CN105184092B - 一种资源限制条件下多类型无人机协同任务分配方法 - Google Patents
一种资源限制条件下多类型无人机协同任务分配方法 Download PDFInfo
- Publication number
- CN105184092B CN105184092B CN201510611795.4A CN201510611795A CN105184092B CN 105184092 B CN105184092 B CN 105184092B CN 201510611795 A CN201510611795 A CN 201510611795A CN 105184092 B CN105184092 B CN 105184092B
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- sample
- task
- probability matrix
- row
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种资源限制条件下多类型无人机协同任务分配方法,首先初始化环境信息,并根据环境模型建立初始概率矩阵,然后根据初始概率矩阵生成一定数量的随机样本,并根据约束条件删除无效样本,继而根据目标函数求出有效样本的目标函数值,之后按样本目标函数值由大到小排列,取一定比例的排在前边的样本更新概率矩阵,给出了具体的资源限制条件下基于交叉熵方法的多类型无人机任务分配求解算法。本发明能够更好地解决资源限制条件下的多类型无人机任务分配问题,使得无人机或无人机组以更高的收益完成任务。本发明应用于资源限制条件下多类型无人机任务分配。
Description
技术领域
一种资源限制条件下基于交叉熵方法的多类型无人机协同任务分配方法,应用于在任务额无人机资源存在限制的情况下,多无人机协同完成处于不同位置、不同价值、不同威胁程度的目标任务等领域,具体涉及基于资源限制的任务分配的环境建模以及通过使用交叉熵方法达到无人机机群整体作战效能最大、代价最小的目的的技术。
背景技术
无人机隐秘性高、误差小、执行力强,在执行过程中效率高、成本低,可用来替代战士完成一些对生命威胁较大的任务,同时在战场侦察和监视、定位校射、毁伤评估等军事用途,诸如边境巡逻、环境探测、航拍摄影、勘探资源、灾情监视、治安监控、物流运输等民事用途都有广泛的应用,成为近年来热点研究问题。多无人机协同控制技术主要包括多无人机协同路径规划和多无人机协同任务分配两方面。多无人机协同任务分配即是在特定条件的约束下,以尽可能小的代价将各项作战任务分配给多无人机系统中的各无人机去完成,并获得尽可能高的回报。在复杂的战场环境下,单个无人机往往无法完成一些复杂的任务或者付出的代价太大。为了实现多无人机协同完成复杂任务,多无人机协同任务分配和任务协调是研究多无人机系统中的关键技术。
任务分配问题属于非确定性多项式时间(NP,Nondeterministic Polynomial)问题,其求解方法有穷举方法,模拟退火法,禁忌搜索和遗传算法等。计算代价大是NP问题的难点,对于多数的问题实时性难以保证。
考虑到无人机无法携带无限多的战斗设备资源(如军需品、战斗中所必须的导弹、燃料等)的实际情况,通过预先对无人机所携带的资源进行数量的限制来表示。同时,由于科学技术的限制,无人机的种类有限,根据需要对无人机的种类进行限制,各类无人机战斗力不同,侦查能力不同,各类无人机所能携带资源的能力不同。由于单无人机性能单一,负载量有限,存在单架无人机不能准确完成任务的情况,而综合多无人机的机群存在多种能够完成固定任务的方案,如何确定有效的分配方案,有效的利用整个飞行器机组的团队容量和能力,高效的任务分配方法的研究是整个协同控制的主要内容。
发明内容
本发明针对资源限制条件下多无人机任务分配问题提供了一种基于交叉熵方法的多类型无人机协同任务分配方法,解决现有多无人机分配任务过程中资源限制的难点,如完成某项任务需要不同种类的资源,且每种资源数量的需求不同。
为解决上述技术问题,本发明采用以下技术方案:
一种资源限制条件下基于交叉熵方法的多类型无人机协同任务分配方法,其包括如下步骤:
(1)对无人机飞行环境进行分析,设置无人机、任务相关参数;
(2)按要求计算可行方案的数目,初始化交叉熵概率分配矩阵;
(3)随机生成一定数量的样本,对其进行去除无效样本、计算样本对应目标函数值、将样本按目标函数值降序排列、取一定比例排序后的样本更新概率矩阵,如此重复,直至满足结束条件,并根据结果为任务分配相应的无人机。
作为优选,所述步骤(1)中,无人机、任务相关参数设置过程如下:
(11)根据环境需求,设置相关参数,主要包括:任务个数Tn,任务危险等级Wi和完成任务获益Bi,i=1,2,…,Tn,任务所需资源种类Sk及任务对每种资源的需求TSi=(S1,S2,…,Sk);
(12)设置无人机相关参数,主要包括:无人机种类Ut及其数量Nj,j=1,2,…,Ut,即和其携带相应资源的数量UAVj=(S1,S2,…,Sk),每种类型无人机执行各任务成功概率pji;
(13)确立平面内的坐标体系,确定各任务和各类型无人机的地理位置Ti:(xi,yi),UAVj:(xj,yj),参数设置完成。
作为优选,所述步骤(2)中,计算可行方案数目,初始化交叉熵概率分配矩阵具体步骤如下:
(21)至多n架无人机协同去完成某项任务,在无人机种类为Ut情况下,计算可行方案数目Nsol;
(22)初始化交叉熵概率矩阵P为Tn×Nsol,其元素遵循以下要求:对于每一行元素,找出满足资源需求,少数量无人机可以满足资源携带需求,多数量的无人机不予考虑的所有有效方案数目的总和mi,并将概率矩阵P每行对应方案列的元素均设置为其余初始化为0。
作为优选,所述步骤(3)中,随机生成一定数量的样本,对其进行去除无效样本、计算样本对应目标函数值、将样本按目标函数值降序排列、取一定比例排序后的样本更新概率矩阵,如此重复,直至满足结束条件,并根据结果为任务分配相应的无人机的步骤如下:
(31)判断概率矩阵P是否收敛,即其元素为0或1,且行和为1,或者迭代次数是否大于最大迭代次数,若是,转到(36),否则继续执行(32);
(32)根据概率矩阵P随机生成N个样本,样本形式为Tn元组,其对应位置元素为概率矩阵中每行非零元素相应的方案列数;
(33)判断N个样本的有效性,并去除无效的样本,其中样本有效性标准为:样本中各类型无人机数量和是否超过之前设定的各种类型的无人机数量值,若不超过,则为有效,否则为无效样本;
(34)若有效样本数量不足N个,则继续随机取样直到其数量达到N,对每个有效样本s计算其目标函数值,并按从大到小排列,其目标函数值计算公式为:
其中,ni为执行任务Ti的无人机个数,为无人机(组)到达任务Ti的时间代价,ti为执行此任务的所有无人机中到达任务Ti耗时最长的时间,即l=1,2,3,...,ni,dli为无人机l到达任务Ti的欧氏距离,Vl为无人机l的速度且为恒定值。
(35)在排序好的样本中,取前N*θ个排好序的样本(0<θ<1),计算每个任务对应方案出现的次数,该方案出现次数的总和与N*θ的比值即为该行该列更新后的元素,按照此规则更新概率矩阵P;
(36)输出概率矩阵P中结果,即为最终分配方案。
与现有技术相比,本发明的优点在于:
一、考虑到完成任务涉及到的资源种类和数量的限制,以及无人机类型限制,携带资源限制,各类型无人机数量限制,提出了资源限制条件下基于交叉熵方法的多类型无人机协同任务分配方法;
二、由于单架无人机存在无法完成任务的情况,需要多架无人机协同完成某项任务,任务分配方案不仅是一对一的任务分配,还可以是多对一的以及一对多的分配方式;
三、交叉熵方法是近年来出现并发展起来的一种新的优化算法,利用交叉熵优化方法的理念来求解多无人机任务分配问题,取得了良好的效果;
四、优化交叉熵算法,将其运用在资源限制条件下多类型无人机协同任务分配问题上,这是对任务分配问题求解算法的一个新的尝试,同时也是对交叉熵方法具体应用领域的一个新的拓展。
五、通过多无人机的任务分配方案来达到无人机机群整体作战效能最大、代价最小的目的。
六、交叉熵方法是近年来解决组合优化问题的新方法,将其应用于资源限制条件下多类型无人机协同任务分配问题是对任务分配问题乃至组合优化问题的拓展与创新。
附图说明
图1为本发明的结构流程示意图;
图2为本发明的整体流程示意图;
图3为本发明的基于交叉熵方法的多类型无人机任务分配流程图。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
参阅图1,一种资源限制条件下基于交叉熵方法的多类型无人机协同任务分配方法,首先分析无人机所处环境并建立模型,对各项参数初始化,然后由交叉熵方法得到最优或次优分配方案,最后按照此方案为任务分配无人机。
在算法设计之初,首先需要考虑无人机的飞行环境,考虑任务和无人机的多种需求,然后进行各项参数的初始化,再生成初始概率矩阵,然后根据交叉熵方法随机取一定数量的样本,去除无效样本,并对样本计算目标函数值,同时将样本依据目标函数值由大到小排列,去排在靠前的一定比例的样本更新概率矩阵,直至概率矩阵满足要求,得到最终的资源限制条件下基于交叉熵方法的多类型无人机任务分配方案。如图2所示,其具体设计过程如下:
一种资源限制条件下基于交叉熵方法的多类型无人机协同任务分配方法,步骤如下:
(1)对无人机飞行环境进行分析,设置无人机、任务相关参数的过程如下:
(11)设置环境需求参数,主要包括:任务个数Tn,任务危险等级Wi和完成任务获益Bi,i=1,2,…,Tn,任务所需资源种类Sk及任务对每种资源的需求TSi=(S1,S2,…,Sk);
(12)设置无人机相关参数,主要包括:无人机种类Ut及其数量Nj,j=1,2,…,Ut,即和其携带相应资源的数量UAVj=(S1,S2,…,Sk),每种类型无人机执行各任务成功概率pji;
(13)确立平面内的坐标体系,确定各任务和各类型无人机的地理位置Ti:(xi,yi),UAVj:(xj,yj),参数设置完成。
(2)计算可行方案数目,初始化交叉熵概率分配矩阵的具体步骤如下:
(21)至多n架无人机协同去完成某项任务,在无人机种类为Ut情况下,计算可行方案数目Nsol,例如,假设至多2架无人机协同完成某项任务,无人机类型有A,B,C三种,则可行的方案为A,B,C,AA,BB,CC,AB,AC,BC,共9种,假设至多3架无人机协同去完成某项任务,无人机种类有A,B,C三种,则可行的方案为A,B,C,AA,BB,CC,AB,AC,BC,AAA,BBB,CCC,ABB,ACC,AAB,AAC,BCC,BBC,ABC,共19种;
