CN109118064B - 一种用于探测任务规划的最优资源分配方法 - Google Patents
一种用于探测任务规划的最优资源分配方法 Download PDFInfo
- Publication number
- CN109118064B CN109118064B CN201810826866.6A CN201810826866A CN109118064B CN 109118064 B CN109118064 B CN 109118064B CN 201810826866 A CN201810826866 A CN 201810826866A CN 109118064 B CN109118064 B CN 109118064B
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- solution
- time
- motion
- 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.)
- Active
Links
Images
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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于探测资源规划的最优资源分配方法,该方法在仅输入探测设备探测参数和目标运动参数信息下,通过建立目标的运动模型和探测资源的探测模型,利用改进的遗传算法在问题的可行空间中进行搜索,从而得到问题的最优资源分配方案。针对探测设备切换跟踪目标时存在的目标切换时延,本发明通过罚函数方法处理这种时间耦合约束,避免搜索过程出现不可行解,保证解的可行性。本发明在遗传算法中引入了启发式搜索,以提高对问题可行空间的搜索效率、降低计算量,从而解决传统探测任务规划方法面临的大计算量、长耗时的问题。
Description
技术领域
本发明涉及任务规划技术领域,尤其涉及一种用于探测任务规划的最优资源分配方法。
背景技术
近些年,隐形飞机、无人机、直升机、巡航导弹等成为现代战争中常规攻击手段,同时,从陆上、海上入侵的情况也时有发生。常规的探测手段,如雷达等已不能满足国土防卫的要求,因此装备有光学、红外、激光探测设备的边境防御系统成为了国土防卫的有效补充。边境防御能有效探测低空入侵的空中目标、海上目标和陆上目标,并将目标的情报信息发送给上级指控系统,提高对入侵目标的发现概率,保证国土边境的安全性。
在边境防御系统中,由于单传感器本身固有局限性,依靠单传感器自主探测很难满足系统对目标的连续跟踪要求,在空域内目标较多的情况下,问题将变得更加复杂。随着当前低空突防目标威胁日益增大,迫切需要在中心系统对各下属探测资源进行优化部署,并对各探测资源的探测行动进行协同控制,使其按最优方案对目标进行协同探测,提升系统对低空目标的发现概率和跟踪连续性。针对上述实际需求,本发明提出了一种探测资源最优分配方法以有效的解决上述探测任务规划问题。
对探测设备的探测任务分配问题主要面临如下几个难点。首先,由于目标具有不同运动轨迹和起止时间,并且探测设备的探测能力不同,该问题是一个多时段全局资源分配问题。相比于单时刻单传感器管控问题,该问题的求解难度较大。另外,由于该问题本质上是一个离散规划问题,因而无法利用常规的线性规划、二次规划等优化方法进行求解。其次,由于探测设备在探测目标时需要一定的机械转动时间和目标锁定时间,因此传感器在切换探测目标时会有一定的时延。这种现象导致问题的策略空间更加离散化,搜索效率进一步降低。最后,根据实际探测需求,本问题通常存在多个优化目标,并且这些优化目标一般不具备可比性。因此,如何折中考虑各个优化目标对方案的影响也是一个难点。
近年来,任务规划作为边境防御系统、指挥控制系统等领域的核心功能,得到了很多关注。常见的任务规划方法有粒子群方法[李俊,郝成民,刘湘伟.改进PSO算法在雷达干扰任务分配中的应用.计算机仿真,2008,25(12):27-30]、线性规划方法[肖秦.协同探测中传感器管理的优化方法.四川兵工学报,2013,34(4):97-100]、遗传算法[彭黎,黄维.基于随机模拟的电子侦察卫星多目标优化调度方法.系统工程与电子技术,2013,35(3):545-551]等。对于本发明解决的探测资源分配问题,已有传统方法较少考虑多时段的任务规划问题,主要解决的是单时刻多资源的最优分配问题,而前者解决难度更大,也更符合实际需求。另外,已有传统方法在求解时也忽略了探测资源在进行目标切换时所需要的时延,这种时延约束进一步导致传统方法或者无法求解该问题,或者面临求解耗时、寻优慢的问题,因此不能满足边境防御系统的实际应用需求。
发明内容
发明目的:针对现有技术存在的上述问题,本发明提供一种用于探测任务规划的最优资源分配方法,该方法结合遗传算法和启发式搜索,提高每次迭代生成的解群质量,以高效搜索最优资源分配策略,以解决现有的任务规划方法主要考虑的是单时刻的任务规划问题,在扩展到多时段任务规划时面临计算耗时、求解效率低的困难,以及探测设备的目标切换时延进一步加大了该问题的求解难度的问题。
技术方案:为实现本发明的上述目的,本发明所采用的技术方案是:一种用于探测任务规划的最优资源分配方法,该方法包括以下步骤:
(1)接收当前输入的探测设备的性能参数和目标的运动参数信息;
(2)根据目标的运动参数估计每个目标的运动轨迹;
(3)根据探测设备的性能参数估计每个探测设备的有效探测性能模型,确定该设备的有效探测目标集合;
(4)根据每个探测设备的性能参数信息构建每个设备的目标切换时延约束;
(5)根据任务规划过程中的实际需求建立全局的多目标优化函数,作为改进遗传算法搜索过程中的适应度函数,针对每个探测设备的目标切换时延约束,对适应度函数进行更新修改;
(6)融合每个探测设备的探测模型和每个目标的运动模型,采用遗传算法对适应度函数进行迭代求解;
(7)对更新后的解群进行启发式处理,对解群中每一个不可行解,采用启发式规则在该解的邻域进行搜索,生成新的可行解并替换该不可行解;
(8)搜索解群中性能最好的解,并将该解对应的探测资源分配方案作为最优分配方案进行输出。
其中,在步骤(1)中,输入的探测设备的性能参数和目标的运动参数信息方法如下:输入每个探测设备的性能参数信息其中共有N个探测设备,为第j个探测设备的部署坐标,Rj为第j个探测设备的有效探测距离,为第j个探测设备在进行目标切换时的时延,其中,j=1,2,...,N;输入每个目标的运动参数信息:
其中,在步骤(2)中,所述根据目标的运动参数估计每个目标的运动轨迹方法如下:根据输入的目标运动参数信息,可以将发生第k次运动方向改变后的目标运动轨迹表示为:
其中t表示时间,在下一次发生运动方向改变后,令k=k+1代入公式(1)即可,假设第K次发生运动方向改变时目标即停止运动或消失,目标的整个运动轨迹即可用公式(1)进行描述。
其中,在步骤(3)中,所述每个探测设备的有效探测性能模型构建方法如下:
(1)目标运动轨迹在探测范围之外,此时有:
(2)目标运动轨迹在探测范围内部,此时有:
(3)目标运动轨迹中间段在探测范围内,中间段指运动轨迹中间的一部分处于探测范围内,此时有:
(4)目标运动轨迹首段在探测范围内,首段指运动轨迹开始的一部分处于探测范围内,此时有:
(5)目标运动轨迹尾段在探测范围内的情况,尾段指运动轨迹结束前的一部分处于探测范围内,此时有:
通过利用探测设备的位置sj和目标每次发生运动方向改变时的运动轨迹模型公式(1),可以判断目标运动轨迹与探测设备的探测范围符合上述何种情况,进而可以解算出探测设备能够在哪段运动子轨迹上观测到目标,并且利用目标的速度信息,可以确定探测设备能观测到目标的具体时间段。
其中,在步骤(4)中,目标切换时延约束构建方法如下:
其中,表示第j个探测设备在t时刻是否跟踪第i个目标,0为不跟踪,1为跟踪,为第j个探测设备的目标切换时延;该约束表示探测设备在切换目标时需要保证分给当前目标的跟踪时间大于从而确保探测设备在切换目标时具有充足的切换时间;
除了上述目标切换时延,每个探测设备还有如下约束条件:
其中,T表示资源规划总时长,公式(8)表示每个探测设备在同一时刻只能观测一个目标;公式(9)中为示性函数,表示第j个探测设备是否能在t时刻观测到第i个目标,函数值为0表示不能观测到,1表示能观测到;公式(9)表示只有在目标能被探测设备探测到的情况下,探测设备才能决定是否在该时刻跟踪该目标。
其中,在步骤(5)中,所述全局的多目标优化函数构建方法如下:
(5.1)设置有效工作时长作为优化目标函数,即Fwork=twork/T,其中twork是所有探测设备在任务规划时段内总的有效工作时间;
(5.2)当存在多个无重要差异目标时,此时希望探测设备能够均衡的分配到各个目标,以保证整个探测系统的总体探测性能最佳,因此,采用如下两个优化目标函数:
其中,Fmean表示平均每个目标在每个时刻被分配的探测设备数目,Fvar表示每个目标分配的探测数目的方差,在进行任务规划时的适应度函数可以表示成如下形式:
F=w1Fwork+w2Fmean-w3Fvar (12)
其中,w1、w2和w3为权重值;
(5.3)通过罚函数将上述适应度函数进行更新,从而保证遗传算法生成的解满足目标切换时延约束,此时适应度函数变为如下形式:
其中,在步骤(6)中,采用遗传算法对适应度函数进行迭代求解,方法如下:
(6.2)利用公式(13)计算个体适应度值;
(6.3)利用均匀分布随机生成[0,1]之间的3组随机数,作为复制概率、交叉概率和变异概率,选择概率值最高的操作对种群进行更新操作;
(6.4)复制,将种群中适应度值较高的个体保留,删除适应度函数值较低的个体;
(6.5)交叉,将种群中的个体两两随机配对,对配对的两个个体,采用二进制加法运算生成新个体,并加入种群,删除生成该新个体的两个配对个体;
(6.6)变异,对种群中的个体进行二进制取反运算形成新个体,并加入种群,同时删除取反前的个体;
(6.7)进化迭代数计数器增加1,若进化迭代数计数器值未达到设定值,则返回(6.2);否则,以进化过程中得到的具有最大适应度的个体作为最优解输出,解群迭代终止。
其中,在步骤(7)中,所述对更新后的解群进行启发式处理方法如下:
(7.1)对于解群中的每个解进行可行性检验,筛选出不可行解,对于每个不可行解,采用如下步骤进行可行性搜索:
(7.1.1)找出违反约束条件的探测设备集合;
(7.1.2)对于每一个违反约束条件的设备,找出其违反约束条件的探测时段集合;
(7.1.3)对每一个违反约束条件的探测时间段,采用0-1随机采样的方法改变探测时间段内的进行局部搜索,如果能够搜索到可行解,则将新生成的可行解替换原不可行解,并剔除不可行解,如果未搜索到可行解,则剔除该不可行解。
(7.2)可行性搜索不能够保证一定能搜索到可行解,会存在可行性搜索完毕后解群规模和剩余可行解不满足要求,因此可以将上一代解群中的可行解以随机采样的方式抽取并放入当前解群中,保证当前解群的质量和规模。
其中,在步骤(8)中,所述搜索解群中性能最好的解的方法如下:在迭代次数达到设定的上限,或者在设定迭代次数内相邻两次最优适应度函数值变化率小于预设值,则停止解群迭代生成,将当前解群中具有最大适应度函数值的解作为最优分配方案输出。
有益效果:与现有技术相比,本发明的技术方案具有以下技术效果:
本发明实现过程中能够通过启发式搜索提高每次迭代生成的解群的质量,减少优化迭代次数,提高最优策略的搜索效率。本发明能够解决探测设备在切换目标时存在的时延问题,适用于多时段任务规划问题。
附图说明
图1是本发明的资源分配方法原理框图;
图2(a)-(e)是本发明的探测解算示意图;
图3是基于遗传算法的解群迭代生成流程图;
图4是探测资源优化分配示意图;
图5是本发明确定的资源优化分配迭代计算图;
图6是本发明确定的资源优化分配结果显示图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示,本发明主要包括:初始化模块、目标运动模型估计模块、探测模型估计模块、约束条件构建模块、适应度函数更新模块、解群迭代生成模块以及解群启发式搜索模块。结合流程图说明具体实现步骤为:
步骤1:初始化,通过操作人员输入每个探测设备的性能参数信息其中共有N个探测设备,为第j个探测设备的部署坐标即水平坐标和垂直坐标,Rj为第j个探测设备的有效探测距离,为第j个探测设备在进行目标切换时的时延,目标切换指的是探测设备在跟踪目标时从目标A切换到跟踪目标B,其中,j=1,2,...,N;输入每个目标的运动参数信息:
步骤2:目标运动模型估计,根据输入的目标运动参数信息,可以将发生第k次运动方向改变后的目标运动轨迹表示为:
其中t表示时间,在下一次发生运动方向改变后,令k=k+1代入公式(1)即可。这里我们假设第K次发生运动方向改变时目标即停止运动或消失,这样目标的整个运动轨迹即可用公式(1)进行描述;
步骤3:探测模型估计,根据步骤2建立的目标运动模型,需要对每个探测设备进行计算,确定哪些目标在哪些时段可以被观测到,而哪些目标在整个运动过程中均无法被观测到。这样,对于第j个探测设备,j=1,2,...,N,目标每次发生运动方向改变时的运动轨迹和第j个探测设备的探测范围存在如下几种情形,这里使用d表示两点之间的距离,例如:d(a,b)表示a、b两点之间的距离:
(1)目标运动轨迹在探测范围之外的情况
如图2(a)所示,此时有:
(2)目标运动轨迹在探测范围内部的情况
如图2(b)所示,此时有:
(3)目标运动轨迹中间段在探测范围内的情况
如图2(c)所示,中间段指运动轨迹中间的一部分处于探测范围内,此时有:
(4)目标运动轨迹首段在探测范围内的情况
如图2(d)所示,首段指运动轨迹开始的一部分处于探测范围内,此时有:
(5)目标运动轨迹尾段在探测范围内的情况
如图2(e)所示,尾段指运动轨迹结束前的一部分处于探测范围内,此时有:
通过利用探测设备的位置sj和目标每次发生运动方向改变时的运动轨迹模型公式(1),可以判断目标运动轨迹与探测设备的探测范围符合上述何种情况,进而可以解算出探测设备能够在哪段运动子轨迹上观测到目标,并且利用目标的速度信息,可以确定探测设备能观测到目标的具体时间段。
步骤4:约束条件构建。由于红外光电探测设备在切换跟踪的目标时通常需要进行一定角度的机械转动,并且需要一定的时间重新锁定目标,因此红外光电探测设备在切换目标时存在目标切换时延约束。该约束条件可以通过如下形式进行构建:
其中,表示第j个探测设备在t时刻是否跟踪第i个目标,0-1离散变量,0为不跟踪,1为跟踪,为第j个探测设备的目标切换时延。该约束表示探测设备在切换目标时需要保证分给当前目标的跟踪时间大于从而确保探测设备在切换目标时具有充足的切换时间。除了上述目标切换时延,每个光电探测设备还有如下约束条件:
其中,T表示资源规划总时长。公式(8)表示每个探测设备在同一时刻只能观测一个目标;公式(9)中为示性函数,表示第j个探测设备是否能在t时刻观测到第i个目标,函数值为0表示不能观测到,1表示能观测到。利用公式(1)可以判断当前时刻t处于第几次方向发生改变后的目标运动轨迹阶段,进而结合步骤(3)可以判断当前运动轨迹属于五种情况的哪一种,从而即可判断探测设备是否能在t时刻观测到第i个目标,从而得到该示性函数的值。公式(9)表示只有在目标能被探测设备探测到的情况下,探测设备才能决定是否在该时刻跟踪该目标。
步骤5:适应度函数更新。根据任务规划的实际需求,在进行探测资源分配时,可以考虑如下几种优化目标作为适应度函数:
(1)探测设备有效工作时长
为了提高探测设备的利用率,一般希望探测设备的有效工作时长尽可能长,即设备处于探测跟踪目标状态尽可能保持。因此,在进行资源规划的总时长T内,可以设置有效工作时长作为优化目标函数,即Fwork=twork/T,其中twork是所有探测设备在任务规划时段内总的有效工作时间。
(2)探测资源分配的均衡程度
当存在多个无重要差异目标时,此时希望探测设备能够均衡的分配到各个目标,以保证整个探测系统的总体探测性能最佳。因此,可以采用如下两个优化目标函数:
其中,Fmean表示平均每个目标在每个时刻被分配的探测设备数目,Fvar表示每个目标分配的探测数目的方差。这样,在进行任务规划时的适应度函数可以表示成如下形式:
F=w1Fwork+w2Fmean-w3Fvar (12)
其中,w1、w2和w3为权重值,由操作人员输入设置。由于步骤(4)中存在目标切换时延约束,并且是一个时间耦合约束,因而利用传统的遗传算法无法处理该类型约束,即无法保证每次迭代生成的解满足目标切换时延约束。为了解决上述难点,本发明通过罚函数将上述适应度函数进行更新,从而保证遗传算法生成的解满足目标切换时延约束,此时适应度函数变为如下形式:
其中,w4为权重值,由操作人员输入设置。上述适应度函数表示如果生成的解不满足目标切换时延约束公式(7),则适应度函数右边第四项,即w4开始的后续部分,将为负数,适应度函数值将降低,从而保证在搜索最优解过程中,搜索方向朝着满足目标切换时延约束的区域移动。
步骤6:解群迭代生成。本步骤采用经典遗传算法进行解群迭代生成,如图3所示。由于决策变量是一个0和1离散变量,因而可以将每个解用一个含有M×N×T个元素的一维二元离散向量表示。根据图3,解群迭代方法如下:
1)生成初始种群。随机生成多个个体作为初始种群,种群中每个个体为决策变量即生成不同的i,j,t组成不同的个体为决策变量生成的种群个数可以按照实际需要设置,并采用二进制编码对每个个体进行编码,将当前进化迭代数计数器设置为1;
2)利用公式(13)计算个体适应度值;
3)利用均匀分布随机生成[0,1]之间的3组随机数,作为复制概率、交叉概率和变异概率。采用最高概率值对应的种群更新操作,比如当复制概率最高,则采用复制的方式对种群进行更新操作;当交叉概率最高,则采用交叉的方式对种群进行更新操作;当变异概率最高,则采用变异的方式对种群进行更新操作;
3)复制。将种群中适应度值较高的个体保留,删除适应度函数值较低的个体;
4)交叉。将种群中的个体两两随机配对,对配对的两个个体,采用二进制加法运算生成新个体,并加入种群,删除生成该新个体的两个配对个体;
5)变异。对种群中的个体进行二进制取反运算形成新个体,并加入种群,同时删除取反前的个体;
6)进化迭代数计数器增加1。若进化迭代数计数器值未达到设定值,则返回2);否则,以进化过程中得到的具有最大适应度的个体作为最优解输出,解群迭代终止。
步骤7:解群启发式搜索。为了提高经典遗传算法的最优解搜索效率,在每次迭代生成新的种群之前,采用如下两个启发式规则调整当前种群:
(1)可行性搜索
根据步骤(4),探测资源优化分配问题存在三类约束条件,这三类约束条件会导致经典遗传算法每次生成的解群中可能存在不可行解。因此,为了提高每次解群的质量,对于解群中的每个解进行可行性检验,筛选出不可行解。对于每个不可行解,采用如下步骤进行可行性搜索:
a)找出违反约束条件的探测设备集合;
b)对于每一个违反约束条件的设备,找出其违反约束条件的探测时段集合;
c)对每一个违反约束条件的探测时间段,采用0-1随机采样的方法改变探测时间段内的进行局部搜索。上述方法如果能够搜索到可行解,则将新生成的可行解替换原不可行解,并剔除不可行解。如果未搜索到可行解,则剔除该不可行解。
(2)历史解群回放
可行性搜索不能够保证一定能搜索到可行解,因此会存在可行性搜索完毕后解群规模较小、剩余可行解较少的情况,即解群规模和可行解数目小于设定阈值。针对上述情况,可以将上一代解群中的可行解以随机采样的方式抽取并放入当前解群中,保证当前解群的质量和规模。
步骤8:最优分配方案提取、输出。在迭代次数达到设定的上限,或者最优适应度函数值在设定迭代次数内未发生较大改变时,比如相邻两次最优适应度函数值变化率小于预设阈值,比如小于5%,可以停止解群迭代生成,将当前解群中具有最大适应度函数值的解作为最优分配方案输出。
本发明的实验结果如图(4)、图(5)和图(6)所示。图(4)展示了一个典型的探测资源分配场景图,其中共有8个探测设备(例如X-10),3个目标(虚线表示),圆圈表示探测设备的探测范围。图(5)展示了本发明的优化迭代计算结果,可以看出大约500次迭代计算即可快速搜索到最优分配策略。图(6)是最优探测资源分配的结果示意图。
本发明的特点包括:本发明提出了一种用于探测任务规划的最优资源分配方法。本发明利用罚函数方法解决了在资源分配方法中所面临的目标切换时延约束。针对经典遗传算法求解计算量大、迭代次数长的问题,本发明将启发式搜索与遗传算法相结合,有效提高了最优分配策略的搜索效率。
Claims (8)
1.一种用于探测任务规划的最优资源分配方法,其特征在于,该方法包括以下步骤:
(1)接收当前输入的探测设备的性能参数和目标的运动参数信息;
(2)根据目标的运动参数估计每个目标的运动轨迹;
(3)根据探测设备的性能参数估计每个探测设备的有效探测性能模型,确定该设备的有效探测目标集合;
(4)根据每个探测设备的性能参数信息构建每个设备的目标切换时延约束;
(5)根据任务规划过程中的实际需求建立全局的多目标优化函数,作为改进遗传算法搜索过程中的适应度函数,针对每个探测设备的目标切换时延约束,对适应度函数进行更新修改;
(6)融合每个探测设备的探测模型和每个目标的运动模型,采用遗传算法对适应度函数进行迭代求解;
(7)对更新后的解群进行启发式处理,对解群中每一个不可行解,采用启发式规则在该解的邻域进行搜索,生成新的可行解并替换该不可行解;
(8)搜索解群中性能最好的解,并将该解对应的探测资源分配方案作为最优分配方案进行输出;
在步骤(1)中,输入的探测设备的性能参数和目标的运动参数信息方法如下:输入每个探测设备的性能参数信息其中共有N个探测设备,为第j个探测设备的部署坐标,Rj为第j个探测设备的有效探测距离,为第j个探测设备在进行目标切换时的时延,其中,j=1,2,...,N;输入每个目标的运动参数信息:
3.根据权利要求1所述的一种用于探测任务规划的最优资源分配方法,其特征在于,在步骤(3)中,所述每个探测设备的有效探测性能模型构建方法如下:
(1)目标运动轨迹在探测范围之外,此时有:
(2)目标运动轨迹在探测范围内部,此时有:
(3)目标运动轨迹中间段在探测范围内,中间段指运动轨迹中间的一部分处于探测范围内,此时有:
(4)目标运动轨迹首段在探测范围内,首段指运动轨迹开始的一部分处于探测范围内,此时有:
(5)目标运动轨迹尾段在探测范围内的情况,尾段指运动轨迹结束前的一部分处于探测范围内,此时有:
通过利用探测设备的位置sj和目标第k次发生运动方向改变时的运动轨迹模型公式(1),判断目标运动轨迹与探测设备的探测范围符合上述何种情况,进而解算出探测设备能够在哪段运动子轨迹上观测到目标,并且利用目标的速度信息,确定探测设备能观测到目标的具体时间段。
4.根据权利要求1所述的一种用于探测任务规划的最优资源分配方法,其特征在于,在步骤(4)中,目标切换时延约束构建方法如下:
其中,表示第j个探测设备在t时刻是否跟踪第i个目标,0为不跟踪,1为跟踪,为第j个探测设备在进行目标切换时的时延;该约束表示探测设备在切换目标时需要保证分给当前目标的跟踪时间大于从而确保探测设备在切换目标时具有充足的切换时间;
除了上述目标切换时延,每个探测设备还有如下约束条件:
5.根据权利要求1所述的一种用于探测任务规划的最优资源分配方法,其特征在于,在步骤(5)中,所述全局的多目标优化函数构建方法如下:
(5.1)设置有效工作时长作为优化目标函数,即Fwork=twork/T,其中twork是所有探测设备在任务规划时段内总的有效工作时间;
(5.2)当存在多个无重要差异目标时,采用如下两个优化目标函数:
其中,Fmean表示平均每个目标在每个时刻被分配的探测设备数目,Fvar表示每个目标分配的探测数目的方差,在进行任务规划时的适应度函数可以表示成如下形式:
F=w1Fwork+w2Fmean-w3Fvar (12)
其中,w1、w2和w3为权重值;
(5.3)通过罚函数将上述适应度函数进行更新,从而保证遗传算法生成的解满足目标切换时延约束,此时适应度函数变为如下形式:
6.根据权利要求5所述的一种用于探测任务规划的最优资源分配方法,其特征在于,在步骤(6)中,采用遗传算法对适应度函数进行迭代求解,方法如下:
(6.2)利用公式(13)计算个体适应度值;
(6.3)利用均匀分布随机生成[0,1]之间的3组随机数,作为复制概率、交叉概率和变异概率,选择概率值最高的操作对种群进行更新操作;
(6.4)复制,将种群中适应度值较高的个体保留,删除适应度函数值较低的个体;
(6.5)交叉,将种群中的个体两两随机配对,对配对的两个个体,采用二进制加法运算生成新个体,并加入种群,删除生成该新个体的两个配对个体;
(6.6)变异,对种群中的个体进行二进制取反运算形成新个体,并加入种群,同时删除取反前的个体;
(6.7)进化迭代数计数器增加1,若进化迭代数计数器值未达到设定值,则返回(6.2);否则,以进化过程中得到的具有最大适应度的个体作为最优解输出,解群迭代终止。
7.根据权利要求1所述的一种用于探测任务规划的最优资源分配方法,其特征在于,在步骤(7)中,所述对更新后的解群进行启发式处理方法如下:
(7.1)对于解群中的每个解进行可行性检验,筛选出不可行解,对于每个不可行解,采用如下步骤进行可行性搜索:
(7.1.1)找出违反约束条件的探测设备集合;
(7.1.2)对于每一个违反约束条件的设备,找出其违反约束条件的探测时段集合;
(7.1.3)对每一个违反约束条件的探测时间段,采用0-1随机采样的方法改变探测时间段内的进行局部搜索,如果能够搜索到可行解,则将新生成的可行解替换原不可行解,并剔除不可行解,如果未搜索到可行解,则剔除该不可行解;
(7.2)可行性搜索不能够保证一定能搜索到可行解,会存在可行性搜索完毕后解群规模和剩余可行解不满足要求,可以将上一代解群中的可行解以随机采样的方式抽取并放入当前解群中,保证当前解群的质量和规模。
8.根据权利要求1所述的一种用于探测任务规划的最优资源分配方法,其特征在于,在步骤(8)中,所述搜索解群中性能最好的解的方法如下:在迭代次数达到设定的上限,或者在设定迭代次数内相邻两次最优适应度函数值变化率小于预设值,则停止解群迭代生成,将当前解群中具有最大适应度函数值的解作为最优分配方案输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810826866.6A CN109118064B (zh) | 2018-07-25 | 2018-07-25 | 一种用于探测任务规划的最优资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810826866.6A CN109118064B (zh) | 2018-07-25 | 2018-07-25 | 一种用于探测任务规划的最优资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109118064A CN109118064A (zh) | 2019-01-01 |
CN109118064B true CN109118064B (zh) | 2021-03-16 |
Family
ID=64863202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810826866.6A Active CN109118064B (zh) | 2018-07-25 | 2018-07-25 | 一种用于探测任务规划的最优资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118064B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933842B (zh) * | 2019-01-23 | 2021-08-06 | 北京航空航天大学 | 一种基于约束满足遗传算法的移动目标单星任务规划方法 |
CN110209993B (zh) * | 2019-06-17 | 2023-05-05 | 中国电子科技集团公司信息科学研究院 | 一种探测目标的信息抽取方法及系统 |
CN111553601B (zh) * | 2020-04-30 | 2022-10-21 | 北京理工大学 | 一种城市环境下协同探测系统的目标分配优化方法 |
CN114417685A (zh) * | 2022-01-07 | 2022-04-29 | 北京中安智能信息科技有限公司 | 一种多约束条件下的声纳参数推荐方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7085690B2 (en) * | 2000-06-10 | 2006-08-01 | Mark Edward Sale | Unsupervised machine learning-based mathematical model selection |
CN103024048B (zh) * | 2012-12-17 | 2015-08-05 | 南京邮电大学 | 一种云环境下的资源调度方法 |
CN104360910B (zh) * | 2014-12-01 | 2018-08-28 | 中国科学院国家天文台 | 基于粒子群算法的探测设备网的设备分配方法 |
CN106060876B (zh) * | 2016-07-28 | 2019-11-29 | 中国科学院计算技术研究所 | 一种异构无线网络均衡负载的方法 |
CN106611221B (zh) * | 2016-12-21 | 2018-11-30 | 重庆大学 | 一种用于解决连铸机故障的炼钢-连铸重调度方法 |
-
2018
- 2018-07-25 CN CN201810826866.6A patent/CN109118064B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109118064A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118064B (zh) | 一种用于探测任务规划的最优资源分配方法 | |
CN109188423B (zh) | 一种基于多源聚类的分布式多目标跟踪方法 | |
CN104101875B (zh) | 一种空管雷达多目标跟踪方法 | |
Mingnan et al. | Sensors deployment optimization in multi-dimensional space based on improved particle swarm optimization algorithm | |
Yue et al. | A new searching approach using improved multi-ant colony scheme for multi-UAVs in unknown environments | |
CN114020031B (zh) | 基于改进鸽群优化的无人机集群协同动态目标搜索方法 | |
CN112000126B (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
Ajakwe et al. | Tractable minacious drones aerial recognition and safe-channel neutralization scheme for mission critical operations | |
Qiu et al. | A decoupling receding horizon search approach to agent routing and optical sensor tasking based on brain storm optimization | |
Zhang et al. | Multi-target identity management with decentralized optimal sensor scheduling | |
Zhang et al. | Penetration path planning of stealthy UAV based on improved sparse A-star algorithm | |
Kim et al. | Airborne multisensor management for multitarget tracking | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
van Willigen et al. | Online adaptation of path formation in UAV search-and-identify missions | |
Wang et al. | Prediction‐based PSO algorithm for MIMO radar antenna deployment in dynamic environment | |
Fan et al. | Target track recognition from few-labeled radar data with outliers | |
Zhang et al. | A search method for a hypersonic gliding vehicle based on early warning information guidance | |
Mulesa et al. | Development of a Method to Find the Location of a Logistics Hub. | |
Li et al. | Multi-UAV Cooperative Air Combat Target Assignment Method Based on VNS-IBPSO in Complex Dynamic Environment | |
Wang et al. | Improved grey wolf optimizer for multiple unmanned aerial vehicles task allocation | |
Sun et al. | Human-machine cooperation in unmanned aerial vehicle path planning based on cloud model | |
CN114020008B (zh) | 基于局部规则涌现的集群协同目标搜索方法 | |
Liu et al. | Research on Cooperative Search Technology of Heterogeneous UAVs in Complex Environments | |
Jianjie et al. | A Track Association Algorithm Combining Particle Swarm Optimization with Grey Theory | |
Zhu et al. | Cooperative Area Search Algorithm for Multi-UAVs in Uncertain Battlefield Environment |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |