CN113324545A - 一种基于混合增强智能的多无人机协同任务规划方法 - Google Patents

Abstract

本发明公开了一种基于混合增强智能的多无人机协同任务规划方法，该方法包括以下步骤：步骤1、建立多无人机协同任务规划模型；步骤2、引入类脑认知机制建立蜂群进化策略知识库，取代传统人工蜂群算法单一的搜索方式，赋予蜂群个体更多的自主性与智能性；步骤3、设计进化策略选择评价机制，通过基于混合增强智能的人工蜂群算法进行任务优化分配。与现有技术相比，本发明能够结合人类智能与蜂群智能，赋予蜂群个体更多的智能性，提高任务规划解算效率。

Description

一种基于混合增强智能的多无人机协同任务规划方法

技术领域

本发明涉及一种多无人机协同作战的任务规划方法，尤其涉及一种基于混合增强智能的多无人机协同任务规划方法，属于任务规划设计领域。

背景技术

多无人机协同任务规划是根据无人机所处的地形和环境因素，为多无人机执行多目标任务指定最佳作战任务规划方案。在复杂战场环境中，多无人机协同规划技术已经成为了提高无人机作战自主性和作战效能的关键技术，由于该问题属于多约束优化组合问题，面对威胁源和大量搜索目标群时，如何快速准确协同任务规划是当前的一大难题。

人工蜂群(Artificial Bee Colony，ABC)算法是由Karaboga于2005年提出的，它源自于对自然界蜜蜂采蜜的群体行为的模拟，是一种新型的高级元启发式群智能(SwarmIntelligence)算法。得益于人工蜂群算法原理简单，灵活性强，可实现性高等优点，因而受到众多国内外学者的关注。

人工蜂群算法作为一种新兴的优化算法已在任务分配领域展现了优良的应用前景，但是由于其随机的属性，在解算实际优化组合问题时依然无法摆脱群智能算法的缺陷。随着人工智能的发展，发掘人类智能与元启发算法的群体智能之间的联系，设计一种混合增强智能任务规划方法便成为了当前的热门研究方向。

发明内容

本发明所要解决的技术问题是：提供一种基于混合增强智能的多无人机协同任务规划方法，结合类脑认知机制与人工蜂群算法群智能，赋予蜂群个体更多的智能性，提高了任务规划解算效率。

本发明为解决上述技术问题采用以下技术方案：

一种基于混合增强智能的多无人机协同任务规划方法，包括如下步骤：

步骤1，根据无人机攻击所需的代价和所产生的收益确定多无人机协同任务规划目标函数，确定目标函数的约束条件，建立多无人机协同任务规划模型；

步骤2，基于类脑认知机制建立蜂群进化策略知识库；

步骤3，根据蜂群进化策略知识库设计进化策略选择评价机制，通过基于混合增强智能的人工蜂群算法进行任务解算，实现多无人机协同的最优任务分配。

作为本发明的一种优选方案，所述步骤1的具体过程如下：

步骤1.1，确定无人机攻击所需的代价：无人机攻击所需的代价包括作战目标对无人机产生的威胁代价和无人机执行任务产生的能量消耗；

(1)作战目标对无人机产生的威胁代价根据无人机被作战目标摧毁后的损失价值计算，具体为：

式中，

表示无人机U_i被作战目标T_j摧毁后的损失价值，

表示与作战目标T_j最近的威胁源R_f的威胁程度，d_min表示与作战目标T_j最近的威胁源R_f之间的欧式距离，r_i ^j表示无人机U_i攻击作战目标T_j时被目标击毁的概率，

表示作战目标T_j是否由无人机U_i攻击，当作战目标T_j由无人机U_i攻击时，

否则

为无人机U_i的造价，i＝1,2,...,N，j＝1,2,...,M，f＝1,2,...,C，N为无人机的数量，M为作战目标的数量，C为威胁源的数量；

(2)无人机执行任务产生的能量消耗等效为无人机的航程代价，具体为：

式中，

表示无人机U_i攻击作战目标T_j产生的能量消耗，

表示无人机U_i与作战目标T_j之间的欧式距离，d_max表示所有无人机相对于作战目标T_j的最大欧式距离；

步骤1.2，确定无人机攻击所产生的收益，具体为：

式中，

表示无人机U_i攻击作战目标T_j产生的攻击收益，γ_i表示无人机U_i击毁作战目标T_j成功的概率，

P_i ^j表示无人机U_i成功摧毁作战目标T_j的概率，e_i为无人机U_i的杀伤概率，

为作战目标T_j的战略价值；

步骤1.3，确定多无人机协同任务规划目标函数，具体为：

式中，F表示多无人机协同任务规划目标函数，t_time表示无人机完成任务实际消耗的时间；

步骤1.4，确定约束条件，具体为：

Z_i≤Z_max

V_i≤V_max

式中，Z_i表示无人机U_i的载荷数，Z_max表示无人机最大载荷数，V_i表示无人机U_i的飞行速度，V_max表示无人机最大飞行速度，

表示作战目标T_j是否被攻击，

t_max表示无人机完成所有任务规定的时间；

则多无人机协同任务规划模型为：

作为本发明的一种优选方案，所述步骤2的具体过程如下：

步骤2.1，不同环境知识引导蜂群个体产生不同的进化行为，根据类脑认知机制，人工蜂群算法中个体获得知识的来源包括：种群最优个体知识和种群所有个体的平均知识；

步骤2.2，根据不同的知识来源，设计相对应的进化策略知识库，具体进化策略如下：

(1)基于最优个体知识的进化策略为：

式中，

表示蜂群邻域搜索时新蜜源的位置，

表示蜜源的初始位置，

x_best,k表示当前性能最佳个体，x_r1,k、x_r2,k为种群中两个随机个体，r1≠r2，l＝1,2,...,NP，k∈{1,2,...,D}，NP为雇佣蜂数量，D为人工蜂群算法个体维度；

(2)基于所有个体的平均知识的进化策略为：

作为本发明的一种优选方案，所述步骤3的具体过程如下：

步骤3.1，采用映射实数向量编码方式，对基于混合增强智能的人工蜂群算法中的个体进行编码，建立个体与多无人机协同任务规划模型的映射，无人机的数量为N，所执行的任务数量即作战目标数量为M，M等于人工蜂群算法个体维度D，蜂群个体位置为(1,1+NP)中的随机数，随机数的整数部分表示无人机的编号，小数部分表示该无人机所分配任务的作战目标编号，NP为雇佣蜂数量；

步骤3.2，采用一个D×NP的矩阵

表示蜜源位置，则蜜源初始化如下：

式中，

表示蜜源的初始位置，

分别表示

的上、下边界约束，rand(0,1)表示0到1之间的随机数；

步骤3.3，在雇佣蜂阶段，雇佣蜂通过步骤2建立的蜂群进化策略知识库在当前蜜源位置进行邻域搜索，开发新蜜源的位置

同时计算相应的适应度如下：

式中，fitness(l)表示适应度值，obj(l)表示目标函数值，l＝1,2,...,NP；

结合蜜源的立即价值与期望价值，建立进化策略选择评价机制如下：

式中，reward_u(t)表示第t次迭代采用第u个策略的综合评价值，u＝1,2，δ₁、δ₂均为策略选择概率权重参数，

分别表示第t次迭代采用第u个策略的立即价值、期望价值，

表示上一次迭代个体适应度值，

表示当前迭代个体适应度值，

表示个体在第t次迭代之前采用第u个策略成功的次数，

表示个体在第t次迭代之前采用第u个策略的总次数，w₀为平衡系数；

步骤3.4，在观察蜂阶段，观察蜂跟随概率为：

式中，p_l(t)表示第t次迭代观察蜂跟随概率；

根据进化策略选择评价机制，在个体进化阶段进化策略的选择概率更新为：

式中，p_l(t+1)表示第t+1次迭代观察蜂跟随概率；p_min为保证所有策略都能被选择的最小概率阈值，S为进化策略数量，p_min＜1/S；

步骤3.5，在侦查蜂阶段，若一个蜜源位置被连续搜索limit次并且没有发生变化，则将该蜜蜂转变未侦查蜂，通过下式进行新蜜源搜索：

式中，w＝1,2,...,NP，且l≠w。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明结合类脑认知机制，建立的人工蜂群进化策略知识库取代传统人工蜂群算法单一的进化方式，赋予了蜂群个体更多的自主性，避免了算法陷入局部最优。

2、本发明通过对经验知识的积累与新知识的探索，设计进化策略选择评价机制，保证了蜂群个体根据不同的蜜源选择合适的进化策略，提高邻域搜索效率。

3、本发明通过基于混合增强智能的人工蜂群算法能够快速并有效的解决多无人机协同任务分配问题，为解决复杂环境下多无人机协同任务分配问题提供一种新的解决思路。

附图说明

图1是本发明的原理结构框图。

图2是进化策略选择步骤流程图。

图3是本发明基于混合增强智能的多无人机任务规划算法总流程图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

如图1所示，为本发明的原理结构框图，本发明的详细步骤如下：

步骤1、建立多无人机协同任务规划模型

步骤1.1，设定如下定义：

定义1：U＝{U₁,U₂,···,U_i,···,U_N}为无人机集合，其中U_i为第i架无人机，N为无人机的数量，单架无人机相关属性由6元集合{编号，类型，造价，最大任务载荷，飞行速度，位置}组成；

定义2：T＝{T₁,T₂,···,T_j,···,T_M}为作战目标集合，其中T_j为第j个作战目标，M为目标的数量，单个目标相关属性由6元集合{编号，类型，战略价值，杀伤概率，位置，是否被攻击}组成；

定义3：R＝{R₁,R₂,···,R_f,···,R_C}为威胁源集合，其中R_f为第f个威胁源，C为威胁源的数量，单个威胁源相关属性由5元集合{编号，类型，等级，半径，位置}组成；

定义4：

表示与作战目标T_j最近的威胁R_f的威胁程度，其中j＝1,2,...,M，f＝1,2,...,C；

定义5：

表示为无人机U_i与作战目标T_j之间的欧式距离，d_min表示与作战目标T_j最近的威胁R_f之间的欧式距离，d_max表示为所有无人机相对于作战目标T_j的最大欧式距离；

定义6：

表示为无人机U_i攻击目标T_j时被目标击毁的概率，其中i＝1,2,...,N；

定义7：P_i ^j表示为无人机U_i成功摧毁目标T_j的概率；

定义8：e_i为无人机U_i的杀伤概率；

定义9：

为目标T_j的战略价值，

表示目标T_j是否被攻击；

定义10：V_i表示无人机U_i的飞行速度，V_max表示单架无人机的最大飞行速度；

定义11：Z_i表示无人机U_i的载荷数，Z_max表示无人机最大载荷数；

定义12：t_time表示无人机完成任务实际消耗的时间，t_max表示无人机完成所有任务规定的时间。

步骤1.2、确定攻击代价：无人机攻击所需的代价主要包括攻击目标对无人机产生的威胁代价与无人机执行任务所消耗的能量：

(1)威胁代价：攻击目标对单架无人机产生的威胁代价根据U_i被T_j摧毁后损失价值计算，则所付代价为：

式(1)中

为无人机U_i被摧毁的概率，

为无人机U_i的造价，当

时，目标T_j由无人机U_i攻击，否则，当

不由U_i攻击；

(2)能量消耗：无人机执行任务所消耗的能量等效为无人机的航程代价，航程代价越小，该目标分配给无人机概率越大，则能量损耗为：

步骤1.3、确定攻击收益：无人机的攻击收益是指无人机在成功完成任务时敌方目标所给予的目标价值，U_i攻击目标T_j的攻击收益为：

式(3)中

表示为击毁T_j成功的概率，且

步骤1.4、确定目标函数：利用最大化单位时间内攻击收益与攻击所付出的代价比来确定最终分配方案，比值越小，分配方案越优，则目标函数为：

步骤1.5、确定约束条件：所有无人机最大飞行速度与最大任务载荷数相同，每个目标必须被攻击，则约束条件为：

则本发明的多无人机协同侦察与攻击任务规划模型为：

步骤2、建立基于类脑认知机制蜂群进化策略知识库

步骤2.1、不同环境知识会引导蜂群个体产生不同的进化行为，根据类脑认知机制，人工蜂群算法中个体获得知识的来源如下：

(1)当前种群最优个体知识；

(2)当前种群所有个体的平均知识；

步骤2.2、根据不同的知识来源，设计相对应的进化策略知识库，具体进化策略如下：

(1)基于最优个体知识的进化策略：

式(6)中

指的是蜂群邻域搜索时新蜜源的位置，l＝1,2,...,NP，k∈{1,2,...,D}，NP为雇佣蜂数量，D为解空间个体维度，

x_best,k为当前性能最佳个体，x_r1,k，x_r2,k为种群中两个随机个体，并且r1≠r2；

(2)基于种群平均知识的进化策略：

式(7)中

表示群体质心。

步骤3、基于混合增强智能人工蜂群算法

本发明提供了一种基于类脑认知的混合增强智能人工蜂群算法，算法总流程如图3所示，具体步骤如下：

步骤3.1、蜂群个体编码

本发明采用映射实数向量编码方式，通过对混合增强智能人工蜂群算法中的个体进行编码，从而建立其与实际问题的映射。假设存在N架无人机，所执行任务数量M等于人工蜂群算法个体维度D，蜂群个体位置属于(1,1+NP)中的随机数，整数部分表示为无人机的编号，小数部分经排序表示为该无人机所分配任务的目标编号。整数部分相同则表示为同一架无人机，小数部分升序排列则对应目标任务先后顺序。

步骤3.2、蜜源初始化

蜜源位置采用一个D×NP的矩阵

则蜜源初始化如下：

式(8)中

表示矩阵里的元素，

表示蜜源初始位置，

和

表示

的上下边界约束，rand(0,1)表示0到1之间的随机数；

步骤3.3、雇佣蜂阶段

(1)在雇佣蜂阶段，采蜜蜂通过类脑认知进化策略知识库即式(6)与(7)在当前蜜源位置进行邻域搜索，开发更好的蜜源

同时计算相应的适应度如下：

式(9)中obj(l)表示目标函数值；

(2)结合蜜源的立即价值与期望价值，建立进化策略选择评价机制如下，进化策略选择步骤流程如图2所示：

式(10)中

表示某种策略u的立即价值，

表示其期望价值，

表示上一次个体适应度值，

表示当前迭代适应度值，

表示个体在第t次迭代之前采用第u个策略的成功的次数，

表示在第t次迭代前，个体采用第u个策略的总次数，δ₁、δ₂为策略选择概率权重参数，w₀为平衡系数；

步骤3.4、观察蜂阶段

在观察蜂阶段，观察蜂跟随概率为：

根据进化策略选择评价机制，在个体进化阶段某种进化策略的的选择概率更新为：

式(12)中p_min为保证所有策略都能被选择的最小概率阈值，S为进化策略数量，其中p_min＜1/S；

步骤3.5、侦查蜂阶段

在侦察蜂阶段，如果一个蜜源位置被连续搜索limit次(一般设置为5次)并且没有发生变化，则该蜜蜂将转变为侦查蜂通过式(13)进行新蜜源搜索：

式(13)中l,w＝1,2,...,NP，k∈{1,2,...,D}，且l≠w。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种基于混合增强智能的多无人机协同任务规划方法，其特征在于，包括如下步骤：

步骤1，根据无人机攻击所需的代价和所产生的收益确定多无人机协同任务规划目标函数，确定目标函数的约束条件，建立多无人机协同任务规划模型；

步骤2，基于类脑认知机制建立蜂群进化策略知识库；

步骤3，根据蜂群进化策略知识库设计进化策略选择评价机制，通过基于混合增强智能的人工蜂群算法进行任务解算，实现多无人机协同的最优任务分配。

2.根据权利要求1所述基于混合增强智能的多无人机协同任务规划方法，其特征在于，所述步骤1的具体过程如下：

步骤1.1，确定无人机攻击所需的代价：无人机攻击所需的代价包括作战目标对无人机产生的威胁代价和无人机执行任务产生的能量消耗；

(1)作战目标对无人机产生的威胁代价根据无人机被作战目标摧毁后的损失价值计算，具体为：

式中，

表示无人机U_i被作战目标T_j摧毁后的损失价值，

表示与作战目标T_j最近的威胁源R_f的威胁程度，d_min表示与作战目标T_j最近的威胁源R_f之间的欧式距离，r_i ^j表示无人机U_i攻击作战目标T_j时被目标击毁的概率，

表示作战目标T_j是否由无人机U_i攻击，当作战目标T_j由无人机U_i攻击时，

否则

为无人机U_i的造价，i＝1,2,...,N，j＝1,2,...,M，f＝1,2,...,C，N为无人机的数量，M为作战目标的数量，C为威胁源的数量；

(2)无人机执行任务产生的能量消耗等效为无人机的航程代价，具体为：

式中，

表示无人机U_i攻击作战目标T_j产生的能量消耗，

表示无人机U_i与作战目标T_j之间的欧式距离，d_max表示所有无人机相对于作战目标T_j的最大欧式距离；

步骤1.2，确定无人机攻击所产生的收益，具体为：

式中，

表示无人机U_i攻击作战目标T_j产生的攻击收益，γ_i表示无人机U_i击毁作战目标T_j成功的概率，

P_i ^j＝(1-r_i ^j)e_i，P_i ^j表示无人机U_i成功摧毁作战目标T_j的概率，e_i为无人机U_i的杀伤概率，

为作战目标T_j的战略价值；

步骤1.3，确定多无人机协同任务规划目标函数，具体为：

式中，F表示多无人机协同任务规划目标函数，t_time表示无人机完成任务实际消耗的时间；

步骤1.4，确定约束条件，具体为：

Z_i≤Z_max

V_i≤V_max

max{d(U_i,T_j)/V_i}≤t_max

式中，Z_i表示无人机U_i的载荷数，Z_max表示无人机最大载荷数，V_i表示无人机U_i的飞行速度，V_max表示无人机最大飞行速度，

表示作战目标T_j是否被攻击，

t_max表示无人机完成所有任务规定的时间；

则多无人机协同任务规划模型为：

3.根据权利要求1所述基于混合增强智能的多无人机协同任务规划方法，其特征在于，所述步骤2的具体过程如下：

步骤2.1，不同环境知识引导蜂群个体产生不同的进化行为，根据类脑认知机制，人工蜂群算法中个体获得知识的来源包括：种群最优个体知识和种群所有个体的平均知识；

步骤2.2，根据不同的知识来源，设计相对应的进化策略知识库，具体进化策略如下：

(1)基于最优个体知识的进化策略为：

式中，

表示蜂群邻域搜索时新蜜源的位置，

表示蜜源的初始位置，

x_best,k表示当前性能最佳个体，x_r1,k、x_r2,k为种群中两个随机个体，r1≠r2，l＝1,2,...,NP，k∈{1,2,...,D}，NP为雇佣蜂数量，D为人工蜂群算法个体维度；

(2)基于所有个体的平均知识的进化策略为：

4.根据权利要求1所述基于混合增强智能的多无人机协同任务规划方法，其特征在于，所述步骤3的具体过程如下：

步骤3.1，采用映射实数向量编码方式，对基于混合增强智能的人工蜂群算法中的个体进行编码，建立个体与多无人机协同任务规划模型的映射，无人机的数量为N，所执行的任务数量即作战目标数量为M，M等于人工蜂群算法个体维度D，蜂群个体位置为(1,1+NP)中的随机数，随机数的整数部分表示无人机的编号，小数部分表示该无人机所分配任务的作战目标编号，NP为雇佣蜂数量；

步骤3.2，采用一个D×NP的矩阵

表示蜜源位置，则蜜源初始化如下：

式中，

表示蜜源的初始位置，

分别表示

的上、下边界约束，rand(0,1)表示0到1之间的随机数；

步骤3.3，在雇佣蜂阶段，雇佣蜂通过步骤2建立的蜂群进化策略知识库在当前蜜源位置进行邻域搜索，开发新蜜源的位置

同时计算相应的适应度如下：

式中，fitness(l)表示适应度值，obj(l)表示目标函数值，l＝1,2,...,NP；

结合蜜源的立即价值与期望价值，建立进化策略选择评价机制如下：

式中，reward_u(t)表示第t次迭代采用第u个策略的综合评价值，u＝1,2，δ₁、δ₂均为策略选择概率权重参数，

分别表示第t次迭代采用第u个策略的立即价值、期望价值，

表示上一次迭代个体适应度值，

表示当前迭代个体适应度值，

表示个体在第t次迭代之前采用第u个策略成功的次数，

表示个体在第t次迭代之前采用第u个策略的总次数，w₀为平衡系数；

步骤3.4，在观察蜂阶段，观察蜂跟随概率为：

式中，p_l(t)表示第t次迭代观察蜂跟随概率；

根据进化策略选择评价机制，在个体进化阶段进化策略的选择概率更新为：

式中，p_l(t+1)表示第t+1次迭代观察蜂跟随概率；p_min为保证所有策略都能被选择的最小概率阈值，S为进化策略数量，p_min＜1/S；

步骤3.5，在侦查蜂阶段，若一个蜜源位置被连续搜索limit次并且没有发生变化，则将该蜜蜂转变未侦查蜂，通过下式进行新蜜源搜索：

式中，w＝1,2,...,NP，且l≠w。

Images