CN108171315A - 基于smc粒子群算法的多无人机任务分配方法 - Google Patents

Abstract

本发明提供了基于SMC粒子群算法的多无人机任务分配方法，根据无人机执行任务的距离、时间等指标以及任务时间窗、无人机最远航程等约束建立任务分配的优化目标函数，针对无人机任务分配模型的特点对分配方案进行编码，把无人机任务分配问题建模成一个有约束的离散最优化问题。之后，本发明利用粒子群启发式的优化算法对问题进行求解，并且针对粒子群算法收敛速度快，容易陷入“早熟”的缺点，采用序贯蒙特卡洛算法中重要性采样和重采样的思想对粒子群算法进行改进，增加算法对具有潜力的区域进行搜索，从而得到更加合理的分配方案。

Description

基于SMC粒子群算法的多无人机任务分配方法

技术领域

本发明属于智能优化算法领域，具体涉及一种基于SMC粒子群算法的多无人机任务分配算法。主要针对任务分配方案的编码，以采用序贯蒙特卡洛里重要性采样和重采样思想的粒子群算法实现多无人机的任务分配，解决粒子群算法收敛速度过快而搜索范围不广的缺点，从而得到更合理的分配方案。

背景技术

随着计算机技术、传感器技术、无线通信技术和无人机技术的发展，无人机逐渐具有高度自主性控制能力，与有飞行员驾驶的载人飞行器相比，无人机具有众多潜在的优点，如：自主飞行的无人机在燃油充足的情况下不需要休息，可以进行更长时间的巡航；无人机不需要提供飞行员必须的生命支持系统，这不仅减少了飞行成本，还为部署传感器和其他设备提供了更多空间。多无人机协同作战能够提高无人机作战效能，成为无人机作战应用的发展趋势。

于是研究高效率的多无人机协同多任务分配方法是提升无人机协同作战能力的有效途径，也逐渐成为一个研究热点。利用计算机智能的算法代替人工地为无人机分配任务，不仅可以在任务出现时做出迅速反应，而且在无人机和任务数量较多的时候计算机计算出的分配结果往往会比人工地分配结果更加合理。所以，如何在更少的时间内对多无人机进行更加合理的任务分配也成为多无人机任务分配研究的目的和方向，具有较大的理论和实践意义。

国内外关于多无人机任务分配方法大致分为以下几类：最优化方法、启发式算法、静态博弈和动态博弈。最优化方法一般包括穷举法、整数规划方法、约束规划方法、图论方法等，如果问题有确定的最优解的话，那么最优化方法一定可以给出最优的结果，但是随着问题规模的增大，消耗的时间也会随之增大，有时凭现在的计算能力时间也是不容乐观的。启发式算法一般由列表规划方法、聚类方法和智能优化算法三部分组成，一般是模仿自然界的动物行为或一些自然现象。启发式算法是在一定的时间内给出一个尽可能令人满意的结果，在计算时间和解的质量之间进行折中，而不强求问题的最优解。现阶段的研究中使用最为广泛的就是启发式算法，本发明就是采用启发式算法中的智能优化算法中的粒子群算法，并针对其存在的缺点进行改进。

发明内容

技术问题：本发明的目的是提供基于SMC粒子群算法的多无人机任务分配方法，通过序贯蒙特卡洛中重要性采样和重采样的方法对粒子群算法进行改进，使得粒子群算法可以对具有潜力的区域进行搜索，从而得到更加合理的任务分配方案。

技术方案如下：

包括对于多无人机任务分配建立优化目标函数、对任务分配方案进行编码和利用SMC粒子群算法对多无人机任务分配问题进行求解三个部分，其中：

对于无人机任务分配建立优化目标函数，以任务分配后无人机飞行的总航程以及任务完成的最长时间作为优化指标，并根据无人机的性能包括无人机最远飞行距离、无人机飞行速度和各个任务的时间窗作为约束条件，建立优化目标函数；

对于任务分配方案进行编码，多无人机任务分配问题就是等价于m个无人机执行n个任务的分配模型，针对这种问题模型，采用对每个任务进行数字编码的方式，对每一个任务分配一个(1,m+1)的数值，数值的整数部分代表执行该任务的无人机编号，而小数部分代表任务执行的顺序，从而将分配方案建立成t维的优化模型；

利用SMC粒子群算法对多无人机任务分配问题进行求解，首先随机生成一批任务分配方案，然后通过粒子群算法进行迭代计算，根据终止条件得出分配方案，在计算过程中采用序贯蒙特卡洛算法中的重要性采样和重采样，对每一个粒子加上权重的属性，对于位置较好而权重较低的粒子所在的区域进行重采样，保证算法搜索的广域性。

步骤如下：

步骤1)：获取输入的无人机数量m，V＝{V₁,V₂,…,V_m}、每架无人机i的位置(x_i,y_i)和最远航程D_max以及任务的数量n，T＝{T₁,T₂,…,T_n}、每个任务j的位置(x_j,y_j)和相应的时间窗(a_j,b_j)，初始化算法的参数，粒子群种群规模k、迭代次数Times、惯性权重ω、自我学习因子c₁、社会学习因子c₂；

步骤2)：根据步骤1中所输入的无人机数量和位置、任务的数量和位置计算出无人机和任务之间的距离矩阵和各个任务之间的距离矩阵；

步骤3)：随机生成k个粒子，每一个粒子代表一种任务分配的方案，在每一个维度上随机生成一个速度，并且按照t分布为每一个粒子分配一个权重；

步骤4)：对步骤3中权重较高的粒子附近区域进行搜索；

步骤4.1)：计算每一个粒子的适应度，将每个粒子的权重除以适应度作为该粒子新的权重，并将所有粒子的权重进行归一化；

步骤4.2)：对于权重大于一定阈值α的粒子，在其附近区域进行搜索，若搜索到适应度更好的位置则将原来的粒子移动到该位置上；

步骤5)：步骤3、4中产生的粒子进行学习；

步骤5.1)：选取当前所有粒子中适应度最好的粒子作为种群最优粒子，选取每一个粒子所经历的位置中适应度最好的作为每个粒子的自身最优位置；

步骤5.2)：每个粒子根据自身的惯性权重、自身最优位置和种群最优粒子的位置来确定自己下一步所在的位置。

步骤6)：将步骤4和步骤5迭代进行Times次后的种群最优粒子就是我们得到的多无人机任务分配方案。

有益效果：作为一种基于智能优化算法的多无人机任务分配方法，本方法弥补了传统粒子群算法中收敛速度过快，容易陷入早熟收敛的缺点，提出了将序贯蒙特卡洛中重要性采样和重采样的思想应用到粒子群算法中。本方法所采用多无人机任务分配的编码，在一定程度上将离散的问题模型转换成连续的模型，符合粒子群算法设计最初所适应的问题模型，有利于算法的应用。

本发明与已有技术对比具有以下的一些特点和创新之处：

(1)本发明将序贯蒙特卡洛算法中重要性采样和重采样的思想加入到传统的粒子群算法当中，弥补的传统粒子群算法收敛速度过快，从而会陷入早熟收敛的缺点；

(2)本发明通过对多无人机任务分配的编码建模，将这种离散的优化问题转化成连续优化问题，从而使粒子群算法可以更好的应用在该问题的解决上。

附图说明

图1是基于SMC粒子群算法的多无人机任务分配方法的整体流程框图。

图2是步骤4对权重较高的粒子附近区域进行搜索的流程图。

图3是步骤5粒子群算法的具体流程图。

具体实施方式

以下结合附图具体说明本发明技术方案。

本发明属于智能优化算法领域，具体涉及一种基于SMC粒子群算法的多无人机任务分配算法。主要针对任务分配方案的编码，以采用序贯蒙特卡洛里重要性采样和重采样思想的粒子群算法实现多无人机的任务分配，解决粒子群算法收敛速度过快而搜索范围不广的缺点，从而得到更合理的分配方案。总体流程如附图1所示，具体步骤如下：

步骤1)：获取输入的无人机数量m，V＝{V₁,V₂,…,V_m}、每架无人机i的位置(x_i,y_i)、最远航程D_max和无人机的飞行速度s，以及任务的数量n，T＝{T₁,T₂,…,T_n}、每个任务j的位置(x_j,y_j)和相应的时间窗(a_j,b_j)，初始化算法的参数，粒子群种群规模k、迭代次数Times、惯性权重ω、自我学习因子c₁、社会学习因子c₂；

步骤2)：根据步骤1中所输入的无人机数量和位置、任务的数量和位置计算出无人机和任务之间的距离：

将无人机和任务之间的距离存储在矩阵D_V-T中：

并且计算各个任务之间的距离：

将各个任务之间的距离存储在矩阵D_T-T中：

步骤3)：随机生成n个粒子，每一个粒子代表一种任务分配的方案；

步骤3.1)：每一个粒子是一个t位的数组p＝{p₁,p₂,…,p_t}，每一个位置代表一个任务，每一个数组元素的值是从(1，m+1)生成的一个随机数，数组中第j个位置上数字的整数部分表示执行第j个任务的无人机编号，整数部分相同所对应的任务即是由同一架无人机执行的，将这些任务按照所对应数字的小数部分进行排序，则是无人机执行任务的顺序。

步骤3.2)：在每一个维度上生成一个(1，m+1)之间的随机数作为粒子在这个维度上的初始速度v＝{v₁,v₂,…,v_t}。

步骤3.3)：并且按照t分布为每一个粒子分配一个权重ω；

步骤4)：对步骤3中权重较高的粒子附近区域进行搜索，具体流程如附图2所示；

步骤4.1)：计算每一个粒子的适应度，根据步骤1中输入的初始化参数，基于无人机飞行总路径、任务执行总时间的优化目标以及每架飞机总航程、每个任务时间窗的约束，设计多无人机任务分配的适应度函数如下：

其中，t_i代表每一架无人机执行完分配到的任务的总时间，表示第i架无人机执行第j个任务的时间点，a、b、c是惩罚项的系数，取大正数。根据步骤2中距离矩阵以及无人机的飞行速度，计算出步骤3中初始化的k个粒子的适应度

步骤4.2)：将每个粒子的权重除以适应度作为该粒子新的权重：

并将所有粒子的权重进行归一化：

步骤4.3)：对于权重大于一定阈值α的粒子，在其附近区域进行搜索，对于每一个粒子的操作如下：

在(1，m+1)生成两个不同的随机整数z₁和z₂，交换z₁和z₂位置上的两个数，由此生成一个新的粒子。用上述方法生成10个新的粒子{x₁,x₂,…,x₁₀}，并计算每个新生成粒子的适应度，若新生成粒子中适应度比原粒子的适应度好，则用新生成的粒子代替原先的粒子：

步骤5)：步骤4中产生的粒子进行学习，具体流程如附体3所示；

步骤5.1)：选取当前所有粒子中适应度函数最高的粒子作为种群最优粒子x_g，选取每一个粒子所经历的位置中适应度函数最高的作为每个粒子的自身最优位置x_p；

步骤5.2)：每个粒子根据自身的惯性权重、学习因子、自身最优位置和种群最优粒子的位置来确定自己下一步所在的位置：

x^k+1＝x^k+v^k

步骤6)：将步骤4和步骤5迭代进行Times次后的种群最优粒子就是我们得到的多无人机任务分配方案。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.基于SMC粒子群算法的多无人机任务分配方法，其特征在于，包括对于多无人机任务分配建立优化目标函数、对任务分配方案进行编码和利用SMC粒子群算法对多无人机任务分配问题进行求解三个部分，其中：

对于无人机任务分配建立优化目标函数，以任务分配后无人机飞行的总航程以及任务完成的最长时间作为优化指标，并根据无人机的性能包括无人机最远飞行距离、无人机飞行速度和各个任务的时间窗作为约束条件，建立优化目标函数；

对于任务分配方案进行编码，多无人机任务分配问题就是等价于m个无人机执行n个任务的分配模型，针对这种问题模型，采用对每个任务进行数字编码的方式，对每一个任务分配一个(1,m+1)的数值，数值的整数部分代表执行该任务的无人机编号，而小数部分代表任务执行的顺序，从而将分配方案建立成t维的优化模型；

利用SMC粒子群算法对多无人机任务分配问题进行求解，首先随机生成一批任务分配方案，然后通过粒子群算法进行迭代计算，根据终止条件得出分配方案，在计算过程中采用序贯蒙特卡洛算法中的重要性采样和重采样，对每一个粒子加上权重的属性，对于位置较好而权重较低的粒子所在的区域进行重采样，保证算法搜索的广域性；

具体步骤如下：

步骤1)获取输入的无人机数量m，V＝{V₁,V₂,…,V_m}、每架无人机i的位置(x_i,y_i)和最远航程D_max以及任务的数量t，T＝{T₁,T₂,…,T_n}、每个任务j的位置(x_j,y_j)和相应的时间窗(a_j,b_j)，初始化算法的参数，粒子群种群规模k、迭代次数Times、惯性权重ω、自我学习因子c₁、社会学习因子c₂；

步骤2)根据步骤1中所输入的无人机数量和位置、任务的数量和位置计算出无人机和任务之间的距离矩阵和各个任务之间的距离矩阵；

步骤3)随机生成k个粒子，每一个粒子代表一种任务分配的方案，按照t分布为每一个粒子分配一个权重；

步骤4)对步骤3中权重较高的粒子附近区域进行搜索；

步骤5)步骤3、4中产生的粒子进行学习；

步骤6)将步骤4和步骤5迭代进行Times次后的种群最优粒子就是我们得到的多无人机任务分配方案。

2.如权利要求1所述的方法，其特征在于，所述步骤4)中，有如下分步骤：

步骤4.1)计算每一个粒子的适应度，将每个粒子的权重除以适应度作为该粒子新的权重，并将所有粒子的权重进行归一化；

步骤4.2)对于权重大于一定阈值α的粒子，在其附近区域进行搜索，若搜索到适应度更好的位置则将原来的粒子移动到该位置上。

3.如权利要求1所述的方法，其特征在于，所述步骤5)中，有如下分步骤

步骤5.1)：选取当前所有粒子中适应度最好的粒子作为种群最优粒子，选取每一个粒子所经历的位置中适应度最好的作为每个粒子的自身最优位置；

步骤5.2)：每个粒子根据自身的惯性权重、自身最优位置和种群最优粒子的位置来确定自己下一步所在的位置。