CN109101721A - 不确定环境下基于区间直觉模糊信息的多无人机任务分配方法 - Google Patents

Abstract

本发明公布了不确定环境下基于区间直觉模糊信息的多无人机任务分配方法，主要解决了在不确定环境下多无人机任务分配的优化求解问题。所示方法包括：首先，将无人机任务分配中的不确定信息用区间直觉模糊数表示，构建多无人机任务分配的数学模型；其次，建立无人机‑任务分配对，初始化分配方案，产生相应的目标个体，并给定算法的初始参数；然后，采用改进后的离散差分进化算法求解任务分配数学模型；最后，根据最小适应度得到最优的多无人机任务分配方案。本发明在多无人机任务分配模型建立上具有合理性，优化算法方面具有较好的收敛性，为不确定环境下多无人机任务分配提供了一种有效的方法。

Description

不确定环境下基于区间直觉模糊信息的多无人机任务分配 方法

技术领域

本发明属于无人机防空决策领域，特别是不确定环境下基于区间直觉模糊信息的多无人机任务分配方法。

背景技术

未来一代的无人机将面临更复杂多样的战场环境和挑战，多个无人机协作完成战场任务将会是必然趋势。任务分配是无人机编队相互合作的基础，是作战指挥系统的关键部分，其目标是在考虑各种约束条件的前提下，以任务的总体效能最优或次优为目标，合理地将具体行动任务分配给无人机编队。随着当前飞机性能的不断提高和战场环境干扰因素的增加，实际战场中存在的测量偏差和武器性能指标不稳定等问题，对任务分配方案的实际使用提出了挑战，分配问题常常面临收获信息不确定的问题。近年来，针对当前常见的任务分配方法大多数以信息准确为前提的情况，不确定环境下的无人机任务分配研究也逐渐受到关注。

通常不确定环境下多无人机任务分配包括建模和算法优化两个方面。在建模方面，2012年，杜继永等人提出多UCAV协同任务分配模型及粒子群算法求解方法，分析了影响任务分配的关键指标，建立了针对攻击任务的模型，但不能解决信息来源不确定的问题。在不确定环境的研究上，2013年，陈侠等人提出了不确定环境下基于PSO算法的多无人机任务分配方法，采用随机概率的多属性方案排序方法，利用统计学的思想给出分配方案，但容易造成信息的丢失。可以看出，区间直觉模糊集和其他方法相比，具有客观完整的保留目标属性不确定信息的优点，但当前的区间直觉模糊数比较还没有公认的排序方法。

在算法优化方面，由于离散差分进化算法具有可靠性高、优化性能良好以及控制参数少、原理相对简单等优点，被用于解决组合优化问题。罗德林，吴文海等人提出DDE-MMR算法，改进了之前算法研究中收敛较慢的问题，为解决武器目标分配的问题提供了新的思路；Pan Q K等人于2009年将相对位置索引法用于设计离散差分进化算法，解决典型组合优化问题。

发明内容

本发明的目的在于提供不确定环境下基于区间直觉模糊信息的多无人机任务分配方法，该方法在SEAD约束条件下，以总体任务效能最优为目标，建立多无人机任务分配的区间直觉模糊模型，再利用改进的离散差分进化算法求解模型，合理地将具体行动任务分配给各无人机。

为实现上述目的，本发明采用以下技术方案：

不确定环境下基于区间直觉模糊信息的多无人机任务分配方法，包括：

第一步，将无人机任务分配中的不确定信息用区间直觉模糊数表示，构建不确定环境下的多无人机任务分配的数学模型。

第二步，利用整数排列建立无人机-任务分配对，并将其用矩阵形式表示，得到初始化分配方案，产生相应的目标个体x_i，g，确定缩放因子F、交叉率C_r、种群规模N_p和迭代次数Y，随机产生N_p组分配方案。

第三步，对目标个体x_i，g执行改进后的差分变异操作得到变异个体v_i，g。

第四步，对目标个体x_i，g与变异个体v_i，g执行改进后的交叉操作，得到交叉个体u_i，g。

第五步，将交叉个体u_i，g与目标个体x_i，g对应的分配方案分别代入适应度函数f，得到适应度值。

第六步，利用基于TOPSIS和曼哈顿距离的改进区间直觉模糊数排序方法，比较得到最优的多无人机任务分配矩阵。

第七步，判断是否达到迭代次数Y，如果达到，则输出最优解，即多无人机任务分配方案，否则转第三步，继续执行下一轮算法迭代过程。

本发明具有以下优点：

1.所建立的一种综合威胁代价、距离代价、火力代价与收益指标四方面的多无人机任务分配的数学模型，通过区间直觉模糊数合理地表达不确定环境下的信息，解决了传统方法在处理测量误差及空战环境造成的信息不确定性问题，使得结果更符合实际战场需要。

2.本发明采用一种基于TOPSIS原理的改进的区间直觉模糊数比较方法，将不确定的信息经过转化表示为区间直觉模糊数，将曼哈顿距离和区间数犹豫度作为参考，解决了隶属度和非隶属度区间中点或宽度相同时的排序问题，计算简单且排序结果分辨率高。

3.针对多UCAV的任务分配问题，本发明提出一种改进的离散差分进化算法，将离散差分进化算法用于不确定环境下多无人机任务分配模型的求解中，并改进了算法中的差分变异和交叉策略，使得其结果有更好的快速性和收敛效果。

附图表说明

图1为本发明方法的流程图。

图2为距离与区间直觉模糊数的对应关系。

图3为5级语言变量与区间直觉模糊数的对应关系。

图4本发明的变异策略和经典的变异策略的对比图。

具体实施方式

结合所附图表，对本发明的技术方案作具体说明。

本发明的不确定环境下基于区间直觉模糊信息的多无人机任务分配方法，具体包括以下步骤：

步骤1将无人机任务分配中的不确定信息用区间直觉模糊数表示，构建不确定环境下的多无人机任务分配的数学模型。

首先，将多无人机任务分配中的不确定信息用区间直觉模糊数表示，具体为：

(1)威胁代价C₁的区间直觉模糊值

首先，利用C₁＝PK_ij·V_i计算单架无人机i执行任务j时的威胁代价值C₁，这里PK_ij为无人机i执行任务j时被击毁的概率，V_i为UCAV_i的价值；然后采用求出威胁代价C₁的区间直觉模糊值这里，威胁代价C₁的区间隶属度与区间非隶属度，具体为：

上式中，δ_i为威胁代价C₁区间数的差值；μ_V和v_V根据威胁代价在任务分配中的重要性决定，且0≤μ_V+v_V≤1。

(2)距离代价C₂的区间直觉模糊值

对于距离定性指标，本发明将距离分为4个等级分别对应不同的区间直觉模糊数。UCAV和目标任务之间的距离D_ij与区间直觉模糊数的对应关系如图2所示。

(3)火力代价C₃的区间直觉模糊值

对于火力定性指标，通过语言变量对火力代价进行对应描述，将语言变量分为很大、大、一般、小和很小这5个等级，5级语言变量与区间直觉模糊数的对应关系如图3所示。

(4)收益指标G的区间直觉模糊值

利用G＝PA_ij·V_j计算单架无人机i执行任务j时的收益指标值G，这里PA_ij为无人机i执行任务j时被击毁的概率，V_j为任务j的侦察或攻击价值；然后采用求出收益指标G的区间直觉模糊值这里，收益指标G的区间隶属度与区间非隶属度，具体为：

上式中，δ_j为价值区间数的差值，μ_V和v_V根据威胁代价在任务分配中的重要性决定，且0≤μ_V+v_V≤1。

其次，综合考虑上述威胁代价、距离代价、火力代价和收益指标区间直觉模糊值表示，构建不确定环境下多无人机任务分配的数学模型为：

式(18)中，f表示适应度函数，λ₁、λ₂、λ₂、λ₄为权重系数，且λ₁+λ₂+λ₃+λ₄＝1；C₁、C₂、C₃、G分别表示威胁代价、距离代价、火力代价和收益指标； 分别表示威胁代价、距离代价、火力代价和收益指标的区间直觉模糊数；N为无人机个数，M为任务个数。式(19)中x_ij为决策变量，当x_ij＝1时表示UCAV_i执行目标任务j，当x_ij＝0时表示UCAV_i没有执行目标任务j；I＝{1，2，...，N}为N个无人机的下标集，J＝{1，2，...，M}为M个任务的下标集。式(20)表示每架无人机的任务最大执行能力约束，L_i为无人机任务载荷。式(21)约束每项任务只能由一个无人机执行一次。式(22)表示编队完成任务数量约束，其中Nmin为任务个数M与所有无人机任务载荷累加中较小的值。

步骤2首先，利用整数排列，建立无人机-任务分配对，将其用矩阵X表示，如式(23)所示，作为初始化分配方案；然后，根据初始化分配方案，得到种群中的目标个体x_i，g；最后，设置算法初始参数，包括：缩放因子F、交叉率C_r、种群规模N_p、迭代次数Y，随机产生N_p组分配方案。

式中，U_i表示第i架无人机，T_i表示第i个任务；元素x_nm＝1，则表示第n个无人机执行了第m个任务，若x_nm＝0，则表示没有执行任务。

步骤3首先，在种群中随机选取3个不同的个体求第g代中两个目标个体x_i，g差值然后，根据生成的随机数选择保留结果或者更新得到最优个体x_best，g；最后，利用改进后的变异操作得到变异个体v_i，g，具体为：

式中，x_best，g为第g代中的最优个体，N为问题维度，η_i，g满足：

步骤4首先，产生随机数r＝rand(0，1)，确定交叉率C_r；然后计算交叉个体u_i，g，具体为：

式中，目标个体x_i，g满足：

式中，u_i，g-1为第g-1代的交叉个体，x_i，g-1为第g-1代的目标个体，f(·)为适应度函数；然后，随机删除u_i，g中重复次数超过约束次数的数据，排除非法解的存在；最后，将目标个体x_i，g中不同于u_i，g中剩余的数，和不超过规定约束的数随机排列后放入空缺的位置，完成交叉操作。

步骤5将交叉个体u_i，g与目标个体x_i，g对应的分配方案带入适应度函数分别得到交叉个体u_i，g与目标个体x_i，g的适应度值。

步骤6利用计算出相对于最大区间直觉模糊数的相近度这里为一个区间直觉模糊数；其次，将所得到的相对于最大区间直觉模糊数的相近度进行比较，具体为：若则若则然后，根据比较结果得到模糊数排序；最后，基于上一步得到的适应度值，当达到最小值时，则选择对应的无人机任务分配方案为最优，得到多无人机任务分配矩阵。

步骤7判断是否达到迭代次数Y，如果达到，则输出最优解，即多无人机任务分配方案，否则转第三步，继续执行下一轮算法迭代过程。

下面结合实施例对本发明做进一步详细的描述。

假设任务想定设定有3架无人机，7个任务，任务约束为每个无人机的任务载荷小于等于3，多无人机执行的任务总数大于等于给定任务数，且同一个任务只能被一个无人机执行。初始化参数为：缩放因子F＝1，交叉率C_r＝0.9，种群规模N_P＝20，迭代次数Y＝200，随机产生20组分配方案。

无人机和任务的参数如表1～表3所示。

表1无人机参数

表2无人机与目标任务之间的距离D_ij

表3任务价值V_j

根据步骤1，利用上述三个表中的数据分别计算UCAV完成不同任务的代价和收益，并按照的无人机任务分配数学模型对无人机执行不同任务时威胁代价、距离代价、火力代价和收益求和。由于参与求和的指标均为区间直觉模糊数，所以利用相应的运算法则计算，得到任务分配的区间直觉模糊决策矩阵如表4所示。

表4任务分配的区间直觉模糊决策矩阵

采用表4中的数据，根据本发明的改进离散差分进化算法，求解不确定环境下多无人机任务分配的模型。经过MATLAB的仿真运行，输出的结果为：fbest＝0.9559，对应的多无人机任务分配矩阵X为：

上述矩阵表示的多无人机任务分配的方案为：UCAV1执行任务3和任务7；UCAV 2执行任务1，任务2和任务4；UCAV 3执行任务5和任务6。

多无人机的任务分配方案可用表5所示。

表5多无人机任务分配方案

由表5可以看出，任务分配结果满足单无人机执行单任务的约束，没有出现使多个无人机执行同一任务的情况；满足SEAD环境下的多个无人机任务载荷约束，每个无人机需要执行的任务小于等于3个，且所有任务都被执行。由上述分析可得该分配方案在实际情况下可行，故认为运算得到的分配结果是合理有效的。

为了验证本发明的不确定环境下基于区间直觉模糊信息的多无人机任务分配方法的优越性和可行性，选取本发明改进的差分进化算法与经典差分进化算法变异策略得到的结果进行对比。

图4为在参数相同的条件下运行两种不同变异策略的算法，得到的结果对比图。从图中可以看出，两种算法都可以找到最优解。在收敛快速性上，本发明的改进差分进化算法在迭代38次之后稳定收敛到最优解，而改进前的算法116代时才达到最优解。比较可得，本发明改进的差分进化算法变异策略相比较经典的差分进化算法变异策略可以使算法收敛速度更快，能更有效地得到最优解。综合考量，本发明的改进的差分进化算法比经典差分变异算法更加具有优势。

综上所述，本发明的不确定环境下基于区间直觉模糊信息的多无人机任务分配方法，通过区间直觉模糊数合理地表达不确定环境下的信息，解决了传统方法在处理测量误差及空战环境造成信息不确定性的问题，使得结果更符合实际战场需要；改进了区间直觉模糊数排序方法，使排序过程计算简单且结果分辨率较高；最后利用改进离散差分进化算法对多无人机任务分配模型进行求解，仿真实验证明，算法具有较好的收敛性和快速性。该研究为不确定环境下多无人机的任务分配方法提供了一条有效途径。

Claims (5)

1.不确定环境下基于区间直觉模糊信息的多无人机任务分配方法，包括以下步骤：

第一步，将无人机任务分配中的不确定信息用区间直觉模糊数表示，构建不确定环境下的多无人机任务分配的数学模型。

第二步，利用整数排列建立无人机-任务分配对，并将其用矩阵形式表示，得到初始化分配方案，产生相应的目标个体；给定算法初始参数，包括缩放因子、交叉率、种群规模、迭代次数和分配方案。

第三步，对目标个体执行改进后的差分变异操作得到变异个体。

第四步，对目标个体与变异个体执行改进后的交叉操作得到交叉个体。

第五步，将交叉个体与目标个体对应的分配方案分别代入适应度函数，得到适应度值。

第六步，利用基于TOPSIS和曼哈顿距离的改进区间直觉模糊数排序方法，比较得到最优的多无人机任务分配矩阵。

第七步，判断是否达到迭代次数，如果达到，则输出最优解，即多无人机任务分配方案，否则转到第三步，继续执行下一轮算法迭代过程。

2.如权利要求1所述的不确定环境下基于区间直觉模糊信息的多无人机任务分配方法，其特征在于，所述第一步中将无人机任务分配中的不确定信息用区间直觉模糊数表示，构建不确定环境的多无人机任务分配的数学模型，具体为：

式(1)中，f表示适应度函数，λ₁、λ₂、λ₂、λ₄为权重系数，且λ₁+λ₂+λ₃+λ₄＝1；C₁、C₂、C₃、G分别表示威胁代价、距离代价、火力代价和收益指标；分别表示威胁代价、距离代价、火力代价和收益指标的区间直觉模糊数；N为无人机个数，M为任务个数。式(2)中x_ij为决策变量，当x_ij＝1时表示UCAV执行目标任务j，当x_ij＝0 时表示UCAV_i没有执行目标任务j；I＝{1，2，...，N}为N个无人机的下标集，J＝{1，2，...，M}为M个任务的下标集。式(3)表示每架无人机的任务最大执行能力约束，L_i为无人机任务载荷。式(4)约束每项任务只能由一个无人机执行一次。式(5)表示编队完成任务数量约束，其中Nmin为任务个数M与所有无人机任务载荷累加中较小的值。

1)威胁代价C₁的区间直觉模糊值

首先，利用C₁＝PK_ij·V_i计算单架无人机i执行任务j时的威胁代价值C₁，这里PK_ij为无人机i执行任务j时被击毁的概率，V_i为UCAV_i的价值；然后采用求出威胁代价C₁的区间直觉模糊值这里，威胁代价C₁的区间隶属度与区间非隶属度，具体为：

上式中，δ_i为威胁代价C₁区间数的差值；μ_V和ν_V根据威胁代价在任务分配中的重要性决定，且0≤μ_V+ν_V≤1。

2)收益指标G的区间直觉模糊值

首先，利用G＝PA_ij·V_j计算单架无人机i执行任务j时的收益指标值G，这里PA_ij为无人机i执行任务j时被击毁的概率，V_j为任务j的侦察或攻击价值；然后采用求出收益指标G的区间直觉模糊值这里，收益指标G的区间隶属度与区间非隶属度，具体为：

式中，δ_j为价值区间数的差值，μ_V和ν_V根据威胁代价在任务分配中的重要性决定，且0≤μ_V+ν_V≤1。

3.如权利要求1所述的不确定环境下基于区间直觉模糊信息的多无人机任务分配方法，其特征在于，所述第三步中的执行改进后的差分变异操作得到变异个体v_i，g，具体为：

式中，x_best，g为第g代中的最优个体，N为问题维度，η_i，g满足：

。

4.如权利要求1所述的不确定环境下基于区间直觉模糊信息的多无人机任务分配方法，其特征在于，所述第四步中的对目标个体与变异个体执行改进后的交叉操作得到交叉个体u_i，g，具体方法为：首先，产生随机数r＝rand(0，1)，确定交叉率C_r；然后，计算交叉个体u_i，g，具体为：

式中，目标个体x_i，g满足：

其中，u_i，g-1为第g-1代的交叉个体，x_i，g-1为第g-1代的目标个体，f(·)为适应度函数；然后，随机删除u_i，g中重复次数超过约束次数的数据，排除非法解的存在；最后，将目标个体x_i，g中不同于u_i，g中剩余的数，和不超过规定约束的数随机排列后放入空缺的位置，完成交叉操作。

5.如权利要求1所述的不确定环境下基于区间直觉模糊信息的多无人机任务分配方法，其特征在于，所述第六步中的基于TOPSIS和曼哈顿距离的改进区间直觉模糊数排序方法，具体为：首先，利用计算出相对于最大区间直觉模糊数的相近度这里为一个区间直觉模糊数；然后，将所得到的相对于最大区间直觉模糊数的相近度进行比较，具体为：若则若则最后，根据比较结果得到模糊数排序。