CN107977743A - 多无人机协同任务分配方法及装置 - Google Patents
多无人机协同任务分配方法及装置 Download PDFInfo
- Publication number
- CN107977743A CN107977743A CN201711228331.0A CN201711228331A CN107977743A CN 107977743 A CN107977743 A CN 107977743A CN 201711228331 A CN201711228331 A CN 201711228331A CN 107977743 A CN107977743 A CN 107977743A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- munderover
- unmanned plane
- task
- 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.)
- Granted
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
- G06Q10/04—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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种多无人机协同任务分配方法及装置，其中，该方法包括：获取任务目标数据、无人机数据和无人机所搭载传感器数据；根据所述任务目标数据、无人机数据和无人机所搭载传感器数据，构建MOTA‑MUAV模型；所述MOTA‑MUAV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以及最小化任务中多架无人机的总飞行路径。MOTA‑MUAV模型的预设约束包括无人机起飞降落位置约束，任务执行情况约束和传感器执行任务数量约束；获取满足所述MOTA‑MUAV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MOTA‑MUAV模型的Pareto最优解，并将所述Pareto最优解作为多无人机协同任务的分配结果。本发明中通过建模并优化，从而得到多无人机协同任务分配的分配方案。
Description
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协同任务分配方法及装置。
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协同任务分配方法及装置，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协同任务分配方法，所述方法包括：
获取任务目标数据、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、无人机数据和无人机所搭载传感器数据，构建MOTA-MUAV(Multi-Objective Task assignment—Multi-UAV)模型；所述MOTA-MUAV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，所述模型的约束包括无人机起飞降落位置约束，任务执行情况约束和传感器执行任务数量约束；
获取满足所述MOTA-MUAV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MOTA-MUAV模型的Pareto最优解，并将所述Pareto最优解作为多无人机协同任务的分配结果。
其中，所述MOTA-MUAV模型的目标函数为：
O1：
O2：
其中，所述Profit为所有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，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，Prtg为使用传感器t对类型为g的目标执行任务的收益；LOutij为无人机从Ai到Aj的飞行路径长度；
所述MOTA-MUAV模型的约束条件为：
C1：
C2：
C3：
C4：
C5：
其中，X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标Ai执行任务，否则X(k，i)＝0；Yk (i，j)为决策变量，Yk (i，j)＝1表示无人机Uk访问完目标Ai后前往目标Aj，否则Yk (i，j)＝0；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执行任务的收益总和，搭载不同传感器的无人机对同一类型任务目标的收益不同。
其中，获取满足所述MOTA-MUAV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表示所述目标的标识信息的随机全排列，其中排列顺序表示任务的执行顺序；所述染色体的第二行表示执行该目标任务的无人机的标示信息；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，并计算该合并后种群中各条染色体所表示分配情况下的总飞行路径和任务收益；
S54、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；
S55、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；
S56、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S57，如否则跳转步骤S52；
S57、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，提供一种多无人机协同任务分配装置，包括：
数据获取单元，用于获取任务目标数据、无人机数据和无人机所搭载传感器数据；
建模单元，用于根据所述任务目标数据、无人机数据和无人机所搭载传感器数据，构建MOTA-MUAV(Multi-Objective Task assignment—Multi-UAV)模型；所述MOTA-MUAV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以及最小化任务中多架无人机的总飞行路径。MOTA-MUAV模型的预设约束包括无人机起飞降落位置约束，任务执行情况约束和传感器执行任务数量约束；
初始解获取单元，用于获取满足所述MOTA-MUAV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算法对所述初始解集进行计算，得到所述MOTA-MUAV模型的Pareto最优解，并将所述Pareto最优解作为多无人机协同任务的分配结果。
其中，所述MOTA-MUAV模型的目标函数为：
O1：
O2：
其中，所述Profit为所有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，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，Prtg为使用传感器t对类型为g的目标执行任务的收益；LOutij为无人机从Ai到Aj的飞行路径长度。
所述MOTA-MUAV模型的约束条件为：
C1：
C2：
C3：
C4：
C5：
其中，X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标Ai执行任务，否则X(k，i)＝0，Yk (i，j)为决策变量，Yk (i，j)＝1表示无人机Uk访问完目标Ai后前往目标Aj，否则Yk (i，j)＝0；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执行任务的收益总和，搭载不同传感器的无人机对同一类型任务目标的收益不同。
