CN105302153B

CN105302153B - 异构多无人机协同察打任务的规划方法

Info

Publication number: CN105302153B
Application number: CN201510677561.XA
Authority: CN
Inventors: 赵倩男; 甄子洋; 郜晨
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2015-10-19
Filing date: 2015-10-19
Publication date: 2018-04-17
Anticipated expiration: 2035-10-19
Also published as: CN105302153A

Abstract

本发明公开了异构多无人机协同察打任务的规划方法，属于无人机任务规划的技术领域。首先，建立以无人机执行任务飞行航程最小、目标价值最大为目标函数的任务规划模型；接着，利用异构多种群蚁群算法求解任务规划模型以获得符合任务完成时间约束、无人机任务类型及能力约束且每个任务只执行一次的最优任务分配计划。本发明有效地解决复杂约束条件下的多无人机多任务分配问题，能够在满足不同类型任务时序关系的同时，满足为了提高作战效能而提出的任务顺序，具有较好的使用灵活性。

Description

异构多无人机协同察打任务的规划方法

技术领域

本发明公开了异构多无人机协同察打任务的规划方法，属于无人机任务规划的技术领域。

背景技术

无人机(Unmanned Aerial Vehicles,UAV)自从1991年的海湾战争中得到成功运用以来，已有30多个国家和地区投入到无人机的研究与生产中，经过几十年的发展，无人机以其特有的机动灵活、适应性强、无人员伤亡、空勤保障简单等一系列的优点，广泛应用于在军事和民用领域。但是对于单架无人机仍然存在着相应的问题：在执行任务时,如果无人机中途出现故障,必须中断任务返回维修,这在战争中有可能贻误战机而破坏整个作战计划；另外单机在作战范围、杀伤半径、摧毁能力、攻击精度等方面受到的限制,会影响到整个作战任务的效果。

从数学角度来看，多UAV任务分配(Task Allocation,TA)问题是一类复杂的组合优化问题，它属于任务指派和资源分配范畴。主要关注在无人机种类及数量已知情形下基于一定的环境信息及任务集合，给每架无人机分配一个或多个有序的任务，在任务完成的同时，使得整个无人机编队的整体效能达到最优。从多无人机协同系统执行的任务类型区分，可以分为多无人机单类任务分配和多无人机多类任务分配问题，通常采用集中式的系统结构，由一个中央单元收集所有信息并承担所有计算任务。为了充分利用UAV平台的自主能力，提高求解效率，避免集中式求解框架下中央节点计算负荷大、系统鲁棒性较差等缺陷，分布式任务分配方法也逐步成为学术界关注的热点。

UAV系统的自主能力经历了一个由低到高不断发展的过程，多UAV协同作战是未来UAV作战方式的重要发展趋势，另外，随着小型化的侦察设备和打击武器的不断出现，UAV武器化发展日新月异，“察/打一体化”已成为未来UAV发展的必然趋势，然而，异构无人机可实现对资源的充分利用及多无人机之间的自主合作，也大大降低了对无人机的要求。

对任务规划问题，国内外文献大多提出通用的协同多任务分配问题，并运用遗传算法等智能算法进行求解。运用了遗传算法等智能算法求解的协同多任务分配问题存在算法复杂的缺陷。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了异构多无人机协同察打任务的规划方法，通过侦察任务获取目标的价值并传递给将要执行打击任务的无人机，打击任务的无人机再根据航迹代价和目标价值选择目标的打击序列，实现了将多个异构无人机对多个价值不同的目标的侦察和打击任务的合理分配并使其代价指标最小，解决了复杂约束条件下的多无人机多任务分配问题。

本发明为实现上述发明目的采用如下技术方案：

异构多无人机协同察打任务的规划方法，包括如下步骤：

A、建立以无人机执行任务飞行航程最小、目标价值最大为目标函数的任务规划模型；

B、利用异构多种群蚁群算法求解任务规划模型以获得符合任务完成时间约束、无人机任务类型及能力约束且每个任务只执行一次的最优任务分配计划，在求解异构多种群蚁群算法的过程中，蚂蚁簇中各蚂蚁依照状态转移规则轮流寻找下一任务节点得到蚂蚁路径，状态转移规则允许同一蚂蚁簇中的各蚂蚁只能按照如下表达式访问一个任务节点：

其中，Cost_ab(t)为t时刻无人机在节点a、节点b之间进行状态转移的代价，length_ab(t)为t时刻由节点a转移至节点b的距离，value_ab(t)为t时刻打击目标的价值，ω₁、ω₂为权系数，满足0≤ω₁,ω₂≤1。

进一步的，所述异构多无人机协同察打任务的规划方法步骤A中所述的目标函数为：min J＝ω×J₁+(1-ω)×J₂，其中：

J为任务分配指标，J₁为飞行航程，J₂为目标价值，ω为取值小于1的正数，

N_V为无人机数量，Length(Project_i)为无人机i执行任务分配计划所飞行的航程，N_iT为无人机i能够打击的目标总数量，v_ij为被无人机i打击的目标j的价值，S_ij为目标j被无人机i执行打击任务时的顺序标号，S_ij≤N_iT。

再进一步的，所述异构多无人机协同察打任务的规划方法中，步骤B具体为：

B1、构建与各组无人机群中无人机数目相同的人工蚂蚁种群、由与无人机群组数目相同的蚂蚁组成的人工蚂蚁簇；

B2、初始化信息素和启发信息；

B3、蚂蚁簇中各蚂蚁依照状态转移规则轮流寻找下一任务节点得到蚂蚁路径，所述蚂蚁路径对应无人机的任务分配子计划；

B4、对各蚂蚁簇的蚂蚁路径进行局部优化得到蚂蚁路径局部最优解；

B5、由蚂蚁路径局部最优解以及步骤A建立的任务规划模型计算各蚂蚁簇的代价指标并更新全局信息素，返回步骤B3开始下一次迭代，达到最大迭代次数后停止迭代；

B6、根据各蚂蚁簇的代价指标迭代结果选取各蚂蚁种群的蚂蚁路径全局最优解。

作为所述异构多无人机协同察打任务的规划方法的进一步优化方案，步骤B5中更新全局信息素的表达式为：

其中，τ_ab(t+1)为t+1时刻节点a和节点b之间转移路径上的信息素浓度，Δτ_ab为节点a和节点b之间转移路径上信息素浓度的变化量，为无人机i在节点a和节点b之间转移路径上信息素浓度的变化量，Q为蚂蚁循环一次所释放的信息素总量，Q为常数，L_i为无人机i从节点a转移到节点b经过的路径长度。

更进一步的，所述异构多无人机协同察打任务的规划方法中，步骤B4采用2-opt逆转变异算法对各蚂蚁簇的蚂蚁路径进行局部优化得到蚂蚁路径局部最优解。

本发明采用上述技术方案，具有以下有益效果：异构多种群蚁群算法能够有效地解决复杂约束条件下的多无人机多任务分配问题，能够在满足不同类型任务时序关系的同时，满足为了提高作战效能而提出的任务顺序，具有较好的使用灵活性；且异构无人机每架无人机所装载的设备不同，强调团队的作战，充分体现了无人机的协同作战性能，对每架无人机的要求变低，也大大节省了作战能源。

附图说明

图1为本发明所述的无人机与蚁群对应关系图；

图2为本发明仿真实验所采用的任务空间图；

图3为本发明仿真实验算法迭代过程中代价指标的变化曲线；

图4为本发明所述的基于改进蚁群算法的异构多无人机任务规划方法流程图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明。遗传算法等算法比较复杂，而蚁群算法直接参考继承蚂蚁的思想和活动，与无人机问题有更大的相似性，更容易理解，且收敛速度很快。采用本发明所述的基于已知目标价值的异构多无人机协同察打任务规划方法，具体按照以下步骤：

步骤一、将任务空间初始化，以二维战场环境中的多架无人机对多个地面目标展开侦查和攻击为研究背景。假设任务环境中不存在禁飞区、地形障碍等威胁，各个无人机的功能、性能参数不同，任务环境已知，任务规划代价指标是追求最小航程及最大的目标收益。

1.问题描述，多无人机多任务分配问题中的相关要素可以用一个四元组{V,Target,Task,C}表示，为执行任务的无人机集合，N_V为无人机数量；为已经发现的目标集合，N_T为目标数量；为无人机的任务集合，N_M为任务的总数量；每一个任务包括两方面的属性，即任务目标和任务类型，在目标上主要考虑2类典型任务，分别是侦察、攻击，即Tasktype＝{Classify(Target_j),Attack(Target_j)},且完成不同类型的任务需要不同的基本条件，攻击任务Attack(Target_j)发生在目标Target_j被侦察识别并已获得目标价值之后。

2.约束条件，异构多无人机多任务分配问题约束条件众多，主要包括任务时间约束、无人机任务类型及能力约束、多机协同约束等四个方面。

(1)任务时间约束：如果某个任务必须在指定的时间范围内完成，则称该任务具有时间约束。如对敌方隐蔽机动目标的攻击任务，设对目标的侦察任务在t₁时刻执行，则对该目标的攻击任务应在侦察任务执行之后的一个时间段[t₁+δt_min,t₁+δt_max]内完成，δt_min为无人机执行后续任务的最短时间间隔，其值通常取决于目标侦察情报综合处理的复杂程度和时间消耗，δt_max为执行后续任务的最大时间间隔，超过该时间限制，目标状态将发生改变(如机动导弹发射器移动至其他战场位置)，导致任务失败。

(2)无人机任务类型及能力约束：无人机任务类型及能力约束是指对单架无人机，其机上携带的任务载荷和自身续航能力是有限的，所能完成的任务类型及数量受其任务载荷限制，也是有限的，故特定的无人机只能执行任务集合中与自身能力相符合的任务。

(3)多机协同约束：任务集合中的任何一个任务只能被完成一次。设x_i,j∈{0,1}为决策变量，其值满足：

则多机协同约束可以表达如下：

3.任务分配指标，任务分配的优劣程度可以通过多种评价指标予以表达。在多无人机多任务分配问题中，通常采用无人机集合完成其任务分配计划中所有任务所需的总飞行航程和任务分配计划中包含的任务价值两种指标进行评价。

(1)任务总飞行航程指标

通过任务总飞行航程最小化，可以使多无人机系统执行任务的资源消耗(如燃油消耗等)达到最小。设Length(Project_i)表示无人机V_i执行任务分配计划所需的航程，则无人机集合任务分配计划的总飞行航程指标如下：

(2)完成任务价值指标

无人机在对某目标进行侦察时，将该目标的价值共享，执行打击任务的无人机优先考虑价值较大的无人机，价值稍小的最后考虑，如此便可充分利用具备“打击”功能的无人机的资源，因此把目标价值作为除航程代价之外的另一个代价指标。设无人机V_i所打击目标的价值为v_ij,(j＝1,2,...,N_iT)，N_iT为无人机V_i所打击目标的总数量，目标价值的代价指标为：

S_ij为目标j被无人机V_i执行打击任务时的顺序标号(S_ij≤N_iT)，可以看出，价值大的如果被优先选择，其代价指标可实现最大化。

多无人机多任务分配问题就是在满足上述各约束条件下使下式取得极小值，即：

min(J＝ω×J₁+(1-ω)×J₂) (5)。

由此可以看出，人工蚂蚁在选择后续任务时，在满足时间约束的条件下，一方面到当前任务目标距离较短的任务将被优先选择；另一方面，价值大的目标将被优先选择。

步骤二、异构多种群蚁群的建立

1.人工蚂蚁种群：人工蚁群中，具有相同任务的蚂蚁构成的集合称为具有特定分工的人工蚂蚁种群AC_i。图1所示为蚁群根据无人机集合进行分工的关系。无人机集合V的总体任务分配计划则需要来自不同蚂蚁种群的N_V个人工蚂蚁构造的任务序列组合构成。

