CN107678446B - 一种针对大规模目标群的无人机协同目标分配方法 - Google Patents

一种针对大规模目标群的无人机协同目标分配方法 Download PDF

Info

Publication number
CN107678446B
CN107678446B CN201711031260.5A CN201711031260A CN107678446B CN 107678446 B CN107678446 B CN 107678446B CN 201711031260 A CN201711031260 A CN 201711031260A CN 107678446 B CN107678446 B CN 107678446B
Authority
CN
China
Prior art keywords
target
unmanned aerial
targets
aerial vehicle
turning
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
Application number
CN201711031260.5A
Other languages
English (en)
Other versions
CN107678446A (zh
Inventor
李波
李曦彤
高晓光
符小卫
陈军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201711031260.5A priority Critical patent/CN107678446B/zh
Publication of CN107678446A publication Critical patent/CN107678446A/zh
Application granted granted Critical
Publication of CN107678446B publication Critical patent/CN107678446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10Simultaneous control of position or course in three dimensions
    • G05D1/101Simultaneous control of position or course in three dimensions specially adapted for aircraft

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种针对大规模目标群的无人机协同目标分配方法,针对大规模目标群首先删除目标群中的劣解目标,获取非劣解目标的集合,然后针对该集合中的目标进行任务分配,充分利用无人机执行任务能力,更加合理的进行目标任务分配。本发明能够保证无人机所执行的任务都是非劣解,为无人机分配非劣解集合中的最优目标,并且保证了所有无人机达到最大执行任务能力。本发明在建模过程中,对无人机和目标的数量关系进行分析,针对多无人协同大规模目标分配问题建模时情况考虑不全面的问题,考虑删除每架无人机目标集合中的劣解目标,使模型在目标分配过程中更具有实用性。

Description

一种针对大规模目标群的无人机协同目标分配方法
技术领域
本发明属于多无人机协同控制技术领域,特别涉及一种利用多无人机针对大规模目标群进行目标分配的实现方法。
背景技术
无人机具有体积小、造价低、使用方便灵活等优势,在代替人类完成危险、条件恶劣的任务中发挥着重要的作用,为了提高无人机任务完成效率,多无人机协同逐渐成为了趋势,而多无人机多目标分配问题是多无人机协同控制的重要内容之一,可以应用于灾害中的人员搜索、定位等方面,多无人机协同多目标分配是围绕总体任务需求综合考虑多种约束条件下的组合优化问题。
近年来,国内外针对多无人机协同多目标分配问题的研究广泛。在目标分配实际问题的建模方面,Zengin等人围绕目标追踪问题,对多无人机协同控制与目标分配问题进行了研究,取得了较好的效果。钱艳平等人在《基于合同网的无人机协同目标分配方法》中提出了一种使用基于合同网的目标分配方法,首先建立目标分配问题的数学模型,在初始分配的基础上,使用基于合同网的目标分配方法,引入负载系数参数,通过迭代执行买卖合同与交换合同实现任务的合理分配。Bertuccelli等人以多无人机以及无人机/有人机为对象,研究了动态不确定环境对多目标分配问题建模的影响,只对无人机数量小于目标数量时的情况进行了研究。Shaferman等人以多无人机协同跟踪等作为任务划分,进行了多任务分配的研究,尤其适合城市环境下的目标分配问题建模,只考虑了无人机数量大于目标数量,且目标数量较少时的情况。在对目标分配问题进行求解方面,赵明等人利用航程代价矩阵优化了差分进化算法,并利用统一的编码策略执行进化过程,有效求解了目标分配问题,但在构造目标函数时,没有考虑无人机损毁的代价。符小卫等人提出了通信约束的目标分配方法,并进行了合理性验证。Karaman等人利用遗传算法对复杂操作条件下任务分配问题进行了求解,但是遗传算法的早熟问题没有得到解决。这些方法没有考虑当目标群规模相对于无人机的数量以及无人机能完成的任务量来说庞大的情况下,无人机并不能执行所有任务,无法完成所有目标的任务分配,难以很好的适用与针对大规模目标群的多无人机协同目标分配。
发明内容
为了克服现有技术的不足,本发明提供一种基于目标群数据处理的大规模目标分配方法,针对大规模目标群首先删除目标群中的劣解目标,获取非劣解目标的集合,然后针对该集合中的目标进行任务分配,充分利用无人机执行任务能力,更加合理的进行目标任务分配。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1,对无人机及目标分别编号为1,2,…,U和1,2,…,T,并输入无人机及目标的相关信息;每架无人机最多能执行的任务数量为mj,每个目标具有n维属性{Γ12,…,Γk,…Γn},目标i对无人机j的属性值为{Γ1ij2ij,…,Γkij,…Γnij},Γkij表示目标i在其第k维属性Γk上对无人机j的属性值;
步骤2,归一化处理
Figure BDA0001448982050000021
并将归一化处理后得到的Γ′kij仍记作Γkij
步骤3,初始化每架无人机的非劣解目标集合
Figure BDA0001448982050000022
步骤4,读取目标i,判定
Figure BDA0001448982050000023
中是否有优于目标i的目标;判定目标a优于目标b的条件为
Figure BDA0001448982050000024
其中q,k表示目标在n维属性中的第q,k维属性;
步骤5,删除
Figure BDA0001448982050000025
中劣于目标i的目标;如果
Figure BDA0001448982050000026
中无优于目标i的目标,则在
Figure BDA0001448982050000031
中插入目标i;否则读取下一目标,转到步骤4;
步骤6,判定T个目标是否全部读取,是则转到步骤7,否则转到步骤4;
步骤7,判定是否已经得到全部U架无人机的非劣解集合,是则转到步骤8;否则转到步骤3;
步骤8,按照给定的评价函数
Figure BDA0001448982050000032
Figure BDA0001448982050000033
的目标进行由大到小的排序;
步骤9,初始化每架无人机分配的目标个数λj=0;
步骤10,删除
Figure BDA0001448982050000034
中已被分配的目标;
步骤11,判定
Figure BDA0001448982050000035
是否为空,是则重复步骤4~11,并将
Figure BDA0001448982050000036
中的目标由大到小排序;否则将
Figure BDA0001448982050000037
中的目标由大到小排序后转到步骤12;
步骤12,将排序后的
Figure BDA0001448982050000038
中的最优目标分配给无人机j,并从目标群中删除该目标;
步骤13,判定无人机j是否达到最大执行任务能力mj,是则转到步骤14;否则转到步骤10,继续为无人机分配目标;
步骤14,判定是否所有的无人机都已经达到最大执行任务能力,是则结束任务;否则转到步骤10,继续为未达到最大执行任务能力的无人机分配目标。
所述的属性包括但不限于无人机间距离、救援所需时间和救援价值。
所述的评价函数
Figure BDA0001448982050000039
其中,αk为指挥员认定的目标第k维属性Γk的权重,αk∈(0,1),(k=1,2,…,n)且
Figure BDA00014489820500000310
本发明的有益效果是:
1、经验证,本发明设计的方法能够保证无人机所执行的任务都是非劣解,为无人机分配非劣解集合中的最优目标,并且保证了所有无人机达到最大执行任务能力。
2、本发明在建模过程中,对无人机和目标的数量关系进行分析,针对多无人协同大规模目标分配问题建模时情况考虑不全面的问题,考虑删除每架无人机目标集合中的劣解目标,使模型在目标分配过程中更具有实用性。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
按照本发明所提供的设计方案,一种多无人机协同大规模目标群分配方法,包含如下步骤:
步骤1:对无人机及目标分别进行编号,并输入无人机及目标的相关信息。包括:无人机数量U,目标数量T(T>>U),用1,2,…,U表示无人机编号,1,2,…,T表示目标编号。每架无人机最多能执行的任务数量为mj,每个目标具有与无人机间距离、救援所需时间、救援价值等n维属性{Γ12,…,Γk,…Γn}(k=1,2,…,n),目标i对无人机j的属性值为{Γ1ij2ij,…,Γkij,…Γnij}(k=1,…,n;i=1,…,T;j=1,…,U),Γkij表示目标i在其第k维属性Γk上对无人机j的属性值。
步骤2:对于目标i在其第k维属性Γk上对无人机j的属性值Γkij进行归一化处理,所用到的计算公式表示为:
Figure BDA0001448982050000041
为方便记录,将Γkij归一化处理后得到的Γ′kij仍记作Γkij
步骤3:初始化每架无人机的非劣解目标集合
Figure BDA0001448982050000042
步骤4:读取目标i,判定
Figure BDA0001448982050000051
中是否有优于目标i的目标。假设属性值越大越好,则对于无人机j而言,判定目标a优于目标b的条件表示如下:
Figure BDA0001448982050000052
(q,k表示目标在n维属性中的第q,k维属性)
步骤5:由步骤4的判定方法,删除
Figure BDA0001448982050000053
中劣于目标i的目标。如果
Figure BDA0001448982050000054
中无优于目标i的目标,则在
Figure BDA0001448982050000055
中插入目标i;否则,读取下一目标,转到步骤4。
步骤6:判定T个目标是否全部读取。如果全部读取,转到步骤7;否则转到步骤4。
步骤7:判定是否已经得到全部U架无人机的非劣解集合。如果是,转到步骤8;否则转到步骤3。
步骤8:按照给定的评价函数
Figure BDA0001448982050000056
Figure BDA0001448982050000057
的目标进行由大到小的排序。
评价函数
Figure BDA0001448982050000058
可以先行给定,通常情况下:
Figure BDA0001448982050000059
其中,αk为指挥员认定的目标第k维属性Γk的权重,αk∈(0,1),(k=1,2,…,n)且
Figure BDA00014489820500000510
步骤9:初始化每架无人机分配的目标个数为0,记作
Figure BDA00014489820500000516
步骤10:删除
Figure BDA00014489820500000511
中已被分配的目标。
步骤11:判定
Figure BDA00014489820500000512
是否为空。如果为空,则重复步骤4-11,并将
Figure BDA00014489820500000513
中的目标进行由大到小的排序;如果不为空则将
Figure BDA00014489820500000514
中的目标进行由大到小的排序后转到步骤12。
步骤12:将排序后的
Figure BDA00014489820500000515
中的最优目标分配给无人机j,并从目标群中删除该目标。
步骤13:判定无人机j是否达到最大执行任务能力mj。是,转到步骤14;否,转到步骤10,继续为无人机分配目标。
步骤14:判定是否所有的无人机都已经达到最大执行任务能力。是,结束任务;否,转到步骤10,继续为未达到最大执行任务能力的无人机分配目标。
实施实例:
本实例设定共有3架无人机执行灾难救援任务,目标的数量为30,每架无人机最多可执行的任务数量为2,即U=3,T=30,mj=2且目标具有三维属性{Γ123}(其中,Γ1表示无人机救援该目标所获价值,由于每架无人机的执行任务能力存在差异,则不同无人机救援同一目标所获价值可能不同,Γ2表示无人机与目标之间的距离(单位:千米),Γ3表示无人机救援该目标的所需时间(单位:分钟))。目标对每架无人机的对应属性值设定参见表1。
步骤一:将Γkij进行归一化处理。由于无人机救援目标时所获价值越大越好,救援距离越近越好,救援所需时间越小越好,所以Γ1为效益型指标,Γ2、Γ3为成本型指标。归一化计算公式如下:
Figure BDA0001448982050000061
Figure BDA0001448982050000062
Figure BDA0001448982050000063
为方便记,令Γ′kij记作Γkij。归一化后的各属性值参见表2。
步骤二:初始化每架无人机的非劣解目标集合
Figure BDA0001448982050000064
步骤三:读取目标1,因为
Figure BDA0001448982050000065
所以
Figure BDA0001448982050000066
中无目标优于目标1。
步骤四:由步骤3的判定结果,将目标1插入
Figure BDA0001448982050000067
步骤五:目标尚未完全被读取,则转到步骤3,继续读取目标。
由步骤三到步骤五,得到第一架无人机的非劣解目标的集合为:
Figure BDA0001448982050000071
步骤六:尚未求解第2、第3架无人机的非劣解目标的集合。转到步骤3,继续求解。
最终求解到每架无人机的非劣解目标的集合分别为:
Figure BDA0001448982050000072
步骤七:按照评价函数
Figure BDA0001448982050000073
Figure BDA0001448982050000074
中目标进行排序。其中α1=0.4,α2=0.3,α3=0.3。则排序结果如下:
Figure BDA0001448982050000075
步骤八:初始化每架无人机所分配的目标数量λj=0,(j=1,2,3)。
步骤九:删除
Figure BDA0001448982050000076
中已被分配的目标,因目前第一架无人机尚未分配目标,故
Figure BDA0001448982050000077
无被删除的目标。
步骤十:判断
Figure BDA0001448982050000078
为非空,则转到步骤十一。
步骤十一:目标T5最优,则将该目标分配给无人机1。从目标群中删除该目标。
步骤十二:无人机1未达到最大执行任务能力,转到步骤九,继续分配目标。
由步骤九到步骤十二,得到无人机1分配的目标为{T5,T26}。
步骤十三:因无人机2、无人机3尚未达到最大执行任务能力,故转到步骤9,继续分配目标。
无人机协同分配目标的结果方案参见表3。即无人机1救援目标T5和T26;无人机2救援目标T24和T20;无人机3救援目标T13和T7。
最终生成的目标分配方案如表3所示。
表1目标对无人机的属性值
Figure BDA0001448982050000081
表2目标对无人机的归一化属性值
Figure BDA0001448982050000082
Figure BDA0001448982050000091
表3无人机协同目标分配结果方案
Figure BDA0001448982050000092

Claims (3)

1.一种针对大规模目标群的无人机协同目标分配方法,其特征在于包括下述步骤:
步骤1,对无人机及目标分别编号为1,2,…,U和1,2,…,T,并输入无人机及目标的相关信息;每架无人机最多能执行的任务数量为mj,每个目标具有n维属性{Γ12,…,Γk,…Γn},目标i对无人机j的属性值为{Γ1ij2ij,…,Γkij,…Γnij},Γkij表示目标i在其第k维属性Γk上对无人机j的属性值;
步骤2,归一化处理Γkij
Figure FDA0001448982040000011
并将归一化处理后得到的Γ′kij仍记作Γkij
步骤3,初始化每架无人机的非劣解目标集合
Figure FDA0001448982040000012
步骤4,读取目标i,判定
Figure FDA0001448982040000013
中是否有优于目标i的目标;判定目标a优于目标b的条件为
Figure FDA0001448982040000014
其中q,k表示目标在n维属性中的第q,k维属性;
步骤5,删除
Figure FDA0001448982040000015
中劣于目标i的目标;如果
Figure FDA0001448982040000016
中无优于目标i的目标,则在
Figure FDA0001448982040000017
中插入目标i;否则读取下一目标,转到步骤4;
步骤6,判定T个目标是否全部读取,是则转到步骤7,否则转到步骤4;
步骤7,判定是否已经得到全部U架无人机的非劣解集合,是则转到步骤8;否则转到步骤3;
步骤8,按照给定的评价函数
Figure FDA0001448982040000018
Figure FDA0001448982040000019
的目标进行由大到小的排序;
步骤9,初始化每架无人机分配的目标个数λj=0;
步骤10,删除
Figure FDA00014489820400000110
中已被分配的目标;
步骤11,判定
Figure FDA00014489820400000111
是否为空,是则重复步骤4~11,并将
Figure FDA00014489820400000112
中的目标由大到小排序;否则将
Figure FDA00014489820400000113
中的目标由大到小排序后转到步骤12;
步骤12,将排序后的
Figure FDA00014489820400000114
中的最优目标分配给无人机j,并从目标群中删除该目标;
步骤13,判定无人机j是否达到最大执行任务能力mj,是则转到步骤14;否则转到步骤10,继续为无人机分配目标;
步骤14,判定是否所有的无人机都已经达到最大执行任务能力,是则结束任务;否则转到步骤10,继续为未达到最大执行任务能力的无人机分配目标。
2.根据权利要求1所述的针对大规模目标群的无人机协同目标分配方法,其特征在于:所述的属性包括但不限于无人机间距离、救援所需时间和救援价值。
3.根据权利要求1所述的针对大规模目标群的无人机协同目标分配方法,其特征在于:所述的评价函数
Figure FDA0001448982040000021
其中,αk为指挥员认定的目标第k维属性Γk的权重,αk∈(0,1),(k=1,2,…,n)且
Figure FDA0001448982040000022
CN201711031260.5A 2017-10-30 2017-10-30 一种针对大规模目标群的无人机协同目标分配方法 Active CN107678446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711031260.5A CN107678446B (zh) 2017-10-30 2017-10-30 一种针对大规模目标群的无人机协同目标分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711031260.5A CN107678446B (zh) 2017-10-30 2017-10-30 一种针对大规模目标群的无人机协同目标分配方法

Publications (2)

Publication Number Publication Date
CN107678446A CN107678446A (zh) 2018-02-09
CN107678446B true CN107678446B (zh) 2020-11-06

Family

ID=61142767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711031260.5A Active CN107678446B (zh) 2017-10-30 2017-10-30 一种针对大规模目标群的无人机协同目标分配方法

Country Status (1)