本发明的一种多无人机协同任务分配方法及装置，在考虑传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束和目标点类型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MOTA-MUAV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协同任务分配方法的流程图。
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使用NSGA-Ⅱ算法对MOTA-MUAV模型进行优化的流程图；
图4示出了本发明实施例的一条染色体的结构示意图；
图5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6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7示出了本发明的实施例的新父代种群生成示意图；
图8示出了本发明的多无人机协同任务分配装置的结构框图；
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，需要考虑无人机起飞降落位置约束，任务执行情况约束和传感器执行任务数量约束，而且还必须考虑任务目标的类型。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MOTA-MUAV(Multi-Objective Task assignment—Multi-UAV)模型进行优化求解。
图1示出了一种多无人机协同任务分配方法的流程图。
参照图1，本发明的分配方法，具体包括以下步骤：
S1、获取任务目标数据、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、无人机数据和无人机所搭载传感器数据，构建MOTA-MUAV(Multi-Objective Task assignment—Multi-UAV)模型；所述MOTA-MUAV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。所述模型的约束包括无人机起飞降落位置约束，任务执行情况约束和传感器执行任务数量约束；
S3、获取满足所述MOTA-MUAV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MOTA-MUAV模型的Pareto最优解，并将所述Pareto最优解作为多无人机协同任务的分配结果。
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；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为所有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，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，Prtg为使用传感器t对类型为g的目标执行任务的收益；LOutij为无人机从Ai到Aj的飞行路径长度；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；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MOTA-MUAV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MOTA-MUAV模型的目标函数为：
O1：
O2：
上述MOTA-MUAV模型的约束条件分别为：
C1：
C2：
C3：
C4：
C5：
上述模型中，目标函数中，公式O1用来计算无人机对所有目标的总任务收益值，本实施例中要最大化总任务收益值。
公式O2用来计算计算无人机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C1表示限定所有无人机的出发点均为A0。
公式C2表示限定所有目标均有无人机对其执行任务。
公式C3表示限定任一目标仅由一架无人机对其执行任务。
公式C4表示限定所有无人机在完成任务后必须返回A0。
公式C5表示限定无人机所分配的任务不能超过所携带传感器的最大任务执行能力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3示出了本发明实施例的使用NSGA-Ⅱ算法对MOTA-MUAV模型进行优化的流程图。
参照图3，本发明使用NSGA-Ⅱ算法对MOTA-MUAV模型进行优化的过程如下：
S51、根据所述初始解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，并计算该合并后种群中各条染色体所表示分配情况下的总飞行路径和任务收益；
S54、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；
S55、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；
S56、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S57，如否则跳转步骤S52；
S57、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4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5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6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7所示。
通过上述的优化计算后，能够得到多无人机协同任务分配方法方案，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
在本发明的另一个实施例中，提供了一种多无人机协同任务分配装置，如图8所示，其具体包括：
数据获取单元10，用于获取目标数据、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、无人机数据和无人机所搭载传感器数据，构建MOTA-MUAV(Multi-Objective Task assignment—Multi-UAV)模型；所述MOTA-MUAV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。所述模型的约束包括无人机起飞降落位置约束，任务执行情况约束和传感器执行任务数量约束；
初始解集获取单元30，用于获取满足所述MOTA-MUAV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MOTA-MUAV模型的Pareto最优解，并将所述Pareto最优解作为多无人机协同任务的分配结果。
本发明的一种多无人机协同任务分配方法及装置，在考虑传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束和目标点类型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MOTA-MUAV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 (8)
1.一种多无人机协同任务分配方法，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：
获取任务目标数据、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、无人机数据和无人机所搭载传感器数据，构建MOTA-MUAV模型；所述MOTA-MUAV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，所述模型的约束包括无人机起飞降落位置约束，任务执行情况约束和传感器执行任务数量约束；
获取满足所述MOTA-MUAV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MOTA-MUAV模型的Pareto最优解，并将所述Pareto最优解作为多无人机协同任务的分配结果；
所述MOTA-MUAV模型的目标函数为：
O1：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>Pr</mi>
<mi>o</mi>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<mi>Pr</mi>
<mrow>
<mi>t</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mo>{</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mn>3</mn>
</msub>
<mo>}</mo>
<mo>,</mo>
<mi>g</mi>
<mo>&Element;</mo>
<mo>{</mo>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>3</mn>
</msub>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
O2：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>L</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>LOut</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，所述Profit为所有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，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，Prtg为使用传感器t对类型为g的目标执行任务的收益；LOutij为无人机从Ai到Aj的飞行路径长度；
所述MOTA-MUAV模型的约束条件为：
C1：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
C2：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</mrow>
C3：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
<mo>}</mo>
</mrow>
C4：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
C5：
<mrow>
<msub>
<mi>C</mi>
<mi>max</mi>
</msub>
<mo>&GreaterEqual;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
其中，X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标Ai执行任务，否则X(k，i)＝0；Yk (i，j)为决策变量，Yk (i，j)＝1表示无人机Uk访问完目标Ai后前往目标Aj，否则Yk (i，j)＝0；Cmax为传感器的最大任务执行能力。
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执行任务的收益总和，搭载不同传感器的无人机对同一类型任务目标的收益不同。
3.根据权利要求1所述的方法，其特征在于，获取满足所述MOTA-MUAV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表示所述目标的标识信息的随机全排列，其中排列顺序表示任务的执行顺序；所述染色体的第二行表示执行该目标任务的无人机的标示信息；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1所述的方法，其特征在于，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，并计算该合并后种群中各条染色体所表示分配情况下的总飞行路径和任务收益；
S54、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；
S55、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；
S56、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S57，如否则跳转步骤S52；
S57、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。
5.如权利要求4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。
6.如权利要求4所述的方法，其特征在于，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包括：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；
任务执行顺序变异包括：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；
其中，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；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。
7.一种多无人机协同任务分配装置，其特征在于，包括：
数据获取单元，用于获取任务目标数据、无人机数据和无人机所搭载传感器数据；
建模单元，用于根据所述任务目标数据、无人机数据和无人机所搭载传感器数据，构建MOTA-MUAV模型；所述MOTA-MUAV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以及最小化任务中多架无人机的总飞行路径；MOTA-MUAV模型的预设约束包括无人机起飞降落位置约束，任务执行情况约束和传感器执行任务数量约束；
初始解获取单元，用于获取满足所述MOTA-MUAV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算法对所述初始解集进行计算，得到所述MOTA-MUAV模型的Pareto最优解，并将所述Pareto最优解作为多无人机协同任务的分配结果；
所述MOTA-MUAV模型的目标函数为：
O1：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>Pr</mi>
<mi>o</mi>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<mi>Pr</mi>
<mrow>
<mi>t</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mo>{</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mn>3</mn>
</msub>
<mo>}</mo>
<mo>,</mo>
<mi>g</mi>
<mo>&Element;</mo>
<mo>{</mo>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>3</mn>
</msub>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
O2：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>L</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>LOut</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，所述Profit为所有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，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，Prtg为使用传感器t对类型为g的目标执行任务的收益；LOutij为无人机从Ai到Aj的飞行路径长度；
所述MOTA-MUAV模型的约束条件为：
C1：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
C2：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</mrow>
C3：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
<mo>}</mo>
</mrow>
C4：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
C5：
<mrow>
<msub>
<mi>C</mi>
<mi>max</mi>
</msub>
<mo>&GreaterEqual;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
其中，X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标Ai执行任务，否则X(k，i)＝0，Yk (i，j)为决策变量，Yk (i，j)＝1表示无人机Uk访问完目标Ai后前往目标Aj，否则Yk (i，j)＝0；Cmax为传感器的最大任务执行能力。
8.如权利要求7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执行任务的收益总和，搭载不同传感器的无人机对同一类型任务目标的收益不同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711228331.0A CN107977743B (zh) | 2017-11-29 | 2017-11-29 | 多无人机协同任务分配方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711228331.0A CN107977743B (zh) | 2017-11-29 | 2017-11-29 | 多无人机协同任务分配方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107977743A true CN107977743A (zh) | 2018-05-01 |
| CN107977743B CN107977743B (zh) | 2021-01-26 |
Family
ID=62008273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711228331.0A Active CN107977743B (zh) | 2017-11-29 | 2017-11-29 | 多无人机协同任务分配方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107977743B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109901616A (zh) * | 2019-03-29 | 2019-06-18 | 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 |
| CN110825104A (zh) * | 2019-09-20 | 2020-02-21 | 合肥工业大学 | 移动平台路径规划与无人机任务分配的两阶段优化方法 |
| CN110991834A (zh) * | 2019-11-20 | 2020-04-10 | 黑龙江电力调度实业有限公司 | 电力检修任务的调度系统 |
| CN111006669A (zh) * | 2019-12-12 | 2020-04-14 | 重庆邮电大学 | 一种无人机系统任务协同及路径规划方法 |
| CN111080023A (zh) * | 2019-12-24 | 2020-04-28 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于头脑风暴优化的舰载飞机出动调度规划方法 |
| CN111199360A (zh) * | 2020-01-13 | 2020-05-26 | 西安电子科技大学 | 无人机任务分配规划方法 |
| CN111401681A (zh) * | 2020-02-10 | 2020-07-10 | 合肥工业大学 | 多无人机协同巡逻任务分配优化方法 |
| CN111506115A (zh) * | 2020-05-27 | 2020-08-07 | 广州机械科学研究院有限公司 | 一种无人机集群调控方法及装置 |
| CN112130586A (zh) * | 2020-09-29 | 2020-12-25 | 南京航空航天大学 | 一种基于资源树的分布式异构无人机联盟构成方法 |
| CN112529300A (zh) * | 2020-12-14 | 2021-03-19 | 中国科学院空天信息创新研究院 | 一种天临空传感协同任务规划方法及装置 |
| CN114037363A (zh) * | 2022-01-07 | 2022-02-11 | 北京航空航天大学 | 一种基于协同智能优化算法的多平台任务分配方法 |
| CN114118845A (zh) * | 2021-12-03 | 2022-03-01 | 国网江苏省电力有限公司泰州供电分公司 | 一种无人机任务匹配方法、装置及智能柜 |
| CN114201925A (zh) * | 2022-02-17 | 2022-03-18 | 佛山科学技术学院 | 无人机集群协同任务规划方法、电子设备及可读存储介质 |
| CN114545975A (zh) * | 2022-03-08 | 2022-05-27 | 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 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007080584A3 (en) * | 2006-01-11 | 2009-04-16 | Univ Carmel Haifa Economic Cor | Uav decision and control system |
| 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 |
-
2017
- 2017-11-29 CN CN201711228331.0A patent/CN107977743B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007080584A3 (en) * | 2006-01-11 | 2009-04-16 | Univ Carmel Haifa Economic Cor | Uav decision and control system |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 程聪 等: "UCAV协同攻击多目标的任务分配技术研究", 《吉林大学学报（信息科学版）》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109901616A (zh) * | 2019-03-29 | 2019-06-18 | 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 |
| CN110825104A (zh) * | 2019-09-20 | 2020-02-21 | 合肥工业大学 | 移动平台路径规划与无人机任务分配的两阶段优化方法 |
| CN110825104B (zh) * | 2019-09-20 | 2022-07-19 | 合肥工业大学 | 移动平台路径规划与无人机任务分配的两阶段优化方法 |
| CN110991834A (zh) * | 2019-11-20 | 2020-04-10 | 黑龙江电力调度实业有限公司 | 电力检修任务的调度系统 |
| CN111006669A (zh) * | 2019-12-12 | 2020-04-14 | 重庆邮电大学 | 一种无人机系统任务协同及路径规划方法 |
| CN111080023A (zh) * | 2019-12-24 | 2020-04-28 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于头脑风暴优化的舰载飞机出动调度规划方法 |
| CN111199360A (zh) * | 2020-01-13 | 2020-05-26 | 西安电子科技大学 | 无人机任务分配规划方法 |
| CN111199360B (zh) * | 2020-01-13 | 2023-05-05 | 西安电子科技大学 | 无人机任务分配规划方法 |
| CN111401681B (zh) * | 2020-02-10 | 2022-04-19 | 合肥工业大学 | 多无人机协同巡逻任务分配优化方法 |
| CN111401681A (zh) * | 2020-02-10 | 2020-07-10 | 合肥工业大学 | 多无人机协同巡逻任务分配优化方法 |
| CN111506115A (zh) * | 2020-05-27 | 2020-08-07 | 广州机械科学研究院有限公司 | 一种无人机集群调控方法及装置 |
| CN112130586B (zh) * | 2020-09-29 | 2021-12-21 | 南京航空航天大学 | 一种基于资源树的分布式异构无人机联盟构成方法 |
| CN112130586A (zh) * | 2020-09-29 | 2020-12-25 | 南京航空航天大学 | 一种基于资源树的分布式异构无人机联盟构成方法 |
| CN112529300A (zh) * | 2020-12-14 | 2021-03-19 | 中国科学院空天信息创新研究院 | 一种天临空传感协同任务规划方法及装置 |
| CN112529300B (zh) * | 2020-12-14 | 2023-10-10 | 中国科学院空天信息创新研究院 | 一种天临空传感协同任务规划方法及装置 |
| CN114118845A (zh) * | 2021-12-03 | 2022-03-01 | 国网江苏省电力有限公司泰州供电分公司 | 一种无人机任务匹配方法、装置及智能柜 |
| CN114037363A (zh) * | 2022-01-07 | 2022-02-11 | 北京航空航天大学 | 一种基于协同智能优化算法的多平台任务分配方法 |
| CN114201925A (zh) * | 2022-02-17 | 2022-03-18 | 佛山科学技术学院 | 无人机集群协同任务规划方法、电子设备及可读存储介质 |
| CN114545975A (zh) * | 2022-03-08 | 2022-05-27 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107977743B (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107977743A (zh) | 多无人机协同任务分配方法及装置 | |
| CN107886201A (zh) | 多无人机任务分配的多目标优化方法及装置 | |
| CN107807665A (zh) | 无人机编队探测任务协同分配方法及装置 | |
| CN108229719A (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 | |
| CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
| CN107103164B (zh) | 无人机执行多任务的分配方法及装置 | |
| CN110389595A (zh) | 双属性概率图优化的无人机集群协同目标搜索方法 | |
| CN111352417B (zh) | 异构多无人机协同路径的快速生成方法 | |
| CN104700165B (zh) | 一种多无人机舰机协同路径规划方法 | |
| CN105841702A (zh) | 一种基于粒子群优化算法的多无人机航路规划方法 | |
| CN110428111A (zh) | Uav/ugv协同长时多任务作业轨迹规划方法 | |
| CN106197426A (zh) | 一种无人机应急通信路径规划方法及系统 | |
| CN107238388A (zh) | 多无人机任务分配与航迹规划联合优化方法及装置 | |
| CN110233657A (zh) | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 | |
| CN107037827A (zh) | 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 | |
| Wilson et al. | How to generate a thousand master plans: A framework for computational urban design | |
| CN102903263B (zh) | 一种基于分组方式的飞行冲突解脱方法及装置 | |
| Liu et al. | Study on UAV parallel planning system for transmission line project acceptance under the background of industry 5.0 | |
| CN112327907A (zh) | 一种无人机路径规划方法 | |
| CN108038339A (zh) | 一种基于候鸟优化算法的多目标混流双边装配线平衡方法 | |
| Delahaye et al. | Genetic algorithms for automatic regrouping of air traffic control sectors | |
| CN104216289A (zh) | 基于分布式进化算法的多飞行器编队的控制方法和装置 | |
| CN104504198A (zh) | 一种基于双层协同进化的航路网络拓扑设计方法 | |
| Ghambari et al. | An enhanced NSGA-II for multiobjective UAV path planning in urban environments | |
| CN107037826B (zh) | 无人机探测任务分配方法及装置 |
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 | ||
| 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 |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201222 Address after: 230000 Room 501, building 7, Guomao apartment, No. 998, Maanshan Road, Baohe District, Hefei City, Anhui Province Applicant after: Anhui Youyun Intelligent 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 |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |