CN113220033B - 基于改进多元宇宙优化算法的多异构无人机任务分配方法 - Google Patents

Abstract

本发明公开了基于改进多元宇宙优化算法的多异构无人机任务分配方法，包括：根据无人机特性与目标属性两者之间关系，建立多无人机任务分配目标函数；采用Logistics混沌初始化和差分变异思想对多元宇宙优化算法进行改进；利用改进后的多元宇宙优化算法对所述多无人机任务分配目标函数进行求解。本方法能够避免多元宇宙优化算法陷入局部最优并加快其收敛速度，使无人机任务分配在付出代价较小的同时得到较大收益。从而有效解决多无人机任务分配问题。

Description

基于改进多元宇宙优化算法的多异构无人机任务分配方法

技术领域

本发明涉及无人机任务分配领域，具体涉及一种基于改进多元宇宙优化算法的多异构无人机任务分配方法。

背景技术

由于无人机具有成本低、体积小、灵活性高等特点，在各个领域都得到了广泛的应用。比如在搜索救援、森林火灾探测、科考勘测等民用领域和军用作战领域中都发挥了重要的作用，无人机代替人工，在危险系数高的任务场景中也能有效地保障执行任务人员的安全。

一般而言，无人机航迹规划和任务分配是两个最基本和最重要的组成部分。因此，任务分配在提髙无人机自主性方面也扮演者重要的角色，是提高无人机自主性的一个关键技术。但在实际任务的执行中，受无人机、任务要求和环境因素等影响与制约，对多无人机进行协同控制是一个极其复杂、极具挑战性的过程，这就导致多无人机在任务分配及重分配上出现很多问题。对于任务环境的复杂性，复杂的对抗性动态环境，可能包含着多种既有的和突发的威胁；对于任务需求的复杂性，不同的任务具有不同的要求，其在作战目标、时序约束、时间敏感性约束、任务间耦合约束、任务指标等各个方面均可能存在着差异，而且作战目标还存在着不确定性；这就导致多无人机协同任务规划问题变成了一个极其复杂的问题，也大大增加了对该问题进行建模与求解的难度。

发明内容

针对异构多无人机任务分配不合理、速度慢问题，本发明提供了一种基于改进多元宇宙优化算法的多异构无人机任务分配方法。

为实现上述目的，本申请的技术方案为：基于改进多元宇宙优化算法的多异构无人机任务分配方法，包括：

根据无人机特性与目标属性两者之间关系，建立多无人机任务分配目标函数；

采用Logistics混沌初始化和差分变异思想对多元宇宙优化算法进行改进；

利用改进后的多元宇宙优化算法对所述多无人机任务分配目标函数进行求解。

进一步地，设无人机集合为V，目标集合为T，任务集合为M；其中V＝{V_i,i＝1,2,…,N_v}，N_v表示无人机数量；T＝{T_j,j＝1,2,…,N_t}，N_t表示目标数量；M＝{M_k,k＝1,2,…,N_m}，N_m为任务数量且N_m为3；通过综合考虑侦察、打击、评估各阶段的收益以及无人机航行距离，建立多无人机任务分配目标函数。

进一步地，无人机对目标进行侦查任务时，根据该无人机的侦查能力指数以及该目标任务的价值，可以得到相应的收益价值，但由于受到目标任务的威胁，无人机自身价值会损失一部分，由此可以得到侦查任务的收益为：

其中，表示V_i侦察能力指数，/>表示T_j的价值，TH_j表示T_j的威胁程度指数，W_i ^A表示V_i价值；

无人机对目标进行侦查任务后，便可对该目标进行打击任务，同理可以得到打击任务的收益为：

其中，p_i,j为V_i对目标T_j的毁伤能力指数，为侦察任务的决策变量；

无人机对目标进行打击任务后，即可对目标进行评估任务，评估任务可以获取打击目标的毁伤程度。同理可以得到评估任务的收益为：

其中，为V_i能够正确评估目标毁伤程度的能力指数，/>为打击任务的决策变量，/>为执行打击任务的无人机对目标T_j的毁伤能力指数。

进一步地，无人机获取的总收益为：

无人机执行任务时的航行距离与其上一任务点的位置有关，由此可知无人机航行距离代价函数为：

其中，d_i,j,h表示无人机在第h个位置与第h-1个位置之间的距离。

通过分析所述无人机获取的总收益以及所述无人机航行距离代价函数，得出多无人机任务分配目标函数；

Maximize:

Subjectto:

其中，Max_Task_i表示无人机i所能执行任务最大数量，且无人机执行任务的数量不能超过任务总数量；表示无人机i在目标j处执行的任务类型，Ability_i表示无人机i所能执行的任务种类，且无人机执行任务的类型需符合无人机类型。

在多无人机任务分配问题中，每次分配无人机执行的任务都有可能不相同，由此将各无人机任务分配的解映射为多元宇宙优化算法中宇宙个体，将无人机映射到宇宙个体中的物体，而由于每个宇宙膨胀率不同，宇宙个体中的物体会通过虫洞从白洞向黑洞进行转移，最终朝着宇宙膨胀率最高的宇宙转移，进而找到任务分配最优结果。

进一步地，采用Logistics混沌初始化多元宇宙种群U，其具体方式为：

Z:x_n+1＝μx_n(1-x_n) (9)

其中，Z表示混沌变量，μ表示控制参量，当μ＝4时混沌变量Z处于全混沌状态。给Z赋一个初值x₀，便可产生一个序列x₀,x₁,x₂…x_m…，这个序列就是一个混沌变量，该序列一直迭代下去可不重复地遍历混沌范围。

更进一步地，由于每个宇宙个体的膨胀率不同，所述宇宙个体中的物体会通过白洞/黑洞轨道进行转移；这个过程遵循轮盘赌机制，参照下式：

其中NI(U_i)表示第i个宇宙的归一化膨胀率，r1是[0,1]范围内的随机数，表示经轮盘赌机制选择出的第k个宇宙的第j个物体；

在不考虑膨胀率大小的情况下，宇宙个体为了实现局部改变和改进自身膨胀率会激发内部物体向当前最优宇宙移动；这一过程按照下式执行：

其中，X_j表示当前最优宇宙的第j个物体，lb_i和ub_i分别指代的下限和上限，r2，r3，r4是[0,1]范围内的随机数；WEP(虫洞存在概率)和TDR(旅行距离数值)是两个重要的参数，WEP表示多元宇宙空间中虫洞存在的概率，TDR表示物体朝着当前最优宇宙移动的步长；两者的更新原则遵照下式：

其中，l是当前迭代次数，L是最大迭代次数，WEP_min＝0.2,WEP_max＝1,p表示开采度，取值为6；

若更新后的最优宇宙优于当前最优宇宙，则将其替换，反之仍保留当前最优宇宙。

更进一步地，当宇宙朝着最优宇宙移动时，执行差分变异操作，在局部搜索阶段确定了一个多元宇宙种群的同时，相应地生成另一个新的多元宇宙种群，生成表达式为：

其中，a和b都是介于1至种群数量之间的随机整数，并且a,b≠i；F表示变异权重因子，其值为[0,1]范围内随机数；

执行差分变异操作后，得到的最优宇宙即为多无人机任务分配目标函数的解。

本发明由于采用以上技术方案，能够取得如下的技术效果：本方法考虑无人机特性和目标属性两者之间关系，建立多无人机任务分配目标函数，采用Logistics混沌初始化和差分变异的改进多元宇宙优化算法对该目标函数进行求解，避免多元宇宙优化算法陷入局部最优并加快其收敛速度，使无人机任务分配在付出代价较小的同时得到较大收益。从而有效解决多无人机任务分配问题。

附图说明

图1为基于改进多元宇宙优化算法的多异构无人机任务分配方法流程图；

图2为本发明的F₁、F₂函数收敛曲线；

图3为本发明的F₃、F₄函数收敛曲线；

图4为本发明的F₅、F₆函数收敛曲线；

图5为本发明的任务分配目标函数最优值进化曲线。

具体实施方式

本发明的实施例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。

实施例1

本实施例提供基于改进多元宇宙优化算法的多异构无人机任务分配方法，包括：根据无人机特性与目标属性两者之间关系，建立多无人机任务分配目标函数；通过Logistics混沌初始化种群，设置参数和变量，其次不断更新虫洞存在概率和旅行距离数值，宇宙个体将不断朝着最优宇宙个体移动，再执行差分变异操作，最后找到最优宇宙和适应度函数值，得到的最优宇宙即为多无人机任务分配目标函数的解。

