无人机具有飞行时间长、机动性能好的显著优势,特别适用于精确侦查打击、大过载、高速度飞行等实际作战需求。无人机的航路规划和任务分配是在战场环境下完成作战任务的必要条件。本文充分考虑实际战场环境所具有的情报信息支撑、地形地貌复杂、威胁种类多、任务数量大、时效性要求高的特点,对现有航路规划与任务分配算法中情报利用不充分、威胁考虑不全面、作战样式不实际、收敛速度不够快的缺点进行优化,以提高无人机自主性。主要研究内容如下:现有无人机航路规划算法主要以二维地形为基础,不能满足三维地形和多威胁因素环境,且先验信息利用不充分、收敛速度慢。针对该问题,首先构建了包含威胁源特征的真实战场环境模型,通过Q学习算法中的奖惩矩阵对三维环境模型进行降维处理,避免了“维度灾难”;其次,利用情报信息,对Q学习算法中的初始Q表信息、动作选择机制优先级和回馈值等要素进行制定,为无人机飞行方向提供了依据;最后,针对战场环境易突变的情况,设计了基于回退性动作选择机制的应急航路规划算法,增加了无人机的生存率。仿真结果表明,本文提出的基于改进型Q学习算法的无人机战场航路规划,能够有效利用先验信息降低环境维度,提高收敛速率和无人机对环境突变的适应性,增强无人机的自主性。为充分提高无人机自主性,紧密结合作战样式,无人机任务分配也是关键。首先,通过构建反向拍卖算法,筛选符合任务需求的“无人机蜂群”,为下一步选优攻击明确了可用无人机范围;然后,对粒子群算法进行适应度函数构建,提出了可变权重因子和认知系数的改进型粒子群算法,实现“无人机蜂群”次序攻击模式。仿真结果表明,本文提出的基于拍卖算法和改进型粒子群算法的无人机任务分配,适应新型作战样式,提高了收敛速率和任务收益,增加了无人机的自主性。