CN107886201B - 多无人机任务分配的多目标优化方法及装置 - Google Patents

多无人机任务分配的多目标优化方法及装置 Download PDF

Info

Publication number
CN107886201B
CN107886201B CN201711230591.1A CN201711230591A CN107886201B CN 107886201 B CN107886201 B CN 107886201B CN 201711230591 A CN201711230591 A CN 201711230591A CN 107886201 B CN107886201 B CN 107886201B
Authority
CN
China
Prior art keywords
unmanned aerial
task
aerial vehicle
population
chromosome
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
CN201711230591.1A
Other languages
English (en)
Other versions
CN107886201A (zh
Inventor
朱默宁
罗贺
方向
胡笑旋
王国强
马华伟
夏维
靳鹏
梁峥峥
牛艳秋
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.)
Anhui Youyun Intelligent Technology Co ltd
Original Assignee
Hefei Youkong Technology Information Technology Co ltd
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 Hefei Youkong Technology Information Technology Co ltd filed Critical Hefei Youkong Technology Information Technology Co ltd
Priority to CN201711230591.1A priority Critical patent/CN107886201B/zh
Publication of CN107886201A publication Critical patent/CN107886201A/zh
Application granted granted Critical
Publication of CN107886201B publication Critical patent/CN107886201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Abstract

本发明公开了一种多无人机任务分配的多目标优化方法及装置，该方法包括：获取目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器的数据；根据所述目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器的数据，构建TA‑MUAV‑STW模型；获取满足所述TA‑MUAV‑STW模型约束条件的初始解集；基于预设的NSGA‑Ⅱ算法对所述初始解集进行计算，得到所述TA‑MUAV‑STW模型的Pareto最优解，并将所述Pareto最优解作为多无人机任务分配的多目标优化的分配结果。本发明中通过建模并优化得到优化的无人机分配方案。

