《基于阵列方向图函数的无人机群RCS缩减技术研究》9700字（论文）

第2页第1页基于阵列方向图函数的无人机群RCS缩减技术研究目次TOC\o"1-2"\f\u1绪论 11.1研究工作背景与意义 11.2国内外研究现状 21.2.1隐身技术研究现状 21.2.2无人机飞行控制与协同编队研究现状 31.3本文主要内容及结构 42多目标优化算法理论介绍 52.1MOEA算法现状以及未来发展 52.2遗传算法基本流程以及Pareto最优解 62.3基于分解的多目标进化算法 72.4本章小结 93基于阵列方向图函数的无人机群RCS缩减技术研究 103.1RCS缩减排布流程图 103.2无人机阵列的方向图函数 103.3无人机建模与仿真 133.4无人机阵列RCS仿真优化 153.5本章小结 18结论 19参考文献 21

绪论研究工作背景与意义无人驾驶飞机简称“无人机”（“UAV”），是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞行器[1]。无人机因为体积小，重量轻，机动灵活，自被发明以来，在军事和民用领域得到广泛的应用。当前，随着任务的工作量加大，任务地区复杂度的提高而经常伴随着各种不稳定因素，加上机载能力差，能够搭载的设备有限等问题，单架无人机始终无法完成高难度的任务要求[2]。针对单架无人机所面临的问题，仅仅是提高无人机的机载能力是远远不够的，于是多架无人机编队飞行技术便在这种需求中应运而生[3]。在自然领域中，研究人员发现鱼类，鸟类等生物在群体活动中，总是存在群体协同的现象。比如鸟群飞行时经常保持一定的队形，鱼群在洄游时也存在集体协同的行为。研究结果发现，自然界中种群的协同工作不但能帮助生物抵御天敌，而且能帮助它们减少能量的损耗[4]。借鉴这种生物种群协同的思想，研究人员在成熟的单架无人机技术基础上，对无人机成组阵飞行进行深入研究和探讨。然而大部分的研究工作都是针对无人机集群飞行过程中的无线通讯设计，多机协同工作和控制飞行系统的问题[5]。对于无人机组阵飞行技术来讲，根据不同的环境变换不同的飞行队形，可以有较好的降低无人机飞行的阻力，减小能源损耗，提高无人机群的航程等作用。面对复杂任务时，无人机群还可以通过彼此之间的相互配合，实现协同工作，提高任务的执行效率，更能在执行任务的过程中适应复杂多变的环境[6]。但随着军事高技术的迅猛发展，世界各国的防御体系的探测、跟踪、攻击能力也突飞猛进一日千里，对于空中飞行器的威胁越来越大[7]。于是，飞行器的隐身成为了提高飞行器生存能力的重要要求，这种要求不但决定了飞行器的生存能力，还是确保战争中先发现，先攻击的重要条件[8]。隐身是一个专业术语，用于描述“减少目标特征信号”。飞行器的隐身大多是采取减小缩减目标的雷达散射截面的方式来减小被发现的概率[9]。对于单架无人机来说，体积小、灵活性强、雷达散射截面低，但对组阵后的机群来说，伴随无人机群体规模的扩大，无人机群的雷达散射截面(radarcrosssection,RCS)也随之升高，非常容易被对方雷达所探测，进而对我军形成威胁。本文目的就是提出一种无人机线阵RCS缩减排布的方法，通过缩减无人机线阵的RCS来降低无人机群被敌方雷达发现的概率。基于无人机阵列RCS缩减排布技术研究步骤是：首先使用电磁仿真软件计算出单架无人机在不同姿态下的RCS。其次，根据无人机线阵方向图函数，由单架无人机RCS叠加合成线阵排布的无人机群RCS。单架无人机的姿态变化时，无人机群的RCS也不同。最后应用多目标进化算法对无人机群进行线阵优化排布，通过控制单架无人机的姿态，使组阵后的无人机群RCS在指定视角范围内缩减。