CN111860984A - 一种基于改进遗传算法的多异构无人机任务分配方法 - Google Patents

Abstract

本发明公开了一种基于改进遗传算法的多异构无人机任务分配方法，属于无人机技术领域，该方法通过综合考虑资源消耗、任务完成效果和负载均衡、资源有限、任务优先级等多重约束，建立了任务分配优化模型；采用矩阵编码方式将每个可行的任务分配方案编码为一个完整的染色体；针对现有遗传算法求解精度不足、求解速度过慢的问题，提出了模糊精英度的概念，并在此基础上对各遗传操作进行改进，利用改进后的遗传算法对构建的优化模型进行求解，在有限的迭代次数内获得最优的任务分配方案。本发明在多智能体协同控制领域有良好的通用性，具有求解速度快、求解精度高的优点，能够有效解决具有多重约束的多异构无人机系统的任务分配问题。

Description

一种基于改进遗传算法的多异构无人机任务分配方法

技术领域

本发明属于无人机技术领域，具体涉及一种基于改进遗传算法的多异构无人机任务分配方法。

背景技术

无人机以其独具的低成本和强大的可操作性，在军事、农业和商业应用领域均做出了卓越贡献。然而，由于机载资源受限，单架无人机在大部分情况下难以满足日益复杂的任务需求。与单架无人机相比，由功能互补的无人机所组成的异构无人机系统具有速度快、灵活性高的优点，能够保证高效率、高可靠性地完成任务。在大规模任务场景中，无人机系统需要执行多种任务(如侦察任务、攻击任务和验证任务)，任务分配的优化效果直接影响无人机系统的工作效率。因此，异构无人机系统的任务分配问题已经成为多无人机控制领域的一个热点问题。

多异构无人机任务分配问题是一个复杂的组合优化问题，由于无人机任务场景的复杂性，需要考虑的约束也更加全面和多样化。考虑到负载均衡的任务分配方案不仅能有效地防止部分无人机出现资源不足的情况，还可以减少无人机系统的任务执行时间，因此，在构建优化模型时，有必要加上负载均衡约束。然而，由于涉及到多个无人机之间的资源协调，负载均衡问题变得难以解决。另外，为了在保证任务的有效执行的前提下减少不必要的资源消耗，需要在优化模型中加入对任务完成效果的评价，虽然多重约束的引入有利于提高解的有效性，但也使得任务分配优化问题变得更加难以解决，随着任务规模和任务复杂度的增加，现有遗传算法的收敛速度变慢，求解精度变低，这会导致任务分配效率过低，因此，设计一种适用于复杂任务分配背景且具有高精度、快速求解能力的多异构无人机任务分配方法尤为关键。

发明内容

根据现有技术存在的问题，本发明公开了一种基于改进遗传算法的多异构无人机任务分配方法，包括以下步骤：

S1:基于无人机本体设计约束和任务场景要求，构建具有多重约束的多异构无人机系统任务分配优化模型；

S2:针对无人机的异构性和任务的独特性，采用矩阵编码方式，将任意一个适用于任务分配优化问题的可行解编码为一个矩阵形式的完整染色体；

S3:采用改进的遗传算法对任务分配优化模型进行求解，在最大迭代次数下求得的最优解即为多异构无人机系统的最佳任务分配方案。

进一步地，所述构建具有多重约束的多异构无人机系统任务分配优化模型包括以下步骤：

S1-1:建立无人机集合与目标集合，获取各无人机的机载资源信息、位置信息、携带的传感器类型以及各目标的位置信息、需执行的任务种类；

S1-2:定义无人机的执行能力，为剩余资源多的无人机赋予更强的执行能力；

S1-3:以无人机系统的资源消耗最小化、无人机系统的执行能力最大化和任务执行效果最优化为目标来构建适应度函数，结合任务优先级约束和无人机机载资源有限的约束，建立任务分配优化模型。

进一步地，所述可行解被编码为一个5行3N列的矩阵，其中3代表每个目标上都要执行的任务数量，N代表目标的数量；染色体的每一行分别代表目标编号、任务编号、无人机编号、无人机与目标中心之间的距离、无人机航向与目标之间的夹角；染色体的每一列都代表任务与无人机的一个任务匹配，染色体中的列的顺序表示无人机的任务执行顺序。

