CN106980324B - 无人机编队动态自适应信息分发处理方法 - Google Patents
无人机编队动态自适应信息分发处理方法 Download PDFInfo
- Publication number
- CN106980324B CN106980324B CN201710414895.7A CN201710414895A CN106980324B CN 106980324 B CN106980324 B CN 106980324B CN 201710414895 A CN201710414895 A CN 201710414895A CN 106980324 B CN106980324 B CN 106980324B
- Authority
- CN
- China
- Prior art keywords
- task information
- distributed
- information
- task
- node
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 12
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 230000005540 biological transmission Effects 0.000 claims abstract description 33
- 210000000349 chromosome Anatomy 0.000 claims description 125
- 238000000034 method Methods 0.000 claims description 68
- 230000008569 process Effects 0.000 claims description 39
- 108090000623 proteins and genes Proteins 0.000 claims description 30
- 230000035772 mutation Effects 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000010187 selection method Methods 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种无人机编队动态自适应信息分发处理方法,包括:调用预规划模型;确定预规划方案;判断三级任务信息的收益是否大于扰动成本;若是,调用重规划模型,确定第一重规划方案,按照第一重规划方案进行任务信息分发;否则,按照预规划方案进行任务信息分发;若接收到四级任务信息,则调用中断模型;确定第一方案;判断第一方案中四级任务信息的分发数量是否等于任务池中四级任务信息的总数量;若是,则确定第二方案,按照第二方案进行任务信息分发;否则,按照第一方案进行任务信息分发。本发明能够对无人机编队任务池中待分发的任务信息进行动态自适应的安排,形成最优的信息分发与传递序列。
Description
技术领域
本发明涉及无人机-有人机信息处理技术领域,尤其是涉及一种无人机编队动态自适应信息分发处理方法。
背景技术
在无人-有人机协同执行任务的过程中,在不同的阶段对所需要处理的信息类型、信息需求量,以及信息的本身的重要程度具有一定的差别,因此在对任务信息进行有效的分发与传递过程中,需要考虑任务信息可能具有不同的优先等级,例如强制性任务信息、重要级任务信息、一般级任务信息和低优先级任务信息,针对不同优先级的待分发信息可能需要采用不同的规划方案。其中:
强制性任务信息是指因其本身的时序要求、重要程度或者在整个协同执行任务过程中起到关键作用的任务信息,需要在无人-有人机系统中立即进行分发处理,是优先等级最高的任务信息。
重要级任务信息是指对整个协同过程具有重要影响、任务完成收益明显高于一般级和低优先级任务的任务信息,例如:侦察任务。在现代战争中战场侦察决定战争的走势,精准及时的战场信息能够左右战争的成败,由于无人机执行侦察任务具有无人员伤亡风险、部署灵活、响应及时等特点,备受各国关注,使侦察任务成为无人机当前最重要的任务模式之一。
一般级任务信息是指需求预测和指控中心发出的常规性任务指令,例如:空中预警任务。事先将无人机部署在靠近敌方的上空,再把无人机获得的信息通过通信链路传递给停在安全地带的有人机,再由有人机适时将信息传递给控制中心,进行拦截任务。
低优先级任务是指完成时间和是否执行对于这个协同过程效能影响不大的任务,例如日常巡航任务等。
目前,在无人-有人机协同执行任务过程中,没有一种方案能够对任务池中具有不同优先等级的待分发的任务信息进行动态自适应的安排,形成最优的信息分发与传递序列。
发明内容
(一)解决的技术问题
本发明提供一种无人机编队动态自适应信息分发处理方法,能够对任务池中待分发的任务信息进行合理的安排,形成最优的信息分发与传递序列。
(二)技术方案
本发明提供的无人机编队动态自适应信息分发处理方法,包括:
针对不包括四级任务信息的任务池,调用预先建立的预规划模型;所述预规划模型的优化目标为在第一预设约束条件下最大化所述任务池中待分发任务信息的总权重值;
根据所述预规划模型,确定对任务池中待分发任务信息进行分发与传递的预规划方案;
根据所述预规划方案,判断所述任务池中三级任务信息的收益是否大于扰动成本;
若是,则调用预先建立的重规划模型,所述重规划模型的优化目标为在第二预设约束条件下最大化任务池中的三级任务信息和二级任务信息的总收益;根据所述重规划模型,确定对任务池中待分发任务信息进行分发与传递的第一重规划方案,并按照所述第一重规划方案对任务池中的待分发任务信息进行分发与传递;
否则,按照所述预规划方案对任务池中的待分发任务信息进行分发与传递;
若在按照所述预规划方案或所述重规划方案对任务池中的待分发任务信息进行分发与传递的过程中,所述任务池接收到四级任务信息,则停止待分发任务信息的分发与传递,并调用预先建立的中断模型;
将所述中断模型的当前优化目标设置为在第三预设约束条件下最大化四级任务信息的分发数量;对当前的中断模型进行求解,得到对所述四级任务信息分发与传递的第一方案;
判断所述第一方案中所述四级任务信息的分发数量是否等于所述任务池中所述四级任务信息的总数量;
若是,则将中断模型的当前优化目标设置为在所述第三预设约束条件下最小化分发四级任务信息的总完成时间,对当前的中断模型进行求解,得到对所述四级任务信息分发与传递的第二方案,按照所述第二方案对任务池中的四级任务信息进行分发与传递;
否则,按照所述第一方案对任务池中的四级任务信息进行分发与传递。
(三)有益效果
本发明提供的无人机编队动态自适应信息分发处理方法,当任务池中不包括需要立即处理的强制性任务信息时,调用预规划模型,求解预规划模型得到预规划方案,然后判断预规划方案是否需要进行重规划,即判断任务池中三级任务信息的收益是否大于扰动成本,若是,则调用重规划模型,对重规划模型进行求解,得到对待分发任务信息分发与传递的第一重规划方案;按照重规划方案对待分发任务信息进行分发与传递。若不需要进行重规划,则按照所述预规划方案对任务池中的待分发任务信息进行分发与传递。不论是按照预规划方案还是按照第一重规划方案进行任务信息的分发与传递,如果任务池接收到强制性任务信息,都会停止当前的分发任务,调用中断模型,该模型首先以最大化强制性任务信息的分发数量为优化目标,当实现该目标后,再以最小化分发强制性任务信息的总完成时间为目标,实现对强制性任务信息进行全部分发与传递的基础上实现立即分发与传递,保证任务信息的时效性,避免对无人机和有人机的协同作业造成延误。可见本发明可以在对任务池中待分发的任务信息进行分发安排的过程中利用重规划模型,考虑到尽量保证任务池中优先级别较高的三级任务信息和二级任务信息的总收益最大,利用中断模型,也考虑到强制性任务信息的特殊性,使得任务池中的任务信息得到合理的安排,形成最优的信息分发与传递序列。
附图说明
为了更清楚地说明本公开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公开的一些实施例,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,还可以根据这些图获得其他的附图。
图1示出了本发明一实施例中无人机编队动态自适应信息分发处理方法的流程示意图;
图2示出了预规划方案的确定流程示意图;
图3示出了重规划方案的确定流程示意图;
图4示出了本发明一实施例中一条由5个基因构成的染色体的示意图
图5是出了第一方案和第二方案的确定流程示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
第一方面,本发明提供一种无人机编队动态自适应信息分发处理方法,如图1所示,该方法包括:
A1、针对不包括四级任务信息的任务池,调用预先建立的预规划模型;所述预规划模型的优化目标为在第一预设约束条件下最大化所述任务池中待分发任务信息的总权重值;
可理解的是,所述四级任务信息为强制性任务信息,所谓的强制性任务信息为在整个协同过程中具有关键作用,需要立即执行的任务信息。例如:攻击任务、侦察攻击一体化任务、火力评估任务。在执行攻击任务、侦察攻击一体化任务时,无人机将发现攻击的目标信息及拍摄到图像等信息即时传递给有人机,再由有人机下达命令指挥无人机去执行攻击打击。火力评估任务分为火力引导校射和火力打击评估。火力引导校射是利用无人机进入火力打击目标区,拍摄相应区域的图像信息,传输给指挥员协助观察弹着点、修正射击偏差量、提高火力打击精确度、降低弹药消耗。火力打击评估是指前期打击结束后,无人机进入火力打击目标区,帮助观察火力打击效果,为下步行动提供重要依据。
可理解的是,对于不包括四级任务信息的任务池中,可能包括三级任务信息、二级任务信息、一级任务信息等,其中三级任务信息为重要级任务信息,二级任务信息为一般级任务信息,一级任务信息为低优先级任务信息,四级任务信息、三级任务信息、二级任务信息、一级任务信息的重要程度依次降低。
A2、根据所述预规划模型,确定对任务池中待分发任务信息进行分发与传递的预规划方案;
A3、根据所述预规划方案,判断所述任务池中三级任务信息的收益是否大于扰动成本;
A4、若是,则调用预先建立的重规划模型,所述重规划模型的优化目标为在第二预设约束条件下最大化任务池中的三级任务信息和二级任务信息的总收益;根据所述重规划模型,确定对任务池中待分发任务信息进行分发与传递的第一重规划方案,并按照所述第一重规划方案对任务池中的待分发任务信息进行分发与传递;
A5、否则,按照所述预规划方案对任务池中的待分发任务信息进行分发与传递;
A6、若在按照所述预规划方案或所述重规划方案对任务池中的待分发任务信息进行分发与传递的过程中,所述任务池接收到四级任务信息,则停止待分发任务信息的分发与传递,并调用预先建立的中断模型;
A7、将所述中断模型的当前优化目标设置为在第三预设约束条件下最大化四级任务信息的分发数量;对当前的中断模型进行求解,得到对所述四级任务信息分发与传递的第一方案;
A8、判断所述第一方案中所述四级任务信息的分发数量是否等于所述任务池中所述四级任务信息的总数量;
A9、若是,则将中断模型的当前优化目标设置为在所述第二预设约束条件下最小化分发四级任务信息的总完成时间,对当前的中断模型进行求解,得到对所述四级任务信息分发与传递的第二方案,按照所述第二方案对任务池中的四级任务信息进行分发与传递;
A10、否则,按照所述第一方案对任务池中的四级任务信息进行分发与传递。
在本发明提供的无人机编队动态自适应信息分发处理方法中,当任务池中不包括需要立即处理的强制性任务信息时,调用预规划模型,求解预规划模型得到预规划方案,然后判断预规划方案是否需要进行重规划,即判断任务池中三级任务信息的收益是否大于扰动成本,若是,则调用重规划模型,对重规划模型进行求解,得到对待分发任务信息分发与传递的第一重规划方案;按照重规划方案对待分发任务信息进行分发与传递。若不需要进行重规划,则按照所述预规划方案对任务池中的待分发任务信息进行分发与传递。不论是按照预规划方案还是按照第一重规划方案进行任务信息的分发与传递,如果任务池接收到强制性任务信息,都会停止当前的分发任务,调用中断模型,该模型首先以最大化强制性任务信息的分发数量为优化目标,当实现该目标后,再以最小化分发强制性任务信息的总完成时间为目标,实现对强制性任务信息进行全部分发与传递的基础上实现立即分发与传递,保证任务信息的时效性,避免对无人机和有人机的协同作业造成延误。可见本发明可以在对任务池中待分发的任务信息进行分发安排的过程中利用重规划模型,考虑到尽量保证任务池中优先级别较高的三级任务信息和二级任务信息的总收益最大,利用中断模型,也考虑到强制性任务信息的特殊性,使得任务池中的任务信息得到合理的安排,形成最优的信息分发与传递序列。
当任务池中的强制性任务信息被分发与传递完成之后,还可以重新调用重规划模型;根据重规划模型,确定对任务池中待分发任务信息进行分发与传递的第二重规划方案,并按照所述第二重规划方案对任务池中的待分发任务信息进行分发与传递。当然,也可以按照之前得到的第一重规划方案对待分发的任务信息继续进行分发与传递。第二重规划方案的确定过程可以参考下文中第一重规划方案的确定过程。
为了清楚表述,下面对各式中涉及到的公式参数进行说明:
本文用有向图G(V,E,W)来表示无人机/有人机之间所有可用的通信网络拓扑,将无人机/有人机描述为通信网络拓扑中的节点,具体模型参数如下:
V={1,2,…,m}表示通信网络拓扑中节点集合,m表示通信网络拓扑总节点数。
E={<i,j>|i,j∈V,i≠j}表示有向边集合,其中<i,j>表示通信网络拓扑中节点i到节点j的有向边;
W={wij|i,j∈V}表示图中每条有向边的权值集合,其中wij表示节点i到节点j之间的欧式距离。
Bv表示节点v所能提供的最大数据量,其中,v表示通信网络拓扑中的任一节点,v∈V;
T表示待分发信息集合,n表示集合中元素的个数,t表示任意一个待分发信息,t∈T;其中Ta表示强制性任务信息,Tb表示重要级信息,Tc表示一般级信息,Td表示低优先级信息;
[et,lt]表示待分发信息t需要在此时间窗内到达信息宿,et表示最早到达时间,lt表示最迟到达时间;
STt表示待分发信息t从信息源实际开始分发时刻,ETt表示待分发信息t实际到达信息宿的时刻;
SNt表示待分发信息t的实际信息源,ENt表示需要接收待分发信息t的信息宿;
D表示通信网络拓扑中可接受的最大时延;
TWt表示待分发信息t所需要的带宽;
NWij表示通信网络拓扑中有向边<i,j>所能承受的最大带宽;
Pt表示待分发信息t的优先级,Pt=1表示低优先级任务,Pt=2表示一般级任务,Pt=3表示重要级任务,Pt=4表示中断级任务;
Ht表示完成待分发信息t的任务后可获得的收益;
Gt表示待分发信息t的权重值;
Ct表示待分发信息t的可能产生的扰动成本;
在具体实施时,在步骤A1中,调用的预规划模型的目标函数可以采用下式:
上式中的F1为待分发任务信息的权重值之和。
在具体实施时,所调用预规划模型的第一预设约束条件可以根据需要设置,例如时间窗约束、时延约束、带宽约束、信源约束、访问唯一性约束等,其中所谓的时间窗约束为待分发的任务信息需在预设时间窗内完成分发传递,时延约束为所述待分发的任务信息的传输时延和传播时延均不超过通信网络拓扑的最大时延,带宽约束为通信链路中同时能够传递的待分发的任务信息数据量之和不超出通信网络拓扑所能承受的最大带宽,信源约束为信息源发出的待分发的任务信息数据量不超出信息源的供应能力,访问唯一性约束为每个待分发的任务信息只有一个信息源、每个待分发的任务信息只有一个信息宿、任意一个节点转发同一个待分发的任务信息的次数小于等于1。
当然,所述第一预设约束条件可以用下式表示:
ETt≤lt,t∈T
ETt≥et,t∈T
ETt-STt≤D,t∈T
在具体实施时,在步骤A2中,根据所述预规划模型,确定对任务池中待分发任务信息进行分发与传递的预规划方案的具体过程可以包括:
A21、采用预设编码方法对待分发任务信息的分发与传递属性初始化,得到初始解;
A22、基于该初始解,采用遗传算法对预规划模型的目标函数进行求解,得到对待分发任务信息分发与传递的预规划方案。
其中,上述步骤A21具体可以包括:
A211、采用预设的编码方法将所述预规划模型的解编码为染色体,所述染色体上包括与任务池中待分发任务信息一一对应的基因;
可理解的是,待分发任务信息的数量与染色体上基因的个数相同,一个基因对应一条待分发任务信息。
举例来说,将待分发信息的数量n作染色体内基因的数量,基因采用多元组的方式进行编码,m表示通信网络拓扑中的节点总数量,基本的编码方式如下:
Gene=(Flag,Node1,Node2,...,Nodem,Time1,Time2,…,Timem,Weight)
其中,Flag表示待分发信息是否可被分发,Node1,Node2,...Nodem表示待分发信息转发时经过的节点,Node1表示待分发信息的信息源,Nodem表示待分发信息的信息宿,Time1,Time2,…,Timem表示待分发信息在对应节点的转发时间,Time1表示待分发信息从信息源开始分发时刻,Timem表示待分发信息际到达信息宿的时刻,Weight为待分发任务信息的权重值。
A211、将染色体上每个基因的第一标识置为1,置为1的第一标识表征该基因对应的待分发任务信息为可被分发与传递;
可理解的是,这里的第一标识即为上述的Flag,将第一标识置为1标识对应的强制性任务信息可以被分配和传递。
A212、获取各个待分发任务信息的宿节点和权重值,并针对每一个待分发任务信息随机生成一个与其宿节点不同的源节点;
可理解的是,由于宿节点与源节点不同,因此Node1≠Nodem。
A213、判断各个待分发任务信息是否需要转发;对于需要转发的待分发任务信息,随机生成多个不同的转发节点,形成转发路径;对于不需要转发的待分发任务信息,将其转发节点置为-1;
可理解的是,对于不需要转发的待分发任务信息,令Node2=Node3=…=Nodem-1=-1。
可理解的是,对于需要转发的待分发任务信息,随机转发次数c<=m-2,将随机生成的c个转发节点的编号记录至Node2…,Nodem-1,且保证Node1≠Node2≠…≠Nodem。
A214、读取各个待分发任务信息的时间窗;对于每一个待分发任务信息,在所述时间窗内随机生成一个时刻点,并将该时刻点作为该待分发任务信息到达所述宿节点的时刻;对于需要转发的待分发任务信息,根据转发路径推算出待分发任务信息到达各个转发节点的时刻以及从源节点发出的时刻;对于不需要转发的待分发任务信息,推算出待分发任务信息从源节点发出的时刻,并将各个转发节点的转发时刻置为-1;
A215、将每个待分发任务信息的第一标识、源节点、转发节点、宿节点、从源节点发出的时刻、到达各个转发节点的时刻、到达所述宿节点的时刻以及权重值作为该待分发任务信息的分发与传递属性,各个待分发任务信息的分发与传递属性形成初始解。
在步骤A22中,如图2所示,采用遗传算法对预规划模型的目标函数进行求解,得到对待分发任务信息分发与传递的预规划方案的具体过程可以包括:
A221、设置迭代次数k的初始值为1;
A222、将预规划模型的目标函数为适应度函数,计算初始种群中染色体的适应度函数值;
A223、采用轮盘赌选择法从父代群体中选择中适应度函数值最高的预设数量的染色体遗传到子代群体中;
可理解的是,所谓的轮盘赌选择法的基本思想是:各染色体被选中的概率与其适应度函数值大小成正比。根据适应度函数计算出染色体的适应度函数值fitness,计算染色体个体在种群的个体的适应度总和所占的比例relativefitness=fitness/sum(fitness),即为被选中遗传至下一代的概率,比值越大,则被选择遗传至下一代的概率就越大。
A224、对种群中的染色体进行两两单点交叉操作;
A225、对交叉操作得到的染色体进行重置变异处理;