2.人工蚂蚁簇：来自于不同蚂蚁种群的N_V个人工蚂蚁，其构造的任务执行序列的集合构成了蚁群所对应的无人机集合V的一个满足各类约束的任务分配计划，N_V即为每组无人机群中的无人机数目。每个人工蚂蚁簇是构造无人机集合完整任务分配计划的最小蚂蚁群落，m表示每次迭代中的人工蚂蚁簇的组数，m即为无人机群组数。每次迭代完成后选取m组中使得评价指标更优的1组，为更新信息素和下次迭代的状态转移打下基础。

步骤三、无人机首先对目标执行‘侦察’任务，获取目标价值并分享，同时，其他无人机根据价值信息及距离信息，通过状态转移公式选择下一任务，从Task_i转移到可行任务节点Task_j的状态转移概率公式为：

式(6)中，为无人机i从节点a转移到节点b的概率，allow_a为下一步候选任务集合，τ_ab(t)为t时刻节点a和节点b之间转移路径上的信息素浓度，η_ab(t)为t时刻由节点a转移至节点b的启发程度，η_ab(t)的取值为无人机i在节点a、节点b之间进行状态转移的代价Cost_ab(t)的倒数，α、β取值一般根据算法的需要自行处理，信息素分量比较重要的话，α就大一点，启发因素分量比较重要的话，β就大一点，一般情况下1《α，β《10。Cost_ij(t)直接反映了当前无人机在t时刻执行完任务Task_i后执行Task_j的难易程度，由于某些任务之间有特定的时间约束，因此在满足时间约束的前提下，总代价值由两任务之间的任务航程代价和任务Task_j对无人机的价值收益所决定。

式(7)中，ω₁,ω₂为权系数，满足0≤ω₁,ω₂≤1。若下一个任务为‘侦察’任务，则启发程度只与两任务之间距离有关，若下一任务为‘打击’任务，则启发因素不仅与两任务间距离有关，还与打击目标的价值有关。由此可以看出，人工蚂蚁在选择后续任务时，一方面到当前任务目标距离较短的任务将被优先选择；另一方面，价值大的目标将被优先选择。

步骤四、执行完一次对所有任务的迭代之后，根据公式更新全局信息素，各个节点间连接路径上的信息素浓度需要进行实时更新公式为：

式(8)、式(9)中，τ_ab(t+1)为t+1时刻节点a和节点b之间转移路径上的信息素浓度，Δτ_ab为节点a和节点b之间转移路径上信息素浓度的变化量，为无人机i在节点a和节点b之间转移路径上信息素浓度的变化量，Q为蚂蚁循环一次所释放的信息素总量，Q为常数，L_i为无人机i从节点a转移到节点经过的路径长度。

进行下一次迭代，记录下每次迭代相对更优的分配计划及路径长度，直到最大迭代次数终止。

综上，算法步骤如下所示：

Step1：初始化规模为N_V×m的蚁群AC，建立人工蚂蚁种群AC_u,u＝1,2,...,N_V和人工蚂蚁簇AG_v,v＝1,2,...,m。设置初始迭代计数器c←0和最大允许迭代次数c_max。

Step2：执行如下操作：

Step2.1：依次按照式所示的状态转移规则构造各自对应的无人机V_u的任务分配子计划。

Step2.2：当每个人工蚂蚁簇AG_v中所有蚂蚁个体均构造完任务分配计划Project_u之后，对该子计划运用2-opt逆转变异算法进行局部优化。依次执行完m次后，将N_V×m个局部优化结果存入矩阵。

Step3：计算每个人工蚂蚁簇的代价指标，并按照蚁群系统全局信息素更新规则公式(8)、(9)进行全局信息素更新。

Step4：寻找m组人工蚂蚁簇的最优路径，并与上一次迭代最优路径进行比较，记录下相对更优的分配计划及路径长度。

Step5：c←c+1,如果c>c_max,则算法结束，输出当前得到的全局最优任务分配计划及其各架无人机的航程长度；否则转Step2继续执行。

算法流程图如图4所示。

为了验证本发明对考虑目标价值的察打任务规划的有效性，进行如下仿真实验。仿真工具采用MATLAB软件。实验设定：针对4架无人机(侦察型1架、攻击型1架、察打一体化2架)对24个敌方目标的任务进行仿真实验，如图2所示。设定目标均需要进行侦察、攻击2类任务，共计48个待执行任务，分别用C、A标志。算法中蚁群包含N_V×8个人工蚂蚁。

基于上述假定，设定算法最大迭代次数为200次，得到的分配结果如表所示，图3所示为算法迭代过程中代价指标的变化曲线，取公式(4)中ω＝0.7，则代价指标J＝0.7×J₁+0.3×J₂。任务分配结果采用(目标序号，任务类型，任务执行时刻)形式表达。可以看出，异构多种群蚁群算法能够有效地解决复杂约束条件下多无人机多任务分配问题，能够调节时间约束、航程约束等多方面的约束关系，具有较好的使用灵活性。本发明仿真实验任务分配结果如表1所示。

表1

综上所述，本发明具有以下有益效果：异构多种群蚁群算法能够有效地解决复杂约束条件下的多无人机多任务分配问题，能够在满足不同类型任务时序关系的同时，满足为了提高作战效能而提出的任务顺序，具有较好的使用灵活性；且异构无人机每架无人机所装载的设备不同，强调团队的作战，充分体现了无人机的协同作战性能，对每架无人机的要求变低，也大大节省了作战能源。

Claims

1.异构多无人机协同察打任务的规划方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的异构多无人机协同察打任务的规划方法，其特征在于，步骤A中所述的目标函数为：min J＝ω×J₁+(1-ω)×J₂，其中：

3.根据权利要求2所述的异构多无人机协同察打任务的规划方法，其特征在于，步骤B具体为：

B2、初始化信息素和启发信息；

4.根据权利要求3所述的异构多无人机协同察打任务的规划方法，其特征在于，步骤B5中更新全局信息素的表达式为：

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&tau;</mi> <mrow> <mi>a</mi> <mi>b</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&rho;</mi> <mo>)</mo> </mrow> <msub> <mi>&tau;</mi> <mrow> <mi>a</mi> <mi>b</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&Delta;&tau;</mi> <mrow> <mi>a</mi> <mi>b</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&Delta;&tau;</mi> <mrow> <mi>a</mi> <mi>b</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>v</mi> </msub> </munderover> <msubsup> <mi>&Delta;&tau;</mi> <mrow> <mi>a</mi> <mi>b</mi> </mrow> <mi>i</mi> </msubsup> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mn>0</mn> <mo><</mo> <mi>&rho;</mi> <mo><</mo> <mn>1</mn> <mo>,</mo> </mrow>

其中，τ_ab(t+1)为t+1时刻节点a和节点b之间转移路径上的信息素浓度，Δτ_ab为节点a和节点b之间转移路径上信息素浓度的变化量，为无人机i在节点a和节点b之间转移路径上信息素浓度的变化量，Q为蚂蚁循环一次所释放的信息素总量，L_i为无人机i从节点a转移到节点b经过的路径长度。

5.根据权利要求3或4所述的异构多无人机协同察打任务的规划方法，其特征在于，步骤B4采用2-opt逆转变异算法对各蚂蚁簇的蚂蚁路径进行局部优化得到蚂蚁路径局部最优解。