CN112801540B - 基于无人集群的智能协同架构设计方法 - Google Patents
基于无人集群的智能协同架构设计方法 Download PDFInfo
- Publication number
- CN112801540B CN112801540B CN202110204397.6A CN202110204397A CN112801540B CN 112801540 B CN112801540 B CN 112801540B CN 202110204397 A CN202110204397 A CN 202110204397A CN 112801540 B CN112801540 B CN 112801540B
- Authority
- CN
- China
- Prior art keywords
- unmanned
- combat
- population
- task
- capability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013461 design Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000002474 experimental method Methods 0.000 claims description 9
- 230000008520 organization Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007614 genetic variation Effects 0.000 claims description 3
- 238000009396 hybridization Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Abstract
本发明公开了基于无人集群的智能协同架构设计方法,通过对USoSAM无人作战系统体系结构模型的优化,可实现对复杂多变的群战环境和巨大的状态不稳定性快速做出规划。避免在无人作战模式中整体规划不足的缺陷,通过对NSGA‑3算法的优化,提出了一种T‑NSGA‑3算法。此算法可有效提高局部搜索能力和全局搜索能力,在保持多样性和均匀性的同时能够获得更好的效果,为最后的运算结果添加了成功几率。
Description
技术领域
本发明涉及集群构架技术领域,具体为基于无人集群的智能协同架构设计。
背景技术
随着全球信息化的发展,无人系统技术也在飞速发展,而无人系统技术作为改变未来战争规则的颠覆性技术,在世界范围内迅速发展,该无人机作战系统的目的是利用模拟群体生物的协同行为和信息共享,形成自主智能来完成作战任务,体系结构是系统能力的载体,它通过集成不同组成系统的所有能力来实现总体任务目标,它是实现无人作战系统组织、协调、规划、控制、执行和学习功能的基础,操作架构被认为是DoDAF、MoDaF、NAF采用的框架,由高级工程师来设计优化;
现有的基于无人集群的智能协同架构设计往往都有自己的计算方法,而这种计算方法再引用到复杂多变的群战环境和巨大的状态不确定性,导致无人作战模式的整体规划不足,同时局部搜索和全局搜索的能力差,因此我们提出一种基于无人集群的智能协同架构设计。
发明内容
本发明解决的技术问题在于克服现有技术的算法效率低和搜索能力差等缺陷,提供基于无人集群的智能协同架构设计。所述基于无人集群的智能协同架构设计具有算法效率高和搜索能力好等特点。
为实现上述目的,本发明提供如下技术方案:基于无人集群的智能协同架构设计,包括以下步骤:
步骤1:USoSAM建模;
步骤2:探索问题框架,无人机作战体系结构首先要对能力有一个清晰的认识,这是构建体系模型的基础,能力是指完成一个目标或任务所体现的综合素质,兰德将能力定义为在规定的标准和条件下通过一组手段或一组行为来完成一组特定任务并获得预期结果的能力,超网络体系结构建模强调了节点间的交互作用,同时考虑了武器装备性能和数量对系统作战能力的影响,因此,我们结合超网络架构的观点来进行我们的研究,此外,网络力模型给出了描述网络两个关键特征的数学结构,即节点的函数类型和链路的传输类型,为了分析、设计和构建以网络为中心的作战网络,提出了基于超网络的作战网络结构模型,在作战网络系统中,网络节点和子网络具有不同的功能,在当前的指挥控制超网络模型中,采用基于超图理论的C2超网络建模方法对C2网络中的复杂关系进行量化和描述,能力是在任务和系统之间形成直接映射关系的桥梁,从能力生成的角度来看,作战系统的能力通常是指根据任务分配选择不同能力,并规定系统间C2结构的无人作战系统,我们通过定义下面的元素来构建架构模型;
