CN110232492B - 一种基于改进离散粒子群算法的多无人机协同任务调度方法 - Google Patents

一种基于改进离散粒子群算法的多无人机协同任务调度方法 Download PDF

Info

Publication number
CN110232492B
CN110232492B CN201910255573.1A CN201910255573A CN110232492B CN 110232492 B CN110232492 B CN 110232492B CN 201910255573 A CN201910255573 A CN 201910255573A CN 110232492 B CN110232492 B CN 110232492B
Authority
CN
China
Prior art keywords
time
unmanned aerial
task
target
scheme
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
Application number
CN201910255573.1A
Other languages
English (en)
Other versions
CN110232492A (zh
Inventor
陈志�
王福星
岳文静
汪皓平
狄小娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201910255573.1A priority Critical patent/CN110232492B/zh
Publication of CN110232492A publication Critical patent/CN110232492A/zh
Application granted granted Critical
Publication of CN110232492B publication Critical patent/CN110232492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于改进离散粒子群算法的多无人机协同任务调度方法，根据敌方目标的位置和无人机的基本信息，解决了无人机协同多目标打击任务调度问题。本发明将任务调度的约束条件融入到粒子的更新中，使用交叉变异改进了粒子的迭代方式，并且使用变异操作避免了算法陷入局部极值。本发明使用了改进的离散粒子群算法根据无人机完成任务的航程代价和最大无人机暴露时间对调度方案进行对比研究，经过多次迭代得出最佳的任务调度方案。

Description

一种基于改进离散粒子群算法的多无人机协同任务调度方法
技术领域
本发明涉及多无人机协同领域，尤其涉及一种改进基于离散粒子群算法的多无人机任务调度方法。
背景技术
在多无人机自组织任务中，对于任务调度控制直接影响多机协同系统的工作效率，因此本发明将使用粒子群算法重点研究多无人机自组织任务调度控制。本发明研究的多无人机任务调度控制是指在覆盖区域中发现了敌方目标后，合理地将对敌方目标的侦察、攻击和打击评估任务分配给执行任务的无人机。与传统的任务调度不同，在执行多无人机协同目标攻击任务时，无人机的任务调度需要满足多个复杂的约束，为此本发明将提出一种基于改进离散粒子群算法的多异构无人机任务调度算法实现任务的预先分配，以保证任务完成的效能最高。
发明内容
技术问题：在多无人机协同多目标攻击任务的调度中，任务的调度方案必须满足多个复杂的约束条件，并且在使用离散粒子群算法进行优化的时候，通过迭代又出的新的粒子往往很难满足任务的约束条件，在更新完成之后还需要对产生的新的粒子进行二次检测和修改，大大增加了算法的复杂性和降低了算法的效率，并且粒子群算法手里速度极快，非常容易陷入局部极值当中。
技术方案：为了解决现有技术中的问题，本发明提供了一种基于改进离散粒子群算法的多无人机协同任务调度方法，包括以下步骤：
一种基于改进离散粒子群算法的多无人机协同任务调度方法，包括以下步骤：
步骤1)输入敌方目标的总数量M，遍历每一个目标Tj，输入目标Tj的纵横坐标
Figure BDA0002013633900000011
所述j表示目标的编号；
步骤2)输入无人机总数量N，遍历每一个无人机Uk，输入无人机Uk的纵横坐标
Figure BDA0002013633900000012
和无人机的类型
Figure BDA0002013633900000013
所述无人机的类型包括侦察无人机和战斗无人机两种，所述k表示无人机的编号；
步骤3)初始化空的任务调度集合PList，将所有目标放到一个队列当中，每个目标Tj依次包括目标的侦察任务
Figure BDA0002013633900000014
攻击任务
Figure BDA0002013633900000015
和打击效果评估任务
Figure BDA0002013633900000016
从目标队列中随机选择一个目标取出第一个任务，根据任务的类型，从对应无人机中随机选择无人机匹配，当目标的任务为空，将目标移除队列，当队列为空得到一个调度方案
Figure BDA0002013633900000021
将方案
Figure BDA0002013633900000022
放入PList当中，重复上述步骤直到集合中的个体数量达到C，所述i表示方案的编号，所述time表示算法迭代的次数；
步骤4)遍历方案集合PList中的每一个方案，计算每一个调度方案的效能
Figure BDA0002013633900000023
Figure BDA0002013633900000024
其中：ξ表示第i个方案中的第ξ个无人机的编号，在
Figure BDA0002013633900000025
中于每一个无人机Uξ都有一个任务的执行序列Tlistξ，
Figure BDA0002013633900000026
所述Dξ表示无人机ξ在执行任务过程中的总航程，所述
Figure BDA0002013633900000027
和
Figure BDA0002013633900000028
分别表示第
Figure BDA00020136339000000224
个目标的侦察任务、第τ个目标的打击效果评估任务、第σ个目标的侦察任务和第υ个目标的打击效果评估任务，
Figure BDA0002013633900000029
其中：ΔT表示执行任务的飞行距离和等待旋转的距离之和，所述执行任务的飞行距离是指无人机在执行任务的过程中飞行的距离，等待旋转距离表示无人机在等待前提任务完成所做的自选的飞行距离，N表示无人机的总数量，max{Dξ}表示所有无人机当中航程最大无人机的航程，所述效能
Figure BDA00020136339000000210
是指在执行任务过程中所有无人机的平均航程和无人机的最大暴露时间的加权求和，所述无人机的最大暴露时间使用最大航程表示，ω1表示无人机的平均航程在效能函数
Figure BDA00020136339000000211
中所占权重，ω2表示无人机最大暴露时间在效能函数
Figure BDA00020136339000000212
中所占权重；
Figure BDA00020136339000000213
分别表示第
Figure BDA00020136339000000225
个目标的纵横坐标，
Figure BDA00020136339000000214
分别表示第τ个目标的纵横坐标，
Figure BDA00020136339000000215
分别表示第σ个目标的纵横坐标，
Figure BDA00020136339000000216
分别表示第υ个目标的纵横坐标；
步骤5)更新第time次迭代时每个个体的个体极值
Figure BDA00020136339000000217
遍历方案集合PList中的每一个方案，当
Figure BDA00020136339000000218
将
Figure BDA00020136339000000219
赋值给
Figure BDA00020136339000000220
反之将
Figure BDA00020136339000000221
赋值给
Figure BDA00020136339000000222
当time＝0，则
Figure BDA00020136339000000223
步骤6)更新第time次迭代时种群的群体极值Gbest，遍历方案集合PList中的每一个方案，当
Figure BDA0002013633900000031
将
Figure BDA0002013633900000032
赋值给Gbest；当time＝0，则F(Gbest)＝+∞；
步骤7)当time＝timemax，方法结束，输出群体极值Gbest，所述timemax表示预先设定的迭代阈值；反之time自增1进入步骤8)；
步骤8)将当前方案
Figure BDA0002013633900000033
与个体极值
Figure BDA0002013633900000034
交叉，
Figure BDA0002013633900000035
其中：c1表示与个体极值的基因交叉的概率，
Figure BDA0002013633900000036
表示交叉后产生的新个体,Fc()表示改进的二进制交叉方式，具体交叉流程如下：
步骤8.1)初始化一个长度为3×M，并且元素为空的方案
Figure BDA0002013633900000037
初始化一个计数器Counter＝1；
步骤8.2)当Counter≤3×M，进入步骤8.3；否则进入步骤8.4；
步骤8.3)生成(0，1)区间随机数Rand，当Rand≤c1，将个体极值中目标Counter对应的任务，复制到中
Figure BDA0002013633900000038
的对应位置，并删除个体
Figure BDA0002013633900000039
中与目标Counter相关的任务，Counter自增1返回步骤8.2；否则，Counter自增1直接返回步骤8.2；
步骤8.4)遍历
Figure BDA00020136339000000310
中的每一个元素，当该元素为空，就从个体中依次取出元素填充到
Figure BDA00020136339000000311
中进入步骤9；
步骤9)将步骤8)中产生的新个体
Figure BDA00020136339000000312
与群体极值Gbest交叉，
Figure BDA00020136339000000313
其中：c2表示与群体极值的基因交叉概率，
Figure BDA00020136339000000314
表示交叉后产生的新个体，具体交叉流程如下：
步骤9.1)初始化一个长度为，并且元素为空的方案
Figure BDA00020136339000000315
初始化一个计数器Counter2＝1；
步骤9.2)当Counter2≤3×M，进入步骤9.3；否则进入步骤9.4；
步骤9.3)生成(0，1)区间的随机数Rand2，当Rand2≤c2，将个体极值中目标Counter2 对应的任务，复制到中Pi time+1”的对应位置，并删除个体Pi time+1'中与目标Counter2相关的任务， Counter2自增1返回步骤8.2；否则，Counter2自增1直接返回步骤8.2；
步骤9.4)遍历
Figure BDA0002013633900000041
中的每一个元素，当该元素为空，就从个体
Figure BDA0002013633900000042
中依次取出元素填充到
Figure BDA0002013633900000043
中进入步骤10；
步骤10)对步骤9)中产生的新个体
Figure BDA0002013633900000044
执行变异操作，
Figure BDA0002013633900000045
其中：c3表示个体的基因变异概率，
Figure BDA0002013633900000046
表示迭代产生的新粒子，Fm()表示改进的基因变异方式，具体流程如下：
步骤10.1)初始化一个计数器Counter3＝1；
步骤10.2)当Counter3≤3×M，进入步骤10.3；否则返回步骤4)；
步骤10.3)生成(0，1)区间随机数Rand3，当Rand 3≤c3，从
Figure BDA0002013633900000047
中移除所有与目标Counter3相关的任务，将移除的任务按先后次序随机插入
Figure BDA0002013633900000048
中，Counter3自增1返回步骤10.2；否则，Counter3自增1返回步骤10.2；
进一步的，所述步骤3)对应方案
Figure BDA0002013633900000049
的编码方式为：
Figure BDA00020136339000000410
其中：Uι、Uκ、Uλ和U°分别表示编号为ι、κ、λ和ο的无人机。
有益效果：本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明一种基于改进离散粒子群算法的多无人机协同任务调度方法，个体方案通过基于目标的概率交叉方式向个体极值和群体极值学习，不断优化调整自身，在通过基于目标的概率变异方式增加种群的多样性，从而满足了多无人机协同任务调度的约束条件，同时避免了算法陷入局部极值。具体来说：
(1)本发明通过借鉴遗传算法中的变异操作改经了离散粒子群算法，解决了算法容易下如局部极值的问题。