进一步地，所述采用改进的遗传算法对多异构无人机系统任务分配优化模型进行求解包括以下步骤：

S3-1:在矩阵编码的基础上利用基于执行能力的初始化方法，得到初始种群；

S3-2:计算所有个体的选择模糊精英度；

S3-3:在选择过程中，将适应度函数值最大的n_elite个个体确定为精英个体，精英个体直接参与下一代的迭代过程；选择n-n_elite个参与后续遗传操作的个体，在选择过程中，为选择模糊精英度高的个体赋予更高的被选择概率，n_elite为精英个体的数量，n为预定的种群大小；

S3-4：计算除精英个体外所有个体的交叉模糊精英度；

S3-5：在交叉过程中，根据父代选择方法得到进行交叉的父代，包括以下过程：利用轮盘赌方法选择高交叉模糊精英度的个体作为第一个父代，再根据避免近亲繁殖机制，选择与第一个父代的交叉模糊精英度差值较大的个体作为第二个父代；

S3-6:通过改进的单点交叉方法，在交叉父代的基础上产生相应的子代，且原交叉父代将被子代所取代；

S3-7:计算除精英个体外所有个体的变异模糊精英度；

S3-8:在变异过程中，利用轮盘赌方法选择低变异模糊精英度的个体参与变异，再根据层次变异规则完成该个体的变异操作，且原个体将被变异后的个体所取代；

S3-9:若当前迭代次数大于预设的最大迭代次数，则迭代结束，取当前迭代中的最优个体作为最佳无人机任务分配方案；若当前迭代次数小于等于预设最大迭代次数，则返回步骤S3-2。

进一步地，所述根据层次变异规则完成该个体的变异操作，具体方法如下：判断该个体所处的精英层，根据个体所处的精英层决定其变异方法，

若个体处于高精英层，则采用任意一种变异方法进行变异；

若个体处于中精英层，则采用任意两种变异方法进行变异；

若个体处于低精英层，则依次采用三种变异方法进行变异；

其中，三种变异方法分别为改变随机选择的无人机的任务执行顺序、为一个随机选择的任务分配不同的无人机、改变随机选择的监视无人机所处的位置。

进一步地：所述具有多重约束的多异构无人机系统任务分配优化模型如下：

其中，式(7)在适应度函数f，L＝{l_range,l_weapon}，且

式(8)和式(9)分别用来保证每个任务只能由一架无人机完成，所有任务必须全部完成；

式(10)表示每个目标上的任务优先级约束，其中，

和

分别表示在目标t_j上task_R，task_A和task_V开始执行的时间，

和

分别表示执行task_R，task_A和task_V所需要的时间；

式(11)表示对打击无人机最大可携带武器数量的限制；

式(12)表示对监视无人机侦察范围的限制；

式(13)用于确保任一无人机的任务执行时间、燃料消耗和航程都是有限的。

由于采用了上述技术方案，本发明提供的一种基于改进遗传算法的多异构无人机任务分配方法，综合考虑了无人机的资源消耗和任务完成效果，以及负载均衡、任务优先级和资源有限等约束，建立了多异构无人机系统任务分配优化模型，与常见的任务分配优化模型相比，本发明建立的模型考虑的因素更全面，有利于提高无人机系统的工作效率；在利用改进的遗传算法求解任务分配问题时，提出了模糊精英度的概念来优化基因的保留度和变化强度，从而提高求解效率；在改进遗传算法的交叉和变异过程中，分别设计了避免近亲繁殖机制和层次变异规则，从而保证算法在具有良好的收敛性能的同时有较强的搜索能力；本方法具有求解速度快、求解精度高的优点，能在有限迭代次数内提供良好的任务分配方案，由其在复杂的大规模任务场景中，本专利所提出方法的优势更为明显，本方法快速、高效地求解综合考虑了资源消耗、任务完成效果、负载均衡、任务优先级和资源有限等多重约束的复杂任务分配问题，有利于提高无人机系统在复杂任务场景下的工作效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法的流程图；

图2为本发明所提出的改进遗传算法流程图；

图3为本发明提出的编码方法的示例图；

图4为本发明提出的编码方法所涉及到的r和θ的示意图；

图5为矩阵X_t的示意图；

图6为改进遗传算法的交叉过程的示例图；

图7为小规模任务场景下，本发明方法与传统遗传算法(GA)、分布式遗传算法(DGA)的优化过程仿真对比图；

图8为大规模任务场景下，本发明方法与GA、DGA的优化过程仿真对比图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

图1为本发明方法的流程图；一种基于改进遗传算法的多异构无人机任务分配方法，包括以下步骤：

S1:基于无人机本体设计约束和任务场景要求，构建具有多重约束的多异构无人机系统任务分配优化模型；

S2:针对无人机的异构性和任务的独特性，采用矩阵编码方式，将任意一个适用于任务分配优化问题的可行解编码为一个矩阵形式的完整染色体；

S3:采用改进的遗传算法对任务分配优化模型进行求解，在最大迭代次数下求得的最优解即为多异构无人机系统的最佳任务分配方案。

进一步地，所述构建多异构无人机系统任务分配优化模型包括以下步骤：S1-1:建立无人机集合与目标集合，获取各无人机的机载资源信息、位置信息、携带的传感器类型，以及各目标的位置信息、需执行的任务种类；其中，无人机集U＝{u₁,u₂,...,u_M}，目标集T＝{t₁,t₂,...,t_N}，其中u_M和t_N分别代表第M个无人机和第N个目标，M和N分别代表无人机和目标的数量,每个目标上需要依次执行侦察任务，打击任务和验证任务，这三种任务分别用task_R，task_A和task_V来表示；若用task_i＞task_j表示task_i的任务优先级高于task_j，则有task_R＞task_A＞task_V。根据无人机能够执行的任务类型，将无人机系统分为两类：U＝{U_Su,U_St}。其中，U_Su中包含M_Su个可执行task_R和task_V的监视无人机，U_St中包含M_St个可执行task_A的打击无人机，每个无人机只属于一个集合，在完成分配的所有任务后，无人机需返回基地。

在执行任务的过程中，无人机有三种状态：任务执行状态、等待状态和飞行状态,考虑到无人机资源有限，每架无人机应在有限的时间内完成所分配的任务，每架无人机的油耗和飞行距离不允许超过其最大限制；另外，为防止出现部分无人机资源不足的情况，无人机系统需要满足负载均衡约束；

S1-2:定义无人机的执行能力，为剩余资源多的无人机赋予更强的执行能力，通过给执行能力强的无人机分配更多的任务来满足负载均衡约束；

在实施过程中，在综合考虑实际任务背景的基础上，以多无人机系统的总航程、总燃油量和完成所有任务所需要的时间作为衡量系统资源消耗的主要标准，若无人机u_i实际的航行距离、燃油量和完成任务所需时间分别为：

和

且其相对应的所允许的最大值分别为：

和

因此，可定义由以上三个标准组成的资源消耗函数，在这三个标准同等重要的前提下，无人机系统的资源消耗函数定义为：

其中，

和

分别为无人机u_i实际的航行距离、燃油量和完成分配的任务所花费的时间，

和

分别为u_i所允许的最大航行距离、燃油量和续航时间。

对监视无人机来说，在最大侦查半径内，无人机距离目标越近，检测精度越高。为了量化无人机的检测精度、衡量无人机系统的任务执行效果，本发明提出了侦查收益函数f_revenue(r)。在本发明中，f_revenue(r)与检测精度成正比，则该函数值与无人机到目标之间的距离成正比，侦查收益函数具体定义如下：

其中，r_i表示u_i到目标点中心的距离，

表示u_i的侦查半径。考虑到无人机的任务完成效果随着侦查精度的提高而提高，任务完成效果与f_revenue(r)成正比。

为更好地解决负载不均衡问题，提出了执行能力的概念，执行能力定义为无人机基于剩余资源继续执行任务的能力，剩余资源越多，无人机的执行能力就越强，由于无人机的资源是随时间变化的，因此执行能力是一个时变的概念。在本发明中，航程被认为是评价执行能力的标准之一，由于航程与剩余资源成反比，所以它与执行能力成反比。在此基础上，可以得到的无人机u_i的基于航程的执行能力如式(3)所示：

其中，

为u_i已经航行的距离；κ_i为

随

变化的速率，κ_i∈(0,1]，且κ_i越小，变化速率越慢，在式(9)中，随着

的增加，

逐渐减小；且当

接近

时，

大幅度减小。因此，利用式(9)来表示航程与执行能力之间的关系是合理的。

对于无人机系统，基于航程的执行能力为：

需要注意的是，打击无人机的资源消耗不仅与航程有关，还与剩余的武器数量有关，因此，需定义基于武器的执行能力，对于打击无人机u_i，基于武器的执行能力定义为：

其中，

和

分别表示u_i可携带的最多武器数量和u_i剩余的武器数量；κ_w表示

随

的变化速率，κ_w∈(0,1]，且κ_w越大，变化速率越慢。在式(5)中，随着

的减小，

逐渐减小，且当

趋近于0时，

大幅度减小，因此，式(5)适用于描述执行能力与剩余武器数量之间的关系。

对于无人机系统，基于武器的执行能力为：

在理想的任务分配过程中，剩余资源充足(执行能力强)的无人机应得到充分利用；剩余资源少(执行能力弱)的无人机应分配少量任务。通过这种方式，可以避免一些无人机由于执行过多任务而耗尽资源的情况，从而使任务分配方案满足负载均衡约束。因此，无人机系统的执行能力与分配结果的负载均衡程度成正比。

各无人机和目标的参数分别如表1和表2所示，无人机在不同状态下的资源消耗如表3所示。

表1

表2

表3

S1-3:以无人机系统的资源消耗的最小化、无人机系统的执行能力最大化和任务执行效果最优化为目标来构建适应度函数，并在此基础上考虑任务优先级约束和无人机机载资源有限的约束，建立具有多重约束的多异构无人机任务分配模型，在该模型中，通过最小化资源消耗函数值、最大化侦查收益函数值和最大化无人机系统的执行能力保证无人机系统在资源消耗最小的情况下有最佳的任务执行效果和均衡的工作负载。同时，该模型包含多重约束：每个任务只能由一架无人机完成，所有任务必须全部完成；目标上的任务具有不同的优先级，即task_R＞task_A＞task_V；打击无人机可携带的武器数量有限；监视无人机的侦查范围有限；任一无人机的任务执行时间、燃料消耗和航程有限；

具有多重约束任务分配优化模型描述如下：

在适应度函数f(式7)中，L＝{l_range,l_weapon}，且

式(8)和式(9)分别用来保证每个任务只能由一架无人机完成，所有任务必须全部完成；

式(10)表示每个目标上的任务优先级约束，其中，

和

分别表示在目标t_j上task_R，task_A和task_V开始执行的时间，

和

分别表示执行task_R，task_A和task_V所需要的时间；

式(11)表示对打击无人机最大可携带武器数量的限制；

式(12)表示对监视无人机侦察范围的限制；

式(13)用于确保任一无人机的任务执行时间、燃料消耗和航程都是有限的。

进一步地，图2为本发明所提出的改进遗传算法流程图；所述利用改进的遗传算法对构建的优化模型进行求解，包括以下步骤：

为适应任务分配背景，本发明设计了矩阵编码方法，以适应无人机的异构性和任务的特殊性；每个染色体都被编码为一个5行3N列的矩阵，且由M个子染色体组成，通过将这些子染色体按照无人机编号从小到大的顺序排列，即可得到一个完整的染色体，其中3代表每个目标上都要执行的任务数量，N代表目标的数量；染色体的每一行分别代表目标编号、任务编号、无人机编号、无人机与目标中心之间的距离、无人机航向与目标之间的夹角；染色体的每一列都代表任务与无人机的一个任务匹配，染色体中的列(基因)的顺序表示无人机的任务执行顺序。

如图3给出的一个染色体的编码实例所示，每个子染色体中的基因(列)的顺序表示相应无人机的任务执行顺序，染色体前三行分别代表目标编号、任务编号和无人机编号，其中，每个目标的任务编号为1、2、3，分别表示task_R，task_A和task_V。染色体的后两行用于计算侦查收益函数值，其中，第四行是监视无人机到目标中心的距离r，第五行是一个顺时针方向角θ，假设监视无人机和目标中心之间的直线是l_s,基于目标中心的水平线是l_h,则θ由l_s和l_h组成。r和θ的示意图如图4所示。

S3-1：在矩阵编码的基础上设计基于执行能力的初始化方法,首先根据公式(3)或者公式(5)计算每架无人机的执行能力，再为执行能力高(剩余资源充足)的无人机分配较多的任务，为执行能力低(剩余资源不足)的无人机分配较少的任务，从而获得满足负载均衡约束的良好的初始种群；

在初始化过程中，先构造一个固定不变的矩阵X_t，X_t＝{x₁,x₂,...,x_3*N}，X_t中的元素表示矩阵的列，图5中给出了X_t的示意图。从X_t中随机选择一个列x_i，在x_i的基础上可以得到一个完整的基因g_i。为了更简洁清晰地描述g_i的生成过程，g_i和x_i的第j行分别表示为g_i(j)和x_i(j)。

如果x_i(2)为1或3，则应选择一架监视无人机，并将其编号赋值给g_i(3)，每架监视无人机被选中的概率为：

随后，在r的取值范围内随机生成一个常数作为g_i(4)，在θ的取值范围内随机生成一个常数作为g_i(5)，其中，r∈[0,r_detect]，θ∈[0,2π]。

如果x_i(2)为2，则应选择一架打击无人机，每架打击无人机被选中的概率为：

随后，g_i(4)和g_i(5)被设置为0。

在生成g_i之后，根据g_i(3)判断该基因属于哪个子染色体。假设该子染色体为u_i子染色体，则g_i应该置于u_i子染色体中已经产生的基因的后面。一直重复基因的产生过程，直到X_t中的所有元素都被选择，此时可以得到N个子染色体。然后将这些子染色体按无人机编号从小到大的顺序排列，即可一个完整的染色体。

所提出的基于执行能力的初始化方法应重复n次，其中n为预定的种群大小，在本发明中，n＝50。

S3-2:根据不同遗传操作过程的具体需求分别设计相应的模糊精英度，模糊精英度由适应度函数值(f)和个体在当前迭代中的出现次数(A)两部分组成，通过在遗传操作中适当保留适应度函数值高的个体并淘汰掉出现次数多的个体来均衡算法在快速收敛和跳出局部极值之间的矛盾；

在计算模糊精英度时，针对不同遗传操作对精英个体的不同要求，分别提出了选择模糊精英度E_s、交叉模糊精英度E_c和变异模糊精英度E_m；

选择模糊精英度E_s如下式所示：

其中，f_i和A_i分别表示第i个个体的适应度函数值和在当前迭代中出现的次数；α_s和β_s是0到1之间的常数，分别表示适应度函数值和出现次数对E_s的影响程度。考虑到适应度函数值比出现次数更重要，α_s∈[0.5,1]，β_s∈[0,0.5]。在改进遗传算法的选择过程中，适应度函数值大的个体被选择为精英个体的概率较高，从而可以保留优秀个体的优良基因。同时，出现次数较少的个体也有被选择的机会，从而可以保证种群的多样性。因此，E_s与适应度函数值成正比，与出现次数成反比；

计算所有个体的选择模糊精英度；

交叉模糊精英度E_c如下式所示：

其中，α_c∈[0.5,1]，β_c∈[0,0.5]，α_c+β_c＝1，在改进遗传算法的交叉过程中，模糊精英度越高的个体成为父代的可能性越大。将适应度函数值大的个体作为父代可以提高子代的优势，同时，出现次数较多的父代被子代取代的操作可以增加种群多样性。因此，E_c与适应度函数值和出现次数均成正比。

变异模糊精英度E_m如下式所示：

其中，α_m∈[0.5,1]，β_m∈[0,0.5]，α_m+β_m＝1；在改进遗传算法的变异过程中，模糊精英度越低的个体发生变异的可能性越大，变异强度越大，与E_s相似，E_m与适应度函数值成正比，与出现次数成反比，但在理想情况下，通过在变异过程中筛选出更多具有高模糊精英度的个体，可以尽可能少的破坏个体的优良基因。

S3-3:在选择过程中，先将适应度函数值最大的n_elite个个体确定为最高精英个体，这些个体直接参与下一代的迭代过程；随后，在选择参与后续遗传操作的个体的过程中，为E_s值高的个体赋予更高的被选择概率，并以轮盘赌作为选择方法，得到n-n_elite个个体，参与交叉的父代即从这些个体中选出，其中n_elite和n分别表示精英个体的数量和种群大小；

S3-4:计算除精英个体外所有个体的交叉模糊精英度；

S3-5:在交叉过程中，首先利用轮盘赌选择E_c值较高的个体作为第一个父代，再根据提出的避免近亲繁殖机制选择第二个个体，避免近亲繁殖机制的主要内容如下所示。首先，定义精英距离Ψ_ij来描述任意两个个体之间的差异程度，

其中

和

分别表示第i个个体和第j个个体的交叉模糊精英度值。在此基础上，每个个体被选为第二个父代的概率为：

之后，利用轮盘赌的方法即可得到第二个父代；

在确定参与交叉的父代之后，我们提出了适应任务分配背景的单点交叉方法来产生相应的子代。图6给出了一个单点交叉的例子：首先，将父代1的前两行直接传递给非标准形式子代1，以确保所有任务都能被执行；然后，在父代1的代码串中随机设置一个交叉点，该交叉点之前的所有基因都直接传递给非标准形式子代1；非标准形式子代1的其他基因来自于父代2，以图6中的

为例进行说明，先记录

在子代1中的位置(ω₄)，再寻找父代2中与

具有相同目标编号和任务编号的基因

最后将

置于ω₄的位置。按照上述方式，可以得到非标准形式下的子代1与子代2，然后，通过将具有相同无人机编号的基因放在一起并按照任务优先级对基因顺序进行调整即可得到标准形式下的子代；

S3-6:通过改进的单点交叉方法，在交叉父代的基础上产生相应的子代，且原交叉父代将被子代所取代，父代的选择和和单点交叉法应一直重复，直到获得n P_c对子代为止，其中P_c为交叉概率，经多次仿真模拟，证明P_c的最佳取值为0.7；

S3-7:计算除精英个体外所有个体的变异模糊精英度；

S3-8:在变异过程中，利用轮盘赌方法选择低变异模糊精英度的个体参与变异，再根据层次变异规则完成该个体的变异操作，且原个体将被变异后的个体所取代；

本发明设计了三种变异方法，分别为：改变随机选择的无人机的任务执行顺序、为一个随机选择的任务分配不同的无人机、改变随机选择的监视无人机所处的位置，在变异过程中，E_m值较低的个体有更大可能性参与变异，每个个体参与变异的概率为：

在利用轮盘赌方法选择出参与变异的个体之后，利用提出的层次变异规则对个体进行变异，层次变异规则的主要内容可概况如下：根据个体的E_m值确定它所处的精英层，处于越低精英层的个体的变异力度越大，因此针对不同精英层的个体，制定了不同的变异规则，具体规则如表4所示；

表4

个体的E<sub>m</sub>值	精英层	变异规则
			0.85～1.00	高精英层	随机采用变异方法1、变异方法2或变异方法3
0.50～0.85	中精英层	随机采用任意两种变异方法
			0.00～0.50	低精英层	依次采用三种变异方法完成变异操作

在变异过程中，变异后得到的个体应取代原个体。变异过程应一直重复，直到产生n P_m个个体为止，其中P_m是变异概率，经多次仿真模拟，证明P_m的最佳取值为0.3。

在本发明中，我们提供了一种基于改进遗传算法的多异构无人机任务分配方法，涉及的具体参数配置如下：种群大小n＝50，精英个体的数量n_elite＝3，交叉概率P_c＝0.7，变异概率P_m＝0.3；计算执行能力时，κ_r＝0.1，κ_w＝0.3；计算各遗传操作的模糊精度时，α_s＝0.7，β_s＝0.3，α_c＝0.8，β_c＝0.2，α_m＝0.7，β_m＝0.3。为评估算法的搜索能力和收敛速度，我们进行了大量的仿真实验，仿真结果如图7和图8所示，图7和图8分别是小规模任务场景下(3个目标和3架无人机)和大规模任务场景下(7个目标和4架无人机)各任务分配方法的性能对比图。仿真对比图中，横坐标为各方法的迭代次数，纵坐标为各方法在每次迭代中获得最优适应度函数值。从图7和图8中可以得到以下结论：与常用的任务分配方法(GA和DGA)相比，本专利所提出的任务分配方法收敛速度更快，在有限迭代次数内求得的解更加精确。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于改进遗传算法的多异构无人机任务分配方法，其特征在于：包括以下步骤：

S1:基于无人机本体设计约束和任务场景要求，构建具有多重约束的多异构无人机系统任务分配优化模型；

S2:针对无人机的异构性和任务的独特性，采用矩阵编码方式，将任意一个适用于任务分配优化问题的可行解编码为一个矩阵形式的完整染色体；

S3:采用改进的遗传算法对任务分配优化模型进行求解，在最大迭代次数下求得的最优解即为多异构无人机系统的最佳任务分配方案。

2.根据权利要求1所述一种基于改进遗传算法的多异构无人机任务分配方法，其特征还在于：所述构建具有多重约束的多异构无人机系统任务分配优化模型包括以下步骤：

S1-1:建立无人机集合与目标集合，获取各无人机的机载资源信息、位置信息、携带的传感器类型以及各目标的位置信息、需执行的任务种类；

S1-2:定义无人机的执行能力，为剩余资源多的无人机赋予更强的执行能力；

S1-3:以无人机系统的资源消耗最小化、无人机系统的执行能力最大化和任务执行效果最优化为目标来构建适应度函数，结合任务优先级约束和无人机机载资源有限的约束，建立任务分配优化模型。

3.根据权利要求1所述一种基于改进遗传算法的多异构无人机任务分配方法，其特征还在于：所述可行解被编码为一个5行3N列的矩阵，其中3代表每个目标上都要执行的任务数量，N代表目标的数量；染色体的每一行分别代表目标编号、任务编号、无人机编号、无人机与目标中心之间的距离、无人机航向与目标之间的夹角；染色体的每一列都代表任务与无人机的一个任务匹配，染色体中的列的顺序表示无人机的任务执行顺序。

4.根据权利要求1所述一种基于改进遗传算法的多异构无人机任务分配方法，其特征在于：所述采用改进的遗传算法对多异构无人机系统任务分配优化模型进行求解包括以下步骤：

S3-1:在矩阵编码的基础上利用基于执行能力的初始化方法，得到初始种群；

S3-2:计算所有个体的选择模糊精英度；

S3-3:在选择过程中，将适应度函数值最大的n_elite个个体确定为精英个体，精英个体直接参与下一代的迭代过程；选择n-n_elite个参与后续遗传操作的个体，在选择过程中，为选择模糊精英度高的个体赋予更高的被选择概率，n_elite为精英个体的数量，n为预定的种群大小；

S3-4：计算除精英个体外所有个体的交叉模糊精英度；

S3-5：在交叉过程中，根据父代选择方法得到进行交叉的父代，包括以下过程：利用轮盘赌方法选择高交叉模糊精英度的个体作为第一个父代，再根据避免近亲繁殖机制，选择与第一个父代的交叉模糊精英度差值较大的个体作为第二个父代；

S3-6:通过改进的单点交叉方法，在交叉父代的基础上产生相应的子代，且原交叉父代将被子代所取代；

S3-7:计算除精英个体外所有个体的变异模糊精英度；

S3-8:在变异过程中，利用轮盘赌方法选择低变异模糊精英度的个体参与变异，再根据层次变异规则完成该个体的变异操作，且原个体将被变异后的个体所取代；

S3-9:若当前迭代次数大于预设的最大迭代次数，则迭代结束，取当前迭代中的最优个体作为最佳无人机任务分配方案；若当前迭代次数小于等于预设最大迭代次数，则返回步骤S3-2。

5.根据权利要求4所述的一种基于改进遗传算法的多异构无人机任务分配方法，其特征在于：所述在变异过程中，根据层次变异规则完成被选择个体的变异操作，包括以下过程：

判断个体所处的精英层,根据个体所处的精英层决定其变异方法：

若个体处于高精英层，则采用三种变异方法中的任意一种变异方法进行变异；

若个体处于中精英层，则采用三种变异方法中的任意两种变异方法进行变异，

若个体处于低精英层，则依次采用三种变异方法进行变异。

6.根据权利要求5所述的一种基于改进遗传算法的多异构无人机任务分配方法，其特征在于：所述三种变异方法分别为改变随机选择的无人机的任务执行顺序、为一个随机选择的任务分配不同的无人机、改变随机选择的监视无人机所处的位置。

7.根据权利要求1所述的一种基于改进遗传算法的多异构无人机任务分配方法，其特征在于：所述具有多重约束的多异构无人机系统任务分配优化模型如下：

其中，式(7)在适应度函数f，L＝{l_range,l_weapon}，且

式(8)和式(9)分别用来保证每个任务只能由一架无人机完成，所有任务必须全部完成；

式(10)表示每个目标上的任务优先级约束，其中，

和

分别表示在目标t_j上task_R，task_A和task_V开始执行的时间，

和

分别表示执行task_R，task_A和task_V所需要的时间；

式(11)表示对打击无人机最大可携带武器数量的限制；

式(12)表示对监视无人机侦察范围的限制；

式(13)用于确保任一无人机的任务执行时间、燃料消耗和航程都是有限的。

Images