步骤3:USoSAM目标函数,Konur等人指出性能、已完成的时间和成本是架构的目标,性能和成本是用于描述架构的两个重要属性,无人作战系统的完成时间消耗是另一个重要指标,我们定义USoSAM需要构建一个稳定的、具有最高总体性能、最小化完成时间并消耗最低总成本的体系结构;
步骤4:搜索架构算法,首先随机生成N个种群个体,形成初始种群p,同时生成H个参考点,形成参考点集合R,这些种群中的个体与参考点共同进化,经过固定次数的迭代,得到一组靠近帕累托前沿的非显性解,每一代利用遗传算子对亲本群体Pt进行杂交突变,生成新一代群体Ct,通过使用遗传算子选择亲本种群,我们改进了这一过程,优胜者从亲本种群中选出,劣等个体被淘汰,选择操作者直接将优化的个体(或溶液)感染给下一代,或通过配对和再遗传给后代产生新的个体,选择操作基于群体中个体的适应度评估,我们使用轮盘赌选择方法,在这种方法中,个体的选择概率与其适应度值成正比,在标准化平面上,将每个一维目标均匀分成p个部分,则均匀生成参考点C(m+p-1,p)C(m+p-1,p);
步骤5:仿真实验;
步骤6:实验设置;
步骤7:基准比较分析,我们将候选方法的大小和首选向量初始化为100,并将最大产出设置为100;
步骤8:分析结果。
优选的,步骤2中能力是战斗武器系统提供侦察、预警、指挥和控制的能力;任务节点是一个可以被能力节点牵引的活动,用C表示;系统节点是具有相应能力的任务驱动设备,记为D;C2结构是指任务与资源、组织、决策过程、环境之间整体有序的协调行为;我们为任务能力构建一个邻接矩阵
C={Cmk}mk,并将其Cln设置为1,否则设置为0,我们为任务无人系统(UM-MCS)和作为后备的无人战备系统(UM-MPCS)建立了无人机系统,它有j_1j1无人执行系统和j2无人准备系统,所选系统提供待执行任务对应的能力,系统能力矩阵为D={den}jk,D={den}jk任务-系统矩阵为A={ale}mj,还有以下要求;
我们假定MCSs是被u1C2单元控制,所有单元构成u2种群,并且C2单元和种群被s1s2索引,有:
与此同时,UM战斗系统中的每个C2单位都被s牵引,每个组都被分配到一个C2单位,最后,将聚类整合到UM-MCS和UM-MPCS中,分别形成邻接矩阵B和C,在UM-MCSs中,如果任务e_1被分配到C2单元中的s_1,设置be 1s 1=1,否则将其设置为0,形成单元邻接矩阵B={be 1s 1}j 1u 1,UM-MPCSs的单元邻接矩阵可以表示为
F={fe 2s 2}j 2u 2。
优选的,步骤3中一个无人作战体系的总成本大致可以分为三个部分:提供资源的作战成本、多智能体协同完成任务的协作成本以及各子系统之间的通信成本,其中,运行成本与(jSoSAM设计的能力系统有关,沟通成本与组织结构有关,可表示为: 我们设任务完成时间为,5h任务完成时间与任务完成量负相关,与无人作战能力正相关,可以通过C2组织的协同负载来表示,即:/>和CO(T,CW)=-1;对于所选系统e所提供的能力,集合表示jXk系统性能性能为的顺序矩阵,UM-CSoS体系结构的效率包括各个系统对所有功能显示的整体效率,因此总效率等于所有效率的总和,而具体效率则是组件系统通过协作提供的有效性的集成,此时,我们可以将USoSAM优化问题定义为最大效率矩阵变量和最小代价矩阵变量,因此,我们的目标函数设为:
max P erf(A,B,F)&&min Cost(A,B,F);有如下约束变量:
因此,约束条件是确保所有邻接矩阵都是有意义的。
优选的,步骤4在初始迭代中,为了增加找到最优解的概率,扩大搜索范围,随着迭代次数的增加,迭代得到的解趋于最优,因此定域范围缩小:Xg=Xo+RS·(UX-LX);RS表示随机范围,如果边界:
Xj>UX,Xj=Xj-UX+LX,那么Xj≤UX,Xj=Xj-(LX-UX);候选解依赖于一定的策略,对于给定的单个x,邻域解的计算量较大。从所选候选解中选择非显性排序和人群度算子,选择一定数量的解作为候选解,如果有
X∈opt{N(x)},X<Xbest,X被选为下一个解;目前的解决方案x一直是忌讳的,何时且仅何时满足满足;
|X-Xj|<δ,|fi(X1)-fi(X2)|<δ;在使用上述公式计算禁忌表之后,我们接下来确定所有的非显性解,在T-NSGA-III算法中,我们提出在精英策略中引入禁忌搜索算法,以提高解的局部搜索能力,然后将禁忌搜索的亲本种群Pt和子代种群Ct和禁忌搜索的子代混合在一起,形成一个混合种群。
优选的,步骤6中实验使用MATLAB r2016b实验平台、Win64计算机、activate_matlab扩展平台PLAT-emo完成。
