CN103744290B - 一种多无人机编队分层目标分配方法 - Google Patents

Abstract

本发明公开了一种多无人机编队分层目标分配方法，其特征是，包括如下步骤：1、根据无人机编队的数量，对多个地面目标进行聚类，形成若干个目标簇；2、对聚类后的目标簇进行调整，使各目标簇中的地面目标个数保持一致；3、使用无人机编队间目标分配模型和算法，将目标簇分配给无人机编队，每个无人机编队对应一个目标簇；4、使用无人机编队内目标分配模型和算法，为无人机编队内的每架无人机分配地面目标。本发明能提高目标分配的效率，有效解决对多无人机编队进行大规模目标分配时计算时间过长的问题，从而满足战场等实时性要求较高的应用场景的需要。

Description

一种多无人机编队分层目标分配方法

技术领域

本发明涉及一种多无人机编队分层目标分配方法，属于无人机控制与决策领域。

背景技术

无人机正在军事和民用应用领域发挥着越来越重要的角色，如攻打，搜救等等。无人机的技术和成本优势，使他们能胜任枯燥、恶劣、危险的任务。无人机在执行任务的时候一般以机群的形式进行：无人机在到达目标区域后，无人机之间进行协同任务规划，接着分别执行各自的任务。在复杂、动态环境下执行任务要求无人机具有高度的自主决策能力和协同能力，目标分配是其中的关键技术之一。目标分配具体是指将目标指派给无人机，让无人机实施目标打击任务。在这个过程中需要考虑无人机的位置，航程，武器载荷，传感器载荷，目标点的位置等参数，进行统筹分配，实现无人机资源的最佳配置。目标分配的解空间随着武器数量和目标总数的增加呈指数增加，是一个多约束的NP问题。

目前，对多无人机编队目标分配问题，往往使用数学规划或群体协商等方法进行求解。分支定界法是一种典型的数学规划方法，适用于小规模整数规划问题，当问题规模较大时，计算时间长，效率低，则一般不再适用。遗传算法是属于群体协商的一种求解方法，它在大规模问题上具有很大的优势，但是遗传算法往往采取等长度的字符串对问题进行编码，不符合实际场景需要，限制了其在目标分配问题上的应用。当无人机数量和目标数量都比较多时，这些方法在有限时间内无法得出一个有效的解。在瞬息万变的战场环境下，目标分配要在极短的时间内完成，同时又要求保证分配方案的效率和鲁棒性，这对目标分配方法的设计和实现提出了非常高的要求。

发明内容

本发明是为了克服现有技术存在的不足之处，提供一种多无人机编队分层目标分配方法，提高目标分配的效率，能有效解决对多无人机编队进行大规模目标分配时计算时间过长的问题，从而满足战场等实时性要求较高的应用场景的需要。

本发明为解决技术问题采取如下技术方案：

本发明一种多无人机编队分层目标分配方法的特点是：

在无人机编队攻打地面目标的任务区域中，将所述任务区域的外接正方形的一个顶点设为原点O，将所述原点O的两条邻边分别设置为X轴和Y轴构成坐标系XOY，在所述坐标系XOY中，

假设有M个无人机编队协同执行任务，所述M个无人机编队记为U={U₁,U₂,…,U_m,…,U_M}，1≤m≤M；U_m表示第m个无人机编队，所述无人机编队U_m位于第m个机场A_m；所述机场A_m的位置记为(ax_m,ay_m)；每个无人机编队有R架无人机，则共有R×M=N_V架无人机，记为u_p表示第p架无人机；所述无人机u_p的载弹量记为B；所述无人机u_p的最大航程记为S_max；

假设有N_T个地面目标记为t_q表示第q个地面目标，所述地面目标t_q的位置记为(tx_q,ty_q)；所述地面目标t_q的价值记为v_q；

所述多无人机编队分层目标分配方法按如下步骤进行：

步骤一、根据所述无人机编队的个数M，使用K-Means聚类算法对所有地面目标t进行聚类获得M个目标簇，所述M个目标簇记为T={T₁,T₂,…,T_n,…,T_M}，1≤n≤M，T为目标簇集合，T_n表示第n个目标簇；所述目标簇T_n中的地面目标个数记为|T_n|；

步骤二、调整M个目标簇中的地面目标，使得各目标簇中的地面目标个数在区间内；

步骤三、建立无人机编队间目标分配模型，并利用匈牙利算法进行求解，获得每个无人机编队所分配的目标簇；

步骤四、建立无人机编队内目标分配模型，并利用改进蚁群算法进行求解，获得每个无人机所分配的地面目标，根据无人机所分配的地面目标的先后顺序形成无人机所要攻打的最佳路径。

本发明多无人机编队分层目标分配方法的特点在于，

所述步骤一中的K-Means聚类算法按如下步骤进行：

A1）在所述任务区域内，随机生成所述M个目标簇的初始中心点；

A2）将所有地面目标t的位置，目标簇个数M，M个目标簇的初始中心点作为K-Means算法的输入值，利用K-Means算法对地面目标进行聚类获得M个目标簇。

所述步骤二中调整地面目标是按如下步骤进行：

B1）将所述目标簇集合T中的M个目标簇移至队列Q中,则Q={T₁,T₂,…,T_n,…,T_M}，1≤n≤M；令索引I=0，索引I用于标记所述目标簇集合T中地面目标个数为区间上限的目标簇的个数；

B2）将所述队列Q中的目标簇按照各自目标簇中的地面目标的个数进行从大到小的排序；

B3）计算所述队列Q中所有目标簇的中心点，所述目标簇T_n的中心点为 ${\mathrm{tc}}_n(\frac{1}{\left|T_n\right|}\underset{t_q\∈T_n}{\mathrm{\Σ}}{\mathrm{tx}}_q,\frac{1}{\left|T_n\right|}\underset{t_q\∈T_n}{\mathrm{\Σ}}{\mathrm{ty}}_q);$

B4）取出所述队列Q中的第一个目标簇T_f，并判断所述目标簇T_f中的地面目标个数|T_f|是否小于区间上限若小于区间上限则转到B6；否则，计算所述目标簇T_f中的每个地面目标与所述队列Q中其他所有目标簇的中心点的距离，选取所述目标簇T_f中的每个地面目标与所述队列Q中其他所有目标簇的中心点的距离的最小值作为所述目标簇T_f中的每个地面目标的判断距离，并且记录所述目标簇T_f中的每个地面目标的判断距离所对应的目标簇，将所述目标簇T_f中的地面目标按所述判断距离从小到大进行排序；

B5）判断索引I是否小于余数若索引I小于余数K，则取出所述目标簇T_f中前个地面目标，并将所述前个地面目标分别加入到所述前个地面目标的判断距离各自所对应的目标簇中，将I+1赋值给索引I；

若索引I大于等于余数K，则取出所述目标簇T_f中前个地面目标，并将所述前个地面目标分别加入到所述前个地面目标的判断距离各自所对应的目标簇中；

B6）从所述队列Q中移出所述目标簇T_f至所述目标簇集合T中；

B7）重复步骤B2，直到所述队列Q为空时结束。

所述步骤三中的无人机编队间目标分配模型为：

目标函数： $\min \underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{D}_{\mathrm{mn}}{X}_{\mathrm{mn}}---\left(1\right)$

约束条件： $\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{X}_{\mathrm{mn}}=1,m=\mathrm{1,2},\·\·\·,M---\left(2\right)$

$\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{X}_{\mathrm{mn}}=1,n=\mathrm{1,2},\·\·\·,M---\left(3\right)$

X_mn∈{0,1}(4)

式(1)中，D_mn表示无人机编队U_m所在机场A_m到目标簇T_n的中心点的距离；X_mn表示目标簇T_n的分配结果，X_mn取值为1时，所述目标簇T_n的分配结果为目标簇T_n分配给无人机编队U_m，X_mn取值为0时，所述目标簇T_n的分配结果为目标簇T_n不分配给无人机编队U_m；