(22)初始化交叉熵概率矩阵P为Tn×Nsol,其元素遵循以下要求:对于每一行元素,少数量无人机可以满足资源携带需求,多数量的无人机不予考虑,如2架无人机满足资源携带需求,则不考虑3架无人机满足资源携带的方案,将此类所有有效方案数目总和记为mi,并将交叉熵概率矩阵P每行对应方案列的元素均设置为其余初始化为0。
(3)随机生成一定数量的样本,对其进行去除无效样本、计算样本对应目标函数值、将样本按目标函数值降序排列、取一定比例排序后的样本更新概率矩阵的流程图详见图3,其具体步骤如下:
(31)判断概率矩阵P是否收敛,即其元素为0或1,且行和为1,或者迭代次数是否大于最大迭代次数,若是,转到(36),否则继续执行(32);
(32)根据概率矩阵P随机生成N个样本,样本形式为Tn元组,其对应位置元素为概率矩阵中每行非零元素相应的方案列数;
(33)判断N个样本的有效性,并去除无效的样本,其中样本有效性标准为:样本中各类型无人机数量和是否超过之前设定的各种类型的无人机数量值,若不超过,则为有效,否则为无效样本;
(34)若有效样本数量不足N个,则继续随机取样直到其数量达到N,对每个有效样本s计算其目标函数值,并按从大到小排列,其目标函数值计算公式为:
其中,ni为执行任务Ti的无人机个数,为无人机(组)到达任务Ti的时间代价,ti为执行此任务的所有无人机中到达任务Ti耗时最长的时间,即l=1,2,3,...,ni,dli为无人机l到达任务Ti的欧氏距离,Vl为无人机l的速度且为恒定值。
(35)在排序好的样本中,取前N*θ个排好序的样本(0<θ<1),计算每个任务对应方案出现的次数,该方案出现次数的总和与N*θ的比值即为该行该列更新后的元素,按照此规则更新概率矩阵P;
(36)输出概率矩阵P中结果,即为最终分配方案。
Claims (1)
1.一种资源限制条件下多类型无人机协同任务分配方法,其特征在于,如下步骤:
步骤(1)、对无人机飞行环境进行分析,设置无人机和任务的相关参数;
步骤(2)、计算可行方案的数目,初始化交叉熵概率分配矩阵;
步骤(3)、随机生成一定数量的样本,对其进行去除无效样本、计算样本对应目标函数值、将样本按目标函数值降序排列、取一定比例排序后的样本更新概率矩阵,如此重复,直至满足结束条件,并根据结果为任务分配相应的无人机;
所述步骤(1)中,无人机、任务相关参数设置过程如下:
(11)设置环境需求参数,主要包括:任务个数Tn,任务危险等级Wi和完成任务获益Bi,i=1,2,…,Tn,任务所需资源种类Sk及任务对每种资源的需求TSi=(S1,S2,…,Sk);
(12)设置无人机相关参数,主要包括:无人机种类Ut及其数量Nj,j=1,2,…,Ut,即和其携带相应资源的数量UAVj=(S1,S2,…,Sk),每种类型无人机执行各任务成功概率pji,UAV表示由一定数量的不同类型的无人机组成的集合;
(13)确立平面内的坐标体系,确定各任务的地理位置Ti:(xi,yi)和各类型无人机的地理位置UAVj:(xj,yj),参数设置完成;
所述步骤(2)中,计算可行方案数目,初始化交叉熵概率分配矩阵具体步骤如下:
(21)至多n架无人机协同去完成某项任务,在无人机种类为Ut情况下,计算可行方案数目Nsol;
(22)初始化交叉熵概率矩阵P为Tn×Nsol,其元素遵循以下要求:对于每一行元素,找出使用最少无人机即可满足资源携带需求的有效方案数目的总和mi,并将交叉熵概率矩阵P每行对应方案列的元素均设置为其余初始化为0;
所述步骤(3)中,随机生成一定数量的样本,对其进行去除无效样本、计算样本对应目标函数值、将样本按目标函数值降序排列、取一定比例排序后的样本更新概率矩阵,如此重复,直至满足结束条件,并根据结果为任务分配相应的无人机的步骤如下:
(31)判断交叉熵概率矩阵P是否收敛,即其元素为0或1,且行和为1,或者迭代次数是否大于最大迭代次数,若是,转到(36),否则继续执行(32);
(32)根据交叉熵概率矩阵P随机生成N个样本,样本形式为Tn元组,其对应位置元素为交叉熵概率矩阵P中每行非零元素相应的方案列数;
(33)判断N个样本的有效性,并去除无效的样本,其中样本有效性标准为:样本中各类型无人机数量和是否超过之前设定的各种类型的无人机数量值,若不超过,则为有效,否则为无效样本;
(34)若有效样本数量不足N个,则继续随机取样直到其数量达到N,对每个有效样本s计算其目标函数值,并按从大到小排列,其目标函数值计算公式为:
其中,ni为执行任务Ti的无人机个数,为无人机组到达任务Ti的时间代价,β为常数,ti为执行此任务的所有无人机中到达任务Ti耗时最长的时间,即 tl为完成Ti任务的每个无人机的时间,dli为无人机l到达任务Ti的欧氏距离,Vl为无人机l的速度且为恒定值;
(35)在排序好的样本中,取前 N* θ 个排好序的样本,0<θ<1,计算每个任务对应方案出现的次数,该方案出现次数的总和与 N* θ 的比值即为该行该列更新后的元素,按照此规则更新概率矩阵P, N* θ 的含义为取一定比例的目标函数值较大的样本;
