碼進(jìn)行了離散處理，構(gòu)造m×n的二進(jìn)制矩陣作為解空間中的個(gè)體，每個(gè)位置的分量只能取0或1，作為直升機(jī)目標(biāo)分配矩陣。對(duì)于離散型編碼方式，如果仍然采取式（23）進(jìn)行更新，則會(huì)產(chǎn)生大量不符合要求的解，嚴(yán)重降低了求解速度，因此，本文給出了一種適合二進(jìn)制矩陣編碼的MAIPIO個(gè)體更新策略，具體更新策略［7］如下：

G1是速度部分，即個(gè)體在隨機(jī)擾動(dòng)作用下脫離原來(lái)位置，G2是個(gè)體隨其前面較優(yōu)個(gè)體Pi-1，進(jìn)行學(xué)習(xí)操作，G3是個(gè)體吸取吸收整體成員經(jīng)驗(yàn)Pa（t-1）。

2.3 算法描述

改進(jìn)的鴿群優(yōu)化算法可描述如下：①初始化環(huán)境參數(shù)，并產(chǎn)生二進(jìn)制矩陣的初始種群；②為每個(gè)個(gè)體隨機(jī)配置4個(gè)鄰居，按照式（19），與鄰居中優(yōu)勢(shì)個(gè)體競(jìng)爭(zhēng)和合作，更新個(gè)體位置；③計(jì)算每個(gè)個(gè)體的適應(yīng)度，并對(duì)其進(jìn)行降序排列，重新對(duì)Xi排序，計(jì)算Pa；④根據(jù)式（24）更新個(gè)體位置，并計(jì)算個(gè)體適應(yīng)值；⑤對(duì)全局最優(yōu)值Xp以及Nc進(jìn)行更新；⑥是否滿足終止條件，若是輸出最優(yōu)結(jié)果，否則轉(zhuǎn)到②。

算法的結(jié)構(gòu)流程如圖2所示。

圖2 MAIPIO算法流程圖

3 仿真校驗(yàn)

假設(shè)直升機(jī)數(shù)量m=8，目標(biāo)數(shù)量n=10，每架直升機(jī)最多可同時(shí)攻擊兩個(gè)目標(biāo)，每個(gè)目標(biāo)只能分配給一架直升機(jī)，收益矩陣、代價(jià)矩陣分別如下頁(yè)式（25）、式（26）所示。

設(shè)初始種群均為10，迭代次數(shù)50。分別采用PIO，MAIPIO以及PSO這3種算法對(duì)上述問(wèn)題進(jìn)行仿真，并將各種算法的仿真結(jié)果進(jìn)行對(duì)比。下頁(yè)圖3和圖4分別為粒子群優(yōu)化和改進(jìn)鴿群優(yōu)化在迭代50此過(guò)程中的最好解、平均解的變化曲線，算法的比較結(jié)果如下頁(yè)圖5所示。通過(guò)對(duì)初始種群為10的粒子群優(yōu)化和本文算法，經(jīng)過(guò)50次運(yùn)算，可分別得到兩種算法的最優(yōu)值。從圖6中看出在MAI-PIO算法的50次運(yùn)算中，多數(shù)的運(yùn)算能夠有效地尋找到最優(yōu)值，部分未能尋到最優(yōu)值的情況下，運(yùn)算獲得的值與最優(yōu)值的差值較少，尋優(yōu)效果好。

圖3 粒子群優(yōu)化的收斂曲線

圖4 改進(jìn)鴿群優(yōu)化的收斂曲線

圖5 算法性能比較

由圖3可知，PSO雖然收斂迅速，但算法的搜索過(guò)程是處于無(wú)規(guī)則狀態(tài)，搜索后期粒子的局部搜索能力較弱容易陷入局部最優(yōu)。PIO在迭代37代才開(kāi)始收斂，且容易陷入局部最優(yōu)。MAIPIO收益變化曲線表明：能夠以較快的速度收斂并脫離局部最優(yōu)，找到全局最優(yōu)解。

4 結(jié)論

本文在分析了直升機(jī)協(xié)同目標(biāo)分配問(wèn)題，針對(duì)PIO算法的不足，引入了競(jìng)爭(zhēng)算子和雁群特征，提出了基于多Agent的改進(jìn)鴿群優(yōu)化算法；考慮直升機(jī)的價(jià)值、戰(zhàn)斗力，目標(biāo)價(jià)值，威脅度和戰(zhàn)場(chǎng)態(tài)勢(shì)對(duì)目標(biāo)分配的影響，建立了多直升機(jī)多目標(biāo)分配數(shù)學(xué)模型，并將MAIPIO應(yīng)用到協(xié)同目標(biāo)分配問(wèn)題中，給出算法具體流程與仿真實(shí)例。仿真結(jié)果表明，本文算法能夠在小的迭代次數(shù)下得到滿足需求的接近理想最優(yōu)目標(biāo)分配方案，具有較大的實(shí)用價(jià)值。

圖6 粒子群優(yōu)化與改進(jìn)鴿群優(yōu)化最優(yōu)值比較

［1］袁繼昌，黃克超，胡國(guó)橋.聯(lián)合作戰(zhàn)陸航協(xié)同問(wèn)題研究［M］.北京：軍事科學(xué)出版社，2011:10-17.