Description

多无人机任务分配的多目标优化方法及装置
技术领域
本发明涉及无人机技术领域，尤其涉及一种多无人机任务分配的多目标优化方法及装置。
背景技术
随着航空技术的不断发展，越来越多的高科技设备已经应用到航空领域中。而在众多高科技设备当中，无人机以其作业效率高、劳动强度小、综合成本低等方面的优势，迅速成为航空作业过程中一种较为重要的高科技设备。例如，可以执行航拍或扫描成像等作业任务。目前的无人机大致可以大致分为自旋翼以及固定翼两大类。其中自旋翼无人机以成本较低、机动性强、操作便捷等优点被较为广泛应用于航空作业中。
然而，在实施本发明的过程中发明人发现，由于当前无人机作业主要是人为遥控为主，实际作业的效果受到操作员的操作水平的影响较大，且通过人为即视的方式规划的航线与理论航线偏离严重，导致无人机的作业遗漏率和重复率往往偏高。
此外，当多架自旋翼无人机对多个点目标完成一种任务时，利用多架搭载不同传感器的无人机组成多无人机编队执行任务不但能够改善传统单无人机所携载荷带来的限制，而且能够利用多无人机间的传感器特点实现性能方面的互补，在面对不同类型任务目标时具备较强优势。在此过程中如何为每一架无人机分配任务执行的序列，以对总飞行路径和总任务收益这两个目标进行多目标优化。成为了一个亟待解决的问题。
发明内容
基于上述问题，本发明提供一种多无人机任务分配的多目标优化方法及装置，通过建模并优化得到优化的无人机任务分配方案。
为解决上述问题，本发明提供了一种多无人机任务分配的多目标优化方法，所述方法包括：
获取目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器数据；
根据所述目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器数据，构建TA-MUAV-STW(Task Assignment—Multi-UAV—Soft Time Window)模型；所述TA-MUAV-STW模型的目标函数包括最大化任务中多架无人机的总任务收益和最小化任务中多架无人机的总飞行路径。所述TA-MUAV-STW模型的预设约束包括传感器的任务执行数量约束、无人机起降点约束、任务执行完备性约束、出发时间约束和无人机飞行速度约束；
获取满足所述TA-MUAV-STW模型约束条件的初始解集；
基于预设的NSGA-Ⅱ算法进行计算，得到所述TA-MUAV-STW模型的Pareto最优解，并将所述Pareto最优解作为多无人机任务分配的多目标优化的分配结果。
其中，所述TA-MUAV-STW模型的目标函数为：
目标函数1：
Figure GDA0002691885620000021
目标函数2：
Figure GDA0002691885620000022
所述TA-MUAV-STW模型的约束条件为：
Figure GDA0002691885620000023
Figure GDA0002691885620000031
Figure GDA0002691885620000032
Figure GDA0002691885620000033
Figure GDA0002691885620000034
Figure GDA0002691885620000035
Figure GDA0002691885620000036
其中，所述Profit为多架无人机的总任务收益，Length为多架无人机的总飞行路径；Ai为编号为i的目标，其中A0表示无人机出发点位置，Ui表示编号为i的无人机，vi为无人机Ui的飞行速度，NA为目标个数，NU为无人机个数；t∈{T1，T2，T3}为某一无人机所搭载的传感器类型，g∈{G1，G2，G3}为某一种目标的类型，Iprtg为使用传感器t对类型为g的目标在最佳时间窗内进行的收益，Oprtg为使用传感器t对类型为g的目标在最佳时间窗外进行的收益；X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标Ai执行了任务，否则X(k，i)＝0，Yk (i，j)为决策变量，Yk (i，j)＝1表示无人机Uk访问完Ai后前往的是Aj，否则Yk (i，j)＝0，Ik i为决策变量，Ik i＝1表示无人机Uk在最佳时间窗内对目标Ai执行了任务，否则Ik i＝0，Ok i＝1表示无人机Uk在最佳时间窗外对目标Ai执行了任务，否则Ok i＝0；LOutij为无人机从Ai到Aj的飞行路径长度；tik 0为无人机起飞时刻，Cmax为传感器的最大任务执行能力。
其中，所述多架无人机的总飞行路径为每个无人机的飞行路径总和，即每个无人机在任务目标间的飞行路径总和；所述多架无人机的总任务收益为每个无人机的收益的总和，即每个无人机对各自所分配的任务目标执行的收益的总和。其中，每个无人机的收益具体包括：每个无人机对其所分配的目标在所述任务执行最佳时间窗内执行的收益和在所述任务执行最佳时间窗外执行的收益。
其中，获取满足所述TA-MUAV-STW模型约束条件的初始解集，包括：
基于所获取的数据进行编码，随机生成多条染色体；
其中，一条满足约束条件的所述染色体表示一个初始解，每条所述染色体的编码要素为目标标识信息和无人机标识信息。所述染色体的第一行为所述目标的标识信息的随机全排列，其中排列顺序表示了任务的执行顺序；所述染色体的第二行表示执行该目标任务的无人机的标识信息。一个对应位置的目标标识信息和无人机标识信息组成所述染色体的一个基因。
其中，基于预设的NSGA-Ⅱ算法进行计算，得到所述MOTA-MUAV模型的Pareto最优解，具体包括：
S51、根据所述初始解集生成初始化父代种群，父代种群的预设规模为P；
S52、通过多点对应交叉所述父代种群，产生交叉后种群。并通过两项选择变异所述交叉后种群，产生子代种群；
S53、将所述子代种群与所述父代种群合并，生成合并后种群；
S54、计算该合并后种群中各条染色体所表示分配情况下无人机执行任务目标的时间，并以此计算总飞行路径和任务收益；
S55、对所述合并后种群依据其各条染色体所表示分配情况下的总飞行路径和任务收益进行非支配顺序数和拥挤度计算，生成虚拟适应值；
S56、取所述合并后种群中虚拟适应值排名前P的染色体，组成新的父代种群；
S57、判断生成所述新的父代种群的次数是否达到预设最大化迭代次数，如是则跳转步骤S58，如否则跳转步骤S52；
S58、依据父代种群中各条染色体的非支配顺序数，输出非支配顺序数为1的染色体作为本次任务分配的结果。
其中，所述步骤S52中多点对应交叉所述父代种群，具体包括：
选择父代种群中任意两个父代染色体；
从选择的第一父代染色体中随机选择一段连续的基因；
在选择的第二父代染色体中选择具有与第一父代中被选中的一段基因有相同目标标识信息的基因；
将第一父代染色体中选择的基因与第二父代染色体中选择的基因，基于目标标识信息进行互换。产生两条新的染色体。若新生成的染色体不满足约束条件，则重复对选中的两个父代染色体进行交叉操作，直到新生成染色体均满足约束条件。
再次重复选择父代种群中的任意两个父代染色体进行上述交叉操作，共选取P/2对父代染色体进行上述交叉操作，最终产生P个新染色体组成交叉后种群。
其中，所述步骤S52中，两项选择变异所述交叉后种群，具体包括：无人机标识信息变异和任务执行顺序变异。
其中，无人机标识信息变异：选择染色体中任一条基因，将该条基因中的无人机标识信息变换为其他无人机的标识信息；
任务执行顺序变异：选择染色体中任一条基因，并在该染色体中搜索与选中的基因无人机标识信息相同的基因，将选择的基因与搜索的基因进行调换。
每条染色体依概率发生其中的0至2种变异，若变异后染色体不符合约束条件，则对该染色体重新进行变异操作。所述交叉后种群中所有染色体均进行变异操作后，变异产生的P条新染色体组成子代种群。
根据本发明的另一个方面，提供一种多无人机任务分配的多目标优化装置，其特征在于，包括：
数据获取单元，用于获取目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器的数据；
建模单元，用于根据所述目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器数据，构建TA-MUAV-STW(Task Assignment—Multi-UAV—Soft TimeWindow)模型；所述TA-MUAV-STW模型的目标函数包括最大化任务中多架无人机的总任务收益和最小化任务中多架无人机的总飞行路径。所述TA-MUAV-STW模型的预设约束包括传感器的任务执行数量约束、无人机起降点约束、任务执行完备性约束、出发时间约束和无人机飞行速度约束；
初始解获取单元，用于获取满足所述TA-MUAV-STW模型约束条件的初始解集；
最优解计算单元，用于基于预设的NSGA-Ⅱ算法进行计算，得到所述TA-MUAV-STW模型的Pareto最优解，并将所述Pareto最优解作为多无人机任务分配的多目标优化的分配结果。
其中，所述TA-MUAV-STW模型的目标函数为：
目标函数1：
Figure GDA0002691885620000061
目标函数2：
Figure GDA0002691885620000062
所述TA-MUAV-STW模型的约束条件为：
Figure GDA0002691885620000063
Figure GDA0002691885620000064
Figure GDA0002691885620000071
Figure GDA0002691885620000072
Figure GDA0002691885620000073
Figure GDA0002691885620000074
Figure GDA0002691885620000075
其中，所述Profit为多架无人机的总任务收益，Length为多架无人机的总飞行路径；Ai为编号为i的目标，其中A0表示无人机出发点位置，Ui表示编号为i的无人机，vi为无人机Ui的飞行速度，NA为目标个数，NU为无人机个数；t∈{T1，T2，T3}为某一无人机所搭载的传感器类型，g∈{G1，G2，G3}为某一种目标的类型，Iprtg为使用传感器t对类型为g的目标在最佳时间窗内进行的收益，Oprtg为使用传感器t对类型为g的目标在最佳时间窗外进行的收益；X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标Ai执行了任务，否则X(k，i)＝0，Yk (i，j)为决策变量，Yk (i，j)＝1表示无人机Uk访问完Ai后前往的是Aj，否则Yk (i，j)＝0，Ik i为决策变量，Ik i＝1表示无人机Uk在最佳时间窗内对目标Ai执行了任务，否则Ik i＝0，Ok i＝1表示无人机Uk在最佳时间窗外对目标Ai执行了任务，否则Ok i＝0；LOutij为无人机从Ai到Aj的飞行路径长度；tik 0为无人机起飞时刻，Cmax为传感器的最大任务执行能力。
其中，所述多架无人机的总飞行路径为每个无人机的飞行路径总和，即每个无人机在任务目标间的飞行路径总和；所述多架无人机的总任务收益为每个无人机的收益的总和，即每个无人机对各自所分配的任务目标执行的收益的总和。其中，每个无人机的收益具体包括：每个无人机对其所分配的目标在所述任务执行最佳时间窗内执行的收益和在所述任务执行最佳时间窗外执行的收益。
本发明的多无人机任务分配的多目标优化方法及装置，在考虑传感器的任务执行数量约束、无人机起降点约束、任务执行完备性约束、出发时间约束和无人机飞行速度约束和目标点类型、任务执行最佳时间窗等多种现实因素的约束下，同时对多架无人机的总任务收益以及多架无人机的总飞行路径这两个目标进行多目标优化。并通过构建TA-MUAV-STW模型和优化求解进而为每一架无人机分配任务执行的序列。
附图说明
图1示出了一种多无人机任务分配的多目标优化方法的流程图。
图2示出了本发明一个实施例的目标示意图。
图3示出了本发明实施例的任务执行时间与任务执行最佳时间窗关系示意图；
图4示出了本发明实施例的使用NSGA-Ⅱ算法对TA-MUAV-STW模型进行优化的流程图；
图5示出了本发明实施例的一条染色体的结构示意图；
图6示出了本发明实施例的一个染色体多点对应交叉方式示意图；
图7示出了本发明的实施例的染色体两项选择变异方法示意图；
图8示出了本发明的实施例的新父代种群生成示意图；
图9示出了本发明的多无人机任务分配的多目标优化装置的结构框图；
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
无人机对目标点执行任务是指利用无人机平台及其所搭载的传感器对指定位置处的信息进行采集的一类任务，在军事侦查、应急搜救、图像拍摄等不同领域中发挥着重要的作用。
在实际应用过程中，往往使用多无人机执行任务。这是因为：首先，单一无人机难以满足复杂任务的需要。随着目标点数量的增长，单一无人机执行任务的总时间被延长，难以高质量的完成对所有区域的探测任务；其次，同构多无人机难以适应不同类型的任务目标，匹配相应目标类型的传感器效果更佳。利用多架搭载不同传感器的无人机组成异构多无人机编队执行任务不但能够改善传统单无人机所携载荷带来的限制，而且能够利用异构无人机间的传感器特点实现性能方面的互补。