国内外研究现状隐身技术现状与发展目前的隐身措施大致分为两种:一是外形隐身；二是材料隐身。雷达隐身是目前飞行器隐身采取的主要措施[10]。外形隐身是说，任何一架隐身飞行器都是一个复杂的形体，这些形体可以被分解成为十多个主要的和几十甚至上百个较小的形体[11]。飞行器的外形对飞行器的雷达散射截面积最大，外形隐身是指通过有效的RCS计算方法，设计出程序来计算最小的RCS飞行器形体。这种能够减少RCS的外形设计包括：翼身融合设计、机头采用菱形设计、采用机翼、鸭翼、平尾、垂尾切角设计等[12]。图STYLEREF1\s1垂尾倾斜与否对隐身的影响通过这些外形设计使得飞行器结构遵循雷达波散射规律以减少雷达散射截面积。随着计算机技术的飞速发展，这种复杂的设计已经能够在较短的时间内完成。未来的隐身飞行器将普遍使用翼身融合技术，无平尾无垂尾设计，使用推力矢量发动机偏转、差动和阻力舵代替原来的鸭翼、平尾、垂尾动作面来获得更完美的外形隐身[13]。而材料隐身大多应用在无法采用外形隐身的部件上，采用雷达吸波材料来缩减雷达散射截面积。其应用形式主要包括：索尔慈波里屏蔽层、蜂窝和开放式网状结构、梯度多层吸波、达伦巴奇层、电路模拟吸波、乔曼吸波和导电高分子吸波等[14]。目前，隐身材料正在向宽频带、薄厚度、轻重量、强吸收等高性能方向发展，同时各国还在不断开发新机理吸波材料[15]。现在世界军事大国正在研究开发以下几种先进的隐身材料：导电高分子隐身材料、纳米隐身材料、手征隐身材料、放射性同位素隐身材料、电路模拟隐身材料等[16]。无人机飞行控制与协同编队研究现状与发展无人机在军事和民用应用上越来越广泛，而飞行控制系统是无人机系统的核心组成部分，其性能直接影响着无人机的飞行品质和飞行性质，也关系到无人机的飞行安全。不但如此，随着无人机飞行的环境日益复杂，对于无人机性能等要求的提高，对无人机编队任务分配的时效性、处理环境能力、求解速度等提出了更高要求[17]。要想进行多无人机协同编队，首先要进行信息感知，并对多源信息进行融合;其次对各种任务进行分配和决策;然后对每架无人机进行航迹规划生成期望的轨迹;进而利用先进的编队控制方法和队形设计技术实现多机编队飞行任务。在编队控制设计过程中，需要考虑多个无人机之间的组网通信问题;最后，搭建模拟多无人机协同编队飞行虚拟仿真平台和实物演示平台，验证编队控制算法的可行性和有效性[18]。多无人机协同编队控制技术主要包括信息感知技术、数据融合技术、任务分配技术、航迹规划技术、编队控制技术、通信组网技术和虚拟/实物验证实验平台技术等[19]。在多无人机编队执行侦察和防御等任务时，需要多无人机保持一定队形编队飞行到任务执行区域。编队保持的控制方法主要有leader-follower方法、基于行为法、虚拟结构法、图论法和基于一致性方法等。每种编队方法适应不同环境，各有优缺点[20]。图2多无人机协同作战概念图目前国内多无人机编队飞行理论方面取得了丰硕成果。在编队队形方面主要是几何队形的设计以及队形的动态调整，这种调整可以提高整个机群的续航能力，有效提高编队的飞行距离[21]。在编队系统中的通信链路设计和无人机之间协同信息的交互方面，无人机通过4G或者无线网络来和地面站联系以获得飞行任务[22]。但此时如果无人机之间的通信出现了故障，就很可能影响无人机编队系统的稳定性；并且在实物飞行试验中，无人机编队仅能实现简单通信环境下的协同编队飞行，任务分配和航迹规划实时性不高，控制方法应对突发情况应对能力低，多机多传感器协同感知能力不足，欠缺对实体的仿真实现[23]。无人机编队协同执行任务方面，国内的研究方向主要集中在无人机编队中队形保持的协同和无人机编队中轨迹跟踪的协同问题两大领域[24]。