无人集群协同感知鲁棒性智能评估方法

doi:10.7527/S1000-6893.2025.32118

Abstract

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

CLC Number:

V279

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.

Figures/Tables 30

Fig.1

Table 1

Concept mapping relationships

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

Table 1

Table 2

Payoff matrix

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 $B$	$R c o l - C c o l - C t r a n - D c o l$	$R c o l - C c o l - D c o l,$

Table 2

Table 3

Fig.2

Fig.3

Fig.4

Table 4

Robustness R G variations of UAV swarm in different topologies

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

Table 4

Fig.5

Table 5

Fig.6

Table 6

Table 7

Table 8

Fig.7

Fig.8

Fig.9

Table 9

Variation of robustness R G of UAV swarm with communication delay

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

Table 9

Table 10

Table 11

Table 12

Fig.10

Table 13

Table 14

Algorithm performance comparison

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

Table 14

Fig.11

Fig.12

Fig.13

Fig.14

Fig.15

Fig.16

References 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.

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

Intelligent evaluation of robustness of unmanned swarms in cooperative sensing scenario

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 30

References 42

Related Articles 4

Recommended Articles

Metrics

Comments

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]	Xiwang DONG, Jianglong YU, Yongzhao HUA, Jinhu LÜ, Zhang REN. Architecture and key technologies of intelligent cooperative IOODA technology system for swarm systems [J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(4): 30911-030911.
[2]	ZHU Xuejun, ZHAO Changjian, LIANG Zhuo, TAN Qingke. Thoughts on technology development of OODA empowered with AI [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2021, 42(4): 524332-524332.
[3]	SUI Dong, XING Yaping, TU Shichen. Repair optimization strategy for air route networks under severe weather conditions [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2021, 42(2): 324300-324300.
[4]	JIANG Longting, WEI Ruixuan, ZHANG Qirui, WANG Dong. Anti-collision control of UAVs based on swarm intelligence mechanism [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2020, 41(S2): 724294-724294.