式(2)表示每个无人机编队分配一个目标簇；

式(3)表示每个目标簇分配给一个无人机编队。

所述步骤三中的利用匈牙利算法进行求解是按如下步骤进行：

C1）计算所述M个目标簇的中心点，所述目标簇T_n的中心点为 ${\mathrm{tc}}_n(\frac{1}{\left|T_n\right|}\underset{t_q\∈T_n}{\mathrm{\Σ}}{\mathrm{tx}}_q,\frac{1}{\left|T_n\right|}\underset{t_q\∈T_n}{\mathrm{\Σ}}{\mathrm{ty}}_q);$

C2）构造损失矩阵F=(F_mn)∈R^M×M，F_mn表示机场A_m到目标簇T_n的中心点tc_n的距离，R^M×M表示M×M型实数矩阵；

C3）以损失矩阵F为输入，利用匈牙利算法对所有目标簇进行0-1规划，获得目标簇T_n的分配结果。

假设无人机编队U_m攻打目标簇T_n，所述步骤四中的无人机编队内目标分配模型为：

目标函数：

$\max {\mathrm{\ω}}_1(\underset{r=1}{\overset{R}{\mathrm{\Σ}}}\underset{t_a}{\mathrm{\Σ}}\underset{t_c}{\mathrm{\Σ}}{x}_{\mathrm{rac}}{v}_c+\underset{r=1}{\overset{R}{\mathrm{\Σ}}}\underset{t_c}{\mathrm{\Σ}}{x}_{r0c}{v}_c)-$

${\mathrm{\ω}}_2(\underset{r=1}{\overset{R}{\mathrm{\Σ}}}\underset{t_a}{\mathrm{\Σ}}\underset{t_c}{\mathrm{\Σ}}{x}_{\mathrm{rac}}{d}_{\mathrm{ac}}+\underset{r=1}{\overset{R}{\mathrm{\Σ}}}\underset{t_c}{\mathrm{\Σ}}{x}_{r0c}{d}_{0c}+\underset{r=1}{\overset{R}{\mathrm{\Σ}}}\underset{t_a}{\mathrm{\Σ}}{x}_{\mathrm{ra}0}{d}_{a0})---\left(5\right)$

约束条件： $\underset{r=1}{\overset{R}{\mathrm{\Σ}}}\underset{t_a}{\mathrm{\Σ}}{x}_{\mathrm{rae}}+\underset{r=1}{\overset{R}{\mathrm{\Σ}}}{x}_{r0e}=\underset{r=1}{\overset{R}{\mathrm{\Σ}}}\underset{t_c}{\mathrm{\Σ}}{x}_{\mathrm{rec}}+\underset{r=1}{\overset{R}{\mathrm{\Σ}}}{x}_{\mathrm{re}0},\∀t_e\∈T_n---\left(6\right)$

$\underset{r=1}{\overset{R}{\mathrm{\Σ}}}\underset{t_c}{\mathrm{\Σ}}{x}_{r0c}=\underset{r=1}{\overset{R}{\mathrm{\Σ}}}\underset{t_a}{\mathrm{\Σ}}{x}_{\mathrm{ra}0}=R---\left(7\right)$

$\underset{r=1}{\overset{R}{\mathrm{\Σ}}}\underset{t_a}{\mathrm{\Σ}}{x}_{\mathrm{rae}}+\underset{r=1}{\overset{R}{\mathrm{\Σ}}}{x}_{r0e}\≤1,\∀t_e\∈T_n---\left(8\right)$

$\underset{t_a}{\mathrm{\Σ}}\underset{t_c}{\mathrm{\Σ}}{x}_{\mathrm{rac}}+\underset{t_c}{\mathrm{\Σ}}{x}_{r0c}\≤B,r=\mathrm{1,2},...,R---\left(9\right)$

$\underset{t_c}{\mathrm{\Σ}}{x}_{r0c}{d}_{0c}+\underset{t_a}{\mathrm{\Σ}}\underset{t_c}{\mathrm{\Σ}}{x}_{\mathrm{rac}}{d}_{\mathrm{ac}}+\underset{t_a}{\mathrm{\Σ}}{x}_{\mathrm{ra}0}{d}_{a0}\≤S_{\max },r=\mathrm{1,2},...,R---\left(10\right)$

x_rac,x_r0c,x_ra0∈{0,1},t_a∈T_n,t_c∈T_n(11)

式(5)中，目标函数表示收益减去成本最大化；ω₁为价值规范化参数，ω₂为航程规范化参数；t_a,t_c是目标簇T_n中的两个地面目标；d_ac表示目标簇T_n中的地面目标t_a到地面目标t_c的距离；d_a0表示目标簇T_n中的地面目标t_a到机场A_m的距离；d_0c表示机场A_m到目标簇T_n中的地面目标t_c的距离；v_c表示目标簇T_n中的地面目标t_c的价值；x_rac,x_ra0,x_r0c表示无人机编队U_m中的第r架无人机对目标簇T_n中的地面目标的攻打顺序：

当x_rac=1时，x_rac表示无人机编队U_m中的第r架无人机在攻打目标簇T_n中的地面目标t_a后攻打目标簇T_n中的地面目标t_c，当x_rac=0时，x_rac表示无人机编队U_m中的第r架无人机不攻打目标簇T_n中的地面目标t_a或目标簇T_n中的地面目标t_c；

当x_r0c=1时，x_r0c表示无人机编队U_m中的第r架无人机从机场A_m出发，攻打目标簇T_n中的地面目标t_c；当x_r0c=0时，x_r0c表示无人机编队U_m中的第r架无人机从机场A_m出发，不攻打目标簇T_n中的地面目标t_c；

当x_ra0=1时，x_ra0表示无人机编队U_m中的第r架无人机在攻打目标簇T_n中的地面目标t_a后回到机场A_m；当x_ra0=0时，x_ra0表示无人机编队U_m中第r架无人机不攻打目标簇T_n中的地面目标t_a或者在攻打目标簇T_n中的地面目标t_a后不回到机场A_m；

式(6)表示目标簇T_n中的每个地面目标的入度等于出度，目标簇T_n中的地面目标t_e的入度表示从机场A_m出发或者在攻打地面目标t_a后，攻打地面目标t_e的无人机数量，目标簇T_n中的地面目标t_e的出度表示离开地面目标t_e攻打下一地面目标t_c或者回到机场A_m的无人机数量；

式(7)表示无人机编队U_m中的每架无人机的位置约束，无人机编队U_m中的每架无人机必须从机场A_m出发并最终回到机场A_m；

式(8)表示目标簇T_n中的任一地面目标最多只能被无人机编队U_m中的一架无人机攻打；

式(9)表示无人机编队U_m中的每架无人机攻打目标簇T_n中的地面目标的个数不得大于所述载弹量B；

式(10)表示无人机编队U_m中每架无人机的最大航程约束，无人机编队U_m中的每架无人机从机场A_m出发并最终回到机场A_m的飞行航程不得大于所述最大航程S_max。

假设无人机编队U_m攻打目标簇T_n，所述步骤四中的利用改进蚁群算法进行求解是按如下步骤进行：

D1）初始化：

将一只蚂蚁作为无人机编队U_m中的R架无人机，设置蚂蚁数量为h为随机数，Ant_x表示第x只蚂蚁；设置最大循环次数G，当前循环次数记为g；将所述目标簇T_n中的地面目标作为地面目标节点，将所述机场A_m作为机场节点，将所述地面目标节点和机场节点形成节点集合H；将所述地面目标的编号q作为地面目标节点的编号，节点q的位置取为对应地面目标t_q的位置，q≠0，将机场节点的编号取为0，节点0的位置取为机场A_m的位置；所述节点集合H中任意两个不同节点i与节点j之间形成弧<i,j>，初始化弧<i,j>上的信息素d_min表示所述节点集合H中的任意两个节点间的最小距离；设置蚁窗w，设置蚁窗变更的下限ξ_min，设置蚁窗变更的上限ξ_max；历史最短航程记为l_min，所述历史最短航程l_min对应的最佳路径禁忌表记为tabu_min；在当前循环次数g时所有蚂蚁周游总航程记为L_g，所述周游表示任一蚂蚁所表示的R架无人机访问地面目标节点后回到机场A_m；

D2）设置当前循环次数g=0；

D3）令x=1，则Ant_x表示第一只蚂蚁；

D4）设蚂蚁Ant_x所表示的R架无人机的序号为1,2,…,r,…,R，1≤r≤R；令r=1；

D5）设置蚂蚁Ant_x携带导弹量b=B，阶段航程s=0，阶段航程s用于记录蚂蚁Ant_x所表示的R架无人机中的第r架无人机的飞行航程，总航程S_x=0，总航程S_x用于记录蚂蚁Ant_x所表示的R架无人机的飞行航程；蚂蚁Ant_x在所述节点集合H中所处的节点记为当前节点α，令蚂蚁Ant_x的当前节点为所述机场节点，则当前节点α=0；蚂蚁Ant_x访问的下一个所述节点集合H中的节点记为β；蚂蚁Ant_x的禁忌表记为tabu_x，所述禁忌表tabu_x表示蚂蚁Ant_x已经访问的所述节点集合H中的节点，所述禁忌表tabu_x中的节点按先后顺序形成蚂蚁Ant_x的访问路径；将当前节点α加入到所述禁忌表tabu_x中；

D6）判断蚂蚁Ant_x所携带的导弹量b是否等于0，若导弹量b等于0，则蚂蚁Ant_x回到机场A_m，令α=0，b=B，s=0，将S_x+d_α0赋值给S_x，d_α0表示节点α到节点0的距离，将r+1赋值给r，并转到D9；

若导弹量b不等于0，则在蚂蚁Ant_x未访问的地面目标节点中，选取能满足s+d_αγ+d_γ0≤S_max的地面目标节点γ，形成地面目标节点集合E，d_αγ表示节点α到节点γ的距离，d_γ0表示节点γ到节点0的距离；

D7）计算所述地面目标节点集合E中每个地面目标节点的选择权重wt_γ=ω₁×v_γ-ω₂×d_αγ，将所述地面目标节点集合E中的每个地面目标节点按选择权重从大到小排序进行排列形成有序的地面目标节点集合E′，在所述有序的地面目标节点集合E′中选取前w个地面目标节点作为下一个地面目标节点选择范围allow；v_γ表示地面目标t_γ的价值；

D8）判断所述选择范围allow中的地面目标节点个数是否为0，当所述选择范围allow中的地面目标节点个数为0时，蚂蚁Ant_x回到机场A_m，令α=0，b=B，s=0，将S_x+d_α0赋值给S_x，将r+1赋值给r，并转到D9；

否则对于所述选择范围allow中的地面目标节点，按照式（12）计算转移概率c_αγ并按轮盘赌规则选择下一个地面目标节点β，并将s+d_αβ赋值给s，将S_x+d_αβ赋值给S_x，dα_β表示节点α到节点β的距离；将b-1赋值给b，将β赋值给α；

$c_{\mathrm{\&alpha;\&gamma;}}=\frac{\left[{\mathrm{\&tau;}}_{\mathrm{\&alpha;\&gamma;}}\right]{\left[{\mathrm{\&eta;}}_{\mathrm{\&alpha;\&gamma;}}\right]}^{\mathrm{\&eta;}}}{\underset{\mathrm{\&epsiv;}\&Element;\mathrm{allow}}{\mathrm{\&Sigma;}}\left[{\mathrm{\&tau;}}_{\mathrm{\&alpha;\&epsiv;}}\right]{\left[{\mathrm{\&eta;}}_{\mathrm{\&alpha;\&epsiv;}}\right]}^{\mathrm{\&eta;}}}---\left(12\right)$

式(12)中，c_αγ表示蚂蚁Ant_x从节点α移动到节点γ的转移概率，ε表示所述选择范围allow中的任一地面目标节点，η表示启发因子系数，并有：

${\mathrm{\&eta;}}_{\mathrm{\&alpha;\&gamma;}}=\frac{1}{{\mathrm{\&omega;}}_2\&times;d_{\mathrm{\&alpha;\&gamma;}}-{\mathrm{\&omega;}}_1\&times;v_{\mathrm{\&gamma;}}}---\left(13\right)$

式(13)中，η_αγ表示由节点α到节点γ的启发因子；

D9）将当前节点α加入到所述蚂蚁Ant_x的禁忌表tabu_x中；

D10）判断r是否等于R+1，若r等于R+1，则蚂蚁Ant_x完成周游，转到D11，否则转到D6；

D11）信息素局部更新：

利用式(14)对信息素τi_j进行局部更新；

${\mathrm{\&tau;}}_{\mathrm{ij}}=(1-\mathrm{\&rho;}){\mathrm{\&tau;}}_{\mathrm{ij}}+\mathrm{\&rho;\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^x---\left(14\right)$

式(14)中，ρ为信息素局部更新因子，并有：

$\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^x=\frac{Q}{{\mathrm{\&omega;}}_2\&times;S_x-{\mathrm{\&omega;}}_1\&times;\mathrm{\&Sigma;v}\left(x\right)}---\left(15\right)$

式(15)中，Q为设定的信息素强度，∑v(x)为所述蚂蚁Ant_x的禁忌表tabu_x中的地面目标节点所对应的地面目标的权重和；

D12）判断x是否小于等于X，若x≤X，则将x+1赋值给x，转到D4，否则转到D13；

D13）计算X只蚂蚁的总航程的最小值，并将所述总航程的最小值记为最短航程l_g，将所述总航程的最小值所对应的禁忌表记为最短航程禁忌表gtabu_g；计算所有蚂蚁周游总航程 $L_g=\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}{S}_x;$

D14）若当前循环次数g=0，将最短航程l_g赋值给历史最短航程l_min，最短航程禁忌表gtabu_g赋值给最佳路径禁忌表tabu_min；若当前循环次数g>0，且l_g<l_min时，将最短航程l_g赋值给历史最短航程l_min，最短航程禁忌表gtabu_g赋值给最佳路径禁忌表tabu_min；

D15）若当前循环次数g>0，则计算所有蚂蚁周游总航程之差ΔL=L_g-L_g-1，当ΔL≥ξ_max时，将赋值给w；当ΔL≤ξ_min时，将w×2赋值给w；表示对w/2的值取上限；

D16）利用式(16)信息素τi_j进行全局更新：

式(16)中，为信息素全局更新因子，并有：

式(17)中，∑v表示所述最佳路径禁忌表tabu_min中的所有地面目标节点对应的地面目标权重之和；

D17）将g+1赋值给g，若当前循环次数g等于G，则输出最佳路径禁忌表tabu_min，否则转到D3。

与已有技术相比，本发明的有益效果体现在：

1、本发明采取了分层规划的思想：将地面目标聚类，形成与无人机编队个数相等的目标簇，再将目标簇分给无人机编队，最后在无人机编队内针对每个无人机进行目标分配，从而将一个完整的目标分配切分成若干个子目标分配问题，与直接进行目标分配相比，有效地降低了目标分配问题的规模，提高了目标分配问题的求解速度，可以满足战场等实时性要求比较高的场合。

2、本发明对目标簇中的地面目标个数进行调整，使得每个目标簇中的地面目标个数基本一致，相差不超过一个，目标簇之间相对均匀，从而使得最后的目标分配结果也会比较均衡，有效地避免了无人机攻打地面目标时分配不均的情况出现，如部分无人机攻打多个地面目标，而部分无人机不攻打地面目标，保证了无人机资源的充分利用。

3、本发明采用无人机编队间目标分配模型，是以目标簇中心点到无人机编队所在飞机场的距离之和最小为目标，一个目标簇对应一个无人机编队，从编队层次保证了无人机攻打地面目标的距离最小。

4、本发明采用无人机编队内目标分配模型，是以编队内无人机的攻打的地面目标价值之和乘以价值规范化系数减去无人机飞行航程乘以航程规范化系数最大，每个无人机从机场出发在完成攻打任务后回到机场，在编队内的层次上，保证无人机的攻打地面目标所飞行的航程较小，而攻打的地面目标的权重和较大。

5、本发明采取了改进的蚁群算法去求解编队内目标分配模型。该算法引入了蚁窗的约束并采用动态更新蚁窗，使用所有蚂蚁周游总航程之差ΔL作为蚁窗更新依据，限制了蚂蚁在选择下一地面目标时可供选择的地面目标最大个数。在所有蚂蚁周游总航程之差较大时，蚂蚁可以选择攻打的地面目标个数降低；而在所有蚂蚁周游总航程之差较小时，蚂蚁可以选择攻打的地面目标个数增加。与传统的蚁群算法相比，改进的蚁群算法具有更快的收敛速度，从而进一步提高了整体的求解速度。

附图说明

图1为本发明一种多无人机编队分层目标分配方法流程图。

具体实施方式

本实施例中，一种多无人机编队分层目标分配方法是在无人机编队攻打地面目标的任务区域中，将任务区域的外接正方形的一个顶点设为原点O，将原点O的两条邻边分别设置为X轴和Y轴构成坐标系XOY，在坐标系XOY中，

假设有M个无人机编队协同执行任务，M个无人机编队记为U={U₁,U₂,…,U_m,…,U_M}，1≤m≤M；U_m表示第m个无人机编队，无人机编队U_m位于第m个机场A_m；机场A_m的位置记为(ax_m,ay_m)；每个无人机编队有R架无人机，则共有R×M=N_V架无人机，记为u_p表示第p架无人机；无人机u_p的载弹量记为B；无人机u_p的最大航程记为S_max；

假设有N_T个地面目标记为t_q表示第q个地面目标，地面目标t_q的位置记为(tx_q,ty_q)；地面目标t_q的价值记为v_q；

多无人机编队分层目标分配方法按如下步骤进行：

步骤一、根据无人机编队的个数M，使用K-Means聚类算法对所有地面目标t进行聚类获得M个目标簇，M个目标簇记为T={T₁,T₂,…,T_n,…,T_M}，1≤n≤M；T为目标簇集合，T_n表示第n个目标簇，目标簇T_n中的地面目标个数记为|T_n|；

A1）在任务区域内，随机生成M个目标簇的初始中心点；

A2）将所有地面目标t的位置，目标簇个数M，M个目标簇的初始中心点作为K-Means算法的输入值，利用K-Means算法对地面目标进行聚类获得M个目标簇。

步骤二、调整M个目标簇中的地面目标，使得各目标簇中的地面目标个数在区间内；

B1）将所述目标簇集合T中的M个目标簇移至队列Q中,则Q={T₁,T₂,…,T_n,…,T_M}，1≤n≤M；令索引I=0，索引I用于标记所述目标簇集合T中地面目标个数为区间上限的目标簇的个数；

B2）将队列Q中的目标簇按照各自目标簇中的地面目标的个数进行从大到小的排序，使得队列Q中的第一个目标簇是队列Q中地面目标个数最大的目标簇；

B3）计算队列Q中所有目标簇的中心点，目标簇T_n的中心点为 ${\mathrm{tc}}_n(\frac{1}{\left|T_n\right|}\underset{t_q\&Element;T_n}{\mathrm{\&Sigma;}}{\mathrm{tx}}_q,\frac{1}{\left|T_n\right|}\underset{t_q\&Element;T_n}{\mathrm{\&Sigma;}}{\mathrm{ty}}_q);$

B4）取出队列Q中的第一个目标簇T_f，T_f是队列Q中地面目标个数最大的目标簇，并判断目标簇T_f中的地面目标个数|T_f|是否小于区间上限若小于区间上限则转到B6；否则，计算目标簇T_f中的每个地面目标与队列Q中其他所有目标簇的中心点的距离，此处的距离以及后面提到的距离都是欧式距离，选取目标簇T_f中的每个地面目标与队列Q中其他所有目标簇的中心点的距离的最小值作为目标簇T_f中的每个地面目标的判断距离，并且记录目标簇T_f中的每个地面目标的判断距离所对应的目标簇，将目标簇T_f中的地面目标按判断距离从小到大进行排序；

B5）判断索引I是否小于余数若索引I小于余数K，则取出目标簇T_f中前个地面目标，并将前个地面目标分别加入到前个地面目标的判断距离各自所对应的目标簇中，则目标簇T_f中的地面目标个数将I+1赋值给索引I；

若索引I大于等于余数K，则取出目标簇T_f中前个地面目标，并将前个地面目标分别加入到前个地面目标的判断距离各自所对应的目标簇中；

在这里，余数K表示所有目标簇中允许地面目标个数为上限的目标簇个数，I<K说明目标簇集合T中的地面目标个数为上限的目标簇个数低于允许地面目标个数为上限的目标簇个数，则从目标簇T_f中取出与队列Q其他目标簇最近的前个地面目标，加入到各自最近的目标簇中，从而构造地面目标个数为上限的目标簇T_f。

B6）从队列Q中移出目标簇T_f至目标簇集合T中；

B7）重复步骤B2，直到队列Q为空时结束。

步骤三、建立无人机编队间目标分配模型，并利用匈牙利算法进行求解，获得每个无人机编队所分配的目标簇；

无人机编队间目标分配模型为：

目标函数： $\min \underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{M}{\mathrm{\&Sigma;}}}{D}_{\mathrm{mn}}{X}_{\mathrm{mn}}---\left(1\right)$

约束条件： $\underset{n=1}{\overset{M}{\mathrm{\&Sigma;}}}{X}_{\mathrm{mn}}=1,m=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,M---\left(2\right)$

$\underset{n=1}{\overset{M}{\mathrm{\&Sigma;}}}{X}_{\mathrm{mn}}=1,n=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,M---\left(3\right)$

X_mn∈{0,1}(4)

式(1)中，D_mn表示无人机编队U_m所在机场A_m到目标簇T_n的中心点的距离；X_mn表示目标簇T_n的分配结果，X_mn取值为1时，目标簇T_n的分配结果为目标簇T_n分配给无人机编队U_m，X_mn取值为0时，目标簇T_n的分配结果为目标簇T_n不分配给无人机编队U_m；

式(2)表示每个无人机编队分配一个目标簇；

式(3)表示每个目标簇分配给一个无人机编队。

使用匈牙利算法对无人机编队间目标分配模型求解按如下步骤进行：

C1）计算M个目标簇的中心点，目标簇T_n的中心点为

C2）构造损失矩阵F=(F_mn)∈R^M×M，F_mn表示机场A_m到目标簇T_n的中心点tc_n的距离，R^M×M表示M×M型实数矩阵；

C3）以损失矩阵F为输入，利用匈牙利算法对所有目标簇进行0-1规划，获得目标簇T_n的分配结果。0-1规划是指按照目标函数最小的原则，将目标簇T_n分配给无人机编队U_m。

步骤四、建立无人机编队内目标分配模型，并利用改进蚁群算法进行求解，获得每个无人机所分配的地面目标，根据无人机所分配的地面目标的先后顺序形成无人机所要攻打的最佳路径。

假设无人机编队U_m攻打目标簇T_n，无人机编队内目标分配模型为：

目标函数：

$\max {\mathrm{\&omega;}}_1(\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{t_a}{\mathrm{\&Sigma;}}\underset{t_c}{\mathrm{\&Sigma;}}{x}_{\mathrm{rac}}{v}_c+\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{t_c}{\mathrm{\&Sigma;}}{x}_{r0c}{v}_c)-$

${\mathrm{\&omega;}}_2(\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{t_a}{\mathrm{\&Sigma;}}\underset{t_c}{\mathrm{\&Sigma;}}{x}_{\mathrm{rac}}{d}_{\mathrm{ac}}+\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{t_c}{\mathrm{\&Sigma;}}{x}_{r0c}{d}_{0c}+\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{t_a}{\mathrm{\&Sigma;}}{x}_{\mathrm{ra}0}{d}_{a0})---\left(5\right)$

约束条件： $\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{t_a}{\mathrm{\&Sigma;}}{x}_{\mathrm{rae}}+\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}{x}_{r0e}=\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{t_c}{\mathrm{\&Sigma;}}{x}_{\mathrm{rec}}+\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}{x}_{\mathrm{re}0},\&ForAll;t_e\&Element;T_n---\left(6\right)$

$\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{t_c}{\mathrm{\&Sigma;}}{x}_{r0c}=\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{t_a}{\mathrm{\&Sigma;}}{x}_{\mathrm{ra}0}=R---\left(7\right)$

$\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{t_a}{\mathrm{\&Sigma;}}{x}_{\mathrm{rae}}+\underset{r=1}{\overset{R}{\mathrm{\&Sigma;}}}{x}_{r0e}\&le;1,\&ForAll;t_e\&Element;T_n---\left(8\right)$

$\underset{t_a}{\mathrm{\&Sigma;}}\underset{t_c}{\mathrm{\&Sigma;}}{x}_{\mathrm{rac}}+\underset{t_c}{\mathrm{\&Sigma;}}{x}_{r0c}\&le;B,r=\mathrm{1,2},...,R---\left(9\right)$

$\underset{t_c}{\mathrm{\&Sigma;}}{x}_{r0c}{d}_{0c}+\underset{t_a}{\mathrm{\&Sigma;}}\underset{t_c}{\mathrm{\&Sigma;}}{x}_{\mathrm{rac}}{d}_{\mathrm{ac}}+\underset{t_a}{\mathrm{\&Sigma;}}{x}_{\mathrm{ra}0}{d}_{a0}\&le;S_{\max },r=\mathrm{1,2},...,R---\left(10\right)$

x_rac,x_r0c,x_ra0∈{0,1},t_a∈T_n,t_c∈T_n(11)

式(5)中，目标函数表示收益减去成本最大化，收益为无人机攻打的地面目标的价值和，成本为无人机的飞行航程；ω₁为价值规范化参数，ω₂为航程规范化参数；t_a,t_c是目标簇T_n中的两个地面目标；d_ac表示目标簇T_n中的地面目标t_a到地面目标t_c的距离；d_a0表示目标簇T_n中的地面目标t_a到机场A_m的距离；d_0c表示机场A_m到目标簇T_n中的地面目标t_c的距离；v_c表示目标簇T_n中的地面目标t_c的价值；x_rac,x_ra0,x_r0c表示无人机编队U_m中的第r架无人机对目标簇T_n中的地面目标的攻打顺序：

当x_rac=1时，x_rac表示无人机编队U_m中的第r架无人机在攻打目标簇T_n中的地面目标t_a后攻打目标簇T_n中的地面目标t_c，当x_rac=0时，x_rac表示无人机编队U_m中的第r架无人机不攻打目标簇T_n中的地面目标t_a或目标簇T_n中的地面目标t_c；

当x_r0c=1时，x_r0c表示无人机编队U_m中的第r架无人机从机场A_m出发，攻打目标簇T_n中的地面目标t_c；当x_r0c=0时，x_r0c表示无人机编队U_m中的第r架无人机从机场A_m出发，不攻打目标簇T_n中的地面目标t_c；

当x_ra0=1时，x_ra0表示无人机编队U_m中的第r架无人机在攻打目标簇T_n中的地面目标t_a后回到机场A_m；当x_ra0=0时，x_ra0表示无人机编队U_m中第r架无人机不攻打目标簇T_n中的地面目标t_a或者在攻打目标簇T_n中的地面目标t_a后不回到机场A_m；

式(6)表示目标簇T_n中的每个地面目标的入度等于出度，目标簇T_n中的地面目标t_e的入度表示从机场A_m出发或者在攻打地面目标t_a后，攻打地面目标t_e的无人机数量，目标簇T_n中的地面目标t_e的出度表示离开地面目标t_e攻打下一地面目标t_c或者回到机场A_m的无人机数量；无人机编队U_m中的每架无人机在攻打地面目标后必须转向下一个地面目标或者回到机场A_m；

式(7)表示无人机编队U_m中的每架无人机的位置约束，无人机编队U_m中的每架无人机必须从机场A_m出发并最终回到机场A_m；

式(8)表示目标簇T_n中的任一地面目标最多只能被无人机编队U_m中的一架无人机攻打；

式(9)表示无人机编队U_m中的每架无人机攻打目标簇T_n中的地面目标的个数不得大于载弹量B；

式(10)表示无人机编队U_m中每架无人机的最大航程约束，无人机编队U_m中的每架无人机从机场A_m出发并最终回到机场A_m的飞行航程不得大于最大航程S_max。

假设无人机编队U_m攻打目标簇T_n，使用改进蚁群算法对无人机编队内目标分配模型求解按如下步骤进行：

D1）初始化：

将一只蚂蚁作为无人机编队U_m中的R架无人机，设置蚂蚁数量为h为随机数，Ant_x表示第x只蚂蚁；设置最大循环次数G，当前循环次数记为g；将目标簇T_n中的地面目标作为地面目标节点，将机场A_m作为机场节点，将地面目标节点和机场节点形成节点集合H；将所述地面目标的编号q作为地面目标节点的编号，节点q的位置取为对应地面目标t_q的位置，q≠0，将机场节点的编号取为0，节点0的位置取为机场A_m的位置；节点集合H中任意两个不同节点i与节点j之间形成弧<i,j>，初始化弧<i,j>上的信息素d_min表示节点集合H中的任意两个节点间的最小距离；设置蚁窗w，设置蚁窗变更的下限ξ_min，设置蚁窗变更的上限ξ_max；历史最短航程记为l_min，历史最短航程l_min对应的最佳路径禁忌表记为tabu_min；在当前循环次数g时所有蚂蚁周游总航程记为L_g，周游表示任一蚂蚁所表示的R架无人机访问地面目标节点后回到机场A_m；

D2）设置当前循环次数g=0；

D3）令x=1，则Ant_x表示第一只蚂蚁；

D4）设蚂蚁Ant_x所表示的R架无人机的序号为1,2,…,r,…,R，1≤r≤R；令r=1；

D5）设置蚂蚁Ant_x携带导弹量b=B，阶段航程s=0，阶段航程s用于记录蚂蚁Ant_x所表示的R架无人机中的第r架无人机的飞行航程，总航程S_x=0，总航程S_x用于记录蚂蚁Ant_x所表示的R架无人机的飞行航程；蚂蚁Ant_x在节点集合H中所处的节点记为当前节点α，令蚂蚁Ant_x的当前节点为机场节点，蚂蚁Ant_x从机场出发，则当前节点α=0；蚂蚁Ant_x访问的下一个节点集合H中的节点记为β；蚂蚁Ant_x的禁忌表记为tabu_x，禁忌表tabu_x表示蚂蚁Ant_x已经访问的节点集合H中的节点，禁忌表tabu_x中的节点按先后顺序形成蚂蚁Ant_x的访问路径；将当前节点α加入到禁忌表tabu_x中；

D6）判断蚂蚁Ant_x所携带的导弹量b是否等于0，若导弹量b等于0，则蚂蚁Ant_x回到机场A_m，令α=0，b=B，s=0，将S_x+d_α0赋值给S_x，d_α0表示节点α到节点0的距离，将r+1赋值给r，并转到D9；

若导弹量b不等于0，则在蚂蚁Ant_x未访问的地面目标节点中，选取能满足s+d_αγ+d_γ0≤S_max的地面目标节点γ，形成地面目标节点集合E，s+d_αγ+d_γ0≤S_max表示蚂蚁Ant_x访问地面目标节点γ后返回机场A_m的阶段航程不超过最大航程S_max，d_αγ表示节点α到节点γ的距离，d_γ0表示节点γ到节点0的距离；

D7）计算地面目标节点集合E中每个地面目标节点的选择权重wt_γ=ω₁×v_γ-ω₂×d_αγ，将地面目标节点集合E中的每个地面目标节点按选择权重从大到小排序进行排列形成有序的地面目标节点集合E′，在有序的地面目标节点集合E′中选取前w个地面目标节点作为下一个地面目标节点选择范围allow；v_γ表示地面目标t_γ的价值；

D8）判断选择范围allow中的地面目标节点个数是否为0，当选择范围allow中的地面目标节点个数为0时，蚂蚁Ant_x回到机场A_m，令α=0，b=B，s=0，将S_x+d_α0赋值给S_x，将r+1赋值给r，并转到D9；

否则对于选择范围allow中的地面目标节点，按照式（12）计算转移概率c_αγ并按轮盘赌规则选择下一个地面目标节点β，并将s+d_αβ赋值给s，将S_x+d_αβ赋值给S_x，d_αβ表示节点α到节点β的距离；将b-1赋值给b，将β赋值给α；

$c_{\mathrm{\&alpha;\&gamma;}}=\frac{\left[{\mathrm{\&tau;}}_{\mathrm{\&alpha;\&gamma;}}\right]{\left[{\mathrm{\&eta;}}_{\mathrm{\&alpha;\&gamma;}}\right]}^{\mathrm{\&eta;}}}{\underset{\mathrm{\&epsiv;}\&Element;\mathrm{allow}}{\mathrm{\&Sigma;}}\left[{\mathrm{\&tau;}}_{\mathrm{\&alpha;\&epsiv;}}\right]{\left[{\mathrm{\&eta;}}_{\mathrm{\&alpha;\&epsiv;}}\right]}^{\mathrm{\&eta;}}}---\left(12\right)$

式(12)中，c_αγ表示蚂蚁Ant_x从节点α移动到节点γ的转移概率，ε表示选择范围allow中的任一地面目标节点，η表示启发因子系数，并有：

${\mathrm{\&eta;}}_{\mathrm{\&alpha;\&gamma;}}=\frac{1}{{\mathrm{\&omega;}}_2\&times;d_{\mathrm{\&alpha;\&gamma;}}-{\mathrm{\&omega;}}_1\&times;v_{\mathrm{\&gamma;}}}---\left(13\right)$

式(13)中，ηα_γ表示由节点α到节点γ的启发因子；

D9）将当前节点α加入到蚂蚁Ant_x的禁忌表tabu_x中；

D10）判断r是否等于R+1，若r等于R+1，则蚂蚁Ant_x完成周游，转到D11，否则转到D6；

D11）信息素局部更新：

利用式(14)对信息素τi_j进行局部更新；

${\mathrm{\&tau;}}_{\mathrm{ij}}=(1-\mathrm{\&rho;}){\mathrm{\&tau;}}_{\mathrm{ij}}+\mathrm{\&rho;\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^x---\left(14\right)$

式(14)中，ρ为信息素局部更新因子，并有：

$\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^x=\frac{Q}{{\mathrm{\&omega;}}_2\&times;S_x-{\mathrm{\&omega;}}_1\&times;\mathrm{\&Sigma;v}\left(x\right)}---\left(15\right)$

式(15)中，Q为设定的信息素强度，∑v(x)为蚂蚁Ant_x的禁忌表tabu_x中的地面目标节点所对应的地面目标的权重和；

D12）判断x是否小于等于X，若x≤X，则将x+1赋值给x，转到D4进行下一个蚂蚁的计算，否则转到D13；

D13）计算X只蚂蚁的总航程的最小值，并将总航程的最小值记为最短航程l_g，将总航程的最小值所对应的禁忌表记为最短航程禁忌表gtabu_g；计算所有蚂蚁周游总航程

D14）若当前循环次数g=0，将最短航程l_g赋值给历史最短航程l_min，最短航程禁忌表gtabu_g赋值给最佳路径禁忌表tabu_min；若当前循环次数g>0，且l_g<l_min时，将最短航程l_g赋值给历史最短航程l_min，最短航程禁忌表gtabu_g赋值给最佳路径禁忌表tabu_min；

D15）若当前循环次数g>0，则计算所有蚂蚁周游总航程之差ΔL=L_g-L_g-1，当ΔL≥ξ_max时，将赋值给w；当ΔL≤ξ_min时，将w×2赋值给w；表示对w/2的值取上限；

D16）利用式(16)信息素τi_j进行全局更新：

式(16)中，为信息素全局更新因子，并有：

式(17)中，∑v表示最佳路径禁忌表tabu_min中的所有地面目标节点对应的地面目标权重之和；

D17）将g+1赋值给g，若当前循环次数g等于G，则输出最佳路径禁忌表tabu_min，否则转到D3。最佳路径禁忌表tabu_min中第r个机场节点编号0与第r+1个机场节点编号0之间的地面目标节点对应的就是无人机编队U_m中的第r架无人机所要攻打的地面目标，并且依据地面目标节点先后顺序形成无人机编队U_m中的第r架无人机攻打的最佳路径。

Claims (1)

1.一种多无人机编队分层目标分配方法，其特征在于：

在无人机编队攻打地面目标的任务区域中，将所述任务区域的外接正方形的一个顶点设为原点O，将所述原点O的两条邻边分别设置为X轴和Y轴构成坐标系XOY，在所述坐标系XOY中，

设定有M个无人机编队协同执行任务，所述M个无人机编队记为U＝{U₁,U₂,…,U_m,…,U_M}，1≤m≤M；U_m表示第m个无人机编队，所述无人机编队U_m位于第m个机场A_m；所述机场A_m的位置记为(ax_m,ay_m)；每个无人机编队有R架无人机，则共有R×M＝N_V架无人机，记为1≤p≤N_V；u_p表示第p架无人机；所述无人机u_p的载弹量记为B；所述无人机u_p的最大航程记为S_max；

设定有N_T个地面目标记为1≤q≤N_T；t_q表示第q个地面目标，所述地面目标t_q的位置记为(tx_q,ty_q)；所述地面目标t_q的价值记为v_q；

所述多无人机编队分层目标分配方法按如下步骤进行：

步骤一、根据所述无人机编队的个数M，使用K-Means聚类算法对所有地面目标t进行聚类获得M个目标簇，所述M个目标簇记为T＝{T₁,T₂,…,T_n,…,T_M}，1≤n≤M，T为目标簇集合，T_n表示第n个目标簇；所述目标簇T_n中的地面目标个数记为|T_n|；

步骤二、调整M个目标簇中的地面目标，使得各目标簇中的地面目标个数在区间内；

步骤三、建立无人机编队间目标分配模型，并利用匈牙利算法进行求解，获得每个无人机编队所分配的目标簇；

步骤四、建立无人机编队内目标分配模型，并利用改进蚁群算法进行求解，获得每个无人机所分配的地面目标，根据无人机所分配的地面目标的先后顺序形成无人机所要攻打的最佳路径；

所述步骤一中的K-Means聚类算法按如下步骤进行：

A1)在所述任务区域内，随机生成所述M个目标簇的初始中心点；

A2)将所有地面目标t的位置，目标簇个数M，M个目标簇的初始中心点作为K-Means算法的输入值，利用K-Means算法对地面目标进行聚类获得M个目标簇；

所述步骤二中调整地面目标是按如下步骤进行：

B1)将所述目标簇集合T中的M个目标簇移至队列Q中,则Q＝{T₁,T₂,…,T_n,…,T_M}，1≤n≤M；令索引I＝0，索引I用于标记所述目标簇集合T中地面目标个数为区间上限的目标簇的个数；

B2)将所述队列Q中的目标簇按照各自目标簇中的地面目标的个数进行从大到小的排序；

B3)计算所述队列Q中所有目标簇的中心点，所述目标簇T_n的中心点为 ${\mathrm{tc}}_n(\frac{1}{\left|T_n\right|}\underset{t_q\&Element;T_n}{\&Sigma;}{\mathrm{tx}}_q,\frac{1}{\left|T_n\right|}\underset{t_q\&Element;T_n}{\&Sigma;}{\mathrm{ty}}_q);$

B4)取出所述队列Q中的第一个目标簇T_f，并判断所述目标簇T_f中的地面目标个数|T_f|是否小于区间上限若小于区间上限则转到B6；否则，计算所述目标簇T_f中的每个地面目标与所述队列Q中其他所有目标簇的中心点的距离，选取所述目标簇T_f中的每个地面目标与所述队列Q中其他所有目标簇的中心点的距离的最小值作为所述目标簇T_f中的每个地面目标的判断距离，并且记录所述目标簇T_f中的每个地面目标的判断距离所对应的目标簇，将所述目标簇T_f中的地面目标按所述判断距离从小到大进行排序；