(36)输出概率矩阵P中结果,即为最终分配方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510611795.4A CN105184092B (zh) | 2015-09-23 | 2015-09-23 | 一种资源限制条件下多类型无人机协同任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510611795.4A CN105184092B (zh) | 2015-09-23 | 2015-09-23 | 一种资源限制条件下多类型无人机协同任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184092A CN105184092A (zh) | 2015-12-23 |
CN105184092B true CN105184092B (zh) | 2018-04-13 |
Family
ID=54906169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510611795.4A Active CN105184092B (zh) | 2015-09-23 | 2015-09-23 | 一种资源限制条件下多类型无人机协同任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184092B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037826B (zh) * | 2017-04-14 | 2019-11-12 | 合肥工业大学 | 无人机探测任务分配方法及装置 |
CN107678446B (zh) * | 2017-10-30 | 2020-11-06 | 西北工业大学 | 一种针对大规模目标群的无人机协同目标分配方法 |
CN108040368B (zh) * | 2017-12-22 | 2021-08-31 | 南京航空航天大学 | 一种基于块坐标下降的无人机时频资源分配方法 |
CN109189094B (zh) * | 2018-09-25 | 2021-08-13 | 中国人民解放军空军工程大学 | 一种多有人机与多无人机混合编队资源调度方法 |
US11164124B2 (en) | 2018-11-14 | 2021-11-02 | International Business Machines Corporation | Task allocation of aerial vehicles |
CN109495976B (zh) * | 2018-12-05 | 2020-05-19 | 浙江大学 | 一种船载无人机通信信道接入方法 |
CN110096822B (zh) * | 2019-05-08 | 2020-09-25 | 北京理工大学 | 一种不确定条件下多平台协同动态任务分配方法 |
CN110889625B (zh) * | 2019-11-25 | 2022-05-24 | 航天时代飞鸿技术有限公司 | 一种用于蜂群无人机系统的任务规划方法 |
CN112859887B (zh) * | 2019-11-28 | 2022-06-14 | 中国科学院沈阳自动化研究所 | 基于天基中心的多水下机器人自主任务分配方法 |
CN113031650B (zh) * | 2021-03-04 | 2022-06-10 | 南京航空航天大学 | 一种不确定环境下的无人机集群协同目标分配设计方法 |
CN113159519B (zh) * | 2021-03-25 | 2021-11-23 | 重庆大学 | 一种复用运输无人机的城市感知运输协同调度方法 |
-
2015
- 2015-09-23 CN CN201510611795.4A patent/CN105184092B/zh active Active
Non-Patent Citations (7)
Title |
---|
A Cross-Entropy Based Approach for UAV Task Allocation with Nonlinear Reward;Aditya Undurti等;《AIAA Guidance, Navigation, and Control Conference》;20100805;第1-16页 * |
A Cross-Entropy method for Nonlinear UAV Task Assignment Problem;NGUYEN Duc Manh等;《Computing and Communication Technologies, Research, Innovation, and Vision for the Future(RIVF), 2010 IEEE RIVF International Conference on》;20101104;第1-5页 * |
分布式多类型无人机协同任务分配研究及仿真;赵敏;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20100115;第C031-10页 * |
多UAV协同任务规划研究;朱毅等;《系统仿真学报》;20090831;第20卷;第194-199页 * |
