CN104950673A - 一种无人机群协作打击目标分配方法 - Google Patents

Abstract

本发明涉及一种无人机群协作打击目标分配方法，属实时嵌入式领域。首先初始化粒子群，根据评价标准制定适应度函数，保存每个粒子的适应度值，判断是否达到最优的目标分配方案，如果没有则分别用随机函数、认知函数和社会函数对粒子进行更新，并计算当前粒子的适应度值，更新个体最佳适应度的粒子或全局最佳适应度的粒子；用更新后的粒子个体适应度值和整体适应度值与初始个体最佳适应度值和全局最佳适应度值比较，然后所有粒子更新完后进化至下一代，并重新判断是否达到最优的目标分配方案。本发明建立无人机群和目标之间的粒子矩阵，通过不断的自我学习，能快速高效的解决无人机群对目标的分配问题，实现单机对多目标打击，方法简单便捷。

Description

一种无人机群协作打击目标分配方法

技术领域

本发明涉及一种无人机群协作打击目标分配方法，属于实时嵌入式技术领域。

背景技术

随着新军事变革的不断推进，基于实时嵌入式的无人机已经向高智能，高精度，协作化方向发展。作为协作化的关键技术之一的合作式攻击，是指两架或多架无人机之间通过战场信息网络和制导网络进行相互合作，完成武器打击，对超远距空中目标、中/远距目标和地面目标等进行打击的新型攻击方式。

目前无人机的火力控制及目标分配方法要求具有很高的实时性，在尽可能短的时间内完成对目标的攻击。遗传算法、蚁群算法也被广泛应用在无人机目标分配问题上，但其在解算的过程中容易产生不满足约束条件的解，虽然可以利用约束中的启发式信息对解进行检查，但却增加了算法的时间消耗，不利于实时性任务的及时响应，并局限于解决单机针对单目标的问题，不能实现单机多目标的求解。

发明内容

本发明提供了一种无人机群协作打击目标分配方法，以用于解决无人机群对目标的分配问题，算法简便，耗时短，并实现单机对多目标打击，方法实现简单便捷。

本发明无人机群协作打击目标分配方法是这样实现的：所述方法的具体步骤如下：

Step1、初始化粒子群，将无人机群与目标之间的关系转化为粒子矩阵形式作为一个粒子，并按照约束条件进行随机初始化；

Step2、根据评价标准制定适应度函数f(x)，并计算每个粒子的适应度值；

Step3、保存每个粒子的适应度值，并从所有的粒子适应度值中选择初始个体最佳适应度值和全局最佳适应度值进行保存；

Step4、判断是否达到最优的目标分配方案，即MAXf(x)，MAXf(x)为攻击收益与战损之差的最大值，若没有计算得到适应度函数f(x)的最大值MAXf(x)，则进行步骤Step5，如果计算得到适应度函数f(x)的最大值MAXf(x)，计算出该最大值MAXf(x)的粒子即为目标分配的最优方法；

Step5、分别用随机函数、认知函数和社会函数对粒子进行更新，并计算当前粒子的适应度值；

Step6、更新个体最佳适应度的粒子或全局最佳适应度的粒子；用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较；

若更新后的粒子的适应度值超过初始保存的个体适应度值，则用更新后的粒子的适应度值替换初始的个体适应度值并保存，

若更新后的粒子群中选择出的一个适应度值超过了初始的整体适应度值，则用更新后的粒子群适应度值替换初始的整体适应度值并保存；

Step7、所有粒子更新完后进化至下一代，并转步骤Step4重新判断是否达到最优的目标分配方案。

所述步骤Step1中的粒子，采用粒子矩阵构成。

所述步骤Step2中的适应度函数为f(x)＝αT-βG；其中α,β为可调节参数，用来调整进攻和存活的权重，α∈(0,1),β∈(0,1)，T为总有益指标，G为总战损指标。

本发明的有益效果是：本发明建立无人机群和目标之间的粒子矩阵，通过不断的自我学习，能够快速高效的解决无人机群对目标的分配问题，并实现单机对多目标打击，方法实现简单便捷。