未来研究应围绕复杂环境及有限通信环境下的无人机编队实时任务分配和多异构无人机编队实时协同航迹规划展开，多无人机编队飞行的控制方法对于3维立体编队的编队控制策略研究很少，如何综合利用各种编队控制方法的优点，实现多无人机在复杂环境和突发情况下的编队形成、保持与重构，是未来研究者所要追寻的目标[25]。图3多无人机阵列示意图本文主要内容及结构本文通过研究多目标优化算法，提出了一套基于无人机阵列的RCS缩减算法。本文的主要结构和内容安排如下：第一章：绪论。本章主要介绍了无人机编队控制以及无人机阵列RCS缩减的研究背景与意义，介绍了国内外隐身技术的研究现状与发展包括外形隐身和材料隐身；介绍了无人机的飞行控制与协同编队的研究现状与发展，包括基于行为法，虚拟结构法，图论法等编队方法，以及国内无人机协同执行任务的发展趋势、不足和未来发展的主要目标。第二章：多目标算法。本章主要介绍了多目标进化算法MOEA的研究现状以及未来的发展趋势，遗传算法的基本流程，Pareto最优解以及基于分解的多目标进化算法。第三章：基于阵列方向图函数的无人机群RCS缩减技术研究。本章主要介绍了RCS缩减算法的总流程，以及无人机阵列方向图函数的求解过程。在单个无人机建模仿真完成后进行100架无人机阵列的RCS缩减，最后通过编程实现了算法，并通过实验仿真对比了改进前和改进后的算法效果。多目标优化算法理论介绍MOEA算法现状与未来发展进化算法是一类基于群体的启发式搜索优化策略，这类方法由于使用方便，易于理解，对于所求解的问题数学性质要求不高，故其应用的领域范围也越来越广泛，得到许多研究人员和工程技术人员的青睐[26]。这其中，多目标优化是一类常见的优化决策问题，而多目标进化算法（multi-objectiveevolutionaryoptimization，MOEA）已经成为了多目标决策领域的主流方法和技术，也是进化计算领域的研究热点[27]。MOEA研究之所以有如今这样良好的势头，主要是因为它具有广泛的应用领域和应用前景。现实世界中的很多实际问题都是用多个目标同时进行优化，这些问题通常来说又是高度复杂的、非线性的，使用传统的方法进行求解十分复杂和困难；而MOEA方法非常适合求解这类问题。MOEA发展到今天，已经在许多领域得到了成功应用，如优化系统控制、数据的分析与挖掘、机械的设计和制造、移动网络的规划、物流配送供应链、逻辑电路设计、多传感器多目标跟踪数据关联以及通信与网络优化等方面。未来的MOEA算法将趋向于更一般的，更通用的，更接近与自然进化的MOEA算法模型。已有的MOEA研究，主要是模仿生物自身的进化过程，没有或者很少考虑进化环节环境对于进化的作用。实际上进化环境对进化个体的影响也是十分重要的，正式因为大自然中环境和生物体之间奇妙的相互作用，才使得目前的生命体有如今这样完美的结构。已有的MOEA都与所求解的问题密切相关，也就是过分的依赖于所求解的问题，应用一个MOEA模型去求解不同的优化问题时，一般要对于MOEA进行一定的修改。而且，已有的MOEA所采用的进化策略，个体适应度的分配机制、解群体的分布性保持方案等大多各不相同，各有其优缺点，没有一个比较一致的模型来规范MOEA的设计。因此，建立一个更为一般的，更具有普遍性的，具有通用性的，便于一般应用者使用的MOEA框架和模型具有十分重要的理论价值和应用价值[28]。遗传算法基本流程以及Pareto最优解进化算法主要分为以下三类：遗传算法（geneticalgorithm，GA）、进化规划（evolutionaryprogramming，EP）和进化策略（evolutionstrategies，ES）。这三类算法非常相似，他们的基本思想源自于生物学家达尔文的物竞天择、优胜劣汰、适者生存的自然选择和自然进化的机制理论。其主要特点是群体搜索策略和群体中个体之间的信息交换，适用于处理传统搜索方法难以解决的高度复杂的非线性问题[29]。其中，遗传算法的基本流图如下图6所示，遗传算法利用简单的编码技术和繁殖机制来表现复杂的现象，它不受搜索空间的限制性约束，不必要求诸如连续性、导数存在和单峰等假设，能够从离散点、多值的、含噪音的高维度问题中以很大的概率找到全局最优解[30]。图4遗传算法流程图多目标优化中的最优解通常称为Pareto最优解，它是由VilfredoPareto在1896年提出的，因此被命名为Pareto最优解[31]。基于分解的多目标进化算法针对多目标优化问题，为了准确、快速的得出结果，本文采用一种基于分解的多目标进化算法(MOEA/D)进行优化求解。为了实现无人机线阵在指定视角范围内RCS缩减，我们定义以下目标函数：（2.3.1）（2.3.2）在上式中，记为无人机群的RCS，目标函数表示寻找方位面内的最大RCS值，目标函数表示计算方位面内RCS的平均值。和是人为设置的角度范围，D是计算角度的样本量。MOEA/D算法的提出源于通过加权法将多目标问题转换为单目标优化问题来解决的思路。算法中，为了提高种群的收敛性，每个被分配的个体都对应一个权重分量，且该算法提高了每个个体对周围领域个体的依赖程度，基于同一个权重向量来比较解的优劣的情况仅会存在于欧氏距离临近的权重向量中。同时要注意的是，只有相邻个体间可以交叉才能产生后代。算法优化过程中每一个适应值都需要极长的仿真计算时间，因此MOEA/D在解决这种复杂目标优化问题上具有显而易见的优势。多目标进化算法中，通常将Pareto面的逼近问题转化为若干标量子问题，常用到的权重聚合方法有加权和方法、切比雪夫方法和基于惩罚的边界交叉方法。本文中的MOEA/D算法采用切比雪夫权重聚合方法，这种方法是一种非线性多目标聚合方法，既可以处理凸状帕累托面问题，还可以解决非凸形状的帕累托面的问题。其聚合函数定义如下所示：（2.3.3）其中，表示采用切比雪夫方法聚合之后的目标函数，是决策变量，为权重向量，同时满足，且。为每优化一次后计算出来的目标函数值，，对于每一个帕累托面最优点，都存在一个权重向量，所以公式（2.3.3）的最优解就是多目标优化的帕累托最优解。因此，通过改变权重向量便可以得到不同的帕累托最优解。在MOEA/D运行中同时最小化目标函数，邻域权重向量被定义为临近的几个权重向量的集合，那么子问题的邻域由所有邻域权重向量的子问题组成。仅仅利用邻域子问题的现有解来优化MOEA/D中的子问题。算法参数设置如下所示：H设置为100,问题维度M设置为2，领域T设置为2，最大迭代次数设置为3000次，个体参与进化的概率为0.8，交叉概率CR（CrossoverRate）为0.5，缩放因子F（ScalingFactor）为0.5，下面试算法整个运行流程的简要步骤总结：首先设置一组均匀分布的权重向量，权重向量满足：（2.3.4）其中，，H是用户自身定义的正整数，权重向量的每一个权重都是不重复的从之中随机选取，权重向量的个数满足下面的公式：（2.3.5）m是目标函数的个数，N是种群大小。生成权重向量之后，设定一个参考点。用Tchebycheff聚合方法将Pareto面的逼近问题分解成为m个标量优化的子问题。具体优化步骤如下所示：输入：MOP（1），种群大小N，N维权重向量；终止条件；每一个权重向量邻域的权重向量个数T；输出：Pareto面，储存非支配解集的EP；步骤1：初始化，设置EP为空集，计算任意两个权重向量的欧式距离，并计算每一个权重向量T个邻域内的向量，对于每一个权重向量，求出T个和它最相近的权重向量，组成集合A；产生一组初始化的决策变量和与之对应的目标向量。步骤2：进化，对于每一个个体，算法随机地以概率从所取得的个体的邻近子问题对应的个体中选择个体和个体，对他们进行差分交叉工作，并且加上具有一定随机性的变异操作，从而产生新的个体。步骤3：更新，依次寻找临近个体j，比较和，保留其中解较优的个体；每一次更新的最大解的个数不多于T个，以防止过早地陷入局部最优解的困境。步骤4：停止，重复上述过程，直到最优解的出现或者达到了设置的最大优化次数。本章小结本章的主要内容是介绍了多目标进化算法的研究背景与发展现状，遗传算法的基本流程以及Pareto最优解。详细介绍了基于分解的多目标进化算法，应用Tchebycheff聚合方法将Pareto面的逼近问题分解成为m个子问题来进行优化，给出了详细的优化步骤。基于阵列方向图函数的无人机群RCS缩减技术研究RCS缩减排布流程图如下图5所示，本文在基于第二章多目标优化的算法的基础上给出一个无人机线阵RCS缩减排布方法的流程图。其中，使用商用软件FEKO计算出不同姿态下的无人机RCS，根据待优化的无人机总数量，先随机生成初始总群；再利用生成的初始总群结合阵列方向图函数计算出无人机线阵排布的RCS。定义两个在指定范围内保证RCS缩减的目标函数，并运行MODE/A优化；根据优化后的目标函数值，判断是否达到收敛条件；最终从Pareto面上选择解决方案。图5总流程图无人机阵列的方向图函数对任意无人机阵列的散射特性进行分析时，由于阵列规模比较大，故可以采用近似的方向图乘积方法来计算，这种方法的优点是不需要考虑阵列单元之间的耦合，而且计算速度较快，但缺点是精度较低。下面就开始介绍任意阵列散射分析的方向图合成原理。图6阵列示意图如上图6所示，建立一个MN的单元阵列，为了方便起见，阵列单元用黑色的点来表示，阵列单元共M行，N列且均等间距排布，其中的M和N为任意正整数；（m，n）表示阵列中的第m行，第n列的单元因子，在上面的图6中，将（1,1）的位置的单元处于坐标原点，第一列的阵列单元所在的位置定为x轴，第一行的阵列单元所在的位置定为y轴，以垂直于整个阵列向上的方向定为z轴建立球坐标系，设球坐标系中的任意位置的俯仰角为，水平角为。任意阵列总散射场的求解步骤如下所示：设沿着方向的单位幅度平面波照射在了阵列上，则第（m，n）个阵列单元的散射场表示如下：（3.2.1）在上式（3.2.1）中，记Z为平面波阻抗，k表示平面波矢量，r表示了第（1,1）个阵列单元到场点的距离矢量，那么第（m，n）个阵列单元到场点的距离矢量就可以用来表示，在无穷远场区有，表示从坐标原点指向第（m，n）个阵列单元的位置矢量；表示第（m，n）个阵列单元的波振幅矢量，其表达式如下所示：（3.2.2）在上式（3.2.2）中，为积分区间，为单位并矢，为并矢；表示积分变量，第（1,1）个阵列单元的总电流密度用表示，表示第（1,1）个阵列单元的波振幅矢量，为阵列单元到原点的距离矢量，也就是。将式子（3.2.2）代入式子（3.2.1）中，可以得到第（m，n）个阵列单元的散射场的表达式如下所示：（3.2.3）在上式（3.2.3）中，表示第（1,1）个阵列单元的散射场。令表示第（m，n）个阵列单元的x轴坐标，表示第（m，n）个阵列单元的y轴坐标，俯仰角为，水平角为。则可以得到：（3.2.4）将式子（3.2.4）代入式子（3.2.3）中可以得到：（3.2.5）除去所有阵列单元之间的互耦作用，那么阵列的总散射场为各阵列单元散射场的互相叠加：（3.2.6）首先介绍无人机线阵的方向图函数，如图7所示，对N架无人机沿着x轴等间距直线排布，图中均匀平面波垂直照射在无人机阵列上，那么式子（3.2.3）变换为：（3.2.7）图7无人机线阵排布示意图由式子（3.2.6），并结合上图11可得无人机线阵的总散射场为：（3.2.8）在式子（3.2.8）中，表示第n架无人机的散射场，表示电磁波的波长，表示第n架无人机与第1架无人机之间的距离。