CN113536689B - 基于混合遗传智能算法的多无人机任务分配执行控制方法 - Google Patents
基于混合遗传智能算法的多无人机任务分配执行控制方法 Download PDFInfo
- Publication number
- CN113536689B CN113536689B CN202110848178.1A CN202110848178A CN113536689B CN 113536689 B CN113536689 B CN 113536689B CN 202110848178 A CN202110848178 A CN 202110848178A CN 113536689 B CN113536689 B CN 113536689B
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned aerial
- aerial vehicle
- new
- tasks
- 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
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 46
- 210000000349 chromosome Anatomy 0.000 claims description 24
- 108090000623 proteins and genes Proteins 0.000 claims description 18
- 230000035772 mutation Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 3
- 230000002028 premature Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
本发明提供一种基于混合遗传智能算法的多无人机任务分配执行控制方法,在多无人机场景下,在地图中获取需要前往的任务点集合T,并获取当前可用的无人机群集合U,根据地图中任务点集合T和无人机群U建立多旅行商任务模型;任务预分配,使用混合遗传算法对多旅行商任务模型进行求解,得出各无人机的任务执行有序序列;进行任务动态分配,在新任务出现时,通过K邻近算法将新任务基于无人机群体未执行的任务进行分配,对新分配了任务的无人机使用单遗传算法进行单线路任务重排序,得到新分配了任务的无人机的新路线;该方法采用混合算法完成对无人机任务的初始分配与任务动态分配,能够实现任务分配执行的高效性。
Description
技术领域
本发明涉及一种基于混合遗传智能算法的多无人机任务分配执行控制方法,属于通信领域。
背景技术
随着无人机技术的快速发展,无人机在社会生活、军事防御的领域得到了大量的应用。但随着无人机执行任务的数量不断增加,以及对任务执行效率的需求不断提高,单个无人机的能力有限,多无人机协同执行任务的研究具有现实意义。目前国内许多外关于无人机任务分配的解决办法已经被提出,并取得了很多优异的成果。
但是由于无人机任务的不断增加以及在实际环境中存在各种突发情况,现有无人机群任务部署中各无人机执行的任务存在重叠,影响任务分配的合理性,进而影响执行效率,有待进行提升。此外,在新任务增加时,分配效率也有待提高。只有不断的改进、创新才能更好的去解决存在的问题,让科学技术发挥出更大的应用价值。
上述问题是在多无人机任务分配过程中应当予以考虑并解决的问题。
发明内容
本发明的目的是提供一种基于混合遗传智能算法的多无人机任务分配执行控制方法解决现有技术中存在的现有无人机群任务部署中各无人机执行的任务存在重叠,影响任务分配的合理性,进而影响执行效率的问题。
本发明的技术解决方案是:
一种基于混合遗传智能算法的多无人机任务分配执行控制方法,包括以下步骤,
S1、在多无人机场景下,在地图中获取需要前往的任务点集合T,并获取当前可用的无人机群集合U,根据地图中任务点集合T和无人机群U建立多旅行商任务模型;
S2、任务预分配,使用混合遗传算法对步骤S1所得多旅行商任务模型进行求解,得出各无人机的任务执行有序序列;
S3、进行任务动态分配,在新任务出现时,通过K邻近算法将新任务tp基于无人机群体未执行的任务进行分配,对新分配了任务的无人机使用单遗传算法进行单线路任务重排序,得到新分配了任务的无人机的新路线。
进一步地,步骤S1中,根据地图中任务点集合T和无人机群U建立多旅行商任务模型,具体为,
S11、全局信息获取,多无人机场景下的任务分配需要获取任务全局信息,包括地图中的任务点集合T={t1,t2,…tm-1,tm},表示共m个需要前往的任务地点,其中T的相对位置信息p={x,y},以及可用的无人机集合U={u1,u2,…un-1,un},表示可用无人机共n台无人机;
S12、通过任务点集合T与无人机群集合U建立任务模型和对应的约束条件,通过任务模型确定求解的目标是无人机的均衡任务执行,通过约束函数确保每个任务都被访问,无人机访问的任务没有重叠。
进一步地,步骤S12中,通过任务点集合T与无人机群集合U建立任务模型和对应的约束条件,具体为,
S121、任务模型建立:
W=Min((zmax-zmin)/zmax) (1)
其中,W表示所求目标函数,zmax即表示无人机群中飞行路径最大值,zmax=Max(z1,z2,...,zk,...,zn),其中,z1,z2,...,zk,...,zn分别表示各个无人机的飞行路径长度,zmin即表示无人机群中飞行路径最小值,zmin=Min(z1,z2,...,zk,...,zn);
其中,无人机群中单个无人机的飞行距离zk:
其中,cij表示任务点ti到tj之间距离,表示任务点ti的x轴坐标,/>表示任务点tj的x轴坐标,/>表示任务点ti的y轴坐标,/>表示任务点tj的y轴坐标;
在此模型中,式(1)表示各无人机的执行任务花费的距离差值最小,式(2)表示各无人机执行任务所走的距离,式(4)表示表示任务点ti与tj之间的距离
S122、约束条件建立:
其中,表示无人机uk是否执行任务ti;
约束条件中式f6)表示各无人机从t0原点出发,且所有任务仅被某一个无人机严格访问一次。
进一步地,步骤S2中,使用混合遗传算法求解多旅行商任务模型,求解时首先采用两段式的染色体编码方式随机初始化种群,之后使用改进的子代种群产生方式、选择操作和变异方式优化遗传算法,直至最终得出各无人机的任务执行有序序列。
进一步地,步骤S2中,使用混合遗传算法求解多旅行商任务模型,具体为,
S21、种群初始化,采用两段式的染色体编码方式随机选取初始种群,并初始化种群和当前迭代次数h,其中两段式的染色体编码方式的第一部分为执行的任务随机序列,第二部分为第一部分的断点;通过序列加断点的方式确定各无人机的任务执行顺序;
S22、选取任务模型的公式(1)作为适应度函数,随着目标函数W的减小,无人机群任务的分配越来越均衡;
S23、子代种群产生方式,为确保种群的多样性,设计了一种混合策略,子代种群由2部分组成,第一部分让适应度好的个体产生更多的子代,占子代较高设定比例;适应度差的个体产生少量的子代,占子代较低设定比例;
S24、交叉操作,通过交叉组合出继承父代的有效模式的新个体,进行解空间中的有效搜索;对两个父代随机产生2个不同的整数k1、k2作为交叉点,将交叉点之间的片段交换并删除重复的节点,对删除后的个体再按顺序填充到子代当中;
S25、变异操作,将各无人机所走的路径作为一个整体,随机选择两个无人机中个体进行交换;再对各无人机内部中的两个任务点进行交换;
S26、选择操作,为避免算法出现早熟的现象和陷入局部最优,使用多种混合选择的方式进行新种群的选择,具体为,首先个体进入新种群的概率与适应度成正比,占新种群总数的较高设定比例,其次直接产生随机的新个体直接进入下一代占新种群总数的较低设定比例;
S27、判断是否达到设定迭代次数,在未达到设定迭代次数时,当前迭代次数加一,返回步骤S22;在达到设定迭代次数时,以进化过程中得到的适应度最好的个体即最优解作为算法输出。
进一步地,步骤S3中,在新任务出现时,通过K邻近算法将新任务tp基于无人机群体未执行的任务进行分配,对新分配了任务的无人机使用单遗传算法进行单线路任务重排序,具体为,
S31、在无人机群执行任务过程中,有新的任务添加时,则获取当前还未执行的所有任务集合T*={ti,ti+1,…,tj-1,tj};
S32、将新任务进行分配,采用的策略是减少额外资源消耗,通过K邻近算法将新任务tp基于无人机群体未执行的任务进行分配;
S33、对新分配了任务的无人机使用单遗传算法进行单线路任务重规划,得到新路线。
进一步地,步骤S32中,通过K邻近算法将新任务tp基于无人机群体未执行的任务进行分配,具体为,
S321、以当前未执行的任务的集合T*为训练样本,tp为测试样本;
S322、计算测试样本tp到训练样本T*各点的欧几里得距离;
S323、选取离训练样本T*最近的k个点;
S324、选取k个点中,同一无人机最多的无人机作为新任务的执行无人机。
进一步地,步骤S33中,对新分配了任务的无人机使用单遗传算法进行单线路任务重规划,得到新路线,具体为,
S331、种群初始化,对增加了新任务的无人机任务集更新Tnew={tp,ti,ti+1,…,tn},其中包括被分配了新任务无人机未执行的任务和新任务tp;对Tnew进行整数编码,假设Tnew中有n个节点,则会产生1到n的多个不重复的随机排列组合,每一种排列则对应一种个体,完成种群初始化;
S332、适应度函数,使用每个个体的飞行距离的倒数作为适应度函数;
S333、选择操作,按个体的适应度选择进行选择,保留适应度较大的个体;
S334、交叉操作,挑选上一步骤S333中随机两个个体作为父染色体p1和p2,随机产生两个交叉点,将p1交叉点间的基因取出作为子代的起始基因,剩余的基因从p2中取不在交叉点间的基因,生成子代c1,c2;
S335、变异操作,使用两基因交换变异算子2-opt进行变异操作,增加种群的多样性;挑选一条父染色体进行变异,将染色体上的两个基因位进行互换,生成子代染色体;
S336、在未达到设定迭代次数时,迭代次数加1,并返回步骤S332;在达到设定迭代次数时,以进化过程中得到的适应度最好的个体作为算法输出,得到新分配了任务的无人机的新路线。
本发明的有益效果是:
一、该种基于混合遗传智能算法的多无人机任务分配执行控制方法,能够在无人机群场景下,实现多多无人机任务的高效分配,实现各无人机执行的任务不发生重叠,且能尽可能快的完成所有任务。该方法,能够实现对任务合理的划分,并对任务的执行顺序进行排序,使无人机能高效、迅速完成任务。
二、该种基于混合遗传智能算法的多无人机任务分配执行控制方法,通过混合遗传算法,优化了遗传算法在保持优良个体的同时,又能维持种群的多样性,提高了遗传算法的性能。该方法,在获取到新任务时通过智能算法,做出快速响应,得出新的任务规划方案,在面向实际应用中具有参考价值。
三、该种基于混合遗传智能算法的多无人机任务分配执行控制方法,主要用于给无人机群中各无人机分配任务,并给其规划好执行任务的航线。一方面在初始阶段通过混合遗传算法对任务的规划,实现无人机在工作量平均。另一方面当在任务执行过程中有新任务加入时,通过K邻近算法将新任务分配给其中一台无人机并重新计算任务执行顺序,实现新任务的额外开销最小化。本发明方法采用混合算法完成对无人机任务的初始分配与任务动态分配,实现任务分配执行的高效性。
附图说明
图1是本发明实施例基于混合遗传智能算法的多无人机任务分配执行控制方法的流程示意图。
图2是实施例中任务预分配混合遗传算法的流程示意图。
图3是实施例中任务预分配的效果说明示意图。
图4是实施例中任务动态分配的效果说明示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
针对现有无人机群任务部署中存在的问题,实施例提出一种基于混合遗传智能算法的多无人机任务分配执行控制方法,通过获取包括任务点集合,包括任务点在地图中的坐标;并获取可用的无人机群集合;对任务点和无人机群建立任务模型,并结合人工智能算法对任务进行规划;主要包括两个阶段:第一阶段任务预部署阶段,采用的基本思想是均衡分配,首先对预先设定的任务集和无人机集合进行建模,然后使用混合遗传算法对任务进行预分配;第二阶段动态任务部署阶段,采用的基本思想是降低新任务的额外资源消耗,在此阶段当增加新任务时,通过K-邻近算法计算出新任务分配的无人机,并通过人工智能算法求解出有新任务的无人机执行任务的顺序。经过以上两个流程,在初始阶段得出无人机群的任务分配方案和任务的执行方案。在动态任务部署阶段得出在新任务出现时新任务的分配和新的任务执行流程。总体实现了任务的预分配和动态部署功能。
