CN113741508B - 基于改进狼群算法的无人机任务分配方法 - Google Patents

Abstract

本发明公开的一种基于改进狼群算法的无人机任务分配方法，建立无人机任务分配模型，对狼群算法进行改进，通过调整自适应步长和采用基于饥饿值的狼群更新策略，求出最优任务分配方案。改进后的算法将原有狼群算法中探狼的漫无目的搜索，改进为具有引导信息的有目的搜索，简化了寻优过程，加快了寻优效率。应用于无人机协同任务分配中将具有较好的收敛性、快速性和全局搜索能力，适用于不同规模的任务分配等组合优化问题。

Description

基于改进狼群算法的无人机任务分配方法

技术领域

本发明涉及无人机智能决策技术领域，特别是涉及基于改进狼群算法的无人机任务分配方法。

背景技术

近年来，无人机以其成本低、人员零伤亡、反应灵活等优势逐渐在战场上发挥了越来越重要的作用。作为多无人机协同的典型作战样式之一，无人机协同作战将成为改变战场游戏规则的颠覆性力量并受到了国内外广大学者的关注与研究，其中，任务分配无人机协同作战的关键问题之一，是实现无人机自主控制的重要阶段，旨在让有限的作战资源发挥最大的作战效能。由于无人机协同作战环境的复杂性和时间的紧迫性，任务分配问题涉及诸多制约因素，需在综合考虑无人机作战性能和战场环境的基础上，在合理的可用时间内获得任务分配的详细计划，为指控活动提供决策依据。

在自然界中存在许多群居性的动物，其中狼就是一个具有代表性的种群群体。在狼群社会中，每一只狼都有各自的分工，既可以独立承担自身的工作内容，又可以群体中其他狼进行团队协作，从而促使整个狼群不断向前的发展。在狼群种群中，根据每只狼工作性质的不同可以分为头狼、探狼和猛狼三种。狼群算法WPA采用了基于人工狼主体的自下而上的设计方法和基于职责分工的协作式搜索路径结构，狼群中每只狼可以敏感的捕捉到猎物的气味、对周围环境信息进行搜索，并且将搜索到的环境信息和猎物信息与其他个体狼进行信息的交换共享，最后可以基于自身的基本职能做出智能化的决策，从而完成捕猎。

针对这些问题，本发明对智能体算法中的狼群算法进行优化，以用于无人机任务分配问题的求解中。

发明内容

本发明要解决的问题是，由于基本狼群算法容易造成算法陷入局部最优位置无法跳出、寻优效率变差等缺点，导致无人机任务分配问题求解效率较低、分配方案不佳的问题，因此，本发明提供了一种基于改进狼群算法的无人机任务分配方法，可以有效避免上述问题。

本发明的一种基于改进狼群算法的无人机任务分配方法，具体包括如下步骤：

步骤1、结合实际战场环境、无人机自身参数及类别作为约束条件，建立无人机任务分配的目标函数；

所述约束条件具体包括飞行距离约束、飞行时间约束和无人机功能约束。

建立的无人机任务分配的目标函数是：

F(x)＝w₁α₁C_d+w₂α₂C_t+w₃α₃C_threat (5)

其中，C_d表示航程代价、C_t表示总时间代价，C_threat表示威胁代价，w₁、w₂、w₃为各项代价的权值系数，其中，w₁+w₂+w₃＝1，且w₁、w₂、w₃的取值范围均为[0,1]。α₁、α₂和α₃是各项代价的比例因子：

进行无人机任务分配以保证完成任务时所有无人机执行任务的总代价最小；也即无人机任务分配的目标函数值最小。

步骤2、根据无人机数量U和目标数量T确定人工狼编码长度L，将人工狼编码长度设置为我方无人机数量L＝U，根据步骤1中的约束条件，建立无人机任务分配问题模型；

步骤3、对狼群算法进行改进，通过调整自适应步长和采用基于饥饿值的狼群更新策略，迭代得到最优头狼位置，即最优解；

所述自适应步长表示为：

step＝rand·norm(x(i,:)-X_lead) (12)

公式(12)中rand代表[0,1]间的随机数，x(i,:)表示除头狼之外的第i只人工狼的位置，X_lead表示头狼当前的位置。

步骤4、根据最优解进行无人机任务分配。

进一步的，步骤3中，对狼群算法进行改进，通过调整自适应步长和采用基于饥饿值的狼群更新策略，求出最优任务分配方案，具体包括如下步骤：

步骤3.1依据目标函数值的大小角逐出人工头狼。

步骤3.2，除头狼之外目标函数值最佳的R匹人工狼视为探狼，R的取值为[N/(2β),N/β]之间的随机整数，N为人工狼的总数，β示狼群的整体更新比例因子。探狼i获得的目标函数值为Y_i，若Y_i<Y_lead，则探狼向h个方向分别前进一步

记录每前进一步后的目标函数数值，那么向第p(p＝1,2,...,h)个方向前进后探狼i在d维空间中所处的位置为；

其中

表示在d维空间中探狼的游走步长；重复本步骤的游走行为直到探狼的目标函数值Y_i>Y_lead，或游走次数T超过限制T_max。

步骤3.3，在除了头狼之外的狼群中随机选取猛狼进行召唤，在改进自适应步长后的召唤行为中，第j只猛狼经历第k+1次迭代时，在第d维空间中所处位置可表示为：

其中，

表示在d维空间中猛狼召唤步长；

表示第k代头狼的位置。

设猛狼j的目标函数值为Y_j，若Y_j>Y_lead，则令Y_lead＝Y_i，猛狼j成为头狼；若Y_j<Y_lead，则猛狼j继续奔袭，直到与头狼间的距离d_is小于判定距离d_near时，转入围攻行为，进入步骤3.4；其中，

ω为距离判定因子，

为向上取整，m为猛狼数量。

步骤3.4，猛狼和探狼协同合作对搜索到猎物的发起围攻行为并将其捕获，当狼群进行k次迭代之后，猎物在第d维空间所处的位置为

改进自适应步长之后，则可将狼群的围攻行为表示如下：

其中，

表示在d维空间中的围攻步长

步骤3.5，基于饥饿值的狼群更新

狼群进行初始化时，给每只狼赋予饥饿值，第i只狼的饥饿值为：

S_i＝l·β (16)

其中，

F为食物数量，N为定值，β为正整数；

狼群进食量可表示为：

式中，σ为的随机数，σ取值的变化会影响狼群淘汰的数量和速度。

表示剩下的食物量。

在进行行动过程中，每只狼会消耗自己的能量，每迭代一次狼的饥饿量都减少l,则饥饿值更新公式为：

当狼群中某只狼饥饿值小于0，则会被饿死并且被淘汰掉，此时将会产生新的狼进行种群数量的补充。

步骤3.5，判断是否达到优化精度要求或最大迭代次数，是，则输出头狼位置作为最优解；否则，转到步骤3.2；

有益效果：本文通过引入自适应步长和基于饥饿值的狼群更新进行基本狼群算法的改进。改进后的算法将原有狼群算法中探狼的漫无目的搜索，改进为具有引导信息的有目的搜索，简化了寻优过程，加快了寻优效率。应用于无人机协同任务分配中将具有较好的收敛性、快速性和全局搜索能力，适用于不同规模的任务分配等组合优化问题。

附图说明

图1是狼群算法实现步骤图。

具体实施方式

本发明的一种基于改进狼群算法的无人机任务分配方法，包括：

步骤1、结合实际战场环境、无人机自身参数及类别等约束条件，建立无人机任务分配的目标函数；

步骤2、根据无人机数量U和目标数量T确定人工狼编码长度L，将人工狼编码长度设置为我方无人机数量L＝U，根据约束条件，建立无人机任务分配模型；

步骤3、对狼群算法进行改进，通过调整自适应参数和采用基于饥饿值的狼群更新策略，迭代得到最优头狼位置，即最优解；

步骤4、根据最优解进行无人机任务分配。

针对无人机对地攻击任务，如何合理地进行无人机任务分配以保证完成任务时所有无人机的总代价最小。假设在任务分配之前，多架无人机初始位置均不相同，并已知全部无人机和目标的位置。每一个目标必须有至少一架无人机执行，且每架无人机必须分配到至少一个任务。无人机和目标之间的对应关系就是决策的变量。设U和T分别表示无人机数量和待攻击目标数量。本文在问题中考虑的飞行代价分别为航程代价、总时间代价和威胁代价。

航程代价

公式(1)中u～v为无人机群，i～j为目标单位，d(u～v,i～j)表示总航程，x(u～v,i～j)为取值0或1的决策变量，用来决定无人机和目标的对应关系。本文取U<T即无人机数量小于待攻击目标数量的情形考虑。则存在同一架无人机攻击多个目标的情况，此时x(u～v,i～j)＝x(u,i～j)，对于待分配的每个目标都有

时间代价

其中t(u～v,i～j)为某架无人机或一个无人机组的航行时间，满足：

其中v_u～v表示无人机的速度。

威胁代价

无人机在执行任务过程中面对各种威胁，被摧毁的代价为：

其中p(u～v,i～j)表示某架无人机被敌军击毁概率。

本文将以上三种代价按照影响度大小进行加权，然后将其相加就得到了一个单目标的函数，这时多个单目标函数优化的关键问题就已经变成了单个多目标函数优化的求解过程。因此可以得出对地攻击任务分配的目标函数如下：

F(x)＝w₁α₁C_d+w₂α₂C_t+w₃α₃C_threat (5)

其中w₁、w₂、w₃为各项代价的权值系数，是其对应代价的重要程度，由指挥员或专家团队根据目标类型及价值综合给出。为标准化而言，有w₁+w₂+w₃＝1，且w₁、w₂、w₃的取值范围均为[0,1]。α₁、α₂和α₃是各项代价的比例因子。

无人机任务分配过程中以多无人机的总任务代价即式(5)为目标函数，求解该最优化问题可以描述为求得：

其中p是无人机与目标点之间的最大组合数值，x^*是优化模型解，表示无人机和目标之间相对应的关系。

约束条件

飞行距离约束

由于无人机总航程限制基于每架无人机飞行的最大距离上，无人机最远飞行距离需满足以下条件：

其中D_u表示第u架无人机最大航程。

飞行时间约束

与飞行距离一样，由于无人机的单次飞行时长限制，单架无人机的最大飞行时间约束表示为：

无人机功能约束

由于不同的无人机配置不同，决策时会根据无人机的功能来分配任务。侦察无人机仅可作为侦察任务使用，而战斗无人机仅可作为战斗任务使用，因此在分配过程中还要满足下列两项约束：

当目标属于侦察任务的时候，u_i～v_i∈U_r；

当目标属于攻击任务的时候，u_i～v_i∈U_a；

其中U_r表示侦察无人机集群，U_a表示携带载荷的攻击无人机集群，U_r+U_a＝U。

在上述模型中，本发明将对狼群算法中引入自适应步长进行调整，并采用基于饥饿值的狼群更新方式，进行该模型的求解。

狼群算法包括头狼产生规则、狼群更新机制和“游走、召唤、围攻”3种智能行为，基于狼群算法的无人机任务分配过程如下：

游走行为：

除头狼之外最佳的R匹人工狼视为探狼，R的取值为[N/(2β),N/β]之间的随机整数，N为人工狼的总数，β示狼群的整体更新比例因子。探狼i获得的目标函数值为Y_i，若Y_i<Y_lead，则探狼的i位置按照下式进行更新，并依据四舍五入，对[X_i']值的取整作为X_i的新值，计算更新后的目标函数值，进行决策判断。重复进行该过程，直到Y_i>Y_lead，或游走次数T超过限制T_max。

公式(9)中：step_a为探狼的游走步长；

为目标函数值取得局部最优的探狼i位置；

为目标函数值取得全局最优的探狼i位置。

召唤行为

猛狼听到头狼的召唤时，自发地以相对较大的奔袭步长step_b快速向头狼所在的位置X_d靠拢。猛狼i的位置X_i更新公式为：X_i'＝Γ(X_i,M_b,step_b)。其中M_b的取值为：

公式(10)中：j＝1,2,…,m，k的初值为1；null表示空值。M_b是猛狼位置X_j与头狼位置X_d不同编码位的集合。若M_b为空集，执行一次随机运动算子Γ(X_i,M^*,1)，此时，M*＝{1，2，…m}。

设猛狼j的目标函数值为Y_j，同探狼的行为相类似，若Y_j>Y_lead，则令Y_lead＝Y_j，猛狼j成为头狼；若Y_j<Y_lead，则猛狼j继续奔袭，直到与头狼间的距离d_is小于判定距离d_near时，转入围攻行为。其中，

ω为距离判定因子，

为向上取整。

围攻行为

猛狼和探狼听从头狼的指挥，对猎物实施围攻。将头狼所在的位置X_d视为猎物的位置，执行围攻任务的人工狼i的位置X_i更新公式为：

其中M_a＝{1，2，…m}；

step_c为人工狼i的围攻步长。比较人工狼实施围攻行为前后的目标函数值，并进行贪婪决策。

游走步长step_a、奔袭步长step_b和围攻步长step_c都为整数，表示人工狼在不同责任分工中，搜寻最优解的精细程度，在长度为m的编码空间中存在的关系为：

自适应参数调整

在狼群算法的三种智能行为中，位置的变动主要依靠步长step，对于每一个固定的d维空间，游走步长

表示全局搜索的精细程度，召唤步长

表示个体的理想学习速度，围攻步长

表示局部开发的精细程度，M_d表示待寻优的第d维变量空间的最大值；m_d表示待寻优的第d维变量空间的最小值。相应的M_d和m_d是固定的，所以

和

是固定的。

和

过大会影响狼群算法寻优的精度，

和

过小会影响狼群算法的收敛速度，导致达到最大迭代次数是算法还没有找到最优解。所以为了平衡好算法的寻优精度和收敛速度本文引入自适应步长。

自适应游走行为：当距离头狼的距离较远的时候，其他智能狼将以较大的步长靠近头狼；当距离头狼较近时，其他智能狼将以较小的步长靠近头狼。则自适应步长可以表示为：

step＝rand·norm(x(i,:)-X_lead) (12)

公式(12)中rand代表[0,1]间的随机数，x(i,:)表示第i只智能狼(除头狼之外的狼)的位置，X_lead表示头狼当前的位置。第p(p＝1,2,...,h)个方向游走后第i只探狼在第d维空间中所处的位置为：

自适应召唤行为：如果仅仅只召唤头狼附近的狼向头狼靠近，则会使得头狼的位置在算法执行过程中发生过多次的更迭，导致算法容易陷入局部最优，所以本文在除了头狼之外的狼群中随机选取猛狼。在改进自适应步长后的召唤行为中，第j只猛狼经历第k+1次迭代时，在第d维空间中所处位置可表示为：

自适应围攻行为：猛狼和探狼协同合作对搜索到猎物的发起围攻行为并将其捕获，当狼群进行k次迭代之后，猎物在第d维空间所处的位置为

改进自适应步长之后，则可将狼群的围攻行为表示如下：

基于饥饿值的狼群更新

本发明将取消利用狼群更新比例因子α的，提出了基于饥饿值的狼群更新策略。狼群进行初始化时，给每只狼赋予饥饿值，第i只狼的饥饿值为：

S_i＝l·β (16)

其中，

F为食物数量，N为定值，β为正整数，保证在开始每只狼都不会被饿死。

每只狼在进行三种智能行为以后，会对狼群中所有的狼进行强弱排序，每次迭代结束之后，优质的狼优先进食并且可以吃到较多的食物，较差的狼可能会因为食物被吃光而挨饿。狼群进食量可表示为：

式中，σ为的随机数，σ取值的变化会影响狼群淘汰的数量和速度。

表示剩下的食物量。

在进行行动过程中，每只狼会消耗自己的能量，每迭代一次狼的饥饿量都减少l,则饥饿值更新公式为：

当狼群中某只狼饥饿值小于0，则会被饿死并且被淘汰掉，此时将会产生新的狼进行种群数量的补充。

算法步骤

根据此步骤得到的头狼位置及为无人机任务分配模型的最优解X_P。

本发明未详述之处，均为本领域技术人员的公知技术。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无

需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术

人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的

技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (4)

1.基于改进狼群算法的无人机任务分配方法，其特征在于，具体包括如下步骤：

步骤1、结合实际战场环境、无人机自身参数及类别作为约束条件，建立无人机任务分配的目标函数；

步骤2、根据无人机数量U和目标数量T确定人工狼编码长度L，将人工狼编码长度设置为无人机数量L＝U，根据步骤1中的约束条件，建立无人机任务分配问题模型；

步骤3、对狼群算法进行改进，通过调整自适应步长和采用基于饥饿值的狼群更新策略，迭代得到最优头狼位置，即最优解；具体包括如下步骤：

步骤3.1依据目标函数值的大小角逐出人工头狼；

步骤3.2，除头狼之外目标函数值最佳的R匹人工狼视为探狼，R的取值为[N/(2β),N/β]之间的随机整数，N为人工狼的总数，β表 示狼群的整体更新比例因子；探狼i获得的目标函数值为Y_i，若Y_i<Y_lead，则探狼向h个方向分别前进一步

记录每前进一步后的目标函数数值，那么向第p(p＝1,2,...,h)个方向前进后探狼i在d维空间中所处的位置为；

其中

表示在d维空间中探狼的游走步长；重复本步骤的游走行为直到探狼的目标函数值Y_i>Y_lead，或游走次数T超过限制T_max；

步骤3.3，在除了头狼之外的狼群中随机选取猛狼进行召唤，在改进自适应步长后的召唤行为中，第j只猛狼经历第k+1次迭代时，在第d维空间中所处位置可表示为：

其中，

表示在d维空间中猛狼召唤步长；

表示第k代头狼的位置；

设猛狼j的目标函数值为Y_j，若Y_j>Y_lead，则令Y_lead＝Y_i，猛狼j成为头狼；若Y_j<Y_lead，则猛狼j继续奔袭，直到与头狼间的距离d_is小于判定距离d_near时，转入围攻行为，进入步骤3.4；其中，

ω为距离判定因子，

为向上取整，m为猛狼数量；

步骤3.4，猛狼和探狼协同合作对搜索到猎物的发起围攻行为并将其捕获，当狼群进行k次迭代之后，猎物在第d维空间所处的位置为

改进自适应步长之后，则可将狼群的围攻行为表示如下：

其中，

表示在d维空间中的围攻步长；

步骤3.5，基于饥饿值的狼群更新；

狼群进行初始化时，给每只狼赋予饥饿值，第i只狼的饥饿值为：

S_i＝l·β (16)

其中，

F为食物数量，N为定值，β为正整数；

狼群进食量可表示为：

式中，σ为的随机数，σ取值的变化会影响狼群淘汰的数量和速度；

表示剩下的食物量；

在进行行动过程中，每只狼会消耗自己的能量，每迭代一次狼的饥饿量都减少l,则饥饿值更新公式为：

当狼群中某只狼饥饿值小于0，则会被饿死并且被淘汰掉，此时将会产生新的狼进行种群数量的补充；

步骤3.5，判断是否达到优化精度要求或最大迭代次数，是，则输出头狼位置作为最优解；否则，转到步骤3.2；

步骤4、根据最优解进行无人机任务分配。

2.根据权利要求1所述基于改进狼群算法的无人机任务分配方法，其特征在于，步骤1中，约束条件具体包括飞行距离约束、飞行时间约束和无人机功能约束。

3.根据权利要求1所述基于改进狼群算法的无人机任务分配方法，其特征在于，步骤1中，无人机任务分配的目标函数是：

F(x)＝w₁α₁C_d+w₂α₂C_t+w₃α₃C_threat (5)

其中，C_d表示航程代价、C_t表示总时间代价，C_threat表示威胁代价，w₁、w₂、w₃为各项代价的权值系数，其中，w₁+w₂+w₃＝1，且w₁、w₂、w₃的取值范围均为[0,1]；α₁、α₂和α₃是各项代价的比例因子。

4.根据权利要求1所述基于改进狼群算法的无人机任务分配方法，其特征在于，步骤3中，自适应步长表示为：

step＝rand·norm(x(i,:)-X_lead) (12)

公式(12)中rand代表[0,1]间的随机数，x(i,:)表示除头狼之外的第i只人工狼的位置，X_lead表示头狼当前的位置。

Images