CN110766254A

CN110766254A - 一种基于改进遗传算法的多无人机协同任务分配方法

Info

Publication number: CN110766254A
Application number: CN201810846085.3A
Authority: CN
Inventors: 叶方; 陈杰; 段继琨; 孙骞; 田弘博; 车飞; 邵诗佳; 李一兵
Original assignee: Shenzhen Bailu Songtian Science And Technology Co Ltd
Current assignee: Shenzhen Bailu Songtian Science And Technology Co Ltd
Priority date: 2018-07-27
Filing date: 2018-07-27
Publication date: 2020-02-07

Abstract

本发明提供了一种基于改进遗传算法的多无人机协同任务分配方法，该方法包括以下三个步骤：建立无人机最小转弯半径、目标所需任务数目等约束方程和基于Dubins航迹路径代价下的多无人机协同任务分配模型；生成符合模型约束条件的预定规模的初始种群；以无人机Dubins航迹路径代价为适应度函数，利用改进遗传算法的精英策略、选择、交叉、变异等遗传操作对初始种群进行迭代更新，产生固定迭代次数中使目标函数最小的可行解，并将其作为多无人机协同任务分配和航迹规划的结果。本发明在多无人机协同任务作战上有广泛的应用价值，有利于实现多无人机多目标的协同任务执行，提高任务的完成效能。对多无人机协同控制领域有重要的意义。

Description

一种基于改进遗传算法的多无人机协同任务分配方法

技术领域

本发明属于无人机控制与决策技术领域，具体涉及一种基于改进遗传算法的多无人机协同任务分配方法。

背景技术

随着现代战场中电磁环境的日益复杂化、攻击武器的日益集成化，有人机的任务执行受到了前所未有的威胁。相对于有人机，无人机在现代战场的危险环境下，有低伤亡率甚至零伤亡率的优势。由于不用考虑机载生命，无人机的机动性、低可探测性以及持续作战能力得到了提高，同时无人机的研发、制造、使用和维护成本低，因此无人机契合时代的需求，可以执行复杂战场中枯燥、恶劣、危险、隐蔽的任务。然而，即使单无人机集成度增强，因其自身的燃料、重量和尺寸等限制，单无人机仍然无法实现对任务区域的多维度、大范围覆盖，也不能保证系统的容错性。因此，多无人机的协同工作有利于提高任务的完成效能，满足现代战场需求。本发明主要涉及多无人机协同任务规划技术，研究多无人机系统执行多目标多任务协同作战时，考虑无人机Dubins航迹模型情况下的多无人机协同任务分配方法。

多无人机协同任务分配是指，考虑无人机执行任务的Dubins航迹路径代价(Dubins路径是指在恒定速度和限定曲率的条件下，由给定位置与姿态角的初始点到达给定位置与姿态角的目标点的最短路径，该最短路径的存在性最早由Dubins用几何学方法证明，并推出其构成形式只可能为直线段或以无人机最小转弯半径为半径的圆弧段。由于Dubins路径是考虑了运动学约束后的路径，其比直线路径更加接近无人机飞行的真实路径。)，将多架无人机分配给多个静止目标并执行多类任务(目标确认、目标攻击、毁伤评估)的资源分配问题。由于需要同时考虑多无人机航迹、目标及目标任务的数目与种类，多无人机协同分配方法属于组合优化问题。而随着无人机及目标数目的增加，多无人机协同分配的计算量呈指数增长，演变成一个NP-hard问题，难以用传统的最优化算法(如枚举法、分支界定法、梯度法)求解。因此，快速且有效的优化算法是多无人机协同任务分配的难点。随着智能优化算法的提出与发展，多无人机协同任务分配得到了解决。

遗传算法是模拟自然界生物进化机制(适者生存，优胜劣汰)的随机优化搜索方法，因其特有的内在并行性和全局优化能力，适用于多无人机协同任务分配方案的求取。

目前，国内外学者在利用遗传算法进行多无人机协同任务分配方面进行了一定的研究。公开号为CN106529674A的专利提出了一种多无人机协同多目标分配方法，通过无人机和目标的关系及无人机飞行代价参数构造飞行代价模型，然后利用遗传算法来进行多无人机协同多目标分配求取，但是，飞行代价模型的建立只适用于无人机和目标数量少的情况，当无人机和目标数量增加时会急剧增加算法的计算量，难以保证算法的实时性。《Computers and Operations Research》期刊中，由Eugene Edison撰写的“Integratedtask assignment and path optimization for cooperating uninhabited aerialvehicles using genetic algorithms”一文中，首先对无人机航向角进行离散化来实现无人机Dubins 航迹计算，然后利用图论建立多无人机协同任务分配图，再通过遗传算法求取最佳的多无人机协同任务分配方案，但是无人机航向角的离散化程度决定了多无人机协同任务分配可行图的大小，当离散化程度增大时算法计算量迅速增加，不利于实现算法的有效求解。

发明内容

本发明的目的在于提出一种基于改进遗传算法的多无人机协同任务分配方法，在考虑无人机执行任务的Dubins航迹路径代价条件下，解决异构无人机执行多目标任务的有效资源分配问题，以增强多无人机的协同工作，有利于提高任务的完成效能，满足现代战场需求。

本发明的技术方案是：本发明的目的是通过以下技术方案实现的。首先，获取多架无人机的位置信息及运动学约束条件(最小转弯半径约束)、多个目标点的位置信息及所需任务数目，构建Dubins航迹路径代价下多无人机协同任务分配模型；然后根据模型信息和改进遗传算法的编码方式，生成符合模型约束条件的预定规模的初始种群；最后，以无人机Dubins航迹路径代价为目标函数(适应度函数)，利用改进遗传算法的精英策略、选择、交叉、变异等遗传操作对初始种群进行迭代更新，产生固定迭代次数中使目标函数最小的可行解，并将其作为多无人机协同任务分配和航迹规划的结果，实现多无人机多目标的协同任务执行，提高任务的完成效能。

本发明提出的基于改进遗传算法的多无人机协同任务分配方法，具体实现如下：

步骤一：多无人机协同任务分配模型的构建。对无人机和目标分别进行编号，获取多架无人机的位置信息及运动学约束条件(最小转弯半径约束)、多个目标点的位置信息及所需任务数目，建立无人机最小转弯半径、目标所需任务数目等约束方程和基于无人机Dubins航迹路径代价的目标函数，构建多无人机协同任务分配模型；

步骤二：根据模型信息和改进遗传算法的编码方式，生成符合模型约束条件的预定规模的初始种群。初始种群编码中，染色体包括无人机序号、目标序号及无人机航向角，表示某无人机以某航向角在某目标执行任务，且该目标序号在染色体中出现的顺序表示该目标的任务执行时序；

步骤三：多无人机协同任务分配结果的求取。以无人机Dubins航迹路径代价为适应度函数，通过改进遗传算法的精英策略、选择、交叉、变异等遗传操作对初始种群进行最小化适应度函数的寻优过程，在固定迭代次数中求取最佳的可行解，并将其作为多无人机协同任务分配和航迹规划的结果。

本发明的核心技术内容在于利用改进遗传算法提出了一种快速有效的多无人机协同任务分配方法，首先利用Dubins路径生成无人机航迹代价，克服了使用欧氏距离计算无人机航迹路径代价时不符合实际运动学机理的缺点，其次，改进遗传算法中独特的编码方法，有效地解决了无人机对多目标多类任务的执行时序问题和航向角规划，再次，改进遗传算法的精英策略、选择、交叉、变异等遗传操作有效地保证了寻优过程的收敛性、全局搜索能力和鲁棒性，能够产生良好的多无人机多目标的协同多任务分配结果，有利于提高任务的完成效能。

下面结合附图和具体实施例对本发明进行详细地说明。

附图说明

图1为本发明的方法流程图。

图2为无人机Dubins航迹路径6种飞行情况示例，图2(a)-(f)分别为 LSL,RSR,LSR,RSL,LRL,RLR的路径。

图3为本发明中改进遗传算法的流程图。

图4为ω₁＝1,ω₂＝0时多无人机协同任务分配方法的实例仿真结果，图4(a)为ω₁＝1,ω₂＝0 时随机生成的多无人机协同任务分配结果，图4(b)为ω₁＝1,ω₂＝0时改进遗传算法求得的多无人机协同任务分配结果，图4(c)为ω₁＝1,ω₂＝0时改进遗传算法的适应度函数值变化曲线。

图5为ω₁＝0,ω₂＝1时多无人机协同任务分配方法的实例仿真结果，图5(a)为ω₁＝0,ω₂＝1 时随机生成的多无人机协同任务分配结果，图5(b)为ω₁＝0,ω₂＝1时改进遗传算法求得的多无人机协同任务分配结果，图5(c)为ω₁＝0,ω₂＝1时改进遗传算法的适应度函数值变化曲线

具体实施方式

本实施例是本发明提供一种基于改进遗传算法的多无人机协同任务分配方法，方法流程图如图1所示，包括以下步骤：

步骤一：多无人机协同任务分配模型的构建。

首先，对无人机和目标的编号，无人机编号和目标编号的构造方式分别如公式(1)(2) 所示。

V＝{V₁,V₂,...,V_Nv} (1)

T＝{T₁,T₂,...,T_Nt} (2)

其中，N_v,N_t分别表示无人机数目和目标数目。

其次，获取多架无人机的位置信息及运动学约束条件(最小转弯半径约束) V_i＝(x_i,y_i,r_i),i＝1,2,...,N_v、多个目标点的位置信息及所需任务数目 T_j＝(x_j,y_j,N_A),j＝1,2,...,N_t。其中，x_i,y_i,r_i分别表示第i架无人机的位置横纵坐标和最小转弯半径，x_j,y_j分别表示第j个目标的位置横纵坐标，N_A为目标所需任务数目(本发明实施例中N_A＝3，分别表示对目标执行目标确认、目标攻击、毁伤评估三项任务)。

再次，建立无人机最小转弯半径、目标所需任务数目等约束方程和基于无人机Dubins 航迹路径代价的目标函数，构建多无人机协同任务分配模型。

目标函数的构造方式如公式(3)(4)所示，公式(3)表示求取能使多无人机Dubins航迹的总路径长度最小化的多无人机协同任务分配结果，体现了寻求使多无人机系统总代价最小的结果，公式(4)表示求取能使单无人机Dubins航迹的最大路径长度最小化的多无人机协同任务分配结果，体现了寻求使多无人机代价均衡的结果。

其中，

为决策变量，

表示分配第i,i＝1,2,...,N_v架无人机对第 j,j＝1,2,...,N_t个目标执行第k,k＝1,2,3类任务，

表示无对应任务分配。

为第i架无人机对第j个目标执行第k类任务产生的Dubins航迹路径。

根据Dubins路径的产生规则，无人机与目标间的最短路径将由弧段路径和直线路径组成，共有6种路径情况，{LSL,RSR,LSR,RSL,LRL,RLR}，如图2所示。其中，L,R,S分别表示无人机左转弧段、右转弧段和直行弧段。Dubins路径长度为三段路径长度之和，为便于计算，假设无人机匀速飞行，左转和右转时使用其最小转弯半径。

约束方程的构造方式如公式(5)(6)所示。

公式(5)表示多无人机需对各个目标执行N_A个任务，公式(6)表示对目标的某项任务来说，仅需分配一架无人机。

步骤二：根据模型信息和改进遗传算法的编码方式，生成符合模型约束方程的预定规模N_p的初始种群,其中，个体的染色体编码方式示例如表1和表2所示。

如表1中初始种群编码，染色体第一行表示无人机序号i,i＝1,2,...,N_v，第二行表示无人机执行任务对应的目标j,j＝1,2,...,N_t，第三行表示无人机执行目标任务对应的航向角

其中，

表示航向角的离散程度。此外，令

表示无人机的初始航向角。

编码中令染色体共N_c＝N_tN_A列，表示多无人机需执行的任务总数，使染色体编码满足约束方程(5)；同时第二行中每个目标出现的次数均为N_A，表示每个目标共需执行N_A项任务，而目标出现的顺序表示该目标的任务执行时序，分别表示执行目标确认、目标攻击、毁伤评估三项任务，使染色体编码满足约束方程(6)。

表1、染色体编码示意图

表2、N_v＝4,N_t＝3,N_A＝3时染色体编码示例

4	2	1	1	3	2	4	3	4
									1	3	2	3	2	1	3	1	2
12°	90°	40°	127°	29°	285°	220°	35°	97°

染色体的每一列代表一个单任务分配结果，如表2所示，以4架无人机对3个目标(每个目标需要分别进行目标确认、目标攻击、毁伤评估三项任务)进行协同任务分配为例，染色体第一列表示第4架无人机以12°航向角向第1个目标执行目标确认任务，以此类推则形成了一组多无人机协同任务分配结果，该编码方式使染色体序列满足约束方程(6)。表2中示例染色体的多无人机协同任务分配结果可以同时确认各架无人机的任务执行序列，如表3所示。

表3表2中示例染色体表示的各无人机任务执行序列

无人机V<sub>1</sub>	(2,40°)→(3,127°)
		无人机V<sub>2</sub>	(3,90°)→(1,285°)
无人机V<sub>3</sub>	(2,29°)→(1,35°)
		无人机V<sub>4</sub>	(1,12°)→(3,220°)→(2,97°)

步骤三：多无人机协同任务分配结果的求取。以公式(3)为适应度函数，通过改进遗传算法的精英策略、选择、交叉、变异等遗传操作对初始种群进行最小化适应度函数的寻优过程，在固定迭代次数N_g中求取最佳的可行解，并将其作为多无人机协同任务分配和航迹规划的结果，改进遗传算法的流程图如图3所示。图3中涉及的染色体编码和种群初始化如步骤二所示，精英策略、选择、交叉及变异遗传操作规则如下：

(1)精英策略：本发明中的目的是产生适应度函数值最小的结果，因此精英策略选择父代种群中个体适应度函数值最低的N_e个个体直接存入子代种群，通过保留最优个体来提高遗传算法的收敛速度。

(2)选择操作：通过轮盘赌法选择种群中的个体进行交叉及变异操作。本发明中的目的是最小化适应度函数值，且轮盘赌法中个体被选择的概率与其适应度值成比例，因此，规模为N_p的种群，适应度函数值为f_l,l＝1,2,...,N_p的个体l,l＝1,2,...,N_p被选择的概率p_l,l＝1,2,...,N_p如公式(7)所示，表示适应度函数值越高的个体被选择的概率越小。

其中，个体l,l＝1,2,...,N_p的适应度函数f_l定义如下：

f_l＝ω₁J_l1+ω₂J_l2 (8)

其中，J_l1,J_l2分别表示个体l对应公式(3)(4)的函数值，ω₁,ω₂∈[0,1]分别表示改进遗传算法中适应度函数相对目标函数的权值，ω₁＝1,ω₂＝0表示改进遗传算法以J₁为适应度函数值，算法选择能使多无人机Dubins航迹的总路径长度最小化的多无人机协同任务分配结果，ω₁＝0,ω₂＝1表示改进遗传算法以J₂为适应度函数值，算法选择能使单无人机 Dubins航迹的最大路径长度最小化的多无人机协同任务分配结果。

(3)交叉操作：通过轮盘赌法选择两个父代个体，随机确定交叉位置进行交叉操作，生成交叉后的一对子代个体。其中，子代种群中将有N_c<N_p-N_e个个体由交叉操作产生。本发明中包括3种交叉操作方式，如表4所示。表4显示，这3种交叉操作均避免了对目标序列的交叉，保证了目标的任务执行总数，即，使交叉产生的子代个体满足约束方程(5)。交叉操作的引入，增强了遗传算法的搜索能力。

表4a选择的父代染色体及其交叉位置

父代个体1

父代2

表4b交换无人机及航向角基因生成的子代染色体

子代个体1

子代2

表4c交换无人机基因生成的子代染色体

子代个体1

子代个体2

表4d交换无人机航向角基因生成的子代染色体

子代个体1

子代个体2

例如，交叉操作前如表4a所示，父代个体1中，目标T₂由无人机V₁以航向角

执行目标确认任务，父代个体2中，目标T₃由无人机V₂以航向角

执行毁伤评估任务，交叉操作后如表4b所示，子代个体1中，目标T₂由无人机V₂以航向角

执行目标确认任务，子代个体2中，目标T₃由无人机V₁以航向角

执行目标确认任务，以此类推，如表4c和4d。

(4)变异操作：通过轮盘赌法选择一个父代个体，随机确定变异位置进行变异操作，生成变异后的一个子代个体。其中，子代种群中将有N_m＝N_p-N_e-N_c个子代染色体由变异操作产生。本发明中包括5种变异操作方式，示意图如表5所示。表5显示的是 N_v＝4,N_t＝3,N_A＝3时改进遗传算法中的变异算子，这5种变异操作均能保证使产生的子代个体满足约束方程(5)。变异操作的引入，维持了遗传算法的种群多样性。

表5a选择的父代染色体及其变异位置

父代个体

表5b无人机基因突变生成的子代染色体

子代个体

表5c无人机航向角基因突变生成的子代染色体

子代个体

表5d无人机基因交换生成的子代染色体

子代个体

表5e无人机及目标基因交换生成的子代染色体

子代个体

表5f无人机航向角基因交换生成的子代染色体

子代个体

例如，变异操作前如表a中，父代个体中，目标T₂由无人机V₁以航向角

执行目标确认任务，变异操作后如表5b所示，子代个体中，目标T₂由无人机V₃以航向角

执行目标确认任务，以此类推如表5c、5d、5e、5f所示。

实施例：

下面通过一个具体实例，详细说明如何根据上述改进遗传算法求取多无人机协同任务分配结果。在MATLAB仿真条件下，假设有N_v＝4架无人机，N_t＝5个目标分别需要执行 N_A＝3项任务(分别是目标确认、目标攻击、毁伤评估任务)，在适应度函数如公式(8)中ω₁＝1,ω₂＝0和ω₁＝0,ω₂＝1的两种情况下，对本发明的有益效果进行仿真实验。

已知多无人机信息和多目标信息，首先对无人机和目标的编号，如表6-7所示。

表6多无人机信息

无人机编号V<sub>i</sub>	位置坐标(x<sub>i</sub>,y<sub>i</sub>)/m	初始航向角/°	最小转弯半径r<sub>i</sub>/m
				V<sub>1</sub>	(0,0)	0	850
V<sub>2</sub>	(0,0)	30	1080
				V<sub>3</sub>	(0,0)	60	970
V<sub>4</sub>	(0,0)	90	920

表7多目标信息

如表6所示，假设多无人机从同一基地出发，故初始坐标位置均为(0,0)，同时如表7 所示，假设多目标所需任务数目相同，均需要进行目标确认、目标攻击、毁伤评估三项任务。

通过步骤一构建多无人机协同任务分配模型后，进一步设置步骤二和步骤三中涉及的改进遗传算法的参数，如表8所示，且航向角的离散程度

表8改进遗传算法中的参数设置

染色体长度	种群规模	精英个体数	交叉个体数	变异个体数	迭代次数
						N<sub>c</sub>＝15	N<sub>p</sub>＝100	N<sub>e</sub>＝2	N<sub>c</sub>＝62	N<sub>m</sub>＝36	N<sub>g</sub>＝1000

(1)在上述条件下，对应公式(8)中ω₁＝1,ω₂＝0的适应度函数下，随机生成的多无人机协同任务分配结果和通过改进遗传算法求得的多无人机协同任务分配结果如表9-10和图7所示。

表9ω₁＝1,ω₂＝0时随机生成的多无人机协同任务分配结果

2	1	4	3	2	3	2	1	1	1	2	4	2	3	2
															3	5	4	4	1	5	2	2	3	5	1	3	2	1	4
302	276	46	34	238	136	39	225	224	329	219	175	208	354	187

表10ω₁＝1,ω₂＝0时改进遗传算法求得的多无人机协同任务分配结果

1	2	2	1	1	4	4	2	4	4	1	4	2	2	1
															5	4	3	1	2	4	3	2	2	1	3	5	1	5	4
43	38	113	351	341	36	119	160	131	172	288	217	167	200	260

从图4(a)(b)可以看出，通过本实施例提出的改进遗传算法求得的多无人机协同任务分配结果在ω₁＝1,ω₂＝0条件下的多无人机总航迹路径为77460.2491m，路径长度远小于随机生成的多无人机协同任务分配结果的多无人机总航迹路径133908.2707m；从图4(b)(c) 可以看出，本实施例提出的改进遗传算法在迭代次数为152时求得了最佳的多无人机协同任务分配结果。该结果表明，在ω₁＝1,ω₂＝0条件下，本发明提出的改进遗传算法对多无人机协同任务分配具有良好的搜索能力和收敛速度。

(2)在上述条件下，对应公式(8)中ω₁＝0,ω₂＝1的适应度函数下，随机生成的多无人机协同任务分配结果和通过改进遗传算法求得的多无人机协同任务分配结果如表11-12和图5所示。

表11ω₁＝0,ω₂＝1时随机生成的多无人机协同任务分配结果

1	1	1	2	2	2	2	3	3	3	3	4	4	4	4
															1	3	2	5	2	3	2	5	1	5	4	4	1	4	3
357	337	178	219	170	140	220	263	18	12	15	131	230	148	243

表12ω₁＝0,ω₂＝1时改进遗传算法求得的多无人机协同任务分配结果

3	4	2	1	4	2	2	1	4	3	4	1	1	2	3
															4	5	5	4	1	1	2	3	2	3	3	2	1	5	4
107	163	43	22	23	2	265	57	244	282	333	189	334	159	236

从图5(a)(b)可以看出，通过本实施例提出的改进遗传算法求得的多无人机协同任务分配结果在ω₁＝0,ω₂＝1条件下的单无人机最大航迹路径为25117.9774m，路径长度远小于随机生成的多无人机协同任务分配结果的单无人机最大航迹路径43889.5396m；从图 5(b)(c)可以看出，本实施例提出的改进遗传算法在迭代次数为398时求得了最佳的多无人机协同任务分配结果。该结果表明，在ω₁＝0,ω₂＝1条件下，本发明提出的改进遗传算法对多无人机协同任务分配仍然具有良好的搜索能力和收敛速度。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims

1.一种基于改进遗传算法的多无人机协同任务分配方法，其特征在于：包括以下步骤：

步骤一：构建多无人机协同任务分配模型；

步骤二：根据多无人机协同任务分配模型信息和改进遗传算法的编码方式，生成符合模型约束条件的预定规模的初始种群；

步骤三：多无人机协同任务分配结果的求取，以无人机Dubins航迹路径代价为适应度函数，通过改进遗传算法的精英策略、选择、交叉、变异等遗传操作对初始种群进行最小化适应度函数的寻优过程，在固定迭代次数中求取最佳的可行解，并将其作为多无人机协同任务分配和航迹规划的结果。

2.根据权利要求1所述的基于改进遗传算法的多无人机协同任务分配方法，其特征在于：所述的步骤一中，对无人机和目标分别进行编号，获取多架无人机的位置信息及运动学约束条件、多个目标点的位置信息及所需任务数目，建立约束方程和目标函数，构建多无人机协同任务分配模型；所述的约束方程包括无人机最小转弯半径、目标所需任务数目；所述的目标函数为基于无人机Dubins航迹路径代价的目标函数，所述的运动学约束条件包括最小转弯半径约束。

3.根据权利要求1所述的基于改进遗传算法的多无人机协同任务分配方法，其特征在于：所述的步骤2中，初始种群编码中，染色体包括无人机序号、目标序号及无人机航向角，表示某无人机以某航向角在某目标执行任务，且该目标序号在染色体中出现的顺序表示该目标的任务执行时序。