(2)本发明通过基于目标的概率交叉和概率变异方式，解决了多无人机协同目标打击任务的约束问题。
附图说明
图1是使用改进离散粒子群算法的多无人机协同任务调度方法的流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
实施例1
一种基于改进离散粒子群算法的多无人机协同任务调度方法，包括以下步骤：
步骤1)输入敌方目标的总数量M，遍历每一个目标Tj，输入目标Tj的纵横坐标
Figure BDA0002013633900000051
所述j表示目标的编号；
步骤2)输入无人机总数量N，遍历每一个无人机Uk，输入无人机Uk的纵横坐标
Figure BDA0002013633900000052
和无人机的类型
Figure BDA0002013633900000053
所述无人机的类型包括侦察无人机和战斗无人机两种，所述k表示无人机的编号；
步骤3)初始化空的任务调度集合PList，将所有目标放到一个队列当中，每个目标Tj依次包括目标的侦察任务
Figure BDA0002013633900000054
攻击任务
Figure BDA0002013633900000055
和打击效果评估任务
Figure BDA0002013633900000056
从目标队列中随机选择一个目标取出第一个任务，根据任务的类型，从对应无人机中随机选择无人机匹配，当目标的任务为空，将目标移除队列，当队列为空得到一个调度方案
Figure BDA0002013633900000057
将方案
Figure BDA0002013633900000058
放入PList当中，重复上述步骤直到集合中的个体数量达到C，所述i表示方案的编号，所述time表示算法迭代的次数；
步骤4)遍历方案集合PList中的每一个方案，计算每一个调度方案的效能
Figure BDA0002013633900000059
Figure BDA00020136339000000510
其中：ξ表示第i个方案中的第ξ个无人机的编号，在
Figure BDA00020136339000000511
中于每一个无人机Uξ都有一个任务的执行序列Tlistξ，
Figure BDA00020136339000000512
所述Dξ表示无人机ξ在执行任务过程中的总航程，所述
Figure BDA00020136339000000513
和
Figure BDA00020136339000000514
分别表示第
Figure BDA00020136339000000516
个目标的侦察任务、第τ个目标的打击效果评估任务、第σ个目标的侦察任务和第υ个目标的打击效果评估任务，
Figure BDA00020136339000000515
其中：ΔT表示执行任务的飞行距离和等待旋转的距离之和，所述执行任务的飞行距离是指无人机在执行任务的过程中飞行的距离，等待旋转距离表示无人机在等待前提任务完成所做的自选的飞行距离，N表示无人机的总数量，max{Dξ}表示所有无人机当中航程最大无人机的航程，所述效能
Figure BDA0002013633900000061
是指在执行任务过程中所有无人机的平均航程和无人机的最大暴露时间的加权求和，所述无人机的最大暴露时间使用最大航程表示，ω1表示无人机的平均航程在效能函数
Figure BDA0002013633900000062
中所占权重，ω2表示无人机最大暴露时间在效能函数
Figure BDA0002013633900000063
中所占权重；
Figure BDA0002013633900000064
分别表示第
Figure BDA00020136339000000627
个目标的纵横坐标，
Figure BDA0002013633900000065
分别表示第τ个目标的纵横坐标，
Figure BDA0002013633900000066
分别表示第σ个目标的纵横坐标，
Figure BDA0002013633900000067
分别表示第υ个目标的纵横坐标；
步骤5)更新第time次迭代时每个个体的个体极值
Figure BDA0002013633900000068
遍历方案集合PList中的每一个方案，当
Figure BDA0002013633900000069
将
Figure BDA00020136339000000610
赋值给
Figure BDA00020136339000000611
反之将
Figure BDA00020136339000000612
赋值给
Figure BDA00020136339000000613
当time＝0，则
Figure BDA00020136339000000614
步骤6)更新第time次迭代时种群的群体极值Gbest，遍历方案集合PList中的每一个方案，当
Figure BDA00020136339000000615
将
Figure BDA00020136339000000616
赋值给Gbest；当time＝0，则F(Gbest)＝+∞；
步骤7)当time＝timemax，方法结束，输出群体极值Gbest，所述timemax表示预先设定的迭代阈值；反之time自增1进入步骤8)；
步骤8)将当前方案
Figure BDA00020136339000000617
与个体极值
Figure BDA00020136339000000618
交叉，
Figure BDA00020136339000000619
其中：c1表示与个体极值的基因交叉的概率，
Figure BDA00020136339000000620
表示交叉后产生的新个体,Fc()表示改进的二进制交叉方式，具体交叉流程如下：
步骤8.1)初始化一个长度为3×M，并且元素为空的方案
Figure BDA00020136339000000621
初始化一个计数器Counter＝1；
步骤8.2)当Counter≤3×M，进入步骤8.3；否则进入步骤8.4；
步骤8.3)生成(0，1)区间随机数Rand，当Rand≤c1，将个体极值中目标Counter对应的任务，复制到中
Figure BDA00020136339000000622
的对应位置，并删除个体
Figure BDA00020136339000000623
中与目标Counter相关的任务，Counter自增1返回步骤8.2；否则，Counter自增1直接返回步骤8.2；
步骤8.4)遍历
Figure BDA00020136339000000624
中的每一个元素，当该元素为空，就从个体中依次取出元素填充到
Figure BDA00020136339000000625
中进入步骤9；
步骤9)将步骤8)中产生的新个体
Figure BDA00020136339000000626
与群体极值Gbest交叉，
Figure BDA0002013633900000071
其中：c2表示与群体极值的基因交叉概率，
Figure BDA0002013633900000072
表示交叉后产生的新个体，具体交叉流程如下：
步骤9.1)初始化一个长度为，并且元素为空的方案
Figure BDA0002013633900000073
初始化一个计数器Counter2＝1；
步骤9.2)当Counter2≤3×M，进入步骤9.3；否则进入步骤9.4；
步骤9.3)生成(0，1)区间的随机数Rand2，当Rand2≤c2，将个体极值中目标Counter2 对应的任务，复制到中Pi time+1”的对应位置，并删除个体Pi time+1'中与目标Counter2相关的任务， Counter2自增1返回步骤8.2；否则，Counter2自增1直接返回步骤8.2；
步骤9.4)遍历
Figure BDA0002013633900000076
中的每一个元素，当该元素为空，就从个体
Figure BDA0002013633900000077
中依次取出元素填充到
Figure BDA0002013633900000078
中进入步骤10；
步骤10)对步骤9)中产生的新个体
Figure BDA0002013633900000079
执行变异操作，
Figure BDA00020136339000000710
其中：c3表示个体的基因变异概率，
Figure BDA00020136339000000711
表示迭代产生的新粒子，Fm()表示改进的基因变异方式，具体流程如下：
步骤10.1)初始化一个计数器Counter3＝1；
步骤10.2)当Counter3≤3×M，进入步骤10.3；否则返回步骤4)；
步骤10.3)生成(0，1)区间随机数Rand3，当Rand 3≤c3，从
Figure BDA00020136339000000712
中移除所有与目标Counter3相关的任务，将移除的任务按先后次序随机插入
Figure BDA00020136339000000713
中，Counter3自增1返回步骤10.2；否则，Counter3自增1返回步骤10.2；
进一步的，所述步骤3)对应方案
Figure BDA00020136339000000714
的编码方式为：
Figure BDA00020136339000000715
其中：Uι、Uκ、Uλ和Uo分别表示编号为ι、κ、λ和ο的无人机。
实施例2
一种基于改进离散粒子群算法的多无人机协同任务调度方法，包括以下步骤
步骤1)输入目标总数2，输入目标的位置T1(50，100)，T2(75，75)。
步骤2)输入无人机总数4，输入无人机的初始位置和类型U1(25，75，侦察无人机)，U2 (80，90，侦察无人机)，U3(50，50，战斗无人机)，U4(75，50，战斗无人机)。
步骤3)初始化任务调度集合Plist，设定
Figure RE-GDA0002090076240000081
Figure RE-GDA0002090076240000082
步骤4)计算集合Plist中每一个个体的适应值，下面以D1来举例说明计算方式，
Figure RE-GDA0002090076240000083
由P1 0可知
Figure RE-GDA0002090076240000084
则
Figure RE-GDA0002090076240000085
步骤5)更新每一个个体的个体极值，由于是第一次迭代所以所有个体的个体极值都为自身。
步骤6)更新种群的群体极值，遍历种群中的每一个个体，选择个体极值最小的个体作为群体极值，设定初始群体极值为
Figure BDA0002013633900000086
步骤7)结束条件判断，当前迭代次数为0，不满足结束条件。
步骤8)将Plist中的每一个个体与个体极值交叉，下面以个体
Figure BDA0002013633900000087
来举例说明交叉方式，初始化
Figure BDA0002013633900000088
将
Figure BDA0002013633900000089
与个体极值基于目标进行概率交叉，设定T1被选择做交叉，则先从局部极值中取出T1相关任务，
Figure BDA00020136339000000810
再从
Figure BDA00020136339000000811
中删除T1相关任务，则
Figure BDA00020136339000000812
由于
Figure BDA00020136339000000813
的局部极值就是自身，所以与自身交叉后和得到的还是自己则
Figure BDA00020136339000000814
同理可以计算得到
Figure BDA00020136339000000815
步骤9)将上述步骤得到的新个体与群体极值进行交叉，下面以个体P1 0'举例说明交叉方式，初始化P1 0”＝{(),(),(),(),(),()}，与群体极值
Figure RE-GDA00020900762400000813
基于目标进行概率交叉，设定只有目标T1被选择做交叉操作，先将群体极值
Figure RE-GDA00020900762400000814
中有关目标T1的任务复制到P1 0”中，则
Figure RE-GDA0002090076240000091
再将P1 0'中关于目标T1的任务删除，则剩余的P1 0'为
Figure RE-GDA0002090076240000092
遍历P1 0”中的每一个元素，使用P1 0'中的元素依次补齐P1 0”得到
Figure RE-GDA0002090076240000093
同理可计算得到
Figure RE-GDA0002090076240000094
步骤10)对上述步骤得到的新个体进行基于目标的概率变异操作。下面以个体P1 0”举例说明变异方式，设定T2被选择做变异，则从P1 0”中取出所有与T2相关的任务，则
Figure RE-GDA0002090076240000095
将
Figure RE-GDA0002090076240000096
重新随机选择无人机分配后再次插入，得到
Figure RE-GDA0002090076240000097
待所有新个体都变异完毕，进入步骤4进行下一轮迭代。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于改进离散粒子群算法的多无人机协同任务调度方法，其特征在于：包括以下步骤：
步骤1)输入敌方目标的总数量M，遍历每一个目标Tj，输入目标Tj的纵横坐标
Figure FDA0003062372730000011
所述j表示目标的编号；
步骤2)输入无人机总数量N，遍历每一个无人机Uk，输入无人机Uk的纵横坐标
Figure FDA0003062372730000012
和无人机的类型
Figure FDA0003062372730000013
所述无人机的类型包括侦察无人机和战斗无人机两种，所述k表示无人机的编号；
步骤3)初始化空的任务调度集合PList，将所有目标放到一个队列当中，每个目标Tj依次包括目标的侦察任务
Figure FDA0003062372730000014
攻击任务
Figure FDA0003062372730000015
和打击效果评估任务
Figure FDA0003062372730000016
从目标队列中随机选择一个目标取出第一个任务，根据任务的类型，从对应无人机中随机选择无人机匹配，当目标的任务为空，将目标移除队列，当队列为空得到一个调度方案Pi time，将方案Pi time放入PList当中，重复上述步骤直到集合中的个体数量达到C，所述i表示方案的编号，所述time表示算法迭代的次数；
步骤4)遍历方案集合PList中的每一个方案，计算每一个调度方案的效能F(Pi time)，
Figure FDA0003062372730000017
其中：ξ表示第i个方案中的第ξ个无人机的编号，在Pi time中于每一个无人机Uξ都有一个任务的执行序列Tlistξ，
Figure FDA0003062372730000018
所述Dξ表示无人机ξ在执行任务过程中的总航程，所述
Figure FDA0003062372730000019
和
Figure FDA00030623727300000110
分别表示第
Figure FDA00030623727300000111
个目标的侦察任务、第τ个目标的打击效果评估任务、第σ个目标的侦察任务和第υ个目标的打击效果评估任务，
Figure FDA00030623727300000112
其中：ΔT表示执行任务的飞行距离和等待旋转的距离之和，所述执行任务的飞行距离是指无人机在执行任务的过程中飞行的距离，等待旋转距离表示无人机在等待前提任务完成所做的自选的飞行距离，N表示无人机的总数量，max{Dξ}表示所有无人机当中航程最大无人机的航程，所述效能F(Pi time)是指在执行任务过程中所有无人机的平均航程和无人机的最大暴露时间的加权求和，所述无人机的最大暴露时间使用最大航程表示，ω1表示无人机的平均航程在效能函数F(Pi time)中所占权重，ω2表示无人机最大暴露时间在效能函数F(Pi time)中所占权重；
Figure FDA0003062372730000021
分别表示第
Figure FDA0003062372730000022
个目标的纵横坐标，
Figure FDA0003062372730000023
分别表示第τ个目标的纵横坐标，
Figure FDA0003062372730000024
分别表示第σ个目标的纵横坐标，
Figure FDA0003062372730000025
分别表示第υ个目标的纵横坐标；
步骤5)更新第time次迭代时每个个体的个体极值
Figure FDA0003062372730000026
遍历方案集合PList中的每一个方案，当
Figure FDA0003062372730000027
将Pi time赋值给
Figure FDA0003062372730000028
反之将
Figure FDA0003062372730000029
赋值给
Figure FDA00030623727300000210
当time＝0，则
Figure FDA00030623727300000211
步骤6)更新第time次迭代时种群的群体极值Gbest，遍历方案集合PList中的每一个方案，当
Figure FDA00030623727300000212
将
Figure FDA00030623727300000213
赋值给Gbest；当time＝0，则F(Gbest)＝+∞；
步骤7)当time＝timemax，方法结束，输出群体极值Gbest，所述timemax表示预先设定的迭代阈值；反之time自增1进入步骤8)；
步骤8)将当前方案Pi time与个体极值
Figure FDA00030623727300000214
交叉，
Figure FDA00030623727300000215
其中：c1表示与个体极值的基因交叉的概率，Pi time+1'表示交叉后产生的新个体,Fc()表示改进的二进制交叉方式，具体交叉流程如下：
步骤8.1)初始化一个长度为3×M，并且元素为空的方案Pi time+1'，初始化一个计数器Counter＝1；
步骤8.2)当Counter≤3×M，进入步骤8.3；否则进入步骤8.4；
步骤8.3)生成(0，1)区间随机数Rand，当Rand≤c1，将个体极值中目标Counter对应的任务，复制到中Pi time+1'的对应位置，并删除个体Pi time中与目标Counter相关的任务，Counter自增1返回步骤8.2；否则，Counter自增1直接返回步骤8.2；
步骤8.4)遍历Pi time+1'中的每一个元素，当该元素为空，就从个体中依次取出元素填充到Pi time+1'中进入步骤9；
步骤9)将步骤8)中产生的新个体Pi time+1'与群体极值Gbest交叉，
Figure FDA0003062372730000031
其中：c2表示与群体极值的基因交叉概率，Pi time+1”表示交叉后产生的新个体，具体交叉流程如下：
步骤9.1)初始化一个长度为，并且元素为空的方案Pi time+1”，初始化一个计数器Counter2＝1；
步骤9.2)当Counter2≤3×M，进入步骤9.3；否则进入步骤9.4；
步骤9.3)生成(0，1)区间的随机数Rand2，当Rand2 ≤ c2 ， 将个体极值中目标Counter2对应的任务，复制到中Pi time+1”的对应位置，并删除个体Pi time+1'中与目标Counter2相关的任务，Counter2自增1返回步骤8.2；否则，Counter2自增1直接返回步骤8.2；
步骤9.4)遍历Pi time+1”中的每一个元素，当该元素为空，就从个体Pi time+1'中依次取出元素填充到Pi time+1”中进入步骤10；
步骤10)对步骤9)中产生的新个体Pi time+1”执行变异操作，
Figure FDA0003062372730000032
其中：c3表示个体的基因变异概率，Pi time+1表示迭代产生的新粒子，Fm()表示改进的基因变异方式，具体流程如下：
步骤10.1)初始化一个计数器Counter3＝1；
步骤10.2)当Counter3≤3×M，进入步骤10.3；否则返回步骤4)；
步骤10.3)生成(0，1)区间随机数Rand3，当Rand 3≤c3，从Pi time+1”中移除所有与目标Counter3相关的任务，将移除的任务按先后次序随机插入Pi time+1”中，Counter3自增1返回步骤10.2；否则，Counter3自增1返回步骤10.2。
2.根据权利要求1所述的一种基于改进离散粒子群算法的多无人机协同任务调度方法，其特征在于：所述步骤3)对应方案Pi time的编码方式为：
Figure FDA0003062372730000033
其中：Uι、Uκ、Uλ和Uο分别表示编号为ι、κ、λ和ο的无人机。
CN201910255573.1A 2019-04-01 2019-04-01 一种基于改进离散粒子群算法的多无人机协同任务调度方法 Active CN110232492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910255573.1A CN110232492B (zh) 2019-04-01 2019-04-01 一种基于改进离散粒子群算法的多无人机协同任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910255573.1A CN110232492B (zh) 2019-04-01 2019-04-01 一种基于改进离散粒子群算法的多无人机协同任务调度方法

Publications (2)

Publication Number Publication Date
CN110232492A CN110232492A (zh) 2019-09-13
CN110232492B true CN110232492B (zh) 2021-06-18

Family

ID=67860133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910255573.1A Active CN110232492B (zh) 2019-04-01 2019-04-01 一种基于改进离散粒子群算法的多无人机协同任务调度方法

Country Status (1)

Country Link
CN (1) CN110232492B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110928751B (zh) * 2019-10-12 2021-07-16 深圳赛安特技术服务有限公司 任务处理时间自动预测方法、装置、介质及电子设备
CN111580564B (zh) * 2020-04-30 2022-06-10 湖南科技大学 一种三维群无人机并行式多目标搜索协同作业方法
CN113993175B (zh) * 2021-10-25 2023-10-17 盛东如东海上风力发电有限责任公司 一种无人机通信切换方法、系统、设备及存储介质
CN115202849B (zh) * 2022-09-02 2023-04-18 广东翼景信息科技有限公司 一种支持边缘计算的多无人机任务分配与路径规划方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106529674A (zh) * 2016-11-03 2017-03-22 中国人民解放军信息工程大学 多无人机协同多目标分配方法
CN106990792A (zh) * 2017-05-23 2017-07-28 西北工业大学 混合引力搜索算法的多无人机协同时序耦合任务分配方法
CN107045458A (zh) * 2017-03-09 2017-08-15 西北工业大学 基于多目标量子粒子群算法的无人机协同任务分配方法
CN107543549A (zh) * 2017-10-27 2018-01-05 上海理工大学 无人机单侧成像约束条件下的路线规划方法
CN109510655A (zh) * 2017-09-15 2019-03-22 中国科学院光电研究院 临近空间平台面向任务编队组网分布式协同飞行控制方法
CN109523011A (zh) * 2018-11-06 2019-03-26 哈尔滨工业大学（深圳） 一种面向多无人机协同探测的多传感器自适应管理方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106529674A (zh) * 2016-11-03 2017-03-22 中国人民解放军信息工程大学 多无人机协同多目标分配方法
CN107045458A (zh) * 2017-03-09 2017-08-15 西北工业大学 基于多目标量子粒子群算法的无人机协同任务分配方法
CN106990792A (zh) * 2017-05-23 2017-07-28 西北工业大学 混合引力搜索算法的多无人机协同时序耦合任务分配方法
CN109510655A (zh) * 2017-09-15 2019-03-22 中国科学院光电研究院 临近空间平台面向任务编队组网分布式协同飞行控制方法
CN107543549A (zh) * 2017-10-27 2018-01-05 上海理工大学 无人机单侧成像约束条件下的路线规划方法
CN109523011A (zh) * 2018-11-06 2019-03-26 哈尔滨工业大学（深圳） 一种面向多无人机协同探测的多传感器自适应管理方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"基于多群体改进萤火虫算法的UCAV协同多目标分配";王永泉 等;《西北工业大学学报》;20140630;全文 *
"基于改进粒子群算法的多无人机任务分配研究";国博 等;《计算机仿真》;20090731;全文 *
"基于粒子群算法的多无人机任务分配";李士波;《软件导刊》;20180731;全文 *
"基于粒子群算法的多无人机任务分配方法";李炜 等;《控制与决策》;20100930;全文 *

Also Published As

Publication number Publication date
CN110232492A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110232492B (zh) 一种基于改进离散粒子群算法的多无人机协同任务调度方法
CN110363344B (zh) 基于miv-gp算法优化bp神经网络的概率积分参数预测方法
CN108919641B (zh) 一种基于改进樽海鞘算法的无人机航迹规划方法
CN108549402B (zh) 基于量子乌鸦群搜索机制的无人机群任务分配方法
CN106990792B (zh) 混合引力搜索算法的多无人机协同时序耦合任务分配方法
CN103279793B (zh) 一种确定环境下的无人飞行器编队任务分配方法
CN107219858B (zh) 一种改进萤火虫算法的多无人机协同耦合任务分配方法
CN110134140B (zh) 一种环境信息未知连续状态下基于势函数奖赏dqn的无人机路径规划方法
CN107330560B (zh) 一种考虑时序约束的异构飞行器多任务协同分配方法
CN111240356B (zh) 一种基于深度强化学习的无人机集群会合方法
CN105469145B (zh) 一种基于遗传粒子群算法的智能组卷方法
CN111260026B (zh) 一种基于元强化学习的导航迁移方法
CN113671987B (zh) 基于非死锁合同网算法的多机分布式时序任务分配方法
CN110181508A (zh) 水下机器人三维航路规划方法及系统
CN107563653B (zh) 一种多机器人全覆盖任务分配方法
CN114417735B (zh) 一种跨区域联合作战中的多无人机协同任务规划方法
CN106022463A (zh) 基于改进粒子群算法的个性化学习路径优化方法
Dou et al. C· ase: Learning conditional adversarial skill embeddings for physics-based characters
Li et al. Path planning of mobile robot based on genetic algorithm and gene rearrangement
CN111191840A (zh) 基于离散粒子群优化算法的多无人机动平台任务分配方法
CN114912357A (zh) 基于用户模型学习的多任务强化学习用户运营方法及系统
CN116933948A (zh) 基于改进海鸥算法与反向传播神经网络的预测方法和系统
CN115494873A (zh) 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法
Nabizadeh et al. A multi-swarm cellular PSO based on clonal selection algorithm in dynamic environments
CN111781920B (zh) 自动驾驶方法、装置和存储介质

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190913

Assignee: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2021980013920

Denomination of invention: A multi UAV cooperative task scheduling method based on improved discrete particle swarm optimization algorithm

Granted publication date: 20210618

License type: Common License

Record date: 20211202