CN108594645B - 单场站多无人机分配与飞行路线的规划方法及系统 - Google Patents

Abstract

本发明实施例提供了一种单场站多无人机任务分配与飞行路径的规划方法及系统，所述方法包括：通过已知的战场信息，根据武器配置与分配策略给每个打击目标点分配武器；根据全回路生成策略构建一个包含每个打击目标点的初始打击序列；根据全回路分割策略将初始打击序列进行分割，生成多条单无人机可执行的子回路打击序列；所述子回路打击序列为初始可行解；根据邻域搜索算子的权重选择邻域搜索算子将所述至少一个初始可行解进化至邻域解，根据邻域搜索算子的调用情况和邻域解的进化程度，更新初始权重相同的邻域搜索算子，循环过程中，计算各个解的目标函数值，选择目标函数值最小的为最优解。

Description

单场站多无人机分配与飞行路线的规划方法及系统

技术领域

本发明涉及无人机的技术领域，尤其涉及一种单场站多无人机任务分配与飞行路径规划方法及系统。

背景技术

在现代高技术条件下，无人作战飞机(Unmanned Combat Air Vehicle，UCAV)正在被越来越广泛地运用于执行各种军事行动。在高度信息化战场上，UCAV已经从传统单一的侦察、评估、监听及预警等战斗支援作用，向具有攻击和杀伤能力的方向迅速发展，成为可以执行压制敌防空系统，对地攻击、拦截战术弹道导弹和巡航导弹、甚至可执行对空作战任务的作战装备，并最终成为影响作战进程的重要力量。近年来，UCAV在侦察、反恐，尤其在几次高技术局部战争中表现卓越，引起了世界各国的高度重视，许多国家开始大力发展无人机技术。当UCAV被运用与对地攻击时，决策者必须考虑一系列问题，如，UCAV该挂载哪些武器？哪些武器用于攻击目标更加合适？UCAV该如何选择目标打击的顺序？当上述一系列问题都须集中优化时，指挥决策将变得异常困难。

例如，在一次典型的UCAV对地攻击作战行动中，一系列固定打击目标点要求必须被打击或摧毁，这些打击目标点的目标属性、地理坐标和毁伤要求等信息已侦察获知。目标点信息如表1所示。

表1打击目标点位置与毁伤要求

完成上述打击目标点的打击任务可动用多架UCAV，每架UCAV可挂载不同类型的武器，UCAV和挂载武器的基本信息如表2和表3所示。打击相同的打击目标点，不同的武器其作战性能也不尽相同。表4列出了不同武器打击不同类型打击目标点时的作战能力，如表4所示，某架UCAV挂载了W1武器(小型智能炸弹)要打击T5目标(机场)，其作战能力仅为0.02。可见，用低当量的武器去打击大型目标很难取得较好的打击效果。所以，同样的UCAV搭载了不同的武器，其作战性能是截然不同的。

从上述作战行动中可以看出，有两个关键决策必须引起决策者的高度重视，一是每架UCAV负责打击的打击目标点是哪些，这些打击目标点的打击顺序是怎样的；二是每架UCAV须挂载哪几类武器，每类武器须要多少枚，哪几枚武器用于打击某个打击目标点更加合适。然而，每架UCAV可挂载武器的总数量和总重量是有限的，决策者在为UCAV配置武器时必须考虑UCAV的挂载能力等众多约束的限制。

表2无人机的基本参数

表3武器的基本参数

表4武器-打击目标点的战斗能力矩阵

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有的无人机作战任务规划中，将打击目标点的武器匹配和飞行路径分为两个阶段进行规划，没有将两者充分结合起来，进而没有充分发挥无人机打击目标的作战效能。

发明内容

本发明实施例提供了一种单场站多无人机任务分配和飞行路径进行协同规划和优化的方法及系统，使多无人机完成打击任务的同时，最大限度的降低作战成本。

一方面，本发明实施例提供了一种单场站多无人机任务分配和飞行路径的规划方法，所述方法包括：

通过已知的战场信息，根据武器配置与分配策略给每个打击目标点分配武器；

根据全回路生成策略构建一个包含每个打击目标点的初始打击序列；

根据全回路分割策略将初始打击序列进行分割，生成多条单无人机可执行的子回路打击序列，所述多条子回路打击序列为所述多无人机任务分配与飞行路径的初始可行解。

另一方面，本发明实施例提供了一种单场站多无人机任务分配和飞行路径规划的方法和系统，所述系统包括：

武器配置与分配单元，用于通过已知的战场信息，根据武器配置与分配策略给每个打击目标点分配武器；

全回路构建单元，用于根据全回路生成策略构建一个包含每个打击目标点的初始打击序列；

全回路分割单元，用于根据全回路分割策略将初始打击序列进行分割，生成多条单架无人机可执行的子回路打击序列，所述多条子回路打击序列为所述多无人机任务分配与飞行路径的初始可行解。

上述技术方案具有如下有益效果：因为通过已知的战场信息，根据武器配置与分配策略给每个打击目标点分配武器的技术手段，保证了每个打击目标点均可被摧毁；根据全回路生成策略构建一个包含每个打击目标点的初始打击序列，初步将无人机任务分配与飞行路径结合在一起规划；根据全回路分割策略将初始打击回路分割成多条单架无人机可执行的子回路打击序列，所述多条子回路打击序列为所述多无人机任务分配与飞行路径的初始可行解。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例单场站多无人机任务分配与飞行路径的规划方法的流程图；

图2是本发明实施例单场站多无人机任务分配与飞行路径的优化方法的流程图；

图3是本发明实施例单场站多无人机任务分配与飞行路径的规划系统的结构示意图；

图4是本发明实施例单场站多无人机任务分配与飞行路径的优化系统的结构示意图；

图5是本发明实施例单场站多无人机任务分配与飞行路径算法框架图；

图6是本发明实施例全回路分割策略的示意图；

图7是本发明实施例局部搜索算子流程示意图；

图8是本发明实施例打击序列2交换搜索算子流程示意图；

图9是本发明实施例打击序列3交换搜索算子流程示意图；

图10是本发明实施例根据减少武器数量搜索算子得到邻域解的示意图；

图11是本发明实施例根据降低武器费用搜索算子得到邻域解的示意图；

图12是本发明实施例根据降低武器重量搜索算子得到邻域解的示意图；

图13是本发明实施例根据子回路合并搜索算子得到邻域解的示意图；

图14是单场站多无人机任务分配与飞行路径的规划结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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。基于本发明中的实施例，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，都属于本发明保护的范围。

请参考图1，图1是本发明实施例单场站多无人机任务分配与飞行路径的规划方法的流程图；

101、通过已知的战场信息，根据武器配置与分配策略给每个打击目标点分配武器；

102、根据全回路生成策略构建一个包含每个打击目标点的初始打击序列；

103、根据全回路分割策略将初始打击序列进行分割，生成一架无人机执行任务的多条子回路打击序列，所述子回路打击序列为所述多无人机任务分配与飞行路径的初始可行解。

请参考图2，图2是本发明实施例单场站多无人机任务分配与飞行路径的优化方法的流程图；

104、根据每个邻域搜索算子的权重选择邻域搜索算子进化所述至少一个初始可行解至邻域解，每个邻域搜索算子的初始权重相同；

105、经过预设进化次数后，统计每个邻域搜索算子的调用次数，根据所述邻域解的进化程度对每个邻域搜索算子进行评分；

106、根据每个邻域搜索算子的评分更新每个邻域搜索算子的权重；

107、重复步骤104到步骤106，直至满足终止邻域搜索的条件；

108、每个循环过程中，计算各个解的目标函数值，选择目标函数值最小的为最优解。

优选地，所述武器配置与分配策略，包括：随机分配算子，打击能力优先分配算子，效费比优先分配算子；

优选地，所述武器配置与分配策略的约束是：分配给单个打击目标点的武器总数量小于或等于无人机的挂点数量，分配给单个打击目标点的武器总质量小于或等于无人机的载重质量；

优选地，所述全回路生成策略，包括：随机生成算子，毁伤要求优先打击生成算子，最近距离优先打击生成算子；

优选地，所述全回路分割策略的约束是：每条子回路中的打击目标点所分配的武器的总数量小于或等于无人机的挂点数量，每条子回路中的打击目标点所分配的武器的总质量小于或等于无人机载重质量；每条子回路，一架无人机从场站出发，遍历这条子回路中的打击目标点，返回场站；

优选地，所述邻域搜索算子，包括：改变打击目标点的打击顺序的搜索算子；改变打击目标点武器分配方案的搜索算子；子回路合并的搜索算子；

进一步优选地，所述改变打击目标点的打击顺序的搜索算子，包括：局部翻转搜索算子，打击序列2交换搜索算子，打击序列3交换搜索算子；

进一步优选地，所述改变打击目标点武器分配方案的搜索算子，包括：减少武器数量搜索算子，降低武器费用搜索算子，降低武器质量搜索算子；

优选地，根据所述邻域解的进化程度对每个搜索算子进行评分，包括：

邻域搜索算子i(i＝1,2,…7)在第j次进化中的初始分数为0；

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的邻域解的目标函数值是种群中解的目标函数值中最小值，则所述邻域搜索算子加30分；

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的邻域解的目标函数值小于种群中解的目标函数值的平均值，则所述邻域搜索算子加20分；

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的邻域解的目标函数值不小于种群中解的目标函数值的平均值，则所述邻域搜索算子加10分；

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的邻域解的目标函数值小于种群中解的目标函数值的最大值，且被接受，则所述邻域搜索算子加5分；

进一步优选地，所述种群为，由至少一个可行解经邻域搜索算子产生的至少一个邻域解的集合；

所述根据每个邻域搜索算子的评分更新每个邻域搜索算子的权重的计算公式为：

设每个邻域搜索算子的初始权重为1，邻域搜索算子i在第j次进化时的权重为：

其中，r(r∈[0,1])为常数，ε_ij为邻域搜索算子i在第j次进化中被调用的次数，σ_ij为邻域搜索算子i在第j次进化中获得的评分。

优选地，所述终止邻域搜索的条件，包括：循环次数达到预设循环次数，终止邻域搜索；或者经过特定次数的循环，当前最优解没有更新，终止邻域搜索；

优选地，所述每个循环过程中，计算各个解的目标函数值，选择目标函数值最小的为最优解，具体包括：

设初始可行解为当前最优解，g^*为当前最优解的目标函数值；

计算各个邻域解的目标函数值；

当某个邻域解的目标函数值＜g^*时，用某个邻域解更新当前最优解；

所述邻域解被接受的条件为：邻域解的目标函数值小于g^*+δ，式中δ＝0.1×g^*。

请参考图3，图3是本发明实施例多无人机任务分配与飞行路径的规划系统的结构示意图；

武器配置与分配单元21，用于通过已知的战场信息，根据武器配置与分配策略给每个打击目标点分配武器；

全回路构建单元22，用于根据全回路生成策略构建一个包含每个打击目标点的初始打击序列；

全回路分割单元23，用于根据全回路分割策略将初始打击序列进行分割，生成多条单架无人机可执行的子回路打击序列，所述多条子回路打击序列为所述多无人机任务分配与飞行路径的初始可行解。

请参考图4，图4是本发明实施例单场站多无人机任务分配与飞行路径的优化系统的结构示意图；

进化单元24，用于根据每个邻域搜索算子的权重选择邻域搜索算子进化所述至少一个初始可行解至邻域解，每个邻域搜索算子的初始权重相同；

评分单元25，用于经过预设进化次数后，统计每个邻域搜索算子的调用次数，根据所述邻域解的进化程度对每个邻域搜索算子进行评分；

权重更新单元26，用于根据每个邻域搜索算子的评分更新每个邻域搜索算子的权重；

循环单元27，用于重复进化单元24到权重更新单元26，直至满足终止邻域搜索的条件；

计算更新单元28，用于每个循环过程中，计算各个解的目标函数值，选择目标函数值最小的为最优解。

优选地，所述武器配置与分配策略，包括：随机分配算子，打击能力优先分配算子，效费比优先分配算子；所述武器配置与分配策略的约束是：分配给单个打击目标点的武器总数量小于或等于无人机的挂点数量，分配给单个打击目标的武器总质量小于或等于无人机的载重质量；

优选地，所述全回路生成策略，包括：随机生成算子，毁伤要求优先打击生成算子，最近距离优先打击生成算子；

优选地，所述全回路分割策略的约束是：每条子回路中的打击目标点所分配的武器的总数量小于或等于无人机挂点数量，每条子回路中的打击目标点所分配的武器的总质量小于或等于无人机的载重质量；每条子回路，无人机从场站出发，遍历这条子回路中打击目标点，返回场站。

优选地，所述邻域搜索算子，包括：改变打击目标点的打击顺序的搜索算子；改变打击目标点武器分配方案的搜索算子；子回路合并的搜索算子；

进一步优选地，所述改变打击目标点的打击顺序的搜索算子，包括：局部翻转搜索算子，打击序列2交换搜索算子，打击序列3交换搜索算子；

优选地，所述改变打击目标点武器分配方案的搜索算子，包括：减少武器数量搜索算子，降低武器费用搜索算子，降低武器质量搜索算子；

优选地，根据所述邻域解的进化程度对每个搜索算子进行评分，包括：

邻域搜索算子i(i＝1,2,…7)在第j次进化中的初始分数为0；

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的邻域解的目标函数值是种群中解的目标函数值中最小值，则所述邻域搜索算子加30分；

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的邻域解的目标函数值小于种群中解的目标函数值的平均值，则所述邻域搜索算子加20分；

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的邻域解的目标函数值不小于种群中解的目标函数值的平均值，则所述邻域搜索算子加10分；

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的邻域解的目标函数值小于种群中解的目标函数值的最大值，且被接受，则所述邻域搜索算子加5分；

优选地，所述种群为，由至少一个可行解经邻域搜索算子产生的至少一个邻域解的集合；

优选地，所述根据每个邻域搜索算子的评分更新每个邻域搜索算子的权重的计算公式为：

设每个邻域搜索算子的初始权重为1，邻域搜索算子i在第j次进化时的权重为：

其中，r(r∈[0,1])为常数，ε_ij为邻域搜索算子i在第j次进化中被调用的次数，σ_ij为邻域搜索算子i在第j次进化中获得的评分。

优选地，所述终止邻域搜索的条件，包括：循环次数达到预设循环次数，终止邻域搜索；

或者经过特定次数的循环，当前最优解没有更新，终止邻域搜索；

优选地，所述计算更新单元28，具体包括：

初始模块，用于设初始可行解为当前最优解，g^*为当前最优解的目标函数值；

计算模块，用于计算各个邻域解的目标函数值；

更新模块，用于当某个邻域解的目标函数值小于g^*时，用某个邻域解更新当前最优解；

所述邻域解被接受的条件为：邻域解的目标函数值小于g^*+δ，式中δ＝0.1×g^*。

上述技术方案具有如下有益效果：经过设定次数的循环，由至少一个可行解种群通过权重相同的7个邻域搜索算子得到的邻域解种群，根据7个邻域搜索算子得到的邻域解在邻域解种群的评分更改7个邻域搜索算子的权重，使得到较优的邻域解的邻域搜索算子得到调用的机率较大；在循环过程中，计算每一个邻域解的目标函数值，目标函数值较最小的作为当前最优解，从而得到优化后的无人机任务分配和飞行路径规划方案。

以下通过应用实施例进行详述：

考虑无人机的任务分配的单场站多无人机协同路径规划问题，是一个组合优化问题，用精确算法虽然可以找到最优解，但是其计算时间会随着规模的扩大而呈现爆炸式增长，从而不可能在可容许的时间内找到最优解，特别是在瞬息万变的作战行动中，能否快速规划多UCAV(无人机)的飞行路径，往往决定了战局的胜负。

为求解“单场站多无人机任务分配与路径协同规划问题”，本发明采用了一种基于种群的自适应启发式搜索算法，(population-basedadaptive large neighborhoodsearch,PBALNS)，主要包括两个求解阶段：一是初始可行解生成阶段，通过启发式初始解构造算法产生初始可行解种群；二是可行解进化学习阶段，通过一系列邻域搜索策略改进初始可行解，最终得到一个较优的最终解。

请参考图5，图5是本发明实施例单场站多无人机任务分配与飞行路径算法框图；PBALNS算法求解框架由“初始可行解生成阶段”和“可行解进化学习阶段”构成。

“初始可行解生成阶段”包含3个步骤：首先，随机调用“武器配置与分配策略”中的3个算子为每个打击目标分配合适的武器；随后，再通过“全回路生成策略”中的3个算子产生一个包含每个打击目标点的初始打击序列；最后，利用“全回路分割策略”将初始打击序列进行分割，生成单架UCAV可以执行的初始打击子回路。为增加初始解的多样性，在“初始可行解生成阶段”本发明实施例将初始可行解规模设为G(G＝50)。需要说明的是，在调用“武器配置与分配策略”和“全回路生成策略”中的多个算子时，均采用“轮盘赌”调用策略，每个算子的调用概率相同。

“可行解进化学习阶段”包含2个步骤：首先，调用“邻域搜索策略”中的7个邻域搜索算子对上一阶段产生的G(G＝50)组初始可行解进行调整，每次迭代过程均需要记录每个邻域搜索算子被调用的次数，以及每个可行解的改进情况，本发明实施例将可行解的改进过程称之为“进化”过程，经过

次进化之后，统计7个邻域搜索算子的调用情况，根据可行解的改进程度对每个邻域搜索算子进行“评分”并调整算子的调用概率；随后，继续调用7个邻域搜索算子对可行解进行优化，本文把对算子“评分”并调整调用概率的过程称之为“学习”过程，经过

次学习之后得到的可行解即是最终解，图5中的“进化算法终止条件”，就是经过预设进化次数；图5中“学习算法终止条件”就是邻域搜索终止的条件。

1、问题模型构建，在问题描述的基础上，对多无人机任务分配与飞行路径的规划方法问题进行数学建模。

1.1问题模型

(1)集合

N：待打击目标点的集合，且N＝{1,2,…,n}；

U：UCAV集合，且U＝{1,2,…,u}；

W：侯选武器种类集合，且W＝{1,2,…,w}；

(2)参数

c：UCAV的载弹重量；

g：UCAV的武器挂点数量；

a_i：目标(打击目标点)i的毁伤要求；

d_ij：从目标(打击目标点)i到目标(打击目标点)j的距离；

f_m：第m类武器的固定费用，且m∈W；

q_m：第m类武器的重量；

b_im：第m类武器对目标(打击目标点)i的打击能力；

L:一个足够大的正整数。

(3)决策变量

x_ijk：0-1变量，当第k架UCAV先攻击目标(打击目标点)i再攻击目标(打击目标点)j时等于1，否则等于0；

y_kmi：整数变量，表示第k架UCAV攻击第i个目标(打击目标点)时，投放第m类武器的数量，且y_kmi≥0。

1.2数学模型

单场站多UCAV任务分配与路径规划模型如下：

Minimize

subject to:

公式(2.1)为问题的目标函数，其由三部分组成：第一部分

表示所使用UCAV的总量；第二部分

表示所使用武器的总费用；第三部分

表示所有UCAV的总飞行距离，P₁，P₂，P₃为权重系数，用于调节三部分之间的权重，并统一到同一数量单位。约束(2.2)和(2.3)保证每个打击目标点有且仅由一架UCAV负责攻击。约束(2.4)-(2.6)确保所有UCAV都从基地出发，完成任务后又返回基地。约束(2.7)确保每架UCAV挂载的武器的总重量不能超过其载重限制。约束(2.8)确保每架UCAV上挂载的武器数量不能超过该UCAV的武器挂点数量。约束(2.9)确保对打击目标点i的打击不能低于该打击目标点的毁伤要求。约束(2.10)确保决策变量y_kmi当且仅当0-1变量x_ijk值为1时才有意义，即，只有第k架UCAV对打击目标点i实施打击后，表示该架UCAV打击目标点i所消耗的第m类武器数量的变量y_kmi才能为正。约束(2.11)确保决策变量y_kmi为非负数。约束(2.12)确保决策变量x_ijk为0-1变量。

2、解的定义

(1)编码

在PBALNS算法中，设计了一个(w+1)×n的矩阵作为问题编码，其中w表示武器的种类数量，n表示打击目标点数量。接下来如表5所示的矩阵为例对编码方案予以说明。矩阵第一行的打击目标点编号表示一个包含每个打击目标点的打击序列全回路，即，假设某架UCAV有能力依次打击所有打击目标点，它从场站出发后先打击6号打击目标点，再按照编号顺序依次打击后续打击目标点，当打击完8号打击目标点后，UCAV返回场站。对于矩阵的每一列而言，第2个元素至第w+1个元素表示武器配置方案。例如，表一所示第1列为(6,1,0,1)，表示打击6号打击目标点的武器配置方案是：“武器1”和“武器3”各需要1枚。

表5一个小案例(3类武器9个打击目标点)的编码方案

(2)解码

上述编码方案反映了每个打击目标点的打击顺序以及打击每个打击目标点所需的武器配置方案，但还无法指导每架UCAV对打击目标点实施打击。为此，设计了基于全回路分割思想的解码方案，可以快速得到每架UCAV的飞行路径和武器配置方案。解码的过程实际上是分割全回路的过程，分割的依据是每架UCAV的武器挂点数和载弹量。

3、初始可行解的构造过程详述：

启发式初始解构造的目的是，通过已知的战场信息(如，目标的地理坐标和毁伤要求)，快速生成一组可指导多UCAV执行打击任务的初始可行解。本发明实施例构造的初始可行解是基于“逆向打击”的模式。首先，根据打击目标点的毁伤要求将不同类型和不同数量的武器分配到每个打击目标点；然后，将所有打击目标点进行排序，形成一条由场站出发依次访问每个打击目标点并最终回到场站的全回路；最后，让某架UCAV从场站出发，依次访问打击目标点，每经过一个打击目标点就将事先分配到该点的武器拾回，并继续访问后续打击目标点，当该UCAV在某打击目标点拾回武器后的武器总数超过自身的挂点数量，或是武器总重量超过自身的载弹量时，说明这架UCAV无法访问该打击目标点及后续打击目标点，它将携带拾回的武器返回场站，同时，再派遣其它UCAV执行后续访问任务。

3.1武器配置与分配策略

武器配置与分配策略是用来决定使用何种类型和多少数量的武器来打击某个打击目标点，才能满足所述打击目标点的毁伤要求。本发明实施例设计了3个算子以有效地进行武器配置与分配。这3个算子分别是：随机分配算子(Random allocation，RA)，打击能力优先分配算子(Combat ability priority based allocation，CAPA)，效费比优先分配算子(Efficiency-cost ratio priority based allocation，ECRPA)。

(1)随机分配算子(Random allocation，RA)

RA算法也就时随机分配算子是把不同类型的武器随机地逐一分配给打击目标点，直到该打击目标点的毁伤要求得以满足。为避免出现某打击目标点分配到过多的武器，甚至超过了某架空载UCAV的挂载能力，因此规定，分配到单个打击目标点的武器总数量和总重量均不能超过UCAV的挂点数量和载弹重量，即，分配到打击目标点的武器必须满足约束(2.7)和约束(2.8)。RA算子的伪代码如下所示：其中Input(输入)，Output(输出)。

(2)打击能力优先分配算子(Combat ability priority based allocation，CAPA)

CAPA算法也就是打击能力优先分配算子是从武器集合W中优先挑选打击能力最强的武器分配给打击目标点，再选择能力次之的武器，直到该打击目标点的毁伤要求得以满足。分配到打击目标点的武器也必须满足约束(2.7)和约束(2.8)。CAPA算法的伪代码如下所示。

(3)效费比优先分配算子(Efficiency-cost ratio priority basedallocation，ECRPA)

ECRPA算法也就是效费比优先分配算子是从武器集合W中优先选择“效费比”最大的武器分配给打击目标点，再选择“效费比”次之的武器，直到该所述打击目标点的毁伤要求得以满足。“效费比”的计算公式如下：

其中，b_im表示第m类武器对抗打击目标点i的打击能力，f_m表示第m类武器的固定费用。同样，分配到打击目标点的武器依然必须满足约束(2.7)和约束(2.8)。ECRPA算法的伪代码如下所示。

3.2、全回路生成策略

当武器分配到每个打击目标点后，接下来的工作便是确定每个打击目标点的打击序列。即，将每个打击目标点进行排序，形成一条由场站出发依次访问每个打击目标点并最终回到场站的全回路。本发明实施例设计了3个算子以有效地进行打击序列生成。这3个算子分别是：随机生成(Random generation，RG)，毁伤要求优先打击(Damage requirementpriority generation，DRPG)，最近距离优先打击(Nearest distance prioritygeneration，NDPG)。

(1)随机生成算子(Random generation，RG)

随机生成算子是将每个打击目标点进行随机排序，将得到的一组排序结果作为一个打击序列。

(2)毁伤要求优先打击生成算子(Damage requirement priority generation，DRPG)

在实际的作战行动中，打击目标点除了具有地理坐标信息外，往往还被赋予了其他战场信息(如，目标属性、威胁程度、毁伤要求等)中，“毁伤要求”值高的目标往往需要尽早尽快打击。基于此，本发明实施例设计了DRPG算法，以“毁伤要求”值对所有打击目标点进行降序排序，把得到的一组打击目标点排序结果作为一个打击序列，即，“毁伤要求”值高的打击目标点最先打击。

(3)最近距离优先打击生成算子(Nearest distance priority generation，NDPG)

最近距离优先打击生成算子的设计灵感来源于旅行商问题(traveling salesmanproblem)中经典的“邻近算法”(the nearest neighbor heuristic)，但是，针对“考虑武器配置的单场站多无人机路径规划”问题的特点，本发明实施例设计的最近距离优先打击生成算子又与“邻近算法”有着显著区别。最近距离优先打击生成算子首先随机选择一个打击目标点，再从所述打击目标点开始寻找最近的打击目标点，重复该操作，直到所有打击目标点均被访问到。

3.3、全回路分割策略

通常情况下，由于UCAV的武器挂点和载重量的限制，一架UCAV无法一次性完成所有打击目标点的打击任务。因此，必须把由上一节得到的一整条全回路打击序列分割成多条子回路打击序列，并且确保每条子回路上的打击目标点所分配到的武器满足约束(2.7)和约束(2.8)，分割后的每一条可行解子回路可以直接为UCAV提供武器配置和打击目标点打击的具体方案。为此，本发明实施例设计了可行解子回路分割算法(Feasible sub-toursplitting，FSS)，让一架UCAV从场站出发，沿着全回路打击序列依次访问打击目标点，每经过一个打击目标点就将事先分配到该点的武器拾回，并继续访问后续打击目标点，直到该UCAV拾回武器的总数量达到其挂点数量或是武器总重量超过自身的载弹量时，这架UCAV无法访问该打击目标点及后续打击目标点，它将携带拾回的武器返回场站，同时，再派遣其他UCAV执行后续访问任务，直到所有打击目标点均被访问完毕。FSS算法的伪代码如下所示：

请参考图6，图6是本发明实施例全回路分割策略的示意图，图中Depot(场站)。

打击序列的全回路如图6左侧所示，为一个3类武器9个无人机打击目标点的全回路。其中UCAV的挂点数为6，载重量为900kg，经全回路分割策略得到如图6右侧所示的4条子回路打击序列。

4、将初始可行解优化到更优解的过程详述：

通过启发式初始解构造过程，可以得到G组初始可行解，这些初始可行解具备了指导UCAVs(多无人机)实施打击目标点的打击能力，但这并不是最优方案，这些初始可行解还有进一步改进的空间。为此，本发明实施例构造了7种邻域搜索算子用于进行有效地解空间搜索。G组初始可行解可以看作解空间搜索的“起点”，这个“起点”通过7种不同的邻域搜索算子不断向其他空间进行“扩展”，“扩展”的过程就是可行解寻优的过程，经过不断地寻优，最终找到最优(或较优)的可行解，即为最终解。这7种邻域搜索算子定义如下：局部翻转(Local inversion，LI)，打击序列2交换(Two-exchange，2-ex)，打击序列3交换(Three-exchange，3-ex)，减少武器数量(Reducing number of weapons，RNW)，降低武器费用(Reducing cost of weapons，RCW)，降低武器质量(Reducing weight of weapons，RWW)，多子回路合并(Routes merging，RM)。

4.1邻域搜索算子的详述：

(1)局部翻转搜索算子(Local inversion，LI)

请参考图7，图7是本发明实施例局部翻转搜索算子的流程示意图；局部翻转搜索算子的目的是改变全回路打击序列中某一段的顺序，从而产生一个新的邻域解。局部翻转搜索算子首先随机选择两个打击目标点并交换这两个打击目标点的位置，再将这两个打击目标点之间的序列进行翻转。

(2)打击序列2交换搜索算子(Two-exchange，2-ex)

请参考图8，图8是本发明实施例打击序列2交换搜索算子的流程示意图；2-ex算法是通过改变全回路打击序列的访问顺序，从而达到产生新的初始解的目的。算法首先随机产生两个互不相等的正整数ex₁,ex₂∈[0,n-1]，ex₁,ex₂分别表示全回路打击序列中的两个打击目标点，随后交换这两个打击目标点的位置，从而产生了一个新的打击序列。以表5所示的案例为例对2-ex算法的基本操作过程予以说明，如图8所示。

(3)打击序列3交换搜索算子(Three-exchange，3-ex)

请参考图9，图9是本发明实施例打击序列3交换搜索算子的流程示意图；3-ex算法是2-ex算法的一种变化形式。3-ex算法随机产生3个互不相等的正整数ex₁,ex₂,ex₃∈[0,n-1]，ex₁,ex₂,ex₃分别表示全回路打击序列中的3个打击目标点，随后依次交换这3个打击目标点的位置，从而产生了一个新的打击序列。依然以表一所示的案例为例对3-ex算法的基本操作过程予以说明，如图9所示。

(4)减少武器数量搜索算子(Reducing number of weapons，RNW)

请参考图10，图10是本发明实施例根据减少武器数量搜索算子得到邻域解的示意图；

RNW算法也就是减少武器数量搜索算子的是通过调整武器分配方案中武器的使用数量，从而达到减少总成本的目的。RNW算法首先挑选所有打击目标点武器分配方案中武器总数最多的打击目标点，然后尝试着减少该打击目标点处的武器数量，在尝试减少武器数量时必须对该打击目标点的毁伤要求进行检验，即，调整后的武器分配方案必须满足约束(2.9)。如果RNW算子成功减少了某打击目标点处的武器数量，那么不仅仅使得武器成本得以降低，还很有可能减少整个作战行动中UCAV的使用数量，或是减少UCAV的飞行距离。依然以表5所示的案例为例对RNW算法的基本操作过程予以说明。如图10所示，3号打击目标点处原先分配了3枚武器(1枚“武器-2”，2枚“武器-3”)，经过RNW算子操作后，发现减去1枚“武器-3”后依然满足该打击目标点的毁伤要求，再调用FSS算子对武器分配方案调整之后的全回路打击序列进行分割，得到了一个包含3架UCAV的新的路径规划方案，显而易见，新的路径规划方案比原先包含4架UCAV的方案更优。

(5)降低武器费用搜索算子(Reducing cost of weapons，RCW)

请参考图11，图11是本发明实施例根据降低武器费用搜索算子得到邻域解的示意图；

RCW算法也就是降低武器费用搜索算子的基本思想是通过调换武器分配方案中的武器，将成本较高的武器调换为成本较低的武器，从而达到减少总成本的目的。RCW算子首先挑选所有打击目标点武器分配方案中武器总成本最高的打击目标点，然后尝试着将其中成本最高的武器调换为成本相对较低的武器，在进行武器调换时必须对约束(2.7)-约束(2.9)进行检验。需要说明的是，RCW搜索算子不可能确保每次武器调换都能降低总的打击成本，如，某打击目标点处的武器成本虽然得以降低，但却增加了该打击目标点的武器重量，最终有可能导致UCAV数量的增加。因此，RCW算子仅仅是提供了一种优化当前初始解的可能性。下面依然以表5所示的案例为例对RCW算子的基本操作过程予以说明。如图11所示，2号和4号打击目标点处原先的武器成本最高，均是152000($)，RCW算法将4号打击目标点处成本最高的“武器-2”调换为成本较低的“武器-3”，同时毁伤要求依然能够满足，因此，调整之后的全回路打击序列武器总成本由938000($)降为了876000($)，达到了降低打击总成本的目的。

(6)降低武器质量搜索算子(Reducing weight of weapons，RWW)

请参考图12，图12是本发明实施例根据降低武器质量搜索算子得到邻域解的示意图，RWW搜索算子是RCW搜索算子的变化形式，是通过调换武器分配方案中的武器，将质量较大的武器调换为质量较小的武器，以期减少作战行动中UCAV的使用数量，进而达到减少总成本的目的。RWW搜索算子首先挑选所有打击目标点武器分配方案中武器总质量最大的打击目标点，然后尝试着将其中最重的武器调换为相对较轻的武器，在进行武器调换时必须对该点的毁伤要求进行检验，即，调整后的武器分配方案必须满足约束(2.7)和约束(2.9)。与RCW搜索算子类似，RWW算法也不可能绝对保证每次武器调换都能降低总的打击成本，如，某打击目标点处的武器质量虽然得以降低，但却增加了该打击目标点的武器总费用，而且如果本次武器调换未能达到减少UCAV使用数量的效果，那么此次武器调换很可能增加最终的作战成本。因此，RWW搜索算子也仅仅是提供了一种优化当前初始解的可能性。仍然以表一所示的案例为例对RWW搜索算子的基本操作过程予以说明。如图12所示，3号打击目标点处原先分配了3枚武器(1枚“武器-2”，2枚“武器-3”)，其武器总质量为645(kg)，经过RWW搜索算子操作后，发现将3号打击目标点处的2枚“武器-3”调换为2枚“武器-1”依然满足该点的毁伤要求，再调用FSS算子对武器分配方案调整之后的全回路打击序列进行分割，得到了一个包含3架UCAV的新的路径规划方案，显而易见，新的路径规划方案比原先包含4架UCAV的方案更优。

(7)多子回路合并搜索算子(Routes merging，RM)

请参考图13，图13是本发明实施例根据子回路合并搜索算子得到邻域解的示意图；

RM搜索算子的目的是找到两条(多条)可以合并的子回路，从而减少UCAV的使用数量，进而降低总的打击成本。对于众多子回路，往往存在某些子回路上的UCAV并未满载的情况。基于此，RM算法首先将所有子回路按照UCAV载弹数量(或是载弹质量)进行升序排序，因为排序越靠前的子回路所对应的UCAV剩余挂点数量(载重能力)越多(强)，而UCAV剩余挂点数量(载重能力)越多(强)的子回路越容易进行合并。依然用表5所示的案例对RM搜索算子的基本操作过程予以说明。如图13所示，UCAV-1和UCAV-4并未满载，在经过RM操作后发现可以将UCAV-4搭载的武器转移到UCAV-1上，从而减少了一架UCAV的使用，进而实现了路径合并的效果。

4.2、自适应学习策略：

7种邻域搜索算子分别从不同的角度对初始可行解进行改进，在自适应搜索过程中，为每个邻域搜索算子都附加了一个权重，并且这个权重在PBALNS算法邻域搜索过程中动态变化。采取“轮盘赌”的原则随机选择7种邻域搜索算子对初始种群中的G(G＝50)组初始可行解进行优化调整。给定h(h＝7)个分别赋予了权重w_i的邻域搜索算子，邻域搜索算子j被选中的概率为

当种群“进化”

次后，7种邻域搜索算子的权重值更新一次。每次权重值更新，称为一次“学习”过程，共经过

次学习之后，PBALNS算法邻域搜索过程结束。设所有邻域搜索算子权重初始值为1，邻域搜索算子i在第j次进化时的权重为：

其中，r(r∈[0,1])为常数，ε_ij为邻域搜索算子i在第j次进化中被调用的次数，σ_ij为邻域搜索算子i在第j次进化中获得的评分。

其中，对邻域搜索算子i在第j次进化中的评分结合PBALNS算法邻域搜索的种群迭代的特点，设计如下评分规则：

(1)

邻域搜索算子i(i＝1,2,…7)在第j次进化中的初始分数为0；

(2)

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的新的邻域解是种群中的最优解，则该邻域搜索算子加上30分；

(3)

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的新的邻域解优于种群中的平均解，则该邻域搜索算子加上20分；

(4)

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的新的邻域解优于种群中的平均解，则该邻域搜索算子加上10分；

(5)

如果邻域搜索算子i(i＝1,2,…7)在第j次进化中产生的新的邻域解优于种群中的最差解，但可接受，则该邻域搜索算子加上5分。

4.3、解的接受标准及邻域搜索终止条件：

(1)解的接受标准

采用record-to-record算法来界定可行解的接受标准。设g^*为当前最优解的目标函数值，称作记录(record)；设δ为当前解的目标函数值同g^*之间的差值，称作偏差量(deviation)；设R为解，而R'为R的邻域解，g_R'为R'的目标函数值。当g_R'＜g^*+δ时，邻域解R'可被接受，其中δ＝0.1×g^*；当g_R'＜g^*时，g^*才允许被更新。

(2)邻域搜索终止条件

本发明实施例的PBALNS邻域搜索的终止条件有两种：

1)当搜索到的邻域解的质量在一定数量的迭代次数内没有得到提高时，邻域搜索终止；例如，设定300次为特定次数的循环，当循环了300次，当前最优解都没有被更新，则终止邻域搜索。

2)当邻域搜索的迭代次数达到某个预设值时，邻域搜索终止，例如，设定了预设值为1000，当循环了1000次，则无论当前解是否被更新，均终止邻域搜索。

5、设定的实验案例

在某次作战行动中，我方拟从场站A出动多架UCAV对敌方10个固定打击目标点实施打击，每架UCAV可挂载3种武器，无人机与武器的具体参数如表7所示。打击目标点信息如表8所示，每种武器对抗不同属性打击目标点的打击能力如表9所示。上级要求，在确保敌方打击目标点被摧毁的前提下，要为每架UCAV规划出武器挂载方案和打击目标点打击方案，使得目标函数(2.1)值最小，其中指挥员确定的权重为P₁＝1200，P₂＝1，P₃＝1200.

表7 UCAV相关参数设定

表8打击目标点位置与毁伤要求

表9武器-打击目标点的战斗能力矩阵

我方场站A的位置为(10,10)。设我方场站的地理坐标为

敌方目标点的地理坐标为

则场站到目标点的距离可由公式(2.15)求出：

以上述表7-表9的数据，采用本发明实施例中的方法进行求解，PBALNS算法在15.18秒的计算时间内给出了实施例的最终解，目标函数值为2415788.90，UCAV动用4架。图14给出了本发明实施例多无人机任务分配与飞行路径的规划结果示意图。

本发明实施例提供了一种单场站多无人机任务分配与飞行路径的系统，可以实现上述提供的方法实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。

Claims (8)

1.一种单场站多无人机任务分配与飞行路径的规划方法，其特征在于，所述方法包括：

通过已知的战场信息，根据武器配置与分配策略给每个打击目标点分配武器；

根据全回路生成策略构建一个包含每个打击目标点的初始打击序列；

根据全回路分割策略将初始打击序列进行分割，生成多条单架无人机可执行的子回路打击序列，所述子回路打击序列为所述多无人机任务分配与飞行路径的初始可行解；

根据每个邻域搜索算子的权重选择邻域搜索算子进化至少一个所述初始可行解至邻域解，每个邻域搜索算子的初始权重相同；

经过预设进化次数的迭代后，统计每个邻域搜索算子的调用次数，根据所述邻域解的进化程度对每个邻域搜索算子进行评分；

根据每个邻域搜索算子的评分更新每个邻域搜索算子的权重；

重复步骤1到步骤3，直至满足终止邻域搜索的条件，其中所述步骤1指得是根据每个邻域搜索算子的权重选择邻域搜索算子进化至少一个所述初始可行解至邻域解，所述步骤2是指经过预设进化次数的迭代后，统计每个邻域搜索算子的调用次数，根据所述邻域解的进化程度对每个邻域搜索算子进行评分，所述步骤3指得是根据每个邻域搜索算子的评分更新每个邻域搜索算子的权重；

每个循环过程中，计算各个解的目标函数值，选择目标函数值最小的为最优解。

2.根据权利要求1所述的单场站多无人机任务分配与飞行路径的规划方法，其特征在于，所述武器配置与分配策略，包括：随机分配算子，打击能力优先分配算子，效费比优先分配算子；所述武器配置与分配策略的约束是：分配给单个打击目标点的武器总数量小于或等于无人机的挂点数量，分配给单个打击目标点的武器总质量小于或等于无人机的载重质量；

所述全回路生成策略，包括：随机生成算子，毁伤要求优先打击生成算子，最近距离优先打击生成算子；

所述全回路分割策略的约束是：每条子回路中的打击目标点所分配到武器的总数量小于或等于无人机的挂点数量，每条子回路中的打击目标点所分配的武器总质量小于或等于无人机的载重质量；每条子回路，一架无人机从场站出发，遍历这条子回路中的打击目标点，返回场站。

3.根据权利要求1所述的单场站多无人机任务分配与飞行路径的规划方法，其特征在于，所述邻域搜索算子，包括：改变打击目标点的打击顺序的搜索算子；改变打击目标点武器分配方案的搜索算子；子回路合并的搜索算子；

所述改变打击目标点的打击顺序的搜索算子，包括：局部翻转搜索算子，打击序列2交换搜索算子，打击序列3交换搜索算子；

所述改变打击目标点武器分配方案的搜索算子，包括：减少武器数量搜索算子，降低武器费用搜索算子，降低武器质量搜索算子；

根据所述邻域解的进化程度对每个搜索算子进行评分，包括：

邻域搜索算子i，其中i＝1,2,…7，在第j次进化中的初始分数为0；

如果邻域搜索算子i，其中i＝1,2,…7，在第j次进化中产生的邻域解的目标函数值是种群中解的目标函数值中最小值，则所述邻域搜索算子加30分；

如果邻域搜索算子i，其中i＝1,2,…7，在第j次进化中产生的邻域解的目标函数值小于种群中解的目标函数值的平均值，则所述邻域搜索算子加20分；

如果邻域搜索算子i，其中i＝1,2,…7，在第j次进化中产生的邻域解的目标函数值不小于种群中解的目标函数值的平均值，则所述邻域搜索算子加10分；

如果邻域搜索算子i，其中i＝1,2,…7，在第j次进化中产生的邻域解的目标函数值小于种群中解的目标函数值的最大值，且被接受，则所述邻域搜索算子加5分，

所述种群为，由至少一个可行解经邻域搜索算子产生的至少一个邻域解的集合；

所述根据每个邻域搜索算子的评分更新每个邻域搜索算子的权重的计算公式为：

设每个邻域搜索算子的初始权重为1，邻域搜索算子i在第j次进化时的权重为：

其中，r为常数，r∈[0,1]，ε_ij为邻域搜索算子i在第j次进化中被调用的次数，σ_ij为邻域搜索算子i在第j次进化中获得的评分总和。

4.根据权利要求1所述的单场站多无人机任务分配与飞行路径的规划方法，其特征在于，

所述终止邻域搜索的条件，包括：循环次数达到预设循环次数，终止邻域搜索；

或者经过特定次数的循环，当前最优解没有更新，终止邻域搜索；

所述每个循环过程中，计算各个解的目标函数值，选择目标函数值最小的为最优解，具体包括：

设初始可行解为当前最优解，g^*为当前最优解的目标函数值；

计算各个邻域解的目标函数值；

当某个邻域解的目标函数值小于g^*时，用所述邻域解更新当前最优解；

所述邻域解被接受的条件为：邻域解的目标函数值小于g^*+δ，式中δ＝0.1×g^*。

5.一种单场站多无人机任务分配与飞行路径的规划系统，其特征在于，所述系统包括：

武器配置与分配单元，用于通过已知的战场信息，根据武器配置与分配策略给每个打击目标点分配武器；

全回路构建单元，用于根据全回路生成策略构建一个包含每个打击目标点的初始打击序列；

全回路分割单元，用于根据全回路分割策略将初始打击序列进行分割，生成多条单架无人机可执行的子回路打击序列，所述多条子回路打击序列为所述多无人机任务分配与飞行路径的初始可行解；

进化单元，用于根据每个邻域搜索算子的权重选择邻域搜索算子进化至少一个所述初始可行解至邻域解，每个邻域搜索算子的初始权重相同；

评分单元，用于经过预设进化次数后，统计每个邻域搜索算子的调用次数，根据所述邻域解的进化程度对每个邻域搜索算子进行评分；

权重更新单元，用于根据每个邻域搜索算子的评分更新每个邻域搜索算子的权重；

循环单元，用于重复步骤1到步骤3，直至满足终止邻域搜索的条件，其中所述步骤1指得是所述进化单元所执行的根据每个邻域搜索算子的权重选择邻域搜索算子进化至少一个所述初始可行解至邻域解，所述步骤2是指经过预设进化次数的迭代后，统计每个邻域搜索算子的调用次数，根据所述邻域解的进化程度对每个邻域搜索算子进行评分，所述步骤3指得是所述权重更新单元所执行的根据每个邻域搜索算子的评分更新每个邻域搜索算子的权重；

计算更新单元，用于每个循环过程中，计算各个解的目标函数值，选择目标函数值最小的为最优解。

6.根据权利要求5所述的单场站多无人机任务分配与飞行路径的规划系统，其特征在于，所述武器配置与分配策略，包括：随机分配算子，打击能力优先分配算子，效费比优先分配算子；所述武器配置与分配策略的约束是：分配给单个打击目标点的武器总数量小于或等于无人机的挂点数量，分配给单个打击目标点的武器总质量小于或等于无人机的载重质量；

所述全回路生成策略，包括：随机生成算子，毁伤要求优先打击生成算子，最近距离优先打击生成算子；

所述全回路分割策略的约束是：每条子回路中的打击目标点所分配到武器的总数量小于或等于无人机挂点数量，每条子回路中的打击目标点所分配的武器总质量小于或等于无人机载重质量；每条子回路，无人机从场站出发，遍历这条子回路中打击目标点，返回场站。

7.根据权利要求5所述的单场站多无人机任务分配与飞行路径的规划系统，其特征在于，所述邻域搜索算子，包括：改变打击目标点的打击顺序的搜索算子；改变打击目标点武器分配方案的搜索算子；子回路合并的搜索算子；

所述改变打击目标点的打击顺序的搜索算子，包括：局部翻转搜索算子，打击序列2交换搜索算子，打击序列3交换搜索算子；

所述改变打击目标点武器分配方案的搜索算子，包括：减少武器数量搜索算子，降低武器费用搜索算子，降低武器质量搜索算子；

根据所述邻域解的进化程度对每个搜索算子进行评分，包括：

邻域搜索算子i，其中i＝1,2,…7，在第j次进化中的初始分数为0；

如果邻域搜索算子i，其中i＝1,2,…7，在第j次进化中产生的邻域解的目标函数值是种群中解的目标函数值中最小值，则所述邻域搜索算子加30分；

如果邻域搜索算子i，其中i＝1,2,…7，在第j次进化中产生的邻域解的目标函数值小于种群中解的目标函数值的平均值，则所述邻域搜索算子加20分；

如果邻域搜索算子i，其中i＝1,2,…7，在第j次进化中产生的邻域解的目标函数值不小于种群中解的目标函数值的平均值，则所述邻域搜索算子加10分；

如果邻域搜索算子i，其中i＝1,2,…7，在第j次进化中产生的邻域解的目标函数值小于种群中解的目标函数值的最大值，且被接受，则所述邻域搜索算子加5分；

所述种群为，由至少一个可行解经邻域搜索算子产生的至少一个邻域解的集合；

所述根据每个邻域搜索算子的评分更新每个邻域搜索算子的权重计算公式为：

设每个邻域搜索算子的初始权重为1，邻域搜索算子i在第j次进化时的权重为：

其中，r为常数，r∈[0,1]，ε_ij为邻域搜索算子i在第j次进化中被调用的次数，σ_ij为邻域搜索算子i在第j次进化中获得的评分总和。

8.根据权利要求5所述的单场站多无人机任务分配与飞行路径的规划系统，其特征在于：

所述终止邻域搜索的条件，包括：循环次数达到预设循环次数，终止邻域搜索；

或者经过特定次数的循环，当前最优解没有更新，终止邻域搜索；

所述计算更新单元，具体包括：

初始模块，用于设初始可行解为当前最优解，g^*为当前最优解的目标函数值；

计算模块，用于计算各个邻域解的目标函数值；

更新模块，用于当某个邻域解的目标函数值小于g^*时，用某个邻域解更新当前最优解；

所述邻域解被接受的条件为：邻域解的目标函数值小于g^*+δ，式中δ＝0.1×g^*。

Images