CN113805604A - 一种基于差分进化和模拟退火的多任务规划搜索方法 - Google Patents

Abstract

本发明涉及一种基于差分进化和模拟退火的多任务规划搜索方法，属于无人系统智能控制技术领域。本方法首次提出了一种带模拟退火的差分进化算法，根据设计的任务分配和任务排序编码。首先进行差分进化的初始解生成，使用获得的初始解来构建一种任务分配和任务排序协同判断机制，确定执行任务过程中无人机器被分配的任务以及对应的执行顺序，从而获得整体的执行方案。在连续若干次最优解未更新或迭代次数达到上限时，获得最优的任务规划方案。本发明克服了传统任务规划中依靠人工经验进行任务分配方式容易造成的分配不均衡和非执行任务时间过长的弊端，提高了系统整体工作效率，缩短了任务完成时间。本发明广泛适用于制造业、运输业、建筑业等领域。

Description

一种基于差分进化和模拟退火的多任务规划搜索方法

技术领域

本发明涉及一种无人机器多任务规划搜索方法，具体涉及一种基于差分进化和模拟退火的无人机器系统多任务规划搜索方法，属于无人系统智能控制技术领域。

背景技术

近年来，在无人机、智能机器人等无人系统领域中，随着系统面临的环境和承担的工作任务越来越复杂，往往需要将复杂的工作任务进行拆分并分配给多个执行任务的主体，从而协作完成整个工作。尤其是当系统完成一些大型、复杂性工作过程中，对工作任务规划有更高的要求。

以无人机系统为例，在无人机系统工作任务规划中，由于各个无人机的载荷、性能、数量以及任务目标不同，每架无人机可以完成的任务集不同，因此，控制系统面临着复杂的任务分配问题。同时，无人机执行任务的先后顺序也会影响其自身花费在任务间转移的总时间，导致还存在着任务排序问题。

由此可见，如何根据任务需求来协调分配多个无人机器有限的资源，充分发挥每个无人机器的能力，提高整个系统的工作效能，是无人机器系统多任务控制中亟待解决的技术问题。

任务分配，是根据既定的目标把需要完成的任务合理地分派给系统中的各个无人机器主体，达到高效率执行任务、优化无人机器系统的目的。任务分配是无人机器系统完成任务的重要决策因素，也是系统任务规划的重要组成部分，一直以来是无人系统智能控制领域的重点。然而，在实际的任务分配中，普遍存在着无人机器能力部分重叠的情况，对于一个给定的任务，任务能够被两个或以上的无人机器完成，也就是任务具有无人机器的柔性选择。因此，在多任务规划问题中，需要整体考虑任务分配计划，协同安排所有任务分配的无人机器。任务分配可以通过科学、健壮的数学模型构建和改进的进化算法，使得每个无人机器的能力得到充分利用，同时可以更高效且迅速的完成任务。

同时，在现实的场景中，由于多个任务往往分布在不同的地点，彼此之间距离不一，不同的任务执行顺序选择会使任务执行以外的时间消耗增加。为了高效率地完成所有任务，对于被分配了多个任务的无人机器，控制系统需要对任务的执行顺序进行决策。在多任务规划中，任务分配的结果影响了每个无人机器被分配的任务，从而影响每个无人机器任务执行的顺序，进而决定每个任务的完成时间。反之，如果无人机器被分配的任务分离过于分散，总执行时间过长，会对任务分配的结果进行反馈，进而促进任务分配结果的改善。因此，多任务规划，实际上是一个任务分配和任务排序的协同技术问题。

在现有技术中，启发式规则由于其简单、易实施的特点，在无人系统控制中得到了广泛应用。但是，使用哪些规则是根据人为经验事先指定的，并不具备优化能力，因此，在性能上无法满足复杂问题的需要。相比之下，进化算法或群体智能算法具有更强的优化能力，适于解决复杂的优化问题。

发明内容

本发明的目的是针对复杂多任务场景下面临的对无人机器进行任务分配和执行顺序决策难的现状，为克服现有技术存在的不足，旨在有效解决无人系统面临的任务分配和任务排序的技术问题，提高任务完成效率，创造性地提出一种基于差分进化和模拟退火的多任务规划搜索方法。

本发明的创新点在于：首次提出了一种带模拟退火的差分进化算法，根据设计的任务分配和任务排序编码。首先进行差分进化的初始解生成，使用获得的初始解来构建一种任务分配和任务排序协同判断机制，确定执行任务过程中无人机器被分配的任务以及对应的执行顺序，从而获得整体的执行方案。在连续若干次最优解未更新或迭代次数达到上限时，获得最优的任务规划方案。

本发明采用以下技术方案实现。

一种基于差分进化和模拟退火的多任务规划搜索方法，包括以下步骤：

步骤1：进行系统初始化编码。

首先输入信息，包括任务信息、无人机器信息、任务间距离、需完成的任务总数、无人机器对每个任务能力信息。然后进行初始化编码，具体方法如下：

对差分进化种群中的每一个个体x都随机生成编码，x的每个维度取值x^d由式1生成：

其中，U、L分别为分配段编码取值的上界、下界，rand(0，1)表示0到1的随机数，d表示编码的当前维度，n表示无人机器的总数。

然后，对种群中的每一个个体x都进行解码，并计算出最大完成时间。

步骤2：对编码进行解码操作，获得对应的任务分配和任务执行顺序决策。

具体地，步骤2包括以下步骤：

步骤2.1：在进行任务分配时，对于任务m_i，根据式2计算该任务所分配的无人机器：

其中，xⁱ表示编码的第i个维度，U_i表示具有完成任务i能力的无人机器集合，SU_i表示具有完成任务i能力的无人机器的个数，u_i表示任务i选择的无人机器在U_i中的序数。

步骤2.2：任务排序。即，确定分配给同一个无人机器的任务的执行顺序。

在任务排序过程中，定义任意一个无人机器j的待执行任务集M_j如下：

对于任务m_i，u_i是任务分配的结果，如果满足

则m_i∈M_j，其中

表示在U_i中的第u_i个无人机器。

对于一个给定的任务m_i，其执行优先级p_i为：

p_i＝xⁿ⁺ⁱ (3)

其中，xⁿ⁺ⁱ为任务m_i的执行优先级。

在无人机器进行任务排序时，对于无人机器j的待执行任务集M_j，根据式3获得M_j中的任务执行优先级，而p_max为M_j中的最高优先级，选择满足p_i＝p_max的任务执行，同时将该任务从M_j中删除。重复该过程，直至待执行任务集M_j为空，此时无人机器j完成了所有被分配的任务。

步骤3：进行差分进化和模拟退火局部搜索的迭代过程。

具体地，步骤3包括以下步骤：

步骤3.1：通过向量差分的方式表示个体的变异。利用式4、5、6、7、8所描述的5种差分进化变异算子，随机选择这5种变异算子，生成数量为NP的临时个体v_k，g+1：

差分进化变异算子DE/rand/1：

v_k，g+1＝x_r1，g+F*(x_r2，g-x_r3，g) (4)

差分进化变异算子DE/rand/2：

v_k，g+1＝x_r1，g+F*(x_r2，g-x_r3，g)+F*(x_r4，g-x_r5，g) (5)

差分进化变异算子DE/best/1：

v_k，g+1＝x_best，g+F*(x_r1，g-x_r2，g) (6)

差分进化变异算子DE/best/2：

v_k，g+1＝x_best,g+F*(x_r1，g-x_r2,g)+F*(x_r3,g-x_r4,g) (7)

差分进化变异算子DE/current-to-best/1：

v_k,g+1＝x_k,g+F*(x_best,g-x_k,g)+F*(x_r1,g-x_r2,g) (8)

其中，v_k,g+1是通过变异算子生成的第g+1代第k个个体，x_k,g表示原个体，x_best,g是在种群第g代中的最优个体，F是缩放因子，r1,r2,r3,r4,r5分别是互不相同的1到NP的随机整数，NP为种群大小。

对于任务分配部分的编码，由于编码的每一个维度都具有自己的取值范围限制，在变异操作后可能会出现超出值域范围的情况，因此，当某个维度超出了值域上界或者下界时，使用式9进行恢复：

其中，

表示在g+1代个体k在第d维上的取值，L和U分别表示任务分配取值的下界和上界。

步骤3.2：对变异算子获得的变异个体v_k,g+1，使用式10进行交叉操作：

其中，

表示在交叉操作后个体在第d维上的取值，

表示在交叉操作前个体在第d维上的取值，CR为交叉概率，r为0到1的随机数，d表示维度数，d_rand为1到2n的随机整数。

步骤3.3：比较交叉后获得的新个体与原来的个体的总加工时间，并选择最大完成时间少的那一个：

其中，x_k,g+1表示获得的新个体，t_k,g+1表示经过差分进化后获得的个体，x_k,g表示原个体；f(x_k,g)、f(t_k,g+1)为解的适应度，即对应的最大任务完成时间。

步骤3.4：对获得的新个体，使用模拟退火算法进行邻域搜索。

在迭代过程中，通过对任务分配和任务排序的结果进行调整，可以对当前的方案进行改善，从而获得更小的任务完成时间。

具体地，步骤3.4包括以下步骤：

步骤3.4.1：将步骤3.3选择操作获得的新个体x_k,g+1作为初始解x，令当前温度t_k＝t_max，t_min为算法结束温度，r为降温因子。

步骤3.4.2：若t_k≤t_min，则转步骤3.4.4，邻域搜索结束；否则，从邻域N(x)中随机选择一个邻居x′，计算Δf＝f(x)-f(x′)，若Δf≤0，令x＝x′；否则使用Metropolis准则判断是否接受新的解x′，若满足exp(-Δf/t_k)>random(0,1)，则令x＝x′，否则保持当前值不变。