Country Link
CN (1) CN107678446B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108508916B (zh) * 2018-04-02 2021-05-07 南方科技大学 一种无人机编队的控制方法、装置、设备及存储介质
CN108647770A (zh) * 2018-04-19 2018-10-12 东华大学 一种基于粒子群算法的多无人机救灾搜索路径的优化方法
CN109408157B (zh) * 2018-11-01 2022-03-04 西北工业大学 一种多机器人协同任务的确定方法及装置
CN109917806B (zh) * 2019-03-14 2020-08-11 北京航空航天大学 一种基于非劣解鸽群优化的无人机集群编队控制方法
CN110134146B (zh) * 2019-06-14 2021-12-28 西北工业大学 一种不确定环境下的分布式多无人机任务分配方法
CN110609571B (zh) * 2019-08-06 2022-01-07 同济大学 一种基于多无人机的多运动目标分布式协同视觉定位方法
CN114545975B (zh) * 2022-03-08 2023-03-17 大连理工大学 融合多目标进化算法和合同网算法的多无人机系统任务分配方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1666842A1 (en) * 2004-09-06 2006-06-07 Saab Ab A system and a method for mission planning
CN103744290B (zh) * 2013-12-30 2016-02-24 合肥工业大学 一种多无人机编队分层目标分配方法
CN104867357B (zh) * 2015-01-21 2017-03-01 中南大学 面向地震应急响应的多无人机调度与任务规划方法
CN104898689B (zh) * 2015-03-27 2016-06-01 合肥工业大学 一种区间信息条件下的多无人机目标分配决策方法
CN105184092B (zh) * 2015-09-23 2018-04-13 电子科技大学 一种资源限制条件下多类型无人机协同任务分配方法
CN105302153B (zh) * 2015-10-19 2018-04-17 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
CN106230827B (zh) * 2016-08-02 2019-03-05 南京工程学院 一种基于成本效益优化的多目标服务组合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
无人机对地运动目标精确打击技术研究;黄捷;《中国优秀硕士学位论文全文数据库》;20140301;全文 *
无人机空对地多目标攻击的满意分配决策技术;黄捷等;《电光与控制》;20140731;第21卷(第7期);全文 *

Also Published As

Publication number Publication date
CN107678446A (zh) 2018-02-09

Similar Documents

Publication Publication Date Title
CN107678446B (zh) 一种针对大规模目标群的无人机协同目标分配方法
CN113689556B (zh) 一种块自适应型笛卡尔网格快速图映射方法及系统
CN109189094B (zh) 一种多有人机与多无人机混合编队资源调度方法
Wang et al. Cooperative task allocation for heterogeneous multi-UAV using multi-objective optimization algorithm
CN109409775A (zh) 一种卫星联合观测任务规划方法
CN109523316A (zh) 商业服务模型的自动化建模方法
CN102682103A (zh) 一种面向海量激光雷达点云模型的三维空间索引方法
CN105160706B (zh) 一种单机多核环境下约束地形并行构建方法
CN114494650B (zh) 一种分布式非结构网格跨处理器面对接方法及系统
CN111313957B (zh) 基于分类多目标优化的混合卫星通信系统资源分配方法
CN111324453B (zh) 用于区块链平台资源调度的方法
CN114491824B (zh) 有限元网格自动划分方法、设备和存储介质
CN111860957B (zh) 一种考虑二次配送和平衡用时的多车型车辆路径规划方法
CN107992358A (zh) 一种适用于核外图处理系统的异步io执行方法及系统
CN104580518A (zh) 一种用于存储系统的负载均衡控制方法
CN109582735A (zh) 一种区块链知识单元存储系统
CN113438620A (zh) 一种无人机集群中心节点最优选择方法
CN117093885A (zh) 融合分层聚类和粒子群的联邦学习多目标优化方法
Wang et al. Research on Hybrid Real-Time Picking Routing Optimization Based on Multiple Picking Stations.
CN116186640A (zh) 企业数据治理的迭代优化方法及系统
CN115330971B (zh) 一种面向渲染性能优化的几何模型轻量化方法
Song et al. Efficient topology-aware simplification of large triangulated terrains
CN112649005B (zh) 一种基于dem的无人直升机飞行航线诊断方法
CN115204359A (zh) 基于Winograd卷积的并行深度卷积神经网络优化方法
CN114004334A (zh) 模型压缩方法、模型压缩系统、服务器及存储介质

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