多无人机协同任务规划技术研究;邓启波;《中国博士学位论文全文数据库 工程科技II辑》;20150415(第4期);第C031-10页 * |
集中式多类型无人机编队任务分配方法研究;胡雄超;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20140115;第C031-50页 * |
非线性任务回报的UAV任务分配方法;唐传林等;《火力与指挥控制》;20121231;第37卷(第12期);第206-208页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105184092A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184092B (zh) | 一种资源限制条件下多类型无人机协同任务分配方法 | |
Manyam et al. | Path planning for cooperative routing of air-ground vehicles | |
CN103744290B (zh) | 一种多无人机编队分层目标分配方法 | |
CN106020230A (zh) | 一种能耗约束下的多无人机任务分配方法 | |
CN108664038A (zh) | 一种多无人机分布式合同竞拍在线任务规划方法 | |
Geng et al. | Cooperative mission planning with multiple UAVs in realistic environments | |
CN113552897B (zh) | 基于任务优先级的空地无人系统侦察协同路径规划方法 | |
Sun et al. | Task scheduling system for UAV operations in agricultural plant protection environment | |
CN115755963B (zh) | 一种考虑载具投递模式的无人机群协同任务规划方法 | |
CN113127176A (zh) | 一种用于工作平台的多角色任务分配方法及系统 | |
CN106840164A (zh) | 一种多碎片主动清除在线重规划算法 | |
Wen et al. | Joint trajectory and pick-up design for UAV-assisted item delivery under no-fly zone constraints | |
CN115358496A (zh) | 一种联合投送网络构建方法及系统 | |
CN112396298B (zh) | 一种无人直升机多机协同任务规划方法 | |
Liu | Routing battery-constrained delivery drones in a depot network: A business model and its optimization–simulation assessment | |
CN103617337B (zh) | 一种飞机维修间隔辅助分析方法 | |
CN116911816A (zh) | 智能飞行机组排班方法及系统 | |
Gaowei et al. | Using multi-layer coding genetic algorithm to solve time-critical task assignment of heterogeneous UAV teaming | |
Zhong et al. | Cooperative task allocation method of MCAV/UCAV formation | |
CN116088586A (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN116166225A (zh) | 基于软件定义的任务规划中台架构设计方法 | |
Zillies et al. | A column generation approach for optimized routing and coordination of a UAV fleet | |
Yun et al. | Intervention decision-making in MAV/UAV cooperative engagement based on human factors engineering | |
Liu et al. | Research on breakthrough and innovation of UAV mission planning method based on cloud computing-based reinforcement learning algorithm | |
Guven et al. | Blockchain, aI and IoT empowered swarm drones for precision agriculture applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |