CN101136081A - 基于蚁群智能的无人作战飞机多机协同任务分配方法 - Google Patents

Abstract

本发明提供了一种基于蚁群智能的无人作战飞机多机协同任务分配方法。首先在考虑交战双方的相对几何关系、运动参数及武器性能等方面因素的前提下建立优势矩阵，采取一种并行方式的蚁群算法对敌方无人作战飞机进行搜索。每架无人作战飞机上的蚂蚁搜索同时开始，不同组的蚂蚁同时从不同的无人作战飞机出发，依据状态转移概率选取不同的攻击目标，每批蚂蚁搜索完成之后就更新一遍信息素，当所有蚂蚁都完成搜索之后，选择无人作战飞机攻击优势最大的方案，即将每架无人作战飞机选择目标的优势值求和，最后在选出总体攻击优势最大的量，从而得到最终的无人作战飞机多机协同任务分配结果。该方法优点是收敛速度快，算法稳定性好、鲁棒性强。

Description

基于蚁群智能的无人作战飞机多机协同任务分配方法

(一)技术领域

随着现代科技的发展，无人机(Unmanned Aerial Vehicle，UAV)在现代军事领域发挥了越来越重要的作用。无人作战飞机(Unmanned CombatAerial Vehicle，简称UCAV)便是UAV进一步发展，所诞生的一种武器系统。它可执行空对空、空对地(海)作战任务，由指挥部下达决策命令。

UCAV多机协同任务分配是任务规划中的一个重要组成部分。相比任务规划中的航路规划部分，国内对UCAV任务分配问题的研究还处于起步阶段。UCAV的任务分配主要指：空战中，在满足各项技战术指标的前提下，为了使已方损失最小并使敌方损失最大，为每架UCAV分配目标，即确定哪个UCAV攻击哪个目标。可见，在空战中，UCAV任务分配是空战的核心问题。

蚁群算法是新兴的人工智能算法，应用蚁群算法已经很好的解决的许多NP类问题。考虑到多UCAV实际上也属于NP类问题之一，本发明涉及一种基于蚁群智能解决UCAV多机协同任务分配问题的方法，该方法是解决复杂动态环境下UCAV多机协同任务分配问题的有效技术途径，同时，本发明也可应用于复杂环境下机器人任务分配、多目标协同任务分配等技术领域。

(二)背景技术

至上世纪九十年代，多UCAV协同的任务规划成为一个研究重点。UCAV多机协同任务分配和路径规划是实现多UCAV协同任务规划的两个必不可少的功能，因此目前关于多UCAV协同任务规划的研究主要集中在多UCAV协同的任务分配和路径规划。

UCAV多机协同任务分配方法目前主要有基于市场竞拍机制的方法、网路流量优化方法、基于割图的任务分配方法、基于MAS(Multi-AgentSystem)满意决策的任务分配方法以及混合整数线性规划方法。

基于市场竞拍机制的任务分配方法，将任务分配看作一个交易过程。该方法假设已经形成初始编队和目标分配，并赋予UCAV编队执行任务一个评估值，将目标和UCAV作为可以在各个编队之间交换的资源，当一个编队放弃目标或UCAV时，其评估值的降低就是目标或UCAV的卖价，当一个编队接收一个目标或UCAV时，则其评估值的增加就是目标或UCAV的买价。通过在编队之间交易目标或者UCAV来改善多UCAV整体作战效能。基于市场竞拍机制的任务分配方法原理简单，便于分布式求解，其局限在于同一个编队的各个交易之间必须相互独立且线性。并且应用该方法时必须有一个初始解，而初始解的确定对于大规模问题来说并不容易。

网络流量优化方法将多UCAV任务分配问题看作一个商业供需网络物流优化问题，以UCAV为离散的供应商，任务为在网络上的物流，任务分配的结果作为需求，UCAV执行任务的代价或者收益作为任务在网络中流动的代价，建立供需网络模型，通过对网络流量总代价最小化实现多UCAV任务分配。基于网络流量优化的任务分配方法能够有效求解简单任务分配问题，但是其鲁棒性较差，经常会给出性能非常差的结果，并且该方法局限于求解线性任务分配问题，即每一个UCAV只能执行一项任务，每一项任务只能由一个UCAV执行。

