CN109190978B - 一种基于量子鸟群演化机制的无人机资源分配方法 - Google Patents
一种基于量子鸟群演化机制的无人机资源分配方法 Download PDFInfo
- Publication number
- CN109190978B CN109190978B CN201811017379.1A CN201811017379A CN109190978B CN 109190978 B CN109190978 B CN 109190978B CN 201811017379 A CN201811017379 A CN 201811017379A CN 109190978 B CN109190978 B CN 109190978B
- Authority
- CN
- China
- Prior art keywords
- quantum
- bird
- unmanned aerial
- aerial vehicle
- resource allocation
- 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
- 238000013468 resource allocation Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000007246 mechanism Effects 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000004083 survival effect Effects 0.000 claims description 64
- 230000006399 behavior Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 239000002096 quantum dot Substances 0.000 claims description 12
- 230000006378 damage Effects 0.000 claims description 10
- 230000002431 foraging effect Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 239000004459 forage Substances 0.000 claims description 7
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 230000019637 foraging behavior Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims description 4
- 244000144992 flock Species 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000007123 defense Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于量子鸟群演化机制的无人机资源分配方法,属于无人机自主控制领域。本发明方法的步骤为:建立无人机资源分配模型;确定无人机执行任务的种类,初始化量子鸟群;根据适应度函数进行适应度计算,并确定群体的全局最佳位置;通过量子旋转门和量子非门更新量子位置并测量;根据适应度函数进行适应度计算;更新每只量子鸟的局部最佳位置和整个群体的全局最佳位置;判断是否达到最大迭代次数,若达到则输出群体全局最佳位置,并映射为任务资源矩阵。本发明充分考虑到无人机执行不同任务时对资源的需要不同,以较少的时间代价获取资源配置比最优的无人机资源分配方案,同时满足无人机性能要求,得到更加合理的无人机资源分配方案。
Description
技术领域
本发明属于无人机自主控制领域,具体涉及一种基于量子鸟群演化机制的无人机资源分配方法。
背景技术
无人机是指无需飞行员直接驾驶,可以通过远程遥控飞行或者在预定的程序下进行自主飞行的飞行器。无人机具有成本低、经济性好、留空时间长、能够在恶劣环境下执行任务且能避免不必要的人员伤亡等特点,在电网巡检、农药喷洒、森林保护、搜索与救援、航拍等许多民用方面以及目标侦查、跟踪、军师打击等军事领域有着广泛的应用。并且已经在过去的多次战场、战争中发挥了重要的作用,因此越来越受到人们的重视。
资源分配是无人机任务分配系统的一项关键技术,是实现无人机集群作战的保障,资源分配是指对无人机进行任务、武器和目标的分配,无人机能完成自身任务的同时达到整体效能最优。
根据已有的技术文献发现,根据已有的技术文献发现,邸斌等在《北京航空航天大学学报》(2013,Vol.39,No.3,pp.325-329)上发表的“基于概率群集的多无人机协同任务和资源分配”中建立了多无人机协同任务和资源分配问题数学模型。开发了基于概率群集框架的协同任务和资源分配分布式优化求解算法,并采用启发式方法简化了问题求解,但是所提模型需要先验知识多,计算量大,实时性也不够理想。董世友等在《电光与控制》(2013,Vol.20,No.5,pp.21-24)上发表的“群无人机自组织资源分配方法研究”中首先建立任务的能力函数,然后利用雅可比矩阵建立分配方案与能力函数的关系,最后根据能力函数的理想值来驱动无人机完成最优分配,但是该算法复杂,计算量大,容易陷入局部最优解。随着智能启发式计算技术的发展,许多学者利用智能优化算法求解无人机最优的资源分配方案,取得了不错的效果。石岭等在《飞行力学》(2014,Vol.32,No.4,pp368-371)上发表的“基于PSO的无人机协同攻击动态资源分配”中将粒子群算法应用于无人机资源分配问题,并提出了分阶段的动态资源分配,但是粒子群算法在高维时容易陷入维数灾。
上述所提到的基于智能计算的无人机资源分配方法虽然取得了较好的效果,但是现有的模型仅能解决武器和目标的匹配问题,没有充分考虑无人机执行不同任务时的武器分配情况。在无人机集群作战时,战场环境复杂,所以需要建立新的无人机资源分配模型,同时设计新的求解多约束非线性资源分配问题的方法,实现考虑到各种情况的无人机最优资源分配。因此,寻找新的资源分配方法对于提高无人机的性能是非常有意义的。
发明内容
本发明的目的在于针对已有无人机资源方法中存在的资源分配模型没有充分考虑各个情况和现有寻优方法性能差等缺点,提出一种基于量子鸟群演化机制的无人机资源分配方法。
本发明的目的是这样实现的:
一种基于量子鸟群演化机制的无人机资源分配方法,包括以下步骤:
(1)建立无人机的资源分配模型,假设有M种型号无人机拥有K种武器执行N个目标的任务;
(2)根据执行任务的种类确定v的值,初始化量子鸟群;
(4)更新每只量子鸟的量子旋转角和量子位置,然后对每只鸟的量子位置测量得到更新后的位置;
(5)对每只量子鸟更新后的位置根据适应度函数进行适应度计算;
(6)确定每只量子鸟的自身局部最佳位置和群体全局最佳位置;
(7)判断是否达到最大迭代次数,如果达到最大迭代次数,则迭代终止,执行步骤(8);否则,令l=l+1,返回步骤(4)继续执行;
(8)输出量子鸟群群体的全局最佳位置,映射为该资源分配矩阵。
所述步骤(1)中建立无人机的资源分配模型具体包括:
假定有M种型号的无人机执行N个目标上的任务,第m种型号无人机的价值为Vm,第n个目标的价值为并且携带K种武器,则将无人机资源分配的模型表示为:确定满足t∈{0,1,...,N},u∈{0,1,...,M},wk∈{0,1},k=1,2,...,K,其中t表示目标编号;u表示无人机编号,wk=1代表使用武器k,wk=0代表不使用武器k,其中k=1,2,...,K;
按照无人机的型号和武器种类将所有无人机分成S种伪无人机S=M×K,无人机的资源分配矩阵由资源分配矩阵A={as,n|as,n∈{0,1}}S×N表示,其中s=1,2,...,S;n=1,2,...,N;
将无人机的任务分为三类:侦查任务、攻击任务和毁伤评估任务,其中侦查任务和毁伤评估任务统称为评估任务;设伪无人机s与目标n的匹配度为Ps,n,Bs,n为伪无人机s对目标n攻击后的生存概率,Qs,n伪无人机s攻击目标n时目标n被击毁的概率;无人机资源分配模型由资源分配的效能来表示,其中两种任务的价值函数表示为如下:
同时,在进行资源分配时应满足如下条件:
令量子鸟群的规模为H,问题的维数为D=S×N,按s递增n递增的方式排列无人机资源分配矩阵为A={as,n|as,n∈{0,1}}S×N中的元素,其中s=1,2,...,S;n=1,2,...,N,用对应记录无人机任务分配矩阵A中的元素,其中l为迭代次数,D是该向量的最大维度,i=1,2,...,H;
两种资源分配的目标函数统一表达为其中v∈{CF,KL},在评估任务中,考虑无人机不需要对目标造成伤害,为了节省资源,无人机不需要任何武器,约束为每个目标上的每项任务只能被无人机执行一次且一种型号的无人机只执行一项任务,则其价值函数表示为:惩罚函数表示为其中函数当括号中两变量相等时返回0,不相等时返回1;在攻击任务中,主要考虑武器的使用情况,伪无人机使用武器k的数量不能超过拥有武器k的总量,即此时的价值函数表示为:惩罚函数表示为
所述步骤(2)具体包括:
将第l代第i只量子鸟的量子位置记为 为第i只量子鸟第d个量子位,为第i只量子鸟第d个主量子位,为第i只量子鸟第d个副量子位,i=1,2,...,H,对所有的d=1,2,...,D,初始化量子位置的第d维量子位为并对第l代第i只量子鸟的量子位置测量得到其位置为初始化第l代第i只量子鸟的至今为止的局部最佳位置为初始时令l=0;
所述步骤(4)具体包括:
在量子鸟群中,量子鸟会在觅食行为、警戒行为和飞行行为三种行为方式进行选择,首先判断量子鸟是否飞行,设F为飞行时间间隔,若当迭代次数l为F的整数倍,则量子鸟群进行飞行行为,否则,量子鸟群中量子鸟依概率进行觅食或保持警惕,根据觅食概率Pa判定的量子鸟觅食或者保持警惕,Pa为[0,1]之间的常数,随机产生一个[0,1]之间的随机数当随机数小于Pa时,该量子鸟将进行觅食,否则保持警惕;三种行为方式的更新规则如下:
a)觅食行为
觅食时第l+1代第i只量子鸟的量子旋转角的第d维更新方程为其中i=1,2,...,H,d=1,2,...,D,为第l代第i只量子鸟局部最佳位置的第d维,为第l代量子鸟群最佳位置的第d维,为常数,分别代表对应量子鸟局部最佳位置和量子鸟群最佳位置对量子鸟群更新的影响程度;
b)警戒行为
其中,h是一个[1,H]之间的随机正整数且h≠i,α1,α2是两个[0,2]之间的常量,代表权重系数,代表第l代第i只量子鸟的最佳位置的适应度值,Suml代表第l代整个种群的最佳适应度值之和,ε是为了避免零因子错误而使用的由计算机产生的最小正常量,sign是取符号函数,其值取自{-1,0,1},round是就近取整函数,是第l代整个量子鸟群平均位置的d维,A1表示一只量子鸟向量子鸟群中心移动过程中由环境引发的间接作用,A2表示由于某个具体冲突而引发的间接作用,为[0,1]之间的随机数,第l+1代第i只量子鸟的量子旋转角的第d维更新方程为其中i=1,2,...,H,d=1,2,...,D;
c)飞行行为
所述步骤(6)确定每只量子鸟的自身局部最佳位置和群体全局最佳位置具体包括:第l+1代第i只量子鸟的适应度值与第l代第i只量子鸟局部最佳位置的适应度值比较,i=1,2,…,H,若则否则,将每只量子鸟的局部最佳位置适应度值与种群最佳位置的适应度值比较,若则否则,
本发明的有益效果在于:
与现有技术相比,本发明充分考虑的不同任务下对资源要求不同,能够实现不同任务下对无人机的资源分配情况,具有以下优点:
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鸟群演化机制作为演进策略,所设计的方法具有收敛速度快,收敛精度高的优点,改善了鸟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资源分配方法,本发明的资源分配模型可以有效考虑在不同任务时对资源的需求不同,更符合无人机集群作战的战场环境,说明本方法的适用性更强。
3.仿真结果表明,本发明所提出的无人机资源分配方法能够得到比粒子群优化方法实现更合理的无人机资源分配方案,从而证明了所设计的资源分配方法的有效性。
附图说明
图1为基于量子鸟群机制的无人机资源分配方法流程图;
图2为每只量子鸟位置的更新方法示意图;
图3为无人机执行侦查任务时的两种方法得到的无人机资源分配方案的收敛曲线图;
图4为无人机执行攻击任务时的两种方法得到的无人机资源分配方案的收敛曲线图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明针对已有无人机资源方法中存在的资源分配模型没有充分考虑各个情况和现有寻优方法性能差等缺点,提出了一种考虑不同任务下的无人机资源分配模型,同时提出了一种量子鸟群机制的无人机资源分配方法。
结合图1,一种基于量子鸟群演化机制的无人机资源分配方法,主要包括以下步骤:
(1)建立无人机的资源分配模型,假设有M种型号无人机拥有K种武器执行N个目标的任务。
假定有M种型号的无人机执行N个目标上的任务,第m种型号无人机的价值为Vm,第n个目标的价值为并且携带K种武器,可以将无人机资源分配的模型可以表示为:确定满足t∈{0,1,...,N},u∈{0,1,...,M},wk∈{0,1},k=1,2,...,K。其中t表示目标编号;u表示无人机编号,wk=1代表使用武器k,wk=0代表不使用武器k,其中k=1,2,...,K。
按照无人机的型号和武器种类将所有无人机分成S种伪无人机S=M×K,无人机的资源分配矩阵可由资源分配矩阵A={as,n|as,n∈{0,1}}S×N表示,其中s=1,2,...,S;n=1,2,...,N。
无人机执行不同任务时所需要的资源是不同的,对于资源的要求也是不同的。无人机的任务通常分为三类:侦查任务、攻击任务和毁伤评估任务。但侦查任务和毁伤评估任务都无需无人机直接攻击,只是对目标的探测,所以对资源的要求是一致的,统一为评估任务。资源分配的目的是使任务价值最大,即造成敌方的损失期望与敌方造成我方损失期望之差最大。
设伪无人机s与目标n的匹配度为Ps,n,Bs,n为伪无人机s对目标n攻击后的生存概率。Qs,n伪无人机s攻击目标n时目标n被击毁的概率。无人机资源分配模型由资源分配的效能来表示。其中两种任务的价值函数可表示为如下:
同时,在进行资源分配时应满足如下条件:
令量子鸟群的规模为H,问题的维数为D=S×N,按s递增n递增的方式排列无人机资源分配矩阵为A={as,n|as,n∈{0,1}}S×N中的元素,其中s=1,2,...,S;n=1,2,...,N,用对应记录无人机任务分配矩阵A中的元素,其中l为迭代次数,D是该向量的最大维度,i=1,2,...,H。
两种资源分配的目标函数可统一表达为其中,v∈{CF,KL}。在评估任务中,考虑无人机不需要对目标造成伤害,为了节省资源。无人机不需要任何武器。约束为每个目标上的每项任务只能被无人机执行一次且一种型号的无人机只执行一项任务,则其价值函数和惩罚函数分别表示如下: 其中函数当括号中两变量相等时返回0,不相等时返回1。在攻击任务中,主要考虑武器的使用情况,伪无人机使用武器k的数量不能超过拥有武器k的总量,即此时的价值函数和惩罚函数可以分别表示如下:
(2)根据执行任务的种类确定v的值,初始化量子鸟群。
将第l代第i只量子鸟的量子位置记为 为第i只量子鸟第d个量子位,为第i只量子鸟第d个主量子位,为第i只量子鸟第d个副量子位,i=1,2,...,H,对所有的d=1,2,...,D,初始化量子位置的第d维量子位为并对第l代第i只量子鸟的量子位置测量得到其位置为初始化第l代第i只量子鸟的至今为止的局部最佳位置为初始时令l=0。
(4)更新每只量子鸟的量子旋转角和量子位置,然后对每只鸟的量子位置测量得到更新后的位置。
在量子鸟群中,量子鸟会在觅食行为、警戒行为和飞行行为三种行为方式进行选择。首先判断量子鸟是否飞行,设F为飞行时间间隔,若当迭代次数l为F的整数倍,则量子鸟群进行飞行行为,否则,量子鸟群中量子鸟依概率进行觅食或保持警惕。根据觅食概率Pa判定的量子鸟觅食或者保持警惕,Pa为[0,1]之间的常数。随机产生一个[0,1]之间的随机数当随机数小于Pa时,该量子鸟将进行觅食,否则保持警惕,如图2所示。三种行为方式的更新规则如下:
a)觅食行为。在觅食时,每只量子鸟可以迅速记录和更新个体和群体之前最好的觅食经验,这个经验也将用于觅食群体信息将即刻共享于整个量子鸟群。
觅食时第l+1代第i只量子鸟的量子旋转角的第d维更新方程为其中i=1,2,...,H,d=1,2,...,D,为第l代第i只量子鸟局部最佳位置的第d维,为第l代量子鸟群最佳位置的第d维。为常数,分别代表对应量子鸟局部最佳位置和量子鸟群最佳位置对量子鸟群更新的影响程度。
b)警戒行为。保持警戒的时候,有些量子鸟都将试图向群体中心靠近,并伴随着与同类的竞争,因而不能直接向种群中心移动,此类量子鸟会根据个体和种群经验保持警戒行为。
其中,h是一个[1,H]之间的随机正整数且h≠i,α1,α2是两个[0,2]之间的常量,代表权重系数,代表第l代第i只量子鸟的最佳位置的适应度值,Suml代表第l代整个种群的最佳适应度值之和,ε是为了避免零因子错误而使用的由计算机产生的最小正常量,sign是取符号函数,其值取自{-1,0,1},round是就近取整函数。是第l代整个量子鸟群平均位置的d维,A1表示一只量子鸟向量子鸟群中心移动过程中由环境引发的间接作用,A2表示由于某个具体冲突而引发的间接作用,为[0,1]之间的随机数。第l+1代第i只量子鸟的量子旋转角的第d维更新方程为其中i=1,2,...,H,d=1,2,...,D。
c)飞行行为。量子鸟会在飞行时通过交叉变换位置来保证与其他量子鸟群的交流。量子鸟群中的部分量子鸟也会通过反向飞行来保证量子鸟群不在原地盘旋。
(5)对每只量子鸟更新后的位置根据适应度函数进行适应度计算。
(6)确定每只量子鸟的自身局部最佳位置和群体全局最佳位置。
第l+1代第i只量子鸟的适应度值与第l代第i只量子鸟局部最佳位置的适应度值比较,若则否则,将每只量子鸟的局部最佳位置适应度值与种群最佳位置的适应度值比较,若大于群体全局最佳位置的适应度值,则用当前量子鸟的位置替换种群最佳位置则否则,
(7)判断是否达到最大迭代次数。如果达到最大迭代次数,则迭代终止,执行步骤(8);否则,令l=l+1,返回步骤(4)继续执行。
(8)输出量子鸟群群体的全局最佳位置,映射为该资源分配矩阵。
为便于叙述,将基于量子鸟群算法的无人机资源分配方法简记为QBSA,将基于粒子群算法的无人机资源分配方法简记为PSO。
图3为无人机执行侦查任务时的两种方法得到的无人机资源分配方案的收敛曲线;
在此种情况下,侦查时无人机都不需要配置武器,此时,参数设置如下:主要考虑两种武器的资源分配,攻击性武器和防御性武器,目标的价值分别为0.72、0.24、0.21和0.48,无人机的价值分别为0.945、0.916、0.928和0.986,无人机的价值都为1。使用两种武器的无人机1攻击目标1的存活率为0.934,攻击目标2的存活率为0.412,攻击目标3的存活率为0.986,攻击目标4的存活率为0.945;使用攻击性武器不使用防御性武器的无人机1攻击目标1的存活率为0.915,攻击目标2的存活率为0.402,攻击目标3的存活率为0.975,攻击目标4的存活率为0.934;不使用攻击性武器使用防御性武器的无人机1攻击目标1的存活率为0.914,攻击目标2的存活率为0.398,攻击目标3的存活率为0.984,攻击目标4的存活率为0.940;不使用两种武器的无人机1攻击目标1的存活率为0.900,攻击目标2的存活率为0.387,攻击目标3的存活率为0.970,攻击目标4的存活率为0.932;使用两种武器的无人机2攻击目标1的存活率为0.900,攻击目标2的存活率为0.924,攻击目标3的存活率为0.916,攻击目标4的存活率为0.942;使用攻击性武器不使用防御性武器的无人机2攻击目标1的存活率为0.896,攻击目标2的存活率为0.922,攻击目标3的存活率为0.912,攻击目标4的存活率为0.938;不使用攻击性武器使用防御性武器的无人机2攻击目标1的存活率为0.865,攻击目标2的存活率为0.912,攻击目标3的存活率为0.914,攻击目标4的存活率为0.940;不使用两种武器的无人机2攻击目标1的存活率为0.860,攻击目标2的存活率为0.908,攻击目标3的存活率为0.910,攻击目标4的存活率为0.930;使用两种武器的无人机3攻击目标1的存活率为0.928,攻击目标2的存活率为0.980,攻击目标3的存活率为0.304,攻击目标4的存活率为0.946;使用攻击性武器不使用防御性武器的无人机3攻击目标1的存活率为0.926,攻击目标2的存活率为0.976,攻击目标3的存活率为0.282,攻击目标4的存活率为0.937;不使用攻击性武器使用防御性武器的无人机3攻击目标1的存活率为0.925,攻击目标2的存活率为0.978,攻击目标3的存活率为0.300,攻击目标4的存活率为0.940;不使用两种武器的无人机3攻击目标1的存活率为0.918,攻击目标2的存活率为0.975,攻击目标3的存活率为0.280,攻击目标4的存活率为0.935;使用两种武器的无人机4攻击目标1的存活率为0.922,攻击目标2的存活率为0.986,攻击目标3的存活率为0.944,攻击目标4的存活率为0.926;使用攻击性武器不使用防御性武器的无人机4攻击目标1的存活率为0.918,攻击目标2的存活率为0.982,攻击目标3的存活率为0.882,攻击目标4的存活率为0.922;不使用攻击性武器使用防御性武器的无人机4攻击目标1的存活率为0.920,攻击目标2的存活率为0.986,攻击目标3的存活率为0.920,攻击目标4的存活率为0.920;不使用两种武器的无人机4攻击目标1的存活率为0.916,攻击目标2的存活率为0.980,攻击目标3的存活率为0.850,攻击目标4的存活率为0.912。无人机1对目标1的杀伤概率为0.2,对目标2的杀伤概率为0.1,对目标3的杀伤概率为0.3,对目标4的杀伤概率为0.8;无人机2对目标1的杀伤概率为0.9,对目标2的杀伤概率为0.3,对目标3的杀伤概率为0.1,对目标4的杀伤概率为0.3;无人机3对目标1的杀伤概率为0.4,对目标2的杀伤概率为0.3,对目标3的杀伤概率为0.7,对目标4的杀伤概率为0.1;无人机4对目标1的杀伤概率为0.5,对目标2的杀伤概率为0.9,对目标3的杀伤概率为0.2,对目标4的杀伤概率为0.1。无人机的初始价值都为1,目标1的价值为0.9,目标2的价值为0.8,目标3的价值为0.8,目标4的价值为0.7。W1=W2=1。无人机1与目标1的匹配程度为0.1,与目标2的匹配程度为0.5,与目标3的匹配程度为0.7,与目标4的匹配程度为0.9;无人机2与目标1的匹配程度为0.2,与目标2的匹配程度为0.6,与目标3的匹配程度为0.9,与目标4的匹配程度为0.5;无人机3与目标1的匹配程度为0.9,与目标2的匹配程度为0.2,与目标3的匹配程度为0.4,与目标4的匹配程度为0.7;无人机4与目标1的匹配程度为0.2,与目标2的匹配程度为0.9,与目标3的匹配程度为0.3,与目标4的匹配程度为0.4。
量子鸟群算法的参数设置如下:觅食概率Pa为均匀分布在[0.8,1]之间的随机数,群体规模为20,终止迭代次数为1000,χ=0.15/D,F=5,Pc=0.8,Pm=0.05, α1=0.1,α2=0.1。图3中的基于量子鸟群算法的无人机资源分配方案为:
不配置武器的U1对目标T3执行任务,不配置武器的U2对目标T1执行任务,不配置武器的U3对目标T4执行任务,不配置武器的U4对目标T2执行任务。此时,无人机只需考虑自身的安全,无需对目标造成伤害,需要隐蔽的对目标进行侦查任务。
图4为无人机执行攻击任务时的两种方法得到的无人机资源分配方案的收敛曲线;
设在此时,假设武器充沛,图4中的基于量子鸟群算法的无人机资源分配方案为:
使用攻击型武器和防御型武器的U1分别攻击T3和T4,只使用攻击型武器的U1攻击T4,只使用防御型武器的U1攻击T3和T4,不配置武器的U1攻击T2、T3和T4;使用攻击型武器和防御型武器的U2不攻击目标,只使用攻击型武器的U2攻击T1和T4,只使用防御型武器的U2攻击T3,使用攻击型武器和防御型武器的U3不攻击,只使用攻击型武器的U3攻击T1和T2,只使用防御型武器的U3攻击T1和T2,不配置武器的U3攻击T1和T2,使用攻击型武器和防御型武器的U4攻击T4,只使用攻击型武器的U4攻击T1、T2和T4,只使用防御型武器的U4攻击T3,不配置武器的U4攻击T1、T2和T4。
Claims (6)
1.一种基于量子鸟群演化机制的无人机资源分配方法,其特征在于,包括以下步骤:
(1)建立无人机的资源分配模型,假设有M种型号无人机拥有K种武器执行N个目标的任务;
(2)根据执行任务的种类确定v的值,初始化量子鸟群;
(4)更新每只量子鸟的量子旋转角和量子位置,然后对每只鸟的量子位置测量得到更新后的位置;
(5)对每只量子鸟更新后的位置根据适应度函数进行适应度计算;
(6)确定每只量子鸟的自身局部最佳位置和群体全局最佳位置;
(7)判断是否达到最大迭代次数,如果达到最大迭代次数,则迭代终止,执行步骤(8);否则,令l=l+1,返回步骤(4)继续执行;
(8)输出量子鸟群群体的全局最佳位置,映射为该资源分配矩阵;
所述步骤(1)中建立无人机的资源分配模型具体包括:
假定有M种型号的无人机执行N个目标上的任务,第m种型号无人机的价值为Vm,第n个目标的价值为并且携带K种武器,则将无人机资源分配的模型表示为:确定满足t∈{0,1,...,N},u∈{0,1,...,M},wk∈{0,1},k=1,2,...,K,其中t表示目标编号;u表示无人机编号,wk=1代表使用武器k,wk=0代表不使用武器k,其中k=1,2,...,K;
按照无人机的型号和武器种类将所有无人机分成S种伪无人机S=M×K,无人机的资源分配矩阵由资源分配矩阵A={as,n|as,n∈{0,1}}S×N表示,其中s=1,2,...,S;n=1,2,...,N;
将无人机的任务分为三类:侦查任务、攻击任务和毁伤评估任务,其中侦查任务和毁伤评估任务统称为评估任务;设伪无人机s与目标n的匹配度为Ps,n,Bs,n为伪无人机s对目标n攻击后的生存概率,Qs,n伪无人机s攻击目标n时目标n被击毁的概率;无人机资源分配模型由资源分配的效能来表示,其中两种任务的价值函数表示为如下:
同时,在进行资源分配时应满足如下条件:
令量子鸟群的规模为H,问题的维数为D=S×N,按s递增n递增的方式排列无人机资源分配矩阵为A={as,n|as,n∈{0,1}}S×N中的元素,其中s=1,2,...,S;n=1,2,...,N,用对应记录无人机任务分配矩阵A中的元素,其中l为迭代次数,D是该向量的最大维度,i=1,2,...,H;
2.根据权利要求1所述的一种基于量子鸟群演化机制的无人机资源分配方法,其特征在于,所述步骤(2)具体包括:
将第l代第i只量子鸟的量子位置记为 为第i只量子鸟第d个量子位, 为第i只量子鸟第d个主量子位,为为第i只量子鸟第d个副量子位,i=1,2,...,H,对所有的d=1,2,...,D,初始化量子位置的第d维量子位为并对第l代第i只量子鸟的量子位置测量得到其位置为初始化第l代第i只量子鸟的至今为止的局部最佳位置为初始时令l=0;
4.根据权利要求3所述的一种基于量子鸟群演化机制的无人机资源分配方法,其特征在于,所述步骤(4)具体包括:
在量子鸟群中,量子鸟会在觅食行为、警戒行为和飞行行为三种行为方式进行选择,首先判断量子鸟是否飞行,设F为飞行时间间隔,若当迭代次数l为F的整数倍,则量子鸟群进行飞行行为,否则,量子鸟群中量子鸟依概率进行觅食或保持警惕,根据觅食概率Pa判定的量子鸟觅食或者保持警惕,Pa为[0,1]之间的常数,随机产生一个[0,1]之间的随机数当随机数小于Pa时,该量子鸟将进行觅食,否则保持警惕;三种行为方式的更新规则如下:
a)觅食行为
觅食时第l+1代第i只量子鸟的量子旋转角的第d维更新方程为其中i=1,2,...,H,d=1,2,...,D,为第l代第i只量子鸟局部最佳位置的第d维,为第l代量子鸟群最佳位置的第d维,为常数,分别代表对应量子鸟局部最佳位置和量子鸟群最佳位置对量子鸟群更新的影响程度;
b)警戒行为
其中,h是一个[1,H]之间的随机正整数且h≠i,α1,α2是两个[0,2]之间的常量,代表权重系数,代表第l代第i只量子鸟的最佳位置的适应度值,Suml代表第l代整个种群的最佳适应度值之和,ε是为了避免零因子错误而使用的由计算机产生的最小正常量,sign是取符号函数,其值取自{-1,0,1},round是就近取整函数,是第l代整个量子鸟群平均位置的d维,A1表示一只量子鸟向量子鸟群中心移动过程中由环境引发的间接作用,A2表示由于某个具体冲突而引发的间接作用,为[0,1]之间的随机数,第l+1代第i只量子鸟的量子旋转角的第d维更新方程为其中i=1,2,...,H,d=1,2,...,D;
c)飞行行为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017379.1A CN109190978B (zh) | 2018-09-01 | 2018-09-01 | 一种基于量子鸟群演化机制的无人机资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017379.1A CN109190978B (zh) | 2018-09-01 | 2018-09-01 | 一种基于量子鸟群演化机制的无人机资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190978A CN109190978A (zh) | 2019-01-11 |
CN109190978B true CN109190978B (zh) | 2021-11-23 |
Family
ID=64917900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811017379.1A Active CN109190978B (zh) | 2018-09-01 | 2018-09-01 | 一种基于量子鸟群演化机制的无人机资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190978B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110234092B (zh) * | 2019-06-14 | 2022-04-29 | 长安大学 | 基于多级优化提高车联网传输信号可靠性的方法 |
CN110941283B (zh) * | 2019-11-20 | 2022-07-05 | 西北工业大学 | 一种基于任务需求的异构无人机集群协同最优配置方法 |
CN111766901B (zh) * | 2020-07-22 | 2022-10-04 | 哈尔滨工程大学 | 多无人机协同目标分配攻击方法 |
CN112054736B (zh) * | 2020-09-11 | 2022-02-11 | 南通大学 | 一种永磁同步电机模型预测电流过调制控制方法 |
CN111954268B (zh) * | 2020-09-15 | 2023-10-31 | 上海交通大学 | 一种基于小型无人机的协作资源再分配方法及系统 |
CN112584347B (zh) * | 2020-09-28 | 2022-07-08 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Uav异构网络多维资源动态管理方法 |
CN113095465B (zh) * | 2021-04-01 | 2023-10-17 | 哈尔滨工程大学 | 量子大马哈鱼洄游机制演化博弈的水下无人集群任务分配方法 |
CN113608546B (zh) * | 2021-07-12 | 2022-11-18 | 哈尔滨工程大学 | 量子海狮机制的无人机群任务分配方法 |
CN114995492A (zh) * | 2022-05-27 | 2022-09-02 | 哈尔滨工程大学 | 一种多无人机抢灾救援规划方法 |
CN114996536B (zh) * | 2022-08-08 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 维修方案查询方法、装置、设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699446A (zh) * | 2013-12-31 | 2014-04-02 | 南京信息工程大学 | 基于量子粒子群优化算法的多目标工作流动态调度方法 |
CN104950673A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种无人机群协作打击目标分配方法 |
CN105045095A (zh) * | 2015-08-17 | 2015-11-11 | 南京航空航天大学 | 一种多无人机应急救灾任务分配方法 |
CN105427032A (zh) * | 2015-11-09 | 2016-03-23 | 河海大学 | 一种无人机对抗决策评估方法 |
CN108344968A (zh) * | 2018-01-08 | 2018-07-31 | 哈尔滨工程大学 | 一种基于多峰量子布谷鸟搜索机制的正交传播算子测向方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10162351B2 (en) * | 2015-06-05 | 2018-12-25 | At&T Intellectual Property I, L.P. | Remote provisioning of a drone resource |
-
2018
- 2018-09-01 CN CN201811017379.1A patent/CN109190978B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699446A (zh) * | 2013-12-31 | 2014-04-02 | 南京信息工程大学 | 基于量子粒子群优化算法的多目标工作流动态调度方法 |
CN104950673A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种无人机群协作打击目标分配方法 |
CN105045095A (zh) * | 2015-08-17 | 2015-11-11 | 南京航空航天大学 | 一种多无人机应急救灾任务分配方法 |
CN105427032A (zh) * | 2015-11-09 | 2016-03-23 | 河海大学 | 一种无人机对抗决策评估方法 |
CN108344968A (zh) * | 2018-01-08 | 2018-07-31 | 哈尔滨工程大学 | 一种基于多峰量子布谷鸟搜索机制的正交传播算子测向方法 |
Non-Patent Citations (2)
Title |
---|
基于协同机制的多无人机任务规划研究;林林;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20131215(第12期);第C031-2页 * |
基于改进量子粒子群优化算法的多UCAV 协同任务分配研究;赵雪森 等;《四川兵工学报》;20151030;第36卷(第10期);第120-123页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109190978A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190978B (zh) | 一种基于量子鸟群演化机制的无人机资源分配方法 | |
CN108549402B (zh) | 基于量子乌鸦群搜索机制的无人机群任务分配方法 | |
CN110007688B (zh) | 一种基于强化学习的无人机集群分布式编队方法 | |
Jiang et al. | UAV path planning and collision avoidance in 3D environments based on POMPD and improved grey wolf optimizer | |
CN108985549A (zh) | 基于量子鸽群机制的无人机任务分配方法 | |
CN111722643B (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
CN112560332B (zh) | 一种基于全局态势信息的航空兵体系智能行为建模方法 | |
CN105302153A (zh) | 异构多无人机协同察打任务的规划方法 | |
CN110401675A (zh) | 一种传感云环境下不确定性DDoS攻击防御方法 | |
CN105427032A (zh) | 一种无人机对抗决策评估方法 | |
Bao et al. | Path planning for reconnaissance UAV based on particle swarm optimization | |
Wang et al. | Air defense threat assessment based on dynamic Bayesian network | |
CN116360503B (zh) | 一种无人机博弈对抗策略生成方法、系统及电子设备 | |
Lei et al. | Path planning for unmanned air vehicles using an improved artificial bee colony algorithm | |
CN113221444A (zh) | 一种面向空中智能博弈的行为模仿训练方法 | |
CN109885082B (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
CN112947541A (zh) | 一种基于深度强化学习的无人机意图航迹预测方法 | |
CN113324545A (zh) | 一种基于混合增强智能的多无人机协同任务规划方法 | |
CN113887919A (zh) | 基于杂交-离散粒子群算法的多无人机协同任务分配方法及系统 | |
Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
CN116088586B (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN111273697A (zh) | 一种无人机群冲突解脱方法 | |
CN114565261B (zh) | 基于gmqn的协同作战控制方法、系统、设备及介质 | |
Sun et al. | Dynamic task allocation in multi autonomous underwater vehicle confrontational games with multi-objective evaluation model and particle swarm optimization algorithm | |
Yuan | UAVS Task Assignment Based on Hybrid Swarm Intelligence Algorithm |
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 |