附图说明

图1为本发明中的流程图；

图2为本发明与遗传算法的对比曲线图。

具体实施方式

实施例1：如图1所示，一种无人机群协作打击目标分配方法，所述方法的具体步骤如下：

Step1、初始化粒子群，将无人机群与目标之间的关系转化为粒子矩阵形式作为一个粒子，并按照约束条件进行随机初始化；

Step2、根据评价标准制定适应度函数f(x)，并计算每个粒子的适应度值；

Step3、保存每个粒子的适应度值，并从所有的粒子适应度值中选择初始个体最佳适应度值和全局最佳适应度值进行保存；

Step4、判断是否达到最优的目标分配方案，即MAXf(x)，MAXf(x)为攻击收益与战损之差的最大值，若没有计算得到适应度函数f(x)的最大值MAXf(x)，则进行步骤Step5，如果计算得到适应度函数f(x)的最大值MAXf(x)，计算出该最大值MAXf(x)的粒子即为目标分配的最优方法；

Step5、分别用随机函数、认知函数和社会函数对粒子进行更新，并计算当前粒子的适应度值；

Step6、更新个体最佳适应度的粒子或全局最佳适应度的粒子；用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较；

若更新后的粒子的适应度值超过初始保存的个体适应度值，则用更新后的粒子的适应度值替换初始的个体适应度值并保存，

若更新后的粒子群中选择出的一个适应度值超过了初始的整体适应度值，则用更新后的粒子群适应度值替换初始的整体适应度值并保存；

Step7、所有粒子更新完后进化至下一代，并转步骤Step4重新判断是否达到最优的目标分配方案。

实施例2：如图1所示，一种无人机群协作打击目标分配方法，所述方法的具体步骤如下：

Step1、初始化粒子群，将无人机群与目标之间的关系转化为粒子矩阵形式作为一个粒子，并按照约束条件进行随机初始化；

Step2、根据评价标准制定适应度函数f(x)，并计算每个粒子的适应度值；

Step3、保存每个粒子的适应度值，并从所有的粒子适应度值中选择初始个体最佳适应度值和全局最佳适应度值进行保存；

Step4、判断是否达到最优的目标分配方案，即MAXf(x)，MAXf(x)为攻击收益与战损之差的最大值，若没有计算得到适应度函数f(x)的最大值MAXf(x)，则进行步骤Step5，如果计算得到适应度函数f(x)的最大值MAXf(x)，计算出该最大值MAXf(x)的粒子即为目标分配的最优方法；

Step5、分别用随机函数、认知函数和社会函数对粒子进行更新，并计算当前粒子的适应度值；

Step6、更新个体最佳适应度的粒子或全局最佳适应度的粒子；用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较；

若更新后的粒子的适应度值超过初始保存的个体适应度值，则用更新后的粒子的适应度值替换初始的个体适应度值并保存，

若更新后的粒子群中选择出的一个适应度值超过了初始的整体适应度值，则用更新后的粒子群适应度值替换初始的整体适应度值并保存；

Step7、所有粒子更新完后进化至下一代，并转步骤Step4重新判断是否达到最优的目标分配方案。

具体实施步骤如下：

步骤S1：初始化粒子群；

利用约束条件对粒子群进行初始化，将无人机与目标的关系转化为粒子矩阵，粒子矩阵中的元素只能为0或1，即无人机对目标是否进行攻击，每一个粒子矩阵代表一种攻击分配方式，同时也作为粒子群中一个粒子。约束条件为：1、每个目标只能分配给一架无人机且每架无人机都要分配目标；2、无人机攻击目标的数量由携弹量决定；3、所有的目标都要分配给无人机群；

步骤S2：制定适应度函数并计算每个粒子的适应度值；

为了对计算结果进行评价，需要制定适应度函数；评价标准包括有益指标和战损指标；设目标S_j的价值为v_j，无人机A_i命中目标S_j的概率为P_ij，则整个无人机群的总有益指标为设无人机A_i攻击目标S_j的存活概率为Q_ij，无人机A_i的价值为u_i，则整个无人机群的总战损指标为适应度函数f(x)＝αT-βG，差值越大收益越高，根据适应度函数f(x)＝αT-βG计算出每个粒子的适应度值。其中α,β为可调节参数，以此来调整进攻和存活的权重，甚至可以让无人机进行自杀攻击，α∈(0,1),β∈(0,1)。