B5)判断索引I是否小于余数若索引I小于余数K，则取出所述目标簇T_f中前个地面目标，并将所述前个地面目标分别加入到所述前个地面目标的判断距离各自所对应的目标簇中，将I+1赋值给索引I；

若索引I大于等于余数K，则取出所述目标簇T_f中前个地面目标，并将所述前个地面目标分别加入到所述前个地面目标的判断距离各自所对应的目标簇中；

B6)从所述队列Q中移出所述目标簇T_f至所述目标簇集合T中；

B7)重复步骤B2，直到所述队列Q为空时结束；

所述步骤三中的无人机编队间目标分配模型为：

目标函数： $\begin{array}{cc}\min & \underset{m=1}{\overset{M}{\&Sigma;}}\underset{n=1}{\overset{M}{\&Sigma;}}{D}_{mn}{X}_{mn}---\left(1\right)\end{array}$

约束条件： $\underset{n=1}{\overset{M}{\&Sigma;}}{X}_{mn}=1,m=1,2,\mathrm{...},M---\left(2\right)$

$\underset{n=1}{\overset{M}{\&Sigma;}}{X}_{mn}=1,n=1,2,\mathrm{...},M---\left(3\right)$

X_mn∈{0,1}(4)

式(1)中，D_mn表示无人机编队U_m所在机场A_m到目标簇T_n的中心点的距离；X_mn表示目标簇T_n的分配结果，X_mn取值为1时，所述目标簇T_n的分配结果为目标簇T_n分配给无人机编队U_m，X_mn取值为0时，所述目标簇T_n的分配结果为目标簇T_n不分配给无人机编队U_m；

式(2)表示每个无人机编队分配一个目标簇；

式(3)表示每个目标簇分配给一个无人机编队；

所述步骤三中的利用匈牙利算法进行求解是按如下步骤进行：

C1)计算所述M个目标簇的中心点，所述目标簇T_n的中心点为 ${\mathrm{tc}}_n(\frac{1}{\left|T_n\right|}\underset{t_q\&Element;T_n}{\&Sigma;}{\mathrm{tx}}_q,\frac{1}{\left|T_n\right|}\underset{t_q\&Element;T_n}{\&Sigma;}{\mathrm{ty}}_q);$

C2)构造损失矩阵F＝(F_mn)∈R^M×M，F_mn表示机场A_m到目标簇T_n的中心点tc_n的距离，R^M×M表示M×M型实数矩阵；

C3)以损失矩阵F为输入，利用匈牙利算法对所有目标簇进行0-1规划，获得目标簇T_n的分配结果；

设定无人机编队U_m攻打目标簇T_n，所述步骤四中的无人机编队内目标分配模型为：

目标函数：

$\begin{array}{c}{\mathrm{max\&omega;}}_1(\underset{r=1}{\overset{R}{\&Sigma;}}\underset{t_a}{\&Sigma;}\underset{t_c}{\&Sigma;}{x}_{rac}{v}_c+\underset{r=1}{\overset{R}{\&Sigma;}}\underset{t_c}{\&Sigma;}{x}_{r0c}{v}_c)-\\ {\mathrm{\&omega;}}_2(\underset{r=1}{\overset{R}{\&Sigma;}}\underset{t_a}{\&Sigma;}\underset{t_c}{\&Sigma;}{x}_{rac}{d}_{ac}+\underset{r=1}{\overset{R}{\&Sigma;}}\underset{t_c}{\&Sigma;}{x}_{r0c}{d}_{0c}+\underset{r=1}{\overset{R}{\&Sigma;}}\underset{t_a}{\&Sigma;}{x}_{ra0}{d}_{a0})\end{array}---\left(5\right)$

约束条件： $\underset{r=1}{\overset{R}{\&Sigma;}}\underset{t_a}{\&Sigma;}{x}_{rae}+\underset{r=1}{\overset{R}{\&Sigma;}}{x}_{r0e}=\underset{r=1}{\overset{R}{\&Sigma;}}\underset{t_a}{\&Sigma;}{x}_{rec}+\underset{r=1}{\overset{R}{\&Sigma;}}{x}_{re0},\&ForAll;t_e\&Element;T_n---\left(6\right)$

$\underset{r=1}{\overset{R}{\&Sigma;}}\underset{t_c}{\&Sigma;}{x}_{r0c}=\underset{r=1}{\overset{R}{\&Sigma;}}\underset{t_a}{\&Sigma;}{x}_{ra0}=R---\left(7\right)$

$\underset{r=1}{\overset{R}{\&Sigma;}}\underset{t_a}{\&Sigma;}{x}_{rae}+\underset{r=1}{\overset{R}{\&Sigma;}}{x}_{r0e}\&le;1,\&ForAll;t_e\&Element;T_n---\left(8\right)$

$\underset{t_a}{\&Sigma;}\underset{t_c}{\&Sigma;}{x}_{rac}+\underset{t_c}{\&Sigma;}{x}_{r0e}\&le;B,r=1,2,\mathrm{...},R---\left(9\right)$

$\underset{t_c}{\&Sigma;}{x}_{r0e}{d}_{0c}+\underset{t_a}{\&Sigma;}\underset{t_c}{\&Sigma;}{x}_{rac}{d}_{ac}+\underset{t_a}{\&Sigma;}{x}_{ra0}{d}_{a0}\&le;S_{\max },r=1,2,\mathrm{...},R---\left(10\right)$

x_rac,x_r0c,x_ra0∈{0,1},t_a∈T_n,t_c∈T_n(11)

式(5)中，目标函数表示收益减去成本最大化；ω₁为价值规范化参数，ω₂为航程规范化参数；t_a,t_c是目标簇T_n中的两个地面目标；d_ac表示目标簇T_n中的地面目标t_a到地面目标t_c的距离；d_a0表示目标簇T_n中的地面目标t_a到机场A_m的距离；d_0c表示机场A_m到目标簇T_n中的地面目标t_c的距离；v_c表示目标簇T_n中的地面目标t_c的价值；x_rac,x_ra0,x_r0c表示无人机编队U_m中的第r架无人机对目标簇T_n中的地面目标的攻打顺序：

当x_rac＝1时，x_rac表示无人机编队U_m中的第r架无人机在攻打目标簇T_n中的地面目标t_a后攻打目标簇T_n中的地面目标t_c，当x_rac＝0时，x_rac表示无人机编队U_m中的第r架无人机不攻打目标簇T_n中的地面目标t_a或目标簇T_n中的地面目标t_c；

当x_r0c＝1时，x_r0c表示无人机编队U_m中的第r架无人机从机场A_m出发，攻打目标簇T_n中的地面目标t_c；当x_r0c＝0时，x_r0c表示无人机编队U_m中的第r架无人机从机场A_m出发，不攻打目标簇T_n中的地面目标t_c；

当x_ra0＝1时，x_ra0表示无人机编队U_m中的第r架无人机在攻打目标簇T_n中的地面目标t_a后回到机场A_m；当x_ra0＝0时，x_ra0表示无人机编队U_m中第r架无人机不攻打目标簇T_n中的地面目标t_a或者在攻打目标簇T_n中的地面目标t_a后不回到机场A_m；

式(6)表示目标簇T_n中的每个地面目标的入度等于出度，目标簇T_n中的地面目标t_e的入度表示从机场A_m出发或者在攻打地面目标t_a后，攻打地面目标t_e的无人机数量，目标簇T_n中的地面目标t_e的出度表示离开地面目标t_e攻打下一地面目标t_c或者回到机场A_m的无人机数量；

式(7)表示无人机编队U_m中的每架无人机的位置约束，无人机编队U_m中的每架无人机必须从机场A_m出发并最终回到机场A_m；

式(8)表示目标簇T_n中的任一地面目标最多只能被无人机编队U_m中的一架无人机攻打；

式(9)表示无人机编队U_m中的每架无人机攻打目标簇T_n中的地面目标的个数不得大于所述载弹量B；

式(10)表示无人机编队U_m中每架无人机的最大航程约束，无人机编队U_m中的每架无人机从机场A_m出发并最终回到机场A_m的飞行航程不得大于所述最大航程S_max；

