未知区域中四旋翼无人机集群协同搜索与围捕算法

四旋翼无人机集群可以被用来进行区域侦察,以建立对环境与兴趣目标的认知。为四旋翼无人机集群提出一种分布式协同搜索算法和动态目标包围技术，以解决在未探测区域定位和监测目标中所遇到的挑战。为降低所提算法的复杂度，通过栅格划分方法将任务区域划分为2级栅格子区域。考虑到动态目标的随机性，设计一种数字信息素来引导多无人机对任务区域进行2次搜索，并以快速搜索到目标为奖励函数，通过滚动优化决策得到最优解作为无人机的输入。然后，基于一致性协议设计一种多无人机协同跟踪与围捕协议，以获取动态目标的实时信息。数个仿真结果与室外飞行实验验证了所提算法能够使四旋翼无人机对未知区域中动态目标进行有效搜索与动态监视。     

基于强化学习的多智能体系统目标围捕控制

针对多智能体系统目标围捕问题，提出了基于强化学习的目标围捕控制方法。首先，对多智能体系统进行马尔可夫博弈建模，设计能够控制系统到期望围捕状态并满足避障要求的势能函数，将模型控制与强化学习原理结合，利用势能模型引导的改进多智能体强化学习算法进行围捕。其次，在已有势能模型的基础上建立跟踪围捕和环航围捕2种围捕策略。前者通过设计速度势能函数实现多智能体一致跟踪。后者加入虚拟环航点，设计虚拟环航点势能函数实现期望环航。最终，仿真验证了多智能体强化学习围捕控制策略的有效性。     

基于态势认知的无人机集群围捕方法

无人机集群围捕是智能无人机“蜂群”作战的一种重要任务方式。现有集群围捕方法大多建立在环境已知的基础上，面对未知的任务环境时围捕策略经常性失效。针对此问题，提出了基于态势认知的发育模型，探索一种对环境适应性较佳的围捕方法。首先，对集群围捕行为分解，将围捕离散化；然后，基于深度Q神经网络（DQN），设计一种围捕策略的生成方法；最后，建立状态-策略知识库，并通过大量有效数据的训练，针对不同环境获得不同的策略，对知识库进行发育。仿真结果表明:提出的基于态势认知的发育模型，能够有效适应不同环境，完成不同环境下的围捕。      

基于运动学和几何学理论的多NPC围捕策略

针对MMOG中多NPC的围捕问题,提出了一种新的NPC协同围捕策略。采用运动学和几何学理论方法构建个体NPC的运动模型,从而实现个体NPC在游戏中的自主运动控制,通过改变NPC的方向角和使用＂正多边形队形法＂实现多NPC对目标的靠近和包围。实验结果证明,该策略能使群体NPC成功地围捕目标,满足游戏的实时性、挑战性和真实感的需求。     

基于群体意志统一的无人机协同围捕策略

针对无人机(UAV)协同围捕问题,提出一种基于群体意志统一的围捕策略。受人类在协作任务中的认知机理启发,引入“群体意志”定义无人机的协作认知,并构建双回路认知模型,借助图卷积网络对围捕无人机获取的局部态势进行融合认知,有效减轻无人机系统的计算负载。依靠变分推断原理和生成式自动编码器对围捕无人机进行群体意志趋同学习,依据Apollonius圆实现协同围捕,使无人机集群涌现出更加智能化的围捕效果。通过对比仿真验证了所提策略的有效性和智能性。