基于割图法的任务分配是通过连接UCAV起点到各个目标而建立一个有向图，将任务分配问题看作一个有向收益图划分成子图的过程，即先将每一个图的节点包含在且只能包含在一个子图中，在保证子图的任何两个边都没有共同起点和终点的前提下，使得所有子图中的所有边的增益最大。但是割图法囿于其过于庞大的计算量，在任务分配中应用受限。

基于MAS满意决策的任务分配方法，首先依据UCAV个体执行任务的代价和效能评估，确定UCAV个体可以接受的任务集合，然后在个体满意基础上通过联合满意度对多UCAV进行任务分配，实现UCAV个体与多UCAV整体任务代价、效能之间的折中。基于MAS满意决策的最大困难在于UCAV个体满意度以及联合满意度的建立非常困难。

美国麻省理工学院针对UCAV机群的任务分配和轨迹优化问题提出了基于混合整数线性规划(Mixed Integer Linear Programming，MTLP)的求解方法，主要考虑UCAV能力、障碍以及时间信息，将离散和连续决策变量集成到统一的优化问题模型中，利用商业软件CPLEX对模型求解得到任务分配结果。该模型的优点在于将任务分配和轨迹优化进行了部分解藕，使得轨迹优化可以在并行的平台上分布式进行，不足之处在于由于需要计算所有路径点的排列组合，因而计算量非常巨大，仿真实验中所解决的最大规模问题为8架UCAV对4个目标的任务分配问题。

国内的研究主要集中在路径规划方法上，UCAV多机系统任务分配问题方面的研究相对滞后一些。目前主要有基于多目标整数规划进化(MOIPEA)算法的多UCAV协同任务分配方法和基于启发式蚁群算法的协同多目标攻击空战决策方法。基于MOIPEA算法的多UCAV任务分配方法，将目标看作非劣解的种群，设计合适的适应度函数和选择算子，引导算法向着PARETO最优解方向进化，算法中对染色体编码，算子变异等众多约束处理，最终得到接近最优解的目标种群，但算法的计算量很大。

本发明在对UCAV多机系统任务分配问题的解决中采用蚁群算法的如下特点：

(1)在蚂蚁不断散布生物信息激素的加强作用下，新的信息会很快被加入到环境中。而由于生物信息激素的蒸发更新，旧的信息会不断被丢失，体现出一种动态特性；

(2)由于许多蚂蚁在环境中感受散布的生物信息激素同时自身也散发生物信息激素，这使得不同的蚂蚁会有不同的选择策略，具有分布性；

(3)最优路线是通过众多蚂蚁的合作被搜索得到的，并成为大多数蚂蚁所选择的路线，这一过程具有协同性；

(4)蚂蚁个体之间、群体之间以及与环境之间的相互作用、相互影响、相互协作，可以完成的复杂的任务，这种适应性表现为蚁群算法的鲁棒性；

(5)自组织使得蚂蚁群体的行为趋向结构化，其原因在于包含了一个正反馈的过程。这个过程利用了全局信息作为反馈，正反馈使系统演化过程中较优解的自增强作用，使得问题的解向着全局最优化的方向不断变化，最终能有效地获得相对较优解。

蚁群算法寻优过程中所体现出的并行性、协同性、自组织性、动态性、强鲁棒性等特点与复杂战场环境的许多要求是相符的。采用蚁群算法解决UCAV多机协同任务分配问题，可提高UCAV系统的自治能力，因而针对各种威胁环境，将蚁群算法应用于解决多机协同任务分配问题对于极大提高作战任务的有效性以及UCAV的生存概率具有重要的意义，同时也是现代作战武器系统朝着综合化、智能化和无人化发展的重要技术基础。

(三)发明内容

当UCAV双方编队在空中相遇时，同一时刻内对峙双方彼此间构成威胁的元素已基本确定，即一方编队中各架UCAV对另一方编队中的某架UCAV的威胁度是可以判断的，反之亦然，这样就能够构成判断矩阵：即空战双方分别对另一方编队中各机的威胁评估矩阵。在此基础上，建立优势矩阵，再结合蚁群算法实现UCAV的任务分配。

蚁群算法是一种最新发展的仿生智能优化算法，该算法模拟了自然界蚂蚁的群体觅食行为。自然界中，蚂蚁通过相互协调完成相对其本身来说比较艰巨的任务，科学家发现蚂蚁总能在较短的时间寻找到其巢穴与食物源之间最短的路径。蚁群算法最早用来成功地解决了著名的旅行商问题(Traveling Salesman Problem)。目前人们对蚁群算法的研究已经由当初单一的旅行商问题领域渗透到了多个应用领域，由解决一维静态优化问题发展到解决多维动态组合优化问题，由离散域范围内的研究逐渐拓展到了连续域范围内的研究，而且在蚁群算法的硬件实现上也取得了很多突破性进展，从而使这种新兴的仿生优化算法展现出勃勃生机和广阔的发展前景。

蚁群算法的主要特点是：正反馈、并行性及分布式计算。正反馈过程使得该方法能较快地发现问题的较好解；分布式易于并行实现，与启发式算法相结合，使得该方法易于发现更好的解。

经过生物学家研究，发现蚂蚁之间是通过一种称为信息激素的化学物质来互相通信，并互相影响，真实的蚂蚁外出觅食的时候会不断地在经过的路径上分泌信息素，记录自已经过的路线，路径上的信息素浓度将影响后续蚂蚁的行进路线。对于较短的路径，在单位时间内经过的蚂蚁数量较多，路径上的信息素浓度较高，吸引着较多的蚂蚁沿该路径搜索；对于距离较长的路径，由于单位时间内经过的蚂蚁数量较少，路径上的信息素浓度较低；而且信息素会随着时间而挥发，从而较长的路径的信息素浓度弱化就会比较明显，而对于较短路径则由于经过的蚂蚁数量较多，信息素浓度的衰减作用就显得次要，主要体现为信息素浓度被经过的蚂蚁增强，从而形成了一种正反馈。这种正反馈机制为蚁群寻找最优路径提供了可行性。蚂蚁走过的路径越短，信息激素浓度越高，而信息激素浓度越高，吸引的蚂蚁越多，最后所有的蚂蚁都集中到信息激素浓度最高的一条路径上，这条路径就是从巢穴到食物源的最短路径。图1为真实蚂蚁的觅食过程。

蚁群算法实际上是一类智能多主体系统，其自组织机制使得蚁群算法不需要对所求问题的每一方面都有详尽的认识。自组织本质上是蚁群算法机制在没有外界作用下使系统熵增加的动态过程，体现了从无序到有序的动态演化，其逻辑结构如图2所示。

蚁群算法的数学模型为：设b_i(t)表示t时刻位于元素i的蚂蚁数目，τ_ij(t)为t时刻路径(i，j)上的信息量，n表示TSP规模，m为蚁群中蚂蚁的总数目，则 $m=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_i\left(t\right);$ $\mathrm{\Γ}=\left\{{\mathrm{\τ}}_{\mathrm{ij}}\right(t\left)\right|c_i,c_j\⋐C\}$ 是t时刻集合C中元素(城市)两两连接l_ij上残留信息量的集合。在初始时刻各条路径上信息量相等，并设τ_ij(0)=const，基本蚁群算法的寻优是通过有向图g=(C，L，Γ)实现的。

蚂蚁k(k=1，2，…m)在运动过程中，根据各条路径上的信息量决定其转移方向。这里用禁忌表tabu_k(k＝1，2，…，m)来记录蚂蚁k当前所走过的城市，集合随着tabu_k进化过程作动态调整。在搜索过程中，蚂蚁根据各条路径上的信息量及路径的启发信息来计算状态转移概率。p_ij ^k(t)表示在t时刻蚂蚁k由元素(城市)i转移到元素(城市)j的状态转移概率

(1)

式中，allowed_k＝{C-tabu_k)表示蚂蚁k下一步允许选择的城市。α为信息启发式因子，表示轨迹的相对重要性，反映了蚂蚁在运动过程中所积累的信息在蚂蚁运动时所起的作用，其值越大，则该蚂蚁越倾向于选择其它蚂蚁经过的路径，蚂蚁之间协作性越强；β为期望启发式因子，表示能见度的相对重要性，反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中的受重视程度，其值越大，则该状态转移概率越接近于贪心规则。η_ij(t)为启发函数，其表达式如下