该多无人机协同任务是指由搭载不同传感器的多架无人机组成编队从同一机场起飞，对多个不同类型的目标点进行任务执行，且需要确保每个目标都能且仅能由一架无人机对其执行任务。
在该问题中，需要考虑传感器的任务执行数量约束、无人机起降点约束、任务执行完备性约束、出发时间约束和无人机飞行速度约束，而且还必须考虑任务目标的类型和任务执行最佳时间窗数据。并且在该问题中，最大化任务中多架无人机的总任务收益以及最小化多架无人机的总飞行路径是两个必须同时面对的优化目标。在多架无人机的总飞行路径最短的规划下，多架无人机的总任务收益可能不尽如人意；而在多架无人机的总任务收益最优的规划下，多架无人机的总飞行路径也可能较长。
因此，该问题就转化为每一架无人机分配任务执行的序列，以对多架无人机的总飞行路径和总任务收益这两个目标进行多目标优化。进而构建TA-MUAV-STW模型进行优化求解。
图1示出了一种多无人机任务分配的多目标优化方法的流程图。
参照图1，本发明的分配方法，具体包括以下步骤：
S1、获取目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器数据；
S2、根据所述目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器数据，构建TA-MUAV-STW(Task Assignment—Multi-UAV—Soft Time Window)模型；所述TA-MUAV-STW模型的目标函数包括最大化任务中多架无人机的总任务收益和最小化任务中多架无人机的总飞行路径。所述TA-MUAV-STW模型的预设约束包括传感器的任务执行数量约束、无人机起降点约束、任务执行完备性约束、出发时间约束和无人机飞行速度约束；
S3、获取满足所述TA-MUAV-STW模型约束条件的初始解集；
S4、基于预设的NSGA-Ⅱ算法进行计算，得到所述TA-MUAV-STW模型的Pareto最优解，并将所述Pareto最优解作为多无人机任务分配的多目标优化的分配结果。
以下通过具体实施例详细描述上述方法。
在本实施例中，设定所有无人机飞行速度均为v且其所携带的传感器具有相同的最大存储能力Cmax。同时，对无人机做如下假设：
(1)无人机均具有自动避障功能，当多架无人机在可能发生相互碰撞的情况下可采取自主规避，且自主规避产生的路径长度相对于飞行路径的总长度可忽略不计。
(2)无人机均以相同的给定速度和高度进行飞行，这样可使得机载传感器的任务执行能力在该飞行速度和高度下达到最佳。
(3)无人机自身的抗风能力强于当前环境下的风力，即不考虑场景中风力对无人机飞行路径的影响。
(4)该场景下，虽然无人机所携带的燃料有限，但是假设其仍能够满足执行该任务的需要，即不考虑燃料的问题。
在本实施例中，首先获取目标点的位置和类型数据；任务执行最佳时间窗数据；传感器收益系数数据；自旋翼无人机携带传感器类型数据。Profit为多架无人机的总任务收益，Length为多架无人机的总飞行路径；Ai为编号为i的目标，其中A0表示无人机出发点位置，Ui表示编号为i的无人机，vi为无人机Ui的飞行速度，NA为目标个数，NU为无人机个数；t∈{T1，T2，T3}为某一无人机所搭载的传感器类型，g∈{G1，G2，G3}为某一种目标的类型，Iprtg为使用传感器t对类型为g的目标在最佳时间窗内进行的收益，Oprtg为使用传感器t对类型为g的目标在最佳时间窗外进行的收益；X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标Ai执行了任务，否则X(k，i)＝0，Yk (i，j)为决策变量，Yk (i，j)＝1表示无人机Uk访问完Ai后前往的是Aj，否则Yk (i，j)＝0，Ik i为决策变量，Ik i＝1表示无人机Uk在最佳时间窗内对目标Ai执行了任务，否则Ik i＝0，Ok i＝1表示无人机Uk在最佳时间窗外对目标Ai执行了任务，否则Ok i＝0；LOutij为无人机从Ai到Aj的飞行路径长度；tik 0为无人机起飞时刻，Cmax为传感器的最大任务执行能力。
一队无人机U＝{U1,U2,U3}分别携带传感器T1，T2，T3，从A0出发对目标A＝{A1,A2,…,A6}执行探测任务，目标A＝{A1,A2,…,A6}的类型分别为G1，G2，G1，G2，G3，G3。如图2所示。在任务执行过程中，每个目标都能且仅能由一架无人机对其执行任务。
基于上述设置，本发明的实施例的TA-MUAV-STW模型建立如下所述。
设X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标Ai执行了任务，否则X(k，i)＝0，Yk (i，j)为决策变量，Yk (i，j)＝1表示无人机Uk访问完Ai后前往的是Aj，否则Yk (i，j)＝0。
则TA-MUAV-STW模型的目标函数为：
目标函数1：
Figure GDA0002691885620000111
目标函数2：
Figure GDA0002691885620000121
上述TA-MUAV-STW模型的约束条件分别为：
Figure GDA0002691885620000122
Figure GDA0002691885620000123
Figure GDA0002691885620000124
Figure GDA0002691885620000125
Figure GDA0002691885620000126
Figure GDA0002691885620000127
Figure GDA0002691885620000128
上述模型中，目标函数中，公式(1)用来计算无人机对所有目标
Figure GDA0002691885620000129
的总任务收益值，本实施例中要最大化总任务收益值。
公式(2)用来计算计算无人机
Figure GDA00026918856200001210
执行任务的总飞行距离，本实施例中要同时最小化无人机的飞行距离。
上述实施例的约束条件中，公式(3)表示限定所有无人机的出发时刻均为0时；
公式(4)表示限定所有无人机飞行速度均为v；
公式(5)表示限定所有无人机的出发点均为A0；
公式(6)表示限定所有目标区域均有无人机对其进行探测；
公式(7)表示限定任一目标区域仅由一架无人机对其进行探测；
公式(8)表示限定所有无人机在完成探测任务后必须返回A0；
公式(9)表示限定无人机所分配的探测任务不能超过所携带传感器的最大探测能力Cmax。
进一步的实施例中，对上述模型的优化，是一个多目标优化问题，包含了最大化任务收益与最小化无人机飞行路径长度这两个优化目标。本发明的实施例采用了NSGA-Ⅱ算法对模型进行优化，并设计了针对该模型的编码方法、多点对应交叉和两项选择变异。NSGA-Ⅱ算法是处理多目标优化问题的有效算法，该算法首先随机生成大量的可行解，并通过快速非支配排序、拥挤度计算、选择、交叉、变异等方法产生逼近Pareto前沿的解。
图4示出了本发明实施例的使用NSGA-Ⅱ算法对TA-MUAV-STW模型进行优化的流程图。
参照图4，本发明使用NSGA-Ⅱ算法对TA-MUAV-STW模型进行优化的过程如下：
S51、根据所述初始解集生成初始化父代种群，父代种群的预设规模为P；
S52、通过多点对应交叉所述父代种群，产生交叉后种群。并通过两项选择变异所述交叉后种群，产生子代种群；
S53、将所述子代种群与所述父代种群合并，生成合并后种群；
S54、计算该合并后种群中各条染色体所表示分配情况下无人机执行任务目标的时间，并以此计算总飞行路径和任务收益；
S55、对所述合并后种群依据其各条染色体所表示分配情况下的总飞行路径和任务收益进行非支配顺序数和拥挤度计算，生成虚拟适应值；
S56、取所述合并后种群中虚拟适应值排名前P的染色体，组成新的父代种群；
S57、判断生成所述新的父代种群的次数是否达到预设最大化迭代次数，如是则跳转步骤S58，如否则跳转步骤S52；
S58、依据父代种群中各条染色体的非支配顺序数，输出非支配顺序数为1的染色体作为本次任务分配的结果。
上述步骤S51中，将可行的任务分配方案编译成一条染色体编码，一个对应位置的目标标识信息和无人机标识信息这两个要素组成了所述染色体的一个基因。因此，在本实施例中的染色体编码是一个2*NA，即2*6的矩阵。染色体矩阵的两个行分别编译了目标编号{A1,A2,…,A6}、无人机编号{U1,U2,U3}。如图5所示，是本实施例中的一个染色体示例，表示了无人机U1离开出发点后对目标A3执行任务，随后对目标A5执行任务，随后对目标A1执行任务，最后返回机场；无人机U2离开出发点后对目标A6执行任务，随后对目标A4执行任务，最后返回机场；无人机U3离开出发点后对目标A2执行任务，最后返回机场。
在进一步的实施例中，设计了一种多点对应交叉，对父代种群进行交叉操作，以产生继承父代优良基因的子代染色体。具体包括：
选择父代种群中任意两个父代染色体；
从选择的第一父代染色体中随机选择一段连续的基因；
在选择的第二父代染色体中选择具有与第一父代中被选中的一段基因有相同目标标识信息的基因；
将第一父代染色体中选择的基因与第二父代染色体中选择的基因，基于目标标识信息进行互换。产生两条新的染色体。若新生成的染色体不满足约束条件，则重复对选中的两个父代染色体进行交叉操作，直到新生成染色体均满足约束条件。
再次重复选择父代种群中的任意两个父代染色体进行上述交叉操作，共选取P/2对父代染色体进行上述交叉操作，最终产生P个新染色体组成交叉后种群。
如图6所示，是本实施例中的一个多点对应交叉示例，该示例中，首先选中了染色体1上的连续基因2,3；随后在染色体2中寻找对应信息基因1,4；最后对应信息基因进行交叉互换，生成交叉后的两条新染色体。
更进一步的实施例中，为了防止种群陷入局部最优，设计了一种两项选择变异，对所述交叉后种群，具体包括：无人机标识信息变异和任务执行顺序变异。每条染色体依概率发生其中的0至2种变异，若变异后染色体不符合约束条件，则对该染色体重新进行变异操作。所述交叉后种群中所有染色体均进行变异操作后，变异产生的P条新染色体组成子代种群。如图7所示，是本实施例中的一个两项选择变异示例，该示例中分别示出了可能的无人机标识信息变异和任务执行顺序变异。在无人机标识信息变异中，染色体随机选中基因5，并将对应位置无人机标示信息1变异为3；在任务执行顺序变异中，随机选中了具有相同无人机标示信息的基因4,6，随后对着两个基因进行顺序对调，如此就可以产生无人机对目标区域探测顺序的变异。
进一步地，为了将优良个体保留到下一代，规模为P的父代种群与生成的规模为P的子代种群，合并成一个规模为2P的新种群。然后对该种群进行快速非支配排序和拥挤度计算，然后选择前P个染色体组成新的种群作为新父代种群。如图8所示。
通过上述的优化计算后，能够得到多无人机任务分配的多目标优化方法方案，该分配方案包括为每个无人机分配其所负责的目标和对各自所负责目标的任务执行顺序。如下表1所示。
表1为一个实施例的分配结果
Figure GDA0002691885620000151
在本发明的另一个实施例中，提供了一种多无人机任务分配的多目标优化装置，如图9所示，其具体包括：
数据获取单元10，用于获取目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器数据；
建模单元20，用于根据所述目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器数据，构建TA-MUAV-STW(Task Assignment—Multi-UAV—Soft TimeWindow)模型；所述TA-MUAV-STW模型的目标函数包括最大化任务中多架无人机的总任务收益和最小化任务中多架无人机的总飞行路径。所述TA-MUAV-STW模型的预设约束包括传感器的任务执行数量约束、无人机起降点约束、任务执行完备性约束、出发时间约束和无人机飞行速度约束；
初始解集获取单元30，用于获取满足所述TA-MUAV-STW模型约束条件的初始解集；
最优解计算单元40，用于基于预设的NSGA-Ⅱ算法进行计算，得到所述TA-MUAV-STW模型的Pareto最优解，并将所述Pareto最优解作为多无人机任务分配的多目标优化的分配结果。
本发明的一种多无人机任务分配的多目标优化方法及装置，在考虑传感器的任务执行数量约束、无人机起降点约束、任务执行完备性约束、出发时间约束和无人机飞行速度约束和目标点类型、任务执行最佳时间窗等多种现实因素的约束下，同时对多架无人机的总任务收益以及多架无人机的总飞行路径这两个目标进行多目标优化。并通过构建TA-MUAV-STW模型和优化求解进而为每一架无人机分配任务执行的序列。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (6)

1.一种多无人机任务分配的多目标优化方法，其特征在于，当多架搭载传感器的自旋翼无人机于同一出发点出发对多个点目标执行任务时，所述方法包括：
获取目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器数据；
根据所述目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器数据，构建TA-MUAV-STW模型；所述TA-MUAV-STW模型的目标函数包括最大化任务中多架无人机的总任务收益和最小化任务中多架无人机的总飞行路径，所述TA-MUAV-STW模型的预设约束包括传感器的任务执行数量约束、无人机起降点约束、任务执行完备性约束、出发时间约束和无人机飞行速度约束；
获取满足所述TA-MUAV-STW模型约束条件的初始解集；
基于预设的NSGA-Ⅱ算法进行计算，得到所述TA-MUAV-STW模型的Pareto最优解，并将所述Pareto最优解作为多无人机任务分配的多目标优化的分配结果；
所述TA-MUAV-STW模型的目标函数为：
目标函数1：
Figure FDA0002691885610000011
目标函数2：
Figure FDA0002691885610000012
所述TA-MUAV-STW模型的约束条件为：
Figure FDA0002691885610000013
Figure FDA0002691885610000014
Figure FDA0002691885610000021
Figure FDA0002691885610000022
Figure FDA0002691885610000023
Figure FDA0002691885610000024
Figure FDA0002691885610000025
其中，所述Profit为多架无人机的总任务收益，Length为多架无人机的总飞行路径；Ai为编号为i的目标，其中A0表示无人机出发点位置，Ui表示编号为i的无人机，vi为无人机Ui的飞行速度，NA为目标个数，NU为无人机个数；t∈{T1，T2，T3}为某一无人机所搭载的传感器类型，g∈{G1，G2，G3}为某一种目标的类型，Iprtg为使用传感器t对类型为g的目标在最佳时间窗内进行的收益，Oprtg为使用传感器t对类型为g的目标在最佳时间窗外进行的收益；X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标Ai执行了任务，否则X(k，i)＝0，Yk (i，j)为决策变量，Yk (i，j)＝1表示无人机Uk访问完Ai后前往的是Aj，否则Yk (i，j)＝0，Ik i为决策变量，Ik i＝1表示无人机Uk在最佳时间窗内对目标Ai执行了任务，否则Ik i＝0，Ok i＝1表示无人机Uk在最佳时间窗外对目标Ai执行了任务，否则Ok i＝0；LOutij为无人机从Ai到Aj的飞行路径长度；tik 0为无人机起飞时刻，Cmax为传感器的最大任务执行能力；
所述MOTA-MUAV模型的Pareto最优解的获取方法包括：
S51、根据所述初始解集生成初始化父代种群，父代种群的预设规模为P；
所述S51包括：将可行的任务分配方案编译成一条染色体编码，一个对应位置的目标标识信息和无人机标识信息这两个要素组成了所述染色体的一个基因；
S52、通过多点对应交叉所述父代种群，产生交叉后种群，并通过两项选择变异所述交叉后种群，产生子代种群；
S53、将所述子代种群与所述父代种群合并，生成合并后种群；
S54、计算该合并后种群中各条染色体所表示分配情况下无人机执行任务目标的时间，并以此计算总飞行路径和任务收益；
S55、对所述合并后种群依据其各条染色体所表示分配情况下的总飞行路径和任务收益进行非支配顺序数和拥挤度计算，生成虚拟适应值；
S56、取所述合并后种群中虚拟适应值排名前P的染色体，组成新的父代种群；
S57、判断生成所述新的父代种群的次数是否达到预设最大化迭代次数，如是则跳转步骤S58，如否则跳转步骤S52；
S58、依据父代种群中各条染色体的非支配顺序数，输出非支配顺序数为1的染色体作为本次任务分配的结果；
所述步骤S52中，两项选择变异所述交叉后种群，具体包括：无人机标识信息变异和任务执行顺序变异；
其中，无人机标识信息变异：选择染色体中任一条基因，将该条基因中的无人机标识信息变换为其他无人机的标识信息；
任务执行顺序变异：选择染色体中任一条基因，并在该染色体中搜索与选中的基因无人机标识信息相同的基因，将选择的基因与搜索的基因进行调换，
每条染色体依概率发生其中的0至2种变异，若变异后染色体不符合约束条件，则对该染色体重新进行变异操作，所述交叉后种群中所有染色体均进行变异操作后，变异产生的P条新染色体组成子代种群。
2.如权利要求1所述的方法，其特征在于，所述多架无人机的总飞行路径为每个无人机的飞行路径总和，即每个无人机在任务目标间的飞行路径总和；所述多架无人机的总任务收益为每个无人机的收益的总和，即每个无人机对各自所分配的任务目标执行的收益的总和，
其中，每个无人机的收益具体包括：每个无人机对其所分配的目标在所述任务执行最佳时间窗内执行的收益和在所述任务执行最佳时间窗外执行的收益。
3.根据权利要求1所述的方法，其特征在于，获取满足所述TA-MUAV-STW模型约束条件的初始解集，包括：
基于所获取的数据进行编码，随机生成多条染色体；
其中，一条满足约束条件的所述染色体表示一个初始解，每条所述染色体的编码要素为目标标识信息和无人机标识信息，所述染色体的第一行为所述目标的标识信息的随机全排列，其中排列顺序表示了任务的执行顺序；所述染色体的第二行表示执行该目标任务的无人机的标识信息，一个对应位置的目标标识信息和无人机标识信息组成所述染色体的一个基因。
4.如权利要求3所述的方法，其特征在于，所述步骤S52中多点对应交叉所述父代种群，具体包括：
选择父代种群中任意两个父代染色体；
从选择的第一父代染色体中随机选择一段连续的基因；
在选择的第二父代染色体中选择具有与第一父代中被选中的一段基因有相同目标标识信息的基因；
将第一父代染色体中选择的基因与第二父代染色体中选择的基因，基于目标标识信息进行互换，产生两条新的染色体，若新生成的染色体不满足约束条件，则重复对选中的两个父代染色体进行交叉操作，直到新生成染色体均满足约束条件，
再次重复选择父代种群中的任意两个父代染色体进行上述交叉操作，共选取P/2对父代染色体进行上述交叉操作，最终产生P个新染色体组成交叉后种群。
5.一种多无人机任务分配的多目标优化装置，其特征在于，包括：
数据获取单元，用于获取目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器的数据；
建模单元，用于根据所述目标数据，任务执行最佳时间窗数据，无人机数据和无人机所搭载传感器数据，构建TA-MUAV-STW模型；所述TA-MUAV-STW模型的目标函数包括最大化任务中多架无人机的总任务收益和最小化任务中多架无人机的总飞行路径，所述TA-MUAV-STW模型的预设约束包括传感器的任务执行数量约束、无人机起降点约束、任务执行完备性约束、出发时间约束和无人机飞行速度约束；
初始解获取单元，用于获取满足所述TA-MUAV-STW模型约束条件的初始解集；
最优解计算单元，用于基于预设的NSGA-Ⅱ算法进行计算，得到所述TA-MUAV-STW模型的Pareto最优解，并将所述Pareto最优解作为多无人机任务分配的多目标优化的分配结果；
所述TA-MUAV-STW模型的目标函数为：
目标函数1：
Figure FDA0002691885610000051
目标函数2：
Figure FDA0002691885610000052
所述TA-MUAV-STW模型的约束条件为：
Figure FDA0002691885610000053
Figure FDA0002691885610000061
Figure FDA0002691885610000062
Figure FDA0002691885610000063
Figure FDA0002691885610000064
Figure FDA0002691885610000065
Figure FDA0002691885610000066
其中，所述Profit为多架无人机的总任务收益，Length为多架无人机的总飞行路径；Ai为编号为i的目标，其中A0表示无人机出发点位置，Ui表示编号为i的无人机，vi为无人机Ui的飞行速度，NA为目标个数，NU为无人机个数；t∈{T1，T2，T3}为某一无人机所搭载的传感器类型，g∈{G1，G2，G3}为某一种目标的类型，Iprtg为使用传感器t对类型为g的目标在最佳时间窗内进行的收益，Oprtg为使用传感器t对类型为g的目标在最佳时间窗外进行的收益；X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标Ai执行了任务，否则X(k，i)＝0，Yk (i，j)为决策变量，Yk (i，j)＝1表示无人机Uk访问完Ai后前往的是Aj，否则Yk (i，j)＝0，Ik i为决策变量，Ik i＝1表示无人机Uk在最佳时间窗内对目标Ai执行了任务，否则Ik i＝0，Ok i＝1表示无人机Uk在最佳时间窗外对目标Ai执行了任务，否则Ok i＝0；LOutij为无人机从Ai到Aj的飞行路径长度；tik 0为无人机起飞时刻，Cmax为传感器的最大任务执行能力；
所述MOTA-MUAV模型的Pareto最优解的获取方法包括：
S51、根据所述初始解集生成初始化父代种群，父代种群的预设规模为P；
所述S51包括；将可行的任务分配方案编译成一条染色体编码，一个对应位置的目标标识信息和无人机标识信息这两个要素组成了所述染色体的一个基因；
S52、通过多点对应交叉所述父代种群，产生交叉后种群，并通过两项选择变异所述交叉后种群，产生子代种群；
S53、将所述子代种群与所述父代种群合并，生成合并后种群；
S54、计算该合并后种群中各条染色体所表示分配情况下无人机执行任务目标的时间，并以此计算总飞行路径和任务收益；
S55、对所述合并后种群依据其各条染色体所表示分配情况下的总飞行路径和任务收益进行非支配顺序数和拥挤度计算，生成虚拟适应值；
S56、取所述合并后种群中虚拟适应值排名前P的染色体，组成新的父代种群；
S57、判断生成所述新的父代种群的次数是否达到预设最大化迭代次数，如是则跳转步骤S58，如否则跳转步骤S52；
S58、依据父代种群中各条染色体的非支配顺序数，输出非支配顺序数为1的染色体作为本次任务分配的结果；
所述步骤S52中，两项选择变异所述交叉后种群，具体包括：无人机标识信息变异和任务执行顺序变异；
其中，无人机标识信息变异：选择染色体中任一条基因，将该条基因中的无人机标识信息变换为其他无人机的标识信息；
任务执行顺序变异：选择染色体中任一条基因，并在该染色体中搜索与选中的基因无人机标识信息相同的基因，将选择的基因与搜索的基因进行调换，
每条染色体依概率发生其中的0至2种变异，若变异后染色体不符合约束条件，则对该染色体重新进行变异操作，所述交叉后种群中所有染色体均进行变异操作后，变异产生的P条新染色体组成子代种群。
6.如权利要求5所述的装置，其特征在于，所述多架无人机的总飞行路径为每个无人机的飞行路径总和，即每个无人机在任务目标间的飞行路径总和；所述多架无人机的总任务收益为每个无人机的收益的总和，即每个无人机对各自所分配的任务目标执行的收益的总和，
其中，每个无人机的收益具体包括：每个无人机对其所分配的目标在所述任务执行最佳时间窗内执行的收益和在所述任务执行最佳时间窗外执行的收益。
CN201711230591.1A 2017-11-29 2017-11-29 多无人机任务分配的多目标优化方法及装置 Active CN107886201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711230591.1A CN107886201B (zh) 2017-11-29 2017-11-29 多无人机任务分配的多目标优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711230591.1A CN107886201B (zh) 2017-11-29 2017-11-29 多无人机任务分配的多目标优化方法及装置

Publications (2)

Publication Number Publication Date
CN107886201A CN107886201A (zh) 2018-04-06
CN107886201B true CN107886201B (zh) 2021-01-12

Family

ID=61776163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711230591.1A Active CN107886201B (zh) 2017-11-29 2017-11-29 多无人机任务分配的多目标优化方法及装置

Country Status (1)

Country Link
CN (1) CN107886201B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147870B (zh) * 2019-04-08 2022-11-11 合肥工业大学 一种用于地震灾后多无人机任务分配的优化方法
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
CN110155328B (zh) * 2019-05-21 2022-11-01 上海理工大学 无人机针对地震灾区移动诊所进行医疗物资配送的方法
CN110414685B (zh) * 2019-06-20 2020-08-28 合肥工业大学 多无人机任务分配的纳什均衡博弈智能决策方法及系统
CN110245809B (zh) * 2019-06-26 2020-05-22 北京洛必德科技有限公司 一种用于多机器人多任务协作工作的智能优化方法和系统
CN112035116B (zh) * 2020-08-26 2021-07-16 大连理工大学 多目标编译优化序列选择的代理建模方法
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
CN113126651B (zh) * 2021-03-12 2022-07-19 合肥工业大学 多无人机协同对抗的智能决策装置和系统
CN112801601B (zh) * 2021-04-08 2021-07-02 北京三快在线科技有限公司 分配航线的方法、装置、存储介质及电子设备
CN113110595B (zh) * 2021-05-12 2022-06-21 中国人民解放军陆军工程大学 面向目标核查印证的异构无人机群协同方法
CN115371685B (zh) * 2022-10-24 2023-03-24 成都市以太节点科技有限公司 工控场景下无人设备优势路径规划方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842963A (zh) * 2017-04-14 2017-06-13 合肥工业大学 多无人机探测任务分配与航迹规划联合优化方法及装置
CN106873629A (zh) * 2017-04-14 2017-06-20 合肥工业大学 无人机航空作业任务分配方法及装置
CN107037827A (zh) * 2017-04-14 2017-08-11 合肥工业大学 无人机航空作业任务分配与航迹规划联合优化方法及装置
CN107238388A (zh) * 2017-05-27 2017-10-10 合肥工业大学 多无人机任务分配与航迹规划联合优化方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9567080B2 (en) * 2013-05-02 2017-02-14 Bae Systems Plc Goal-based planning system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842963A (zh) * 2017-04-14 2017-06-13 合肥工业大学 多无人机探测任务分配与航迹规划联合优化方法及装置
CN106873629A (zh) * 2017-04-14 2017-06-20 合肥工业大学 无人机航空作业任务分配方法及装置
CN107037827A (zh) * 2017-04-14 2017-08-11 合肥工业大学 无人机航空作业任务分配与航迹规划联合优化方法及装置
CN107238388A (zh) * 2017-05-27 2017-10-10 合肥工业大学 多无人机任务分配与航迹规划联合优化方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"UCAV协同攻击多目标的任务分配技术研究";程聪 等;《吉林大学学报（信息科学版）》;20121130;第30卷(第6期);第609-615页 *
"多无人机农药喷洒任务分配模型";牛艳秋 等;《第十九届中国管理科学学术年会论文集》;20171020;第1-2节 *

Also Published As

Publication number Publication date
CN107886201A (zh) 2018-04-06

Similar Documents

Publication Publication Date Title
CN107977743B (zh) 多无人机协同任务分配方法及装置
CN107886201B (zh) 多无人机任务分配的多目标优化方法及装置
CN108229719B (zh) 无人机编队任务分配与航迹规划的多目标优化方法及装置
CN107807665B (zh) 无人机编队探测任务协同分配方法及装置
CN107169608B (zh) 多无人机执行多任务的分配方法及装置
CN112766813B (zh) 一种空天协同观测复杂任务调度方法
CN112016812B (zh) 多无人机任务调度方法、系统及存储介质
CN107103164B (zh) 无人机执行多任务的分配方法及装置
CN109960544B (zh) 基于数据驱动型敏捷卫星任务并行调度方法
CN107330588B (zh) 一种多基地异构无人机协同侦察的任务规划方法
CN106406346A (zh) 一种多无人机协同快速覆盖搜索航迹规划方法
CN109165808A (zh) 一种电力通信网现场运维工单派发方法
Wang et al. Rank-driven salp swarm algorithm with orthogonal opposition-based learning for global optimization
CN113885555A (zh) 面向输电线路密集通道巡检的多机任务分配方法和系统
CN112327907A (zh) 一种无人机路径规划方法
CN113485409B (zh) 一种面向地理公平性的无人机路径规划分配方法及系统
CN115373424B (zh) 面向时间窗口的多无人机机场选址与随机任务调度方法
Liu et al. Real-time unmanned aerial vehicle cruise route optimization for road segment surveillance using decomposition algorithm
CN114167898A (zh) 一种无人机收集数据的全局路径规划方法及系统
CN114020005A (zh) 多无人机协同巡检配网线路的航迹规划方法和系统
Li et al. Task assignment of multi-robot systems based on improved genetic algorithms
Yang et al. Learning graph-enhanced commander-executor for multi-agent navigation
Ribeiro et al. Ant colony optimization algorithm and artificial immune system applied to a robot route
CN116050086A (zh) 一种基于遗传算法的多机空战任务分配方法
CN113283827B (zh) 一种基于深度强化学习的两阶段无人机物流路径规划方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhu Moning

Inventor after: Niu Yanqiu

Inventor after: Luo He

Inventor after: Fang Xiang

Inventor after: Hu Xiaoxuan

Inventor after: Wang Guoqiang

Inventor after: Ma Huawei

Inventor after: Xia Wei

Inventor after: Jin Peng

Inventor after: Liang Zhengzheng

Inventor before: Luo He

Inventor before: Niu Yanqiu

Inventor before: Fang Xiang

Inventor before: Hu Xiaoxuan

Inventor before: Zhu Moning

Inventor before: Wang Guoqiang

Inventor before: Ma Huawei

Inventor before: Xia Wei

Inventor before: Jin Peng

Inventor before: Liang Zhengzheng

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201216

Address after: No. 2301, building 651, Baoji Road, Hefei City, Anhui Province

Applicant after: Hefei Youkong Technology Information Technology Co.,Ltd.

Address before: Tunxi road in Baohe District of Hefei city of Anhui Province, No. 193 230009

Applicant before: Hefei University of Technology

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230908

Address after: B11, 2nd Floor, Building A4, Zhong'an Chuanggu Science and Technology Park, No. 900 Wangjiang West Road, High tech Zone, Hefei City, Anhui Province, 230000

Patentee after: Anhui Youyun Intelligent Technology Co.,Ltd.

Address before: No. 2301, building 651, Baoji Road, Hefei City, Anhui Province

Patentee before: Hefei Youkong Technology Information Technology Co.,Ltd.