CN113671985A - 一种分阶段多基地无人机任务分配和航迹规划方法 - Google Patents

Abstract

本发明公开了一种分阶段多基地无人机任务分配和航迹规划方法，包括区域设置，任务分配及航迹规划等三个步骤。本发明以异构多无人机疏散配置在多个基地、协同执行多目标探测任务为应用背景，通过区域设置、改进A*算法预估航程矩阵、多基地多无人机任务分配、基地内单无人机时序任务分配、航迹规划等多个阶段，实现多基地多无人机的任务规划。多基地多无人机任务分配阶段，当任务数量多、区域集中分布时，基于改进K‑means算法求解，当任务数量少、疏散分布时，采用深度遍历方法求解；单无人机时序任务分配阶段，基于TSP模型和遗传算法求解；航迹规划阶段，基于改进A*算法和三次B样条曲线法优化航迹。该方法将问题化繁为简、可扩展性好、易于工程实现和应用。

Description

一种分阶段多基地无人机任务分配和航迹规划方法

技术领域

本发明涉及一种无人机任务规划技术领域，具体涉及一种分阶段多基地无人机任务分配和航迹规划方法。

背景技术

随着无人机在应急抢险、测绘、监控等领域中的广泛使用，无人机运行的保障要求越来越高，而由于无人机使用环境的复杂性、多样性，尤其是在诸如抢险救灾、战争形态等应用领域中，这一要求尤为突出，而单一无人机平台受作用半径、续航时间、实用升限和任务载荷等性能局限，往往难以满足实际应用需求。多无人机协同任务规划成为当前国内外广泛关注的课题。

任务分配和航迹规划是多无人机任务规划的关键技术问题，国内外学者对无人机任务分配和航迹规划开展了广泛的研究，已取得了较大进展。当前多无人机任务规划研究过程中，通常采用基于多目标优化函数的全局任务规划方法，在同一阶段完成多无人机的任务分组、任务分工、时序分配和航迹规划等。当前方法主要存在以下几方面不足：①与分层级指挥、分区域协同的指挥流程不匹配，航迹规划易出现区域交叉情况，增加无人机时空防撞协调的复杂性；②难以处理基地疏散配置、各基地无人机数量和性能不同等复杂异构的情况，构建的多目标优化函数过于繁琐；③在任务动态变化时，任务动态再分配存在大量计算冗余，易造成较大的计算复杂度，实效性和可扩展性不好；④任务分配研究过程中，在考虑距离代价时，通常用直线欧式距离近似表示航程，没有考虑威胁区域等约束条件对航程预估的影响，从而易造成任务分配不合理。

因此针对这一现状，以异构多无人机疏散配置在多个基地、协同执行多目标探测任务为应用背景，开发一种分阶段多基地无人机任务分配和航迹规划方法，以满足实际使用的需要。

发明内容

本发明公开了一种分阶段多基地无人机任务分配和航迹规划方法，以解决现有技术存在的问题。

为解决上述技术问题，本发明采用的技术方案如下：

一种分阶段多基地无人机任务分配和航迹规划方法，包括如下步骤：

S1，区域设置，首先，在地理信息系统中，依次点击各基地坐标和任务坐标，确定任务规划区域范围；而后，在规划区域内，采用不同几何形状标记出威胁区域；

S2，任务分配，首先，在航程估算阶段，改进A^*算法，构建各基地、各任务点之间的A^*预估航程矩阵；其次，在多基地多无人机任务分配阶段，当任务数量多、区域集中分布时，基于改进K-means算法，实现目标区域聚类、各阵地聚类目标分配、阵地内无人机任务分配等；当任务数量少、疏散分布时，采用深度遍历方法实现精确任务分配；最后，在单无人机时序任务分配阶段，基于旅行商模型和遗传算法，求解各基地内单无人机的时序任务分配；

S3，航迹规划，首先，采用改进A^*算法规划并绘制航迹；而后，基于三次B样条曲线进行航迹平滑。

优选的，所述S1步骤中，在进行区域设置时，按以下步骤进行：

第一步，区域规划，在地理信息系统中，点击选定并标注多基地、多任务的位置，按点击次序为每个基地和任务编号，确定任务规划的区域范围。设各基地和任务的最大位置高斯坐标值分别为X_max、Y_max，设最小位置高斯坐标值分别X_min、Y_min，设规划空间的扩展距离值为H，则可确定矩形规划区域的四个顶点分别为(X_min-H,Y_min-H)、(X_min-H,Y_max+H)、(X_max+H,Y_max+H)、(X_min-H,Y_max+H)；将二维规划空间离散栅格化，(X_min-H,Y_min-H)为原点，设h为网格边长，则规划空间中任意点(x,y)的网格坐标(x_g,y_g)表示为：

第二步，威胁设置；基于基础地理信息和区域态势信息，在GIS中标绘出地形、雷达探测、防空火力、禁飞区等飞行威胁区域；根据不同威胁模型的特点，在GIS系统中通过手绘或标注等形式，用圆形、矩形、多边形等不同形状标记威胁区域；可计算出威胁区域边界的网格坐标(x_gt,y_gt)，构建威胁区域矩阵G[x][y]，令G[x_gt][y_gt]＝1表示该网格为威胁网格，G[x_gt][y_gt]＝0表示该网格不是威胁网格；

优选的，所述S2步骤中，在进行任务分配时，按以下步骤进行：

第一步，改进A*算法设计，在设置规划区域和威胁空间的基础上，分别以各基地和任务点为起止点，通过A*算法启发式搜索最优路径，并估算各基地与各个任务点、各个任务点之间的航程距离，结合具体应用背景，主要在约束搜索区域、航迹节点再调整等方面对传统A*算法进行优化，具体表述为：

1、定代价函数，A*算法的代价函数表示为：f(n)＝g(n)+h(n)，n为当前节点，f(n)为起始点经节点n到目标点的代价函数，g(n)为从起始点到节点n的实际代价，h(n)为节点n到目标节点的估计代价。

g(n)为从起始点到节点n的实际代价函数，可表示为：g(n)＝ω₁l_n+ω₂J_n+ω₃z_n，其中，l_n为航程代价，J_n为威胁代价，z_n为高度代价，ω₁,ω₂和ω₃分别表示航迹代价权值；其中要求航迹能够规避所有威胁区域，将威胁代价设为无穷大，令ω₂＝∞；在无人机实际巡航飞行过程中，设定无人机以固定高度巡飞，将三维空间航迹搜索问题简化为二维问题，令ω₁＝1，ω₃＝0。

h(n)可理解为启发函数，引导节点(x_n,y_n)向目标点(x_t,y_t)的方向搜索扩展，可表示为：

2、限定约束条件；考虑无人机的最大航程、最小轨迹段长度、最大转弯角等性能约束，为优化搜索空间、提高搜索速度，在启发式航迹搜索过程中，设定以下约束条件：

a.最大航程，单架无人机航迹搜索的总航程f应小于无人机的最大航程L_max，即f<L_max；

b.最小轨迹段长度，受机动能力约束，无人机改变飞行方向前，需要沿原方向直飞一段距离，即最短直飞距离为h_min。在A^*算法中，网格边长h为搜索步长，搜索步长应大于最小航迹段长度，即h>h_min；

c.最大转弯角，在规划空间启发性搜索下一节点时，限定在扇形约束区域内搜索，而不是遍历每个相邻节点。最大转弯角θ对应于最小转弯半径R_min，节点扩展角α在2θ范围内的扇形区域搜索，从而可减小搜索空间、加快搜索速度；

3、航迹节点调整，在栅格化节点扩展过程中，节点扩展主要局限在栅格线的交叉点上，会导致部分航迹呈锯齿状，需将部分锯齿型折线航迹优化为直线，设无人机w初始航迹节点序列v_w1[r]，节点序列数量为r，则节点再调整过程为：

a.初始令j＝r；

b.循环检查(v_w1[i],v_w1[j])之间的连线是否通过威胁区，i∈[1,...,j-1]；若通过威胁区，令i＝i+1；若不通过威胁区，令j＝i，并将v_w1[j]保存为再调整后的航迹节点；

c.重复上述循环，直至j＝1，停止循环，生成再调整后的航迹序列v_w2[l]，调整后的节点序列数量为l；

4、航迹搜索过程。在启发式搜索时，建立OPEN和CLOSE两个表，OPEN表用于存储已经计算但没有扩展的节点，CLOSE表用于存储已经扩展的节点；数据存储结构表示为{(x_i,y_i),f_i,g_i,h_i,p_i}，(x_i,y_i)为节点的网格坐标，f_i,g_i,h_i,p_i分别为代价函数的变量值，p_i代表当前节点的父节点，航迹搜索的主要流程表述为：

a.初始化；设置步长和障碍区域，初始化OPEN和CLOSE表，将起点放入OPEN表中作为当前节点；

b.节点扩展与存储；当前节点的相邻节点，若满足约束条件且不在当前OPEN和CLOSE表中，则将该有效节点加入OPEN表；将OPEN表中代价最小的节点A移到CLOSE表；判断节点A是否为终点，若是终点则退出节点搜索，若不是终点则继续节点扩展；从CLOSE表中提取初始航迹节点序列v_w1[r]，将终点的代价函数值作为预估航程；

c.航迹节点调整，初始设v_w1[r]中的初始航迹起点为调整起点，初始航迹终点作为调整中继点；从调整起点开始，依次判断v_w1[r]中各航迹点与调整中继点的连线是否经过障碍区；若调整起点与调整中继点连线通过障碍，则将当前调整起点的下一点更新为调整起点，继续判断是否通过障碍；若调整起点与调整中继点连线不通过障碍，将当前调整中继点保存为航迹调整后的一个航程点，并将当前调整起点更新为调整中继点，继续循环判断；直至当前调整中继点为起点，停止循环，综合各个调整中继点构建出调整后的航迹序列v_w2[l]；

第二步，多基地多无人机任务分配。设基地序列为P＝{P₁,P₂,P₃,…Pn}，基地数量为n；任务目标序列为T＝{T₁,T₂,T₃,…T_m},任务数量为m；构建距离矩阵d[n][m]，用于表示每个基地距离每一目标的A^*距离；构建距离矩阵表示为q[m][m]，用于表示任两个目标之间的A^*距离；各基地无人机数量序列为U＝{U₁,U₂,U₃,…U_n}，用于表示各个基地配置的无人机数量；

根据任务数量和分布情况，多无人机任务分配可以区分两种情况求解：①任务数量多、区域集中分布时，采用基于目标聚类的求解方法。该方法包括目标区域聚类、聚类目标分配、阵地内无人机任务分配等多个处理环节，可将较大规模的目标分配问题化繁为简、时效性和可扩展性好；②任务数量少、疏散分布时，采用基于深度遍历的求解方法。该方法适用于计算规模小、目标聚类初始参数难以确定等情况，简化了求解过程，直接采用深度遍历方法进行精确任务分配。求解过程处理方法为：

(1)基于目标聚类的求解方法

基于目标聚类的求解方法包括三个处理环节：目标区域聚类、聚类目标分配、基地内多无人机任务分配；目标区域聚类，是实现目标按地理分布集聚特性进行区域聚类；聚类目标分配，是实现将各个聚类目标区域分配给距离最近的无人机基地；基地内多无人机任务分配，是实现无人机基地内多架无人机的目标分配；

优选的，当任务数量多、区域集中分布时，基于目标聚类方法求解多基地多无人机任务分配，按以下步骤进行：

通过改进K-means聚类目标聚类，将多基地无人机多任务分配问题进行聚类分析，实现了目标区域聚类、聚类目标分配等功能，将目标按地理分布分成任务区域、并将任务区域分配给距离最近的无人机基地。

在初始聚类中心选取、应用A^*算法预估距离、添加任务总航程约束、确定聚类目标对应基地等方面，对传统K-means聚类算法进行改进。改进K-means聚类算法的处理流程，具体表述为：

a.目标聚类初始化，选取K个位置分散的目标点为初始聚类中心，根据GIS系统上各位置点的分布，选择K个相对分散的目标作为初始聚类中心点；

b.确定无人机基地与目标聚类的对应关系，将无人机基地分配给距离最近的聚类中心点；

c.循环目标聚类，基于航程代价进行判断，循环计算各目标点到各个聚类中心的距离，将每个目标划入其距离最近的目标区域类中；其中当随机选取一个聚类目标序列，其与对应基地之间总航程超过基地内所有无人机最大航程，则从该目标类中选择距离邻近目标簇中心最近的一个目标，将该目标加入邻近目标簇中；

d.更新目标聚类中心点，根据所有数据点的平均距离值计算区域质心位置，将聚类中心调整至各区域类的中心目标点；

e.重复b、c和d，直至聚类中心不再变化或达到最大的迭代次数；

单个基地内的任务分配，若单架无人机能够完成，则优先使用单无人机执行；若单架次无人机无法完成所有任务，则需要结合执行任务的总航程和单机的最大航程，估算出所需的无人机数量k，进而按照无人机数量采聚类方法再次进行任务分配。

(2)基于深度遍历的求解方法

优选的，当任务数量少、疏散分布时，基于深度遍历方法求解多基地多无人机任务分配按以下步骤进行：

为每个基地分配距离最近的目标，目标函数Z表示为

d_ij为无人机i到目标j的A*距离；约束条件包括：①最大航程约束，单个基地的无人机执行多任务的总航程不能超出其最大航程L_max；②任务约束，每个基地一架无人机参与任务，每个目标至少有一架无人机去执行任务。

深度遍历精确求解的流程表述为：

a.按照目标序列T的编号，根据目标函数Z，从第一个目标开始依次循环；对比目标与每个无人机基地的距离，选择出距离当前目标最近的无人机基地；依次循环比较，最终确定与目标序列T对应的无人机基地序列，设为H＝{H₁,H₂,H₃,…H_m}。

b.结合序列T和H的对应关系，为每架无人机分配任务，获得第w架无人机对应的任务分组为h_w[k]。

第三步，基地内单无人机时序任务分配，在多基地无人机任务分配方案中，若单个无人机分配了多项任务，则需进行单无人机多任务时序分配。单无人机时序任务分配，基于改进A*算法的预估航程矩阵，采用TSP旅行商模型求解。

优选的，所述基地内单无人机时序任务分配的旅行商模型求解，按以下步骤进行：

采用A^*算法估算出无人机起飞点、多个任务目标点之间的距离，对于第w架无人机，其对应的任务分组为h_w[k]，构建出A^*距离矩阵表示为p_w[k][k]，k为第w架无人机的对应任务数，起点和终点为无人机基地，1、2至k代表目标序号。

目标函数R表示为：

h_ij为无人机从目标i到目标j的A*距离，c_ij∈{0,1}为决策变量。

若时序任务分配规模较小，采用深度遍历法，循环比较任何一种可能方案，准确获得最优解。若时序任务分配规模较大，精确算法求解计算量过大，则采用遗传算法，基于遗传算法求解的主要处理流程表述为：

a.初始化，初始设置种群规模、个体长度、迭代次数、交叉和变异概率等。单个染色体为目标编号序列，长度为k。

b.初始种群，随机产生目标序列的初始群体。

c.遗传操作，选择操作，依据目标函数R计算适应度值，根据适应度值选择染色体，采取轮盘赌的方法选择，适应度值越大则被选中的概率越大；交叉操作，采用置换交叉方式，两个父体上随机选取一段基因片段交换；变异操作，在一条染色体上两个基因以一定概率交换并产生新的个体；

d.择优操作，综合父群体和子群体选取优秀个体，淘汰适应度差的个体，若最优个体不满足要求或未达到迭代次数，则继续进行选择、交叉、变异操作；否则，停止循环。最终生成最优任务编号序列。第w架无人机的时序目标序列表示为u_w[k]，k为时序任务数量。

优选的，所述步骤S3中，航迹规划按以下步骤进行：

第一步，航迹寻优，基于多无人机任务分配和单机时序任务分配的分配方案，依据每架无人机的任务序列，基于改进A*算法，分别进行航迹规划。

无人机w的起点、时序序列u_w[k]中的各任务点、无人机w的回收点构成航迹点序列，从起点开始，依次将航迹序列中的两个连续时序节点作为A^*搜索的起止点，获得各连续节点之间的初始航迹序列v_w1[r]、及调整后航迹序列v_w2[l]。任意两个时序连续节点间的v_w2[l]，组合在一起最终构成第w架无人机的总航迹v_w3[q]，总航迹点数量为q。

将无人机的航迹点v_w3[q]，进行地理坐标转换，绘制在地理信息系统上，可得到无人机航迹图。依次绘制每架无人机的航迹点，得到多基地多无人机的航迹规划图。

第二步，航迹平滑，航迹寻优绘制的航迹为折线图，不符合实际航迹，需要将折线航迹转换为平滑曲线，得出满足飞行约束的航迹曲线，并采用三次B-Spline曲线标记展示。

优选的，所述采用三次样条曲线对飞行航迹曲线平滑时，基于A^*航迹寻优的获得的航迹控制点为P_i(i＝0,1,…,n)，采用三次样条曲线进行平滑处理，每段曲线由连续相邻的4个航迹控制点确定；并在v_w3[q]的各个航迹点附近增加控制点，进而再执行曲线平滑操作。

P_i为序列航迹点，三次B-Spline曲线表示为

本发明公开了一种分阶段多基地无人机任务分配和航迹规划方法，包括区域设置，任务分配及航迹规划等三个步骤。本发明以异构多无人机疏散配置在多个基地、协同执行多目标探测任务为应用背景，通过区域设置、改进A^*算法预估航程矩阵、多基地多无人机任务分配、阵地内单无人机时序任务分配、航迹规划等多个阶段，实现多基地多无人机的任务规划。多基地多无人机任务分配阶段，当任务数量多、区域集中分布时，基于改进K-means算法求解，当任务数量少、疏散分布时，采用深度遍历方法求解；单无人机时序任务分配阶段，基于TSP模型和遗传算法求解；航迹规划阶段，基于改进A*算法和三次B样条曲线法优化航迹。该方法与分层级指挥和分区域协同的指挥流程相匹配，适用于基地疏散配置、各基地无人机异构等复杂应用环境，将问题化繁为简、实效性和可扩展性好、易于工程实现和应用。

附图说明

图1为本发明方法流程示意图；

图2为本发明多基地无人机任务规划的原理框图；

图3为本发明规划空间示意图；

图4为本发明多阶段任务分配的原理框图；

图5为本发明航迹节点的扇形搜索区域示意图；

图6为本发明航迹节点调整示意图；

图7为本发明改进A*算法流程图；

图8为本发明多基地无人机任务分配编码示意图；

图9为本发明改进K-means聚类算法流程图；

图10为本发明时序任务分配编码示意图；

图11为本发明基于遗传算法求解流程图；

图12为本发明基于目标聚类的任务规划测试图；

图13为本发明基于深度遍历的任务规划测试图。

具体实施方式

根据下述实施例，可以更好地理解本发明。然而，本领域的技术人员容易理解，实施例所描述的内容仅用于说明本发明，而不应当也不会限制权利要求书中所详细描述的本发明。

如图1—13所示，一种分阶段多基地无人机任务分配和航迹规划方法，包括如下步骤：

S1，区域设置，首先在地理信息系统(Geographic Information System,GIS)中，依次点击确定各基地坐标和任务坐标，确定任务规划区域范围，而后在规划区域内采用不同几何形状标记威胁区域；

S2，任务分配，首先，在航程估算阶段，改进A^*算法，构建各基地、各任务点之间的A^*预估航程矩阵；其次，在多基地多无人机任务分配阶段，当任务数量多、区域集中分布时，基于改进K-means算法，实现目标区域聚类、各阵地聚类目标分配、阵地内无人机任务分配等；当任务数量少、疏散分布时，采用深度遍历方法实现精确任务分配；最后，在单无人机时序任务分配阶段，基于旅行商模型(Travelling Salesman Problem,TSP)和遗传算法，求解各基地内单无人机的时序任务分配；

S3，航迹规划；首先采用改进A^*算法规划并绘制航迹，而后基于三次B样条曲线进行航迹平滑。

为了更好的对本发明在实际使用中的应用方法及工作原理，进一步对本发明所涉及的技术内容进行说明介绍；

步骤1：区域设置。

在地理信息系统(Geographic Information System,GIS)中，依次点击各基地坐标和任务坐标，确定任务规划区域范围，并在规划区域内采用不同几何形状标记威胁区域。

步骤1.1，区域规划。在地理信息系统中，点击选定并标注多基地、多任务的位置，按点击次序为每个基地和任务编号，确定任务规划的区域范围。规划空间如图3所示，设最大位置高斯坐标值分别为X_max、Y_max，设最小位置高斯坐标值分别X_min、Y_min，设规划空间的扩展距离值为H，则可确定矩形规划区域的四个顶点分别为(X_min-H,Y_min-H)、(X_min-H,Y_max+H)、(X_max+H,Y_max+H)、(X_min-H,Y_max+H)。

将二维规划空间离散栅格化，(X_min-H,Y_min-H)为原点，设h为网格边长，则规划空间中任意点(x,y)的网格坐标(x_g,y_g)表示为：

步骤1.2，威胁设置。在复杂电磁、地理和气象环境、高强度对抗、空域资源紧张等复杂特殊应用环境下，无人机执行任务将面临着多样的威胁挑战。基于基础地理信息和区域态势信息，在GIS中标绘出地形、雷达探测、防空火力、禁飞区等飞行威胁区域。根据不同威胁模型的特点，在GIS系统中通过手绘或标注等形式，用圆形、矩形、多边形等不同形状标记威胁区域。按式(1)计算威胁区域边界的网格坐标(x_gt,y_gt)，构建威胁区域矩阵G[x][y]，令G[x_gt][y_gt]＝1表示该网格为威胁网格，G[x_gt][y_gt]＝0表示该网格不是威胁网格。

步骤2：任务分配。

多无人机任务分配，可以简单描述为：给定多个基地的多无人机、多项任务，为各个基地分配任务区域，为每个子任务寻找无人机来负责执行该子任务，使得整个系统执行任务过程中代价最小、收益最大。

本发明采用多阶段任务分配策略，主要基于以下考虑：①分阶段任务分配与指挥流程相匹配。按照分层级指挥、分区域协同的指挥策略，多无人机协同任务规划将呈现阶段式应用样式，包括各无人机基地划定任务区域、各基地内多无人机目标分配、各无人机目标时序分配等多个环节。②分阶段任务分配适用于复杂应用环境。在动态不确定、强对抗性、任务广域分布、多基地无人机异构配置的应用环境下，基于多目标优化模型的全局任务分配将过于复杂，在任务动态分配时存在大量计算冗余；分阶段任务分配通过解耦拆分和分布式求解，可有效降低算法复杂度，减小问题求解规模；③采用改进A*算法预估航程。任务分配过程中，采用改进A*算法预估航程，充分考虑了威胁区域等约束条件对距离代价的影响，避免了直接采用直线欧式距离导致的计算误差；④分阶段任务分配简便有效。分阶段分配将问题化繁为简，算法灵活、思路清晰、实效性和可扩展性好，易于工程实现和应用。

如图4所示，多阶段任务分配主要包括航程估算、多基地多无人机任务分配、基地内单无人机时序任务分配等三个阶段，其中多基地无人机任务分配又包含了目标区域聚类、聚类目标分配至各基地、基地内多无人机任务分配等三个阶段。航程估算，是指基于改进A*算法获得任务分配所需的预估航程矩阵；多阵地多无人机任务分配，当任务数量多、区域集中分布时，基于改进K-means算法求解，当任务数量少、疏散分布时，采用深度遍历方法实现精确任务分配；单无人机时序任务分配，基于TSP模型和遗传算法，解决单无人机的多目标任务顺序分配问题。

步骤2.1，改进A^*算法设计。A^*算法是一种启发式搜索算法，通过在栅格化空间不断评估路径函数值来启发式搜索节点，构造最优航迹。A^*算法全局性好、运行较快、易于工程实现。在设置规划区域和威胁空间的基础上，分别以无人机基地和任务点为起止点，通过A^*算法启发式搜索最优路径，并估算无人机基地与各个任务点、各个任务点之间的航程距离。结合具体应用背景，主要在约束搜索区域、航迹节点再调整等方面对传统A^*算法进行了改进设计，通过约束扇形搜索区域减小搜索计算代价，通过航迹节点调整去优化锯齿型航迹，具体表述如下。

①定代价函数。A^*算法的代价函数表示为：

f(n)＝g(n)+h(n) (2)

式中，n为当前节点，f(n)为起始点经节点n到目标点的代价函数，g(n)为从起始点到节点n的实际代价，h(n)为节点n到目标节点的估计代价。

g(n)为从起始点到节点n的实际代价函数，可表示为：

g(n)＝ω₁l_n+ω₂J_n+ω₃z_n (3)

其中，l_n为航程代价，J_n为威胁代价，z_n为高度代价，ω₁,ω₂和ω₃分别表示航迹代价权值。在高对抗应用条件下，无人机安全飞行是首要指标，要求航迹能够规避所有威胁区域，将威胁代价设为无穷大，令ω₂＝∞；在无人机实际巡航飞行过程中，通常优先采用固定高度巡航，为简化航迹优化问题、减少计算量，设定无人机以固定高度巡飞，将三维空间航迹搜索问题简化为二维问题，令ω₁＝1，ω₃＝0。

h(n)可理解为启发函数，引导节点(x_n,y_n)向目标点(x_t,y_t)的方向搜索扩展，可表示为：

②定约束条件。考虑无人机的最大航程、最小轨迹段长度、最大转弯角等性能约束，为优化搜索空间、提高搜索速度，在启发式航迹搜索过程中，设定以下约束条件：

a.最大航程

无人机受数据链作用距离、飞行动力等因素影响，最大航程受限。单架无人机航迹搜索的总航程f应小于无人机的最大航程L_max，即

f<L_max (5)

b.最小轨迹段长度

受机动能力约束，无人机改变飞行方向前，需要沿原方向直飞一段距离，即最短直飞距离为h_min。在A^*算法中，网格边长h为搜索步长，搜索步长应大于最小航迹段长度，即

h>h_min (6)

c.最大转弯角

在规划空间启发性搜索下一节点时，限定在扇形约束区域内搜索，而不是遍历每个相邻节点。如图5所示，阴影区域表示扇形搜索区域，最大转弯角θ对应于最小转弯半径R_min，节点扩展角α在2θ范围内的扇形区域搜索，从而可减小搜索空间、加快搜索速度。

③航迹节点调整。在栅格化节点扩展过程中，节点扩展主要局限在栅格线的交叉点上，可能会导致部分航迹呈锯齿状。为了避免锯齿型航迹，需要进行航迹节点再调整，将部分锯齿型折线航迹优化为直线。如图6所示，将图中虚线航迹优化为实线航迹。

设无人机w初始航迹节点序列v_w1[r]，节点序列数量为r，则节点再调整过程为：a.初始令j＝r；b.循环检查(v_w1[i],v_w1[j])之间的连线是否通过威胁区，i∈[1,...,j-1]；若通过威胁区，令i＝i+1；若不通过威胁区，令j＝i，并将v_w1[j]保存为再调整后的航迹节点；c.重复上述循环，直至j＝1，停止循环，生成再调整后的航迹序列v_w2[l]，调整后的节点序列数量为l。

④航迹搜索过程。在启发式搜索时，建立OPEN和CLOSE两个表，OPEN表用于存储已经计算但没有扩展的节点，CLOSE表用于存储已经扩展的节点。数据存储结构表示为{(x_i,y_i),f_i,g_i,h_i,p_i}，(x_i,y_i)为节点的网格坐标，f_i,g_i,h_i,p_i分别为代价函数的变量值，p_i代表当前节点的父节点。如图7所示，航迹搜索的主要流程为：

a.初始化。设置步长和障碍区域，初始化OPEN和CLOSE表，将起点放入OPEN表中作为当前节点。

b.节点扩展与存储。当前节点的相邻节点，若满足约束条件且不在当前OPEN和CLOSE表中，则将该有效节点加入OPEN表；将OPEN表中代价最小的节点A移到CLOSE表；判断节点A是否为终点，若是终点则退出节点搜索，若不是终点则继续节点扩展。从CLOSE表中提取初始航迹节点序列v_w1[r]，将终点的代价函数值作为预估航程。

c.航迹节点调整。初始设v_w1[r]中的初始航迹起点为调整起点，初始航迹终点作为调整中继点；从调整起点开始，依次判断v_w1[r]中各航迹点与调整中继点的连线是否经过障碍区；若调整起点与调整中继点连线通过障碍，则将当前调整起点的下一点更新为调整起点，继续判断是否通过障碍；若调整起点与调整中继点连线不通过障碍，将当前调整中继点保存为航迹调整后的一个航程点，并将当前调整起点更新为调整中继点，继续循环判断；直至当前调整中继点为起点，停止循环，综合各个调整中继点构建出调整后的航迹序列v_w2[l]。

步骤2.2，多基地多无人机任务分配。设基地序列为P＝{P₁,P₂,P₃,…P_n}，基地数量为n；任务目标序列为T＝{T₁,T₂,T₃,…Tm}，任务数量为m；构建距离矩阵d[n][m]，用于表示每个基地距离每一目标的A^*距离；构建距离矩阵表示为q[m][m]，用于表示任两个目标之间的A^*距离；各基地无人机数量序列为U＝{U₁,U₂,U₃,…U_n}，用于表示各个基地配置的无人机数量。

如图8所示，为多基地无人机的任务分配编码，每项任务均有无人机负责执行。根据任务数量和分布情况，多无人机任务分配可以区分两种情况求解：①任务数量多、区域集中分布时，采用基于目标聚类的求解方法。该方法包括目标区域聚类、聚类目标分配、阵地内无人机任务分配等多个处理环节，可将较大规模的目标分配问题化繁为简、时效性和可扩展性好；②任务数量少、疏散分布时，采用基于深度遍历的求解方法。该方法适用于计算规模小、目标聚类初始参数难以确定等情况，简化了求解过程，直接采用深度遍历方法进行精确任务分配。

(1)基于目标聚类的求解方法

基于目标聚类的求解方法包括三个处理环节：目标区域聚类、聚类目标分配、基地内多无人机任务分配等。目标区域聚类，是实现目标按地理分布集聚特性进行区域聚类；聚类目标分配，是实现将各个聚类目标区域分配给距离最近的无人机基地；基地内多无人机任务分配，是实现无人机基地内多架无人机的目标分配。

K-means聚类算法是一种迭代求解的聚类分析方法，其原理简单、收敛速度快、实用性好。采用各目标间距离作为相似性评价指标，通过多轮循环迭代，最终确定K个紧凑且相对独立的目标簇。需要注意的是，由于无人机基地的异构性，各无人机基地配备的无人机数量和型号不同，因此聚类目标不应超出其距离最近基地的任务能力，主要关注各基地的总任务航程这一约束能力值。

结合具体应用背景，在初始聚类中心选取、应用A^*算法预估距离、添加任务总航程约束、确定聚类目标对应基地等方面，对传统K-means聚类算法进行改进。如图9所示，改进K-means聚类算法的处理流程为：

a.目标聚类初始化。选取K个位置分散的目标点为初始聚类中心。为节省计算开销，可根据GIS系统上各位置点的分布，手动选择K个相对分散的目标作为初始聚类中心点；

b.确定无人机基地与目标聚类的对应关系。将无人机基地分配给距离最近的聚类中心点；

c.循环目标聚类。循环计算各目标点到各个聚类中心的距离，将每个目标划入其距离最近的目标区域类中。为避免聚类区域的目标数量超出距离最近基地的任务能力值，基于航程代价进行判断。若随机选取一个聚类目标序列，其与对应基地之间总航程超过基地内所有无人机最大航程，则从该目标类中选择距离邻近目标簇中心最近的一个目标，将该目标加入邻近目标簇中；

d.更新目标聚类中心点。根据所有数据点的平均距离值计算区域质心位置，将聚类中心调整至各区域类的中心目标点；

e.重复b、c和d，直至聚类中心不再变化或达到最大的迭代次数。

通过改进后的K-means目标聚类方法，实现了目标区域聚类、聚类目标分配两个功能，将目标按地理分布分成任务区域、并将任务区域分配给距离最近的无人机基地。

单个基地内的无人机任务分配，若单架无人机能够完成，则优先使用单无人机执行；若单架次无人机无法完成所有任务，则结合执行任务的总航程和单机的最大航程，估算出所需的无人机数量k，进而按照无人机数量采用K-means聚类方法再次进行任务分配。最终为每架无人机分配任务，第w架无人机对应的任务分组为h_w[k]。

(2)基于深度遍历的求解方法

当任务数量少、疏散分布时，该情况下通常计算规模较小，直接采用深度遍历方法进行精确任务分配。

为每个基地分配距离最近的目标，目标函数Z表示为

其中，d_ij为无人机i到目标j的A^*距离。

约束条件包括：①最大航程约束。单个基地的无人机执行多任务的总航程不能超出其最大航程L_max。②任务约束。每个基地一架无人机参与任务，每个目标至少有一架无人机去执行任务。

遍历精确求解的流程表述为：

a.按照目标序列T的编号，从第一个目标开始依次循环；对比目标与每个无人机基地的距离，选择出距离当前目标最近的无人机基地；依次循环比较，最终确定与目标序列T对应的无人机基地序列，设为H＝{H₁,H₂,H₃,…H_m}；

b.结合序列T和H的对应关系，为每架无人机分配任务，获得第w架无人机对应的任务分组为h_w[k]。

第三步，基地内单无人机时序任务分配。

在多基地无人机任务分配方案中，若单个无人机分配了多项任务，则需进行单无人机多任务时序分配。单无人机时序任务分配，采用了TSP旅行商模型。

TSP问题是经典的路径优化问题，单一旅行者从起始点出发，经过多个目标点，最终回到出发点，寻求使路径成本最小的行进路线。传统的TSP模型求解时，在计算各路径点之间的距离时，通常是将各点之间距离简化为直线欧式距离。在复杂高对抗的应用环境下，目标点间距离若不考虑规避威胁区域，将存在较大的误差，TSP求解将难以获取合理的结果。因此，改进TSP求解方法，任意两点的距离采用A^*算法预估距离。

考虑规避威胁区域，采用A^*算法估算出无人机起飞点、多个任务目标点之间的距离，构建出A^*距离矩阵表示为p_w[k][k]，k为第w架无人机的对应任务数。

如图10所示，为无人机时序任务分配编码，无人机时序任务分配起点和终点为无人机基地，1、2至k代表目标序号。

目标函数R表示为：

其中，h_ij为无人机从目标i到目标j的A^*距离，c_ij∈{0,1}为决策变量。

若时序任务分配规模较小，优先采用深度遍历法，循环比较任何一种可能方案，准确获得最优解。若时序任务分配规模较大，精确算法求解计算量过大，则采用遗传算法。如图11所示，基于遗传算法求解的主要处理流程为：

a.初始化。初始设置种群规模、个体长度、迭代次数、交叉和变异概率等。

b.初始种群。随机产生目标序列的初始群体。单个染色体为目标编号序列。

c.遗传操作。选择操作，依据目标函数R计算适应度值，根据适应度值选择染色体，采取轮盘赌的方法选择，适应度值越大则被选中的概率越大；交叉操作，采用置换交叉方式，两个父体上随机选取一段基因片段交换；变异操作，在一条染色体上两个基因以一定概率交换并产生新的个体。

d.择优操作。综合父群体和子群体选取优秀个体，淘汰适应度差的个体。若最优个体不满足要求或未达到迭代次数，则继续进行选择、交叉、变异操作；否则，停止循环。最终生成最优任务编号序列u[k]。第w架无人机的时序目标序列表示为u_w[k]，k为时序任务数量。

步骤3：航迹规划。采用改进A^*算法规划并绘制航迹，基于三次B样条曲线进行航迹平滑。

步骤3.1，航迹寻优。

基于多无人机任务分配和单机时序任务分配的分配方案，依据每架无人机的任务序列分别进行航迹规划，应用改进A^*算法进行航迹寻优。A^*算法按照步骤2.1执行。

以第w架无人机为例，无人机w的起点、时序序列u_w[k]中的各任务点、无人机w的回收点构成航迹点序列，从起点开始，依次将航迹序列中的两个连续时序节点作为A^*搜索的起止点，获得各连续节点之间的初始航迹序列v_w1[r]、及调整后航迹序列v_w2[l]。任意两个时序连续节点间的v_w2[l]，组合在一起最终构成第w架无人机的总航迹v_w3[q]，总航迹点数量为q。

将无人机的航迹点v_w3[q]，进行地理坐标转换，绘制在地理信息系统上，可得到无人机航迹图。依次绘制每架无人机的航迹点，得到多基地多无人机的航迹规划图。

步骤3.2，航迹平滑。

航迹寻优绘制的航迹为折线图，不符合实际航迹，需要将折线航迹转换为平滑曲线，得出满足飞行约束的航迹曲线。三次B-Spline曲线具有局部性、凸包性和C2连续性等特点，平滑效果好。

基于A*航迹寻优的获得的航迹控制点为P_i(i＝0,1,…,n)，采用三次样条曲线进行平滑处理，每段曲线由连续相邻的4个航迹控制点确定。改进A*算法的航迹点往往易于稀疏化，使得航迹平滑曲线更接近初始航迹折线，可考虑在v_w3[q]的各个航迹点附近增加控制点，比如航迹点v_w3[i]与节点v_w1[j]相一致，可将v_w3[i]点处增加控制点v_w1[j+1]，进而再执行曲线平滑操作。

三次B样条拟合曲线表示为

如图12所示，进行了基于改进K-means目标聚类的任务规划测试。分别在GIS中点击确定了3个无人机阵地和18个目标的位置，以手绘形式标记出多个威胁区域；点击“航程估算”预估出各个位置点之间A*航程；点击“聚类选取”确定了3个目标初始聚类中心,GIS区域的实心圆点表示初始聚类中心；点击“目标聚类”实现目标区域聚簇，GIS区域的实心圆点分别为初始聚类中心及K-means聚类后的中心；点击“任务分配”，将3个聚类目标群分配至3个无人机阵地；点击“航迹搜索”后，在GIS区域绘制出各无人机与其时序任务之间的A*搜索航迹，航迹能够规避障碍，但由于A*搜索局限在栅格交叉点而导致部分航迹呈锯齿状；点击“航迹调整”后，在GIS区域绘制出调整优化后的航迹，部分A*搜索锯齿型折线航迹段优化为直线；点击“航迹平滑”后，在GIS区域绘制出B样条平滑航迹。测试表明，目标聚簇分配和目标时序分配合理，航迹规避了障碍区域，通过航迹调整和航迹平滑优化了航迹，测试过程计算无明显时延。

如图13所示，进行了基于深度遍历的任务规划测试。分别在GIS中点击确定了5个无人机阵地和7个疏散分布的目标位置，以手绘形式标记出多个威胁区域；点击“航程估算”预估出各个位置点之间A*航程，点击“任务分配”为每个目标分配无人机，分配结果显示在任务显示区域，2个无人机阵地参与执行任务；点击“航迹搜索”，在GIS区域绘制出各无人机与其时序任务之间的A*搜索航迹；点击“航迹调整”，将部分A*搜索锯齿型折线航迹段进行优化；点击“航迹平滑”后，在GIS区域绘制出B样条平滑航迹。测试表明，疏散分布的目标合理分配至各无人机阵地，各无人机航迹有效规避了威胁区，通过航迹调整和航迹平滑优化了无人机航迹。

本发明公开了一种分阶段多基地无人机任务分配和航迹规划方法，包括区域设置，任务分配及航迹规划等三个步骤。本发明以异构多无人机疏散配置在多个基地、协同执行多目标探测任务为应用背景，通过区域设置、改进A^*算法预估航程矩阵、多基地多无人机任务分配、阵地内单无人机时序任务分配、航迹规划等多个阶段，实现多基地多无人机的任务规划。多基地多无人机任务分配阶段，当任务数量多、区域集中分布时，基于改进K-means算法求解，当任务数量少、疏散分布时，采用深度遍历方法求解；单无人机时序任务分配阶段，基于TSP模型和遗传算法求解；航迹规划阶段，基于改进A*算法和三次B样条曲线法优化航迹。该方法与分层级指挥和分区域协同的指挥流程相匹配，适用于基地疏散配置、各基地无人机异构等复杂应用环境，将问题化繁为简、实效性和可扩展性好、易于工程实现和应用。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种分阶段多基地无人机任务分配和航迹规划方法，其特征在于，所述分阶段多基地无人机任务分配和航迹规划方法包括如下步骤：

S1，区域设置，首先，在地理信息系统中，依次点击各基地坐标和任务坐标，确定任务规划区域范围；而后，在规划区域内，采用不同几何形状标记出威胁区域；

S2，任务分配，首先，在航程估算阶段，改进A^*算法，构建各基地、各任务点之间的A^*预估航程矩阵；其次，在多基地多无人机任务分配阶段，当任务数量多、区域集中分布时，基于改进K-means算法，实现目标区域聚类、各阵地聚类目标分配、阵地内无人机任务分配等；当任务数量少、疏散分布时，采用深度遍历方法实现精确任务分配；最后，在单无人机时序任务分配阶段，基于旅行商模型和遗传算法，求解各基地内单无人机的时序任务分配；

S3，航迹规划，首先，采用改进A^*算法规划并绘制航迹；而后，基于三次B样条曲线进行航迹平滑。

2.根据权利要求1所述的一种分阶段多基地无人机任务分配和航迹规划方法，其特征在于，所述S1步骤中，在进行区域设置时，按以下步骤进行：

第一步，区域规划，在地理信息系统中，点击选定并标注多基地、多任务的位置，按点击次序为每个基地和任务编号，确定任务规划的区域范围，设各基地和任务的最大位置高斯坐标值分别为X_max、Y_max，设最小位置高斯坐标值分别X_min、Y_min，设规划空间的扩展距离值为H，则可确定矩形规划区域的四个顶点分别为(X_min-H,Y_min-H)、(X_min-H,Y_max+H)、(X_max+H,Y_max+H)、(X_min-H,Y_max+H)；将二维规划空间离散栅格化，(X_min-H,Y_min-H)为原点，设h为网格边长，则规划空间中任意点(x,y)的网格坐标(x_g,y_g)表示为：

第二步，威胁设置；基于基础地理信息和区域态势信息，在GIS中标绘出地形、雷达探测、防空火力、禁飞区等飞行威胁区域；根据不同威胁模型的特点，在GIS系统中通过手绘或标注等形式，用圆形、矩形、多边形等不同形状标记威胁区域；可计算出威胁区域边界的网格坐标(x_gt,y_gt)，构建威胁区域矩阵G[x][y]，令G[x_gt][y_gt]＝1表示该网格为威胁网格，G[x_gt][y_gt]＝0表示该网格不是威胁网格。

3.根据权利要求1所述的一种分阶段多基地无人机任务分配和航迹规划方法，其特征在于，所述S2步骤中，在进行任务分配时，按以下步骤进行：

第一步，改进A^*算法设计，在设置规划区域和威胁空间的基础上，分别以各基地和任务点为起止点，通过A^*算法启发式搜索最优路径，并估算各基地与各个任务点、各个任务点之间的航程距离，结合具体应用背景，主要在约束搜索区域、航迹节点再调整等方面对传统A^*算法进行优化；

第二步，多基地多无人机任务分配，设基地序列为P＝{P₁,P₂,P₃,…P_n}，基地数量为n；任务目标序列为T＝{T₁,T₂,T₃,…T_m},任务数量为m；构建距离矩阵d[n][m]，用于表示每个基地距离每一目标的A^*距离；构建距离矩阵表示为q[m][m]，用于表示任两个目标之间的A^*距离；各基地无人机数量序列为U＝{U₁,U₂,U₃,…U_n}，用于表示各个基地配置的无人机数量；

根据任务数量和分布情况，多无人机任务分配可以区分两种情况求解：①任务数量多、区域集中分布时，采用基于目标聚类的求解方法。该方法包括目标区域聚类、聚类目标分配、阵地内无人机任务分配等多个处理环节，可将较大规模的目标分配问题化繁为简、时效性和可扩展性好；②任务数量少、疏散分布时，采用基于深度遍历的求解方法。该方法适用于计算规模小、目标聚类初始参数难以确定等情况，简化了求解过程，直接采用深度遍历方法进行精确任务分配；

第三步，基地内单无人机时序任务分配，在多基地无人机任务分配方案中，若单个无人机分配了多项任务，则需进行单无人机多任务时序分配，单无人机时序任务分配，基于改进A^*算法获得的预估距离矩阵，采用TSP旅行商模型求解。

4.根据权利要求3所述的一种分阶段多基地无人机任务分配和航迹规划方法，其特征在于，所述第一步，改进A*算法设计时，按以下步骤进行：

(1)定代价函数，A*算法的代价函数表示为：f(n)＝g(n)+h(n)，n为当前节点，f(n)为起始点经节点n到目标点的代价函数，g(n)为从起始点到节点n的实际代价，h(n)为节点n到目标节点的估计代价；

g(n)为从起始点到节点n的实际代价函数，g(n)＝ω₁l_n+ω₂J_n+ω₃z_n，l_n为航程代价，J_n为威胁代价，z_n为高度代价，ω₁，ω₂和ω₃分别表示航迹代价权值；其中要求航迹能够规避所有威胁区域，将威胁代价设为无穷大，令ω₂＝∞；在无人机实际巡航飞行过程中，设定无人机以固定高度巡飞，将三维空间航迹搜索问题简化为二维问题，令ω₁＝1，ω₃＝0；

h(n)可理解为启发函数，引导节点(x_n,y_n)向目标点(x_t,y_t)的方向搜索扩展，

(2)限定约束条件；考虑无人机的最大航程、最小轨迹段长度、最大转弯角等性能约束，为优化搜索空间、提高搜索速度，在启发式航迹搜索过程中，设定以下约束条件：

a.最大航程，单架无人机航迹搜索的总航程f应小于无人机的最大航程L_max，f<L_max；

b.最小轨迹段长度，受机动能力约束，无人机改变飞行方向前，需要沿原方向直飞一段距离，即最短直飞距离为h_min，在A^*算法中，网格边长h为搜索步长，搜索步长应大于最小航迹段长度，h>h_min；

c.最大转弯角，在规划空间启发性搜索下一节点时，限定在扇形约束区域内搜索，而不是遍历每个相邻节点。最大转弯角θ对应于最小转弯半径R_min，节点扩展角α在2θ范围内的扇形区域搜索，从而可减小搜索空间、加快搜索速度；

(3)航迹节点调整，在栅格化节点扩展过程中，节点扩展主要局限在栅格线的交叉点上，会导致部分航迹呈锯齿状，需将部分锯齿型折线航迹优化为直线。设无人机w初始航迹节点序列v_w1[r]，节点序列数量为r，则节点再调整过程为：

a.初始令j＝r；

b.循环检查(v_w1[i],v_w1[j])之间的连线是否通过威胁区，i∈[1,...,j-1]；若通过威胁区，令i＝i+1；若不通过威胁区，令j＝i，并将v_w1[j]保存为再调整后的航迹节点；

c.重复上述循环，直至j＝1，停止循环，生成再调整后的航迹序列v_w2[l]，调整后的节点序列数量为l；

(4)航迹搜索过程，在启发式搜索时，建立OPEN和CLOSE两个表，OPEN表用于存储已经计算但没有扩展的节点，CLOSE表用于存储已经扩展的节点；数据存储结构表示为{(x_i,y_i),f_i,g_i,h_i,p_i}，(x_i,y_i)为节点的网格坐标，f_i,g_i,h_i,p_i分别为代价函数的变量值，p_i代表当前节点的父节点，航迹搜索的主要流程表述为：

a.初始化；设置步长和障碍区域，初始化OPEN和CLOSE表，将起点放入OPEN表中作为当前节点；

b.节点扩展与存储；当前节点的相邻节点，若满足约束条件且不在当前OPEN和CLOSE表中，则将该有效节点加入OPEN表；将OPEN表中代价最小的节点A移到CLOSE表；判断节点A是否为终点，若是终点则退出节点搜索，若不是终点则继续节点扩展；从CLOSE表中提取初始航迹节点序列v_w1[r]，将终点的代价函数值作为预估航程；

c.航迹节点调整，初始设v_w1[r]中的初始航迹起点为调整起点，初始航迹终点作为调整中继点；从调整起点开始，依次判断v_w1[r]中各航迹点与调整中继点的连线是否经过障碍区；若调整起点与调整中继点连线通过障碍，则将当前调整起点的下一点更新为调整起点，继续判断是否通过障碍；若调整起点与调整中继点连线不通过障碍，将当前调整中继点保存为航迹调整后的一个航程点，并将当前调整起点更新为调整中继点，继续循环判断；直至当前调整中继点为起点，停止循环，综合各个调整中继点构建出调整后的航迹序列v_w2[l]。

5.根据权利要求3所述的一种分阶段多基地无人机任务分配和航迹规划方法，其特征在于，所述第二步，当任务数量多、区域集中分布时，采用基于目标聚类的求解方法，按以下步骤进行：

基于目标聚类的求解方法包括三个处理环节：目标区域聚类、聚类目标分配、基地内多无人机任务分配；目标区域聚类，是实现目标按地理分布集聚特性进行区域聚类；聚类目标分配，是实现将各个聚类目标区域分配给距离最近的无人机基地；基地内多无人机任务分配，是实现无人机基地内多架无人机的目标分配；

通过改进K-means聚类目标聚类，将多基地无人机多任务分配问题进行聚类分析，实现了目标区域聚类、聚类目标分配等功能，将目标按地理分布分成任务区域、并将任务区域分配给距离最近的无人机基地；

在初始聚类中心选取、应用A^*算法预估距离、添加任务总航程约束、确定聚类目标对应基地等方面，对传统K-means聚类算法进行改进；改进K-means聚类算法的处理流程，具体表述为：

a.目标聚类初始化，选取K个位置分散的目标点为初始聚类中心，根据GIS系统上各位置点的分布，选择K个相对分散的目标作为初始聚类中心点；

b.确定无人机基地与目标聚类的对应关系，将无人机基地分配给距离最近的聚类中心点；

c.循环目标聚类，基于航程代价进行判断，循环计算各目标点到各个聚类中心的距离，将每个目标划入其距离最近的目标区域类中；其中当随机选取一个聚类目标序列，其与对应基地之间总航程超过基地内所有无人机最大航程，则从该目标类中选择距离邻近目标簇中心最近的一个目标，将该目标加入邻近目标簇中；

d.更新目标聚类中心点，根据所有数据点的平均距离值计算区域质心位置，将聚类中心调整至各区域类的中心目标点；

e.重复b、c和d，直至聚类中心不再变化或达到最大的迭代次数；

单个基地内的任务分配，若单架无人机能够完成，则优先使用单无人机执行；若单架次无人机无法完成所有任务，则需要结合执行任务的总航程和单机的最大航程，估算出所需的无人机数量k，进而按照无人机数量采聚类方法再次进行任务分配。

6.根据权利要求3所述的一种分阶段多基地无人机任务分配和航迹规划方法，其特征在于，所述第二步，当任务数量少、疏散分布时，采用基于深度遍历的求解方法，按以下步骤进行：

当任务数量少、疏散分布时，通常计算规模较小，可直接直接根据A*算法预估距离，采用深度遍历方法进行精确任务分配；为每个基地分配距离最近的目标，目标函数Z表示为

d_ij为无人机i到目标j的A*距离；约束条件包括：①最大航程约束，单个基地的无人机执行多任务的总航程不能超出其最大航程L_max；②任务约束，每个基地一架无人机参与任务，每个目标至少有一架无人机去执行任务，深度遍历精确求解的流程表述为：

a.按照目标序列T的编号，根据目标函数Z，从第一个目标开始依次循环；对比目标与每个无人机基地的距离，选择出距离当前目标最近的无人机基地；依次循环比较，最终确定与目标序列T对应的无人机基地序列，设为H＝{H₁,H₂,H₃,…H_m}；

b.结合序列T和H的对应关系，为每架无人机分配任务，获得第w架无人机对应的任务分组为h_w[k]。

7.根据权利要求3所述的一种分阶段多基地无人机任务分配和航迹规划方法，其特征在于，所述第三步，基地内单无人机时序任务分配的TSP旅行商模型求解时，按以下步骤进行：

采用A^*算法估算出无人机起飞点、多个任务目标点之间的距离，对于第w架无人机，其对应的任务分组为h_w[k]，构建出A^*距离矩阵表示为p_w[k][k]，k为第w架无人机的对应任务数，起点和终点为无人机基地，1、2至k代表目标序号，目标函数R表示为：

h_ij为无人机从目标i到目标j的A*距离，c_ij∈{0,1}为决策变量。

若时序任务分配规模较小，采用深度遍历法，循环比较任何一种可能方案，准确获得最优解，若时序任务分配规模较大，精确算法求解计算量过大，则采用遗传算法，基于遗传算法求解的主要处理流程表述为：

a.初始化，初始设置种群规模、个体长度、迭代次数、交叉和变异概率等；单个染色体为目标编号序列，长度为k；

b.初始种群，随机产生目标序列的初始群体；

c.遗传操作，选择操作，依据目标函数R计算适应度值，根据适应度值选择染色体，采取轮盘赌的方法选择，适应度值越大则被选中的概率越大；交叉操作，采用置换交叉方式，两个父体上随机选取一段基因片段交换；变异操作，在一条染色体上两个基因以一定概率交换并产生新的个体；

d.择优操作，综合父群体和子群体选取优秀个体，淘汰适应度差的个体，若最优个体不满足要求或未达到迭代次数，则继续进行选择、交叉、变异操作；否则，停止循环；最终生成最优任务编号序列；第w架无人机的时序目标序列表示为u_w[k]，k为时序任务数量。

8.根据权利要求1所述的分阶段多基地无人机任务分配和航迹规划方法，其特征在于，所述步骤S3中，航迹规划按以下步骤进行：

第一步，航迹寻优，基于多无人机任务分配和单机时序任务分配的分配方案，依据每架无人机的任务序列，分别基于改进A*算法，进行航迹规划；

无人机w的起点、时序序列u_w[k]中的各任务点、无人机w的回收点构成航迹点序列，从起点开始，依次将航迹序列中的两个连续时序节点作为A^*搜索的起止点，获得各连续节点之间的初始航迹序列v_w1[r]、及调整后航迹序列v_w2[l]；任意两个时序连续节点间的v_w2[l]，组合在一起最终构成第w架无人机的总航迹v_w3[q]，总航迹点数量为q；

将无人机的航迹点v_w3[q]，进行地理坐标转换，绘制在地理信息系统上，可得到无人机航迹图，依次绘制每架无人机的航迹点，得到多基地多无人机的航迹规划图；

第二步，航迹平滑，航迹寻优绘制的航迹为折线图，不符合实际航迹，需要将折线航迹转换为平滑曲线，得出满足飞行约束的航迹曲线，基于A^*航迹寻优的获得的航迹控制点为P_i(i＝0,1,…,n)，采用三次样条曲线进行平滑处理，每段曲线由连续相邻的4个航迹控制点确定；并在v_w3[q]的各个航迹点附近增加控制点，进而再执行曲线平滑操作。

Images