${\mathrm{\η}}_{\mathrm{ij}}\left(t\right)=\frac{1}{d_{\mathrm{ij}}}---\left(2\right)$

式中，d_ij表示相邻两个城市之间的距离。对蚂蚁k而言，d_ij越小，则η_ij(t)越大，p_ij ^k(t)也就越大。显然，该启发函数表示蚂蚁从元素(城市)i转移到元素(城市)j的期望程度。

为了避免残留信息素过多引起残留信息淹没启发信息，在每只蚂蚁走完一步或者完成对所有n个城市的遍历(也即一个循环结束)后，要对残留信息进行更新处理。这种更新策略模仿了人类大脑记忆的特点，在新信息不断存入大脑的同时，存贮在大脑中的旧信息随着时间的推移逐渐淡化，甚至忘记。由此，t+n时刻在路径(i，j)上的信息量可按如下规则进行调整

τ_ij(t+n)＝(1-ρ)·τ_ij(t)+Δτ_ij(t)          (3)

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k\left(t\right)---\left(4\right)$

式中，ρ表示信息素挥发系数，则1-ρ表示信息素残留因子，为了防止信息的无限积累，ρ的取值范围为：

Δτ_ij(t)表示本次循环中路径(i，j)上的信息素增量，初始时刻Δτ_ij(0)=0，Δτ_ij ^k(t)表示第k只蚂蚁在本次循环中留在路径(i，j)上的信息量。

根据信息素更新策略的不同，目前有三种不同的基本蚁群算法模型，分别称之为Ant-Cycle模型、Ant-Quantity模型及Ant-Density模型，其差别在于Δτ_ij ^k(t)求法的不同。由于Ant-Quantity模型及Ant-Density模型均是对信息素的局部更新，而Ant-Cycle模型是整体更信息素，在求解TSP问题时效果良好，所以用Ant-Cycle模型作为基本蚁群算法的信息素更新方式。在Ant-Cycle模型中

式中，Q表示信息素强度，它在一定程度上影响算法的收敛速度；L_k表示第k只蚂蚁在本次循环中所走路径的总长度。

本发明一种基于蚁群智能的无人作战飞机多机协同任务分配方法，它是涉及一种基于蚁群智能解决UCAV多机协同任务分配问题的方法，该方法具体如下：

(1)态势评估

空战态势的评估是UCAV多机协同任务分配的基础，只有维持高水平的空战态势评估，才能得到合理、准确的目标分配结果。

本发明中设M架蓝机与N架红机进行空战，所有的蓝机和红机分别具有各自相同的性能，具体如图3所示。可以假设各UCAV的作战能力相同，所以态势评估不需要考虑战斗机的有人操作作战能力等因素。建立优势矩阵时只需考虑交战双方的相对几何关系，运动参数，以及武器性能等方面因素，从而给出双方相对态势的定量描述。

总结而言，态势评估主要考虑以下因素：

(1)目标类型；

(2)本机与目标的当前相对位置关系，包括角度、高度和距离；

(3)本机与目标的相对运动参数，主要为速度；

(4)本机与目标的武器性能。

当目标类型不是UCAV时，认为我方UCAV占有绝对优势。当目标类型为UCAV时，需要根据双方的运动参数和武器装备进行态势评估。下面就是优势矩阵的建立方法：

根据双方UCAV的初速度方向确立角度优势，角度优势函数可表示为：

S_ij ^a＝(α_j-α_i)/180°                (6)

其中，α_i、α_j(如图4所示)分别为我方第i架UCAV的速度矢量与目标视线的夹角、敌方第j架UCAV的速度矢量与目标视线的夹角，并且0°≤α_i，α_j≥180°。当S_ij ^a为正时，表示在敌我相对角度优势我方UCAV占优势；为负时，则表示敌方UCAV占优势。

根据双方UCAV初速度大小确立速度优势，速度优势函数可表示为：

$S_{\mathrm{ij}}^v=\left\{\begin{array}{cc}1& V_i-V_j>0.1\mathrm{km}/s\\ V_i-V_j& |V_i-V_j|\&le;0.1\mathrm{km}/s\\ -1& V_i-V_j<-0.1\mathrm{km}/s\end{array}\right.$

