CN106600147B - 面向可分解任务的多无人机任务分配方法和装置 - Google Patents
面向可分解任务的多无人机任务分配方法和装置 Download PDFInfo
- Publication number
- CN106600147B CN106600147B CN201611161936.8A CN201611161936A CN106600147B CN 106600147 B CN106600147 B CN 106600147B CN 201611161936 A CN201611161936 A CN 201611161936A CN 106600147 B CN106600147 B CN 106600147B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- unmanned plane
- target
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提出了一种面向可分解任务的多无人机任务分配方法和装置。该方法包括:面向可分解的待执行任务,建立多无人机任务分配SD‑MUAV‑TL模型,所述SD‑MUAV‑TL模型的目标是在多个任务及无人机限制因素的约束下,多架无人机完成所有任务后所飞行的总距离最短;对SD‑MUAV‑TL模型采用B‑R编码方法生成初始解,并采用遗传算法对SD‑MUAV‑TL模型求解,得到多架无人机的任务分配结果;根据任务分配结果对多架无人机分配任务。根据本发明实施例,对同构无人机群进行任务分配,无人机群要遍历所有的侦察目标并完成相应的侦察任务,并使得完成所有侦察任务的总成本最小。
Description
技术领域
本发明涉及通信领域,具体涉及一种面向可分解任务的多无人机任务分配方法和装置。
背景技术
无人机任务分配是典型的协同规划问题,通过建立适当的数学模型对多个无人机进行合理的任务规划,进而提升整个无人机群的侦察效率,即,同时派出多架无人机对目标进行侦察,并实现完成所有侦察任务的总成本最小。
在相关的现有技术中,无人机的任务分配问题目前主要被抽象为:旅行商问题(TSP)、车辆路径问题(VRP)、混合整数线性规划问题(MILP)等。对问题采用的优化算法包括A*算法、遗传算法、蚁群算法等。
但是,VRP和TSP问题中,在一次分配方案中被侦查的目标点仅仅被侦查一次,未考虑在一次侦查中无人机对目标的侦查任务是否完成。
发明内容
针对现有技术的不足,本发明提供了一种面向可分解任务的多无人机任务分配方法和装置,对同构无人机群进行任务分配,无人机群要遍历所有的目标并完成相应的侦察任务,并使得完成所有侦察任务的总成本最小。
为实现以上目的,本发明通过以下技术方案予以实现:
一种面向可分解任务的多无人机任务分配方法,包括:
面向可分解的待执行任务,建立多无人机任务分配SD-MUAV-TL模型,所述SD-MUAV-TL模型的目标是在多个任务及无人机限制因素的约束下,多架无人机完成所有任务后所飞行的总距离最短;
对SD-MUAV-TL模型采用B-R编码方法生成初始解;
采用遗传算法对SD-MUAV-TL模型求解,得到多架无人机的任务分配结果;
根据任务分配结果对多架无人机分配任务。
可选的,所述SD-MUAV-TL模型为:
约束条件包括以下中的至少一个:
其中,
M为所述无人机飞行的总航程;
Nv为无人机的数量;
NT为目标的数量;
lij(i,j∈T)表示从目标i到j的航程距离,所述航程距离为目标i与j之间的欧式距离;
为决策变量,表示无人机p从目标i飞往目标j,否则
表示无人机p(p=1,2,…,Nv)侦察目标i(i∈T)时提供的侦察能力;
Di(i=1,2,…,NT)为侦察目标i的需要的侦察能力;
Kp(p=1,2,…,Nv)为无人机p的侦察能力限制,Di和Kp为正整数。
可选的,所述对SD-MUAV-TL模型采用B-R编码方法生成初始解包括:
将所述SD-MUAV-TL模型的解采用B-R编码方法编码为按一定结构组成的染色体,构成初始解,所述染色体用一个三维矩阵表示,所述初始解包括Nv段基因,表示Nv个无人机的侦察能力分配方案,每段基因包括NT列,表示NT个目标;
其中,每段基因中第一行的每一位为标识位,所述标识位用0或1表示,1表示当前段基因对应的无人机对当前列对应的目标进行侦察,0表示当前段基因对应的无人机不对当前列对应的目标进行侦察;每段基因中第二行的每一位为能力位,所述能力位用非负整数表示当前段基因对应的无人机对当前列对应的目标提供的侦察能力,根据目标的需求和无人机的侦察能力约束来确定的;每段基因中第三行的每一位为顺序位,所述顺序位用非负数表示当前段基因对应的无人机对当前列对应的目标进行侦察的顺序,根据当前段基因对应的无人机将要侦察的目标,所述顺序根据Dijkstra算法计算的最短路径顺序。
可选的,所述采用遗传算法对SD-MUAV-TL模型求解,得到多架无人机的任务分配结果包括:
步骤A:对SD-MUAV-TL模型进行初始化,采用B-R编码方法生成预定规模的初始种群;
步骤B:通过轮盘赌选择法从父代群体中选择优良的个体遗传到子代群体中;
步骤C:对群体中的个体进行部分保留交叉处理;
步骤D:对群体中的个体进行重组变异处理;
步骤E:对群体中的个体进行更新处理;
步骤F:选取本地迭代中所有解中的最优解;
步骤G:判断当前的迭代次数是否达到预设值,如果否,返回步骤B,如果是,结束迭代,将最终获得的最优解作为无人机的任务分配结果。
可选的,所述步骤C包括:
步骤C1、生成介于[0,1]之间的随机数μ,若μ<Pc,则进入步骤C2;
步骤C2、在子代群体Popnext中随机选择两个个体,分别为parent1和parent2;
步骤C3、随机产生一个交叉位i,并将两个个体的第1到第i列的基因保留,第i+1列到最后一列的基因互换,生成新个体offspring1和offspring2;
步骤C4、调整所述新个体offspring1和offspring2的编码,使得新个体满足模型中的约束条件,所述调整过程为:保留交叉后的染色体中的新片段,重新生成剩余片段的编码,判断交叉位是否位于任意一个基因段的最后一列,若位于最后一列,则利用剩余基因段对应的无人机满足目标的剩余需求,若不是最后一列,先利用当前段基因对应的无人机满足当前基因段中的剩余目标的需求,在利用剩余基因段对应的无人机满足目标的剩余需求;
步骤C5、用新个体offspring1和offspring2替换之前的个体parent1和parent2,k=k+1;
步骤C6、若k等于NP,则执行步骤C7,若k不等于NP,则跳转到步骤C1;
步骤C7、结束;
其中,Pc为部分保留交叉的概率,k为迭代次数,k为非零正整数。
可选的,所述步骤D包括:
步骤D1、生成介于[0,1]之间的随机数μ,若μ<Pm,进入步骤D2;
步骤D2、在子代群体Popnext中随机选择一个个体x;
步骤D3、对个体x进行变异处理,生成新个体x',处理过程为:随机产生一个变异位j,若染色体第一行的变异位j的基因为0,将变异位j的直接变为1;若染色体第一行的变异位j的基因为1,直接将变异位j的基因变为0;
步骤D4、调整所述新个体x'的编码,使得新个体满足模型中的约束条件,所述调整过程为:若变异位j的标识符为1,则该变异位j所在列的所有取值变为0,判断除当前列所属无人机外的其它所有无人机的剩余侦察能力是否能够满足变异列目标的当前需求,若能满足,则依次取剩余侦察能力最大的无人机满足变异列目标需求,若不能满足,则剩余列的编码重新生成,即先随机生成优先被n个无人机侦察的n个目标序号,并令除变异位j所在列所属无人机以外的其他无人机优先满足变异j所在列对应的目标,保证变异位j所在列的标识位取值为0,剩余的过程同初始化的过程,若变异位j的标识符为0,则固定该变异位j所在列的标识位为1,剩余列的编码重新生成,即先随机生成优先被n个无人机侦察的n个目标序号,并令变异列所在的无人机优先满足变异列目标,即保证变异列的标识位取值为1,剩余的过程同初始化过程;
步骤D5、用新个体x'替换之前的个体x,k=k+1;
步骤D6、若k等于NP,则执行步骤D7,若k不等于NP,则跳转到步骤D1;
步骤D7、结束;
其中,Pm为重组变异的概率,k为迭代次数,k为非零正整数。
一种面向可分解任务的多无人机任务分配装置,包括:
模型建立模块,用于面向可分解的待执行任务,建立多无人机任务分配SD-MUAV-TL模型,所述SD-MUAV-TL模型的目标是在多个任务及无人机限制因素的约束下,多架无人机完成所有任务后所飞行的总距离最短;
初始解生成模块,用于对SD-MUAV-TL模型采用B-R编码方法生成初始解;
模型求解模块,用于基于遗传算法对SD-MUAV-TL模型求解,得到多架无人机的任务分配结果;
分配模块,用于根据任务分配结果对多架无人机分配任务。
可选的,所述SD-MUAV-TL模型为:
约束条件包括以下中的至少一个:
其中,
M为所述无人机飞行的总航程;
Nv为无人机的数量;
NT为目标的数量;
lij(i,j∈T)表示从目标i到j的航程距离,所述航程距离为目标i与j之间的欧式距离;
为决策变量,表示无人机p从目标i飞往目标j,否则
表示无人机p(p=1,2,…,Nv)侦察目标i(i∈T)时提供的侦察能力;
Di(i=1,2,…,NT)为侦察目标i的需要的侦察能力;
Kp(p=1,2,…,Nv)为无人机p的侦察能力限制,Di和Kp为正整数。
可选的,所述初始解生成模块进一步用于,将所述SD-MUAV-TL模型的解采用B-R编码方法编码为按一定结构组成的染色体,构成初始解,所述染色体用一个三维矩阵表示,所述染色体包括Nv段基因,表示Nv个无人机的侦察能力分配方案,每段基因包括NT列,表示NT个目标;
其中,每段基因中第一行的每一位为标识位,所述标识位用0或1表示,1表示当前段基因对应的无人机对当前列对应的目标进行侦察,0表示当前段基因对应的无人机不对当前列对应的目标进行侦察;每段基因中第二行的每一位为能力位,所述能力位用非负整数表示当前段基因对应的无人机对当前列对应的目标提供的侦察能力,根据目标的需求和无人机的侦察能力约束来确定的;每段基因中第三行的每一位为顺序位,所述顺序位用非负数表示当前段基因对应的无人机对当前列对应的目标进行侦察的顺序,根据当前段基因对应的无人机将要侦察的目标,所述顺序根据Dijkstra算法计算的最短路径顺序。
可选的,所述模型求解模块包括:
初始化子模块,用于对SD-MUAV-TL模型进行初始化,采用B-R编码方法生成预定规模的初始种群;
选择子模块,用于通过轮盘赌选择法从父代群体中选择优良的个体遗传到子代群体中;
部分保留交叉处理子模块,用于对群体中的个体进行部分保留交叉处理;
重组变异处理子模块,用于对群体中的个体进行重组变异处理;
更新处理子模块,用于对群体中的个体进行更新处理;
最优解选取子模块,用于选取本地迭代中所有解中的最优解;
迭代子模块,用于判断当前的迭代次数是否达到预设值,如果否,重新触发选择子模块,如果是,结束迭代,将最终获得的最优解作为无人机的任务分配结果。
本发明实施例提供了一种面向可分解任务的多无人机任务分配方法和装置。具备以下有益效果:
本发明实施例将无人机的任务分配问题抽象为需求可拆分的车辆路径问题,对同构无人机群进行任务分配,无人机群要遍历所有的侦察目标并完成相应的侦察任务,并使得完成所有侦察任务的总成本最小。总成本可以用无人机的飞行成本来考虑,由于所有的无人机是同构的,所以用总航程来代替飞行成本,即最小化实现侦察任务的所有UAV飞行的总航程。
另外,本发明实施例中采用算法对问题进行求解优化,同传统VRP算法、蚁群算法以及自蜂群优化算法相比,遗传算法总的路径长度分别比传统VRP算法、蚁群算法以及自蜂群优化算法减少14.4%、7.2%和3.4%,说明本文所编写的遗传算法对问题进行了较好的优化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的面向可分解任务的多无人机任务分配方法的流程图;
图2为根据本发明实施例的编码操作示意图;
图3为根据本发明实施例的遗传算法的处理过程示意图;
图4为根据本发明实施例的部分保留交叉操作示意图;
图5为根据本发明实施例的重组变异操作示意图;
图6为根据本发明实施例的一种面向可分解任务的多无人机任务分配装置的结构框图;
图7为根据本发明实施例的模型求解单元的结构框图。
具体实施方式
本发明实施例利用同构无人机群对多个被侦查的目标点进行侦察以获取目标信息,考虑到不同的目标点所需的侦察能力不同,且各目标点均位于不同的地理位置,所以,为了提高无人机群的侦察效率,尽快完成所有目标点的侦察任务,同时派出多架无人机对目标点进行侦察,并实现完成所有侦察任务的总成本最小,即无人机群的飞行总航程做小。
在此基础上,本发明实施例面向可分解的待执行任务,建立了多无人机任务分配SD-MUAV-TL模型,需求可分解的待执行任务体现在每个目标的需求不仅仅只能被一架无人机满足,也可被多架无人机满足,并采用遗传算法对SD-MUAV-TL模型进行求解优化。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
请参阅图1,图1为根据本发明实施例的面向可分解任务的多无人机任务分配方法流程图,该方法有用户进行任务分配的服务器执行,该方法包括如下步骤:
步骤101,面向可分解的待执行任务,建立多无人机任务分配SD-MUAV-TL模型,所述SD-MUAV-TL模型的目标是在多个任务及无人机限制因素的约束下,多架无人机完成所有任务后所飞行的总距离最短。
下面以一个具体场景为例,详细说明SD-MUAV-TL模型的建立过程。
1、场景描述:
2014年8月3日云南省昭通市鲁甸县发生6.5级地震,余震上千次,导致大量人员伤亡,全县大部分地区的建筑坍塌。由于此次震级大且震源广,所以引发了其周围四川、贵州范围内多个地区均受到了灾害。鲁甸县位于云南省东北部,全县人口密集,山区面积高达87.9%,坝区占12.1%。鲁甸县是国家级贫困县,经济条件落后,大多数建筑的抗震能力很差,同时由于震区位于高山峡谷地带,所以引起了泥石流、滑坡、滚石等一系列灾害,导致了当地通信和交通的中断,而伴随余震以及地震引发的一系列灾害,交通的恢复无法在短时间内完成。为了尽快获得受灾地区的灾后影像,对受灾人员实施救援,政府决定派出无人机进行图像采集。由于此次地震震级较大,并且不定时的发生余震,所以考虑对人员的迅速救援,及时获得第一手灾后情况,所以同时派出多架无人机完成对所有受灾地区的侦察任务,为救援措施和灾情评估提供依据,尽量减轻人员的损失。
2、问题描述:
一组同构无人机群从统一指定的飞机场T0={0}出发,对受灾地区进行侦察访问,受灾人员分布在多个不同的受灾地区T={1,2,…,NT},且已知各个受灾地区即侦察目标的地理位置,无人机群要遍历所有的侦察目标并完成相应的侦察任务,每个侦察目标可由单个或多个无人机侦察,无人机在完成侦察任务后回到飞机场。侦察目标i的需要的侦察能力为Di(i=1,2,…,NT),无人机p的侦察能力限制为Kp(p=1,2,…,Nv),为了方便计算,将侦察能力进行量化,设Di和Kp为正整数。表示无人机p(p=1,2,…,Nv)侦察目标i(i∈T)时提供的侦察能力,在侦察过程中,无人机提供的侦察能力不能超过其自身的侦察能力限制,且一个侦察目标可以被单个或多个无人机侦察。lij(i,j∈T)表示从侦察目标i到j的航程距离,航程距离指的是目标i与j之间的欧式距离。设决策变量表示无人机p从目标i飞往目标j,否则
3、模型建立:
(1)优化目标
在完成所有侦察任务的前提下,要使得完成所有侦察任务的总成本最小,这里的总成本可以用无人机的飞行成本来考虑,由于所有的无人机是同构的,所以可以用总航程来代替飞行成本,即最小化实现侦察任务的所有UAV飞行的总航程;
其中,M为无人机飞行的总航程;
Nv为无人机的数量;
NT为目标的数量;
(2)任务分配模型
根据上述约束条件和优化目标,任务分配模型如下:
其中,约束条件为:
其中,(公式2)是优化目标;(公式3)表示从飞机场出发的无人机数量要等于回到飞机场的无人机数量,并且不能超过无人机的总数量;(公式4)表示每个侦察目标可以被单个或多个无人机侦察,但不能超过无人机的数量;(公式5)表示在侦察过程中,无人机提供的侦察能力不能超过其自身的侦察能力限制;(公式6)表示无人机为侦察目标提供侦察能力只有在该无人机经过此目标点;(公式7)表示侦察目标集合中的每个侦察目标需要的侦察能力都必须满足;(公式8)表示无人机在侦察某个目标后,必须要从该侦察目标处离开,满足流量守恒;(公式9)表示无人机的整个侦察轨迹中除了以飞机场为起止点的回路外,不存在其他回路;(公式10)和(公式11)表示变量的取值范围。
步骤102,对SD-MUAV-TL模型采用B-R编码方法生成初始解。
遗传算法不能直接处理问题模型中的各个参数,所以需要将问题模型中的解转化为按一定结构组成的染色体,即B-R编码过程,从而生成初始解。目前采用的编码方式主要有二进制编码、实数编码、字符编码等,但为了使编码简单且编程容易实现,同时便于进行后续的交叉、变异等遗传处理,本发明结合了二进制编码和实数编码方法,即,B-R编码方法。
其中,具体的编码如下:
将无人机任务分配问题的每一个解看作一个个体,用一个三维矩阵来表示,为了满足染色体的长度一致,每条染色体由Nv段基因组成,表示Nv个无人机的侦察能力分配方案,每段基因均有NT位,即NT个目标。染色体第一行基因flag是标识位,每一位用0或1表示,取1表示当前段的无人机对该目标进行侦察,取0则表示不对该目标侦察;染色体第二行基因ability是无人机为侦察目标提供的能力,用非负整数表示,每一位表示当前段无人机为该目标提供的侦察能力;染色体第三行基因order是无人机的侦察顺序,也用非负整数表示,每段分别表示当前段无人机对目标进行侦察的顺序。要注意的是如果第一行的某一位取值为0,即当前段的无人机不对该目标进行侦察,则第二、三行的该位也取0,其中第二行的取值是根据侦察目标的需求和无人机的侦察能力约束来确定的,第三行的取值是根据第一行取值确定的当前段无人机将要侦察的目标,然后利用Dijkstra计算的最短路径顺序。
如图2所示,图2为编码示例。
步骤103,采用遗传算法对SD-MUAV-TL模型求解,得到多架无人机的任务分配结果。
在本发明实施例中,遗传算法的处理过程如图3所示,包括:
步骤301,通过初始化过程,采用B-R编码方法生成一定规模的初始种群。
首先,染色体第一行的取值是用二进制数表示,首先采用B-R编码方法生成优先被Nv个无人机侦察的NT个目标序号,一个无人机段对应一个目标序号,依次使每个无人机段对应目标的第一行取值为1。
其次,依次取剩余侦察能力最大的无人机满足剩余需求最大的目标,直至所有目标的需求全部被满足,首先确定无人机侦察的目标列第二行的取值,如果无人机的剩余侦察能力比目标剩余需求大,则取目标剩余需求,若小于等于目标剩余需求,则取剩余侦察能力,对应第一行取值为1。
再次,根据染色体第一行的取值获取无人机侦察目标序号矩阵,利用最短路径算法生成每个无人机的侦察顺序,由此保证在当前染色体任务分配下是最短路径,然后根据生成的最短路径顺序确定染色体第三行的取值,首先被侦察的目标位取1,接下来被侦察的目标位取2,依次类推,剩余未被侦察的目标位均取0,要注意的是上述过程要进行Nv次,即Nv段基因的取值是分开来确定的,因为每一个无人机均有自己的一个侦察顺序序列。
最后,重复上述初始化过程NP次,得到种群规模为NP的初始种群。
步骤302,轮盘赌选择法。
其中,选择过程采用的是传统的轮盘赌选择法。例如,遗传算法中选择操作是基于个体的适应度值,并根据一定的规则和方法从父代群体中选择优良的个体遗传到子代群体中,目前常用的选择方法主要有轮盘赌选择法、局部选择法、随机抽样法等,本文采用轮盘赌选择法,该方法是基于累计概率进行选择的,所以个体适应度值越大被选择的可能性也越大,因此也保证了父代群体中的优良个体被选择到子代群体中。设群体的适应度函数值集合表示为{f1,f2,…,fn},ρi表示累计概率,Pop表示父代群体,Popnext表示子代群体,NP表示群体数,具体的操作步骤如下:
(1)计算父代群体中每个染色体的适应度函数值;
(2)计算累计概率,设ρ0=0,ρi=ρi+ρi-1;
(3)生成[0,1]之间的随机数μ,若ρi-1<μ≤ρi,则选择个体i,并将个体i加入到子代群体中;
(4)判断子代种群数是否已满足NP,未满足则跳转第三步,已满足则执行第五步;
(5)选择过程结束,生成子代群体Popnext。
步骤303,部分保留交叉过程。
部分保留交叉操作将群体中的个体随机搭配成对,基于交叉概率确定进行交叉操作的个体,并根据随机产生的交叉位确定个体之间交换的基因,由此得到新个体,新个体结合了父代群体的基因。
本文选择单点交叉算子,设交叉概率为Pc,设迭代次数为k(k为非零正整数),设初始时k=1,具体步骤如下:
(1)生成[0,1]之间的随机数μ,若μ<Pc,则执行第(2)步;
(2)在子代群体Popnext中随机选择两个个体,分别为parent1和parent2;
(3)随机产生一个交叉位i,并将两个个体的第1到i列的基因保留,第i+1列到最后一列的基因互换,生成新个体offspring1和offspring2;
(4)调整新个体offspring1和offspring2的编码,使得新个体满足模型中的约束条件。
其中,交叉后染色体中无人机提供的侦察能力可能超过其最大能力限制或者目标的需求未被全部满足,所以需要对编码进行调整。调整过程为:保留交叉后染色体中的新片段,重新生成剩余片段的编码。判断交叉位是否位于某个无人机段的最后一列(即任意一个基因段的最后一列),若位于最后一列,则用剩余基因段对应的无人机满足目标的剩余需求,若不是最后一列,首先利用当前基因段对应的无人机满足当前基因段中的剩余目标的需求,然后剩余基因段对应的无人机满足目标的剩余需求,具体的操作都是依次取剩余侦察能力最大的无人机满足剩余需求最大的目标。
(5)用新个体offspring1和offspring2替换之前的个体parent1和parent2,k=k+1;
(6)判断若k=NP,则执行第(7)步,若不等于,则跳转第(1)步;
(7)部分保留交叉处理结束。
具体的操作如图4所示。
步骤304,重组变异过程。
重组变异操作是随机选择群体中的某个个体,基于变异概率确定该个体是否进行变异操作,并根据随机产生的变异位确定个体进行变异的基因,由此得到新个体。
本文采用基本位变异方式,由于染色体第一行采用的是二进制编码,所以变异位基因直接进行翻转,即0变为1,1变为0,但是第二行和第三行的取值需要重新调整。设重组变异的概率为Pm,设迭代次数为k(k为非零正整数),设初始时k=1,具体的操作如下:
(1)生成[0,1]之间的随机数μ,若μ<Pm,随机选择Popnext中的一个个体x;
(2)对个体x进行重组变异处理,生成新个体x';
其中,处理过程为:随机产生一个变异位j,若染色体第一行的变异位j的基因为0,将变异位j的基因直接变为1,从而生成新个体x',若染色体第一行的变异位j的基因为1,将异位j的基因变为0,从而生成新个体x'。
(3)调整新个体x'的编码,使得新个体满足模型中的约束条件;
其中,调整过程为:若变异位j的标识符为1,则该变异位j所在列的所有取值变为0,判断除当前列所属无人机外的其它所有无人机的剩余侦察能力是否能够满足变异列目标的当前需求,若能满足,则依次取剩余侦察能力最大的无人机满足变异列目标需求,若不能满足,则剩余列的编码重新生成,即,首先随机生成优先被n个无人机侦察的n个目标序号,并令除变异位j所在列所属无人机以外的其他无人机优先满足变异位j所在列对应的目标,即保证变异位j所在列的标识位取值为0,剩余的过程同初始化过程。若变异位j的标识符为0,则固定该变异位j所在列的标识位为1,剩余列的编码重新生成,即,首先随机生成优先被n个无人机侦察的n个目标序号,并令变异位j所在列所属的无人机优先满足变异位j所在列目标,即保证变异位j所在列的标识位取值为1,剩余的过程同初始化过程。
(4)用新个体x'替换之前的个体x,k=k+1;
(5)判断若k=NP,则执行第(6)步,若不等于,则跳转第(1)步;
(6)重组变异处理结束。
具体的操作如图5所示。
步骤306,更新过程。
为了保证父代中的优良个体也被保留下来,所以本文采取更新策略,设定更新概率为Pu,具体的操作如下:
(1)分别计算父代群体Pop和子代群体Popnext中个体的适应度函数值,并按适应度函数值对个体按从大到小的顺序排列;
(2)根据更新概率按比例分别取排序后的父代群体和子代群体中适应度值靠前的个体;
(3)更新操作结束,更新子代群体Popnext。
步骤307,将上述选择、交叉、变异、更新过程依次执行设定的迭代次数,在每次迭代后取所有解当中的最优解,即最短的总航程,当所有迭代完成后,得到本次迭代的最优解,由于遗传算法的更新策略,每次迭代的结果都会优于前一次,通过多次迭代,逐渐逼近最优解。
通过上述方式求解获得任务分配结果之后,继续执行以下步骤。
步骤103,根据任务分配结果对多架无人机分配任务。
根据本发明实施,将无人机的任务分配问题抽象为需求可拆分的车辆路径问题,对同构无人机群进行任务分配,无人机群要遍历所有的侦察目标并完成相应的侦察任务,并使得完成所有侦察任务的总成本最小。总成本可以用无人机的飞行成本来考虑,由于所有的无人机是同构的,所以用总航程来代替飞行成本,即最小化实现侦察任务的所有UAV飞行的总航程。
另外,本发明实施例中采用算法对问题进行求解优化,同传统VRP算法、蚁群算法以及自蜂群优化算法相比,遗传算法总的路径长度分别比传统VRP算法、蚁群算法以及自蜂群优化算法减少14.4%、7.2%和3.4%,说明本文所编写的遗传算法对问题进行了较好的优化。
实施例2:
请参阅图6所示,图6为根据本发明实施例的一种基于用户需求的多无人机任务分配装置的结构框图,该装置包括:
模型建立模块601,用于面向可分解的待执行任务,建立多无人机任务分配SD-MUAV-TL模型,所述SD-MUAV-TL模型的目标是在多个任务及无人机限制因素的约束下,多架无人机完成所有任务后所飞行的总距离最短;
初始解生成模块602,用于对SD-MUAV-TL模型采用B-R编码方法生成初始解;
模型求解模块603,用于基于遗传算法对SD-MUAV-TL模型求解,得到多架无人机的任务分配结果;
分配模块604,用于根据任务分配结果对多架无人机分配任务。
在本发明一个可选实施例中,如图7所示,模型求解单元603包括:
初始化子模块6031,用于对SD-MUAV-TL模型进行初始化,采用B-R编码方法生成预定规模的初始种群;
选择子模块6032,用于通过轮盘赌选择法从父代群体中选择优良的个体遗传到子代群体中;
部分保留交叉处理子模块6033,用于对群体中的个体进行部分保留交叉处理;
重组变异处理子模块6034,用于对群体中的个体进行重组变异处理;
更新处理子模块6035,用于对群体中的个体进行更新处理;
最优解选取子模块6036,用于选取本地迭代中所有解中的最优解;
迭代子模块6037,用于判断当前的迭代次数是否达到预设值,如果否,重新触发选择子模块,如果是,结束迭代,将最终获得的最优解作为无人机的任务分配结果。
在本发明另一个可选实施例中,所述初始解生成模块602具体用于,将所述SD-MUAV-TL模型的解采用B-R编码方法编码为按一定结构组成的染色体,构成初始解,所述染色体用一个三维矩阵表示,所述染色体包括Nv段基因,表示Nv个无人机的侦察能力分配方案,每段基因包括NT列,表示NT个目标;
其中,每段基因中第一行的每一位为标识位,所述标识位用0或1表示,1表示当前段基因对应的无人机对当前列对应的目标进行侦察,0表示当前段基因对应的无人机不对当前列对应的目标进行侦察;每段基因中第二行的每一位为能力位,所述能力位用非负整数表示当前段基因对应的无人机对当前列对应的目标提供的侦察能力,根据目标的需求和无人机的侦察能力约束来确定的;每段基因中第三行的每一位为顺序位,所述顺序位用非负数表示当前段基因对应的无人机对当前列对应的目标进行侦察的顺序,根据当前段基因对应的无人机将要侦察的目标,所述顺序根据Dijkstra算法计算的最短路径顺序。
在本发明另一个可选实施例中,所述SDVRP模型为:
其中,M为所述无人机飞行的总航程;
Nv为无人机的数量;
NT为目标的数量;
lij(i,j∈T)表示从目标i到j的航程距离,所述航程距离为目标i与j之间的欧式距离;
为决策变量,表示无人机p从目标i飞往目标j,否则
所述约束条件包括:
约束1:
约束2:
约束3:
约束4:
约束5:
约束6:
约束7:
约束8:
约束9:
其中,
表示无人机p(p=1,2,…,Nv)侦察目标i(i∈T)时提供的侦察能力;
Di(i=1,2,…,NT)为侦察目标i的需要的侦察能力;
Kp(p=1,2,…,Nv)为无人机p的侦察能力限制,Di和Kp为正整数。
根据本发明实施,将无人机的任务分配问题抽象为需求可拆分的车辆路径问题,对同构无人机群进行任务分配,无人机群要遍历所有的侦察目标并完成相应的侦察任务,并使得完成所有侦察任务的总成本最小。总成本可以用无人机的飞行成本来考虑,由于所有的无人机是同构的,所以用总航程来代替飞行成本,即最小化实现侦察任务的所有UAV飞行的总航程。
另外,本发明实施例中采用算法对问题进行求解优化,同传统VRP算法、蚁群算法以及自蜂群优化算法相比,遗传算法总的路径长度分别比传统VRP算法、蚁群算法以及自蜂群优化算法减少14.4%、7.2%和3.4%,说明本文所编写的遗传算法对问题进行了较好的优化。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种面向可分解任务的多无人机任务分配方法,其特征在于,包括:
面向可分解的待执行任务,建立多无人机任务分配SD-MUAV-TL模型,所述SD-MUAV-TL模型的目标是在多个任务及无人机限制因素的约束下,多架无人机完成所有任务后所飞行的总距离最短;
对SD-MUAV-TL模型采用B-R编码方法生成初始解;采用遗传算法对SD-MUAV-TL模型求解,得到多架无人机的任务分配结果;
根据任务分配结果对多架无人机分配任务;
所述SD-MUAV-TL模型为:
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>M</mi>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<msub>
<mi>l</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
约束条件包括以下中的至少一个:
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mn>0</mn>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>0</mn>
</mrow>
<mi>p</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>1</mn>
<mo>;</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>K</mi>
<mi>p</mi>
</msub>
<mo>;</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
<mo>;</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
</msubsup>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>;</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>;</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>C</mi>
</mrow>
</msub>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>C</mi>
</mrow>
</msub>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>&le;</mo>
<mo>|</mo>
<mi>C</mi>
<mo>|</mo>
<mo>-</mo>
<mn>1</mn>
<mo>;</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
<mi>C</mi>
<mo>&SubsetEqual;</mo>
<mi>T</mi>
<mo>-</mo>
<mo>{</mo>
<mn>0</mn>
<mo>}</mo>
<mo>;</mo>
<mi>C</mi>
<mo>&GreaterEqual;</mo>
<mn>2</mn>
<mo>;</mo>
</mrow>
或1;p=1,2,…,Nv;i,j=0,1,2,…,NT;i≠j;
<mrow>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>;</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>;</mo>
</mrow>
其中,
M为所述无人机飞行的总航程;
Nv为无人机的数量;
NT为目标的数量;
lij(i,j∈T)表示从目标i到j的航程距离,所述航程距离为目标i与j之间的欧式距离;
为决策变量,表示无人机p从目标i飞往目标j,否则
表示无人机p(p=1,2,…,Nv)侦察目标i(i∈T)时提供的侦察能力;
Di(i=1,2,…,NT)为侦察目标i的需要的侦察能力;
Kp(p=1,2,…,Nv)为无人机p的侦察能力限制,Di和Kp为正整数。
2.如权利要求1所述的方法,其特征在于,所述对SD-MUAV-TL模型采用B-R编码方法生成初始解包括:
将所述SD-MUAV-TL模型的解采用B-R编码方法编码为按一定结构组成的染色体,构成初始解,所述染色体用一个三维矩阵表示,所述初始解包括Nv段基因,表示Nv个无人机的侦察能力分配方案,每段基因包括NT列,表示NT个目标;
其中,每段基因中第一行的每一位为标识位,所述标识位用0或1表示,1表示当前段基因对应的无人机对当前列对应的目标进行侦察,0表示当前段基因对应的无人机不对当前列对应的目标进行侦察;每段基因中第二行的每一位为能力位,所述能力位用非负整数表示当前段基因对应的无人机对当前列对应的目标提供的侦察能力,根据目标的需求和无人机的侦察能力约束来确定的;每段基因中第三行的每一位为顺序位,所述顺序位用非负数表示当前段基因对应的无人机对当前列对应的目标进行侦察的顺序,根据当前段基因对应的无人机将要侦察的目标,所述顺序根据Dijkstra算法计算的最短路径顺序。
3.如权利要求1所述的方法,其特征在于,所述采用遗传算法对SD-MUAV-TL模型求解,得到多架无人机的任务分配结果包括:
步骤A:对SD-MUAV-TL模型进行初始化,采用B-R编码方法生成预定规模的初始种群;
步骤B:通过轮盘赌选择法从父代群体中选择优良的个体遗传到子代群体中;
步骤C:对群体中的个体进行部分保留交叉处理;
步骤D:对群体中的个体进行重组变异处理;
步骤E:对群体中的个体进行更新处理;
步骤F:选取本地迭代中所有解中的最优解;
步骤G:判断当前的迭代次数是否达到预设值,如果否,返回步骤B,如果是,结束迭代,将最终获得的最优解作为无人机的任务分配结果。
4.如权利要求3所述的方法,其特征在于,所述步骤C包括:
步骤C1、生成介于[0,1]之间的随机数μ,若μ<Pc,则进入步骤C2;
步骤C2、在子代群体Popnext中随机选择两个个体,分别为parent1和parent2;
步骤C3、随机产生一个交叉位i,并将两个个体的第1到第i列的基因保留,第i+1列到最后一列的基因互换,生成新个体offspring1和offspring2;
步骤C4、调整所述新个体offspring1和offspring2的编码,使得新个体满足模型中的约束条件,所述调整过程为:保留交叉后的染色体中的新片段,重新生成剩余片段的编码,判断交叉位是否位于任意一个基因段的最后一列,若位于最后一列,则利用剩余基因段对应的无人机满足目标的剩余需求,若不是最后一列,先利用当前基因段对应的无人机满足当前基因段中的剩余目标的需求,在利用剩余基因段对应的无人机满足目标的剩余需求;
步骤C5、用新个体offspring1和offspring2替换之前的个体parent1和parent2,k=k+1;
步骤C6、若k等于NP,则执行步骤C7,若k不等于NP,则跳转到步骤C1;
步骤C7、结束;
其中,Pc为部分保留交叉的概率,k为迭代次数,k为非零正整数。
5.如权利要求3所述的方法,其特征在于,所述步骤D包括:
步骤D1、生成介于[0,1]之间的随机数μ,若μ<Pm,进入步骤D2;
步骤D2、在子代群体Popnext中随机选择一个个体x;
步骤D3、对个体x进行变异处理,生成新个体x',处理过程为:随机产生一个变异位j,若染色体第一行的变异位j的基因为0,将变异位j的基因直接变为1;若染色体第一行的变异位j的基因为1,将变异位j的基因变为0;
步骤D4、调整所述新个体x'的编码,使得新个体满足模型中的约束条件,所述调整过程为:若变异位j的标识符为1,则该变异位j所在列的所有取值变为0,判断除当前列所属无人机外的其它所有无人机的剩余侦察能力是否能够满足变异列目标的当前需求,若能满足,则依次取剩余侦察能力最大的无人机满足变异列目标需求,若不能满足,则剩余列的编码重新生成,即先随机生成优先被n个无人机侦察的n个目标序号,并令除变异位j所在列所属无人机以外的其他无人机优先满足变异j所在列对应的目标,保证变异位j所在列的标识位取值为0,剩余的过程同初始化的过程,若变异位j的标识符为0,则固定该变异位j所在列的标识位为1,剩余列的编码重新生成,即先随机生成优先被n个无人机侦察的n个目标序号,并令变异位j所在列所属的无人机优先满足变异位j所在列目标,即保证变异位j所在列的标识位取值为1,剩余的过程同初始化过程;
步骤D5、用新个体x'替换之前的个体x,k=k+1;
步骤D6、若k等于NP,则执行步骤D7,若k不等于NP,则跳转到步骤D1;
步骤D7、结束;
其中,Pm为重组变异的概率,k为迭代次数,k为非零正整数。
6.一种面向可分解任务的多无人机任务分配装置,其特征在于,包括:
模型建立模块,用于面向可分解的待执行任务,建立多无人机任务分配SD-MUAV-TL模型,所述SD-MUAV-TL模型的目标是在多个任务及无人机限制因素的约束下,多架无人机完成所有任务后所飞行的总距离最短;
初始解生成模块,用于对SD-MUAV-TL模型采用B-R编码方法生成初始解;
模型求解模块,用于基于遗传算法对SD-MUAV-TL模型求解,得到多架无人机的任务分配结果;
分配模块,用于根据任务分配结果对多架无人机分配任务;
所述SD-MUAV-TL模型为:
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>M</mi>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<msub>
<mi>l</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
约束条件包括以下中的至少一个:
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mn>0</mn>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>0</mn>
</mrow>
<mi>p</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>1</mn>
<mo>;</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>K</mi>
<mi>p</mi>
</msub>
<mo>;</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
<mo>;</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
</msubsup>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>;</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>;</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>C</mi>
</mrow>
</msub>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>C</mi>
</mrow>
</msub>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>&le;</mo>
<mo>|</mo>
<mi>C</mi>
<mo>|</mo>
<mo>-</mo>
<mn>1</mn>
<mo>;</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
<mi>C</mi>
<mo>&SubsetEqual;</mo>
<mi>T</mi>
<mo>-</mo>
<mo>{</mo>
<mn>0</mn>
<mo>}</mo>
<mo>;</mo>
<mi>C</mi>
<mo>&GreaterEqual;</mo>
<mn>2</mn>
<mo>;</mo>
</mrow>
或1;p=1,2,…,Nv;i,j=0,1,2,…,NT;i≠j;
<mrow>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>;</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>T</mi>
</msub>
<mo>;</mo>
</mrow>
3
其中,
M为所述无人机飞行的总航程;
Nv为无人机的数量;
NT为目标的数量;
lij(i,j∈T)表示从目标i到j的航程距离,所述航程距离为目标i与j之间的欧式距离;
为决策变量,表示无人机p从目标i飞往目标j,否则
表示无人机p(p=1,2,…,Nv)侦察目标i(i∈T)时提供的侦察能力;
Di(i=1,2,…,NT)为侦察目标i的需要的侦察能力;
Kp(p=1,2,…,Nv)为无人机p的侦察能力限制,Di和Kp为正整数。
7.如权利要求6所述的装置,其特征在于,所述初始解生成模块进一步用于,将所述SD-MUAV-TL模型的解采用B-R编码方法编码为按一定结构组成的染色体,构成初始解,所述染色体用一个三维矩阵表示,所述染色体包括Nv段基因,表示Nv个无人机的侦察能力分配方案,每段基因包括NT列,表示NT个目标;
其中,每段基因中第一行的每一位为标识位,所述标识位用0或1表示,1表示当前段基因对应的无人机对当前列对应的目标进行侦察,0表示当前段基因对应的无人机不对当前列对应的目标进行侦察;每段基因中第二行的每一位为能力位,所述能力位用非负整数表示当前段基因对应的无人机对当前列对应的目标提供的侦察能力,根据目标的需求和无人机的侦察能力约束来确定的;每段基因中第三行的每一位为顺序位,所述顺序位用非负数表示当前段基因对应的无人机对当前列对应的目标进行侦察的顺序,根据当前段基因对应的无人机将要侦察的目标,所述顺序根据Dijkstra算法计算的最短路径顺序。
8.如权利要求6所述的装置,其特征在于,所述模型求解模块包括:
初始化子模块,用于对SD-MUAV-TL模型进行初始化,采用B-R编码方法生成预定规模的初始种群;
选择子模块,用于通过轮盘赌选择法从父代群体中选择优良的个体遗传到子代群体中;
部分保留交叉处理子模块,用于对群体中的个体进行部分保留交叉处理;
重组变异处理子模块,用于对群体中的个体进行重组变异处理;
更新处理子模块,用于对群体中的个体进行更新处理;
最优解选取子模块,用于选取本地迭代中所有解中的最优解;
迭代子模块,用于判断当前的迭代次数是否达到预设值,如果否,重新触发选择子模块,如果是,结束迭代,将最终获得的最优解作为无人机的任务分配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611161936.8A CN106600147B (zh) | 2016-12-15 | 2016-12-15 | 面向可分解任务的多无人机任务分配方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611161936.8A CN106600147B (zh) | 2016-12-15 | 2016-12-15 | 面向可分解任务的多无人机任务分配方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600147A CN106600147A (zh) | 2017-04-26 |
CN106600147B true CN106600147B (zh) | 2017-10-13 |
Family
ID=58801654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611161936.8A Expired - Fee Related CN106600147B (zh) | 2016-12-15 | 2016-12-15 | 面向可分解任务的多无人机任务分配方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600147B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145161B (zh) * | 2017-05-27 | 2020-02-21 | 合肥工业大学 | 无人机访问多目标点的航迹规划方法及装置 |
CN107103164B (zh) * | 2017-05-27 | 2020-08-28 | 合肥工业大学 | 无人机执行多任务的分配方法及装置 |
CN107229286B (zh) * | 2017-06-05 | 2020-07-07 | 合肥工业大学 | 考虑人工干预的无人-有人机编队信息分发处理方法 |
CN107168366B (zh) * | 2017-06-05 | 2020-07-07 | 合肥工业大学 | 无人机编队自适应信息分发处理方法 |
CN107066774A (zh) * | 2017-06-22 | 2017-08-18 | 武汉市陆刻科技有限公司 | 倾斜摄影测量预测滚石运动轨迹模拟系统及其预测方法 |
CN107748499B (zh) * | 2017-10-27 | 2020-09-01 | 合肥工业大学 | 固定翼无人机多区域探测任务规划的优化方法及装置 |
CN108521667B (zh) * | 2018-03-07 | 2020-12-29 | 杭州电子科技大学 | 一种低传输能耗的无人机数据传输方法 |
CN108548538B (zh) * | 2018-03-08 | 2020-04-14 | 中国人民解放军国防科技大学 | 多场站多无人机任务分配与飞行路径的规划方法及系统 |
CN110291483A (zh) * | 2018-03-14 | 2019-09-27 | 深圳市大疆创新科技有限公司 | 一种无人机控制方法、设备、无人机、系统及存储介质 |
CN108445911A (zh) * | 2018-05-30 | 2018-08-24 | 河北清华发展研究院 | 一种可拼接无人机群控制方法 |
CN109242290B (zh) * | 2018-08-28 | 2020-11-27 | 北京航空航天大学 | 一种无人机群行动方案自动生成方法 |
CN109445946B (zh) * | 2018-11-01 | 2023-03-31 | 西北工业大学 | 一种无人机云端任务部署方法及装置 |
CN109901616B (zh) * | 2019-03-29 | 2020-04-14 | 北京航空航天大学 | 一种异构无人机群分布式任务规划方法 |
CN111738619B (zh) * | 2020-07-06 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 任务调度方法、装置、设备及存储介质 |
CN111860984B (zh) * | 2020-07-06 | 2022-03-11 | 燕山大学 | 一种基于改进遗传算法的多异构无人机任务分配方法 |
CN112099522B (zh) * | 2020-08-12 | 2023-06-30 | 中国人民解放军陆军工程大学 | 多无人机协同对地攻击任务规划方法及终端设备 |
CN112230677B (zh) * | 2020-10-22 | 2023-07-07 | 中国人民解放军陆军工程大学 | 无人机族群任务规划方法及终端设备 |
CN112508369B (zh) * | 2020-11-27 | 2023-05-16 | 北京工商大学 | 基于改进蚁群算法的多无人机任务分配方法 |
CN112561395A (zh) * | 2020-12-25 | 2021-03-26 | 桂林电子科技大学 | 无人机协同方法、系统、装置、电子设备及存储介质 |
CN112947545B (zh) * | 2021-01-25 | 2022-10-21 | 中国人民解放军国防科技大学 | 基于条件触发机制的无人机集群任务适变架构设计方法 |
CN113807646B (zh) * | 2021-07-28 | 2023-07-04 | 合肥工业大学 | 无人机与车辆协同任务分配的智能优化方法和系统 |
CN117555243B (zh) * | 2024-01-12 | 2024-04-09 | 湖南大学 | 一种多智能体连续空间级路径段搜索与协同策略方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744290A (zh) * | 2013-12-30 | 2014-04-23 | 合肥工业大学 | 一种多无人机编队分层目标分配方法 |
US9056679B1 (en) * | 2013-08-13 | 2015-06-16 | The United States Of America As Represented By The Secretary Of The Navy | System and method for airborne deployment of object designed for waterborne task |
CN105302153A (zh) * | 2015-10-19 | 2016-02-03 | 南京航空航天大学 | 异构多无人机协同察打任务的规划方法 |
CN105512769A (zh) * | 2015-12-16 | 2016-04-20 | 上海交通大学 | 基于遗传规划的无人机航迹规划系统及方法 |
CN106020230A (zh) * | 2016-05-20 | 2016-10-12 | 武汉科技大学 | 一种能耗约束下的多无人机任务分配方法 |
-
2016
- 2016-12-15 CN CN201611161936.8A patent/CN106600147B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9056679B1 (en) * | 2013-08-13 | 2015-06-16 | The United States Of America As Represented By The Secretary Of The Navy | System and method for airborne deployment of object designed for waterborne task |
CN103744290A (zh) * | 2013-12-30 | 2014-04-23 | 合肥工业大学 | 一种多无人机编队分层目标分配方法 |
CN105302153A (zh) * | 2015-10-19 | 2016-02-03 | 南京航空航天大学 | 异构多无人机协同察打任务的规划方法 |
CN105512769A (zh) * | 2015-12-16 | 2016-04-20 | 上海交通大学 | 基于遗传规划的无人机航迹规划系统及方法 |
CN106020230A (zh) * | 2016-05-20 | 2016-10-12 | 武汉科技大学 | 一种能耗约束下的多无人机任务分配方法 |
Non-Patent Citations (2)
Title |
---|
姚敏等.无人机群协同作战任务分配方法研究.《电子科技大学学报》.2013,第42卷(第5期),第724-726页. * |
孙小雷等.无人机任务分配与航迹规划协同控制方法.《系统工程与电子技术》.2015,第37卷(第12期),第2773-2775页. * |
Also Published As
Publication number | Publication date |
---|---|
CN106600147A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600147B (zh) | 面向可分解任务的多无人机任务分配方法和装置 | |
CN103489042B (zh) | 一种灾害应急决策系统路径优化的方法 | |
US7537523B2 (en) | Dynamic player groups for interest management in multi-character virtual environments | |
Barthélemy et al. | Modeling urban street patterns | |
CN101702655B (zh) | 网络拓扑图的布局方法和系统 | |
CN104933661B (zh) | 一种公共建筑物非均称安全通道的人群均衡撤离方法 | |
CN108734202A (zh) | 一种基于改进bp神经网络的高压断路器故障诊断方法 | |
CN104700160B (zh) | 一种车辆路径优化方法 | |
CN104036324B (zh) | 一种基于遗传算法的通信网络容量可靠性最优设计方法 | |
CN107220731A (zh) | 一种物流配送路径规划方法 | |
CN106682769A (zh) | 一种产品车辆路径实现方法和装置 | |
CN107194608A (zh) | 一种面向残疾人社区的众包标注任务分配策略 | |
CN107886201A (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN114550482B (zh) | 一种基于低碳目标的导航方法及停车场导航方法 | |
CN104866903B (zh) | 基于遗传算法的最美路径导航算法 | |
CN108038575A (zh) | 基于改进型nsga ii的停车点位置规划方法 | |
CN109866798B (zh) | 一种基于引导员的轨道交通车站乘客疏散方法 | |
CN111047087A (zh) | 无人机与车辆协同下路径的智能优化方法和装置 | |
CN106250650A (zh) | 高通量仿真中模型的资源分配与优化方法 | |
CN106227599A (zh) | 一种云计算系统中资源调度的方法及系统 | |
CN110097190A (zh) | 一种基于双时间限制的群智感知任务分配方法 | |
CN106611378A (zh) | 一种基于优先权编码的混合遗传算法解作业车间调度问题 | |
CN113159369B (zh) | 一种基于优化遗传算法的多林区调度航线规划方法 | |
CN109299778A (zh) | 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法 | |
CN102769806B (zh) | 光传送网的资源分配方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171013 Termination date: 20201215 |