［2］姜永虎，石文雷.聯(lián)合作戰(zhàn)中陸軍航空兵作戰(zhàn)運(yùn)用淺析［J］.國(guó)防大學(xué)學(xué)報(bào)（戰(zhàn)役研究），2008，22（10）:35-37.

［3］王瑋，程樹(shù)昌，張玉芝.基于遺傳算法的一類(lèi)武器目標(biāo)分配方法研究 ［J］. 系統(tǒng)工程與電子技術(shù)，2008，30（9）:1708-1711.

［4］李凱，田雙亮，耿麗君.基于免疫的蟻群算法［J］.山東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，24（4）:100-103.

［5］MAHFOUF M，CHEN M Y，LINKENS D A.Adaptive weighted particle swarm optimization for multi-objective optimal design of alloy steels［EB/OL］.（2010-11-21）.

［6］Duan H B，Qiao P X.Pigeon-inspired optimization:A new swarm intelligence optimizer for air robot path planning［J］.Int J Intell Comput Cybern，2014（7）:24-37.

［7］王強(qiáng)，丁全心，張安，等.多機(jī)協(xié)同對(duì)地攻擊目標(biāo)分配算法［J］.系統(tǒng)工程與電子技術(shù)，2012，34（7）:1400-1405.

［8］黃俊，向錦武，武哲，等.攻擊直升機(jī)作戰(zhàn)效能評(píng)估［J］.南京航空航天大學(xué)學(xué)報(bào)，1999，31（6）:620-624.

［9］劉曉荷，朱漢東，趙虹.利用指數(shù)法評(píng)估作戰(zhàn)飛機(jī)的作戰(zhàn)效能［J］.軍事運(yùn)籌與系統(tǒng)工程，2004，18（2）:59-65.

［10］寇新洲，楊兆民，高曉峰，等.高炮系統(tǒng)打擊效能評(píng)估［J］.艦船電子工程，2011，31（2）:27-30.

［11］王加偉，馬捷中，翟正軍，等.直升機(jī)作戰(zhàn)效能評(píng)估系統(tǒng)的態(tài)勢(shì)估計(jì)方法研究［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2008，29（19）:5096-5098.

［12］麻士東，龔光紅.目標(biāo)分配的蟻群_模擬退火算法及其改進(jìn)［J］.系統(tǒng)工程與電子技術(shù)，2011，33（5）:1183-1186.

［13］曾國(guó)貴，姜長(zhǎng)生.武裝直升機(jī)空戰(zhàn)關(guān)鍵技術(shù)問(wèn)題研究［J］.直升機(jī)技術(shù)，2002（3）:29-32.

［14］唐賢倫，張衡，李進(jìn)，等.基于多Agent粒子群優(yōu)化算法的電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配［J］.電力系統(tǒng)保護(hù)與控制，2012，40（10）:42-47.

［15］張秀玲，臧佳音，樊紅敏，等.改進(jìn)萬(wàn)有引力算法［J］.沈陽(yáng)大學(xué)學(xué)報(bào)，2014，26（6）:468-472.

［16］段海濱，邱華鑫，范彥銘.基于捕食逃逸鴿群優(yōu)化的無(wú)人機(jī)緊密編隊(duì)協(xié)同控制［J］.中國(guó)科學(xué)：科學(xué)技術(shù)，2015，45（67）：559-572.

Research on Cooperative Target Assignment Based on Improve Pigeon-inspired Optimization

ZHOU Kai1，2，JIANG Wen-zhi2，CHEN Deng-an2，GUO Zhi-jie2
（1.Unit 91917 of PLA，Beijing 102100，China；2.Naval Aeronautical and Astronautical University，Yantai 264001，China）

A battle target assignment model is put forward for multi-helicopter cooperation mission assignment.Method based on Multi-agent improve pigeon-inspired optimization is used in model solution.Analyzing flying geese pattern is getting the useful enlightenment for updating the searching direction of landmark operator in PIO.Adopting the Multi-agent Systems Architecture Model can enhance interactive between individual and superior individual at the same time，accelerate transmission of useful information in system.In the background of helicopter combating，rationality and effectiveness of model and algorithm proposed by article have proven by simulation result.

helicopter，air-to-ground attack，target assignment，multi-agent，pigeon-inspired optimization

V271.4；TP202

A

10.3969/j.issn.1002-0640.2017.07.021

1002-0640（2017）07-0094-05

2016-05-15

2016-07-28

周 凱（1990- ），男，天津人，碩士研究生。研究方向：計(jì)算機(jī)應(yīng)用。