CN111665866B - 一种基于性能影响算法的多无人机任务分配方法 - Google Patents

一种基于性能影响算法的多无人机任务分配方法 Download PDF

Info

Publication number
CN111665866B
CN111665866B CN202010585260.5A CN202010585260A CN111665866B CN 111665866 B CN111665866 B CN 111665866B CN 202010585260 A CN202010585260 A CN 202010585260A CN 111665866 B CN111665866 B CN 111665866B
Authority
CN
China
Prior art keywords
task
unmanned aerial
tasks
list
aerial vehicle
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
CN202010585260.5A
Other languages
English (en)
Other versions
CN111665866A (zh
Inventor
张安
杨咪
郭褚冰
毕文豪
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.)
Northwestern Polytechnical University
CETC 20 Research Institute
Original Assignee
Northwestern Polytechnical University
CETC 20 Research Institute
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 Northwestern Polytechnical University, CETC 20 Research Institute filed Critical Northwestern Polytechnical University
Priority to CN202010585260.5A priority Critical patent/CN111665866B/zh
Publication of CN111665866A publication Critical patent/CN111665866A/zh
Application granted granted Critical
Publication of CN111665866B publication Critical patent/CN111665866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于性能影响算法的多无人机任务分配方法，在基本性能影响算法的基础上添加了一个新的任务修剪阶段，利用此阶段对任务列表中的任务进行分类与选择性删除，解决了在无人机自身资源有限的条件下保证部分重要任务分配的多无人机任务分配问题，能够分配所有的重要任务，通过实例验证了本发明所提算法的有效性。

