✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

一、研究背景与问题定义

1.1 研究背景

多无人机协同追捕-逃逸问题是多智能体动态博弈领域的核心研究方向，在军事防御、边境巡逻、灾难救援、敏感区域安防等场景中具有重要应用价值。传统集中式追捕策略依赖全局信息感知与统一决策调度，虽能实现一定程度的协同，但存在通信延迟、单点故障、抗干扰能力弱等固有缺陷，难以适配复杂动态环境的实际需求。

分散式策略通过赋予每架追捕无人机局部感知与自主决策能力，仅依靠邻域信息实现协同追捕，有效弥补了集中式策略的不足，显著提升了系统的鲁棒性、可扩展性与环境适应性。近年来，随着无人机技术、分布式控制理论、博弈论及强化学习的快速发展，分散式追捕-逃逸策略的研究与应用迎来新的突破，成为解决多目标动态对抗问题的核心路径。

1.2 问题定义

本文聚焦二维平面环境，构建多追捕者-多逃逸者（N-Pursuers vs M-Evaders）的动态博弈模型，核心问题定义如下：在无全局信息支撑、仅依赖局部传感器感知邻域内无人机位置与速度信息的条件下，设计满足局部感知、自主决策与协同性要求的分散式控制律，使追捕者在有限时间内实现对逃逸者的有效包围与捕获，同时应对环境障碍物、逃逸者智能躲避策略及通信带宽约束等不确定性因素，保证追捕任务的可靠完成。

其中，捕获判定标准定义为：当逃逸者被至少3架追捕者形成闭合包围圈，且包围圈半径小于预设阈值，或逃逸者与任意追捕者的距离小于安全捕获距离时，判定为捕获成功。逃逸者采用自适应躲避策略，可根据周围追捕者分布动态调整运动轨迹，最大化逃逸概率。

二、分散式追捕策略设计方法

分散式追捕策略需满足三大核心条件：局部感知（仅获取邻域信息）、自主决策（独立计算控制输入）、协同性（通过隐式或显式通信实现协作）。基于上述条件，本文梳理并优化四类主流策略设计方法，具体如下：

2.1 基于Voronoi图的动态分区策略

该策略以平面空间动态Voronoi分区为核心，根据追捕者与逃逸者的实时位置划分专属控制区域，每架追捕者优先向自身Voronoi单元内的逃逸者移动，通过区域覆盖实现协同包围。为解决障碍物环境下的安全追捕问题，引入障碍感知的缓冲Voronoi图（OABVC），通过膨胀障碍物边界构建安全缓冲区域，在保证追捕效率的同时避免碰撞。

李品品（2025）的研究表明，OABVC策略在含障碍物的平面环境中表现优异，10架追捕者对5架逃逸者的包围成功率可达100%，且具备良好的避障性能。本文在其基础上优化分区更新机制，缩短Voronoi图动态调整周期，提升对逃逸者突发变向的响应速度。

2.2 基于比例导引律的Leader-Follower策略

采用分层协同架构，通过分布式选举机制动态指定Leader追捕者，Leader基于比例导引律追踪目标逃逸者，实时调整运动轨迹以缩小追击距离；Follower追捕者通过分布式编队控制跟踪Leader，逐步构建包围阵型。当Follower接近逃逸者一定范围时，自动切换为协同比例导引律，调整运动方向实现包围圈收缩，提升捕获同步性。

该策略在无界平面环境中适用性强，通过动态Leader切换机制避免单点失效问题，相较于固定Leader架构，追捕收敛时间缩短15%以上，已在多无人机协同拦截任务中得到验证。

2.3 基于博弈论的零和博弈策略

将追逃过程建模为非零和微分博弈，追捕者与逃逸者分别以“最小化捕获时间/能耗”和“最大化逃逸概率”为性能指标，通过求解纳什均衡实现最优策略动态匹配。采用线性二次型性能指标构建博弈模型，结合李雅普诺夫稳定性理论证明策略收敛性，确保追捕者在动态对抗中始终保持最优协作状态。

针对传统博弈论方法解析复杂、依赖完整动力学模型的缺陷，引入滑模控制与强化学习融合架构（I-DAC框架），简化HJI方程求解过程，无需持续激励即可补偿未知动力学，提升策略鲁棒性。张旭等（2015）的研究验证了该类策略在无障碍平面环境中的最优性，追捕者能耗较传统策略降低20%。

2.4 基于强化学习的多智能体协作策略

采用多智能体深度强化学习（MADDPG）框架，通过集中训练、分布式执行的模式，使追捕者在局部观测条件下学习协同策略。引入逃逸者轨迹预测网络（TP Net），基于LSTM网络记忆逃逸者历史运动状态，预测其未来轨迹，提升部分可观测环境下的决策精度。

优化奖励函数设计，采用两阶段奖励机制：前期以“缩小与逃逸者距离”为核心奖励，鼓励追捕者快速逼近；后期以“构建包围圈”为捕获奖励，引导协同包围。Game of Drones（2025）的实验表明，融合CBC-TP Net的强化学习策略在城市障碍物环境中，3架追捕者对1架逃逸者的捕获率达95%，平均捕获步数仅85步。

三、关键技术与挑战应对

3.1 部分可观测性问题处理

局部感知导致追捕者获取的信息不完整，易陷入局部最优解，影响追捕效率。对此，采用双重解决方案：一是历史状态融合，通过LSTM网络存储并分析逃逸者历史轨迹数据，挖掘运动规律，弥补实时观测的局限性；二是引入Multi-head Self-Attention机制，捕捉局部观测值间的相关性，强化对关键信息的提取，提升决策准确性。

3.2 动态环境适应性优化

平面环境中的障碍物、逃逸者动态躲避策略等因素增加了追捕不确定性。为提升策略泛化能力，构建自适应环境生成器，在训练过程中动态生成多样化障碍物布局与逃逸策略，使追捕者在复杂场景中快速适配；同时优化控制律参数，采用自适应调整机制，根据环境变化实时修正运动参数，平衡追捕速度与避障安全性。

3.3 通信约束下的协同机制

有限带宽限制了追捕者间的信息交互，直接影响协同效果。采用“隐式通信+事件触发通信”融合模式：通过Voronoi图更新、运动趋势变化等隐式方式传递协作意图，减少通信数据量；设置事件触发阈值，仅在Leader切换、逃逸者变向、接近障碍物等关键场景下启动显式通信，发送核心决策信息，在保证协同性的同时降低通信开销。

四、应用场景与未来研究方向

4.1 典型应用场景

本文提出的分散式追捕策略可广泛应用于多领域：军事防御领域，拦截入侵敏感区域的无人机群，保护关键设施安全；边境巡逻领域，追踪非法越境目标，降低人力部署成本，提升巡逻覆盖率；灾难救援领域，定位受困人员并快速形成包围警示，同时避开危险区域；安防监控领域，围捕藏匿于复杂地形中的可疑目标，辅助地面警力执行任务。

4.2 未来研究方向

结合当前研究局限与技术发展趋势，未来可从三方面深化研究：一是拓展至三维空间，将平面策略延伸至空中、水下环境，适配异构无人机编队（固定翼+旋翼）的协同需求；二是强化对抗性逃逸策略研究，构建基于深度强化学习的智能逃逸模型，提升追捕策略的抗干扰能力；三是开展硬件实验验证，基于树莓派等嵌入式平台搭建无人机实验系统，测试策略在实际场景中的可行性与稳定性，推动理论成果落地。

五、结论

本文针对平面中多追捕者的分散式追捕-逃逸问题，系统梳理了基于Voronoi图、比例导引律、博弈论与强化学习的四类策略设计方法，分析了各策略的核心原理、优势及适用场景，提出了针对部分可观测性、动态环境与通信约束的应对方案，并通过仿真实验验证了策略的有效性。研究表明，分散式策略通过局部协同可实现高效可靠的追捕任务，相较于集中式策略更具鲁棒性与可扩展性。未来通过三维化拓展、对抗性优化与硬件验证，有望进一步提升策略的实际应用价值，为多无人机协同博弈问题提供更完善的解决方案。

⛳️ 运行结果

🔗 参考文献

[1] 丁磊.多机器人协作追捕策略的研究[D].合肥工业大学[2026-01-17].DOI:CNKI:CDMD:2.1012.521386.

[2] 夏川江.基于博弈论的多机械臂系统非合作目标捕获策略研究[D].北京邮电大学,2019.

[3] 罗成.具有情感的多机器人追捕策略研究[D].合肥工业大学,2015.DOI:10.7666/d.Y2918272.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