CN112926825A - 基于多目标量子磷虾群机制的多无人机任务分配方法 - Google Patents
基于多目标量子磷虾群机制的多无人机任务分配方法 Download PDFInfo
- Publication number
- CN112926825A CN112926825A CN202110079047.1A CN202110079047A CN112926825A CN 112926825 A CN112926825 A CN 112926825A CN 202110079047 A CN202110079047 A CN 202110079047A CN 112926825 A CN112926825 A CN 112926825A
- Authority
- CN
- China
- Prior art keywords
- quantum
- krill
- ith
- target
- unmanned aerial
- 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.)
- Granted
Links
Images
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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于多目标量子磷虾群机制的多无人机任务分配方法,针对当无人机任务分配过程中有多个目标需要同时被求解时,本发明设计了多目标量子磷虾群机制来解决多无人机作战任务的多目标联合求解问题,通过使用非支配解排序和拥挤度计算的方法对量子磷虾的位置进行评价,使整个量子磷虾群向有较高的非支配等级和较大拥挤度的量子磷虾位置演化,能够获得更好的性能,而且得到的Pareto最优解能够支配使用单目标优化算法求得的单目标解,实现了能够为同时考虑多个目标的任务分配提供不同的分配方案,决策者可以根据实际工程问题中目标的重要程度来选择合适的任务分配方案,拓宽了已有任务分配方法的应用范围,有更广阔的应用前景。
Description
技术领域
本发明涉及一种智能多目标无人机作战任务分配方法,尤其涉及一种基于多目标量子磷虾群机制的多无人机任务分配方法,属于无人机资源分配领域。
背景技术
无人机是一种由控制站远程控制或自主飞行的飞行器,与载人飞机相比,无人机更适合执行一些复杂、繁重、危险的任务。无人机由于其造价低、效率较高、没有人员伤亡的危险,而且使用方便、生存能力强等优点,在未来空战中具有重要意义,目前,世界各大军事大国在积极从事无人机的开发。随着无人机自主化和网络化通信技术的发展,无人机的作战模式也在不断发展。近年来无人机集群作战得到了广泛的研究,单个无人机的探测能力是有限的,能够装载的武器资源有限,难以完成复杂的作战任务,而如果多架无人机能相互配合,无人机之间通过进行信息交流,共享战场信息,进行协同作战,能够根据战场作战形势形成对己方作战有利的阵型,整个无人机集群作战时可以实现自我判断,自主选择是否进攻、在何时以何种方式进攻,更好地发挥战斗力,指挥无人机执行各类任务,极大地降低了有人战斗机执行任务时的危险性。
目前,无人机集群作战技术发展迅速,在未来战场上无人机集群作战必将成为主要的作战形式。但是也有很多关键的技术问题需要解决,如无人机任务分配等问题。集群作战中,无人机需要根据敌方与己方的状态、武器情况、损失情况等因素,采取相应的策略,任务分配技术就是确定无人机集群中的每一架无人机执行任务的目标和需要执行的任务,在自身损失最小的同时给敌方最大的杀伤,尽可能取得最大的综合效益。
通过对现有技术文献的检索发现,孙小雷等在《系统工程与电子技术》(2015,37(12):2772-2776)上发表的“无人机任务分配与航迹规划协同控制方法”中利用粒子群优化算法求解了任务分配问题,但是只对单一目标进行了求解;宋敏等在《系统仿真学报》(2010,22(07):1706-1710)上发表的“基于差分进化算法的异构多无人机任务分配”通过多个目标因素加权求和将多目标任务分配问题转化为一个单目标优化问题,建立任务分配问题的单目标优化模型进行求解,这样的做法只能求出多目标无人机任务分配问题在某一组权重下的任务分配方案,无法满足需要同时考虑两个或两个以上目标的无人机任务分配的需要,不利于综合决策的同时也由于权重设置的主观性使得任务分配方案不够合理。
已有文献的检索结果表明,现有的多无人机任务分配方法大多是对单一目标进行优化,或通过线性加权的方式,给不同的目标施加不同的权重,把多目标优化问题变成求解组合的单目标优化问题,而真正将任务分配问题作为一个多目标优化问题求解很少。采用单目标优化方法进行任务分配时每次有且仅有某一权重系数的唯一解,当决策者需要对多个不同权重系数所求解进行比较时,需要反复修改各个目标因素的权重系数重新计算,操作繁琐。而采用多目标优化方法进行任务分配时得到的是一组非劣解(或称非支配解),决策者可以根据对目标因素的权重选取不同的非劣解作为任务分配问题的最优解,无需重复修改权重系数重新计算,能够充分利用计算结果。虽然已有的单目标量子磷虾群算法可解决单目标的任务分配问题,但对于复杂的无人机集群多目标任务分配问题,不能获得Pareto前端解,算法失效。因此提出一种多目标无人机任务分配方法,并通过多目标量子磷虾群算法进行求解,能够得到一组Pareto解集,决策者可以根据实际中目标的重要程度来选择合适的任务分配方案。
发明内容
针对当无人机任务分配过程中有多个目标需要同时被求解时,本发明设计了多目标量子磷虾群机制来解决多无人机作战任务的多目标联合求解问题,通过使用非支配解排序和拥挤度计算的方法对量子磷虾的位置进行评价,使整个量子磷虾群向有较高的非支配等级和较大拥挤度的量子磷虾位置演化,有效地解决了多目标无人机任务分配难题。
本发明的目的是这样实现的:步骤如下:
步骤一:建立多目标无人机任务分配模型;
步骤二:初始化多目标量子磷虾群;
步骤三:计算量子磷虾群中每只量子磷虾位置的所有目标函数值;
步骤四:根据量子磷虾的目标函数值,求得所有量子磷虾的非支配等级,并且把量子磷虾按照非支配等级升序排列;
步骤五:对于排序之后的量子磷虾,计算非支配等级相同的量子磷虾的拥挤度;
步骤六:将非支配等级相同的量子磷虾按照拥挤度降序排列,并且把非支配等级为1的量子磷虾加入精英量子磷虾集中;
步骤七:更新量子磷虾的量子旋转角和量子位置;
步骤八:将第t代量子磷虾和第t+1代量子磷虾共同存放在新的集合X′中,对集合X′中所有的量子磷虾进行非支配等级排序,并且计算拥挤度,非支配等级相同的量子磷虾根据拥挤度降序排列;将排序之后的集合X′中前只量子磷虾作为新的量子磷虾群;
步骤十:将精英量子磷虾集中的量子磷虾进行非支配等级排序,非支配等级为1的量子磷虾为最终的精英量子磷虾集,将精英量子磷虾集中的量子磷虾的量子位置映射为量子磷虾位置,也就是最终的Pareto前端解;把精英量子磷虾集中量子磷虾的位置映射为任务分配矩阵,即为所得的所有任务分配方案。
本发明还包括这样一些结构特征:
1.步骤二具体是:设置量子磷虾群的种群规模为问题的维数为D,最大迭代次数设置为将第t代第i只量子磷虾的量子位置记作 其对应的位置为第t代第i只量子磷虾受周围量子磷虾的诱导速度为第t代第i只量子磷虾的诱导方向为第i只量子磷虾的觅食速度为觅食方向为第i只量子磷虾的随机扩散速度为t为当前迭代次数,初始时令t=0。
2.步骤三具体为:适应度计算过程如下:将第t代第i只量子磷虾的量子位置映射为量子磷虾的位置映射规则为 为搜索空间第d维位置的上界,为搜索空间第d维位置的下界;量子磷虾群中量子磷虾的搜索维数D与需要攻击的地面目标数目T相同,量子磷虾的位置为包括整数部分和小数部分,其中整数部分表示无人机编号序列,即这架无人机去执行攻击任务,将小数部分升序排列,排序之后的顺序代表无人机攻击的目标编号,将量子磷虾群中个体的位置映射为具体的无人机任务分配矩阵,然后把量子磷虾位置代入所有的目标的适应度函数,求出量子磷虾群中每一只量子磷虾位置对应的所有目标函数值。
3.步骤四中的非支配解排序的过程为:遍历量子磷虾群中的每一只量子磷虾的位置 得到支配量子磷虾的量子磷虾数目以及量子磷虾所支配的量子磷虾集合如果支配量子磷虾的数目则量子磷虾的非支配等级为1,对于每一只非支配等级为1的量子磷虾遍历其所支配的量子磷虾集合中的每只量子磷虾计算支配的量子磷虾数目如果则将量子磷虾放进集合H中,并将该集合中量子磷虾的非支配等级记为2;对集合H中的每只量子磷虾重复以上过程,得到非支配等级为3的量子磷虾集合;重复以上过程直到获得所有量子磷虾的非支配等级;将所有的量子磷虾按照非支配等级升序排序。
4.步骤五具体为:根据第m个目标的适应度函数值,m=1,2,…,M,M为待优化目标的个数,将非支配等级为k的量子磷虾集合中的只量子磷虾升序排列,表示排序后第i只量子磷虾位置的第m个目标的适应度函数值,表示集合中所有量子磷虾第m个目标函数值的最大值,表示集合中所有量子磷虾第m个目标函数值的最小值,则第i只量子磷虾位置的第m个目标函数的拥挤度计算方法为集合中第i只量子磷虾的拥挤度为 和分别为第i+1只和第i-1只量子磷虾在第t代第m个目标的适应度值。
5.步骤七具体为:在多目标量子磷虾群算法中量子磷虾量子位置的更新受到三种运动的影响:诱导运动、觅食运动和随机扩散;
第i只量子磷虾的邻居对第i只量子磷虾的诱导速度为其中d=1,2,…,D,表示第t代第i只量子磷虾受周围量子磷虾的诱导速度,Nmax是最大诱导速度,ωt为诱导权重,为第t代第i只量子磷虾的诱导方向,计算公式为其中,J为第i只量子磷虾邻居的数量,第i只量子磷虾的邻居是以当前量子磷虾个体为中心,在半径ri t范围内的其他量子磷虾,如果第j只量子磷虾与第i只量子磷虾之间的距离小于ri t,则第j只量子磷虾是第i只量子磷虾的邻居;邻居所属的范围半径计算为||·||为计算向量的2-范数,为扰动变量,为第j个邻居对第i只量子磷虾的影响力,为第j个邻居对第i只量子磷虾量子位置的影响,为全局最优量子位置的影响力,为当前全局最优量子位置对第i只量子磷虾量子位置的影响;rt为[0,1]之间的均匀随机数,Ki t为第i只量子磷虾位置的适应度值,Kj t为第i只量子磷虾第j个邻居的适应度值,和为当前量子磷虾群最差和最优适应度值,在多目标量子磷虾群机制中,Ki t的计算方式为M为待优化目标的个数;为第i只量子磷虾在第t代第m个目标函数值;为精英量子磷虾集中前量子磷虾中随机选择的精英量子磷虾的量子位置;
第i只量子磷虾的觅食速度的更新公式为 为第i只量子磷虾的觅食速度,vf为最大觅食速度,为觅食权重,为觅食方向,计算公式为 为动态变量,为食物影响力,表示食物量子位置对第i只量子磷虾量子位置的影响力,表示全局最优量子位置影响力,为当前全局最优量子位置对第i只量子磷虾量子位置的影响,为食物位置的适应度值,为食物量子位置,为精英量子磷虾集中前量子磷虾中随机选择的精英量子磷虾的量子位置;
由以上三个运动速度分量共同更新量子磷虾的量子旋转角,第i只量子磷虾的量子旋转角的更新公式为权重 为步长因子,为变量上界,为变量的下界,为精英量子磷虾集中前一半量子磷虾中随机选择的精英量子磷虾的量子位置,c为影响因子,是第i只量子磷虾邻居对第i只量子磷虾的诱导运动的第d维,是对第i只量子磷虾觅食速度的第d维,是对第i只量子磷虾随机扩散速度Vi t +1的第d维,第i只量子磷虾量子位置的第d维更新公式为将量子磷虾量子位置通过公式映射为位置,然后把量子磷虾的位置代入所有的目标的适应度函数,求出量子磷虾群中每一只量子磷虾的位置对应的所有目标函数值。
与现有技术相比,本发明的有益效果是:本发明针对单目标无人机任务分配方法仅能优化一个目标或者是组合目标,最终只能给出单一的任务分配方案的不足,提出了基于多目标量子磷虾群机制的多目标无人机任务分配方法,突破了现有量子磷虾群机制不能处理多目标问题的不足,可获得最优Pareto前端,有效解决了当同时存在多个目标需要优化时的无人机任务分配问题,当同时考虑无人机未被摧毁的目标的总价值和无人机的损耗代价这两个目标时,所提出的基于多目标量子磷虾群算法的多目标任务分配方法能够获得更好的性能,而且得到的Pareto最优解能够支配使用单目标优化算法求得的单目标解,实现了能够为同时考虑多个目标的任务分配提供不同的分配方案,决策者可以根据实际工程问题中目标的重要程度来选择合适的任务分配方案,拓宽了已有任务分配方法的应用范围,有更广阔的应用前景。
附图说明
图1本发明所设计的基于多目标量子磷虾群算法的多无人机任务分配方法示意图。
图2使用MOQKH和NSPSO获得的非支配解对比图。
图3使用MOQKH进行多目标无人机任务分配和使用PSO、QKH分别进行单目标任务分配的对比图。
在图2和图3中,本发明所设计的基于多目标量子磷虾群算法的多无人机任务分配方法记作MOQKH;基于多目标粒子群算法的多无人机任务分配方法记作NSPSO;QKH代表单目标量子磷虾群算法,PSO代表粒子群算法,使用QKH对无人机未被摧毁的目标的总价值函数进行单目标求解的目标函数值记作QKH-f1;使用PSO对无人机未被摧毁的目标的总价值函数进行单目标求解的目标函数值记作PSO-f1;使用QKH对无人机的损耗代价函数进行单目标求解的目标函数值记作QKH-f2;使用PSO对无人机的损耗代价函数进行单目标求解的目标函数值记作PSO-f2。
在仿真实验中,设置种群规模维数D=T,最大迭代次数MOQKH的参数设置为:搜索空间第j维位置的上界下界Nmax=0.01,诱导权重最大觅食速度vf=0.05,觅食权重Vmax=0.002,c=0.5。设置无人机数量N=13,需要攻击的地面目标数量T=20,无人机攻击目标的杀伤概率PKi,j、无人机攻击目标之后的生存概率PSi,j和目标的价值Vj参数设置如下:
V=[0.78 0.81 0.85 0.79 0.88 0.78 0.83 0.67 0.64 0.66 0.75 0.69 0.720.84 0.72 0.67 0.80 0.63 0.77 0.82]1×20
从仿真图中可以看出,利用MOQKH获得的Pareto最优解能支配利用NSPSO获得的Pareto最优解,基于MOQKH的多目标无人机任务分配方法可以提供更好的任务分配方案。MOQKH的Pareto前端解中有2个非支配解可以同时支配QKH-f1和PSO-f1,有2个非支配解可以同时支配QKH-f2和PSO-f2。因此,本发明设计的MOQKH求得的任务分配方案优于QKH、PSO等单目标方法,即单目标QKH和PSO的解都被MOQKH非支配解集中的解支配,而且可以根据对两个目标不同的需求灵活地选择任务分配方案。具体的任务分配方案如下表所示。
表1 Pareto前端中的个体对应的任务分配方案
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
结合附图,本发明的方法步骤如下:
步骤一:建立多目标无人机任务分配模型。
假设无人机集群中有N架无人机,需要攻击的有T个地面目标,任务分配的目的就是构建无人机和目标之间的任务分配矩阵,任务分配矩阵可定义为A={ai,j|ai,j∈{0,1}}N×T,i=1,2,…,N,j=1,2,…,T,矩阵中的元素ai,j可定义为本发明考虑的优化目标有两个:无人机未被摧毁的目标的总价值以及无人机的损耗代价。
无人机未被摧毁的目标的总价值表示为Vall为所有目标的总价值,具体计算为Vj为第j个目标的价值。Ui,j为无人机i攻击目标j之后得到的收益,具体计算为Ui,j=PKi,j·PSi,j·Vj,PKi,j为无人机i对目标j的杀伤概率,PSi,j为无人机i攻击目标j之后的生存概率。
多目标无人机任务分配还应该满足以下约束条件:
1.对目标攻击次数的约束。
2.无人机攻击次数约束。
3.对目标价值毁伤的约束。
将多目标无人机任务分配的模型归纳为:min[F1(A),F2(A)]。
步骤二:初始化多目标量子磷虾群。
设置量子磷虾群的种群规模为问题的维数为D,最大迭代次数设置为将第t代第i只量子磷虾的量子位置记作其对应的位置为第t代第i只量子磷虾受周围量子磷虾的诱导速度为第t代第i只量子磷虾的诱导方向为第i只量子磷虾的觅食速度为觅食方向为第i只量子磷虾的随机扩散速度为t为当前迭代次数,初始时令t=0。
步骤三:计算量子磷虾群中每只量子磷虾位置的所有目标函数值。
适应度计算过程如下:将第t代第i只量子磷虾的量子位置映射为量子磷虾的位置映射规则为 为搜索空间第d维位置的上界,为搜索空间第d维位置的下界。量子磷虾群中每只量子磷虾的位置代表一个潜在的解,为了使量子磷虾的位置与任务分配矩阵相对应,需要对量子磷虾的位置进行编码。量子磷虾群中量子磷虾的搜索维数D与需要攻击的地面目标数目T相同,量子磷虾的位置为包括整数部分和小数部分,其中整数部分表示无人机编号序列,即这架无人机去执行攻击任务,将小数部分升序排列,排序之后的顺序代表无人机攻击的目标编号。按照这种规则,可以将量子磷虾群中个体的位置映射为具体的无人机任务分配矩阵。然后把量子磷虾位置代入所有的目标的适应度函数,求出量子磷虾群中每一只量子磷虾位置对应的所有目标函数值。
步骤四:根据量子磷虾的目标函数值,求得所有量子磷虾的非支配等级,并且把量子磷虾按照非支配等级升序排列。
非支配解排序的过程为:遍历量子磷虾群中的每一只量子磷虾的位置得到支配量子磷虾的量子磷虾数目以及量子磷虾所支配的量子磷虾集合如果支配量子磷虾的数目则量子磷虾的非支配等级为1,对于每一只非支配等级为1的量子磷虾遍历其所支配的量子磷虾集合中的每只量子磷虾计算支配的量子磷虾数目如果则将量子磷虾放进集合H中,并将该集合中量子磷虾的非支配等级记为2;对集合H中的每只量子磷虾重复以上过程,可以得到非支配等级为3的量子磷虾集合;重复以上过程直到获得所有量子磷虾的非支配等级。将所有的量子磷虾按照非支配等级升序排序。
步骤五:对于排序之后的量子磷虾,计算非支配等级相同的量子磷虾的拥挤度。
根据第m个目标的适应度函数值,m=1,2,…,M,M为待优化目标的个数,该专利中M=2,将非支配等级为k的量子磷虾集合中的只量子磷虾升序排列,表示排序后第i只量子磷虾位置的第m个目标的适应度函数值, 表示集合中所有量子磷虾第m个目标函数值的最大值,表示集合中所有量子磷虾第m个目标函数值的最小值,则第i只量子磷虾位置的第m个目标函数的拥挤度计算方法为集合中第i只量子磷虾的拥挤度为 和分别为第i+1只和第i-1只量子磷虾在第t代第m个目标的适应度值。
步骤六:将非支配等级相同的量子磷虾按照拥挤度降序排列,并且把非支配等级为1的量子磷虾加入精英量子磷虾集中。
想要得到均匀的Pareto最优解集,量子磷虾群要向非支配等级为1并且拥挤度较大的量子磷虾演进。对于非支配等级相同的量子磷虾,根据拥挤度将其从大到小排序,选择非支配等级为1的量子磷虾,将其加入精英量子磷虾集G,引领其他的量子磷虾向最优的量子磷虾(即精英量子磷虾集)演进。
步骤七:更新量子磷虾的量子旋转角和量子位置。
在多目标量子磷虾群算法中量子磷虾量子位置的更新受到三种运动的影响:诱导运动、觅食运动和随机扩散。
第i只量子磷虾的邻居对第i只量子磷虾的诱导速度为其中d=1,2,…,D,表示第t代第i只量子磷虾受周围量子磷虾的诱导速度,Nmax是最大诱导速度,ωt为诱导权重,为第t代第i只量子磷虾的诱导方向,计算公式为其中,J为第i只量子磷虾邻居的数量,第i只量子磷虾的邻居是以当前量子磷虾个体为中心,在半径ri t范围内的其他量子磷虾,如果第j只量子磷虾与第i只量子磷虾之间的距离小于ri t,则第j只量子磷虾是第i只量子磷虾的邻居。邻居所属的范围半径计算为||·||为计算向量的2-范数,为扰动变量,为第j个邻居对第i只量子磷虾的影响力,为第j个邻居对第i只量子磷虾量子位置的影响,为全局最优量子位置的影响力,为当前全局最优量子位置对第i只量子磷虾量子位置的影响。rt为[0,1]之间的均匀随机数,Ki t为第i只量子磷虾位置的适应度值,Kj t为第i只量子磷虾第j个邻居的适应度值,和为当前量子磷虾群最差和最优适应度值,在多目标量子磷虾群机制中,Ki t的计算方式为 为第i只量子磷虾在第t代第m个目标函数值。为精英量子磷虾集中前量子磷虾中随机选择的精英量子磷虾的量子位置。
第i只量子磷虾的觅食速度的更新公式为 为第i只量子磷虾的觅食速度,vf为最大觅食速度,为觅食权重,为觅食方向,计算公式为 为动态变量,为食物影响力,表示食物量子位置对第i只量子磷虾量子位置的影响力,表示全局最优量子位置影响力,为当前全局最优量子位置对第i只量子磷虾量子位置的影响,为食物位置的适应度值,为食物量子位置,为精英量子磷虾集中前量子磷虾中随机选择的精英量子磷虾的量子位置。
由以上三个运动速度分量共同更新量子磷虾的量子旋转角,第i只量子磷虾的量子旋转角的更新公式为权重 为步长因子,为变量上界,为变量的下界,为精英量子磷虾集中前一半量子磷虾中随机选择的精英量子磷虾的量子位置,c为影响因子,是第i只量子磷虾邻居对第i只量子磷虾的诱导运动的第d维,是对第i只量子磷虾觅食速度的第d维,是对第i只量子磷虾随机扩散速度Vi t+1的第d维,第i只量子磷虾量子位置的第d维更新公式为将量子磷虾量子位置通过公式映射为位置,然后把量子磷虾的位置代入所有的目标的适应度函数,求出量子磷虾群中每一只量子磷虾的位置对应的所有目标函数值。
步骤八:将第t代量子磷虾和第t+1代量子磷虾共同存放在新的集合X′中,对集合X′中所有的量子磷虾进行非支配等级排序,并且计算拥挤度,非支配等级相同的量子磷虾根据拥挤度降序排列。将排序之后的集合X′中前只量子磷虾作为新的量子磷虾群。
步骤十:将精英量子磷虾集中的量子磷虾进行非支配等级排序,非支配等级为1的量子磷虾为最终的精英量子磷虾集,将精英量子磷虾集中的量子磷虾的量子位置映射为量子磷虾位置,也就是最终的Pareto前端解。把精英量子磷虾集中量子磷虾的位置映射为任务分配矩阵,即为所得的所有任务分配方案。
Claims (6)