优选的,步骤7中算法的概率设为40%,分布指数设为5\7,分布指数设为8\11,遗传变异概率设为0.8%,nv表示决策变量的个数,通过对算法和性能的比较,提出了三种提高传统MOEAs多目标优化性能的方法,然后对个别算法的具体参数进行设置。
优选的,步骤8中USoSAM架构优化方法填补了无人作战与无人车群战一体化的空白,是系统工程在无人作战领域的一次尝试,本文分为体系结构建模和协同进化优化两部分,无人集群系统体系结构模型由自主决策、任务规划和指挥控制三个基本要素组成,完成了USoSAM体系结构优化设计,并提出了相应的体系结构优化问题,针对USoSAM问题,我们引入了一种基于多目标规划的演化分解算法NSGA-3算法,并对禁忌搜索算法进行了改进,利用禁忌表可以提高局部搜索能力,最后,设计了一个应用于区域侦察与对策(ARD)测试的场景,验证了建模和优化方法的有效性。
与现有技术相比,本发明的有益效果是:
1、本发明在使用时,通过对USoSAM无人作战系统体系结构模型的优化,可实现对复杂多变的群战环境和巨大的状态不稳定性快速做出规划,避免在无人作战模式中整体规划不足的缺陷;
2、本发明在使用时,通过对NSGA-3算法的优化,提出T-NSGA-3算法,此算法可有效提高局部搜索能力和全局搜索能力,在保持多样性和均匀性的同时能够具得更好的结果,为最后的运算结果添加了成功几率。
附图说明
图1为本发明流程图。
具体实施方式
下面将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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:基于无人集群的智能协同架构设计,包括以下步骤:
步骤1:USoSAM建模;
步骤2:探索问题框架,无人机作战体系结构首先要对能力有一个清晰的认识,这是构建体系模型的基础,能力是指完成一个目标或任务所体现的综合素质,兰德将能力定义为在规定的标准和条件下通过一组手段或一组行为来完成一组特定任务并获得预期结果的能力,超网络体系结构建模强调了节点间的交互作用,同时考虑了武器装备性能和数量对系统作战能力的影响,因此,我们结合超网络架构的观点来进行我们的研究,此外,网络力模型给出了描述网络两个关键特征的数学结构,即节点的函数类型和链路的传输类型,为了分析、设计和构建以网络为中心的作战网络,提出了基于超网络的作战网络结构模型,在作战网络系统中,网络节点和子网络具有不同的功能,在当前的指挥控制超网络模型中,采用基于超图理论的C2超网络建模方法对C2网络中的复杂关系进行量化和描述,能力是在任务和系统之间形成直接映射关系的桥梁,从能力生成的角度来看,作战系统的能力通常是指根据任务分配选择不同能力,并规定系统间C2结构的无人作战系统,我们通过定义下面的元素来构建架构模型;能力是战斗武器系统提供侦察、预警、指挥和控制的能力;任务节点是一个可以被能力节点牵引的活动,用C表示;系统节点是具有相应能力的任务驱动设备,记为D;C2结构是指任务与资源、组织、决策过程、环境之间整体有序的协调行为;我们为任务能力构建一个邻接矩阵C={Cmk}mk,并将其
Cln设置为1,否则设置为0,我们为任务无人系统(UM-MCS)和作为后备的无人战备系统(UM-MPCS)建立了无人机系统,它有j_1j1无人执行系统和j2无人准备系统,所选系统提供待执行任务对应的能力,系统能力矩阵为D={den}jk,D={den}jk任务-系统矩阵为A={ale}mj,还有以下要求,
我们假定MCSs是被u1C2单元控制,所有单元构成u2种群,并且C2单元和种群被s1s2索引,有:
与此同时,UM战斗系统中的每个C2单位都被s牵引,每个组都被分配到一个C2单位。最后,将聚类整合到UM-MCS和UM-MPCS中,分别形成邻接矩阵B和C,在UM-MCSs中,如果任务e_1被分配到C2单元中的s_1,设置be 1s 1=1,否则将其设置为0,形成单元邻接矩阵B={be 1s 1}j 1u 1,UM-MPCSs的单元邻接矩阵可以表示为
F={fe 2s 2}j 2u 2;
步骤3:USoSAM目标函数,Konur等人指出性能、已完成的时间和成本是架构的目标,性能和成本是用于描述架构的两个重要属性,无人作战系统的完成时间消耗是另一个重要指标,我们定义USoSAM需要构建一个稳定的、具有最高总体性能、最小化完成时间并消耗最低总成本的体系结构;一个无人作战体系的总成本大致可以分为三个部分:提供资源的作战成本、多智能体协同完成任务的协作成本以及各子系统之间的通信成本,其中,运行成本与USoSAM设计的能力系统有关,沟通成本与组织结构有关,可表示为: 我们设任务完成时间为,5h任务完成时间与任务完成量负相关,与无人作战能力正相关,可以通过C2组织的协同负载来表示,即:/>和CO(T,CW)=-1;对于所选系统e所提供的能力,集合表示jXk系统性能性能为的顺序矩阵,UM-CSoS体系结构的效率包括各个系统对所有功能显示的整体效率,因此总效率等于所有效率的总和,而具体效率则是组件系统通过协作提供的有效性的集成,此时,我们可以将USoSAM优化问题定义为最大效率矩阵变量和最小代价矩阵变量,因此,我们的目标函数设为:
max P erf(A,B,F)&&minCost(A,B,F);有如下约束变量:
因此,约束条件是确保所有邻接矩阵都是有意义的;
步骤4:搜索架构算法,首先随机生成N个种群个体,形成初始种群p,同时生成H个参考点,形成参考点集合R,这些种群中的个体与参考点共同进化,经过固定次数的迭代,得到一组靠近帕累托前沿的非显性解,每一代利用遗传算子对亲本群体Pt进行杂交突变,生成新一代群体Ct,通过使用遗传算子选择亲本种群,我们改进了这一过程,优胜者从亲本种群中选出,劣等个体被淘汰,选择操作者直接将优化的个体(或溶液)感染给下一代,或通过配对和再遗传给后代产生新的个体,选择操作基于群体中个体的适应度评估,我们使用轮盘赌选择方法,在这种方法中,个体的选择概率与其适应度值成正比,在标准化平面上,将每个一维目标均匀分成p个部分,则均匀生成参考点C(m+p-1,p)C(m+p-1,p);在初始迭代中,为了增加找到最优解的概率,扩大搜索范围,随着迭代次数的增加,迭代得到的解趋于最优,因此定域范围缩小:Xg=Xo+RS·(UX-LX);RS表示随机范围,如果边界:
Xj>UX,Xj=Xj-UX+LX,那么Xj≤UX,Xj=Xj-(LX-UX);候选解依赖于一定的策略,对于给定的单个x,邻域解的计算量较大,从所选候选解中选择非显性排序和人群度算子,选择一定数量的解作为候选解,如果有
X∈opt{N(x)},X<Xbest,X被选为下一个解;目前的解决方案x一直是忌讳的,何时且仅何时满足满足;
|X-Xj|<δ,|fi(X1)-fi(X2)|<δ;在使用上述公式计算禁忌表之后,我们接下来确定所有的非显性解,在T-NSGA-III算法中,我们提出在精英策略中引入禁忌搜索算法,以提高解的局部搜索能力,然后将禁忌搜索的亲本种群Pt和子代种群Ct和禁忌搜索的子代混合在一起,形成一个混合种群;
步骤5:仿真实验;
步骤6:实验设置;步骤6中实验使用MATLAB r2016b实验平台、Win64计算机、activate_matlab扩展平台PLAT-emo完成;
步骤7:基准比较分析,我们将候选方法的大小和首选向量初始化为100,并将最大产出设置为100;算法的概率设为40%,分布指数设为5\7,分布指数设为8\11,遗传变异概率设为0.8%,nv表示决策变量的个数,通过对算法和性能的比较,提出了三种提高传统MOEAs多目标优化性能的方法,然后对个别算法的具体参数进行设置;
步骤8:分析结果,USoSAM架构优化方法填补了无人作战与无人车群战一体化的空白,是系统工程在无人作战领域的一次尝试,本文分为体系结构建模和协同进化优化两部分,无人集群系统体系结构模型由自主决策、任务规划和指挥控制三个基本要素组成,完成了USoSAM体系结构优化设计,并提出了相应的体系结构优化问题,针对USoSAM问题,我们引入了一种基于多目标规划的演化分解算法NSGA-3算法,并对禁忌搜索算法进行了改进,利用禁忌表可以提高局部搜索能力,最后,设计了一个应用于区域侦察与对策(ARD)测试的场景,验证了建模和优化方法的有效性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.基于无人集群的智能协同架构设计方法,其特征在于,包括以下步骤:
步骤1:USoSAM建模;
步骤2:问题框架,通过定义下面的元素来构建架构模型;步骤2中能力是战斗武器系统提供侦察、预警、指挥和控制的能力;任务节点是一个可以被能力节点牵引的活动,用C表示;系统节点是具有相应能力的任务驱动设备,记为D;C2结构是指任务与资源、组织、决策过程、环境之间整体有序的协调行为;为任务能力构建一个邻接矩阵C={Cmk}mk,并将其Cln设置为1,否则设置为0,为任务无人系统UM-MCS和作为后备的无人战备系统UM-MPCS建立了无人机系统,它有j_1j1无人执行系统和j2无人准备系统;所选系统提供待执行任务对应的能力,系统能力矩阵为D={den}jk,D={den}jk任务-系统矩阵为A={ale}mj,还有以下要求,
假定MCSs是被u1C2单元控制,所有单元构成u2种群,并且C2单元和种群被s1s2索引,有:
与此同时,UM战斗系统中的每个C2单位都被s牵引,每个组都被分配到一个C2单位,最后,将聚类整合到UM-MCS和UM-MPCS中,分别形成邻接矩阵B和C,在UM-MCSs中,如果任务e_1被分配到C2单元中的s_1,设置be1s1=1,否则将其设置为0,形成单元邻接矩阵B={be1s1}j1u1,UM-MPCSs的单元邻接矩阵可以表示为F={fe2s2}j2u2;
