CN113448703A - 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 - Google Patents
一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 Download PDFInfo
- Publication number
- CN113448703A CN113448703A CN202110700086.9A CN202110700086A CN113448703A CN 113448703 A CN113448703 A CN 113448703A CN 202110700086 A CN202110700086 A CN 202110700086A CN 113448703 A CN113448703 A CN 113448703A
- Authority
- CN
- China
- Prior art keywords
- task
- cluster
- unmanned aerial
- aerial vehicle
- scheduling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000008447 perception Effects 0.000 title claims description 17
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 241000854291 Dianthus carthusianorum Species 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
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
- G06F9/48—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
- 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
- G06F9/5038—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 execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- 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]
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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)
- 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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法,所述系统包括设置在前端的任务规划模块、中端的任务调度模块和后端的航迹优化模块,该系统可在最大限度提升定位精度的同时减少蜂群能耗,提高蜂群效费比。所述调度方法在计算无人机蜂群当前位置信息的情况下,依据蜂群实时位置信息通过角色转换、联合优化的步骤,搭建了基于感知阵型的任务效能与任务代价联合优化的动态模型,该模型采用角色转换机制完成蜂群定位中的角色变化,从而实现对无人机蜂群的自组织协同簇群调度,大大降低协同难度及复杂度,快速对无人机群进行调度,输出最优簇群,高效实现蜂群的协同感知定位。
Description
技术领域
本发明涉及无人机蜂群控制领域,具体是一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法。
背景技术系统
无人机蜂群凭借信息共享、体系生存、费效交换等三大优势成为大规模物联网、空天地海一体化网络体系中的重要组成部分之一。但现代信息社会中电磁空间干扰密布、通信计算资源稀缺及复杂环境动态对抗等特性使得无人机蜂群内的个体间协同不可能一直保持预期效果,进而影响到蜂群侦察感知的有效性。合理有效进行蜂群侦察动态调度,利用多架无人机协同完成同一任务也成为新的挑战。
现有任务调度多从无人机能量损失、任务时间的角度出发,将任务分解为一对一任务调度模式或多对一任务调度模式,单纯的根据时间、能耗等约束将复杂任务分解为简单的单无人机子任务集,没有考虑具体任务的特殊性。一对一任务调度模式,单机独立完成某一子任务,本质上是对多个子任务进行时隙划分,难以保障时效性;多对一任务调度模式,可同时实现异构多无人机任务调度和动态任务调度,但在机群间缺少协同能力的情况下,其本质为多个单机对同一目标分别执行任务,因此本发明从协同定位的角度提出一种蜂群动态侦察感知任务调度方法及系统。
现有技术方案仅从任务代价的角度进行任务调度,没有结合任务的效能进行分析,即忽略了无人机协同感知阵型对定位侦察任务的影响。因此,本发明使用优化算法处理多无人机协同搜索任务,结合任务代价和任务效能进行评估,侧重于集中式任务规划和分布式任务调度,依据无人机定位感知阵型,从时间、空间、目标适应度方面提出使用定位测程差和理论无偏估计值对定位感知阵型进行规划,提出一种基于感知阵型的无人机蜂群动态侦察调度方法并建立相应系统模型。
发明内容
本发明的目的在于基于感知阵型解决无人机蜂群协同调度问题,即解决高动态环境带来的无人机蜂群协同侦察效能下降甚至失败的问题,同时最大限度的发挥蜂群的优势,提高蜂群效费比。
本发明提出一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法,该系统可在最大限度提升定位精度的同时减少蜂群能耗,提高系统效费比。该方法依据无人机蜂群与目标的相对拓扑结构来构建优化模型,可以快速选取最佳无人机簇群,高效实现蜂群协同调度。
实现本发明目的的技术方案是:
一种基于感知阵型的无人机蜂群动态侦察任务调度系统,所述调度系统包括设置在前端的任务规划模块、中端的任务调度模块和后端的航迹优化模块;
前端的任务规划模块对无人机蜂群的侦察任务数量、种类以及执行任务所需的无人机数目区间进行定义,按照任务的要求切分为不同子任务,不同子任务集合共同构成原始任务规划;
中端的任务调度模块依据定位感知阵型对子任务效能、任务代价进行动态联合评估,利用人工蜂群算法的角色转换机制对无人机蜂群进行分簇,并对相应子任务进行调度,将相应簇群分配给对应任务目标,完成调度任务;
后端的航迹优化模块对调度子任务的目标及任务类别计算最优侦察阵型位置坐标,并优化无人机簇群飞行路径。
所述任务调度模块包括初始化调度子模块、任务代价评估子模块以及任务效能评估子模块、子任务调度子模块四个子模块;
所述初始化调度子模块,结合自组织分簇的思想,按照规划后的子任务集合对无人机蜂群进行初始化分簇;
所述任务代价评估子模块,对所有无人机个体状态进行定义,包括无人机位置、与目标间的距离、剩余可飞行航程、剩余作战能力、发现概率,并对上述参数进行归一化处理,由簇群内无人机个体代价构成簇群整体代价评估,并结合人工蜂群算法对簇群进行迭代,选出任务代价最优的簇群;
所述任务效能评估子模块,结合子任务特点,如定位任务的评价指标:均方根误差、克拉美罗下界构建任务评估模型,对所选簇群进行效能评估,并利用人工蜂群算法的角色转换机制对簇群不断迭代,选出任务效能最优的簇群;
所述子任务调度模块,对选出的任务代价与任务效能最优的簇群,进行二维动态联合优化,对簇群整体进行全面分析,得到完成该子任务的最佳无人机簇群,按照相应任务目标进行调度;所有子任务均进行如上操作,最终将实现对整个任务的调度。
一种基于感知阵型的无人机蜂群动态侦察任务调度方法,包括如下步骤:
(1)计算无人机蜂群当前位置信息,设总任务为T,任务类别代码为s,目标为gk,无人机蜂群数量为M,第i架无人机的位置为ui=(xi,yi,zi);
(2)调度系统中的任务规划模块依据步骤(1)输入的参数,规划执行任务类别代码s所需的无人机数量以及任务优先级p;
无人机数量区间为[mmin,mmax];
规划后的子任务集合为:
taskj={s,p,gk,[mmin,mmax]},∑task=T;
(3)依据具体的子任务类别,利用人工蜂群算法的角色转换机制和自组织分簇的思想对蜂群进行调度,形成无人机簇群BSk=[ui]1×m,簇群大小m∈[mmin,mmax];
(4)对角色转换更新后的最优簇群,通过任务效能评估模块和任务代价评估模块进行任务效能和任务代价评估,再进行联合优化,优化后输出最优簇群,通过最优簇群对现有飞行轨迹进行调整,形成最佳感知阵型,实现无人机蜂群协同调度。
步骤(3)所述角色转换步骤依据无人机蜂群拓扑对无人机簇群进行迭代更新,输出更新后的簇群,角色转换步骤的子步骤具体如下;
(3.1)确定主站,在输入的无人机蜂群中随机选择npop架无人机,将第i架无人机站点ui(t)确定为第Nj组的主站,共N组;
无人机蜂群数量M小于等于100时,令npop=M,保证算法的稳定性和定位性能,确保最优解的产生;
无人机蜂群数量M大于100时,为了提高算法速度,令npop<M;
(3.2)副站初始化,对簇群中的副站进行初始化;
利用公式i=imin+randi(imax-imin)对选好的npop架无人机簇群BSk(t)的副站ui(t,i)进行初始化,其中i为无人机序号,t表示当前时刻,ui(t,i)即为t时刻选定的第i架无人机ui;
对于定位任务而言定位主站为参考基站,本发明中簇群即为定位基站组合,包括簇头和簇成员,簇头即为定位主站、簇成员就是定位副站;
(3.3)优化副站,对初始化后的副站进行迭代优化;
(3.4)根据优化副站后输出的簇群计算其适应度Fi,对适应度值较好的簇群进行迭代更新,寻求全局最优;
簇群的适应度Fi综合了时间适应度、空间适应度、目标适应度,其值越大表明选定的簇群适应性越好,定位精度越好;
(3.6)根据选择概率Pi的结果,按轮盘赌算法判定是否保留簇群;
轮盘赌算法为现有算法,对选择概率进行累加,根据“累积概率”进行选择,个体的选择概率和适应度值成正比,适应度越大,选中概率也越大;选择一个随机数组,随机数范围在[0-1],若累积概率大于随机数,则不保留,执行步骤(3.3);其余保留,执行步骤(3.7);
(3.7)计算步骤(3.6)保留簇群的遗弃值a,并判断遗弃值a与阈值L的大小,对遗弃值a大于等于阈值L的簇群进行遗弃,执行步骤(3.2)副站初始化;
对遗弃值a小于阈值L的簇群,则执行步骤(3.8);
阈值L按照实际需要设置;
(3.8)对剩余簇群进行寻优,保留局部最优,通过多次循环搜索全局最优;
(3.9)对适应度值较好的簇群进行迭代更新,判断迭代次数是否达到上限,未达到,执行步骤(3.3)继续优化副站;
达到,即得到更新后的最优簇群,执行步骤(4);
迭代次数上限根据实际需要设置,可用变量max_MaxIt表示。
步骤(4)所述对更新后的最优簇群的任务效能E进行评估,具体是在定位任务中基于测程差R与定位误差无偏估计理论值CRLB的联合优化函数E1,对不同簇群间进行同任务效能对比,联合优化函数E1的公式为:
E1=min[R(t,BSk(t))+CRLB(t,BSk(t))]。
步骤(4)所述对更新后的簇群的任务代价C进行评估,簇群的任务代价C为个体代价总和,个体代价包括无人机个体的剩余航程rvi,剩余作战能力(具体执行某任务的剩余作战能力)为rcsi,被发现概率为pdi,全部进行归一化处理后,任务代价C的公式为:
针对现有技术仅从任务代价的角度对任务进行调度的问题,本发明旨在为无人机蜂群协同任务调度问题提供一种新的解决策略,对任务代价和任务效能进行动态联合优化,系统采用角色转换机制以及自组织分簇的思想,构建基于任务效能和任务代价动态联合的优化模型,从时间适应度、空间适应度以及目标适应度实现蜂群协同,实现低成本、高性能蜂群动态侦察调度,提高任务效率的同时减小任务代价。在面对较大数量的无人机蜂群时,本发明系统及方法可以快速提供蜂群协同最优调度方案,提高任务效费比,可为无人机蜂群协同侦察感知、灾难救援、偏远地区监控等提供很好的解决方案,可满足战场环境以及灾难救援场景的需求。
附图说明
图1为本发明基于感知阵型的无人机蜂群动态侦察任务调度系统结构框图;
图2为本发明调度系统中蜂群分簇调度示意图;
图3为本发明调度方法流程图。
具体实施方式
下面结合实施例和附图对本发明内容作进一步的说明,但不是对本发明的限定。
实施例
参照图1,本发明基于感知阵型的无人机蜂群动态侦察任务调度系统结构框图,调度系统包括设置在前端的任务规划模块、中端的任务调度模块和后端的航迹优化模块;
前端的任务规划模块对无人机蜂群的侦察任务数量、种类以及执行任务所需的无人机数目区间进行定义,按照任务的要求切分为不同子任务,不同子任务集合共同构成原始任务规划;
中端的任务调度模块依据定位感知阵型对子任务效能、任务代价进行动态联合评估,利用人工蜂群算法的角色转换机制对无人机蜂群进行分簇,并对相应子任务进行调度,将相应簇群分配给对应任务目标,完成调度任务;任务调度模块包括初始化调度子模块、任务代价评估子模块以及任务效能评估子模块、子任务调度子模块四个子模块;
后端的航迹优化模块对调度子任务的目标及任务类别计算最优侦察阵型位置坐标,并优化无人机簇群飞行路径。
参照图2,本发明调度系统中蜂群分簇调度示意图,图中,无人机簇群分别为BS1,BS2,…BSk,辐射源目标分别为g1,g2,…gk,第i架无人机的位置为ui=(xi,yi,zi),ri是无人机i与其对应目标的距离。由于无人机可接收来自不同辐射源的发射信号,并对其进行处理,所以同一无人机可同时对不同目标执行定位感知任务。
图2中,无人机簇群BS1的对应目标为g1,无人机簇群BS2的对应目标为g2,以此类推,无人机簇群BSk的对应目标为gk。调度系统中,任务调度模块利用人工蜂群算法的角色转换机制对无人机蜂群进行分簇,并对相应子任务进行调度,将分好的最优簇群分配给对应任务目标,完成调度任务。
参照图3,本发明基于感知阵型的无人机蜂群动态侦察任务调度方法流程图,本发明调度方法包括如下步骤:
(1)计算无人机蜂群当前位置信息,设总任务为T,任务类别代码为s,目标为gk,无人机蜂群数量为M,第i架无人机的位置为ui=(xi,yi,zi);
(2)调度系统中的任务规划模块依据步骤(1)输入的参数,规划执行任务类别代码s所需的无人机数量以及任务优先级p;
无人机数量区间为[mmin,mmax];
规划后的子任务集合为:
taskj={s,p,gk,[mmin,mmax]},∑task=T;
(3)依据具体的子任务类别,利用人工蜂群算法的角色转换机制和自组织分簇的思想对蜂群进行调度,形成无人机簇群BSk=[ui]1×m,簇群大小m∈[mmin,mmax];
(4)对角色转换更新后的最优簇群,通过任务效能评估模块和任务代价评估模块进行任务效能和任务代价评估,再进行联合优化,优化后输出最优簇群,通过最优簇群对现有飞行轨迹进行调整,形成最佳感知阵型,实现无人机蜂群协同调度。
步骤(3)所述角色转换步骤依据无人机蜂群拓扑对无人机簇群进行迭代更新,输出更新后的簇群,角色转换步骤的子步骤具体如下;
(3.1)确定主站,在输入的无人机蜂群中随机选择npop架无人机,将第i架无人机站点ui(t)确定为第Nj组的主站,共N组;
无人机蜂群数量M小于等于100时,令npop=M,保证算法的稳定性和定位性能,确保最优解的产生;
无人机蜂群数量M大于100时,为了提高算法速度,令npop<M;
(3.2)副站初始化,对簇群中的副站进行初始化;
利用公式i=imin+randi(imax-imin)对选好的npop架无人机簇群BSk(t)的副站ui(t,i)进行初始化,其中i为无人机序号,t表示当前时刻,ui(t,i)即为t时刻选定的第i架无人机ui;
(3.3)优化副站,对初始化后的副站进行迭代优化;
(3.4)根据优化副站后输出的簇群计算其适应度Fi,对适应度值较好的簇群进行迭代更新,寻求全局最优;
簇群的适应度Fi综合了时间适应度、空间适应度、目标适应度,其值越大表明选定的簇群适应性越好,定位精度越好;
(3.6)根据选择概率Pi的结果,按轮盘赌算法判定是否保留簇群;
轮盘赌算法为现有算法,对选择概率进行累加,根据“累积概率”进行选择,个体的选择概率和适应度值成正比,适应度越大,选中概率也越大;选择一个随机数组,随机数范围在[0-1],若累积概率大于随机数,则不保留,执行步骤(3.3);其余保留,执行步骤(3.7);
(3.7)计算步骤(3.6)保留簇群的遗弃值a,并判断遗弃值a与阈值L的大小,对遗弃值a大于等于阈值L的簇群进行遗弃,执行步骤(3.2)副站初始化;
对遗弃值a小于阈值L的簇群,则执行步骤(3.8);
阈值L按照实际需要设置,阈值L设置为30;
(3.8)对剩余簇群进行寻优,保留局部最优,通过多次循环搜索全局最优;
(3.9)对适应度值较好的簇群进行迭代更新,判断迭代次数是否达到上限,未达到,执行步骤(3.3)继续优化副站;达到,即得到更新后的最优簇群,执行步骤(4);
迭代次数上限根据实际需要设置,可用变量max_MaxIt表示。
步骤(4)对更新后的最优簇群的任务效能E进行评估,具体是在定位任务中基于测程差R与定位误差无偏估计理论值CRLB的联合优化函数E1,对不同簇群间进行同任务效能对比,联合优化函数E1的公式为:
E1=min[R(t,BSk(t))+CRLB(t,BSk(t))]。
步骤(4)对更新后的簇群的任务代价C进行评估,簇群的任务代价C为个体代价总和,个体代价包括无人机个体的剩余航程rvi,剩余作战能力(具体执行某任务的剩余作战能力)为rcsi,被发现概率为pdi,全部进行归一化处理后,任务代价C的公式为:
本发明基于感知阵型的无人机蜂群动态侦察任务调度方法,可满足战场环境以及灾难救援等场景的需求。本系统采用角色转换机制以及自组织分簇的思想,构建基于任务效能和任务代价动态联合的优化模型,从时间适应度、空间适应度以及目标适应度实现蜂群协同,实现低成本、高性能蜂群动态侦察调度。
Claims (5)
1.一种基于感知阵型的无人机蜂群动态侦察任务调度系统,其特征在于,所述调度系统包括设置在前端的任务规划模块、中端的任务调度模块和后端的航迹优化模块;
前端的任务规划模块对无人机蜂群的侦察任务数量、种类以及执行任务所需的无人机数目区间进行定义,按照任务的要求切分为不同子任务,不同子任务集合共同构成原始任务规划;
中端的任务调度模块依据定位感知阵型对子任务效能、任务代价进行动态联合评估,利用人工蜂群算法的角色转换机制对无人机蜂群进行分簇,并对相应子任务进行调度,将相应簇群分配给对应任务目标,完成调度任务;
后端的航迹优化模块对调度子任务的目标及任务类别计算最优侦察阵型位置坐标,并优化无人机簇群飞行路径。
2.根据权利要求1所述的基于感知阵型的无人机蜂群动态侦察任务调度系统,其特征在于:所述任务调度模块包括初始化调度子模块、任务代价评估子模块以及任务效能评估子模块、子任务调度子模块四个子模块;
所述初始化调度子模块,结合自组织分簇的思想,按照规划后的子任务集合对无人机蜂群进行初始化分簇;
所述任务代价评估子模块,对所有无人机个体状态进行定义,包括无人机位置、与目标间的距离、剩余可飞行航程、剩余作战能力、发现概率,并对上述参数进行归一化处理,由簇群内无人机个体代价构成簇群整体代价评估,并结合人工蜂群算法对簇群进行迭代,选出任务代价最优的簇群;
所述任务效能评估子模块,结合子任务特点,如定位任务的评价指标:均方根误差、克拉美罗下界构建任务评估模型,对所选簇群进行效能评估,并利用人工蜂群算法的角色转换机制对簇群不断迭代,选出任务效能最优的簇群;
所述子任务调度模块,对选出的任务代价与任务效能最优的簇群,进行二维动态联合优化,对簇群整体进行全面分析,得到完成该子任务的最佳无人机簇群,按照相应任务目标进行调度;所有子任务均进行如上操作,最终将实现对整个任务的调度。
3.根据权利要求1-2任一项所述的基于感知阵型的无人机蜂群动态侦察任务调度系统的调度方法,其特征在于,所述方法包括如下步骤:
(1)计算无人机蜂群当前位置信息,设总任务为T,任务类别代码为S,目标为gk,无人机蜂群数量为M,第i架无人机的位置为ui=(xi,yi,zi);
(2)调度系统中的任务规划模块依据步骤(1)输入的参数,规划执行任务类别代码S所需的无人机数量以及任务优先级p;
无人机数量区间为[mmin,mmax];
规划后的子任务集合为:
taskj={s,p,gk,[mmin,mmax]},∑task=T;
(3)依据具体的子任务类别,利用人工蜂群算法的角色转换机制和自组织分簇的思想对蜂群进行调度,形成无人机簇群BSk=[ui]1×m,簇群大小m∈[mmin,mmax];
所述角色转换步骤依据无人机蜂群拓扑对无人机簇群进行迭代更新,输出更新后的簇群,角色转换步骤的子步骤具体如下;
(3.1)确定主站,在输入的无人机蜂群中随机选择npop架无人机,将第i架无人机站点ui(t)确定为第Nj组的主站,共N组;
无人机蜂群数量M小于等于100时,令npop=M,保证算法的稳定性和定位性能,确保最优解的产生;
无人机蜂群数量M大于100时,为了提高算法速度,令npop<M;
(3.2)副站初始化,对簇群中的副站进行初始化;
利用公式i=imin+randi(imax-imin)对选好的npop架无人机簇群BSk(t)的副站ui(t,i)进行初始化,其中i为无人机序号,t表示当前时刻,ui(t,i)即为t时刻选定的第i架无人机ui;
(3.3)优化副站,对初始化后的副站进行迭代优化;
(3.4)根据优化副站后输出的簇群计算其适应度Fi,对适应度值较好的簇群进行迭代更新,寻求全局最优;
簇群的适应度Fi综合了时间适应度、空间适应度、目标适应度,其值越大表明选定的簇群适应性越好,定位精度越好;
(3.6)根据选择概率Pi的结果,按轮盘赌算法判定是否保留簇群;
轮盘赌算法为现有算法,对选择概率进行累加,根据“累积概率”进行选择,个体的选择概率和适应度值成正比,适应度越大,选中概率也越大;选择一个随机数组,随机数范围在[0-1],若累积概率大于随机数,则不保留,执行步骤(3.3);其余保留,执行步骤(3.7);
(3.7)计算步骤(3.6)保留簇群的遗弃值a,并判断遗弃值a与阈值L的大小,对遗弃值a大于等于阈值L的簇群进行遗弃,执行步骤(3.2)副站初始化;
对遗弃值a小于阈值L的簇群,执行步骤(3.8);
(3.8)对剩余簇群进行寻优,保留局部最优,通过多次循环搜索全局最优;
(3.9)对适应度值较好的簇群进行迭代更新,判断迭代次数是否达到上限,未达到,执行步骤(3.3)继续优化副站;
达到,即得到更新后的最优簇群,执行步骤(4);
迭代次数上限根据实际需要设置,可用变量max_MaxIt表示;
(4)对更新后的最优簇群,通过任务效能评估模块和任务代价评估模块进行任务效能和任务代价评估,再进行联合优化,优化后输出最优簇群,通过最优簇群对现有飞行轨迹进行调整,形成最佳感知阵型,实现无人机蜂群协同调度。
4.根据权利要求2所述的基于感知阵型的无人机蜂群动态侦察任务调度系统的调度方法,其特征在于,步骤(4)所述对更新后的最优簇群的任务效能E进行评估,具体是在定位任务中基于测程差R与定位误差无偏估计理论值CRLB的联合优化函数E1,对不同簇群间进行同任务效能对比,联合优化函数E1的公式为:
E1=min[R(t,BSk(t))+CRLB(t,BSk(t))]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700086.9A CN113448703B (zh) | 2021-06-23 | 2021-06-23 | 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700086.9A CN113448703B (zh) | 2021-06-23 | 2021-06-23 | 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113448703A true CN113448703A (zh) | 2021-09-28 |
CN113448703B CN113448703B (zh) | 2024-01-09 |
Family
ID=77812408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110700086.9A Active CN113448703B (zh) | 2021-06-23 | 2021-06-23 | 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113448703B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114326824A (zh) * | 2022-03-16 | 2022-04-12 | 电子科技大学 | 一种基于仿生算法异构高密度混合无人机群拓扑控制方法 |
CN114553302A (zh) * | 2022-02-25 | 2022-05-27 | 中国电子科技集团公司第三十八研究所 | 一种无人机蜂群实时性协同通信方法 |
CN115903885A (zh) * | 2022-10-26 | 2023-04-04 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于任务牵引的蜂群Agent模型的无人机飞控方法 |
CN116449865A (zh) * | 2023-03-15 | 2023-07-18 | 中国人民解放军国防科技大学 | 一种基于状态感知的分簇无人机集群任务分解方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889625A (zh) * | 2019-11-25 | 2020-03-17 | 航天时代飞鸿技术有限公司 | 一种用于蜂群无人机系统的任务规划方法 |
CN111061296A (zh) * | 2019-12-17 | 2020-04-24 | 中国人民解放军空军工程大学 | 基于气动阻力分析的无人机蜂群编队保持的研究方法 |
-
2021
- 2021-06-23 CN CN202110700086.9A patent/CN113448703B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889625A (zh) * | 2019-11-25 | 2020-03-17 | 航天时代飞鸿技术有限公司 | 一种用于蜂群无人机系统的任务规划方法 |
CN111061296A (zh) * | 2019-12-17 | 2020-04-24 | 中国人民解放军空军工程大学 | 基于气动阻力分析的无人机蜂群编队保持的研究方法 |
Non-Patent Citations (3)
Title |
---|
湛佳;谢文俊;郭庆;毛声;: "不确定条件下多无人机侦察调度问题", 火力与指挥控制, no. 10 * |
钮伟;黄佳沁;缪礼锋;: "无人机蜂群对海作战概念与关键技术研究", 指挥控制与仿真, no. 01 * |
陈卫卫;迟凯;: "无人机集群数据链技术研究", 指挥与控制学报, no. 01 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114553302A (zh) * | 2022-02-25 | 2022-05-27 | 中国电子科技集团公司第三十八研究所 | 一种无人机蜂群实时性协同通信方法 |
CN114553302B (zh) * | 2022-02-25 | 2023-05-16 | 中国电子科技集团公司第三十八研究所 | 一种无人机蜂群实时性协同通信方法 |
CN114326824A (zh) * | 2022-03-16 | 2022-04-12 | 电子科技大学 | 一种基于仿生算法异构高密度混合无人机群拓扑控制方法 |
CN115903885A (zh) * | 2022-10-26 | 2023-04-04 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于任务牵引的蜂群Agent模型的无人机飞控方法 |
CN115903885B (zh) * | 2022-10-26 | 2023-09-29 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于任务牵引的蜂群Agent模型的无人机飞控方法 |
CN116449865A (zh) * | 2023-03-15 | 2023-07-18 | 中国人民解放军国防科技大学 | 一种基于状态感知的分簇无人机集群任务分解方法和系统 |
CN116449865B (zh) * | 2023-03-15 | 2024-03-12 | 中国人民解放军国防科技大学 | 一种基于状态感知的分簇无人机集群任务分解方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113448703B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113448703A (zh) | 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
CN110730031B (zh) | 一种用于多载波通信的无人机轨迹与资源分配联合优化方法 | |
CN110286694B (zh) | 一种多领导者的无人机编队协同控制方法 | |
Ruan et al. | Cooperative relative localization for UAV swarm in GNSS-denied environment: A coalition formation game approach | |
Irtija et al. | Energy efficient edge computing enabled by satisfaction games and approximate computing | |
CN112965507B (zh) | 一种基于智能优化的集群无人机协同工作系统及方法 | |
CN112911537B (zh) | 一种多无人机信息采集系统任务时间最小化的方法 | |
CN112071122A (zh) | 一种用于信息采集的无人机群路径规划方法 | |
CN114142908B (zh) | 一种面向覆盖侦察任务的多无人机通信资源分配方法 | |
Qi et al. | Deep reinforcement learning based task scheduling in edge computing networks | |
CN116582871B (zh) | 一种基于拓扑优化的无人机集群联邦学习模型优化方法 | |
Chen et al. | Cooperative networking strategy of UAV cluster for large-scale WSNs | |
Sha et al. | DRL-based task offloading and resource allocation in multi-UAV-MEC network with SDN | |
CN113487220A (zh) | 面向静态目标观测的空天异构对地观测资源协同调度方法 | |
Rahbari et al. | Fast and fair computation offloading management in a swarm of drones using a rating-based federated learning approach | |
Liu et al. | UAV-USV cooperative task allocation for smart ocean networks | |
CN117519244B (zh) | 无人机集群协同探测多目标的路径规划方法及系统 | |
Jiang et al. | MARS: A DRL-based Multi-task Resource Scheduling Framework for UAV with IRS-assisted Mobile Edge Computing System | |
Gad et al. | Communication-efficient federated learning in drone-assisted IoT networks: Path planning and enhanced knowledge distillation techniques | |
Hussein et al. | A comparative study of swarm intelligence-based optimization algorithms in WSN | |
CN115765826B (zh) | 一种面向按需服务的无人机网络拓扑重构方法 | |
CN114885379B (zh) | 一种大规模无人机集群自适应分簇组网方法 | |
Raj et al. | An enhanced evolutionary scheme for obstacle-aware data gathering in uav-assisted wsns | |
El Amraoui | Metaheuristic moth flame optimization based energy efficient clustering protocol for 6g enabled unmanned aerial vehicle networks |
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 |