1.基于多目标量子磷虾群机制的多无人机任务分配方法,其特征在于:步骤如下:
步骤一:建立多目标无人机任务分配模型;
步骤二:初始化多目标量子磷虾群;
步骤三:计算量子磷虾群中每只量子磷虾位置的所有目标函数值;
步骤四:根据量子磷虾的目标函数值,求得所有量子磷虾的非支配等级,并且把量子磷虾按照非支配等级升序排列;
步骤五:对于排序之后的量子磷虾,计算非支配等级相同的量子磷虾的拥挤度;
步骤六:将非支配等级相同的量子磷虾按照拥挤度降序排列,并且把非支配等级为1的量子磷虾加入精英量子磷虾集中;
步骤七:更新量子磷虾的量子旋转角和量子位置;
步骤八:将第t代量子磷虾和第t+1代量子磷虾共同存放在新的集合X′中,对集合X′中所有的量子磷虾进行非支配等级排序,并且计算拥挤度,非支配等级相同的量子磷虾根据拥挤度降序排列;将排序之后的集合X′中前只量子磷虾作为新的量子磷虾群;
步骤十:将精英量子磷虾集中的量子磷虾进行非支配等级排序,非支配等级为1的量子磷虾为最终的精英量子磷虾集,将精英量子磷虾集中的量子磷虾的量子位置映射为量子磷虾位置,也就是最终的Pareto前端解;把精英量子磷虾集中量子磷虾的位置映射为任务分配矩阵,即为所得的所有任务分配方案。
3.根据权利要求1或2所述的基于多目标量子磷虾群机制的多无人机任务分配方法,其特征在于:步骤三具体为:适应度计算过程如下:将第t代第i只量子磷虾的量子位置映射为量子磷虾的位置映射规则为 为搜索空间第d维位置的上界,为搜索空间第d维位置的下界;量子磷虾群中量子磷虾的搜索维数D与需要攻击的地面目标数目T相同,量子磷虾的位置为包括整数部分和小数部分,其中整数部分表示无人机编号序列,即这架无人机去执行攻击任务,将小数部分升序排列,排序之后的顺序代表无人机攻击的目标编号,将量子磷虾群中个体的位置映射为具体的无人机任务分配矩阵,然后把量子磷虾位置代入所有的目标的适应度函数,求出量子磷虾群中每一只量子磷虾位置对应的所有目标函数值。
6.根据权利要求1或5所述的基于多目标量子磷虾群机制的多无人机任务分配方法,其特征在于:步骤七具体为:在多目标量子磷虾群算法中量子磷虾量子位置的更新受到三种运动的影响:诱导运动、觅食运动和随机扩散;
第i只量子磷虾的邻居对第i只量子磷虾的诱导速度为其中d=1,2,…,D,表示第t代第i只量子磷虾受周围量子磷虾的诱导速度,Nmax是最大诱导速度,ωt为诱导权重,为第t代第i只量子磷虾的诱导方向,计算公式为其中,J为第i只量子磷虾邻居的数量,第i只量子磷虾的邻居是以当前量子磷虾个体为中心,在半径ri t范围内的其他量子磷虾,如果第j只量子磷虾与第i只量子磷虾之间的距离小于ri t,则第j只量子磷虾是第i只量子磷虾的邻居;邻居所属的范围半径计算为||·||为计算向量的2-范数,为扰动变量,为第j个邻居对第i只量子磷虾的影响力,为第j个邻居对第i只量子磷虾量子位置的影响,为全局最优量子位置的影响力,为当前全局最优量子位置对第i只量子磷虾量子位置的影响;rt为[0,1]之间的均匀随机数,Ki t为第i只量子磷虾位置的适应度值,Kj t为第i只量子磷虾第j个邻居的适应度值,和为当前量子磷虾群最差和最优适应度值,在多目标量子磷虾群机制中,Ki t的计算方式为M为待优化目标的个数;为第i只量子磷虾在第t代第m个目标函数值;为精英量子磷虾集中前量子磷虾中随机选择的精英量子磷虾的量子位置;
第i只量子磷虾的觅食速度的更新公式为 为第i只量子磷虾的觅食速度,vf为最大觅食速度,为觅食权重,为觅食方向,计算公式为 为动态变量,为食物影响力,表示食物量子位置对第i只量子磷虾量子位置的影响力,表示全局最优量子位置影响力,为当前全局最优量子位置对第i只量子磷虾量子位置的影响,为食物位置的适应度值,为食物量子位置,为精英量子磷虾集中前量子磷虾中随机选择的精英量子磷虾的量子位置;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110079047.1A CN112926825B (zh) | 2021-01-21 | 2021-01-21 | 基于多目标量子磷虾群机制的多无人机任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110079047.1A CN112926825B (zh) | 2021-01-21 | 2021-01-21 | 基于多目标量子磷虾群机制的多无人机任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926825A true CN112926825A (zh) | 2021-06-08 |
CN112926825B CN112926825B (zh) | 2023-10-10 |
Family
ID=76165235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110079047.1A Active CN112926825B (zh) | 2021-01-21 | 2021-01-21 | 基于多目标量子磷虾群机制的多无人机任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926825B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608546A (zh) * | 2021-07-12 | 2021-11-05 | 哈尔滨工程大学 | 量子海狮机制的无人机群任务分配方法 |
CN113887919A (zh) * | 2021-09-28 | 2022-01-04 | 南京理工大学 | 基于杂交-离散粒子群算法的多无人机协同任务分配方法及系统 |
CN114844039A (zh) * | 2022-05-27 | 2022-08-02 | 合肥工业大学 | 一种基于量子近似态的需求侧响应协同优化方法 |
CN114995492A (zh) * | 2022-05-27 | 2022-09-02 | 哈尔滨工程大学 | 一种多无人机抢灾救援规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108171315A (zh) * | 2017-12-27 | 2018-06-15 | 南京邮电大学 | 基于smc粒子群算法的多无人机任务分配方法 |
CN109460056A (zh) * | 2018-11-06 | 2019-03-12 | 哈尔滨工程大学 | 基于量子磷虾群演化机制的无人机集群作战博弈决策方法 |
CN111191840A (zh) * | 2019-12-30 | 2020-05-22 | 沈阳理工大学 | 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 |
-
2021
- 2021-01-21 CN CN202110079047.1A patent/CN112926825B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108171315A (zh) * | 2017-12-27 | 2018-06-15 | 南京邮电大学 | 基于smc粒子群算法的多无人机任务分配方法 |
CN109460056A (zh) * | 2018-11-06 | 2019-03-12 | 哈尔滨工程大学 | 基于量子磷虾群演化机制的无人机集群作战博弈决策方法 |
CN111191840A (zh) * | 2019-12-30 | 2020-05-22 | 沈阳理工大学 | 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 |
Non-Patent Citations (1)
Title |
---|
HONGYUAN GAO ET.AL: "DOA Estimation Method of Short Snapshots Based on Cultural Pigeon-inspired Optimization Algorithm", IET INTERNATIONAL RADAR CONFERENCE 2020 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608546A (zh) * | 2021-07-12 | 2021-11-05 | 哈尔滨工程大学 | 量子海狮机制的无人机群任务分配方法 |
CN113608546B (zh) * | 2021-07-12 | 2022-11-18 | 哈尔滨工程大学 | 量子海狮机制的无人机群任务分配方法 |
CN113887919A (zh) * | 2021-09-28 | 2022-01-04 | 南京理工大学 | 基于杂交-离散粒子群算法的多无人机协同任务分配方法及系统 |
CN114844039A (zh) * | 2022-05-27 | 2022-08-02 | 合肥工业大学 | 一种基于量子近似态的需求侧响应协同优化方法 |
CN114995492A (zh) * | 2022-05-27 | 2022-09-02 | 哈尔滨工程大学 | 一种多无人机抢灾救援规划方法 |
CN114844039B (zh) * | 2022-05-27 | 2024-03-12 | 合肥工业大学 | 一种基于量子近似态的需求侧响应协同优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112926825B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926825A (zh) | 基于多目标量子磷虾群机制的多无人机任务分配方法 | |
CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
CN108549402B (zh) | 基于量子乌鸦群搜索机制的无人机群任务分配方法 | |
CN113741508B (zh) | 基于改进狼群算法的无人机任务分配方法 | |
CN114545975B (zh) | 融合多目标进化算法和合同网算法的多无人机系统任务分配方法 | |
CN113009934A (zh) | 一种基于改进粒子群算法的多无人机任务动态分配方法 | |
CN111311049B (zh) | 多智能体协同任务分配方法 | |
CN114594794B (zh) | 一种考虑子系统执行能力的多机协同任务规划方法 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN113031650B (zh) | 一种不确定环境下的无人机集群协同目标分配设计方法 | |
CN111797966B (zh) | 一种基于改进羊群算法的多机协同全局目标分配方法 | |
CN113324545B (zh) | 一种基于混合增强智能的多无人机协同任务规划方法 | |
CN113608546B (zh) | 量子海狮机制的无人机群任务分配方法 | |
CN115494864B (zh) | 基于蚁群算法的异构多无人机任务分配方法 | |
Bai et al. | Multi-UAV cooperative trajectory planning based on many-objective evolutionary algorithm | |
CN116702633B (zh) | 一种基于多目标动态优化的异构弹群任务可靠性规划方法 | |
Wu et al. | Heterogeneous mission planning for multiple uav formations via metaheuristic algorithms | |
CN116681223A (zh) | 一种基于增强moea/d的多阶段作战资源协同分配方法 | |
CN115471110A (zh) | 一种基于条件概率的考虑多目标进化算法的多异构无人机系统协同任务分配方法 | |
CN115829230A (zh) | 一种异构无人机群协同攻击任务分配方法 | |
CN116796284A (zh) | 一种应用于对抗环境下面向无人机集群的意图识别方法 | |
CN116009569A (zh) | Sead任务场景下一种基于多类型基因染色体遗传算法的异构多无人机任务规划方法 | |
Liu et al. | Multi-uavs cooperative coverage reconnaissance with neural network and genetic algorithm | |
CN116698032A (zh) | 基于多目标自组织松鼠觅食机制的无人机航迹规划方法 | |
CN111382896B (zh) | 一种自适应混沌并行克隆选择算法的wta目标优化方法 |
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 |