步骤3:USoSAM目标函数;一个无人作战体系的总成本可以分为三个部分:提供资源的作战成本、多智能体协同完成任务的协作成本以及各子系统之间的通信成本,其中,运行成本与USoSAM设计的能力系统有关,沟通成本与组织结构有关,可表示为: 设任务完成时间为,5h任务完成时间与任务完成量负相关,与无人作战能力正相关,可以通过C2组织的协同负载来表示,即:/>和CO(T,CW);对于所选系统e所提供的能力,集合表示jXk系统性能性能为的顺序矩阵,UM-CSoS体系结构的效率包括各个系统对所有功能显示的整体效率,因此总效率等于所有效率的总和,而具体效率则是组件系统通过协作提供的有效性的集成,/>此时,可以将USoSAM优化问题定义为最大效率矩阵变量和最小代价矩阵变量,因此,目标函数设为:
maxPref(A,B,F)&&minCost(A,B,F);有如下约束变量:
步骤4:搜索架构算法,首先随机生成N个种群个体,形成初始种群p,同时生成H个参考点,形成参考点集合R,这些种群中的个体与参考点共同进化,经过固定次数的迭代,得到一组靠近帕累托前沿的非显性解,每一代利用遗传算子对亲本群体Pt进行杂交突变,生成新一代群体Ct,通过使用遗传算子选择亲本种群,改进了这一过程,优胜者从亲本种群中选出,劣等个体被淘汰,选择操作者直接将优化的个体感染给下一代,或通过配对和再遗传给后代产生新的个体,选择操作基于群体中个体的适应度评估,使用轮盘赌选择方法,在这种方法中,个体的选择概率与其适应度值成正比,在标准化平面上,将每个一维目标均匀分成p个部分,则均匀生成参考点C(m+p-1,p)C(m+p-1,p);
步骤5:仿真实验;
步骤6:实验设置;
步骤7:基准比较分析,将候选方法的大小和首选向量初始化为100,并将最大产出设置为100;
步骤8:分析结果。
2.根据权利要求1所述的基于无人集群的智能协同架构设计,其特征在于:步骤4在初始迭代中,为了增加找到最优解的概率,扩大搜索范围,随着迭代次数的增加,迭代得到的解趋于最优,因此定域范围缩小:Xg=Xo+RS·(UX-LX);RS表示随机范围,如果边界:
Xj>UX,Xj=Xj-UX+LX,那么Xj≤UX,Xj=Xj-(LX-UX);候选解依赖于一定的策略,对于给定的单个x,邻域解的计算量较大,从所选候选解中选择非显性排序和人群度算子,选择一定数量的解作为候选解,如果有X∈opt{N(x)},X<Xbest,X被选为下一个解;目前的解决方案x一直是忌讳的,何时且仅何时满足满足;
|X-Xj|<δ,|fi(X1)-fi(X2)|<δ;在使用上述公式计算禁忌表之后,接下来确定所有的非显性解;在T-NSGA-III算法中,提出在精英策略中引入禁忌搜索算法,以提高解的局部搜索能力;然后将禁忌搜索的亲本种群Pt和子代种群Ct和禁忌搜索的子代混合在一起,形成一个混合种群。
3.根据权利要求1所述的基于无人集群的智能协同架构设计,其特征在于:步骤6中实验使用MATLABr2016b实验平台、Win64计算机、activate_matlab扩展平台PLAT-emo完成。
4.根据权利要求1所述的基于无人集群的智能协同架构设计,其特征在于:步骤7中算法的概率设为40%,分布指数设为5\7,分布指数设为8\11,遗传变异概率设为0.8%,nv表示决策变量的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110204397.6A CN112801540B (zh) | 2021-02-24 | 2021-02-24 | 基于无人集群的智能协同架构设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110204397.6A CN112801540B (zh) | 2021-02-24 | 2021-02-24 | 基于无人集群的智能协同架构设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801540A CN112801540A (zh) | 2021-05-14 |
CN112801540B true CN112801540B (zh) | 2023-12-05 |
Family
