CN108985549A - 基于量子鸽群机制的无人机任务分配方法 - Google Patents

Abstract

本发明公开了基于量子鸽群机制的无人机任务分配方法，属于无人机资源分配领域。步骤为：建立无人机分阶段任务分配模型；确定需要执行的任务，初始化量子鸽群；计算每只量子鸽子的适应度值，选出局部最优位置和全局最优位置；更新量子旋转角矢量，来更新每只量子鸽子的量子速度，得到量子鸽子的位置；对每只量子鸽子进行适应度评价；确定局部最优位置和全局最优位置；判断是否达到最大迭代次数；输出全局最优位置；判断任务分配是否完成；获得任务分配方案。本发明实现了以较少的时间代价获取更高的收敛精度、更快的收敛速度和更合理的任务分配方案，能够有效解决对无人机多约束的要求，得到更加合理的无人机任务分配方案。

Description

基于量子鸽群机制的无人机任务分配方法

技术领域

本发明属于无人机资源分配领域，具体涉及基于量子鸽群机制的无人机任务分配方法。

背景技术

无人机通常指的是能够自主控制或由地面操作人员遥控的无人驾驶飞机。与载人飞机相比，它具有体积小、造价低、使用方便、对作战环境要求低、战场生存能力较强等优点，因此能够用来取代人类飞行员去执行危险、压力大、重复的任务。在军事领域，可用于完成战场的侦察和监视、定位校射，作为火炮、导弹的靶标等；在民用领域，可用于地图测绘、地质勘探、通信中继等方面。因此无论在军事还是在民用领域，无人机的研制都有着广阔的应用空间。

无人机任务分配是无人机系统应用的一项关键技术，是无人机完成军事任务的重要保证。任务分配是根据既定的目标把需要完成的任务合理地分派给系统中的组员，达到高效率执行任务、优化无人机系统的目的。在无人机执行任务的过程中，合理的任务分配方法可以使无人机达到最大的任务效能，从而更好地完成各项任务。

根据已有的技术文献发现，杨尚君等在《电光与控制》(2012，Vol.19，No.7，pp.32-36)上发表的“动态环境下的多UCAV协同任务分配研究”中所提出的任务分配模型，用动态规划方法寻找最优任务分配，但是算法模型复杂，计算量大，实时性也不够理想。随着智能启发式计算技术的发展，智能优化算法已大量用于无人机任务分配问题中，并提供了新的研究思路。王永泉等在《西北工业大学学报》(2014，Vol.32，No.3，pp.451-456)上发表的“基于多群体改进萤火虫算法的UCAV协同多目标分配”将改进萤火虫算法(MIGSO)应用于无人机任务分配问题中，虽然改进萤火虫算法有较快的收敛速度，但是容易陷入局部最优解。李俨等在《航空学报》(2010，Vol.31，No.3，pp.626-631)上发表的“基于SA-DPSO混合优化算法的协同空战火力分配”将模拟退火-离散粒子群混合优化算法应用于无人机任务分配问题，虽然结合了两种算法的特点，但是对于高维非线性问题寻优性能仍然不高。

上述所提到的基于智能计算的无人机任务分配方法虽然取得了较好的效果，但是在无人机集群作战系统的任务分配上，不仅需要设计新的任务分配模型，还需要设计新的求解多约束非线性任务分配问题的方法，以在最短的时间获得最优的任务分配方案。因此，寻找新的任务分配方法对于提高无人机的性能是很有必要的。

发明内容

本发明的目的在于提供能解决离散优化问题、收敛速度快、收敛精度高、适用性更加广泛的基于量子鸽群机制的无人机任务分配方法。

本发明的目的通过如下技术方案来实现：

基于量子鸽群机制的无人机任务分配方法，包括如下步骤：

步骤一：建立无人机分阶段执行任务的任务分配模型，假设有N架无人机执行T个目标的任务，其中第n架无人机执行任务时携带弹药数目为

设第n架无人机的起点坐标为其中1≤n≤N，无人机第t个目标的坐标为无人机n与目标t的距离为其中1≤t≤T。目标t₁与目标t₂的距离为其中1≤t₁,t₂≤T。

无人机任务分配矩阵可用N行T列分配矩阵A＝{a_n,t|a_n,t∈{0,1}}_N×T表示，若无人机n执行目标t上的任务，则a_n,t＝1，否则a_n,t＝0。

无人机分阶段执行每个目标上的任务。设定每个目标上有三个任务需要完成，分别是侦察、攻击和毁伤评估，所有无人机首先执行侦察任务，当侦察任务完成后再对目标执行攻击任务，攻击任务完成后，无人机再执行毁伤评估任务。这样分阶段地执行任务可以确保目标上的每一个任务都顺利地执行，每执行一个任务后，无人机可以交流任务完成情况，方便下一个任务的部署，使得任务分配方案更加合理。

设每个目标上有三个任务需要执行，分别是侦察、攻击和毁伤评估。目标t的价值为Value_t，无人机n对目标t的侦察确认概率为无人机n对目标t的杀伤概率为无人机n对目标t攻击后的生存概率为无人机n对目标t的正确评估概率为其中1≤n≤N,1≤t≤T。

无人机任务分配模型由执行任务的效能来表示，U_n,t表示无人机n执行目标t上的任务效能，任务效能U_n,t包括无人机n执行目标t上任务的收益R_n,t与代价C_n,t，则任务效能可表示为U_n,_t＝R_n,t-C_n,t，其中1≤n≤N,1≤t≤T。三种任务的收益代价函数分别为：

(1)侦察任务：

无人机n完成目标t上侦察任务的收益函数为 为无人机n对目标t的侦察确认概率，1≤n≤N,1≤t≤T。无人机n完成目标t上侦察任务的代价函数为其中a_n,t为任务分配矩阵A中的元素，A＝{a_n,t|a_n,t∈{0,1}}_N×T。D_n,t为无人机n执行目标t的任务飞行的距离，D_max为无人机n执行所有任务中最大的距离。为了保持函数的量纲一致，此处进行了归一化处理。

(2)攻击任务：

无人机n完成目标t上攻击任务的收益函数为其中，为无人机n执行目标t上的攻击任务时对目标的杀伤概率，为无人机n执行目标t上的攻击任务后无人机的生存概率。无人机n完成目标t上攻击任务的代价函数包括距离代价和风险代价两个部分，可表示为两个代价函数的加权和。距离代价函数为风险代价函数为则总的代价函数为其中β₁和β₂为两个因素的权重，且β₁+β₂＝1，β₁,β₂≥0。

(3)毁伤评估任务：

无人机n完成目标t上毁伤评估任务的收益函数为 为无人机n对目标t的正确评估概率。无人机n完成目标t上毁伤评估任务的代价函数包括距离代价和风险代价两个部分，用两个函数的加权和表示。距离代价函数为风险代价函数为总的代价函数表示为其中λ₁,λ₂为两个因素的权重，且λ₁+λ₂＝1，λ₁,λ₂≥0。

除此之外，还应满足如下的约束条件：

(1)任务执行数目约束。即每个目标上的每项任务只能被一架无人机执行一次。

(2)无人机弹药数目约束。即每架无人机攻击任务数目不超过所携带弹药总数。

三种任务分配的目标函数可统一表达为其中，k∈{CF,KL,PG}。在侦察任务中，在攻击任务中， 在毁伤评估任务中， 其中函数当括号中两变量相等时返回0，不相等时返回1。

令量子鸽群的种群规模N_p，问题的维数按n和t递增的方式排列无人机任务分配矩阵A＝{a_n,t|a_n,t∈{0,1}}_N×T中的元素，用对应记录无人机任务分配矩阵A中的元素，其中ε为迭代次数，是该向量的最大维度。

实际使用时，可根据任务要求依次选择k∈{CF,KL,PG}，也可根据需要随机选择任务。

步骤二：根据任务需要确定k的取值，初始化量子鸽群。

对所有的i＝1,2,…,N_p，将第i只量子鸽子的量子速度记为并将量子速度所有的量子位初始化为对第i只量子鸽子进行测量得到的位置为其中初始令ε＝0。

量子鸽群中的第i只量子鸽子的位置对应一个维的行向量 对鸽群中的第i只量子鸽子的量子速度的所有量子位 进行测量得到N_p个位置，对应N_p个分配方案i＝1,2,…,N_p。测量方法为其中，为均匀分布在[0,1]间的随机数。

步骤三：根据适应度函数对每只量子鸽子的位置进行适应度计算，确定局部最优位置和全局最优位置

适应度值按照来计算。

步骤四：更新每只量子鸽子的量子速度和位置。

在量子鸽群中，第i只量子鸽子第j维的量子旋转角的更新方程为其中为第i只量子鸽子的局部最优位置的第j维，为量子鸽群的全局最优位置的第j维，c₁和c₂为常数，分别决定局部最优位置和全局最优位置对量子鸽子的影响，和为均匀分布在[0,1]之间的随机数，R为地图和指南针因数。

量子速度的演进过程为其中，i＝1,2,…,N_p,abs()为求取绝对值函数，为均匀分布在[0,1]间的随机数。

根据量子速度测量得到量子鸽子的位置。测量规则为其中，1≤i≤N_p，

步骤五：对每只量子鸽子新生成的位置根据适应度函数进行适应度计算。

将第i只量子鸽子的位置映射为任务分配矩阵A，利用适应度函数进行适应度计算。

步骤六：更新每只量子鸽子的局部最优位置和全局最优位置。

计算每只量子鸽子位置的适应度值，并且与其局部最优位置的适应度值比较，若大于局部最优位置，则用量子鸽子的位置替换局部最优位置；将每只量子鸽子位置的适应度值与全局最优位置比较，若大于全局最优位置，则用量子鸽子的位置替换全局最优位置。

步骤七：判断是否达到最大迭代次数M。如果达到最大迭代次数，则迭代终止，执行步骤八；否则，令ε＝ε+1，返回步骤四继续执行。

步骤八：输出量子鸽群的全局最优位置，映射为该任务分配矩阵。

步骤九：判断所有任务分配是否完成。如果所有任务分配都完成，则执行步骤十；否则，执行下一任务，返回步骤二继续。

步骤十：所有任务执行完毕，获得无人机侦察、攻击和毁伤评估的任务分配方案。

本发明的有益效果在于：

(1)本发明解决了离散单目标问题的求解，并设计新颖的离散量子鸽群机制作为演进策略，所设计的方法具有收敛速度快，收敛精度高的优点，改善了鸽群算法只能用于连续问题求解的不足，使其能解决离散优化问题。

(2)相对于现有的无人机的侦察、攻击和毁伤评估等任务分配方法，本发明的任务分配模型可以有效解决对无人机多约束的要求，说明本方法的适用性更加广泛。

(3)仿真结果表明，与应用粒子群优化算法实现无人机任务分配方法相比，本发明能够得到更加合理的无人机任务分配方案，从而证明了所设计的任务分配方法的有效性。

附图说明

图1为基于量子鸽群机制的无人机任务分配方法流程图；

图2为无人机执行侦察任务时QPIO与PSO的对比图；

图3为无人机执行攻击任务时QPIO与PSO的对比图；

图4为无人机执行毁伤评估任务时QPIO与PSO的对比图。

为便于叙述，将基于量子鸽群算法的无人机任务分配方法简记为QPIO，将基于粒子群算法的无人机任务分配方法简记为PSO。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

步骤一：建立无人机分阶段执行任务的任务分配模型，假设有N架无人机执行T个目标的任务，其中第n架无人机执行任务时携带弹药数目为

设第n架无人机的起点坐标为其中1≤n≤N，无人机第t个目标的坐标为无人机n与目标t的距离为其中1≤t≤T。目标t₁与目标t₂的距离为其中1≤t₁,t₂≤T。

无人机任务分配矩阵可用N行T列分配矩阵A＝{a_n,t|a_n,t∈{0,1}}_N×T表示，若无人机n执行目标t上的任务，则a_n,t＝1，否则a_n,t＝0。

无人机分阶段执行每个目标上的任务。设定每个目标上有三个任务需要完成，分别是侦察、攻击和毁伤评估，所有无人机首先执行侦察任务，当侦察任务完成后再对目标执行攻击任务，攻击任务完成后，无人机再执行毁伤评估任务。这样分阶段地执行任务可以确保目标上的每一个任务都顺利地执行，每执行一个任务后，无人机可以交流任务完成情况，方便下一个任务的部署，使得任务分配方案更加合理。

设每个目标上有三个任务需要执行，分别是侦察、攻击和毁伤评估。目标t的价值为Value_t，无人机n对目标t的侦察确认概率为无人机n对目标t的杀伤概率为无人机n对目标t攻击后的生存概率为无人机n对目标t的正确评估概率为其中1≤n≤N,1≤t≤T。

无人机任务分配模型由执行任务的效能来表示，U_n,t表示无人机n执行目标t上的任务效能，任务效能U_n,t包括无人机n执行目标t上任务的收益R_n,t与代价C_n,t，则任务效能可表示为U_n,_t＝R_n,t-C_n,t，其中1≤n≤N,1≤t≤T。三种任务的收益代价函数分别为：

(1)侦察任务：

无人机n完成目标t上侦察任务的收益函数为 为无人机n对目标t的侦察确认概率，1≤n≤N,1≤t≤T。无人机n完成目标t上侦察任务的代价函数为其中a_n,t为任务分配矩阵A中的元素，A＝{a_n,t|a_n,t∈{0,1}}_N×T。D_n,t为无人机n执行目标t的任务飞行的距离，D_max为无人机n执行所有任务中最大的距离。为了保持函数的量纲一致，此处进行了归一化处理。

(2)攻击任务：

无人机n完成目标t上攻击任务的收益函数为其中，为无人机n执行目标t上的攻击任务时对目标的杀伤概率，为无人机n执行目标t上的攻击任务后无人机的生存概率。无人机n完成目标t上攻击任务的代价函数包括距离代价和风险代价两个部分，可表示为两个代价函数的加权和。距离代价函数为风险代价函数为则总的代价函数为其中β₁和β₂为两个因素的权重，且β₁+β₂＝1，β₁,β₂≥0。

(3)毁伤评估任务：

无人机n完成目标t上毁伤评估任务的收益函数为 为无人机n对目标t的正确评估概率。无人机n完成目标t上毁伤评估任务的代价函数包括距离代价和风险代价两个部分，用两个函数的加权和表示。距离代价函数为风险代价函数为总的代价函数表示为其中λ₁,λ₂为两个因素的权重，且λ₁+λ₂＝1，λ₁,λ₂≥0。

除此之外，还应满足如下的约束条件：

(1)任务执行数目约束。即每个目标上的每项任务只能被一架无人机执行一次。

(2)无人机弹药数目约束。即每架无人机攻击任务数目不超过所携带弹药总数。

三种任务分配的目标函数可统一表达为其中，k∈{CF,KL,PG}。在侦察任务中，在攻击任务中， 在毁伤评估任务中， 其中函数当括号中两变量相等时返回0，不相等时返回1。

令量子鸽群的种群规模N_p，问题的维数按n和t递增的方式排列无人机任务分配矩阵A＝{a_n,t|a_n,t∈{0,1}}_N×T中的元素，用对应记录无人机任务分配矩阵A中的元素，其中ε为迭代次数，是该向量的最大维度。

实际使用时，可根据任务要求依次选择k∈{CF,KL,PG}，也可根据需要随机选择任务。

步骤二：根据任务需要确定k的取值，初始化量子鸽群。

对所有的i＝1,2,…,N_p，将第i只量子鸽子的量子速度记为并将量子速度所有的量子位初始化为对第i只量子鸽子进行测量得到的位置为其中初始令ε＝0。

量子鸽群中的第i只量子鸽子的位置对应一个维的行向量 对鸽群中的第i只量子鸽子的量子速度的所有量子位 进行测量得到N_p个位置，对应N_p个分配方案i＝1,2,…,N_p。测量方法为其中，为均匀分布在[0,1]间的随机数。

步骤三：根据适应度函数对每只量子鸽子的位置进行适应度计算，确定局部最优位置和全局最优位置

适应度值按照来计算。

步骤四：更新每只量子鸽子的量子速度和位置。

在量子鸽群中，第i只量子鸽子第j维的量子旋转角的更新方程为其中为第i只量子鸽子的局部最优位置的第j维，为量子鸽群的全局最优位置的第j维，c₁和c₂为常数，分别决定局部最优位置和全局最优位置对量子鸽子的影响，和为均匀分布在[0,1]之间的随机数，R为地图和指南针因数。

量子速度的演进过程为其中，i＝1,2,…,N_p,abs()为求取绝对值函数，为均匀分布在[0,1]间的随机数。

根据量子速度测量得到量子鸽子的位置。测量规则为其中，1≤i≤N_p，

步骤五：对每只量子鸽子新生成的位置根据适应度函数进行适应度计算。

将第i只量子鸽子的位置映射为任务分配矩阵A，利用适应度函数进行适应度计算。

步骤六：更新每只量子鸽子的局部最优位置和全局最优位置。

计算每只量子鸽子位置的适应度值，并且与其局部最优位置的适应度值比较，若大于局部最优位置，则用量子鸽子的位置替换局部最优位置；将每只量子鸽子位置的适应度值与全局最优位置比较，若大于全局最优位置，则用量子鸽子的位置替换全局最优位置。

步骤七：判断是否达到最大迭代次数M。如果达到最大迭代次数，则迭代终止，执行步骤八；否则，令ε＝ε+1，返回步骤四继续执行。

步骤八：输出量子鸽群的全局最优位置，映射为该任务分配矩阵。

步骤九：判断所有任务分配是否完成。如果所有任务分配都完成，则执行步骤十；否则，执行下一任务，返回步骤二继续。

步骤十：所有任务执行完毕，获得无人机侦察、攻击和毁伤评估的任务分配方案。

模型具体参数设置如下：

无人机的个数N＝3，无人机的起点坐标为(368,320,180)、(270,50,264)和(184,237,320)，携带弹药数量均为3。无人机执行任务的目标数T＝5，第一个目标的价值为0.88，坐标为(130,500,600)，无人机攻击该目标时对该目标的杀伤概率为0.93，无人机攻击目标后的生存概率为0.92，无人机对该目标正确评估的概率为0.97；第二个目标的价值为0.68，坐标为(84,70,304)，无人机攻击该目标时对该目标的杀伤概率为0.78，无人机攻击目标后的生存概率为0.90，无人机对该目标正确评估的概率为0.90；第三个目标的价值为0.70，坐标为(50,361,233)，无人机攻击该目标时对该目标的杀伤概率为0.92，无人机攻击目标后的生存概率为0.79，无人机对该目标正确评估的概率为0.95；第四个目标的价值为0.81，坐标为(109,265,500)，无人机攻击该目标时对该目标的杀伤概率为0.86，无人机攻击目标后的生存概率为0.91，无人机对该目标正确评估的概率为0.89；第五个目标的价值为0.73，坐标为(456,92,525)，无人机攻击该目标时对该目标的杀伤概率为0.89，无人机攻击目标后的生存概率为0.80，无人机对该目标正确评估的概率为0.87。侦察任务为无人机在目标上执行的第一个任务，因此在仿真时，认为侦察任务总能完成，故将无人机对目标的侦察确认概率均设为1。系数β₁＝β₂＝λ₁＝λ₂＝0.5，上述坐标的单位均为km。

基于量子鸽群机制的无人机任务分配方法的参数设置如下：种群规模N_p＝100，最大迭代次数M为500，地图和指南针因数R＝2，局部最优位置和全局最优位置对量子鸽子的影响程度c₁＝0.03，c₂＝0.12。

基于粒子群算法的无人机任务分配相关参数见李炜等在《控制与决策》(2010，Vol.25，No.9，pp.1359-1364)上发表的“基于粒子群算法的多无人机任务分配方法”，其他参数均与基于量子鸽群算法的无人机任务分配方法中的相同。

无人机任务分配结果如表所示：

表1无人机任务分配结果

其中，N1表示第一架无人机，N2表示第二架无人机，N3表示第三架无人机，T1表示第一个目标，T2表示第二个目标，T3表示第三个目标，T4表示第四个目标，T5表示第五个目标，0表示无人机未执行该目标上的任务，1表示无人机执行该目标上的任务。

图2：无人机执行侦察任务时QPIO与PSO的对比图。

可以看出，在侦察任务中，迭代初期PSO收敛速度较快，但就整体的收敛精度而言，QPIO的性能更优。

图3：无人机执行攻击任务时QPIO与PSO的对比图。

可以看出，在攻击任务中，QPIO的收敛速度和收敛精度均优于PSO。

图4：无人机执行毁伤评估任务时QPIO与PSO的对比图。

可以看出，在毁伤评估任务中，在收敛速度上，PSO更快，但在收敛精度上，QPIO优于PSO。

本发明解决了在无人机任务分配问题中，现有方法存在的算法模型复杂、计算量大、寻优性能不高等，通过设计一种分阶段执行侦察、攻击和毁伤评估任务的无人机任务分配模型，以最大的任务执行效能得到了最优的任务分配方案。该方法的步骤为：建立无人机分阶段执行任务的任务分配模型；确定需要执行的任务，初始化量子鸽群；计算每只量子鸽子的适应度值，并选出局部最优位置和全局最优位置；更新量子旋转角矢量，来更新每只量子鸽子的量子速度，对其测量得到量子鸽子的位置；对每只量子鸽子进行适应度评价；确定局部最优位置和全局最优位置；判断是否达到最大迭代次数；输出全局最优位置，并映射为任务分配矩阵；判断所有任务分配是否完成；获得无人机侦察、攻击和毁伤评估的任务分配方案。本发明实现了以较少的时间代价获取更高的收敛精度、更快的收敛速度和更合理的任务分配方案，能够有效解决对无人机多约束的要求，得到更加合理的无人机任务分配方案。该分配方案可由一个无人机小组依次完成侦察、攻击和毁伤评估任务，也可由无人机集群中的一个无人机小组相互配合协同依次完成侦察、攻击和毁伤评估任务。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于量子鸽群机制的无人机任务分配方法，其特征在于，包括如下步骤：

(1)建立无人机分阶段执行任务的任务分配模型，假设有N架无人机执行T个目标的任务，其中第n架无人机执行任务时携带弹药数目为1≤n≤N；

设第n架无人机的起点坐标为其中1≤n≤N，无人机第t个目标的坐标为无人机n与目标t的距离为其中1≤t≤T，目标t₁与目标t₂的距离为其中1≤t₁,t₂≤T；

无人机任务分配矩阵可用N行T列分配矩阵A＝{a_n,t|a_n,t∈{0,1}}_N×T表示，若无人机n执行目标t上的任务，则a_n,t＝1，否则a_n,t＝0；

(2)根据任务需要确定k的取值，初始化量子鸽群，对所有的i＝1,2,L,N_p，将第i只量子鸽子的量子速度记为并将量子速度所有的量子位初始化为对第i只量子鸽子进行测量得到的位置为i＝1,2,L,N_p，其中i＝1,2,L,N_p，初始令ε＝0；

量子鸽群中的第i只量子鸽子的位置对应一个维的行向量i＝1,2,L,N_p，对鸽群中的第i只量子鸽子的量子速度的所有量子位 进行测量得到N_p个位置，对应N_p个分配方案i＝1,2,L,N_p；

测量方法为i＝1,2,K,N_p,其中，为均匀分布在[0,1]间的随机数；

(3)根据适应度函数对每只量子鸽子的位置进行适应度计算，确定局部最优位置和全局最优位置

适应度值按照来计算；

(4)更新每只量子鸽子的量子速度和位置；

(5)对每只量子鸽子新生成的位置根据适应度函数进行适应度计算，

将第i只量子鸽子的位置映射为任务分配矩阵A，利用适应度函数进行适应度计算；

(6)更新每只量子鸽子的局部最优位置和全局最优位置，

计算每只量子鸽子位置的适应度值，并且与其局部最优位置的适应度值比较，若大于局部最优位置，则用量子鸽子的位置替换局部最优位置；将每只量子鸽子位置的适应度值与全局最优位置比较，若大于全局最优位置，则用量子鸽子的位置替换全局最优位置；

(7)判断是否达到最大迭代次数M，如果达到最大迭代次数，则迭代终止，执行步骤八；否则，令ε＝ε+1，返回步骤(4)继续执行；

(8)输出量子鸽群的全局最优位置，映射为该任务分配矩阵；

(9)判断所有任务分配是否完成，如果所有任务分配都完成，则执行步骤(10)；否则，执行下一任务，返回步骤(2)继续；

(10)所有任务执行完毕，获得无人机侦察、攻击和毁伤评估的任务分配方案。

2.根据权利要求1所述的基于量子鸽群机制的无人机任务分配方法，其特征在于，所述的步骤(1)具体包括：

(1.1)设定每个目标上有三个任务需要完成，分别是侦察、攻击和毁伤评估，所有无人机首先执行侦察任务，当侦察任务完成后再对目标执行攻击任务，攻击任务完成后，无人机再执行毁伤评估任务，每执行一个任务后，无人机反馈任务完成情况，进行下一个任务的部署，

设每个目标上有三个任务需要执行，分别是侦察、攻击和毁伤评估，目标t的价值为Value_t，无人机n对目标t的侦察确认概率为无人机n对目标t的杀伤概率为无人机n对目标t攻击后的生存概率为无人机n对目标t的正确评估概率为其中1≤n≤N,1≤t≤T，

无人机任务分配模型由执行任务的效能来表示，U_n,t表示无人机n执行目标t上的任务效能，任务效能U_n,t包括无人机n执行目标t上任务的收益R_n,t与代价C_n,t，则任务效能可表示为U_n,t＝R_n,t-C_n,t，其中1≤n≤N,1≤t≤T；

(1.2)三种任务的收益代价函数分别为：

(1.2.1)侦察任务：

无人机n完成目标t上侦察任务的收益函数为 为无人机n对目标t的侦察确认概率，1≤n≤N,1≤t≤T，无人机n完成目标t上侦察任务的代价函数为

其中a_n,t为任务分配矩阵A中的元素，A＝{a_n,t|a_n,t∈{0,1}}_N×T，D_n,t为无人机n执行目标t的任务飞行的距离，D_max为无人机n执行所有任务中最大的距离，此处进行了归一化处理；

(1.2.2)攻击任务：

无人机n完成目标t上攻击任务的收益函数为其中，为无人机n执行目标t上的攻击任务时对目标的杀伤概率，为无人机n执行目标t上的攻击任务后无人机的生存概率，无人机n完成目标t上攻击任务的代价函数包括距离代价和风险代价两个部分，可表示为两个代价函数的加权和，距离代价函数为风险代价函数为则总的代价函数为其中β₁和β₂为两个因素的权重，且β₁+β₂＝1，β₁,β₂≥0；

(1.2.3)毁伤评估任务：

无人机n完成目标t上毁伤评估任务的收益函数为 为无人机n对目标t的正确评估概率，无人机n完成目标t上毁伤评估任务的代价函数包括距离代价和风险代价两个部分，用两个函数的加权和表示，距离代价函数为风险代价函数为总的代价函数表示为其中λ₁,λ₂为两个因素的权重，且λ₁+λ₂＝1，λ₁,λ₂≥0。

3.根据权利要求2所述的基于量子鸽群机制的无人机任务分配方法，其特征在于，所述的步骤(1)除此之外，还应满足如下的约束条件：任务执行数目约束，即每个目标上的每项任务只能被一架无人机执行一次：

无人机弹药数目约束，即每架无人机攻击任务数目不超过所携带弹药总数：

4.根据权利要求2所述的基于量子鸽群机制的无人机任务分配方法，其特征在于，所述的步骤(4)具体包括：

(4.1)在量子鸽群中，第i只量子鸽子第j维的量子旋转角的更新方程为

i＝1,2,L,N_p，

其中为第i只量子鸽子的局部最优位置的第j维，为量子鸽群的全局最优位置的第j维，c₁和c₂为常数，分别决定局部最优位置和全局最优位置对量子鸽子的影响，和为均匀分布在[0,1]之间的随机数，R为地图和指南针因数；

(4.2)量子速度的演进过程为其中，i＝1,2,L,N_p,abs()为求取绝对值函数，为均匀分布在[0,1]间的随机数；

(4.3)根据量子速度测量得到量子鸽子的位置，测量规则为

其中，1≤i≤N_p，