其中，V_i和V_j分别表示我方第i架UCAV和第j个目标的速度大小。S_ij ^v为正时，表示我方UCAV速度占优势；为负时，表示敌方UCAV占优势。

武器性能优势由敌我双方武器的发射距离有关。当敌方UCAV武器发射距离大于我方UCAV时，武器性能优势为负；当敌方UCAV武器发射距离小于我方UCAV时，武器性能优势为正。

根据我方UCAV及目标的距离优势函数，构造相对优势函数。我方UCAV i相对敌方UCAV j的距离优势函数可以和武器性能优势结合起来，优势函数表示如下：

$S_{\mathrm{ij}}^w=\left\{\begin{array}{cc}1& D_{\mathrm{mi}}-D_{\mathrm{mj}}>20\mathrm{km}\\ \frac{D_{\mathrm{mi}}-D_{\mathrm{mj}}}{20}& |D_{\mathrm{mi}}-D_{\mathrm{mj}}|\&le;20\mathrm{km}\\ -1& D_{\mathrm{mi}}-D_{\mathrm{mj}}<-20\mathrm{km}\end{array}\right.---\left(8\right)$

其中，D_mj和D_mj分别表示我方UCAV i和敌方UCAV j的导弹最大发射距离。

综上，可以得到综合态势评估函数：

S_ij＝k_v·S_v+k_a·S_a+k_w·S_w              (9)

式中，S_ij表示我方第i架无人机对敌方第j个目标的综合态势优势值；k_v、k_a、k_w分别表示速度优势、角度优势和武器性能优势的权系数，且有k_v+k_a+k_w＝1，权系数的大小可根据经验和数学仿真分析得到。为了获得更精确地态势评估可以根据敌我双方之间的其他相对参数(如高度)来增加优势函数，这样就可以更全面的评估双方的态势。本发明中只考虑式(9)所涉及的优势函数。

通过综合态势评估函数，可以获得我方UCAV群内第i架UCAV对敌方机队里第j架UCAV的作战能力评估，建立敌我之间的相对优势矩阵S，若我方有m架UCAV，敌方有n架UCAV，则该优势函数矩阵S是一个m×n的矩阵，有m×n个元素，元素S_ij表示我方UCAV i对敌方UCAV j的优势函数值。

(2)基于蚁群算法的UCAV多机协同任务分配

在建立好优势矩阵以后，就可以对目标进行分配了。本发明设计了一种新型改进蚁群算法来很好地解决了UCAV多机协同目标分配问题。

本发明讨论的多UCAV协同作战这一背景问题中，可把我方每架UCAV分别作为每只蚂蚁的固定出发点，而将敌方UCAV看作是目标城市，依据蚁群算法对敌方UCAV进行搜索，找到我方UCAV队执行空战任务的最佳分配方案。依据上述思想，可以把任务分配问题转化到旅行商问题上来，它们本质上是相同的，这在理论上说明蚁群算法用于任务分配问题是可行的。由于前面已经根据敌我双方的空战态势建立了优势矩阵S，其中的S_ij表示我方每架UCAV相对敌方每架UCAV的优势值。与TSP问题相似，这里的S矩阵映射为旅行商问题中的城市距离矩阵，依据S矩阵计算蚁群算法中的启发函数η_ij，具体方法如下：

首先在S中找到一个最大优势值S_max，然后用这个最大优势值依次去减优势矩阵S中的每一个值，这样就得到了一个伪优势矩阵S’，依据此矩阵按式(10)计算蚁群算法的启发函数η_ij：

${\mathrm{\&eta;}}_{\mathrm{ij}}=\frac{1}{{S\&prime;}_{\mathrm{ij}}}$

式中，S’_ij表示我方每架UCAV与敌方每架UCAV的伪相对攻击优势值，对蚂蚁k而言，S’_ij越小，则η_ij越大，p_ij ^k也就越大。显然，该启发函数表示蚂蚁从我方UCAV i出发转移到敌机的j的期望程度。将公式(10)代入公式(1)中，蚂蚁依此公式计算下一步选择攻击的目标。

在本发明中采取一种并行方式的蚁群算法进行攻击目标的搜索，假设我方有i架UCAV，则将蚂蚁所有蚂蚁分为i组，每组蚂蚁数目相同为n，(实际参与搜索攻击的总蚂蚁数目则为i×n)，每组蚂蚁分别搜索第i架UCAV攻击优势最大的目标。在搜索过程中i组蚂蚁分别使用不同的禁忌表，即共有i个禁忌表，其中存放已被确定的攻击目标，蚂蚁不能选择禁忌表中已经存放的目标。于是，建立了一个临时的禁忌池，临时禁忌池是一个1×atk的矩阵(atk表示敌方UCAV的数量)，其中只存放0和1，若我方第i架UCAV已选择了第j架敌机为攻击目标，则将临时禁忌池内第j个元素置0，同时将j放在第i架UCAV的禁忌表中，这样，选择下一个攻击目标时，临时禁忌池内的为0的元素的列号即为已选择过的攻击目标，这样有效避免列号即为已选择过的攻击目标，不参与下一次的选择。这样有效避免我方UCAV攻击相同的目标，能够顺利将所有目标分配给我方UCAV，由于蚂蚁在搜索下一目标时不能去找已确定的目标，所以这个方法很好的解决了UCAV多机协同任务分配问题，并表现出很好地实时性。

每架UCAV上的蚂蚁搜索是同时开始的，不同组的蚂蚁同时从不同的UCAV出发，依据蚁群算法中的概率公式计算的不同概率选取不同的攻击目标，每批蚂蚁搜索完成之后就用信息素局部更新策略更新一遍信息素，当所有蚂蚁都完成搜索之后，选择UCAV攻击优势最大的方案，即将每架UCAV选择目标的优势值求和，最后在选出总体攻击优势最大的量，从而得到最终的UCAV多机协同任务分配结果。

综上所述，本发明所述的基于蚁群智能的无人作战飞机多机协同任务分配方法的流程如图5所示。结合图5，其具体实现步骤如下(设NCmax是最大迭代次数)：

第一步：初始化：计算攻击优势矩阵S，得到伪优势矩阵S’，Set NC＝0，每条边上的τ_ij(0)＝c，并且Δτ_ij＝0：

第二步：平均将m个蚂蚁到x个我方UCAV上，即每架UCAV上有x/m只蚂蚁；

第三步：For k＝1 to m do将我方UCAV的编号1，2...，x放置到每架UCAV的禁忌表tabu_x的第一个元素位置，即tabu_x(k，1)；

第四步：For k＝1 to m do根据概率p_ij ^k来选择下一步应该攻击的目标，将第k个蚂蚁转移到敌方UCAV j中，并将j插入到tabu_x(k，j)中，置allowed(k，j)为0；

第五步：For k＝1 to m do计算第k个蚂蚁的总优势大小L，更新已找到的最佳方案，For k＝1 to m do根据公式(3)、(4)更新边上的信息素浓度Δτ_ij；

第六步：根据公式(5)更新每条边上的信息素浓度；设置t＝t+n；NC＝NC+1；Δτ_ij＝0；

第七步：  If NC<NCmax并且(不是所有蚂蚁选择同一攻击方案)Then清空所有的tabu，转到第二步；

Else显示最大优势及大小，终止程序。

本发明一种基于蚁群智能的无人作战飞机多机协同任务分配方法，其优点及所达成的功效是：基于蚁群智能的多UCAV协同任务分配方法的收敛速度快，算法稳定性好、鲁棒性强。

本发明所提出的方法是解决复杂动态环境下UCAV多机协同任务分配问题的有效技术途径，同时，该方法也可应用于复杂环境下机器人任务分配、多目标协同任务分配等技术领域。

(四)附图说明

图1现实中蚁群寻找食物的过程

图2基本蚁群算法的逻辑结构

图3空战态势

图4角度的定义

图5多UCAV任务分配程序流程图

图6多UCAV空战态势

图7多UCAV任务分配结果

图中标号及符号说明如下：

B_i——我方第i架UCAV

R_j——敌方第j架UCAV

α_i——我方第i架UCAV的速度矢量与目标视线的夹角

α_j——敌方第j架UCAV的速度矢量与目标视线的夹角

V_i——我方第i架UCAV的速度大小

V_j——我方第j个目标的速度大小

(五)具体实施方式

本发明一种基于蚁群智能的无人作战飞机多机协同任务分配方法，以4-8分配形式为例，即有4架红UCAV，8架蓝UCAV，欲将8架蓝色UCAV有效分配给各架红色UCAV，其空战态势如图6所示：

初始化参数设置如下：

迭代次数：NCmax＝100；

每架UCAV上的蚂蚁数目：m＝4，蚂蚁总数应为4×4＝16；

信息式启发因子：α＝1；

期望式启发因子：β＝5；

信息素挥发系数：ρ＝0.5；

信息素强度：Q＝200。

本发明一种基于蚁群智能的无人作战飞机多机协同任务分配方法，其具体实现步骤如下：

第一步：初始化：计算攻击优势矩阵S，得到伪优势矩阵S’，设置NC＝0，每条边上的τ_ij(0)＝1，且Δτ_ij＝0，NCmax＝100；每架UCAV上的蚂蚁数日：m＝4，蚂蚁总数应为4×4＝16；α＝1；β＝5；ρ＝0.5；Q＝200；

第二步：平均将16只蚂蚁到x个我方UCAV上，即每架UCAV上有x/16只蚂蚁；

第三步：For k＝1 to 16 do将我方UCAV的编号1，2...，x放置到每架UCAV的禁忌表tabu_x的第一个元素位置，即tabu_x(k，1)；

第四步：Fork＝1 to 16 do根据概率p_ij ^k来选择下一步应该攻击的目标，将第k只蚂蚁转移到敌方UCAV j中，并将j插入到tabu_x(k，j)中，置allowed(k，j)为0：

第五步：For k＝1 to 16 do计算第k只蚂蚁的总优势大小L，更新已找到的最佳方案，For k＝1 to 16 do根据公式(3)、(4)更新边上的信息素浓度Δτ_ij：

τ_ij(t+n)＝0.5·τ_ij(t)+Δτ_ij(t)

$\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)=\underset{k=1}{\overset{16}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^k\left(t\right)$

第六步：根据公式(5)更新每条边上的信息素浓度；设置t＝t+n；NC＝NC+1；Δτ_ij＝0：

第七步：IfNC<100且(不是所有蚂蚁选择同一攻击方案)Then清空所有的tabu，转到第二步；

Else显示最大优势及大小，终止程序。

图7给出了采用改进蚁群算法后的多UCAV任务分配结果。由图7可见，基于蚁群智能的UCAV多机协同任务分配结果较为理想。

Claims (1)

1.一种基于蚁群智能的无人作战飞机多机协同任务分配方法，其特征在于：该方法的具体步骤如下：

第一步：初始化：计算攻击优势矩阵S，得到伪优势矩阵S’，SetNC＝0，每条边上的τ_ij(0)＝c，并且Δτ_ij＝0；

第二步：  平均将m个蚂蚁到x个我方无人作战飞机上，即每架无人作战飞机上有x/m只蚂蚁；

第三步：For k＝1 to m do将我方无人作战飞机的编号1，2...，x放置到每架无人作战飞机的禁忌表tabu_x的第一个元素位置，即tabu_x(k，1)；

第四步：Fork＝1 to md o根据概率p_ij ^k来选择下一步应该攻击的目标，将第k个蚂蚁转移到敌方无人作战飞机j中，并将j插入到tabu_x(k，j)中，置allowed(k，j)为0；

第五步：For k＝1 to m do计算第k个蚂蚁的总优势大小L，更

新已找到的最佳方案，For k＝1 to m do根据下列公式更新边上的信息素浓度Δτ_ij：

τ_ij(t+n)＝(1-ρ)·τ_ij(t)+Δτ_ij(t)

$\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)=\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^k\left(t\right)$

第六步：根据公式

更新每条边上的信息素浓度；设置t＝t+n；NC＝NC+1；Δτ_ij＝0；

第七步：If NC＜NCmax并且Then清空所有的tabu，转到第二步；Else显示最大优势及大小，终止程序。

Images