Description

一种基于性能影响算法的多无人机任务分配方法
技术领域
本发明涉及多无人机任务分配领域，尤其是在无人机资源有限条件下的任务分配问题。
背景技术
近年来，无人机种类和能力不断发展，任务类型越来越广泛，单架无人机很难独自完成复杂任务环境中的多类型任务，因此采用多无人机协同完成各类复杂任务引起了各科研院所的关注，其中任务分配技术是多无人机协同执行任务的关键技术之一。多无人机任务分配是指在给定多无人机集合和任务集合的情况下，无冲突地将各任务分配给各无人机，同时优化全局目标。
很多传统的多无人机任务分配算法都忽略了无人机自身有限的执行任务的能力，如无人机自身电量和作战资源的约束，即这些任务分配算法假设无人机可以执行无限多的任务，导致所提出的算法不能适用于实际环境中的多无人机任务分配问题。除此之外，现有的大部分任务分配算法假设所有任务的重要性相同，但当各无人机能力有限且多无人机系统无法执行所有的任务时，某些高价值的重要任务的分配必须被保证。因此，现有的多无人机任务分配算法无法直接应用到实际任务环境中。
发明内容
为了克服现有技术的不足，本发明提供一种基于性能影响算法的多无人机任务分配方法，在无人机有限能力约束的条件下保证重要任务的分配。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1：设任务环境中有Nt个任务，其中重要任务为|T1|个，Nu个无人机，每个无人机最多能够执行Lt个任务，其中Nt＞Nu·Lt，根据任务环境中的实际信息，确定每个无人机vi的类型和位置坐标
Figure GDA0003848193760000011
其中i＝1,...,Nu，初始化各无人机的任务列表ai为空；根据任务环境确定各无人机的巡航速度Vi，并根据每个任务对整体任务环境的重要程度确定自身的静态回报
Figure GDA0003848193760000012
确定每个任务tj,j＝1,...,Nt的位置坐标
Figure GDA0003848193760000013
每个任务的类型，并确定任务是否为重要任务；
步骤2：每个无人机独立执行任务添加阶段；首先每个无人机vi根据自身类型和所有任务的类型确定自身能够执行的未分配任务的集合Mi，然后根据公式(1)计算集合Mi中所有任务的添加性能影响值，即添加任务tk后，整个任务分配方案获得总收益的变化值：
Figure GDA0003848193760000021
其中，
Figure GDA0003848193760000022
为无人机vi添加任务tk所获得的添加性能影响值，
Figure GDA0003848193760000023
表示在任务列表ai的第l个位置添加任务tk，
Figure GDA0003848193760000024
表示当无人机vi顺着自身的任务列表ai执行任务tz时获得的回报，λ为任务回报的消减参数，τiz为无人机vi顺着任务列表ai到达任务tz的时间，τzstart为任务tz的最晚可被执行的时间，若任务到达时间τiz晚于任务最晚开始时间，则添加性能影响值为0；最终无人机vi针对所有任务形成添加性能影响列表
Figure GDA0003848193760000025
定义
Figure GDA0003848193760000026
即表示列表
Figure GDA0003848193760000027
的第k个元素为无人机vi添加任务tk产生的添加性能影响值；至此所有无人机都得到自身的添加性能影响列表，来记录若自身添加所有任务可能得到的添加性能影响值；
然后按照公式(2)计算无人机vi从自身任务列表ai中删除任务tk所获得的移除性能影响值：
Figure GDA0003848193760000028
其中
Figure GDA0003848193760000029
为无人机vi删除任务tk所获得的删除性能影响值，
Figure GDA00038481937600000210
表示从任务列表ai中删除任务tk；若任务tk未被分配，则无人机vi删除任务tk的删除性能影响值为0；无人机vi针对所有任务计算出删除性能影响值，形成删除性能影响列表
Figure GDA00038481937600000211
其中
Figure GDA00038481937600000212
表示列表γi的第k个元素为无人机vi删除任务tk产生的删除性能影响值；至此所有无人机都得到了自身的删除性能影响列表，来记录若自身删除所有任务所可能得到的删除性能影响值；
步骤3：每个无人机vi根据公式(3)选出最大添加性能影响值与删除性能影响值差值的任务tg：
Figure GDA0003848193760000031
将任务tg添加至自身任务列表ai中的对应位置，该位置为计算任务tg的添加性能影响值时所计算出来的最佳插入位置；
无人机vi在每添加一个任务之后，形成新的任务列表ai，然后更新所有任务的删除性能影响值，每个无人机在忽略自身有限能力Lt约束的前提下，局部地添加任务至自身任务列表直至无法再添加任何任务；此时，每个无人机得到初步的任务列表，形成初步全局任务方案
Figure GDA0003848193760000032
步骤4：定义一个获胜无人机列表
Figure GDA0003848193760000033
其中βi,j表示无人机vi认为任务tj被分配给的无人机的序号；
首先每个无人机vi利用全连接通信网络与其他无人机vj进行通讯，其中j≠i，在接收到其他无人机vj的删除性能影响列表γj和无人机vj认为的获胜无人机列表βj后，无人机vi首先比对自身获胜无人机列表βi与无人机vj的获胜无人机列表βj，确定自身任务列表ai中的冲突任务集合Ci＝ai[βi(ai)≠vi]，然后确定删除性能影响列表γi中任务tk∈Ci的删除性能影响值γi,k，并确定无人机vj删除性能影响列表γj中冲突任务tk∈Ci的删除性能影响值γj,k，通过比较γi,k与γj,k的大小后利用冲突消解程序的决策规则更新γi,k的值和对应的获胜无人机βi,k；
除此之外，每个无人机在与其他无人机通讯后，定义一个新的仅次于获胜删除性能影响值大小的第二删除性能影响列表ui及与ui对应的第二获胜无人机列表ξi，用以在任务修剪阶段保证重要任务的分配；同时，定义一个时间戳si表示无人机vi最后更新删除性能影响列表γi、获胜无人机列表βi、第二删除性能影响列表ui与第二获胜无人机列表ξi的时间；无人机vi在接收到vj传来的信息后按照冲突消解程序的决策规则的更新规则更新五个列表信息γi、βi、ui、ξi与si，更新规则为冲突消解程序的决策规则，直至所有无人机对上述五个信息列表达到一致；
步骤5：在冲突任务删除阶段，每个无人机vi在得到经步骤4更新后达到一致的删除性能影响列表γi ◇、获胜无人机列表βi ◇、第二删除性能影响列表ui与第二获胜无人机列表ξi之后，根据公式(4)选择冲突任务集合中删除性能影响值最大的冲突任务tz：
Figure GDA0003848193760000041
无人机vi将冲突任务tz从任务列表ai和冲突任务集合Ci中删除，然后重新计算更新γi ◇，重复计算公式(4)直至冲突任务集合Ci为空；
步骤6：重复步骤2-步骤5，若在五个迭代循环中所有无人机都不能再添加任何任务，则得到一个不考虑无人机有限能力约束的无冲突多无人机任务分配方案
Figure GDA0003848193760000042
由于步骤2-5得到的多无人机任务分配方案未考虑各无人机自身存在的有限能力Lt约束，因此首先判断是否所有无人机都满足|ai|≤Lt，若满足，则直接输出步骤5所得到的无冲突任务分配方案
Figure GDA0003848193760000043
为最终结果；若无人机vi满足|ai|>Lt，则所有无人机执行新一轮的任务修剪阶段并确定自身需要删除的任务数量nid＝|ai|-Lt，使最终输出的多无人机任务分配方案能够在满足能力限制的同时保证重要任务的分配；
所述任务修剪阶段中，每个无人机根据是否为重要任务、此任务是否具有第二获胜无人机、此任务的第二获胜无人机的任务列表长度，这个三项因素将自身任务列表中的所有任务分类成6个集合χi1～χi6，其中χi1集合中存储的任务为非重要任务，此任务有对应的第二获胜无人机，且第二获胜无人机的任务数量未超过最大可执行任务数量；其中χi2集合中存储的任务为：非重要任务，此任务有对应的第二获胜无人机，但第二获胜无人机的任务数量已满或超过最大可执行任务数量；其中χi3集合中存储的任务为：非重要任务，此任务无对应的第二获胜无人机；其中χi4集合中存储的任务为：重要任务，此任务有对应的第二获胜无人机，且第二获胜无人机的任务数量未超过最大可执行任务数量；其中χi5集合中存储的任务为：重要任务，此任务有对应的第二获胜无人机，但第二获胜无人机的任务数量已满或超过最大可执行任务数量；其中χi6集合中存储的任务为：非重要任务，此任务无对应的第二获胜无人机，如公式(5)所示：
Figure GDA0003848193760000051
无人机vi按χi1至χi6的顺序依次删除各个集合任务，直至删除后的任务列表长度|ai'|满足|ai'|＝Lt；其中，若无人机vi在集合χij,j＝1,...,6中需要删除的任务数量nid,j<|χij|，则按公式(6)选择并删除集合χij中对全局回报损失最小的任务：
Figure GDA0003848193760000052
如果nid,j≥|χij|，则删除集合χij中的所有任务，且下一个任务集合χi(j+1)中要删除的任务数量为nid,j+1＝nid,j-|χij|；
无人机vi选择集合χij中的任务tq进行删除，其中删除任务tq产生的删除性能影响值γi,q与任务tq的第二获胜无人机ξi,q添加任务tq所产生的添加性能影响值
Figure GDA0003848193760000053
的差值最小；无人机vi在删除任务tq后，更新自身的删除性能影响值列表γi，然后重复计算公式(6)，直至删除nid,j个任务，使得无人机vi满足有限能力约束Lt；
步骤7：在完成步骤6后，再次重复步骤2-5，直至在步骤2-5中达到内循环的收敛条件：若在五个迭代循环中所有无人机都不能再添加任何任务，则任务分配结果收敛并输出当前不满足有限能力约束的任务分配结果；然后进入步骤6，当所有无人机完成步骤6之后，再次进入步骤2-步骤5；为避免陷入无限循环，限定每个无人机在步骤6的任务修剪阶段中删除非重要任务
Figure GDA0003848193760000054
后，则在下一个步骤2-步骤5的循环中，不允许再次添加此非重要任务tm；对于在任务修剪阶段删除的重要任务tn∈T1，限定此重要任务只能被同一个无人机添加3次，以保证最终任务分配方案的收敛。
本发明的有益效果在基本性能影响算法的基础上添加了一个新的任务修剪阶段，利用此阶段对任务列表中的任务进行分类与选择性删除，解决了在无人机自身资源有限的条件下保证部分重要任务分配的多无人机任务分配问题，能够分配所有的重要任务，通过实例验证了本发明所提算法的有效性。
附图说明
图1是本发明基于性能影响算法的多无人机任务分配方法流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明包括以下几个步骤：
步骤1：设任务环境中有Nt个任务，其中重要任务为|T1|个，Nu个无人机，每个无人机最多能够执行Lt个任务，其中Nt＞Nu·Lt，根据任务环境中的实际信息，确定每个无人机vi的类型和位置坐标
Figure GDA0003848193760000061
其中i＝1,...,Nu，初始化各无人机的任务列表ai为空；根据任务环境确定各无人机的巡航速度Vi，并根据每个任务对整体任务环境的重要程度确定自身的静态回报
Figure GDA0003848193760000062
确定每个任务tj,j＝1,...,Nt的位置坐标
Figure GDA0003848193760000063
每个任务的类型，并确定任务是否为重要任务；
步骤2：每个无人机独立执行任务添加阶段；首先每个无人机vi根据自身类型和所有任务的类型确定自身能够执行的未分配任务的集合Mi，然后根据公式(1)计算集合Mi中所有任务的添加性能影响值，即添加任务tk后，整个任务分配方案获得总收益的变化值：
Figure GDA0003848193760000064
其中，
Figure GDA0003848193760000065
为无人机vi添加任务tk所获得的添加性能影响值，
Figure GDA0003848193760000066
表示在任务列表ai的第l个位置添加任务tk，
Figure GDA0003848193760000067
表示当无人机vi顺着自身的任务列表ai执行任务tz时获得的回报，λ为任务回报的消减参数，τiz为无人机vi顺着任务列表ai到达任务tz的时间，τzstart为任务tz的最晚可被执行的时间，若任务到达时间τiz晚于任务最晚开始时间，则添加性能影响值为0；最终无人机vi针对所有任务形成添加性能影响列表
Figure GDA0003848193760000071
定义
Figure GDA0003848193760000072
即表示列表
Figure GDA0003848193760000073
的第k个元素为无人机vi添加任务tk产生的添加性能影响值；至此所有无人机都得到自身的添加性能影响列表，来记录若自身添加所有任务可能得到的添加性能影响值；
然后按照公式(2)计算无人机vi从自身任务列表ai中删除任务tk所获得的移除性能影响值：
Figure GDA0003848193760000074
其中
Figure GDA0003848193760000075
为无人机vi删除任务tk所获得的删除性能影响值，
Figure GDA0003848193760000076
表示从任务列表ai中删除任务tk；若任务tk未被分配，则无人机vi删除任务tk的删除性能影响值为0；无人机vi针对所有任务计算出删除性能影响值，形成删除性能影响列表
Figure GDA0003848193760000077
其中
Figure GDA0003848193760000078
表示列表γi的第k个元素为无人机vi删除任务tk产生的删除性能影响值；至此所有无人机都得到了自身的删除性能影响列表，来记录若自身删除所有任务所可能得到的删除性能影响值；
步骤3：每个无人机vi根据公式(3)选出最大添加性能影响值与删除性能影响值差值的任务tg：
Figure GDA0003848193760000079
将任务tg添加至自身任务列表ai中的对应位置，该位置为计算任务tg的添加性能影响值时所计算出来的最佳插入位置；
无人机vi在每添加一个任务之后，形成新的任务列表ai，然后更新所有任务的删除性能影响值，每个无人机在忽略自身有限能力Lt约束的前提下，局部地添加任务至自身任务列表直至无法再添加任何任务；此时，每个无人机得到初步的任务列表，形成初步全局任务方案
Figure GDA00038481937600000710
步骤4：定义一个获胜无人机列表
Figure GDA00038481937600000711
其中βi,j表示无人机vi认为任务tj被分配给的无人机的序号；
首先每个无人机vi利用全连接通信网络与其他无人机vj进行通讯，其中j≠i，在接收到其他无人机vj的删除性能影响列表γj和无人机vj认为的获胜无人机列表βj后，无人机vi首先比对自身获胜无人机列表βi与无人机vj的获胜无人机列表βj，确定自身任务列表ai中的冲突任务集合Ci＝ai[βi(ai)≠vi]，然后确定删除性能影响列表γi中任务tk∈Ci的删除性能影响值γi,k，并确定无人机vj删除性能影响列表γj中冲突任务tk∈Ci的删除性能影响值γj,k，通过比较γi,k与γj,k的大小后利用冲突消解程序的决策规则更新γi,k的值和对应的获胜无人机βi,k；
除此之外，每个无人机在与其他无人机通讯后，定义一个新的仅次于获胜删除性能影响值大小的第二删除性能影响列表ui及与ui对应的第二获胜无人机列表ξi，用以在任务修剪阶段保证重要任务的分配；同时，定义一个时间戳si表示无人机vi最后更新删除性能影响列表γi、获胜无人机列表βi、第二删除性能影响列表ui与第二获胜无人机列表ξi的时间；无人机vi在接收到vj传来的信息后按照冲突消解程序的决策规则的更新规则更新五个列表信息γi、βi、ui、ξi与si，更新规则为冲突消解程序的决策规则，直至所有无人机对上述五个信息列表达到一致；
步骤5：在冲突任务删除阶段，每个无人机vi在得到经步骤4更新后达到一致的删除性能影响列表γi ◇、获胜无人机列表βi ◇、第二删除性能影响列表ui与第二获胜无人机列表ξi之后，根据公式(4)选择冲突任务集合中删除性能影响值最大的冲突任务tz：
Figure GDA0003848193760000081
无人机vi将冲突任务tz从任务列表ai和冲突任务集合Ci中删除，然后重新计算更新γi ◇，重复计算公式(4)直至冲突任务集合Ci为空；
步骤6：重复步骤2-5，若在五个迭代循环中所有无人机都不能再添加任何任务，则得到一个不考虑无人机有限能力约束的无冲突多无人机任务分配方案
Figure GDA0003848193760000082
由于步骤2-5得到的多无人机任务分配方案未考虑各无人机自身存在的有限能力Lt约束，因此首先判断是否所有无人机都满足|ai|≤Lt，若满足，则直接输出步骤5所得到的无冲突任务分配方案
Figure GDA0003848193760000083
为最终结果；若无人机vi满足|ai|>Lt，则所有无人机执行新一轮的任务修剪阶段并确定自身需要删除的任务数量nid＝|ai|-Lt，使最终输出的多无人机任务分配方案能够在满足能力限制的同时保证重要任务的分配。
所述任务修剪阶段中，每个无人机根据是否为重要任务、此任务是否具有第二获胜无人机、此任务的第二获胜无人机的任务列表长度，这个三项因素将自身任务列表中的所有任务分类成6个集合χi1～χi6，其中χi1集合中存储的任务为非重要任务，此任务有对应的第二获胜无人机，且第二获胜无人机的任务数量未超过最大可执行任务数量；其中χi2集合中存储的任务为：非重要任务，此任务有对应的第二获胜无人机，但第二获胜无人机的任务数量已满或超过最大可执行任务数量；其中χi3集合中存储的任务为：非重要任务，此任务无对应的第二获胜无人机；其中χi4集合中存储的任务为：重要任务，此任务有对应的第二获胜无人机，且第二获胜无人机的任务数量未超过最大可执行任务数量；其中χi5集合中存储的任务为：重要任务，此任务有对应的第二获胜无人机，但第二获胜无人机的任务数量已满或超过最大可执行任务数量；其中χi6集合中存储的任务为：非重要任务，此任务无对应的第二获胜无人机，如公式(5)所示：
Figure GDA0003848193760000091
无人机vi按χi1至χi6的顺序依次删除各个集合任务，直至删除后的任务列表长度|ai'|满足|ai'|＝Lt；其中，若无人机vi在集合χij,j＝1,...,6中需要删除的任务数量nid,j<|χij|，则按公式(6)选择并删除集合χij中对全局回报损失最小的任务：
Figure GDA0003848193760000092
如果nid,j≥|χij|，则删除集合χij中的所有任务，且下一个任务集合χi(j+1)中要删除的任务数量为nid,j+1＝nid,j-|χij|；
无人机vi选择集合χij中的任务tq进行删除，其中删除任务tq产生的删除性能影响值γi,q与任务tq的第二获胜无人机ξi,q添加任务tq所产生的添加性能影响值
Figure GDA0003848193760000101
的差值最小；无人机vi在删除任务tq后，更新自身的删除性能影响值列表γi，然后重复计算公式(6)，直至删除nid,j个任务，使得无人机vi满足有限能力约束Lt；
步骤7：在完成步骤6后，再次重复步骤2-5，直至在步骤2-5中达到内循环的收敛条件：若在五个迭代循环中所有无人机都不能再添加任何任务，则任务分配结果收敛并输出当前不满足有限能力约束的任务分配结果；然后进入步骤6，当所有无人机完成步骤6之后，再次进入步骤2-步骤5；为避免陷入无限循环，限定每个无人机在步骤6的任务修剪阶段中删除非重要任务
Figure GDA0003848193760000102
后，则在下一个步骤2-步骤5的循环中，不允许再次添加此非重要任务tm；对于在任务修剪阶段删除的重要任务tn∈T1，限定此重要任务只能被同一个无人机添加3次，以保证最终任务分配方案的收敛。
实施例：
1.初始化多无人机和任务的信息
设定一个多无人机任务分配场景，其中待分配任务数量Nt＝30，重要任务数量|T1|＝8，无人机数量Nu＝4，每个无人机最多能执行Lt＝4个任务，限定无人机和任务都平均分成识别和打击两类，随机选取8个任务为重要任务，假设每个无人机都能自主识别任务的类型和重要性质，并能够实时确定自身的位置。依据表1的具体参数随机生成所有无人机的参数如表2所示，生成所有任务的参数如表3所示：
表1任务分配场景参数
Figure GDA0003848193760000103
表2所有无人机的初始参数
Figure GDA0003848193760000104
Figure GDA0003848193760000111
表3所有任务的属性及参数
序号 类型 重要性 执行时常 时间窗口 静态回报 位置坐标
1 探测 不重要 300s (0,2624.6) 100 (9884.5,8316.2,61.222)
2 探测 不重要 300s (0,3175.7) 100 (4241.9,4285.2,96.160)
3 探测 不重要 300s (0,1811.87) 100 (6970.7,7057.3,185.920)
4 探测 不重要 300s (0,2571) 100 (8424.3,7669.4,912.720)
5 探测 不重要 300s (0,552.62) 100 (2816.5,3153.9,779.91)
6 探测 不重要 300s (0,3185.6) 100 (9067,9593.2,211.7379)
7 探测 不重要 300s (0,2334.8) 100 (4101.2,9144.3,750,11)
8 探测 不重要 300s (0,945.2) 100 (6195.8,2122.1,636.411)
9 探测 不重要 300s (0,1789.23) 100 (8746.4,916.118,719.989)
10 探测 不重要 300s (0,2878.9) 100 (127.18,7562.5,241.09)
11 探测 不重要 300s (0,492.76) 100 (9605.8,5443.5,831.21)
12 探测 重要 300s (0,2149) 100 (6317.6,559.84,932.81)
13 探测 不重要 300s (0,2629.7) 100 (5312.4,6251.7,303.79)
14 探测 重要 300s (0,3029.5) 100 (4765.3,476.74,271.33)
15 探测 不重要 300s (0,1087.5) 100 (1127.3,6075,279.84)
16 打击 不重要 350s (0,1608.2) 100 (7706.3,9638.1,702,14)
17 打击 不重要 350s (0,2994.1) 100 (3749.4,6421.1,988.12)
18 打击 不重要 350s (0,1708.3) 100 (4278.8,3107.4,654.77)
19 打击 不重要 350s (0,2826.3) 100 (9213.8,5820.2,948.7873)
20 打击 不重要 350s (0,1155.2) 100 (1258.6,3666.9,955.32)
21 打击 不重要 350s (0,526.06) 100 (3654.6,2389.8,585.77)
22 打击 重要 350s (0,1717.34) 100 (89.826,9704.8,907.91)
23 打击 重要 350s (0,1208.7) 100 (4958.5,7560.3,668.20)
24 打击 重要 350s (0,2044.3) 100 (7745,447.71,464.76)
25 打击 不重要 350s (0,1112.7) 100 (8706.1,4143,216.91)
26 打击 不重要 350s (0,2481.2) 100 (5463.3,1824.1,834.95)
27 打击 不重要 350s (0,603.51) 100 (2243.6,8451.1,825.66)
28 打击 重要 350s (0,2682.7) 100 (5832.6,8560.7,0.2753)
29 打击 重要 350s (0,2232.6) 100 (7426.1,256.7,439.45)
30 打击 重要 350s (0,2998.3) 100 (6549.8,2112.6,377.73)
2.每个无人机执行任务添加阶段
以能够执行任务的无人机v1为例，按以下步骤计算其对所有任务的添加性能影响值和删除性能影响值。
(a)确定无人机v1能执行的未分配任务集合M1为{t1～t15}，则无人机v1对于不能执行的任务t15～t30的添加性能影响值为0；由公式(1)计算任务t1～t15的添加性能影响，此时任务t1～t15的最佳插入位置都为1(即插入无人机v1的任务列表a1的第一个位置)。以无人机v1添加任务t1为例，首先判断无人机v1到达任务t1的时刻计算如下：
Figure GDA0003848193760000121
可知无人机v1到达任务t1的时刻早于任务t1的最晚开始时间τ1start＝2624.6s，则根据公式(1)可得到无人机v1添加任务t1的添加性能影响值如下：
Figure GDA0003848193760000122
则用相同方法可得到剩余任务t2～t15分别插入无人机v1的任务列表a1的第一个位置所产生的添加性能影响影响分别为54.46，43.5，0，68.3，0，89.4，0，0，83.32，78.3，23.2，54.3，23.74，93.32。
(b)由于此时所有任务都未被分配，因此根据公式(2)所有任务的删除性能影响值都为0。然后根据公式(3)添加其中添加性能影响值最大的任务t1至无人机v1的任务列表a1的第一个位置并更新任务列表，同时将t1从未分配任务集合M1中删除。
(c)无人机v1当前的任务列表为a1＝{t1}，此时再次根据公式(1)计算添加剩余未分配任务t2～t15产生的添加性能影响值。若无人机v1以当前的任务列表a1＝{t1}添加任务t2，则无人机v1到达任务t2的时间为：
Figure GDA0003848193760000123
由于τ12<τ2start，则任务t2可添加至无人机v1当前的任务列表a1＝{t1}的第二个位置，由此产生的添加性能影响值为：
Figure GDA0003848193760000124
大于任务t2插入当前任务列表a1＝{t1}第一个位置的添加性能影响值43.5。因此任务t2插入无人机v1当前的任务列表a1＝{t1}的最佳位置为第二个位置，且添加性能影响值为
Figure GDA0003848193760000125
同样可计算出任务t3～t15插入无人机v1当前的任务列表a1＝{t1}的添加性能影响值分别为：62.5，0，45.3，0，56.4，0，0，23.32，65，43.53，45.3，53.74，34.65，选择添加性能影响最高的任务t2插入无人机v1当前的任务列表a1＝{t1}的最佳位置为第二个位置。
(d)每个无人机重复步骤(a)至(c)，初步完成自身任务列表的构建，得到初步多无人机任务分配结果A0＝[a1,a2,a3,a4]T，其中a1＝{t1,t2,t6,t14,t10,t7}，a2＝{t1,t2,t8,t12}，a3＝{t16,t20,t29,t18,t25,t24}，a4＝{t16,t20,t24,t17}。
3.每个无人机与其他无人机进行通信
假设每个无人机都可与多无人机团队中的任一无人机进行通信，通信的列表信息包括以下内容：
γ1＝[99.02,99.18,0,0,0,89.56,92.32,0,0,93.13,0,0,0,90.54,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]T
β1＝[1,1,0,0,0,1,1,0,0,1,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]T
u1＝zeros(1,30),ξ1＝zeros(1,30),s1＝zeros(1,30)
γ2＝[98.03,99.56,0,0,0,0,0,89.76,0,0,0,93.56,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]T
β2＝[2,2,0,0,0,0,0,2,0,0,0,2,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]T
u2＝zeros(1,30),ξ2＝zeros(1,30),s2＝zeros(1,30)
γ3＝[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,99.31,0,98.92,0,99.21,0,0,0,95.32,91.43,0,0,0,97.76,0]T
β3＝[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,3,0,3,0,3,0,0,0,3,3,0,0,0,3,0]T
u3＝zeros(1,30),ξ3＝zeros(1,30),s3＝zeros(1,30)
γ4＝[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,99.13,98.91,0,0,98.32,0,0,0,99.87,0,0,0,0,0,0]T
β4＝[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,4,4,0,0,4,0,0,0,4,0,0,0,0,0,0]T
u4＝zeros(1,30),ξ4＝zeros(1,30),s4＝zeros(1,30)
以无人机v1为例，首先创建更新的两个信息列表：获胜删除影响性能列表γ1 ◇＝γ1和获胜无人机列表β1 ◇＝β1，当无人机v1接收到无人机v2的信息，由于两架无人机v1和v2在任务添加阶段都添加了任务t1和t2，而γ1,1>γ2,1,γ1,2<γ2,2，因此可判定无人机v1赢得任务t1而无人机v2赢得任务t2，则更新
Figure GDA0003848193760000131
同时更新u1,1＝u2,1＝98.03,ξ1,1＝ξ2,1＝1,u1,2＝u2,2＝99.18,ξ1,2＝ξ2,2＝2。
无人机v1在完成与所有无人机的通信之后，得到更新后的获胜删除性能影响值列表和获胜无人机列表分别为：
γ1 ◇＝[99.02,99.56,0,0,0,89.56,92.32,89.76,0,93.13,0,0,0,90.54,93.56,99.31,
98.91,98.92,98.32,99.21,0,0,99.87,91.43,0,0,0,97.76,0]T
β1 ◇＝[1,2,0,0,0,1,1,2,0,1,0,2,0,1,0,3,4,3,0,4,0,0,0,4,3,0,0,0,3,0]T
u1＝[98.03,99.18,0,0,0,0,0,0,0,0,0,0,0,0,0,99.13,0,0,0,98.32,0,0,0,91.43,0,0,0,0,0,0]T
ξ1＝[2,1,0,0,0,0,0,0,0,0,0,0,0,0,0,4,0,0,0,4,0,0,0,3,0,0,0,0,0,0]T。
同理，其他无人机vi在进行通信后，都可得到更新后的γi ◇、βi ◇、ui与ξi，并达到全局一致，即分别与γ1 ◇、β1 ◇、u1与ξ1相等。
4.各无人机进行冲突任务删除阶段
以无人机v1为例，其对比原始获胜无人机列表γ1和更新后的获胜无人机列表γ1 ◇可得到自身的冲突任务集合C1＝[t2]，根据|C1|＝1和公式(4)，可得到：
Figure GDA0003848193760000141
则将任务t2从无人机v1的任务列表a1中删除，相应地更新γ1,2＝0,β1,2＝0。
同理，其他无人机按相同的方法删除各自任务列表中的冲突任务，由此得到一个初始的无冲突多无人机任务分配方案：a1＝{t1,t6,t14,t10,t7}，a2＝{t2,t8,t12}，a3＝{t16,t20,t29,t18,t25}，a4＝{t24,t17}。
5.为了进一步提高整体方案的回报，各无人机迭代循环执行步骤3-4，直至所有无人机都不能再添加任何任务，所有无人机对最终的任务分配方案达成一致：a1＝{t1,t6,t14,t10,t7,t9}，a2＝{t2,t8,t3,t12}，a3＝{t16,t20,t29,t18,t25,t19}，a4＝{t17,t30,t28}。
由于每个无人机最多能执行Lt＝4个任务，因此无人机v1、v2和v3都违反了有限能力的约束，因此所有无人机执行任务修剪阶段。
以无人机v1执行任务修剪阶段为例，首先确定无人机v1需要删除的任务数量n1d＝|a1|-Lt＝6-4＝2，然后依据公式(5)对任务列表a1中的任务进行分类，可得到χ11＝φ,χ12＝{t1},χ13＝{t6,t7,t9,t10},χ14＝φ,χ15＝φ,χ16＝{t14}。无人机v1按χ11至χ16的顺序依次删除任务，由于χ11＝φ，因此首先删除集合χ12中的任务t1，然后更新当前的删除性能影响值列表γ1、获胜无人机列表β1。然后在χ13中再选择一个任务删除，由于χ13中的所有任务t6,t7,t9,t10都没有第二获胜无人机，所以每个任务的第二获胜无人机添加自己的添加性能影响值非别为
Figure GDA0003848193760000151
同时有γ1,6＝92.32,γ1,7＝89.76,γ1,9＝93.13,γ1,10＝96.28，因此依据公式(6)选择对全局回报损失最小的任务tq＝t7进行删除。至此，共从无人机v1的任务列表a1中删除了2个任务，已经满足|a1'|≤Lt的约束，无人机v1的任务修剪阶段结束。同理，可完成其他无人机的任务修剪阶段，此时得到的任务分配方案a1＝{t6,t14,t10,t9}，a2＝{t2,t8,t3,t12}，a3＝{t16,t20,t29,t18}，a4＝{t17,t30,t28}。
6.此时的多无人机任务分配方案并没有包含所有的重要任务，因此再次重复步骤2-5，直至所有重要任务t12,t14,t22,t23,t24,t28,t29,t30都被分配，得到一个满足无人机能力约束的无冲突多无人机任务分配方案：a1＝{t6,t14,t9,t10}，a2＝{t2,t8,t3,t12}，a3＝{t16,t20,t22,t29}，a4＝{t23,t30,t28,t24}。其中各无人机达到其任务列表中各任务的时间分别为：
τ1＝[43.32s,534.87s,1105.56s,1683.52s]τ2＝[32.91s,621.70s,1093.7s,1782.72s]
τ3＝[89.32s,781.04s,1220.45s,1903.57s]τ4＝[101.42s,669.23s,1204.45s,1720.3s]。
所述冲突消解程序的决策规则如下：
无人机在接收到其他无人机传来的信息后，按照采纳、离开和重置三种规则更新上述五个列表信息：获胜删除性能影响值γ、获胜无人机列表β、第二获胜删除性能影响值u、第二获胜无人机列表ξ与时间戳s。此处为了简化符号表示，采用以下表示方式：γ＝z,β＝y,u＝w,ξ＝v。其中假设发送信息的无人机为ak，接收到信息的无人机为ai。其中接收到信息的无人机ai通过发送信息的无人机ak所发送的上述五个向量信息的内容，采取动作更新自身的五个向量信息。
为简化表述，以发送者ak传递关于任务tj的信息至接收者ai为例，其中zij、zkj、yij、ykj分别表示接收无人机ai认为任务tj的获胜无人机序号，发送无人机ak认为任务tj的获胜无人机序号，接收无人机ai认为任务tj的获胜删除性能影响值，发送无人机ak认为任务tj的获胜无删除性能影响值；wij、wkj、vij、vkj分别表示接收无人机ai认为任务tj的第二获胜无人机序号，发送无人机ak认为任务tj的第二获胜无人机序号，接收无人机ai认为任务tj的第二获胜删除性能影响值，发送无人机ak认为任务tj的第二获胜无删除性能影响值；sik表示接收无人机ai最后根据发送无人机ak更新信息的时间。为接收者ai定义以下7个子规则：
①更新zij和yij：
zij＝zkj,yij＝ykj
②用接收者ai的信息更新wij和vij：
wij＝zij,vij＝yij
③用发送者ak的信息更新wij和vij：
wij＝zkj,vij＝ykj
④当发送者ak为获胜无人机时更新wij和vij：
如果vkj>yij，则wij＝wkj,vij＝vkj，否则若vkj＝＝yij且zij≥wkj，则wij＝wkj,vij＝vkj，若vkj＝＝yij且zij<wkj，则接收者不更新自身信息，若vkj<yij，则执行wij＝zij,vij＝yij。
⑤当接受者ai为获胜无人机时更新wij和vij：
如果ykj>vij，则执行wij＝zkj,vij＝ykj，否则若ykj＝＝vij且wij≥zkj，则wij＝zkj,vij＝ykj。
⑥为了达成获胜无人机信息的一致，更新wij和vij：
如果vkj>vij，则wij＝wkj,vij＝vkj，否则若vkj＝＝vij且wij≥wkj，则执行wij＝wkj,vij＝vkj。
⑦判断获胜无人机序号并达成一致，更新wij和vij：
如果(wij＝＝k,且wkj＝＝none)或(wij≠k,且wij≠none,且wkj＝＝none,且
Figure GDA0003848193760000161
)，则执行wij＝0,vij＝0，否则如果wkj≠k,且wkj≠0,且wij＝none,且
Figure GDA0003848193760000162
则不更新wij和vij，其他情况都执行规则⑥。
在定义上述7个子规则的基础上，针对发送信息的无人机ak认为分配到任务tj的获胜无人机编号，与接收到信息的无人机ai认为分配到任务tj的获胜无人机编号，可能存在以下17种不同的组合：
1.发送信息的无人机ak认为分配到任务tj的获胜无人机是发送者自己，即zkj＝k，而接收到信息的无人机ai认为分配到任务tj的获胜无人机是接收者自己，即zij＝i，则接收到信息的无人机ai执行下列更新决策规则：若ykj>yij，则采用子规则④和①；若ykj＝yij且zij>zkj，则采用子规则③和①；若ykj＝yij且zij≤zkj，则采用子规则②；若ykj<yij，则采用子规则⑤。
2.发送信息的无人机ak认为分配到任务tj的获胜无人机是发送者自己，即zkj＝k，接收到信息的无人机ai也认为分配到任务tj的获胜无人机是发送者，即zij＝k，则接收到信息的无人机ai采用子规则⑦。
3.发送信息的无人机ak认为分配到任务tj的获胜无人机是发送者自己，即zkj＝k，而接收到信息的无人机ai认为分配到任务tj的获胜无人机既不是接收者自己也不是发送者，即
Figure GDA0003848193760000171
则接收到信息的无人机ai执行下列更新决策规则：若skm>sim或ykj>yij，则采用子规则④和①；若ykj＝yij且zij>zkj，则采用子规则②和①；若ykj＝yij且zij≤zkj，则采用子规则③；若ykj≤yij，则采用子规则⑤。
4.发送信息的无人机ak认为分配到任务tj的获胜无人机是发送者自己，即zkj＝k，而接收到信息的无人机ai认为分配到任务tj的获胜无人机为空，即zij＝none，则接收到信息的无人机ai执行下列更新决策规则：若wkj≠none且wkj≠i，则采用子规则④和①；否则采用规则①。
5.发送信息的无人机ak认为分配到任务tj的获胜无人机是接收者，即zkj＝i，接收到信息的无人机ai也认为分配到任务tj的获胜无人机是接收者自己，即zij＝i，则接收到信息的无人机ai采用子规则⑦。
6.发送信息的无人机ak认为分配到任务tj的获胜无人机是接收者，即zkj＝i，而接收到信息的无人机ai认为分配到任务tj的获胜无人机是发送者，即zij＝k，则接收到信息的无人机ai执行下列更新决策规则：wij＝0,vij＝0,zij＝0,yij＝0。
7.发送信息的无人机ak认为分配到任务tj的获胜无人机是接收者，即zkj＝i，而接收到信息的无人机ai认为分配到任务tj的获胜无人机既不是接收者自己也不是发送者，即
Figure GDA0003848193760000181
则接收到信息的无人机ai执行下列更新决策规则：若skm>sim，则执行wij＝0,vij＝0,zij＝0,yij＝0；否则接收者ai不执行任何操作。
8.发送信息的无人机ak认为分配到任务tj的获胜无人机是接收者，即zkj＝i，而接收到信息的无人机ai认为分配到任务tj的获胜无人机为空，即zij＝none，则接收到信息的无人机ai不执行任何操作。
9.发送信息的无人机ak认为分配到任务tj的获胜无人机既不是发送者自己也不是接收者，即
Figure GDA0003848193760000182
接收到信息的无人机ai认为分配到任务tj的获胜无人机是接收者自己，即zij＝i，则接收到信息的无人机ai执行下列更新决策规则：若skm>sim且ykj>yij，则采用子规则④和①；若skm>sim、ykj＝yij且zkj>zij，则采用子规则②和①；若skm>sim、ykj＝yij且zkj≤zij，则采用子规则③；若skm>sim且ykj≤yij，则采用子规则⑤；若skm≤sim，则接收到信息的无人机ai不执行任何操作。
10.发送信息的无人机ak认为分配到任务tj的获胜无人机既不是发送者自己也不是接收者，即
Figure GDA0003848193760000183
信息的无人机ak认为分配到任务tj的获胜无人机是发送者，即zij＝k，则接收到信息的无人机ai执行下列更新决策规则：若skm>sim，则采用子规则④和①；若skm≤sim，则执行wij＝0,vij＝0,zij＝0,yij＝0。
11.发送信息的无人机ak认为分配到任务tj的获胜无人机既不是发送者自己也不是接收者，即
Figure GDA0003848193760000184
接受信息的无人机ai也认为分配到任务tj的获胜无人机是m，即
Figure GDA0003848193760000185
则接收到信息的无人机ai执行下列更新决策规则：若skm>sim，则采用子规则⑦和①；否则采用子规则⑦。
12.发送信息的无人机ak认为分配到任务tj的获胜无人机既不是发送者自己也不是接收者，即
Figure GDA0003848193760000186
发送信息的无人机ai认为分配到任务tj的获胜无人机是除了发送者、接收者和无人机m的另一个无人机n，即
Figure GDA0003848193760000187
则接收到信息的无人机ai执行下列更新决策规则：若skn>sin且skm>sim，则采用子规则④和①；若skn>sin且skm≤sim，则执行wij＝0,vij＝0,zij＝0,yij＝0；若skn≤sin且ykj>yij，则采用子规则④和①；若skn≤sin、ykj＝yij且zij>zkj，则采用子规则②和①；若skn≤sin、ykj＝yij且zij≤zkj，则采用子规则③；若skn≤sin且ykj<yij，则采用子规则⑤；若skn>sin，则收到信息的无人机ai不执行任何操作。
13.发送信息的无人机ak认为分配到任务tj的获胜无人机既不是发送者自己也不是接收者，即
Figure GDA0003848193760000191
接受信息的无人机ai认为分配到任务tj的获胜无人机为空，即zij＝none，则接收到信息的无人机ai执行下列更新决策规则：若skm>sim、wkj≠none且wkj≠i，则执行子规则④和①；若skm>sim、wkj＝none或wkj＝i，则执行子规则①；若skm≤sim，则收到信息的无人机ai不执行任何操作。
14.发送信息的无人机ak认为分配到任务tj的获胜无人机为空，即zkj＝none，接收到信息的无人机ai认为分配到任务tj的获胜无人机是接收者自己，即zij＝i，则收到信息的无人机ai不执行任何操作。
15.发送信息的无人机ak认为分配到任务tj的获胜无人机为空，即zkj＝none，而接收到信息的无人机ai认为分配到任务tj的获胜无人机是发送者，即zij＝k，则接收到信息的无人机ai执行下列更新决策规则：wij＝0,vij＝0,zij＝0,yij＝0。
16.发送信息的无人机ak认为分配到任务tj的获胜无人机为空，即zkj＝none，而接收到信息的无人机ai认为分配到任务tj的获胜无人机既不是接收者自己也不是发送者，即
Figure GDA0003848193760000192
则接收到信息的无人机ai执行下列更新决策规则：若skm>sim，则wij＝0,vij＝0,zij＝0,yij＝0；否则收到信息的无人机ai不执行任何操作。
17.发送信息的无人机ak认为分配到任务tj的获胜无人机为空，即zkj＝none，而接收到信息的无人机ai也认为分配到任务tj的获胜无人机为空，即zij＝none，则收到信息的无人机ai不执行任何操作。

Claims (1)

1.一种基于性能影响算法的多无人机任务分配方法，其特征在于包括下述步骤：
步骤1：设任务环境中有Nt个任务，其中重要任务为|T1|个，Nu个无人机，每个无人机最多能够执行Lt个任务，其中Nt>NugLt，根据任务环境中的实际信息，确定每个无人机vi的类型和位置坐标
Figure FDA0003775031900000011
其中i＝1,...,Nu，初始化各无人机的任务列表ai为空；根据任务环境确定各无人机的巡航速度Vi，并根据每个任务对整体任务环境的重要程度确定自身的静态回报
Figure FDA0003775031900000012
确定每个任务tj,j＝1,...,Nt的位置坐标
Figure FDA0003775031900000013
每个任务的类型，并确定任务是否为重要任务；
步骤2：每个无人机独立执行任务添加阶段；首先每个无人机vi根据自身类型和所有任务的类型确定自身能够执行的未分配任务的集合Mi，然后根据公式(1)计算集合Mi中所有任务的添加性能影响值，即添加任务tk后，整个任务分配方案获得总收益的变化值：
Figure FDA0003775031900000014
其中，
Figure FDA0003775031900000015
为无人机vi添加任务tk所获得的添加性能影响值，
Figure FDA0003775031900000016
表示在任务列表ai的第l个位置添加任务tk，
Figure FDA0003775031900000017
表示当无人机vi顺着自身的任务列表ai执行任务tz时获得的回报，λ为任务回报的消减参数，τiz为无人机vi顺着任务列表ai到达任务tz的时间，τzstart为任务tz的最晚可被执行的时间，若任务到达时间τiz晚于任务最晚开始时间，则添加性能影响值为0；最终无人机vi针对所有任务形成添加性能影响列表
Figure FDA0003775031900000018
定义
Figure FDA0003775031900000019
即表示列表
Figure FDA00037750319000000110
的第k个元素为无人机vi添加任务tk产生的添加性能影响值；至此所有无人机都得到自身的添加性能影响列表，来记录若自身添加所有任务可能得到的添加性能影响值；
然后按照公式(2)计算无人机vi从自身任务列表ai中删除任务tk所获得的移除性能影响值：
Figure FDA00037750319000000111
其中wk(aiΘtk)为无人机vi删除任务tk所获得的删除性能影响值，aiΘtk表示从任务列表ai中删除任务tk；若任务tk未被分配，则无人机vi删除任务tk的删除性能影响值为0；无人机vi针对所有任务计算出删除性能影响值，形成删除性能影响列表
Figure FDA0003775031900000021
其中γi,k＝wk(aiΘtk)，表示列表γi的第k个元素为无人机vi删除任务tk产生的删除性能影响值；至此所有无人机都得到了自身的删除性能影响列表，来记录若自身删除所有任务所可能得到的删除性能影响值；
步骤3：每个无人机vi根据公式(3)选出最大添加性能影响值与删除性能影响值差值的任务tg：
Figure FDA0003775031900000022
将任务tg添加至自身任务列表ai中的对应位置，该位置为计算任务tg的添加性能影响值时所计算出来的最佳插入位置；
无人机vi在每添加一个任务之后，形成新的任务列表ai，然后更新所有任务的删除性能影响值，每个无人机在忽略自身有限能力Lt约束的前提下，局部地添加任务至自身任务列表直至无法再添加任何任务；此时，每个无人机得到初步的任务列表，形成初步全局任务方案
Figure FDA0003775031900000023
步骤4：定义一个获胜无人机列表
Figure FDA0003775031900000024
其中βi,j表示无人机vi认为任务tj被分配给的无人机的序号；
首先每个无人机vi利用全连接通信网络与其他无人机vj进行通讯，其中j≠i，在接收到其他无人机vj的删除性能影响列表γj和无人机vj认为的获胜无人机列表βj后，无人机vi首先比对自身获胜无人机列表βi与无人机vj的获胜无人机列表βj，确定自身任务列表ai中的冲突任务集合Ci＝ai[βi(ai)≠vi]，然后确定删除性能影响列表γi中任务tk∈Ci的删除性能影响值γi,k，并确定无人机vj删除性能影响列表γj中冲突任务tk∈Ci的删除性能影响值γj,k，通过比较γi,k与γj,k的大小后利用冲突消解程序的决策规则更新γi,k的值和对应的获胜无人机βi,k；
除此之外，每个无人机在与其他无人机通讯后，定义一个新的仅次于获胜删除性能影响值大小的第二删除性能影响列表ui及与ui对应的第二获胜无人机列表ξi，用以在任务修剪阶段保证重要任务的分配；同时，定义一个时间戳si表示无人机vi最后更新删除性能影响列表γi、获胜无人机列表βi、第二删除性能影响列表ui与第二获胜无人机列表ξi的时间；无人机vi在接收到vj传来的信息后按照冲突消解程序的决策规则的更新规则更新五个列表信息γi、βi、ui、ξi与si，更新规则为冲突消解程序的决策规则，直至所有无人机对上述五个信息列表达到一致；
步骤5：在冲突任务删除阶段，每个无人机vi在得到经步骤4更新后达到一致的删除性能影响列表γi ◇、获胜无人机列表βi ◇、第二删除性能影响列表ui与第二获胜无人机列表ξi之后，根据公式(4)选择冲突任务集合中删除性能影响值最大的冲突任务tz：
Figure FDA0003775031900000031
无人机vi将冲突任务tz从任务列表ai和冲突任务集合Ci中删除，然后重新计算更新γi ◇，重复计算公式(4)直至冲突任务集合Ci为空；
步骤6：重复步骤2-步骤5，若在五个迭代循环中所有无人机都不能再添加任何任务，则得到一个不考虑无人机有限能力约束的无冲突多无人机任务分配方案
Figure FDA0003775031900000032
由于步骤2-步骤5得到的多无人机任务分配方案未考虑各无人机自身存在的有限能力Lt约束，因此首先判断是否所有无人机都满足|ai|≤Lt，若满足，则直接输出步骤5所得到的无冲突任务分配方案
Figure FDA0003775031900000033
为最终结果；若无人机vi满足|ai|>Lt，则所有无人机执行新一轮的任务修剪阶段并确定自身需要删除的任务数量nid＝|ai|-Lt，使最终输出的多无人机任务分配方案能够在满足能力限制的同时保证重要任务的分配；
所述任务修剪阶段中，每个无人机根据是否为重要任务、此任务是否具有第二获胜无人机、此任务的第二获胜无人机的任务列表长度，这个三项因素将自身任务列表中的所有任务分类成6个集合χi1～χi6，其中χi1集合中存储的任务为非重要任务，此任务有对应的第二获胜无人机，且第二获胜无人机的任务数量未超过最大可执行任务数量；其中χi2集合中存储的任务为：非重要任务，此任务有对应的第二获胜无人机，但第二获胜无人机的任务数量已满或超过最大可执行任务数量；其中χi3集合中存储的任务为：非重要任务，此任务无对应的第二获胜无人机；其中χi4集合中存储的任务为：重要任务，此任务有对应的第二获胜无人机，且第二获胜无人机的任务数量未超过最大可执行任务数量；其中χi5集合中存储的任务为：重要任务，此任务有对应的第二获胜无人机，但第二获胜无人机的任务数量已满或超过最大可执行任务数量；其中χi6集合中存储的任务为：非重要任务，此任务无对应的第二获胜无人机，如公式(5)所示：
Figure FDA0003775031900000041
Figure FDA0003775031900000042
Figure FDA0003775031900000043
Figure FDA0003775031900000044
Figure FDA0003775031900000045
Xi6＝{j∈aiand j∈T1|ξi，j＝0} (5)
无人机vi按χi1至χi6的顺序依次删除各个集合任务，直至删除后的任务列表长度|ai'|满足|ai'|＝Lt；其中，若无人机vi在集合χij,j＝1,...,6中需要删除的任务数量nid,j<|χij|，则按公式(6)选择并删除集合χij中对全局回报损失最小的任务：
Figure FDA0003775031900000046
如果nid,j≥|χij|，则删除集合χij中的所有任务，且下一个任务集合χi(j+1)中要删除的任务数量为nid,j+1＝nid,j-|χij|；
无人机vi选择集合χij中的任务tq进行删除，其中删除任务tq产生的删除性能影响值γi,q与任务tq的第二获胜无人机ξi,q添加任务tq所产生的添加性能影响值
Figure FDA0003775031900000047
的差值最小；无人机vi在删除任务tq后，更新自身的删除性能影响值列表γi，然后重复计算公式(6)，直至删除nid,j个任务，使得无人机vi满足有限能力约束Lt；
步骤7：在完成步骤6后，再次重复步骤2-步骤5，直至在步骤2-步骤5中达到内循环的收敛条件：若在五个迭代循环中所有无人机都不能再添加任何任务，则任务分配结果收敛并输出当前不满足有限能力约束的任务分配结果；然后进入步骤6，当所有无人机完成步骤6之后，再次进入步骤2-步骤5；为避免陷入无限循环，限定每个无人机在步骤6的任务修剪阶段中删除非重要任务
Figure FDA0003775031900000051
后，则在下一个步骤2-步骤5的循环中，不允许再次添加此非重要任务tm；对于在任务修剪阶段删除的重要任务tn∈T1，限定此重要任务只能被同一个无人机添加3次，以保证最终任务分配方案的收敛。
CN202010585260.5A 2020-06-24 2020-06-24 一种基于性能影响算法的多无人机任务分配方法 Active CN111665866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010585260.5A CN111665866B (zh) 2020-06-24 2020-06-24 一种基于性能影响算法的多无人机任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010585260.5A CN111665866B (zh) 2020-06-24 2020-06-24 一种基于性能影响算法的多无人机任务分配方法

Publications (2)

Publication Number Publication Date
CN111665866A CN111665866A (zh) 2020-09-15
CN111665866B true CN111665866B (zh) 2022-10-14

Family

ID=72389802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010585260.5A Active CN111665866B (zh) 2020-06-24 2020-06-24 一种基于性能影响算法的多无人机任务分配方法

Country Status (1)

Country Link
CN (1) CN111665866B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180974A (zh) * 2020-09-23 2021-01-05 上海交通大学 基于小型无人机的资源分布式协作方法及系统
CN112862251B (zh) * 2021-01-12 2024-02-09 西北工业大学 一种基于改进pi算法的分布式多auv任务分配方法
CN112926827B (zh) * 2021-01-22 2023-05-02 西北工业大学 一种基于性能影响算法的多无人机任务重分配方法
CN112818472B (zh) * 2021-02-25 2023-04-18 西北工业大学 一种民用飞机飞行试验科目安排及优化方法
CN113867414B (zh) * 2021-11-19 2024-05-31 西安交通大学 多无人机多耦合任务系统的分布式无等待任务分配方法
CN116484227A (zh) * 2023-05-04 2023-07-25 西北工业大学 用于机弹对抗末端机动规避指标生成的神经网络建模方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664038A (zh) * 2018-05-14 2018-10-16 中国人民解放军火箭军工程大学 一种多无人机分布式合同竞拍在线任务规划方法
CN109189094A (zh) * 2018-09-25 2019-01-11 中国人民解放军空军工程大学 一种多有人机与多无人机混合编队资源调度方法
CN110134146A (zh) * 2019-06-14 2019-08-16 西北工业大学 一种不确定环境下的分布式多无人机任务分配方法
CN110766254A (zh) * 2018-07-27 2020-02-07 深圳市白麓嵩天科技有限责任公司 一种基于改进遗传算法的多无人机协同任务分配方法
CN110865653A (zh) * 2019-12-02 2020-03-06 西北工业大学 一种分布式集群无人机队形变换方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017079623A1 (en) * 2015-11-06 2017-05-11 Massachusetts Institute Of Technology Dynamic task allocation in an autonomous multi-uav mission

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664038A (zh) * 2018-05-14 2018-10-16 中国人民解放军火箭军工程大学 一种多无人机分布式合同竞拍在线任务规划方法
CN110766254A (zh) * 2018-07-27 2020-02-07 深圳市白麓嵩天科技有限责任公司 一种基于改进遗传算法的多无人机协同任务分配方法
CN109189094A (zh) * 2018-09-25 2019-01-11 中国人民解放军空军工程大学 一种多有人机与多无人机混合编队资源调度方法
CN110134146A (zh) * 2019-06-14 2019-08-16 西北工业大学 一种不确定环境下的分布式多无人机任务分配方法
CN110865653A (zh) * 2019-12-02 2020-03-06 西北工业大学 一种分布式集群无人机队形变换方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于贝叶斯优化算法的ＵＣＡＶ编队对地攻击协同任务分配;张安等;《电光与控制》;20090131;第16卷(第1期);第1-5页 *

Also Published As

Publication number Publication date
CN111665866A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111665866B (zh) 一种基于性能影响算法的多无人机任务分配方法
Brunet et al. Consensus-based auction approaches for decentralized task assignment
CN112288347B (zh) 冷链配送的路线确定方法、装置、服务器及存储介质
EP3151483B1 (en) Path planning method and controller
CN111222029B (zh) 一种网络舆情信息传播中关键节点选择方法
CN108122027A (zh) 一种神经网络模型的训练方法、装置及芯片
CN112926827B (zh) 一种基于性能影响算法的多无人机任务重分配方法
CN108684046B (zh) 一种基于随机学习的接入网服务功能链部署方法
CN111008521B (zh) 生成宽表的方法、装置及计算机存储介质
CN109982128A (zh) 视频的弹幕生成方法、装置、存储介质和电子装置
US11641312B2 (en) Consolidating manufacturing intelligence event queue items
CN104021205B (zh) 一种建立微博索引的方法及装置
CN112966832B (zh) 基于多服务器的联邦学习系统
CN112633654A (zh) 基于改进聚类扩展一致性束算法的多无人机任务分配方法
CN108512775A (zh) 一种排序交易队列的方法及装置
Baroni et al. Nonuniversality of weighted random graphs with infinite variance degree
CN107092977A (zh) 一种求解多目标带时间窗异构车型选址‑路径问题的算法
CN112822051A (zh) 基于业务感知的业务加速方法
CN117036060A (zh) 车险欺诈识别方法、装置和存储介质
Masanet et al. Perfect sampling of stochastic matching models with reneging
CN103414756B (zh) 一种任务分发方法、分发节点及系统
Tinessa et al. CoNL route choice model: numerical assessment on a real dataset of trajectories
CN110245271B (zh) 基于属性图的大规模关联数据划分方法及系统
Elkael et al. Improved monte carlo tree search for virtual network embedding
CN115310137A (zh) 一种智能结算系统的保密方法及相关装置

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