一种基于混合遗传智能算法的多无人机任务分配执行控制方法,如图1,包括以下步骤,
S1、在多无人机场景下,在地图中获取需要前往的任务点集合T,并获取当前可用的无人机群集合U,根据地图中任务点集合T和无人机群U建立多旅行商任务模型;
S11、全局信息获取,多无人机场景下的任务分配需要获取任务全局信息,包括地图中的任务点集合T={t1,t2,…tm-1,tm},表示共m个需要前往的任务地点,其中T的相对位置信息p={x,y},以及可用的无人机集合U={u1,u2,…un-1,un},表示可用无人机共n台无人机;
S12、通过任务点集合T与无人机群集合U建立任务模型和对应的约束条件,通过任务模型确定求解的目标是无人机的均衡任务执行,通过约束函数确保每个任务都被访问,无人机访问的任务没有重叠。
S121、任务模型建立:
W=Min((zmax-zmin)/zmax) (1)
其中,W表示所求目标函数,zmax即表示无人机群中飞行路径最大值,zmax=Max(z1,z2,...,zk,...,zn),其中,z1,z2,...,zk,...,zn分别表示各个无人机的飞行路径长度,zmin即表示无人机群中飞行路径最小值,zmin=Min(z1,z2,...,zk,...,zn);
其中,无人机群中单个无人机的飞行距离zk:
其中,cij表示任务点ti到tj之间距离,表示任务点ti的x轴坐标,/>表示任务点tj的x轴坐标,/>表示任务点ti的y轴坐标,/>表示任务点tj的y轴坐标;
在此模型中,式(1)表示各无人机的执行任务花费的距离差值最小,式(2)表示各无人机执行任务所走的距离,式(4)表示表示任务点ti与tj之间的距离
S122、约束条件建立:
其中,表示无人机uk是否执行任务ti;
约束条件中式(6)表示各无人机从t0原点出发,且所有任务仅被某一个无人机严格访问一次。
如图2和图3,S2、任务预分配,使用混合遗传算法对步骤S1所得多旅行商任务模型进行求解,得出各无人机的任务执行有序序列。
步骤S2中,使用混合遗传算法求解多旅行商任务模型,求解时首先采用两段式的染色体编码方式随机初始化种群,之后使用改进的子代种群产生方式、选择操作和变异方式优化遗传算法,直至最终得出各无人机的任务执行有序序列。
S21、种群初始化,采用两段式的染色体编码方式随机选取初始种群,并初始化种群和当前迭代次数h,其中两段式的染色体编码方式的第一部分为执行的任务随机序列,第二部分为第一部分的断点;通过序列加断点的方式确定各无人机的任务执行顺序;
S22、选取任务模型的公式(1)作为适应度函数,随着目标函数W的减小,无人机群任务的分配越来越均衡;
S23、子代种群产生方式,为确保种群的多样性,设计了一种混合策略,子代种群由2部分组成,第一部分让适应度好的个体产生更多的子代,占子代较高设定比例,优选占子代的80%;适应度差的个体产生少量的子代,占子代较低设定比例,优选占子代20%;
S24、交叉操作,通过交叉组合出继承父代的有效模式的新个体,进行解空间中的有效搜索;对两个父代随机产生2个不同的整数k1、k2作为交叉点,将交叉点之间的片段交换并删除重复的节点,对删除后的个体再按顺序填充到子代当中;
S25、变异操作,将各无人机所走的路径作为一个整体,随机选择两个无人机中个体进行交换;再对各无人机内部中的两个任务点进行交换;
S26、选择操作,为避免算法出现早熟的现象和陷入局部最优,使用多种混合选择的方式进行新种群的选择,具体为,首先个体进入新种群的概率与适应度成正比,占新种群总数的较高设定比例,优选为85%,其次直接产生随机的新个体直接进入下一代占新种群总数的较低设定比例,优选为15%;
S27、判断是否达到设定迭代次数,在未达到设定迭代次数时,当前迭代次数加一,返回步骤S22;在达到设定迭代次数时,以进化过程中得到的适应度最好的个体即最优解作为算法输出。
S3、进行任务动态分配,在新任务出现时,通过K邻近算法将新任务tp基于无人机群体未执行的任务进行分配,对新分配了任务的无人机使用单遗传算法进行单线路任务重排序,得到新分配了任务的无人机的新路线。
S31、在无人机群执行任务过程中,有新的任务添加时,则获取当前还未执行的所有任务集合T*={ti,ti+1,…,tj-1,tj};
S32、将新任务进行分配,采用的策略是减少额外资源消耗,通过K邻近算法将新任务tp基于无人机群体未执行的任务进行分配;
S321、以当前未执行的任务的集合T*为训练样本,tp为测试样本;
S322、计算测试样本tp到训练样本T*各点的欧几里得距离;
S323、选取离训练样本T*最近的k个点;
S324、选取k个点中,同一无人机最多的无人机作为新任务的执行无人机。
S33、对新分配了任务的无人机使用单遗传算法进行单线路任务重规划,得到新路线。
S331、种群初始化,对增加了新任务的无人机任务集更新Tnew={tp,ti,ti+1,…,tn},其中包括被分配了新任务无人机未执行的任务和新任务tp;对Tnew进行整数编码,假设Tnew中有n个节点,则会产生1到n的多个不重复的随机排列组合,每一种排列则对应一种个体,完成种群初始化;
S332、适应度函数,使用每个个体的飞行距离的倒数作为适应度函数;
S333、选择操作,按个体的适应度选择进行选择,保留适应度较大的个体;
S334、交叉操作,挑选上一步骤S333中随机两个个体作为父染色体p1和p2,随机产生两个交叉点,将p1交叉点间的基因取出作为子代的起始基因,剩余的基因从p2中取不在交叉点间的基因,生成子代c1,c2;
S335、变异操作,使用两基因交换变异算子2-opt进行变异操作,增加种群的多样性;挑选一条父染色体进行变异,将染色体上的两个基因位进行互换,生成子代染色体;
S336、在未达到设定迭代次数时,迭代次数加1,并返回步骤S332;在达到设定迭代次数时,以进化过程中得到的适应度最好的个体作为算法输出,得到新分配了任务的无人机的新路线。
该种基于混合遗传智能算法的多无人机任务分配执行控制方法,能够在无人机群场景下,实现各无人机执行的任务不发生重叠,且能尽可能快的完成所有任务。该方法,能够实现对任务合理的划分,并对任务的执行顺序进行排序,使无人机能高效、迅速完成任务。
该种基于混合遗传智能算法的多无人机任务分配执行控制方法,通过混合遗传算法,优化了遗传算法在保持优良个体的同时,又能维持种群的多样性,提高了遗传算法的性能。该方法,在获取到新任务时通过智能算法,做出快速响应,得出新的任务规划方案,在面向实际应用中具有参考价值。
该种基于混合遗传智能算法的多无人机任务分配执行控制方法,主要用于给无人机群中各无人机分配任务,并给其规划好执行任务的航线。一方面在初始阶段通过混合遗传算法对任务的规划,实现无人机在工作量平均。另一方面当在任务执行过程中有新任务加入时,通过K邻近算法将新任务分配给其中一台无人机并重新计算任务执行顺序,实现新任务的额外开销最小化。本发明方法采用混合算法完成对无人机任务的初始分配与任务动态分配,实现任务分配执行的高效性。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于混合遗传智能算法的多无人机任务分配执行控制方法,其特征在于:包括以下步骤,
S1、在多无人机场景下,在地图中获取需要前往的任务点集合T,并获取当前可用的无人机群集合U,根据地图中任务点集合T和无人机群U建立多旅行商任务模型;
S2、任务预分配,使用混合遗传算法对步骤S1所得多旅行商任务模型进行求解,得出各无人机的任务执行有序序列;
步骤S2中,使用混合遗传算法求解多旅行商任务模型,求解时首先采用两段式的染色体编码方式随机初始化种群,之后使用改进的子代种群产生方式、选择操作和变异方式优化遗传算法,直至最终得出各无人机的任务执行有序序列;
步骤S2中,使用混合遗传算法求解多旅行商任务模型,具体为,
S21、种群初始化,采用两段式的染色体编码方式随机选取初始种群,并初始化种群和当前迭代次数h,其中两段式的染色体编码方式的第一部分为执行的任务随机序列,第二部分为第一部分的断点;通过序列加断点的方式确定各无人机的任务执行顺序;
S22、选取任务模型的公式(1)作为适应度函数,随着目标函数W的减小,无人机群任务的分配越来越均衡;
S23、子代种群产生方式,为确保种群的多样性,设计了一种混合策略,子代种群由2部分组成,第一部分让适应度好的个体产生更多的子代,占子代较高设定比例;适应度差的个体产生少量的子代,占子代较低设定比例;
S24、交叉操作,通过交叉组合出继承父代的有效模式的新个体,进行解空间中的有效搜索;对两个父代随机产生2个不同的整数k1、k2作为交叉点,将交叉点之间的片段交换并删除重复的节点,对删除后的个体再按顺序填充到子代当中;
S25、变异操作,将各无人机所走的路径作为一个整体,随机选择两个无人机中个体进行交换;再对各无人机内部中的两个任务点进行交换;
S26、选择操作,为避免算法出现早熟的现象和陷入局部最优,使用多种混合选择的方式进行新种群的选择,具体为,首先个体进入新种群的概率与适应度成正比,占新种群总数的较高设定比例,其次直接产生随机的新个体直接进入下一代占新种群总数的较低设定比例;
S27、判断是否达到设定迭代次数,在未达到设定迭代次数时,当前迭代次数加一,返回步骤S22;在达到设定迭代次数时,以进化过程中得到的适应度最好的个体即最优解作为算法输出;
S3、进行任务动态分配,在新任务出现时,通过K邻近算法将新任务tp基于无人机群体未执行的任务进行分配,对新分配了任务的无人机使用单遗传算法进行单线路任务重排序,得到新分配了任务的无人机的新路线。
2.如权利要求1所述的基于混合遗传智能算法的多无人机任务分配执行控制方法,其特征在于:步骤S1中,根据地图中任务点集合T和无人机群U建立多旅行商任务模型,具体为,
S11、全局信息获取,多无人机场景下的任务分配需要获取任务全局信息,包括地图中的任务点集合T={t1,t2,…tm-1,tm},表示共m个需要前往的任务地点,其中T的相对位置信息p={x,y},以及可用的无人机集合U={u1,u2,un-1,un),表示可用无人机共n台无人机;
S12、通过任务点集合T与无人机群集合U建立任务模型和对应的约束条件,通过任务模型确定求解的目标是无人机的均衡任务执行,通过约束函数确保每个任务都被访问,无人机访问的任务没有重叠。
3.如权利要求2所述的基于混合遗传智能算法的多无人机任务分配执行控制方法,其特征在于:步骤S12中,通过任务点集合T与无人机群集合U建立任务模型和对应的约束条件,具体为,
S121、任务模型建立:
W=Min((zmax-zmin)/zmax) (I)
其中,W表示所求目标函数,zmax即表示无人机群中飞行路径最大值,zmax=Max(z1,z2,...,zk,...,zn),其中,z1,z2,...,zk,...,zn分别表示各个无人机的飞行路径长度,zmin即表示无人机群中飞行路径最小值,zmin=Min(z1,z2,...,zk,...,zn);
其中,无人机群中单个无人机的飞行距离zk:
其中,cij表示任务点ti到tj之间距离,表示任务点ti的x轴坐标,/>表示任务点tj的x轴坐标,/>表示任务点ti的y轴坐标,/>表示任务点tj的y轴坐标;
在此模型中,式(1)表示各无人机的执行任务花费的距离差值最小,式(2)表示各无人机执行任务所走的距离,式(4)表示表示任务点ti与tj之间的距离
S122、约束条件建立:
其中,表示无人机uk是否执行任务ti;
约束条件中式(6)表示各无人机从t0原点出发,且所有任务仅被某一个无人机严格访问一次。
4.如权利要求1-3任一项所述的基于混合遗传智能算法的多无人机任务分配执行控制方法,其特征在于:步骤S3中,在新任务出现时,通过K邻近算法将新任务tp基于无人机群体未执行的任务进行分配,对新分配了任务的无人机使用单遗传算法进行单线路任务重排序,具体为,
S31、在无人机群执行任务过程中,有新的任务添加时,则获取当前还未执行的所有任务集合T*=(ti,ti+1,…,tj-1,tj};
S32、将新任务进行分配,采用的策略是减少额外资源消耗,通过K邻近算法将新任务tp基于无人机群体未执行的任务T*进行分配;
S33、对新分配了任务的无人机使用单遗传算法进行单线路任务重规划,得到新路线。
5.如权利要求4所述的基于混合遗传智能算法的多无人机任务分配执行控制方法,其特征在于:步骤S32中,通过K邻近算法将新任务tp基于无人机群体未执行的任务进行分配,具体为,
S321、以当前未执行的任务的集合T*为训练样本,tp为测试样本;
S322、计算测试样本tp到训练样本T*各点的欧几里得距离;
S323、选取离训练样本T*最近的k个点;
S324、选取k个点中,同一无人机最多的无人机作为新任务的执行无人机。
6.如权利要求4所述的基于混合遗传智能算法的多无人机任务分配执行控制方法,其特征在于:步骤S33中,对新分配了任务的无人机使用单遗传算法进行单线路任务重规划,得到新路线,具体为,
S331、种群初始化,对增加了新任务的无人机任务集更新Tnew={tp,ti,ti+1,…,tn},其中包括被分配了新任务无人机未执行的任务和新任务tp;对Tnew进行整数编码,假设Tnew中有n个节点,则会产生1到n的多个不重复的随机排列组合,每一种排列则对应一种个体,完成种群初始化;
S332、适应度函数,使用每个个体的飞行距离的倒数作为适应度函数;
S333、选择操作,按个体的适应度选择进行选择,保留适应度较大的个体;
S334、交叉操作,挑选上一步骤S333中随机两个个体作为父染色体p1和p2,随机产生两个交叉点,将p1交叉点间的基因取出作为子代的起始基因,剩余的基因从p2中取不在交叉点间的基因,生成子代c1,c2;
S335、变异操作,使用两基因交换变异算子2-opt进行变异操作,增加种群的多样性;挑选一条父染色体进行变异,将染色体上的两个基因位进行互换,生成子代染色体;
S336、在未达到设定迭代次数时,迭代次数加1,并返回步骤S332;在达到设定迭代次数时,以进化过程中得到的适应度最好的个体作为算法输出,得到新分配了任务的无人机的新路线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848178.1A CN113536689B (zh) | 2021-07-26 | 2021-07-26 | 基于混合遗传智能算法的多无人机任务分配执行控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848178.1A CN113536689B (zh) | 2021-07-26 | 2021-07-26 | 基于混合遗传智能算法的多无人机任务分配执行控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536689A CN113536689A (zh) | 2021-10-22 |
CN113536689B true CN113536689B (zh) | 2023-08-18 |
Family
ID=78089138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110848178.1A Active CN113536689B (zh) | 2021-07-26 | 2021-07-26 | 基于混合遗传智能算法的多无人机任务分配执行控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536689B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116166048B (zh) * | 2023-03-06 | 2023-12-22 | 大连理工大学 | 一种无人机群容错任务规划方法 |
CN117669992B (zh) * | 2024-01-29 | 2024-05-14 | 常熟理工学院 | 面向智能仓储多移动机器人实时两阶段调度方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106990792A (zh) * | 2017-05-23 | 2017-07-28 | 西北工业大学 | 混合引力搜索算法的多无人机协同时序耦合任务分配方法 |
CN107169608A (zh) * | 2017-05-27 | 2017-09-15 | 合肥工业大学 | 多无人机执行多任务的分配方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10372142B2 (en) * | 2015-06-23 | 2019-08-06 | Archon Technologies S.R.L. | System for autonomous operation of multiple hybrid unmanned aerial vehicles supported by recharging stations to perform services |
-
2021
- 2021-07-26 CN CN202110848178.1A patent/CN113536689B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106990792A (zh) * | 2017-05-23 | 2017-07-28 | 西北工业大学 | 混合引力搜索算法的多无人机协同时序耦合任务分配方法 |
CN107169608A (zh) * | 2017-05-27 | 2017-09-15 | 合肥工业大学 | 多无人机执行多任务的分配方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于改进遗传算法的多无人机协同任务规划;赵民全;;舰船电子对抗(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113536689A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113536689B (zh) | 基于混合遗传智能算法的多无人机任务分配执行控制方法 | |
CN109583665B (zh) | 一种无线传感器网络中的无人机充电任务调度方法 | |
CN112766813A (zh) | 一种空天协同观测复杂任务调度方法及系统 | |
CN111178724B (zh) | 一种基于演化算法的拼车调度方法 | |
CN108921468A (zh) | 一种物流配送车辆智能排线方法 | |
CN112996019B (zh) | 基于多目标优化的太赫兹频段分布式星群接入控制方法 | |
CN113011780B (zh) | 一种多无人机协同电力巡检的任务分配方法 | |
CN111885493B (zh) | 一种基于改进布谷鸟搜索算法的微云部署方法 | |
CN111586146A (zh) | 基于概率转移深度强化学习的无线物联网资源分配方法 | |
CN116319355A (zh) | 一种基于深度强化学习的卫星网络拓扑生成方法 | |
CN116866931A (zh) | 一种城市移动边缘服务器部署方法 | |
CN115225643A (zh) | 点云平台大数据分布式管理方法、装置及系统 | |
CN106658570A (zh) | 基于二次栅格划分的移动sink信息收集路径构建方法 | |
CN110610273A (zh) | 一种车机协同巡检方法 | |
CN113344267A (zh) | 一种基于合作的物流网络资源配置优化方法 | |
CN116805201A (zh) | 一种无人机的能源补给站部署方法 | |
CN115421885B (zh) | 一种分布式多目标云任务的调度方法、装置及云服务系统 | |
CN116634504A (zh) | 基于改进nsga-ii算法的无人机组网拓扑关系与带宽分配优化策略 | |
CN110662272A (zh) | 一种基于蜂群无人机的最少数量领航者选取方法 | |
CN115987375A (zh) | 融合网络的电力设备关联与资源优化方法、系统及介质 | |
CN116339973A (zh) | 基于粒子群优化算法的数字孪生云平台计算资源调度方法 | |
CN113810916A (zh) | 一种5g/6g边缘计算场景下的多服务器混合部署架构及方法 | |
CN113219996B (zh) | 文化综合体装备的多路径规划方法 | |
CN116132354B (zh) | 一种无人机集群网络化传输路径优化方法及系统 | |
CN116909717B (zh) | 一种任务调度方法 |
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 |