CN113312172B - 基于适变网络的多无人机集群动态任务调度模型 - Google Patents

基于适变网络的多无人机集群动态任务调度模型 Download PDF

Info

Publication number
CN113312172B
CN113312172B CN202110200618.2A CN202110200618A CN113312172B CN 113312172 B CN113312172 B CN 113312172B CN 202110200618 A CN202110200618 A CN 202110200618A CN 113312172 B CN113312172 B CN 113312172B
Authority
CN
China
Prior art keywords
task
capability
capacity
unmanned aerial
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
CN202110200618.2A
Other languages
English (en)
Other versions
CN113312172A (zh
Inventor
王维平
段婷
王涛
李小波
黄美根
朱一凡
周鑫
王飞
李童心
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110200618.2A priority Critical patent/CN113312172B/zh
Publication of CN113312172A publication Critical patent/CN113312172A/zh
Application granted granted Critical
Publication of CN113312172B publication Critical patent/CN113312172B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (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)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明目前的网络架构在无人机任务调度过程中遇到的失效节点，不能实时的动态的提供能力需求，本文针对无人机集群任务调度过程中面临的突发情况问题，提出了面向无人机集群任务的适变式网络架构动态调度模型(DSM‑FNA)，借鉴DARPA的“马赛克战”适变思想，运用超网络的理论方法，结合柔性网络与弹性网络的管理理论对模型进行组织计算，根据任务所需的能力需求，采用线性变换函数对能力值加权并分层，接着提出适变式网络架构动态调度算法(FDSA)，针对失效点设计替补策略，有效的实现能力与任务的动态自适应，最后通过与经典的Max‑Min算法实验对比分析，验证在无人机集群面临突发情况下FDSA算法相比经典的调度算法可以迅速做出动态调整以便快速响应。

Description

基于适变网络的多无人机集群动态任务调度模型
技术领域
本发明涉及无人机技术领域，具体为基于适变网络的多无人机集群动态任务调度模型。
背景技术
经济的信息化全球化迅猛发展、无人化智能化作战运用理念的深化，AI/ML技术的飞速进步，无人平台应用在陆、海、空各个领域，无人机集群适变式任务架构的研究已成为研究的热点，但是现有的研究大部分将任务执行过程中某节点或者某一子群出现故障的问题忽略不计，现有无人机集群任务架构研究中大多从宏观的整体考虑，缺乏细节性和真实性，如何考虑在任务执行过程中对突发情况进行临机自主应变，是无人机集群适变式任务架构研究的难点。
Keus的Netforce参考模型，她的数学模型结构能较好地描述网络的两个关键特征，在当前的指挥控制C2超网络模型中，网络节点和子网络分别具有不同的功能，对C2网络中的复杂关系进行量化和描述，超网络体系架构建模突出了节点之间交互关系的作用，同时考虑复杂而多变的集群作战环境和具有极大的状态不确定性以及极强的时间约束，是对于敌我双方大规模无人作战活动成功与否的先决条件，一个编队的无人作战可以以最小的代价执行不同任务，同时对多个作战领域实施全方位地攻扰探测任务，“马赛克战”利用动态、协调和具有高度自适应性的可组合力量，将低成本、低复杂度的系统以多种方式链接在一起，建成一个类似“马赛克块”的作战体系，Mosaic适变性在于这个体系中的某个部分、部分组合被敌方摧毁时，能自动快速反应，形成虽功能降级但仍能相互链接、适应战场情境和作战需求的作战体系，实际作战过程中，情境态势是实时变化的，任务也会随即改变，不会是提前输入固定不变的，在以网络为中心的环境下，军事通信超网络(MCNs)是为了适应现代战场的需要而开发的人工功能网络，军事通信网络的主要特点是节点之间的异构多连接关系[7]，此外，Netforce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、设计和构建一个以网络为中心的业务网络，提出了一个基于超网络的业务网络结构模型，但是功能网络和子网络不能被分解，在作战网络SoS中，网络节点和子网具有不同的功能，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了量化和描述，一般认为，超网络是指具有大规模、复杂连接和异构节点的网络，由基础设施、信息资源和组织网络组成的区域物流网络结构模型，使用超网络数学模型可以体现不同层次与信息传播之间的关系水平。
体系架构是系统能力的载体，通过集成不同组件系统的所有能力来实现作战的总体任务目标，作战方式从单机简单任务向多机协同执行多个复杂任务、且群体合作、无人干预、自主协调的方向发展，因此，将DSM-FNA集成到现有的作战系统中，将是未来作战战场的主要形式，对DSM-FNA能力的发挥起着举足轻重的作用，针对当前无人机集群体系网络架构面临的挑战，提出了一种面向任务的DSM-FNA，该模型采用超网络的理论方法对网络架构进行描述，提高网络的定量计算能力，使用能力加权分层方法与任务节点模糊映射，提高了网络架构的灵活性和智能性的同时实现了能力与任务需求的映射关系，减少了算法的搜索空间和时间成本，同时降低了任务调度的复杂度。
由于成本低廉，作战任务多元等特点，无人集群为各军事强国所重视，无人集群架构任务调度已成为研究的热点，近年来，美国在大力发展的“无人机协同作战”技术包括(DARPA)重点推进的无人集群蜂群体系作战新概念技术和忠诚僚机项目，即通过美国第五代战机实现控制无人“僚机”的智能技术，这些技术都注重提升大型高性能无人机、无人僚机、无人机群蜂群等智能化装备在作战中的地位作用，目前基于无人机集群作战任务调度研究主要分为两个部分。
其一是，将任务调度与智能算法相结合，解决无人机集群架构的任务调度问题，Lamont开发了一个基于多目标进化算法的并行任务规划系统，Ramirez-Atencia提出了一种新的多目标遗传算法，用于解决涉及一组无人机和一组地面控制站(GCS)的复杂任务规划调度问题，他们进一步提出了一种新的算法，旨在获得帕累托最优边界(POF)中最重要的解，此外，由于任务规划的复杂性，数学模型很难详细描述规划问题的所有特征，由于军事作战系统功能实体的复杂性和实体间信息的关联流动，对其进行建模是一项具有挑战性的任务，网络科学的快速发展带来了新的希望，事实上，对于复杂网络表示军事组织的研究已经很多了。
其二是利用仿真方法来研究这个问题，Slear设计并实现了一个综合任务规划系统，该系统集成了无人机群仿真系统中的几个问题域，Wei等人提出了无人机群配置和任务规划调度的运行仿真框架，Gaudiano等人提出了一种利用遗传算法来进化群控制参数的策略，如无人机在不同模式下的转移概率、信息素衰减率、无人机的信息素吸引参数等，用于搜索和压制敌方防空任务，类似地，在Dasgupta中，自动目标识别的群集机制是基于昆虫使用信息素作为寻找目标路径的积极强化的通信机制，仿真结果仅在模拟场景AEDGE仿真平台上得到验证，Kurdi等人基于蝗虫物种的性质以及它们对内外动力的自主和弹性行为，提出了一种新的自主生物启发方法，有效地分配任务在多个无人机在一个任务，讨论了在任务过程中自主运行的多个无人机之间动态分配任务的机制，任务分配由每架无人机在任务过程中根据与个体无人机的操作状态或任务参数相关的标准动态调整。
但是现有大部分研究都没有考虑集群架构的临机适变能力，当任务被执行时，无人机被分配的任务是已知的，执行任务过程中，事态环境的实时变化不可每件事都预知，导致某架无人机或某子群的任务不能执行，集群架构中节点或者子网络失效，无人集群架构如何动态适应环境的变化将是一个大的难题。
发明内容
本发明解决的技术问题在于克服现有技术的问题，提供基于适变网络的多无人机集群动态任务调度模型。
1.基于适变网络的多无人机集群动态任务调度模型，包括适变式网络架构动态调度算法；
(1)发送任务需求到对应的能力簇，根据任务的需求，利用计算表达式，计算综合能力期望，找到对应的能力簇，然后由机器人将任务的信息发送给虚拟任务队列中。
(2)启动能力替补策略，产生该任务的pi会作为信号，自动触发替补策略，协同管理的机器人开始等待接收数值。
(3)计算剩余能力和工作负载，判断是否参与替补策略。能力簇中的能力分别可计算出自身的能力剩余值和按照下列计算表达式，计算出网络架构自身的协同负载，到当前能力簇中的虚拟任务队列读取任务的信息，若符合需求，则参与替补，如无法满足，则退出当前层从上层的能力簇中查找。
(4)计算任务的评价值和协同负载值,然后通过信息交互机器人将评价结果发出。
(5)确定执行任务目标节点，机器人自动将最大评价值的任务节点的执行点设置为提供最大评价值的能力节点。
(6)执行任务，当替补策略结束也就是替补队员为零时，当前无人机被自动替补，任务执行，行动结束。
2.基于适变网络的多无人机集群动态任务调度模型，包括适变式网络架构动态调度算法过程；
(1)首先在适变网络计算模型中，能力会被划分到不同的能力层的能力簇中，可以使用不同的集合进行表示，每次任务突遇特殊情况时，按需分配，任务需要按照对能力的需求到相应的能力簇中进行查找替补队员，从而减少了任务的完成时间。
(2)然后当任务被发送到对应的能力簇中时，一个新任务只会发送一条信息产生一个负载值，对于m个任务会产生m个负载值，当虚拟任务队列不为空时，每个可以参加调度的队员需要读取信息确定是否可以加入调度队列，此时产生的负载值最大可以执行任务的能力节点可接受的信息n，当启动替补策略选择替补队员时，整个过程的信息产生值也不会大于任务的发送信息m，所有无人机集群替补节点中将拥有最大评价值的无人机能力节点确定为失效节点的替补节点，然后将任务发送到该替补无人机节点上，因此对于m个任务产生的负载值为不超过m。
(3)接下来计算随着网络架构的扩大，能力节点n和任务节点m不断增加。
(4)最后随着问题规模的不断增加，对能力属性进行层级聚类建立能力与任务需求之间的一一映射关系，不仅极大的降低了问题的复杂度，而且提高了任务的完成效率，使得失效节点和意外情况的发生时，可以在分层次下产生的能力簇中快速找到合适的任务替补点。
与现有技术相比，本发明的有益效果是：
本发明针对当前无人机集群任务调度网络体系结构中灵活性的挑战，提出并建立了面向无人机集群任务的适变网络动态调度模型(DSM-FNA)，DSM-FNA通过设计了一种基于适变网络的动态调度算法来动态地管理和控制能力与任务，有效的实现能力与任务的动态自适，基于综合能力值期望，可以对应能力层中的能力簇，将能力与任务实现一一映射关系，因此，有效地减少了选择空间，满足了不同任务调度的作战需要，保证了分配的合理性，最后通过实验比较和分析，可以得出DSM-FNA相比经典的算法能有效地减少通信负载和任务调度时间，验证了提出模型的有效性，同时保证了网络架构的灵活性和可靠性，为任务需求与能力的动态匹配提供了理论基础和关键技术，从而提高了系统的灵活性、可靠性和独立的决策能力，正确地满足了态势环境的改变下任务架构小范围的适变问题。
附图说明
图1为本发明算法流程图；
图2为本发明调度方法图；
图3为本发明实验对比图；
图4(a)为同一任务序列的FDSA与传统调度算法耗时比较；图4(b)任务序列数不同。
图5为本发明FDSA与传统调度算法的耗时比较。
图6为本发明FDSA与传统调度算法的负载比较。
图7为本发明系统中组件的配置图。
图8为本发明能力层图。
图9本发明隶属度函数可视化如下图。
图10为本发明能力需求任务映射关系图。
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1-6，本发明提供一种技术方案：
实施例一：1.基于适变网络的多无人机集群动态任务调度模型，包括适变式网络架动态调度算法；
(1)发送任务需求到对应的能力簇，根据任务的需求，利用计算表达式，计算综合能力期望，找到对应的能力簇，然后由机器人将任务的信息发送给虚拟任务队列中。
(2)启动能力替补策略，产生该任务的pi会作为信号，自动触发替补策略，协同管理的机器人开始等待接收数值。
(3)计算剩余能力和工作负载，判断是否参与替补策略。能力簇中的能力分别可计算出自身的能力剩余值和按照下列计算表达式，计算出网络架构自身的协同负载，到当前能力簇中的虚拟任务队列读取任务的信息，若符合需求，则参与替补，如无法满足，则退出当前层从上层的能力簇中查找。
(4)计算任务的评价值和协同负载值,然后通过信息交互机器人将评价结果发出。
(5)确定执行任务目标节点，机器人自动将最大评价值的任务节点的执行点设置为提供最大评价值的能力节点。
(6)执行任务，当替补策略结束也就是替补队员为零时，当前无人机被自动替补，任务执行，行动结束。
2.基于适变网络的多无人机集群动态任务调度模型，包括适变式网络架构动态调度算法过程；
(1)首先在适变网络计算模型中，能力会被划分到不同的能力层的能力簇中，可以使用不同的集合进行表示，每次任务突遇特殊情况时，按需分配，任务需要按照对能力的需求到相应的能力簇中进行查找替补队员，从而减少了任务的完成时间。
(2)然后当任务被发送到对应的能力簇中时，一个新任务只会发送一条信息产生一个负载值，对于m个任务会产生m个负载值，当虚拟任务队列不为空时，每个可以参加调度的队员需要读取信息确定是否可以加入调度队列，此时产生的负载值最大可以执行任务的能力节点可接受的信息n，当启动替补策略选择替补队员时，整个过程的信息产生值也不会大于任务的发送信息m，所有无人机集群替补节点中将拥有最大评价值的无人机能力节点确定为失效节点的替补节点，然后将任务发送到该替补无人机节点上，因此对于m个任务产生的负载值为不超过m。
(3)接下来计算随着网络架构的扩大，能力节点n和任务节点m不断增加。
(4)最后随着问题规模的不断增加，对能力属性进行层级聚类建立能力与任务需求之间的一一映射关系，不仅极大的降低了问题的复杂度，而且提高了任务的完成效率，使得失效节点和意外情况的发生时，可以在分层次下产生的能力簇中快速找到合适的任务替补点。
实施二：1、组织架构无人集群体系架构反映了系统中组件的配置以及组件与外部环境之间的交互，第三部分针对无人机集群架构节点中断的可能性和任务端遇到的不确定因素，以及网络架构在灵活、自适应性等方面的弊端，提出了一个面向任务的适变网络，运用网络的适变理论服务于作战任务网络架构，适变网络是根据利用当前架构内部网络节点的资源和整个网络中其他节点的有效资源，来达到失效节点的迅速适变要求，实现适应当前突发环境变化的能力，将柔性网络运用于适变机制，当网络发生状况进行改变时，较短的时间内可自主调节，可以及时找出应对的措施，并且尽可能的减少损失，为了缩减问题规模，依据任务对能力的需求将无人机集群拥有的能力划分为不同的能力等级，并且在等级中按照等级中的能力聚类成不同的能力簇，从而形成能力和任务的映射机制，最后根据任务的需求，选择不同的能力簇，我们只考虑无人机集群中无人机之间的互助行为，自动进行救助活动，接下来根据满足的任务需求将供给层进行聚类。
定义1.1：作战体系结构的能力是作战系统可以为集群作战提供侦察预警、指挥控制、火力拦截等m个能力，让能力被l索引，则有l∈L＝{1,2,…,m}
定义1.2：能力层LC(l,a),{l∈[1,SLn],a∈[1,SCn]}，其中l为层数，a为能力簇的序号，SCn为聚类的能力簇个数，记SC(l,1),SC(l,2),SC(l,3)...SC(n,n)，举例表示前三个并且用云状虚线表示如下图1，通过构造能力供给层和任务需求之间的映射关系，将任务对单个救援节点的搜索空间缩小，转变为对整个能力簇进行搜索。
定义1.3：任务节点是可由能力节点所牵引的作战活动，记为C，定义任务与能力的关系，每个任务可以被细化成最小的原子任务组成任务列表，并且可以被n索引，即n∈N＝{1，2，…，k}，因此我们建立一个关于任务-能力的邻接矩阵C＝{Cln}mk，表示任务l是否需要能力n，如果任务需要能力的索引，则令Cln为1，否则设置为0，对每一个任务n都至少有一个能力l，即:
定义1.4，即定义为TC＝{t1,t2,t3...}，可以为任务分配供给，其中t1,t2,t3...表示任务队列，p1,p2,p3...为提供服务的能力节点，对于网络中的任务节点来说，适变网络会根据对需求的能力，动态地将其发送到对应供给簇的任务队列t1,t2,t3...中，将能力节点的集合定义为P＝{p1,p2,p3,...,pn}，n为能力的个数，为了更好的描述能力，选择无人机侦控、控制、侦控打能力将其属性定义为p＝{pzc,pcd,pzkd,...}，然后对这无人机节点的属性值进行数值计算，获得所在供给节点pi所在的能力供给层。
定义1.5：系统节点是完成要求的任务提供相应的能力的装备，记为D。
无人机集群作战系统，我们设置无人机集群作战系统为侦察系统、攻击系统、控制系统，设有j1个侦察系统和j2个攻击系统和j3个控制系统，令m1被e1索引，即可以表示为e1∈E1＝{1,2,...,j1}，m2被e2索引，即可以表示为e2∈E2＝{1,2,...,j2}，m3被e3索引，即可以表示为e3∈E3＝{1,2,...,j3}，则E＝E1+E2+E3，选择的系统给要执行的任务提供相应的能力，因此我们定义系统-能力矩阵为D＝{den}jk，系统e需要n个能力时，则令den为1，否则为0，任务-系统矩阵为A＝{ale}mj，任务l需要e个系统时，则令ale设置为1，否则设置为0，既有：
其中，我们假设每个系统将提供一种以上的能力，每个任务活动都选择一个以上的系统，并且不同能力都满足线性求和。
定义1.6：假设侦察都由u1个C2单元控制并且所有的单元组成s1群体，并且C2单元和群体被S集合所牵引，即
同时，无人机集群作战系统中的每一个C2单元被s所牵引，并且每一个群体都被分配到一个C2单元，最后将集群集成到侦察系统、攻击系统、控制系统中，分别构成邻接矩阵B、C和D，在侦察系统中，如果任务e1被分配给C2单元中的s1，则令be1s1＝1，否则为0，则构成了单元邻接矩阵B＝{be1s1}j1u1，控制系统的单元邻接矩阵为C＝{ce2s2}j2u2，同样的，侦控打系统的单元邻接矩阵为D＝{de3s3}j3u3。
2、能力分层在本文中，为了降低问题的规模我们只考虑将固有的能力划分为多层，并且本文选择只考虑无人机能力资源的侦察能力、攻击能力、侦控打能力这三个固有属性作为主要讨论对象，接下来将固有的能力划分为多层，将能力集合定义为P＝{P1,P2,...,PN}，N为个数，其属性为p＝{pzc,pcd,pzkd,...}，并且讨论对象为侦察能力pzc、控制能力pcd、侦控打能力pzkd，接下来进行数据预处理形成不同能力性能等级的能力层SLl(l∈[1,SLn])。
选用线性转换函数方法和标准差法对能力的属性值进行归一化标准化，首先，使用线性转换函数来实现对网络架构节点的能力固有属性归一化处理，为了方便计算于编程实现，将转换后的固有属性值划分到(0,1)之间，其转换函数表达式如下：
y＝b+k(x-Max) (6)
这里的k是计算系数，a与b是区间，此时a＝0,b＝1，利用(5)-(6)式将对供给层的固有属性进行归一化处理，将变换后的属性值限定在(0,1)之间，其中x为未变换的属性值，y为变换后的属性值，max和min分别代表函数中的固有属性中的最大最小值，采用模糊数学中的隶属度函数对供给层的能力进行能力层次划分如下：
为了更好的表示，本文结合利用MATLAB能力层的隶属度函数可视化如下图，其中SL1,SL2,SL3,SL4,SL5分别为网络架构能力的不同能力层，组成了模糊层的一个集合其对应的隶属函数可以表示为计算表达式的式(7)到式(11)，然后利用式(5)-(6)进行归一化处理。
Figure 4.The membership of the capability layer
3、量化能力：侦察能力、控制能力、侦控打能力都是可以量化的，初始设定最大值，能力消耗完即为0，将三个固有属性利用式(5)进行归一化处理为pzc_n、pcd_n、pzkd_n，然后利用计算表达式(12)-(13)将三个固有属性值进行标准化，可表示为
μn＝pzkd_n+pzc_n+pcd_n/3 (12)
σ＝([(pzkd_n-μ)^2+(pzc_n-μ)^2+(pcd_n-μ)^]·2/3)^1/2 (13)
其中μ表示标准差，σ表示方差，(14)式表示侦察pzc_n、控制pcd_n以及侦控打pzkd_n三个固有属性值的标准化，之后将隶属度函数分别代入三个属性值就可以计算得到在每一个能力的隶属度，分别表示为其中L∈[1,SCn]，这里SCn＝5，每个对应的能力层的隶属度定义为：
计算表达式(15)式表示能力PN对能力层SCL的隶属度，其中本文利用d，e，f分别代表每个属性值指标的权重值，且权重取值符合当下损失无人机节点的需求，当某个无人机失效不能完成任务，此时它需要完成的任务是对侦察的能力值要求较高，其他能力值要求较低，则可以令d的取值大一些，e和f的取值较小一些并且使得d+e+f＝1，分层之后按照从大到小排序选择最大隶属度获得Max(NN)的能力层Max[SCL(NN)]。
4、能力簇计算：这里考虑多个节点失效情况，也就是说多个节点有需求，随着需求节点的增加，对每个需求存在着一些能力具有相同的类型，这些能力实现的是相同的任务，我们设置不同的能力层上是可以提供给同样的需求目的，每个能力层包含多个能力簇，且每个能力簇可以提供相似的需求执行相似的任务，本文利用线性转换函数对数据进行归一化及标准化的数据预处理,聚类成不同的能力簇记为SC(l,a)。
我们将L层个能力层中的能力集记为PN＝{p1,p2,...,pi,...,pN}，且pi是能力集合中第i个能力子集，将能力簇的中心集定义为Z＝{z1,z2,...,zj,...,zm},j∈{1,m}，能力簇中心zj的计算表达式记为：
目标函数取决于隶属度函数，供给能力的聚类则取决于能力簇的中心最小目标函数，循环迭代使得每次均获得的是最小的目标函数。
利用隶属度函数求得能力簇的隶属度构成一个集合，按照计算表达式(18)求解目标函数，每个能力都会被划分到隶属度最大的能力簇的集合中。
总结过程如下：首先由m个能力提供的需求建立初始化样本矩阵，利用式(5)-(6)对数据进行归一化，然后用式(14)进行数据集标准化处理，然后确定能力簇的个数，利用目标函数M(U,V)求得隶属度矩阵，然后按照计算表达式(18)计算能力簇中心ZX，再根据需求量利用目标函数计算表达式对能力簇中心的目标函数值进行循环计算，更新隶属度矩阵，直到满足聚类要求。
5、能力需求任务映射关系：将能力与作战活动中的需求进行映射，通过综合考虑三个固有属性pzc、pcd和pzkd，的能力，利用离散型随机变量的数学期望进行计算，先对固有属性的能力值进行综合考虑再根据需求能力的二维关系，确定对应的能力簇，从而实现需求与能力的映射同时满足不同作战任务的需求。
当某一个需求指令下发的时候，根据不同的需求其对能力值的权重倾向不同，同样的，综合考虑任务能力值的对应关系，如上图所示，因此利用期望值进行计算，如下表达式：
在本文中，为了简便计算和缩小问题的复杂度，本文规定只考虑pzc、pcd和pzkd三个固有能力属性，即：
其中，参数分别表示侦察能力、控制能力、侦控打能力的经验系数，并且三个经验系数的和为1，按照计算表达式(19)表示再考虑需求能力的二位关系时，可以表示为：
XN(P)＝β1pzcx+β2pcdx+β3pzkdx (21)
其中，pzcx、pcdx和pzkdx分别表示为需要执行任务时对pzc、pcd和pzkd能力值的需求，β1,β2,β3是计算表达式(14)的权重，且和为1，
6、调度算法设计：(1)发送任务需求到对应的能力簇，根据任务的需求，利用计算表达式，计算综合能力期望，找到对应的能力簇，然后由机器人将任务的信息发送给虚拟任务队列中。
(2)启动能力替补策略，产生该任务的pi会作为信号，自动触发替补策略，协同管理的机器人开始等待接收数值。
(3)计算剩余能力和工作负载，判断是否参与替补策略，能力簇中的能力分别可计算出自身的能力剩余值和按照下列计算表达式，计算出网络架构自身的协同负载，到当前能力簇中的虚拟任务队列读取任务的信息，若符合需求，则参与替补，如无法满足，则退出当前层从上层的能力簇中查找。
(4)计算任务的评价值和协同负载值,然后通过信息交互机器人将评价结果发出。
(5)确定执行任务目标节点，机器人自动将最大评价值的任务节点的执行点设置为提供最大评价值的能力节点，
(6)执行任务，当替补策略结束也就是替补队员为零时，当前无人机被自动替补，任务执行，行动结束，
7、调度算法过程(1)首先在适变网络计算模型中，能力会被划分到不同的能力层的能力簇中，可以使用不同的集合进行表示，每次任务突遇特殊情况时，按需分配，任务需要按照对能力的需求到相应的能力簇中进行查找替补队员，从而减少了任务的完成时间。
(2)然后当任务被发送到对应的能力簇中时，一个新任务只会发送一条信息产生一个负载值，对于m个任务会产生m个负载值，当虚拟任务队列不为空时，每个可以参加调度的队员需要读取信息确定是否可以加入调度队列，此时产生的负载值最大可以执行任务的能力节点可接受的信息n，当启动替补策略选择替补队员时，整个过程的信息产生值也不会大于任务的发送信息m，所有无人机集群替补节点中将拥有最大评价值的无人机能力节点确定为失效节点的替补节点，然后将任务发送到该替补无人机节点上，因此对于m个任务产生的负载值为不超过m。
(3)接下来计算随着网络架构的扩大，能力节点n和任务节点m不断增加。
(4)最后随着问题规模的不断增加，对能力属性进行层级聚类建立能力与任务需求之间的一一映射关系，不仅极大的降低了问题的复杂度，而且提高了任务的完成效率，使得失效节点和意外情况的发生时，可以在分层次下产生的能力簇中快速找到合适的任务替补点。
6、参数性能设置，为了验证DSM-FNA能够有效地实现无人机任务和能力需求的适配，减少调度时间和系统通信负载，我们在Win64-GraphicsEnvironment下eclipse平台采用Java HotSpot(TM)64-Bit Server VM实现该算法，并在相同的参数设置情况下与传统的任务调度方法Max-Min进行对比分析。
7、在实验环境下，能力参数值和任务数量被预先随机给出，能力存储空间采用计算采用计算机的存储范围[480MB,480GB]，java版本为1.8.0_202-ea。
为了评估分析，我们采用调度完成时间Time和C2组织的协同负载CW来进行实验计算比较，调度的完成时间取决于无人机虚拟任务队列的完成时间。
完成时间Time取决于通信时间Ttx与任务执行时间Tzx的和，
协同负载取决于任务与节点之间的通信负载可以用相关系数来表示，替补无人机队员的相关系数越大，说明两个变量之间的关系就越强，协同负荷就越小，故协同负载CW可以使用皮尔森相关系数来表述。
其中Pi,Pj属于能力层PN＝{p1,p2,...,pi,...,pN}，综合考虑任务能力值的对应关系按照上式(19)计算。
8、实验结果分析为了验证DSM-FNA能有效地减少系统通信负载和任务调度完成时间，本文先采用FDSA调度，随机输入10架无人机执行6个任务进行测试，随机产生虚拟任务序列和能力值的使用率，给出任务调度图，后将FDSA算法与经典的算法进行了比较，仿真实验的设计如下:当任务号相同而能力资源不同时，本实验观察调度过程中产生的通信负载。
①任务序列数相同，能力值相同时，调度过程产生的时间对比，随机设置虚拟任务队列VSQ＝{1330，1500，1550，1600，1650，1700，1750，1800，1850，1900，2000，2050，2100，2150，2200，2250，2300，2350}；而能力供给数AN＝{8000,10000}，当任务数相同而资源数不同时，本实验观察两者的任务完成总时间。
②任务序列数不同，能力值相同时，调度过程产生的时间对比，随机设置虚拟任务队列VSQ1＝{1330，1500，1550，1600，1650，1700，1750，1800，1850}，VSQ2＝{1900，2000，2050，2100，2150，2200，2250，2300，2350}；而能力供给数AN＝8000，当任务数不同而能力数相同时，本实验观察两者的任务完成总时间。
③虚拟任务数相同，能力数不同的负载比较，虚拟任务数不同，能力数相同的情况比较。
综上所述从图4-图6可以看出，FDSA算法的最大任务调度比经典的调度算法耗费时间要少，这是因为DSM-FNA实现了能力需求和任务之间的映射，根据对能力值的需求，FDSA算法确定执行服务的节点，因此，FDSA算法体现了按需分配的原则，有效地缩短了任务的最终完成时间，从以上实验可以看出，DSM-FNA可以有效地降低最大任务调度时间和系统通信负荷，这主要是因为FDSA算法在调度过程中考虑了能力和任务需求之间的映射，根据综合期望，选择能够执行计算、产生较少负载值，一般情况下，FDSA算法的替补策略过程只包含满足任务需求的能力，因此，FDSA的通信负载比经典的调度算法要少。
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 (1)

1.基于适变网络的多无人机集群动态任务调度方法，包括适变式网络架构动态调度算法，其特征在于：
(1)发送任务需求到对应的能力簇，根据任务的需求，利用计算表达式计算综合能力期望，找到对应的能力簇，然后由机器人将任务的信息发送给虚拟任务队列中；
具体为：
首先在适变网络计算模型中，将能力划分到不同的能力层的能力簇中，使用不同的集合进行表示，每次任务突遇特殊情况时，按需分配，任务按照对能力的需求到相应的能力簇中进行查找替补队员；
当任务被发送到对应的能力簇中时，一个新任务发送一条信息产生一个负载值，对于m个任务会产生m个负载值；
当虚拟任务队列不为空时，每个参加调度的队员读取信息确定是否可以加入调度队列，此时产生的负载值最大可以是执行任务的能力节点可接受的能力节点n；当启动替补策略选择替补队员时，整个过程的信息产生值不会大于任务的任务节点m，所有无人机集群替补节点中将拥有最大评价值的无人机能力节点确定为失效节点的替补节点，然后将任务发送到该替补无人机节点上，即：对于m个任务产生的负载值为不超过m；
随着计算网络架构的扩大，能力节点和任务节点呈指数级增加；
随着问题规模的不断增加，对能力属性进行层级聚类建立能力与任务需求之间的一一映射关系；其中，依据任务对能力的需求将无人机集群拥有的能力划分为不同的能力等级，并且在等级中按照等级中的能力聚类成不同的能力簇，从而形成能力和任务的映射机制，最后根据任务的需求，选择不同的能力簇，仅考虑无人机集群中无人机之间的互助行为，自动进行救助活动，根据满足的任务需求将供给层进行聚类；
具体为：首先由m个能力提供的需求建立初始化样本矩阵，利用式：
y＝b+k(x-Max)
对数据进行归一化，其中，k为求计算系数；b表示区间；a表示区间；x为未变换的属性值，y为变换后的属性值，Max和Min分别表示函数中的固有属性中的最大最小值；然后用式：
进行数据集标准化处理，其中，表示固有属性值的标准化，pi表示固有属性值,μ表示标准差，σ表示方差；然后确定能力簇的个数，利用目标函数/>求得隶属度矩阵，能力簇中心zj的计算表达式记为：/>然后按照计算表达式：
计算能力簇中心ZX；再根据需求量利用目标函数计算表达式对能力簇中心的目标函数值进行循环计算，更新隶属度矩阵，直到满足聚类要求；
能力需求任务映射关系：将能力与作战活动中的需求进行映射，通过综合考虑三个固有属性pzc、pcd和pzkd的能力，pzc表示侦察能力，pcd表示控制能力，pzkd表示侦控打能力；利用离散型随机变量的数学期望进行计算，先对固有属性的能力值进行综合考虑再根据需求能力的二维关系，确定对应的能力簇，从而实现需求与能力的映射同时满足不同作战任务的需求；
(2)启动能力替补策略，产生该任务的能力节点会作为信号，自动触发替补策略，协同管理的机器人开始等待接收数值；
(3)计算剩余能力和工作负载，判断是否参与替补策略；能力簇中的能力分别可计算出自身的能力剩余值，并使用皮尔森相关系数，按照下列计算表达式：
计算出网络架构自身的协同负载，其中，CW表示负载值，Pi,Pj属于能力层PN；然后到当前能力簇中的虚拟任务队列读取任务的信息，若符合需求，则参与替补，如无法满足，则退出当前层从上层的能力簇中查找；
(4)计算任务的评价值和协同负载值,然后通过信息交互机器人将评价的结果发出；
(5)确定执行任务的目标节点，机器人自动将最大评价值的任务节点的执行点设置为提供最大评价值的能力节点；
(6)执行任务，当替补策略结束也就是替补队员为零时，当前无人机被自动替补，则任务执行，行动结束。
CN202110200618.2A 2021-02-23 2021-02-23 基于适变网络的多无人机集群动态任务调度模型 Active CN113312172B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110200618.2A CN113312172B (zh) 2021-02-23 2021-02-23 基于适变网络的多无人机集群动态任务调度模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110200618.2A CN113312172B (zh) 2021-02-23 2021-02-23 基于适变网络的多无人机集群动态任务调度模型

Publications (2)

Publication Number Publication Date
CN113312172A CN113312172A (zh) 2021-08-27
CN113312172B true CN113312172B (zh) 2023-08-22

Family

ID=77370519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110200618.2A Active CN113312172B (zh) 2021-02-23 2021-02-23 基于适变网络的多无人机集群动态任务调度模型

Country Status (1)

Country Link
CN (1) CN113312172B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529205B (zh) * 2022-02-22 2023-05-12 中国人民解放军国防科技大学 马赛克战体系能力需求满足度评估方法及相关设备
CN114780393B (zh) * 2022-04-08 2024-04-09 中国舰船研究设计中心 海上无人集群智能算法测试训练系统
CN115242659A (zh) * 2022-08-09 2022-10-25 安徽大学 一种基于高阶集体影响力的超网络节点分析方法
CN117289725B (zh) * 2023-11-27 2024-02-27 清华大学 无人机分布式通算一体资源调度方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110502031A (zh) * 2019-08-02 2019-11-26 中国航空无线电电子研究所 基于任务需求的异构无人机集群协同最优配置方法
CN110737529A (zh) * 2019-09-05 2020-01-31 北京理工大学 一种面向短时多变大数据作业集群调度自适应性配置方法
CN111199360A (zh) * 2020-01-13 2020-05-26 西安电子科技大学 无人机任务分配规划方法
CN111541760A (zh) * 2020-04-20 2020-08-14 中南大学 基于无服务器雾计算系统架构的复杂任务分配方法
CN112230677A (zh) * 2020-10-22 2021-01-15 中国人民解放军陆军工程大学 无人机族群任务规划方法及终端设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10579423B2 (en) * 2018-04-02 2020-03-03 Microsoft Technology Licensing, Llc Resource scheduling using machine learning
CN112016812B (zh) * 2020-08-06 2022-07-12 中南大学 多无人机任务调度方法、系统及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110502031A (zh) * 2019-08-02 2019-11-26 中国航空无线电电子研究所 基于任务需求的异构无人机集群协同最优配置方法
CN110737529A (zh) * 2019-09-05 2020-01-31 北京理工大学 一种面向短时多变大数据作业集群调度自适应性配置方法
CN111199360A (zh) * 2020-01-13 2020-05-26 西安电子科技大学 无人机任务分配规划方法
CN111541760A (zh) * 2020-04-20 2020-08-14 中南大学 基于无服务器雾计算系统架构的复杂任务分配方法
CN112230677A (zh) * 2020-10-22 2021-01-15 中国人民解放军陆军工程大学 无人机族群任务规划方法及终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种持续侦察无人机集群规模自适应调控方法;井田 等;计算机研究与发展;第55卷(第6期);1254-1262 *

Also Published As

Publication number Publication date
CN113312172A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN113312172B (zh) 基于适变网络的多无人机集群动态任务调度模型
Wu et al. Modeling and simulation of dynamic ant colony’s labor division for task allocation of UAV swarm
CN113316118B (zh) 基于任务认知的无人机集群网络自组织系统及方法
CN113282368B (zh) 一种用于变电站巡视的边缘计算资源调度方法
CN113919068B (zh) 一种基于任务的航空装备保障体系仿真评估方法
Zhang et al. Searching for overlapping coalitions in multiple virtual organizations
Duan et al. Dynamic tasks scheduling model of UAV cluster based on flexible network architecture
CN112801540B (zh) 基于无人集群的智能协同架构设计方法
CN111160511A (zh) 一种共识主动学习的群体智能方法
Masadeh et al. Reinforcement learning-based security/safety UAV system for intrusion detection under dynamic and uncertain target movement
CN112801539A (zh) 无人机集群任务的柔变网络架构动态调度模型
Zhang et al. Multi-agent system application in accordance with game theory in bi-directional coordination network model
Yang et al. A Hierarchical Game-Theoretic Decision-Making for Cooperative Multiagent Systems Under the Presence of Adversarial Agents
Molina et al. Behavior coordination for self-adaptive robots using constraint-based configuration
He et al. An operation planning generation and optimization method for the new intelligent combat SoS
Duan et al. Dynamic Tasks Scheduling Model for UAV Cluster Flexible Network Architecture
CN116541797A (zh) 一种基于强化学习和效能评估的多资源任务规划方法及系统
Shao et al. Multi-layer modeling for capability generation of UAV swarm system
Duan et al. Multi-objective optimization and multi-attribute decision making method of UAV swarm based on elastic network
Marzi et al. Feudal graph reinforcement learning
CN117215334A (zh) 一种基于四阶基序的无人机群动态重构任务规划方法
Wang et al. Advances in cooperative target searching by multi-UAVs
Chen et al. Multi-UAV task assignment based on improved Wolf Pack Algorithm
CN114237284B (zh) 一种基于改进蜉蝣算法的无人机多任务规划方法
Nian et al. Large-scale UAV swarm confrontation based on hierarchical attention actor-critic algorithm

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