步骤S3：确定初始个体最佳适应度和全局最佳适应度；

根据步骤S2的计算结果，确定初始个体最佳适应度和全局最佳适应度并保存起来；

Step4、判断是否达到最优的目标分配方案，即MAXf(x)，MAXf(x)为攻击收益与战损之差的最大值，若没有计算得到适应度函数f(x)的最大值MAXf(x)，则进行步骤Step5，如果计算得到适应度函数f(x)的最大值MAXf(x)，计算出该最大值MAXf(x)的粒子即为目标分配的最优方法；

步骤S5：用随机函数、认知函数和社会函数对粒子进行更新并计算当前粒子的适应度值；

设随机函数为R1＝[x_i(n),δ]，x_i(n)表示粒子i进化到第n代，δ为随机变换函数，δ＝{set(r(M),r(N))，exchange(r(O),r(P))，exchange(r(Q),r(S))}，set(r(M),r(N))表示将第M行第N列位置上的元素置1，列中其他元素为0；exchange(r(O),r(P))，exchange(r(Q),r(S))表示随机交换某两行或者某两列；

设认知函数为统计生成的新矩阵中各列元素和不为零的列序号，并将其放入数组s1中随机排序，数组中的元素个数为q；ε为变换函数， $\mathrm{\ϵ}=\{NOT\[select(s1,radom(q)),p_m\left(n\right)\⊕R1,R1\]\},$ select(s1,radom(q))表示从数组s1中随机选择1～q个元素，NOT为取反符号，被选出的元素(即生成的新矩阵中的列)对应由R1所生成矩阵的列，当被选中的列中元素为1时，R1生成矩阵中对应的元素取反；

设社会函数为统计生成的新矩阵中各列元素和不为零的列序号，并将其放入数组s2中随机排序，数组中的元素个数为t；φ为变换函数， $\mathrm{\φ}=\{NOT\[select(s2,radom(t)),p_g\left(n\right)\⊕R2,R2\]\},$ select(s2,radom(t))表示从数组s2中随机选择1～t个元素，NOT为取反符号，被选出的元素(即生成的新矩阵中的列)对应由R2所生成矩阵的列，当被选中的列中元素为1时，R2生成矩阵中对应的元素取反；

其中，p_m(n)为进化n代后获得个体适应度值较优的第m个粒子，p_g(n)为进化n代后获得全体粒子中适应度值较优的第g个粒子；

具体实例：

设 $x_i\left(n\right)=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 1\\ 0& 0& 1& 0\end{array}\right],p_m\left(n\right)=\left[\begin{array}{cccc}1& 0& 0& 1\\ 0& 0& 1& 0\\ 0& 1& 0& 0\end{array}\right],p_g\left(n\right)=\left[\begin{array}{cccc}0& 0& 1& 0\\ 1& 0& 0& 1\\ 0& 1& 0& 0\end{array}\right],$ 设随机数交换结果为：

set(r(M),r(N))＝set(1,2)，exchange(r(O),r(P))＝exchange(2,3)，exchange(r(Q),r(S))＝exchange(4,4),则随机函数 $R1=\[x_i\left(n\right),\mathrm{\δ}\]=\left[\begin{array}{cccc}1& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right];$

$p_m\left(n\right)\⊕R1=\left[\begin{array}{cccc}1& 0& 0& 1\\ 0& 0& 1& 0\\ 0& 1& 0& 0\end{array}\right]\⊕\left[\begin{array}{cccc}1& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]=\left[\begin{array}{cccc}0& 1& 0& 1\\ 0& 0& 0& 0\\ 0& 1& 0& 1\end{array}\right],$ 将其中列元素不为0的列序号放入数组s1并进行随机排序，s1＝{2,4}，q＝2，设随机产生结果为radom(q)＝1，则认知函数 $R2=\[p_m\left(n\right)\⊕R1,\mathrm{\ϵ}\]=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 0& 1& 0\\ 0& 1& 0& 1\end{array}\right];$

$p_g\left(n\right)\⊕R2=\left[\begin{array}{cccc}0& 0& 1& 0\\ 1& 0& 0& 1\\ 0& 1& 0& 0\end{array}\right]\⊕\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 0& 1& 0\\ 0& 1& 0& 1\end{array}\right]=\left[\begin{array}{cccc}1& 0& 1& 0\\ 1& 0& 1& 1\\ 0& 0& 0& 1\end{array}\right],$ 将其中列元素不为0的列序号放入数组s2并进行随机排序，s2＝{3,1,4}，t＝3，设随机产生结果为radom(t)＝2，则 $R3=\[p_g\left(n\right)\⊕R2,\mathrm{\φ}\]=\left[\begin{array}{cccc}0& 0& 1& 0\\ 1& 0& 0& 0\\ 0& 1& 0& 1\end{array}\right],$ 即进化到下一代x_i(n+1)；

步骤S6：更新个体最佳适应度的粒子或全局最佳适应度的粒子；用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较；

即若当前粒子的适应度值大于p_m(n)的适应度值，则将p_m(n)替换为当前粒子，p_m(n)始终为最佳个体适应度值的粒子；若当前粒子群的适应度值大于p_g(n)，则将p_g(n)替换为当前粒子，p_g(n)始终为整体最佳适应度值的粒子；

步骤S7：令n＝n+1，转步骤S4，进化到下一代，重新判断结果是否满足结束条件。

实验对比：图2为本算法与遗传算法的对比曲线图，粒子群算法本身属于进化算法的一种，和遗传算法相似，它也是从随机解出发通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”和“变异”操作，因而算法更加简洁方便它通过追随当前搜索到的最优值来寻找全局最优。

从图2中可以看出，本算法在迭代次数达到49次时就收敛到最优解，而GA(遗传)算法则在87代时才开始收敛，且在求解过程中有收敛于局部最优解的倾向，如31代到53代间，因此本算法比GA算法的收敛速度更快，求解最优解的能力更强更高效。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (3)

1.一种无人机群协作打击目标分配方法，其特征在于：所述方法的具体步骤如下：

Step1、初始化粒子群，将无人机群与目标之间的关系转化为粒子矩阵形式作为一个粒子，并按照约束条件进行随机初始化；

Step2、根据评价标准制定适应度函数f(x)，并计算每个粒子的适应度值；

Step3、保存每个粒子的适应度值，并从所有的粒子适应度值中选择初始个体最佳适应度值和全局最佳适应度值进行保存；

Step4、判断是否达到最优的目标分配方案，即MAXf(x)，MAXf(x)为攻击收益与战损之差的最大值，若没有计算得到适应度函数f(x)的最大值MAXf(x)，则进行步骤Step5，如果计算得到适应度函数f(x)的最大值MAXf(x)，计算出该最大值MAXf(x)的粒子即为目标分配的最优方法；

Step5、分别用随机函数、认知函数和社会函数对粒子进行更新，并计算当前粒子的适应度值；

Step6、更新个体最佳适应度的粒子或全局最佳适应度的粒子；用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较；

若更新后的粒子的适应度值超过初始保存的个体适应度值，则用更新后的粒子的适应度值替换初始的个体适应度值并保存，

若更新后的粒子群中选择出的一个适应度值超过了初始的整体适应度值，则用更新后的粒子群适应度值替换初始的整体适应度值并保存；

Step7、所有粒子更新完后进化至下一代，并转步骤Step4重新判断是否达到最优的目标分配方案。

2.根据权利要求1所述的无人机群协作打击目标分配方法，其特征在于：所述步骤Step1中的粒子，采用粒子矩阵构成。

3.根据权利要求1所述的无人机群协作打击目标分配方法，其特征在于：所述步骤Step2中的适应度函数为f(x)＝αT-βG；其中α,β为可调节参数，用来调整进攻和存活的权重，α∈(0,1),β∈(0,1)，T为总有益指标，G为总战损指标。