可理解的是,采用单点交叉方式,即随机产生一个交叉点,依次将种群中相邻两个染色体位于该点后的部分进行相互交换,生成两个新的染色体。
A226、对重置变异处理得到的染色体进行第一更新操作,具体为将子代群体中适应度最低的第一预设数量的染色体和子代群体中适应度最低的第二预设数量的染色体组合,形成新的种群;
举例来说,对变异后的子代群体按适应度值的升序进行排列,取出前SonNum个染色体,对父代群体按适应度值的降序进行排列,取出后FatherNum个染色体,组成新的种群。
A227、判断当前的迭代次数是否达到预设的最大迭代次数kmax;
若是,则将最后一次迭代过程中得到的新的种群对应的解作为预规划方案;
否则,将所述新的种群作为初始种群,迭代次数加1,并返回A222。
这里,通过对染色体进行选择、交叉、变异等操作,将得到的染色体作为预规划方案。
在具体实施时,在A226即第一更新操作之前,还可以对重置变异处理后的染色体上基因对应的分发与传递属性是否满足所述预设约束条件;
若是,则执行所述第一更新操作;
否则,对重置变异处理后染色体的适应度函数值进行调整后执行所述第一更新操作。
考虑到待分发信息需要满足通信网络拓扑的带宽、时延、时间窗和信息源等约束,因此这里还对染色体进行约束校验。对于未能通过约束校验的染色体,在其适应度函数值上按需增加或减去惩罚因子,使其适应度函数值变小或变大,在选择操作中以去除不满足给定约束的染色体。
在具体实施时,所述A225即对交叉操作得到的染色体进行重置变异处理过程可以包括:生成一个介于0和1之间的随机数,若所述随机数小于预设的变异概率,则根据所述初始解的生成方法生成一条染色体;在子代群体中随机选择一条染色体,并用根据所述初始解的生成的染色体替代随机选择的染色体,其他染色体保持不变。
在步骤A4中,调用的重规划模型的目标函数可以采用下式:
上式中,F2为任务池中的三级任务信息和二级任务信息的总收益。
第二预设约束条件可以参考第一预设约束条件,当然,第二预设约束条件中除了包括上述第一预设约束条件外还包括:
在A4中,如图3所示,根据所述重规划模型,确定对任务池中待分发任务信息进行分发与传递的第一重规划方案的过程可以包括:
A41、将所述预规划方案作为初始解;
A42、基于该始解,获取各个待分发任务信息优先级值、收益值和扰动成本值,采用遗传算法对重规划模型的目标函数进行求解,得到对待分发任务信息分发与传递的第一重规划方案。
在步骤A42中,采用遗传算法对重规划模型的目标函数进行求解,得到对待分发任务信息分发与传递的重规划方案的具体过程可以参考上述A221~A227,例如:
A421、设置迭代次数k的初始值为1;
A422、将重规划模型的目标函数为适应度函数,计算初始种群中染色体的适应度函数值;
A423、采用轮盘赌选择法从父代群体中选择中适应度函数值最高的预设数量的染色体遗传到子代群体中;
可理解的是,所谓的轮盘赌选择法的基本思想是:各染色体被选中的概率与其适应度函数值大小成正比。根据适应度函数计算出染色体的适应度函数值fitness,计算染色体个体在种群的个体的适应度总和所占的比例relativefitness=fitness./sum(fitness),即为被选中遗传至下一代的概率,比值越大,则被选择遗传至下一代的概率就越大。
A424、对种群中的染色体进行两两单点交叉操作;
可理解的是,采用单点交叉方式,即随机产生一个交叉点,依次将种群中相邻两个染色体位于该点后的部分进行相互交换,生成两个新的染色体。
A425、对交叉操作得到的染色体进行重置变异处理;
A426、对重置变异处理得到的染色体进行第一更新操作,具体为将子代群体中适应度最低的第一预设数量的染色体和子代群体中适应度最低的第二预设数量的染色体组合,形成新的种群;
举例来说,对变异后的子代群体按适应度值的升序进行排列,取出前SonNum个染色体,对父代群体按适应度值的降序进行排列,取出后FatherNum个染色体,组成新的种群。
A427、判断当前的迭代次数是否达到预设的最大迭代次数kmax;
若是,则将最后一次迭代过程中得到的新的种群对应的解作为对应的分发方案;
否则,将所述新的种群作为初始种群,迭代次数加1,并返回S2。
在具体实施时,在A426即第一更新操作之前,还可以对重置变异处理后的染色体上基因对应的分发与传递属性是否满足所述第二预设约束条件;
若是,则执行所述第一更新操作;
否则,对重置变异处理后染色体的适应度函数值进行调整后执行所述第一更新操作。
考虑到待分发信息需要满足通信网络拓扑的带宽、时延、时间窗和信息源等约束,因此这里还对染色体进行约束校验。对于未能通过约束校验的染色体,在其适应度函数值上按需增加或减去惩罚因子,使其适应度函数值变小或变大,在选择操作中以去除不满足给定约束的染色体。
在具体实施时,所述A425即对交叉操作得到的染色体进行重置变异处理过程可以包括:生成一个介于0和1之间的随机数,若所述随机数小于预设的变异概率,则根据所述初始解的生成方法生成一条染色体;在子代群体中随机选择一条染色体,并用根据所述初始解的生成的染色体替代随机选择的染色体,其他染色体保持不变。
在A6中,调用的中断模型在第三预设约束条件下最大化强制性任务信息的分发数量为当前优化目标的目标函数为:
F3为四级任务信息的分发数量;
在A7中,所谓的第三预设约束条件可以包括:
ETt≤lt,t∈Ta
ETt≥et,t∈Ta
ETt-STt≤D,t∈Ta
在A7中,对当前的中断模型进行求解,得到对所述四级任务信息分发与传递的第一方案的具体过程可以包括:
A71、采用预设编码方法对四级任务信息的分发与传递属性初始化,得到初始解;
A72、基于该始解,采用遗传算法对中断模型的当前目标函数进行求解,得到对对应任务信息分发与传递的第一方案。
其中,步骤A71可以包括以下步骤:
A711、采用编码方法将所述中断模型的解编码为染色体,所述染色体上包括与任务池中待分发的强制性任务信息一一对应的基因;
可理解的是,强制性任务信息的数量与染色体上基因的个数相同,一个基因对应一条强制性任务信息。
举例来说,将待分发信息的数量n作染色体内基因的数量,基因采用多元组的方式进行编码,m表示通信网络拓扑中的节点总数量,基本的编码方式如下:
Gene=(Flag,Node1,Node2,...,Nodem,Time1,Time2,…,Timem)
其中,Flag表示待分发信息是否可被分发,Node1,Node2,...Nodem表示待分发信息转发时经过的节点,Node1表示待分发信息的信息源,Nodem表示待分发信息的信息宿,Time1,Time2,…,Timem表示待分发信息在对应节点的转发时间,Time1表示待分发信息从信息源开始分发时刻,Timem表示待分发信息际到达信息宿的时刻。
A712、将染色体上每个基因的第一标识置为1,置为1的第一标识表征该基因对应的强制性任务信息为可被分发与传递;
可理解的是,这里的第一标识即为上述的Flag,将第一标识置为1标识对应的强制性任务信息可以被分配和传递。
A713、获取各个强制性任务信息的宿节点,并针对每一个强制性任务信息随机生成一个与其宿节点不同的源节点;
可理解的是,由于宿节点与源节点不同,因此Node1≠Nodem。
A714、判断各个强制性任务信息是否需要转发;对于需要转发的强制性任务信息,随机生成多个不同的转发节点,形成转发路径;对于不需要转发的强制性任务信息,将其转发节点置为-1;
可理解的是,对于不需要转发的强制性任务信息,令Node2=Node3=…=Nodem-1=-1。
可理解的是,对于需要转发的强制性任务信息,随机转发次数c<=m-2,将随机生成的c个转发节点的编号记录至Node2…,Nodem-1,且保证Node1≠Node2≠…≠Nodem。
A715、读取各个强制性任务信息的时间窗;对于每一个强制性任务信息,在所述时间窗内随机生成一个时刻点,并将该时刻点作为该强制性任务信息到达所述宿节点的时刻;对于需要转发的强制性任务信息,根据转发路径推算出强制性任务信息到达各个转发节点的时刻以及从源节点发出的时刻;对于不需要转发的强制性任务信息,推算出强制性任务信息从源节点发出的时刻,并将各个转发节点的转发时刻置为-1;
A716、将每个强制性任务信息的第一标识、源节点、转发节点、宿节点、从源节点发出的时刻、到达各个转发节点的时刻以及到达所述宿节点的时刻作为该强制性任务信息的分发与传递属性,各个强制性任务信息的分发与传递属性形成第二初始解。
举例来说,如图4所示,由5个基因形成一个染色体,以第一个基因为例,(1,1,-1,2,9.5,-1,12.5)表示第一个待分发信息的从编号为1的信息源发往编号为2的信息宿,中间不经过转发。发送时间为第9.5秒到达时间为第10.5秒。
在具体实施时,可以循环执行对以在第三预设约束条件下最大化四级任务信息的分发数量为优化目标的中断模型进行求解、判断所述第一方案中所述四级任务信息的分发数量是否等于所述任务池中所述四级任务信息的总数量以及判断循环次数是否达到预设次数的操作,直至求解操作后的第一方案中四级任务信息的分发数量等于所述任务池中四级任务信息的总数量或者循环次数达到预设次数;若循环次数达到所述预设次数,则按照最后一次求解操作后的第一方案对任务池中的强制性任务信息进行分发与传递。
其中,如图5所示,对以在第三预设约束条件下最大化四级任务信息的分发数量为优化目标的中断模型进行求解的具体过程可以包括:
将以最大化强制性任务信息的分发数量为当前优化目标的中断模型的目标函数作为当前的适应度函数,计算种群中染色体的适应度函数值;
可理解的是,可以将适应度函数fitness=Z*Count+(1-Z)*Time,其中Z为介于0和1之间的变量。当Z=1时,中断模型以最大化强制性任务信息的分发数量为当前优化目标;当Z=0时,中断模型以最小化分发强制性任务信息的总完成时间为优化目标。在S3中,Z=1。Count为任务池中强制性任务信息的总数量,Time为完成分发传递强制性任务信息的总时间之和。
采用轮盘赌选择法从父代群体中选择中适应度函数值最高的预设数量的染色体遗传到子代群体中;
可理解的是,所谓的轮盘赌选择法的基本思想是:各染色体被选中的概率与其适应度函数值大小成正比。根据适应度函数计算出染色体的适应度函数值fitness,计算染色体个体在种群的个体的适应度总和所占的比例relativefitness=fitness/sum(fitness),即为被选中遗传至下一代的概率,比值越大,则被选择遗传至下一代的概率就越大。
对种群中的染色体进行两两单点交叉操作;
可理解的是,采用单点交叉方式,即随机产生一个交叉点,依次将种群中相邻两个染色体位于该点后的部分进行相互交换,生成两个新的染色体。
对交叉操作得到的染色体进行重置变异处理;
对重置变异处理得到的染色体进行第一更新操作,具体为将子代群体中适应度最低的第一预设数量的染色体和子代群体中适应度最低的第二预设数量的染色体组合,形成新的种群;
举例来说,对变异后的子代群体按适应度值的升序进行排列,取出前SonNum个染色体,对父代群体按适应度值的降序进行排列,取出后FatherNum个染色体,组成新的种群。
将所述新的种群对应的解作为所述第一方案。
上述重置变异处理的具体过程可以包括:生成一个介于0和1之间的随机数,若所述随机数小于预设的变异概率,则根据所述初始解的生成方法生成一条染色体;在子代群体中随机选择一条染色体,并用根据所述初始解的生成的染色体替代随机选择的染色体,其他染色体保持不变。
在第一更新操作之前,对重置变异处理后的染色体上基因对应的分发与传递属性是否满足所述预设约束条件;
若是,则执行所述第一更新操作;
否则,对删除转发节点变异处理后的染色体的适应度函数值进行调整后执行所述第一更新操作。
在A9中,中断模型以在所述第三预设约束条件下最小化分发强制性任务信息的总完成时间为当前优化目标的目标函数可以为下式:
式中,F4为分发四级任务信息的总完成时间。
在A9中,如图5所示,对当前的中断模型进行求解,得到对所述四级任务信息分发与传递的第二方案的具体过程可以包括多个迭代过程,直至迭代次数达到预设次数,将最终的种群对应的解作为所述第二方案;
其中,每一个迭代过程包括:
A91、将以最小化分发强制性任务信息的总完成时间为当前优化目标的中断模型的目标函数作为当前的适应度函数,计算种群中染色体的适应度函数值;
A92、采用轮盘赌选择法从父代群体中选择中适应度函数值最高的预设数量的染色体遗传到子代群体中;
A93、对种群中的染色体进行两两单点交叉操作;
A94、对交叉操作得到的染色体进行删除转发节点变异处理;
A95、对删除转发节点变异处理得到的染色体进行第二更新操作,具体为将子代群体中适应度最高的第一预设数量的染色体和子代群体中适应度最高的第二预设数量的染色体组合,形成新的种群。
在上述过程中,A93中对交叉操作得到的染色体进行删除转发节点变异处理可以包括:生成一个介于0和1之间的随机数,若所述随机数小于预设的变异概率,则随机选择染色体中的一个基因,并将随机选择的基因对应的强制性任务信息的转发节点置为-1,并将强制性任务信息到达各个转发节点的时刻置为-1。
在具体实施时,在A95即对删除转发节点变异处理得到的染色体进行第二更新操作之前,所述方法还可以包括:对删除转发节点变异处理后的染色体上基因对应的分发与传递属性是否满足所述预设约束条件;若是,则执行所述第二更新操作;否则,对删除转发节点变异处理后的染色体的适应度函数值进行调整后执行所述第二更新操作。
这里,判断删除转发节点变异处理后的染色体上基因对应的分发与传递属性是否满足所述预设约束条件,实际上是一种约束校验,以保证染色体对应的方案满足预设约束条件。
综上所述,本发明提供的无人机编队动态自适应信息分发处理方法,当任务池中不包括需要立即处理的强制性任务信息时,调用预规划模型,求解预规划模型得到预规划方案,然后判断预规划方案是否需要进行重规划,即判断任务池中三级任务信息的收益是否大于扰动成本,若是,则调用重规划模型,对重规划模型进行求解,得到对待分发任务信息分发与传递的第一重规划方案;按照重规划方案对待分发任务信息进行分发与传递。若不需要进行重规划,则按照所述预规划方案对任务池中的待分发任务信息进行分发与传递。不论是按照预规划方案还是按照第一重规划方案进行任务信息的分发与传递,如果任务池接收到强制性任务信息,都会停止当前的分发任务,调用中断模型,该模型首先以最大化强制性任务信息的分发数量为优化目标,当实现该目标后,再以最小化分发强制性任务信息的总完成时间为目标,实现对强制性任务信息进行全部分发与传递的基础上实现立即分发与传递,保证任务信息的时效性,避免对无人机和有人机的协同作业造成延误。可见本发明可以在对任务池中待分发的任务信息进行分发安排的过程中利用重规划模型,考虑到尽量保证任务池中优先级别较高的三级任务信息和二级任务信息的总收益最大,利用中断模型,也考虑到强制性任务信息的特殊性,使得任务池中的任务信息得到合理的安排,形成最优的信息分发与传递序列。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,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,或者对其中部分或者全部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的实施例各实施例技术方案的范围。
Claims (9)
1.一种无人机编队动态自适应信息分发处理方法,其特征在于,包括:
针对不包括四级任务信息的任务池,调用预先建立的预规划模型;所述预规划模型的优化目标为在第一预设约束条件下最大化所述任务池中待分发任务信息的总权重值;
根据所述预规划模型,确定对任务池中待分发任务信息进行分发与传递的预规划方案;
根据所述预规划方案,判断所述任务池中三级任务信息的收益是否大于扰动成本;
若是,则调用预先建立的重规划模型,所述重规划模型的优化目标为在第二预设约束条件下最大化任务池中的三级任务信息和二级任务信息的总收益;根据所述重规划模型,确定对任务池中待分发任务信息进行分发与传递的第一重规划方案,并按照所述第一重规划方案对任务池中的待分发任务信息进行分发与传递;
否则,按照所述预规划方案对任务池中的待分发任务信息进行分发与传递;
若在按照所述预规划方案或所述重规划方案对任务池中的待分发任务信息进行分发与传递的过程中,所述任务池接收到四级任务信息,则停止待分发任务信息的分发与传递,并调用预先建立的中断模型;
将所述中断模型的当前优化目标设置为在第三预设约束条件下最大化四级任务信息的分发数量;对当前的中断模型进行求解,得到对所述四级任务信息分发与传递的第一方案;
判断所述第一方案中所述四级任务信息的分发数量是否等于所述任务池中所述四级任务信息的总数量;
若是,则将中断模型的当前优化目标设置为在所述第三预设约束条件下最小化分发四级任务信息的总完成时间,对当前的中断模型进行求解,得到对所述四级任务信息分发与传递的第二方案,按照所述第二方案对任务池中的四级任务信息进行分发与传递;否则,按照所述第一方案对任务池中的四级任务信息进行分发与传递;
一级任务信息为低优先级任务信息,所述二级任务信息为一般级任务信息,所述三级任务信息为重要级任务信息,所述四级任务信息为强制性任务信息;
所述第一预设约束条件包括:
ETt≤lt,t∈T
ETt≥et,t∈T
ETt-STt≤D,t∈T
所述第三预设约束条件包括:
ETt≤lt,t∈Ta
ETt≥et,t∈Ta
ETt-STt≤D,t∈Ta
所述第二预设约束条件包括所述第一预设约束条件,还包括:
式中,ETt表示待分发信息t实际到达信息宿的时刻;STt表示待分发信息t从信息源实际开始分发时刻;V={1,2,…,m}表示通信网络拓扑中节点集合,m表示通信网络拓扑总节点数;表示待分发信息t从节点i传递到节点j发生的传输时延;表示待分发信息t从节点i传递到节点j发生的传播时延;T为待分发任务信息集合;lt表示待分发信息t最迟到达信息宿的时间;et表示待分发信息t最早信息宿到达时间;D表示通信网络拓扑中可接受的最大时延;TWt表示待分发信息t所需要的带宽;NWij表示通信网络拓扑中有向边<i,j>所能承受的最大带宽;Bv表示节点v所能提供的最大数据量,v表示通信网络拓扑中的任一节点,v∈V;决策变量取1或0,其中,取1表示待分发信息t从节点i发送到节点j,取0表示待分发信息t不从节点i发送到节点j;Ta表示四级任务信息。
2.根据权利要求1所述的方法,其特征在于,还包括:
在任务池中的四级任务信息分发与传递完成之后,则调用所述重规划模型;根据所述重规划模型,确定对任务池中待分发任务信息进行分发与传递的第二重规划方案,并按照所述第二重规划方案对任务池中的待分发任务信息进行分发与传递。
3.根据权利要求1所述的方法,其特征在于,
所述预规划模型的目标函数为:
所述重规划模型的目标函数为:
所述中断模型以在第三预设约束条件下最大化强制性任务信息的分发数量为当前优化目标的目标函数为:
所述中断模型以在所述第三预设约束条件下最小化分发强制性任务信息的总完成时间为当前优化目标的目标函数为:
式中,F1为待分发任务信息的权重值之和;t表示任意一个待分发信息;Tb表示三级任务信息集合;Tc表示二级任务信息集合;Td表示一级任务信息集合,所述一级任务信息的重要程度低于所述二级任务信息;决策变量取1或0,取1表示待分发信息t从节点i发送到节点j,取0表示待分发信息t不从节点i发送到节点j;V={1,2,…,m}表示通信网络拓扑中节点集合,m表示通信网络拓扑总节点数;Gt表示待分发信息t的权重值;F2为任务池中的三级任务信息和二级任务信息的总收益;Ht表示完成待分发信息t的任务后可获得的收益;F3为四级任务信息的分发数量;Ta表示四级任务信息;F4为分发四级任务信息的总完成时间;表示待分发信息t从节点i传递到节点j发生的传输时延;表示待分发信息t从节点i传递到节点j发生的传播时延;Na为任务池中强制性任务信息的数量。
4.根据权利要求1或2所述的方法,其特征在于,
根据所述预规划模型确定对任务池中待分发任务信息进行分发与传递的预规划方案,包括:
采用预设编码方法对待分发任务信息的分发与传递属性初始化,得到初始解;基于该初始解,采用遗传算法对预规划模型的目标函数进行求解,得到对对应任务信息分发与传递的预规划方案;
或者,对当前的中断模型进行求解得到四级任务信息分发与传递的第一方案,包括:
采用预设编码方法对四级任务信息的分发与传递属性初始化,得到初始解;
基于该初始解,采用遗传算法对中断模型的当前目标函数进行求解,得到对对应任务信息分发与传递的第一方案;或者,根据所述重规划模型确定对任务池中待分发任务信息进行分发与传递的第一重规划方案,包括:
将所述预规划方案作为初始解,基于该初始解,获取各个待分发任务信息的优先级值、收益值和扰动成本值,采用遗传算法对重规划模型的目标函数进行求解,得到对待分发任务信息分发与传递的第一重规划方案。
5.根据权利要求4所述的方法,其特征在于,所述采用预设编码方法对待分发任务信息的分发与传递属性初始化,得到初始解,或者,所述采用预设编码方法对四级任务信息的分发与传递属性初始化,得到初始解,包括:
采用预设的编码方法将所述预规划模型的解编码为染色体,所述染色体上包括与任务池中待分发任务信息一一对应的基因;或者,采用编码方法将所述中断模型的解编码为染色体,所述染色体上包括与任务池中待分发的强制性任务信息一一对应的基因;
将染色体上每个基因的第一标识置为1,置为1的第一标识表征该基因对应的待分发任务信息为可被分发与传递;
对于预规划模型,获取各个待分发任务信息的宿节点和权重值,并针对每一个待分发任务信息随机生成一个与其宿节点不同的源节点;对于中断模型,获取各个四级任务信息的宿节点,并针对每一个四级任务信息随机生成一个与其宿节点不同的源节点;
判断各个待分发任务信息是否需要转发;对于需要转发的待分发任务信息,随机生成多个不同的转发节点,形成转发路径;对于不需要转发的待分发任务信息,将其转发节点置为-1;
读取各个待分发任务信息的时间窗;对于每一个待分发任务信息,在所述时间窗内随机生成一个时刻点,并将该时刻点作为该待分发任务信息到达所述宿节点的时刻;对于需要转发的待分发任务信息,根据转发路径推算出待分发任务信息到达各个转发节点的时刻以及从源节点发出的时刻;对于不需要转发的待分发任务信息,推算出待分发任务信息从源节点发出的时刻,并将各个转发节点的转发时刻置为-1;
对于预规划模型,将每个待分发任务信息的第一标识、源节点、转发节点、宿节点、从源节点发出的时刻、到达各个转发节点的时刻、到达所述宿节点的时刻以及权重值作为该待分发任务信息的分发与传递属性,各个待分发任务信息的分发与传递属性形成初始解;对于中断模型,将每个四级任务信息的第一标识、源节点、转发节点、宿节点、从源节点发出的时刻、到达各个转发节点的时刻以及到达所述宿节点的时刻作为该四级任务信息的分发与传递属性,各个四级任务信息的分发与传递属性形成第二初始解。
6.根据权利要求4所述的方法,其特征在于,所述采用遗传算法对预规划模型的目标函数进行求解,或者,所述采用遗传算法对重规划模型的目标函数进行求解,包括:
S1、设置迭代次数k的初始值为1;
S2、将对应模型的目标函数作为适应度函数,计算初始种群中染色体的适应度函数值;S3、采用轮盘赌选择法从父代群体选择适应度函数值最高的预设数量的染色体遗传到子代群体中S4、对种群中的染色体进行两两单点交叉操作;
S5、对交叉操作得到的染色体进行重置变异处理;
S6、对重置变异处理得到的染色体进行第一更新操作,具体为将子代群体中适应度最低的第一预设数量的染色体和子代群体中适应度最低的第二预设数量的染色体组合,形成新的种群;
S7、判断当前的迭代次数是否达到预设的最大迭代次数kmax;
若是,则将最后一次迭代过程中得到的新的种群对应的解作为对应的方案;
否则,将所述新的种群作为初始种群,迭代次数加1,并返回S2。
7.根据权利要求4所述的方法,其特征在于,
循环执行对以在第三预设约束条件下最大化四级任务信息的分发数量为优化目标的中断模型进行求解、判断所述第一方案中所述四级任务信息的分发数量是否等于所述任务池中所述四级任务信息的总数量以及判断循环次数是否达到预设次数的操作,直至求解操作后的第一方案中四级任务信息的分发数量等于所述任务池中四级任务信息的总数量或者循环次数达到预设次数;
若循环次数达到所述预设次数,则按照最后一次求解操作后的第一方案对任务池中的强制性任务信息进行分发与传递。
8.根据权利要求7所述的方法,其特征在于,所述对以在第三预设约束条件下最大化四级任务信息的分发数量为优化目标的中断模型进行求解,包括:
将以最大化强制性任务信息的分发数量为当前优化目标的中断模型的目标函数作为当前的适应度函数,计算种群中染色体的适应度函数值;
采用轮盘赌选择法从父代群体选择适应度函数值最高的预设数量的染色体遗传到子代群体中;
对种群中的染色体进行两两单点交叉操作;
对交叉操作得到的染色体进行重置变异处理;
对重置变异处理得到的染色体进行第一更新操作,具体为将子代群体中适应度最低的第一预设数量的染色体和子代群体中适应度最低的第二预设数量的染色体组合,形成新的种群;
将所述新的种群对应的解作为所述第一方案。
9.根据权利要求1所述的方法,其特征在于,所述对当前的中断模型进行求解,得到对所述四级任务信息分发与传递的第二方案,包括多个迭代过程,直至迭代次数达到预设次数,将最终的种群对应的解作为所述第二方案;
其中,每一个迭代过程包括:
将以最小化分发强制性任务信息的总完成时间为当前优化目标的中断模型的目标函数作为当前的适应度函数,计算种群中染色体的适应度函数值;
采用轮盘赌选择法从父代群体选择适应度函数值最高的预设数量的染色体遗传到子代群体中;
对种群中的染色体进行两两单点交叉操作;
对交叉操作得到的染色体进行删除转发节点变异处理;
对删除转发节点变异处理得到的染色体进行第二更新操作,具体为将子代群体中适应度最高的第一预设数量的染色体和子代群体中适应度最高的第二预设数量的染色体组合,形成新的种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710414895.7A CN106980324B (zh) | 2017-06-05 | 2017-06-05 | 无人机编队动态自适应信息分发处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710414895.7A CN106980324B (zh) | 2017-06-05 | 2017-06-05 | 无人机编队动态自适应信息分发处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106980324A CN106980324A (zh) | 2017-07-25 |
CN106980324B true CN106980324B (zh) | 2020-07-07 |
Family
ID=59344611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710414895.7A Active CN106980324B (zh) | 2017-06-05 | 2017-06-05 | 无人机编队动态自适应信息分发处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106980324B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990628A (zh) * | 2019-12-16 | 2021-06-18 | 顺丰科技有限公司 | 分拣设备调度方法、装置及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279793A (zh) * | 2013-04-25 | 2013-09-04 | 北京航空航天大学 | 一种确定环境下的无人飞行器编队任务分配方法 |
CN103472850A (zh) * | 2013-09-29 | 2013-12-25 | 合肥工业大学 | 一种基于高斯分布预测的多无人机协同搜索方法 |
CN103699106A (zh) * | 2013-12-30 | 2014-04-02 | 合肥工业大学 | 基于VR-Forces仿真平台的多无人机协同任务规划仿真系统 |
CN105913469A (zh) * | 2016-04-12 | 2016-08-31 | 西北工业大学 | 基于骨架图的tf/ta2航迹规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE531324C2 (sv) * | 2008-01-15 | 2009-02-24 | Cybaero Ab | System för autonom eller autopilotstyrd landning av flygfarkost |
-
2017
- 2017-06-05 CN CN201710414895.7A patent/CN106980324B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279793A (zh) * | 2013-04-25 | 2013-09-04 | 北京航空航天大学 | 一种确定环境下的无人飞行器编队任务分配方法 |
CN103472850A (zh) * | 2013-09-29 | 2013-12-25 | 合肥工业大学 | 一种基于高斯分布预测的多无人机协同搜索方法 |
CN103699106A (zh) * | 2013-12-30 | 2014-04-02 | 合肥工业大学 | 基于VR-Forces仿真平台的多无人机协同任务规划仿真系统 |
CN105913469A (zh) * | 2016-04-12 | 2016-08-31 | 西北工业大学 | 基于骨架图的tf/ta2航迹规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106980324A (zh) | 2017-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107168366B (zh) | 无人机编队自适应信息分发处理方法 | |
CN109818865B (zh) | 一种sdn增强路径装箱装置及方法 | |
Stanley et al. | Efficient evolution of neural network topologies | |
CN109544998B (zh) | 一种基于分布估计算法的航班时隙分配多目标优化方法 | |
CN111050330A (zh) | 移动网络自优化方法、系统、终端及计算机可读存储介质 | |
CN107247461B (zh) | 考虑突发干扰的无人-有人机编队信息分发处理方法 | |
CN107229285B (zh) | 无人机编队信息分发重规划方法、计算机可读存储介质 | |
CN106980324B (zh) | 无人机编队动态自适应信息分发处理方法 | |
CN116702633B (zh) | 一种基于多目标动态优化的异构弹群任务可靠性规划方法 | |
CN114040358A (zh) | 一种无人机集群网络高稳定分簇方法 | |
CN107168365B (zh) | 无人-有人机编队信息动态分发处理方法 | |
CN110442146B (zh) | 无人机编队目标分配与空间占位联合决策方法及系统 | |
CN110049018B (zh) | 基于增强学习的spma协议参数优化方法、系统及介质 | |
Xu et al. | A new anti-jamming strategy based on deep reinforcement learning for MANET | |
CN116258357A (zh) | 一种基于多基因遗传算法的异构无人机协同目标分配方法 | |
CN107229286B (zh) | 考虑人工干预的无人-有人机编队信息分发处理方法 | |
Arulselvan et al. | Hybrid trust-based secure routing protocol for detection of routing attacks in environment monitoring over MANETs | |
CN110233777B (zh) | 物联网中基于资源受限节点的异常检测功能部署方法 | |
CN115047906B (zh) | 基于优化粒子群算法的多无人机协同攻击移动目标任务分配方法 | |
CN115208578B (zh) | 一种基于区块链的无人机集群信息一致性共享方法 | |
CN115460668A (zh) | 一种无人机间数据疏散传输路径规划方法及系统 | |
CN112506635B (zh) | 基于自适应策略的进化免疫方法 | |
CN111144623B (zh) | 一种基于自适应学习因子粒子群的定值调优方法 | |
CN108882328B (zh) | 一种具有容侵能力的多路径安全拓扑控制方法 | |
CN114244550A (zh) | 基于节点共识行为的区块链faw攻击防护方法及系统 |
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 |