将改进的多元宇宙优化算法与多元宇宙优化算法、遗传算法、粒子群算法进行对比，改进多元宇宙优化算法解决多无人机任务分配问题更加有效；

各算法的参数设置如表1所示：

表1算法参数表

种群数量设为20，最大迭代次数设为200。设置v₁可以执行侦察任务和评估任务；v₂可以执行侦察任务和打击任务；v₃和v₄可以执行侦察任务、打击任务和评估任务。所有无人机位置坐标为(1,1)。无人机基本参数如表2所示，无人机对目标的毁伤概率如表3所示，目标位置、价值与威胁值如表4所示。

表2无人机的基本参数

表3无人机对目标的毁伤概率

表4目标位置、价值与威胁值

为验证本发明所提改进多元宇宙优化算法的寻优能力，选取表5中6个基准测试函数目标函数并进行仿真实验，6个基准函数分别为：单峰基准函数(F₁,F₂)、多峰基准函数(F₃,F₄)和固定维多峰基准函数(F₅,F₆)。

表5基准测试函数

对表5中6基准测试函数分别应用多元宇宙优化算法和改进多元宇宙优化算法单独运行30次寻优结果的平均值，最小值以及标准差。结果如表6所示：

表6基准函数寻优结果

由表6中数据结果可知，改进多元宇宙优化算法在单峰基准函数、多峰基准函数还是在处理固定维多峰基准函数的优化问题上，与多元宇宙优化算法相比，都具有更好的全局寻优能力与稳定性。为更清楚的反映改进多元宇宙优化算法的寻优能力以及收敛速度，将6个基准测试函数收敛曲线来对比两种算法的寻优能力以及收敛速度。其中F₁、F₂函数的收敛结果如图2所示，F₃、F₄函数的收敛结果如图3所示，F₅、F₆函数的收敛结果如图4所示。

从图2～图4可以看出，无论是在面对单峰基准函数(F₁,F₂)时，还是具有局部极值的多峰基准函数(F₃,F₄)，改进多元宇宙优化算法较多元宇宙优化算法具有更强的寻优能力和更快的收敛速度。改进多元宇宙优化算法通过Logistics混沌初始化和差分变异思想避免其陷入局部最优，避免改进多元宇宙优化算法出现早熟收敛现象。同时，对于固定维多峰基准函数(F₅,F₆)，改进多元宇宙优化算法的全局搜索能力和稳定性依然具有竞争力。

因此，本发明通过Logistics混沌初始化和差分变异思想改进多元宇宙优化算法，在求解6个不同类型的基准测试函数的最优值时，收敛速度更快、寻优能力更强以及具有更好的稳定性。

为验证改进多元宇宙优化算法应用于任务分配问题优越性，现在相同实验环境下，将改进多元宇宙优化算法与粒子群算法、遗传算法、多元宇宙优化算法进行对比，仿真结果如图5所示，随着迭代次数的增加，任务分配目标函数值不断增加，最后趋于平稳，说明找到了当前最好的分配结果。由图5四种算法曲线可以看出，改进多元宇宙优化算法得到的任务分配函数值远高于其他三种算法，而且在迭代初期就能达到较高的数值，在收敛速度方面，略低于粒子群算法，优于遗传算法和多元宇宙优化算法，并在100代左右就成功收敛到最优位置，收敛速度较快。

由此可知，本发明所提改进多元宇宙优化算法优于粒子群算法、遗传算法和多元宇宙优化算法，说明本发明提出的算法对于求解多无人机任务分配问题具有一定优势。

本发明以无人机收益指标和航行距离代价函数指标为基础，建立无人机任务分配模型，同时对多元宇宙优化算法进行Logistics混沌初始化和差分变异改进，避免其陷入局部最优并加快其收敛速度，采用改进多元宇宙优化算法来解决此问题从而得到满足约束条件的最优任务分配方案。仿真结果显示，本发明研究的模型合理有效且应用的算法简单易于实现，可以直接应用于集中式多异构无人机控制中，利用改进多元宇宙优化算法用于搜索和优化全局范围内的变量，克服了传统优化方法的局限性。

本发明的实施例有较佳的实施性，并非是对本发明任何形式的限定。本发明实施例中描述的技术特征或技术特征的组合不应当被认为是孤立的，它们可以被互相组合从而达到更好的技术效果。本发明优选实施方式的范围也可以包括另外的实现，且者应被发明实施例所属技术领域的技术人员所理解。

Claims (3)

1.基于改进多元宇宙优化算法的多异构无人机任务分配方法，其特征在于，包括：

根据无人机特性与目标属性两者之间关系，建立多无人机任务分配目标函数；

采用Logistics混沌初始化和差分变异思想对多元宇宙优化算法进行改进；

利用改进后的多元宇宙优化算法对所述多无人机任务分配目标函数进行求解；

设无人机集合为V，目标集合为T，任务集合为M；其中

V＝{V_i,i＝1,2,…,N_v}，N_v表示无人机数量；T＝{T_j,j＝1,2,…,N_t}，N_t表示目标数量；M＝{M_k,k＝1,2,…,N_m}，N_m为任务数量；通过综合考虑侦察、打击、评估各阶段的收益以及无人机航行距离，建立多无人机任务分配目标函数；

侦查任务的收益为：

其中，表示V_i侦察能力指数，/>表示T_j的价值，TH_j表示T_j的威胁程度指数，W_i ^A表示V_i价值；

打击任务的收益为：

其中，p_i,j为V_i对目标T_j的毁伤能力指数，为侦察任务的决策变量；

评估任务的收益为：

其中，为V_i能够正确评估目标毁伤程度的能力指数，/>为打击任务的决策变量，/>为执行打击任务的无人机对目标T_j的毁伤能力指数；

无人机获取的总收益为：

无人机航行距离代价函数为：

其中，d_i,j,h表示无人机在第h个位置与第h-1个位置之间的距离；

通过分析所述无人机获取的总收益以及所述无人机航行距离代价函数，得出多无人机任务分配目标函数；

Maximize:

Subjectto:

其中，Max_Task_i表示无人机i所能执行任务最大数量；表示无人机i在目标j处执行的任务类型，Ability_i表示无人机i所能执行的任务种类；

将多无人机任务分配目标函数的解映射为多元宇宙优化算法中宇宙个体，采用Logistics混沌初始化多元宇宙种群U，其具体方式为：

Z:x_n+1＝μx_n(1-x_n) (9)

其中，Z表示混沌变量，μ表示控制参量，当μ＝4时混沌变量Z处于全混沌状态；给Z赋一个初值x₀，产生一个序列x₀,x₁,x₂…x_m…，这个序列就是一个混沌变量，该序列一直迭代下去可不重复地遍历混沌范围。

2.根据权利要求1所述基于改进多元宇宙优化算法的多异构无人机任务分配方法，其特征在于，由于每个宇宙个体的膨胀率不同，所述宇宙个体中的物体会通过白洞/黑洞轨道进行转移；这个过程遵循轮盘赌机制，参照下式：

其中NI(U_i)表示第i个宇宙的归一化膨胀率，r1是[0,1]范围内的随机数，表示经轮盘赌机制选择出的第k个宇宙的第j个物体；

宇宙个体为了实现局部改变和改进自身膨胀率会激发内部物体向当前最优宇宙移动；这一过程按照下式执行：

其中，X_j表示当前最优宇宙的第j个物体，lb_i和ub_i分别指代的下限和上限，r2，r3，r4是[0,1]范围内的随机数；WEP和TDR是两个重要的参数，WEP表示多元宇宙空间中虫洞存在的概率，TDR表示物体朝着当前最优宇宙移动的步长；两者的更新原则遵照下式：

其中，l是当前迭代次数，L是最大迭代次数，p表示开采度；

若更新后的最优宇宙优于当前最优宇宙，则将其替换，反之仍保留当前最优宇宙。

3.根据权利要求2所述基于改进多元宇宙优化算法的多异构无人机任务分配方法，其特征在于，当宇宙朝着最优宇宙移动时，执行差分变异操作，在局部搜索阶段确定了一个多元宇宙种群的同时，相应地生成另一个新的多元宇宙种群，生成表达式为：

其中，a和b都是介于1至种群数量之间的随机整数，并且a,b≠i；F表示变异权重因子，其值为[0,1]范围内随机数；

执行差分变异操作后，得到的最优宇宙即为多无人机任务分配目标函数的解。