无人机建模与仿真本文在进行FEKO软件仿真时，采用基于图8所示的简易无人机模型。图8无人机模型就单架无人机而言，在雷达波方向不变的情况下，通过改变无人机与雷达波的夹角从而改变无人机的姿态。不同姿态的无人机在同一视角下的RCS也不同。如图8所示，图中雷达波方向沿着y轴负方向，无人机的姿态随着角度的变化而改变。由于四旋翼无人机是对称结构，因此只需在角度范围内随机取值。在本文中单架无人机的长度宽度都为0.6m，高度为0.1m。电磁波入射方向：，频率设为2.5GHz，通过FEKO电磁仿真软件求出无人机在水平方位面内的RCS。每隔取一次值，即每架无人机都有90种姿态。仿真结果如图9所示。图9在角度范围内的无人机RCS显示由图9可知，在频率设为2.5GHz，电磁波入射方向：的条件下，无人机的最大RCS为。无人机阵列RCS仿真优化为了验证本文算法的正确，分别在电磁仿真软件FEKO和Matlab软件上对两架无人机进行RCS仿真，对比图如下图10所示。由图可得，两种软件仿真得出的RCS曲线基本重合，这正证明了本文算法的正确性。图10两架无人机RCS仿真对比图在雷达波的入射方向不变的情况下，对200架无人机进行线阵排布优化，仿真的频率定为2.5GHz,相邻的两个无人机之间的距离固定为2.5m，优化时，以不同姿态下的无人机RCS为自变量，合成机群在方位面的RCS，使得方位面内的RCS减小。经过仿真调试，最终优化后的Pareto面如图11所示。在Pareto面的解集中，没有任何一组的解决方案比另一组的解决方案更好，所有解都属于一个包含着许多折中解的空间，并且，两个目标参数在达到最优的过程中互相制约，此消彼长。Pareto面上的所有解为非支配最优解，都能够满足目标要求。在图11中，横坐标函数表示寻找方位面内的最大RCS值，纵坐标函数表示寻找方位面内的RCS平均值。MOEA/D是求最小值的算法，设置以上的目标函数可以保证无人机群在方位面内的RCS进行缩减。图11Pareto面由于Pareto面上的点都能满足目标要求，分别选择取得最小值时的点（-2.78，-8.18）和取得最小值时的点（-2.19，-9.78）对应的解集进行计算，那么合成后的RCS如图12所示。图12无人机线阵RCS对比图在图12中，随机实验是结合蒙特卡罗方法，对100架线阵无人机进行100次随机排布，分别求出对应的无人机阵列RCS，将所有实验得出的RCS结果进行叠加之后取平均值得出的曲线。由曲线可以看出，无人机线阵在的方位面内的RCS有显著升高。在进行无人机阵列RCS缩减算法后的曲线在的方位面内的RCS下降幅度十分明显。目标函数取得最小值时的优化结果对于目标来说是较好的，而对于目标来说是较差的；目标函数取得最小值时的优化结果恰恰相反。两条曲线在的方位面内的RCS都明显下降，即优化出的解集均满足设计要求，下面给出目标函数取得最小值时和目标函数取得最小值时的两条详细曲线：图13目标函数取得最小值时的无人机线阵RCS图14目标函数取得最小值时的无人机线阵RCS最终得到以下结论：线阵排布优化后的无人机群在方位面内的RCS值都在6.44dBsm以下，与随机实验求出的平均RCS相比较，该范围内的RCS显著降低。RCS最小缩减量约为13dBsm，最大缩减量可以达到54dBsm。证明了本文的无人机阵列RCS缩减排布方法的有效性。本章小结本章的主要内容是提出了一种基于阵列方向图函数的无人机群RCS缩减算法，首先给出了RCS缩减排布的流程图，之后求出无人机阵列的方向图函数。在应用FEKO电磁仿真软件仿真出单架无人机的RCS示意图后完成无人机阵列的RCS仿真优化。

结论本文提出了一种基于无人机阵列的RCS缩减排布技术。讨论了隐身技术的现状与发展，无人机飞行控制与协同编队的现状与发展，天线的散射机理与雷达截面缩减，多目标优化算法以及优化步骤等，并对100架无人机进行线阵排布优化，从实验结果可以得到以下结论：通过对无人机群进行合理的优化排布，达到了缩减无人机线阵在方位面内的RCS，实现了目标雷达散射截面在指定的视角范围内的缩减。参考文献[1]金伟,葛宏立,杜华强,徐小军.无人机遥感发展与应用概况[J].遥感信息,2009(01):88-92.[2]姚敏,王绪芝,赵敏.无人机群协同作战任务分配方法研究[J].电子科技大学学报,2013,42(05):723-727.[3]樊琼剑,杨忠,方挺,沈春林.多无人机协同编队飞行控制的研究现状[J].航空学报,2009,30(04):683-691.[4]Aviation-UnmannedAerialVehicle;NewFindingsfromHarbinInstituteofTechnologyintheAreaofUnmannedAerialVehicleReported(SolvingtheMulti-FunctionalHeterogeneousUAVCooperativeMissionPlanningProblemUsingMulti-SwarmFruitFlyOptimizationAlgorithm)[J].Defense&AerospaceWeek,2020,:172-.[5]ChengXuandMingXuandChanjuanYin.Optimizedmulti-UAVcooperativepathplanningunderthecomplexconfrontationenvironment[J].ComputerCommunications,2020,162:196-203.[6]宗群,王丹丹,邵士凯,张博渊,韩宇.多无人机协同编队飞行控制研究现状及发展[J].哈尔滨工业大学学报,2017,49(03):1-14.[7]徐剑盛,周万城,罗发,朱冬梅,苏进步,蒋少捷.雷达波隐身技术及雷达吸波材料研究进展[J].材料导报,2014,28(09):46-49.[8]张卫东,冯小云,孟秀兰.国外隐身材料研究进展[J].宇航材料工艺,2000(03):1-4+10.[9]KonstantinosZikidisandAlexiosSkondrasandCharisiosTokas.LowObservablePrinciples,StealthAircraftandAnti-StealthTechnologies[J].JournalofComputations&Modelling,2014,4(1)[10]夏新仁.隐身技术发展现状与趋势[J].中国航天,2002(01):40-44.[11]耿方志,吕丹,张永新,邓发升.外形隐身目标雷达散射截面高频散射特性的研究[J].光电技术应用,2005(04):26-28+62.[12]马井军,赵明波,张开锋,穆仕博.飞机隐身技术及其雷达对抗措施[J].国防科技,2009,30(03):38-44+64.[13]代红,何丹.飞机隐身与雷达反隐身技术综述[J].电子信息对抗技术,2016,31(06):40-43.[14]白天,王秀兰.隐身材料的现状及发展趋势[J].宇航材料工艺,2015,45(06):8-10+16.[15]王海.雷达吸波材料的研究现状和发展方向[J].上海航天,1999(01):57-61.[16]史旭明,张军,许仲梓.隐身材料的研究