设定无人机编队U_m攻打目标簇T_n，所述步骤四中的利用改进蚁群算法进行求解是按如下步骤进行：

D1)初始化：

将一只蚂蚁作为无人机编队U_m中的R架无人机，设置蚂蚁数量为h为随机数，Ant_x表示第x只蚂蚁；设置最大循环次数G，当前循环次数记为g；将所述目标簇T_n中的地面目标作为地面目标节点，将所述机场A_m作为机场节点，将所述地面目标节点和机场节点形成节点集合H；将所述地面目标的编号q作为地面目标节点的编号，节点q的位置取为对应地面目标t_q的位置，q≠0，将机场节点的编号取为0，节点0的位置取为机场A_m的位置；所述节点集合H中任意两个不同节点i与节点j之间形成弧＜i,j＞，初始化弧＜i,j＞上的信息素d_min表示所述节点集合H中的任意两个节点间的最小距离；设置蚁窗w，设置蚁窗变更的下限ξ_min，设置蚁窗变更的上限ξ_max；历史最短航程记为l_min，所述历史最短航程l_min对应的最佳路径禁忌表记为tabu_min；在当前循环次数g时所有蚂蚁周游总航程记为L_g，所述周游表示任一蚂蚁所表示的R架无人机访问地面目标节点后回到机场A_m；

D2)设置当前循环次数g＝0；

D3)令x＝1，则Ant_x表示第一只蚂蚁；

D4)设蚂蚁Ant_x所表示的R架无人机的序号为1,2,…,r,…,R，1≤r≤R；令r＝1；

D5)设置蚂蚁Ant_x携带导弹量b＝B，阶段航程s＝0，阶段航程s用于记录蚂蚁Ant_x所表示的R架无人机中的第r架无人机的飞行航程，总航程S_x＝0，总航程S_x用于记录蚂蚁Ant_x所表示的R架无人机的飞行航程；蚂蚁Ant_x在所述节点集合H中所处的节点记为当前节点α，令蚂蚁Ant_x的当前节点为所述机场节点，则当前节点α＝0；蚂蚁Ant_x访问的下一个所述节点集合H中的节点记为β；蚂蚁Ant_x的禁忌表记为tabu_x，所述禁忌表tabu_x表示蚂蚁Ant_x已经访问的所述节点集合H中的节点，所述禁忌表tabu_x中的节点按先后顺序形成蚂蚁Ant_x的访问路径；将当前节点α加入到所述禁忌表tabu_x中；

D6)判断蚂蚁Ant_x所携带的导弹量b是否等于0，若导弹量b等于0，则蚂蚁Ant_x回到机场A_m，令α＝0，b＝B，s＝0，将S_x+d_α0赋值给S_x，d_α0表示节点α到节点0的距离，将r+1赋值给r，并转到D9；

若导弹量b不等于0，则在蚂蚁Ant_x未访问的地面目标节点中，选取能满足s+d_αγ+d_γ0≤S_max的地面目标节点γ，形成地面目标节点集合E，d_αγ表示节点α到节点γ的距离，d_γ0表示节点γ到节点0的距离；

D7)计算所述地面目标节点集合E中每个地面目标节点的选择权重wt_γ＝ω₁×v_γ-ω₂×d_αγ，将所述地面目标节点集合E中的每个地面目标节点按选择权重从大到小排序进行排列形成有序的地面目标节点集合E′，在所述有序的地面目标节点集合E′中选取前w个地面目标节点作为下一个地面目标节点选择范围allow；v_γ表示地面目标t_γ的价值；

D8)判断所述选择范围allow中的地面目标节点个数是否为0，当所述选择范围allow中的地面目标节点个数为0时，蚂蚁Ant_x回到机场A_m，令α＝0，b＝B，s＝0，将S_x+d_α0赋值给S_x，将r+1赋值给r，并转到D9；

否则对于所述选择范围allow中的地面目标节点，按照式(12)计算转移概率c_αγ并按轮盘赌规则选择下一个地面目标节点β，并将s+d_αβ赋值给s，将S_x+d_αβ赋值给S_x，d_αβ表示节点α到节点β的距离；将b-1赋值给b，将β赋值给α；

$c_{\mathrm{\&alpha;}\mathrm{\&gamma;}}=\frac{\&lsqb;{\mathrm{\&tau;}}_{\mathrm{\&alpha;}\mathrm{\&gamma;}}\&rsqb;{\&lsqb;{\mathrm{\&eta;}}_{\mathrm{\&alpha;}\mathrm{\&gamma;}}\&rsqb;}^{\mathrm{\&eta;}}}{\underset{\mathrm{\&epsiv;}\&Element;allow}{\&Sigma;}\&lsqb;{\mathrm{\&rho;}}_{\mathrm{\&alpha;}\mathrm{\&epsiv;}}\&rsqb;{\&lsqb;{\mathrm{\&eta;}}_{\mathrm{\&alpha;}\mathrm{\&epsiv;}}\&rsqb;}^{\mathrm{\&eta;}}}---\left(12\right)$

式(12)中，c_αγ表示蚂蚁Ant_x从节点α移动到节点γ的转移概率，ε表示所述选择范围allow中的任一地面目标节点，η表示启发因子系数，并有：

${\mathrm{\&eta;}}_{\mathrm{\&alpha;}\mathrm{\&gamma;}}=\frac{1}{{\mathrm{\&omega;}}_2\&times;d_{\mathrm{\&alpha;}\mathrm{\&gamma;}}-{\mathrm{\&omega;}}_1\&times;v_{\mathrm{\&gamma;}}}---\left(13\right)$

式(13)中，η_αγ表示由节点α到节点γ的启发因子；

D9)将当前节点α加入到所述蚂蚁Ant_x的禁忌表tabu_x中；

D10)判断r是否等于R+1，若r等于R+1，则蚂蚁Ant_x完成周游，转到D11，否则转到D6；

D11)信息素局部更新：

利用式(14)对信息素τ_ij进行局部更新；

${\mathrm{\&tau;}}_{ij}=(1-\mathrm{\&rho;}){\mathrm{\&tau;}}_{ij}+{\mathrm{\&rho;\&Delta;\&tau;}}_{ij}^x---\left(14\right)$

式(14)中，ρ为信息素局部更新因子，并有：

${\mathrm{\&Delta;\&tau;}}_{ij}^x=\frac{Q}{{\mathrm{\&omega;}}_2\&times;S_x-{\mathrm{\&omega;}}_1\&times;\mathrm{\&Sigma;}v\left(x\right)}---\left(15\right)$

式(15)中，Q为设定的信息素强度，Σv(x)为所述蚂蚁Ant_x的禁忌表tabu_x中的地面目标节点所对应的地面目标的权重和；

D12)判断x是否小于等于X，若x≤X，则将x+1赋值给x，转到D4，否则转到D13；

D13)计算X只蚂蚁的总航程的最小值，并将所述总航程的最小值记为最短航程l_g，将所述总航程的最小值所对应的禁忌表记为最短航程禁忌表gtabu_g；计算所有蚂蚁周游总航程 $L_g=\underset{x=1}{\overset{X}{\&Sigma;}}{S}_x;$

D14)若当前循环次数g＝0，将最短航程l_g赋值给历史最短航程l_min，最短航程禁忌表gtabu_g赋值给最佳路径禁忌表tabu_min；若当前循环次数g＞0，且l_g＜l_min时，将最短航程l_g赋值给历史最短航程l_min，最短航程禁忌表gtabu_g赋值给最佳路径禁忌表tabu_min；

D15)若当前循环次数g＞0，则计算所有蚂蚁周游总航程之差ΔL＝L_g-L_g-1，当ΔL≥ξ_max时，将赋值给w；当ΔL≤ξ_min时，将w×2赋值给w；表示对w/2的值取上限；

D16)利用式(16)信息素τ_ij进行全局更新：

式(16)中，为信息素全局更新因子，并有：

式(17)中，Σv表示所述最佳路径禁忌表tabu_min中的所有地面目标节点对应的地面目标权重之和；

D17)将g+1赋值给g，若当前循环次数g等于G，则输出最佳路径禁忌表tabu_min，否则转到D3。