ID=75815569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110204397.6A Active CN112801540B (zh) | 2021-02-24 | 2021-02-24 | 基于无人集群的智能协同架构设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801540B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113534662B (zh) * | 2021-06-04 | 2022-12-02 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于行为树的无人系统集群控制方法 |
CN114819274B (zh) * | 2022-03-23 | 2023-04-18 | 西南交通大学 | 一种水库多目标优化调度技术评估方法及系统 |
CN115237157B (zh) * | 2022-08-08 | 2024-01-23 | 南京理工大学 | 一种路网约束下的空地无人集群多任务点路径规划方法 |
CN116542468B (zh) * | 2023-05-06 | 2023-10-20 | 中国人民解放军32370部队 | 一种无人机集群任务规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
CN104700165A (zh) * | 2015-03-27 | 2015-06-10 | 合肥工业大学 | 一种多无人机舰机协同路径规划方法 |
CN106705970A (zh) * | 2016-11-21 | 2017-05-24 | 中国航空无线电电子研究所 | 一种基于蚁群算法的多无人机协同路径规划方法 |
CN112130581A (zh) * | 2020-08-19 | 2020-12-25 | 昆明理工大学 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007080584A2 (en) * | 2006-01-11 | 2007-07-19 | Carmel-Haifa University Economic Corp. Ltd. | Uav decision and control system |
US8041654B2 (en) * | 2007-06-01 | 2011-10-18 | Neal Solomon | System for hybridized efficient genetic algorithms to solve bi-objective optimization problems with application to network computing |
US8825562B2 (en) * | 2010-07-19 | 2014-09-02 | Tapicu, Inc. | Method for a system that indexes, ranks, and clusters multimedia documents |
-
2021
- 2021-02-24 CN CN202110204397.6A patent/CN112801540B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
CN104700165A (zh) * | 2015-03-27 | 2015-06-10 | 合肥工业大学 | 一种多无人机舰机协同路径规划方法 |
CN106705970A (zh) * | 2016-11-21 | 2017-05-24 | 中国航空无线电电子研究所 | 一种基于蚁群算法的多无人机协同路径规划方法 |
CN112130581A (zh) * | 2020-08-19 | 2020-12-25 | 昆明理工大学 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112801540A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801540B (zh) | 基于无人集群的智能协同架构设计方法 | |
Bali et al. | Cognizant multitasking in multiobjective multifactorial evolution: MO-MFEA-II | |
Yuan et al. | Evolutionary multitasking in permutation-based combinatorial optimization problems: Realization with TSP, QAP, LOP, and JSP | |
Shima et al. | UAV cooperative multiple task assignments using genetic algorithms | |
CN102902772B (zh) | 一种基于多目标优化的Web社区发现方法 | |
CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
CN113312172B (zh) | 基于适变网络的多无人机集群动态任务调度模型 | |
CN111160511A (zh) | 一种共识主动学习的群体智能方法 | |
Xu et al. | Stigmergic independent reinforcement learning for multiagent collaboration | |
CN112580943B (zh) | 一种应用于无人机集群的任务分解与能力匹配方法 | |
Lin et al. | Multiobjective trajectory optimization with a cutting and padding encoding strategy for single-UAV-assisted mobile edge computing system | |
Wang et al. | An adaptive memetic algorithm for the joint allocation of heterogeneous stochastic resources | |
Hitomi et al. | Extracting and applying knowledge with adaptive knowledge-driven optimization to architect an earth observing satellite system | |
Dang Quoc et al. | Effective evolutionary algorithm for solving the real-resource-constrained scheduling problem | |
Li et al. | An efficient algorithm for task allocation with the budget constraint | |
Dridi et al. | A multi-objective optimization approach for resource assignment and task scheduling problem: Application to maritime domain awareness | |
Shi et al. | Different performances of different intelligent algorithms for solving FJSP: a perspective of structure | |
Duan et al. | Intelligent collaborative architecture design based on unmanned combat swarm | |
Zhou et al. | A novel mission planning method for UAVs’ course of action | |
CN116255986A (zh) | 一种基于决策者偏好的多无人机协同侦察航迹规划方法 | |
Savas et al. | Deceptive planning for resource allocation | |
CN114895710A (zh) | 一种无人机集群自主行为的控制方法及系统 | |
Miloradovic et al. | A genetic planner for mission planning of cooperative agents in an underwater environment | |
Wang et al. | Constrained multi-objective water evaporation optimization algorithm based on decomposition with ε-constraint handling technology | |
Liu | Shortest path selection algorithm for cold chain logistics transportation based on improved artificial bee colony |
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 |