集群化无人航空系统正迅速成为敌方力量偏爱的战术，针对关键设施的袭击展示了其对软目标的潜在威胁。经改进的续航能力使得无人航空系统能够低空慢速飞行，从非常规路线抵达，增加了地面探测的复杂性。当前，无人机群操作员采用依赖数量优势或重复波次攻击的初级导航战术。然而，运用机器学习等先进算法的集群战术正在兴起，防御方法将更频繁地被要求应对复杂的战略。

许多现有反无人机群算法存在一个显著问题，即假定入侵者的数量、位置、轨迹、目标及其机动性均为已知。本研究从自然界获取灵感，开发了一种模拟哈里斯鹰狩猎模式的生物启发算法。这种美国猛禽利用协同狩猎策略，在稀缺的沙漠环境中最大化利用猎物。本文提出的生物启发反集群算法独特地捕捉了每个智能体自主性与多智能体协同任务分配之间的相互作用，从而最大化效能，并为这一复杂优化问题提供了所需的灵活性。本工作采用两部分策略：（1）初始搜索：实时生成全局热力图，每个智能体贡献搜索知识。该热力图允许在全局范围内整合记忆结构，同时也避免搜索近期已探索区域。（2）入侵者信息共享与协同导航策略：用于影响集体决策向成功智能体学习，以避免陷入局部最优。在动态变化的反无人机群环境中，固定的威慑策略成本高昂且效率低下，并可能被智能入侵者规避。热力图为搜索提供了一种非线性且灵活的方法。它防止过早重复探索先前已探查区域，也可用于返回合适的导航路径以定位并强化针对性搜索。通过此搜索识别出的入侵者，随后会通过协同战术加以打击，该战术旨在利用智能体间的共享信息及其在“发现与歼灭”中的成功经验，以产生更有利的攻击策略。

鉴于此环境的高度维数特性，以及平衡探索与搜索战术开发的复杂性（需使用多个智能体发现并歼灭数量未知的入侵者），本研究独特地采用了基于强化学习的方法。通过大量随机选取的场景验证了所得算法，以评估其泛化“发现-歼灭”策略（亦称战术）的能力。测试在更广阔区域进行，涉及不同数量的智能体和不同的速度比，同时也考虑了诸如集群核心目标或分群行动等独特行为。其他知名方法（例如网格搜索等）被用作量化比较的基础，以评估所开发算法的性能。结果证明了基于强化学习的算法在发现和歼灭入侵者方面，相较于其他常用算法的有效性。