无人集群协同感知鲁棒性智能评估方法

doi:10.7527/S1000-6893.2025.32118

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

无人集群协同感知鲁棒性智能评估方法

沈博¹(), 马倩¹, 张志翔¹, 杨刚¹, 贾伟²

^1. 西北工业大学计算机学院，西安 710129
^2. 西安爱生技术集团有限公司，西安 710065

收稿日期:2025-04-15 修回日期:2025-04-21 接受日期:2025-05-22 出版日期:2025-06-16 发布日期:2025-06-13
通讯作者: 沈博
基金资助:
国家自然科学基金(61902295); 国家自然科学基金(62141220)

Intelligent evaluation of robustness of unmanned swarms in cooperative sensing scenario

Bo SHEN¹(), Qian MA¹, Zhixiang ZANG¹, Gang YANG¹, Wei JIA²

^1. School of Computer Science and Engineering，Northwestern Polytechnical University，Xi’an 710129，China
^2. Xi’an ASN Technology Group Company，Xi’an 710065，China

Received:2025-04-15 Revised:2025-04-21 Accepted:2025-05-22 Online:2025-06-16 Published:2025-06-13
Contact: Bo SHEN
Supported by:
National Natural Science Foundation of China(61902295)

摘要/Abstract

摘要：

无人集群已经广泛渗透并深刻影响到了现代社会的各个领域。在任务执行过程中，无人集群可能面临多种干扰和破坏，这会影响集群的正常运行及任务的高效完成。开展集群鲁棒性评估的研究，对于提升集群在动态环境下的行为协同稳定性与任务完成高效性，具有重要的理论意义与应用价值。以无人机集群协同感知为应用场景，根据场景任务中的协同行为特性，采用鹰鸽演化博弈建模集群协同过程，从集群属性、环境属性和任务效果3个维度构建无人机集群鲁棒性指标集，提出了鲁棒性量化指标，分析了集群在不同攻击场景下的鲁棒性。将沙普利加和解释与极端梯度提升树模型相结合，构建具有可解释性的鲁棒性智能量化评估模型。实验结果表明，所提出的鲁棒性评估方法具有良好的可行性和有效性，提升了评估模型的透明度，能够为无人集群优化设计提供有效反馈。

关键词: 群体智能, 演化博弈, 复杂网络, 鲁棒性评估, 可解释模型

Abstract:

Unmanned swarms have widely penetrated and profoundly affected all fields of modern society. In the process of mission execution， unmanned swarms may face a range of interferences and damages， potentially affecting their normal operation and mission efficiency. Therefore， evaluating the robustness of swarm has important theoretical and applied value to ensure the stability and efficiency of the swarm in the dynamic environment. This paper focuses on cooperative sensing of the UAV swarm as an example. Based on behavioral characteristics of swarm cooperation， the cooperation process is modeled using the Hawk and Dove evolutionary game. A robustness indicator set of UAV swarm is constructed from the three dimensions： swarm attributions， environmental attributions， and task effects. Quantitative robustness metrics are proposed， and the robustness performance of the swarm under various perturbation factors is analyzed. An intelligent evaluation model eXGBoost based on the Shapley additive explanation and the eXtreme Gradient Boosting model is proposed. The experimental results show that the proposed robustness evaluation method is both feasible and effective. In addition， the method increases the transparency of the evaluation model， providing effective feedback for the design of unmanned swarms.

Key words: swarm intelligence, evolutionary game, complex networks, robustness evaluation, explainable model

中图分类号:

V279

沈博, 马倩, 张志翔, 杨刚, 贾伟. 无人集群协同感知鲁棒性智能评估方法[J]. 航空学报, 2026, 47(1): 332118.

Bo SHEN, Qian MA, Zhixiang ZANG, Gang YANG, Wei JIA. Intelligent evaluation of robustness of unmanned swarms in cooperative sensing scenario[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(1): 332118.

图/表 30

图 1

表1

概念映射关系

无人机集群协同感知	鹰鸽演化博弈
无人机集群	结构化种群
单个无人机	个体节点
数据分析（策略 $A$ ）	鹰策略
数据采集（策略 $B$ ）	鸽策略
不同策略下无人机的收益	博弈收益
无人机之间基于收益的策略转换	策略迁移
采用不同策略的无人机在集群中占比动态变化	动态演化
无人机策略趋于稳定	演化稳定

表1

表2

收益矩阵

策略名称	策略 $A$	策略 $B$
策略 $A$	0	$R a n a - C a n a - D a n a$
策略 $B$	$R c o l - C c o l - C t r a n - D c o l$	$R c o l - C c o l - D c o l,$

表2

表3

图 2

图 3

图 4

表4

不同拓扑无人机集群鲁棒性 R G的变化

参数	场景描述	社团网络	规则网络	随机网络
$R C = 10, R z = 5$	初始情况	0.642	0.587	0.626
$R C = 10, R z = 5$	稳定状态	0.657	0.600	0.637

表4

图 5

表5

图 6

表6

表7

表8

图 7

图 8

图 9

表9

通信延迟下无人机集群鲁棒性 R G的变化

场景描述	社团网络	规则网络	随机网络
正常情况	0.647	0.600	0.627
$τ = 5$	0.646	0.598	0.625
$τ = 8$	0.644	0.599	0.622
$τ = 10$	0.645	0.596	0.621

表9

表10

表11

表12

图 10

表13

表14

算法性能比较

算法	MAE	MSE	RMSE	$R 2$
eXGBoost	0.043	0.005	0.071	0.994
XGBoost	0.067	0.014	0.120	0.978
LightGBM	0.061	0.011	0.104	0.990
CatBoost	0.082	0.086	0.294	0.950
SVM	0.230	0.161	0.401	0.804
MLP	0.119	0.042	0.205	0.960
Kernel ridge regression	0.093	0.020	0.136	0.980
DRVFL	0.182	0.112	0.335	0.863

表14

图 11

图 12

图 13

图 14

图 15

图 16

参考文献 42

[1]	沈博，武文亮，杨刚，等. 基于群体OODA的无人集群系统智能评价模型及方法［J］. 航空学报， 2023， 44（14）： 328003.
	SHEN B， WU W L， YANG G， et al. Evaluation models and methods for intelligence of unmanned swarm systems based on collective OODA loop［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（14）： 328003 （in Chinese）.
[2]	WU W L， ZHOU X S， SHEN B. Comprehensive evaluation of the intelligence levels for unmanned swarms based on the collective OODA loop and group extension cloud model［J］. Connection Science， 2022， 34（1）： 630-651.
[3]	王龙，陈芳，陈星如. 博弈收益控制研究进展［J］. 中国科学：信息科学， 2023， 53（4）： 623-646.
	WANG L， CHEN F， CHEN X R. Payoff control in game theory［J］. Scientia Sinica （Informationis）， 2023， 53（4）： 623-646 （in Chinese）.
[4]	禹明刚，陈瑾，何明，等. 基于演化博弈的社团网络无人集群协同机制［J］. 中国科学：技术科学， 2023， 53（2）： 221-242.
	YU M G， CHEN J， HE M， et al. Cooperative evolution mechanism of multiclustered unmanned swarm on community networks［J］. Scientia Sinica （Technologica）， 2023， 53（2）： 221-242 （in Chinese）.
[5]	WU Z H， PAN L， YU M G， et al. A game-based approach for designing a collaborative evolution mechanism for unmanned swarms on community networks［J］. Scientific Reports， 2022， 12： 18892.
[6]	禹明刚，何明，张东戈，等. 基于演化博弈的结构化无人集群协作控制方法［J］. 火力与指挥控制， 2021， 46（10）： 24-31， 38.
	YU M G， HE M， ZHANG D G， et al. Approach to coordinated control of structured unmanned cluster based on evolutionary game［J］. Fire Control & Command Control， 2021， 46（10）： 24-31， 38 （in Chinese）.
[7]	王龙，黄锋. 多智能体博弈、学习与控制［J］. 自动化学报， 2023， 49（3）： 580-613.
	WANG L， HUANG F. An interdisciplinary survey of multi-agent games， learning， and control［J］. Acta Automatica Sinica， 2023， 49（3）： 580-613 （in Chinese）.
[8]	SU Q， LI A M， WANG L， et al. Spatial reciprocity in the evolution of cooperation［J］. Proceedings Biological Sciences， 2019， 286（1900）： 20190041.
[9]	DU J M， WU B， WANG L. Aspiration dynamics in structured population acts as if in a well-mixed one［J］. Scientific Reports， 2015， 5： 8014.
[10]	JIANG L L， PERC M， SZOLNOKI A. If cooperation is likely punish mildly： Insights from economic experiments based on the snowdrift game［J］. PLoS One， 2013， 8（5）： e64677.
[11]	SUN Y Y， ZHANG S L， LIU M Q， et al. Multi-agent evaluation for energy management by practically scaling α-rank［J］. Frontiers of Information Technology & Electronic Engineering， 2024， 25（7）： 1003-1016.
[12]	OHTSUKI H， HAUERT C， LIEBERMAN E， et al. A simple rule for the evolution of cooperation on graphs and social networks［J］. Nature， 2006， 441（7092）： 502-505.
[13]	SU Q， MCAVOY A， WANG L， et al. Evolutionary dynamics with game transitions［J］. Proceedings of the National Academy of Sciences， 2019， 116（51）： 25398-25404.
[14]	FU F， NOWAK M A， HAUERT C. Invasion and expansion of cooperators in lattice populations： Prisoner’s dilemma vs. snowdrift games［J］. Journal of Theoretical Biology， 2010， 266（3）： 358-366.
[15]	MACIEJEWSKI W， FU F， HAUERT C. Evolutionary game dynamics in populations with heterogenous structures［J］. PLoS Computational Biology， 2014， 10（4）： e1003567.
[16]	PEÑA J， WU B， ARRANZ J， et al. Evolutionary games of multiplayer cooperation on graphs［J］. PLoS Computational Biology， 2016， 12（8）： e1005059.
[17]	LEONARD N E， LEVIN S A. Collective intelligence as a public good［J］. Collective Intelligence， 2022， 1： 26339137221083293.
[18]	ALBERT R， JEONG H， BARABÁSI A L. Error and attack tolerance of complex networks［J］. Nature， 2000， 406（6794）： 378-382.
[19]	IYER S， KILLINGBACK T， SUNDARAM B， et al. Attack robustness and centrality of complex networks［J］. PLoS One， 2013， 8（4）： e59613.
[20]	TIAN M， DONG Z C， WANG X P. Reinforcement learning approach for robustness analysis of complex networks with incomplete information［J］. Chaos， Solitons & Fractals， 2021， 144： 110643.
[21]	BULDYREV S V， PARSHANI R， PAUL G， et al. Catastrophic cascade of failures in interdependent networks［J］. Nature， 2010， 464（7291）： 1025-1028.
[22]	BILAL K， MANZANO M， ERBAD A， et al. Robustness quantification of hierarchical complex networks under targeted failures［J］. Computers & Electrical Engineering， 2018， 72： 112-124.
[23]	WANG X H， ZHANG Y， WANG L Z， et al. Robustness evaluation method for unmanned aerial vehicle swarms based on complex network theory［J］. Chinese Journal of Aeronautics， 2020， 33（1）： 352-364.
[24]	HAN T A. Emergent behaviours in multi-agent systems with Evolutionary Game Theory［J］. AI Communications， 2022， 35（4）： 327-337.
[25]	WANG L， FU F， CHEN X R. Mathematics of multi-agent learning systems at the interface of game theory and artificial intelligence［J］. Science China Information Sciences， 2024， 67（6）： 166201.
[26]	於志文，孙卓，程岳，等. 智能无人机集群协同感知计算研究综述［J］. 航空学报， 2024， 45（20）： 630912.
	YU Z W， SUN Z， CHENG Y， et al. A review of intelligent UAV swarm collaborative perception and computation［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（20）： 630912 （in Chinese）.
[27]	TAYLOR P D， JONKER L B. Evolutionary stable strategies and game dynamics［J］. Mathematical Biosciences， 1978， 40（1-2）： 145-156.
[28]	MARTIN N， KARL S. Evolutionary dynamics of biological games［J］. Science， 2004， 303（5659）： 793-799.
[29]	SZABÓ G， TŐKE C. Evolutionary prisoner’s dilemma game on a square lattice［J］. Physical Review E， 1998， 58（1）： 69-73.
[30]	CHEN T Q， GUESTRIN C. XGBoost： A scalable tree boosting system［C］∥Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016： 785-794.
[31]	KE G L， MENG Q， FINLEY T， et al. LightGBM： A highly efficient gradient boosting decision tree［J］. Advances in Neural Information Processing Systems， 2017： 3149-3157.
[32]	PROKHORENKOVA L， GUSEV G， VOROBEV A， et al. CatBoost： Unbiased boosting with categorical features［J］. Advances in Neural Information Processing Systems， 2018： 6639–6649.
[33]	SHWARTZ-ZIV R， ARMON A. Tabular data： Deep learning is not all you need［J］. Information Fusion， 2022， 81： 84-90.
[34]	MENG K T， WU Q Q， XU J， et al. UAV-enabled integrated sensing and communication： Opportunities and challenges［J］. IEEE Wireless Communications， 2023， 31（2）： 97-104.
[35]	SHEN B， GU Q， YANG G. Joint task offloading and UAVs deployment for UAV-assisted mobile edge computing［J］. Computer Networks， 2023， 234： 109943.
[36]	HEIDARI A A， MIRJALILI S， FARIS H， et al. Harris Hawks optimization： Algorithm and applications［J］. Future Generation Computer Systems， 2019， 97： 849-872.
[37]	CORTES C， VAPNIK V. Support-vector networks［J］. Machine Learning， 1995， 20（3）： 273-297.
[38]	RUMELHART D E， HINTON G E， WILLIAMS R J. Learning representations by back-propagating errors［J］. Nature， 1986， 323（6088）： 533-536.
[39]	HE J R， DING L X， JIANG L， et al. Kernel ridge regression classification［C］∥2014 International Joint Conference on Neural Networks （IJCNN）. Piscataway： IEEE Press， 2014： 2263-2267.
[40]	HU M H， HERNG CHION J， SUGANTHAN P N， et al. Ensemble deep random vector functional link neural network for regression［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2022， 53（5）： 2604-2615.
[41]	LUNDBERG S M， LEE S I. A unified approach to interpreting model predictions［J］. Advances in neural information processing systems， 2017： 4768–4777.
[42]	SUNDARARAJAN M， NAJMI A. The many Shapley values for model explanation［C］∥International Conference on Machine Learning. Amsterdam： Elsevier， 2019.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

指标类别	描述角度
集群属性	单节点能力
集群属性	集群能力
环境属性	地形因素
环境属性	干扰因素
任务效果	个体效果
任务效果	集群效果

场景描述	社团网络	规则图	随机图
正常情况	0.657	0.600	0.637
删除10%节点	0.637	0.540	0.586
删除20%节点	0.582	0.500	0.557
删除30%节点	0.581	0.466	0.516

场景描述	社团网络	规则图	随机图
正常情况	0.657	0.600	0.637
删除10%节点	0.648	0.562	0.629
删除20%节点	0.618	0.498	0.551
删除30%节点	0.559	0.410	0.511

场景描述	社团网络	规则图	随机图
正常情况	0.657	0.600 0	0.637
删除10%节点	0.619	0.537 5	0.603
删除20%节点	0.594	0.502 0	0.522
删除30%节点	0.593	0.438 0	0.521

场景描述	社团网络	规则图	随机图
正常情况	0.657	0.600	0.637
删除10%节点	0.624	0.486	0.620
删除20%节点	0.608	0.400	0.612
删除30%节点	0.559	0.386	0.510

无人集群协同感知鲁棒性智能评估方法

Intelligent evaluation of robustness of unmanned swarms in cooperative sensing scenario

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 30

参考文献 42

相关文章 7

编辑推荐

Metrics

本文评价

参数	意义
max_depth	树的最大深度
n_estimators	决策树的弱学习器数量
subsample	每棵树随机取样的比例
colsample_bytree	构建弱学习器时随机采样的特征比例
colsample_bylevel	每个分层随机采样的特征比例
lambda	XGBoost的正则化参数
alpha	XGBoost的正则化参数
gamma	XGBoost中决策树拆分导致loss减少的阈值
learning_rate	控制每个弱学习器的权重降低系数
min_child_weight	子节点中最小样本的权重之和

参数	数值
迭代次数	50
种群规模	50
搜索空间上限	1
搜索空间下限	0

指标	样例1	样例2	样例3	样例4
感知范围	5	5	7	5
通信范围	10	10	13	10
集群规模	100	120	90	120
集群拓扑	社团网络	规则网络	随机网络	随机网络
平均路径长度	2.61	6.93	5.31	6.39
平均节点度	4.66	3.16	4.31	2.93
聚类系数	0.53	0	0.47	0.35
故障模式	未故障	随机故障	策略A 节点故障	度最大节点故障
故障节点比例	0	0.1	0.2	0.3
节点平均收益	2.308	2.44	2.377 5	2.23
感知面积比值	1	0.905	0.809	0.742
鲁棒性指标	0.657	0.495	0.58	0.524

算法	准确率
算法	误差容忍度0.04	误差容忍度0.06	误差容忍度0.08	误差容忍度0.10
eXGBoost	0.93	0.96	0.97	0.98
XGBoost	0.84	0.91	0.95	0.97
LightGBM	0.85	0.93	0.97	0.98
CatBoost	0.85	0.9	0.93	0.94
SVM	0.55	0.73	0.77	0.81
MLP	0.83	0.91	0.95	0.96
Kernel ridge regression	0.70	0.87	0.93	0.97
DRVFL	0.6	0.72	0.78	0.85

[1]	钟罡, 华骏鸣, 杜森, 刘玉璞, 刘皞, 张洪海. 基于复杂网络的城市低空飞行计划优化调度[J]. 航空学报, 2025, 46(11): 531479-531479.
[2]	隋东, 邢娅萍, 涂诗晨. 恶劣天气条件下航路网络修复优化[J]. 航空学报, 2021, 42(2): 324300-324300.
[3]	齐雁楠, 高经东. 空域扇区网络级联失效抗毁性及优化策略[J]. 航空学报, 2018, 39(12): 322579-322579.
[4]	黄洋, 汤俊, 老松杨. 基于复杂网络的无人机飞行冲突解脱算法[J]. 航空学报, 2018, 39(12): 322222-322222.
[5]	武喜萍, 杨红雨, 韩松臣. 基于复杂网络的空中交通特征与延误传播分析[J]. 航空学报, 2017, 38(S1): 721473-721473.
[6]	徐肖豪, 李善梅. 空中交通拥挤的识别与预测方法研究[J]. 航空学报, 2015, 36(8): 2753-2763.
[7]	蔡林, 张玲, 杨善水, 王莉. 大型飞机供配电系统可靠性评估与分析[J]. 航空学报, 2011, 32(8): 1488-1496.