步骤3.4.3：k＝k+1,t_k+1＝r*t_k，返回步骤3.4.2。

步骤3.4.4：用邻域搜索得到的最优解替换掉原来的解。

f(x)是解对应的最大完工时间，邻域N(x)定义为随机交换向量x的r₁，r₂两个维度的值，r₁、r₂∈[1，n]或r₁、r₂∈[n+1，2n]。

通过以上所述的模拟退火算法，对任务规划方案进行改善。

步骤4：当算法经过预设的迭代次数后没有获得更好的解，或者已经达到最大的迭代次数，就将当前任务完成时间最短的任务规划方案作为最终解进行输出，否则迭代代数加1，返回步骤3，继续进行迭代。

有益效果

本发明，对比现有技术，具有以下优点：

本方法针对多任务规划问题进行了建模，以最小化最大任务完成时间为目标，具有智能分配任务和搜索任务执行顺序的能力。

1.本方法针对复杂场景，考虑了无人机器具有不同的能力范畴和效率，以及不同任务的实际位置，有效解决了实际情况下无人机器因差异带来的任务分配和任务排序决策的困难。

2.本方法有效解决了任务执行过程中，部分无人机器空闲或执行滞后的技术问题。

3.由于每个任务的实际位置不同，各个无人机器执行任务通常会因为任务之间的距离过远而导致完成任务时间过长。本方法将任务分配和地理位置协同优化，缩短了最大任务完成时间，提高了任务完成效率。

综上所述，本发明克服了传统任务规划中依靠人工经验进行任务分配方式容易造成的分配不均衡和非执行任务时间过长的弊端，提高了系统整体工作效率，缩短了任务完成时间。本发明广泛适用于制造业、运输业、建筑业等领域，解决无人系统的任务分配和执行顺序决策等技术问题。

附图说明

图1是本发明方法的流程图；

图2是本发明中使用模拟退火算法进行邻域搜索的流程图；

图3是本发明方法实施例的流程示意图。

具体实施方式

下面结合附图和实施例，对本发明方法做进一步详细说明。本领域的技术人员将意识到，所述示例性实施例的下述详细说明仅仅是说明性的，并且不是意在以任何方式加以限制。其他实施例将容易地呈现给受益于本公开的这类技术人员。

实施例

本实例以无人机系统为例，描述了本发明所述的一种基于差分进化和模拟退火的多任务规划搜索方法，按照发明内容中的执行步骤具体实现，如图1和图2所示。

本实施例针对的复杂多任务场景，包括多个任务和多个无人机。对于每个任务，可能有且只有一架无人机具有完成它的能力，也可能有多架无人机都具有这样的能力，但无人机完成任务需要的时间会各不相同。

场景满足以下条件：

(1)所有无人机在零时刻空闲；

(2)由于无人机之间能力会有部分重叠，导致任务有多架无人机可以选择，但每个任务只能分配给一架无人机；

(3)考虑具有完成同一个任务的不同无人机的能力不同，即完成该任务所需要的时间不同；

(4)考虑无人机行进需要的时间，所需时间为任务地点间转移所需时间；

(5)考虑不同任务的地点各不相同；

(6)每架无人机执行任务都是非中断非抢占式的。

本实施例中，有关索引和变量含义如下：

i＝1,..,N 任务索引，N为任务总数

j＝1,…，U 无人机索引，U为无人机总数

u_j 无人机j完成任务i所需的时间

m_i 任务i

P_ij 无人机j完成任务i所需的时间

D_mm′ 任务m和m′之间的距离

C_i 任务i的完成时间

U_i 具有完成任务i能力的无人机集合

U_i，k 第k个具有完成任务i能力的无人机

M_j 无人机j的待执行任务集

p_i 任务i的执行优先级

SU_i 具有完成任务i能力的无人机个数

目标函数定义为最小化最大任务完成时间：

Min max_1≤i≤N C_i (1)

为表示任务的分配结果和任务的执行顺序，本发明设计了一种两段式的编码。问题的解x表示为{x¹，…，xⁿ，…,x²ⁿ}，解x是一个维度数为2n的向量，包含两部分，其中，向量的前n个维度对应每个任务的执行无人机选择，后n个维度对应无人机执行任务时，任务之间的先后顺序。

为了更好地诠释本发明的编码方式，以具有5个任务3架无人机为例，表1表示每架无人机的任务执行能力与所需时间，表2表示地点转移所需时间，表3是一个可能的解。

表1无人机执行任务所需时间

其中，“-”代表无人机无法完成对应任务。

表2任务地点转移所需时间

表3解编码示例

	1	2	3	4	5
						任务分配	0.48	0.13	0.97	0.78	0.34
任务排序	0.83	0.15	0.26	0.63	0.79

对于表1和表2所描述的场景，通过本发明的任务分配和任务排序方法，对表3进行解码，获得的任务分配和执行顺序结果如图3所示，即无人机1的执行顺序是任务5、任务2，无人机2的执行顺序是任务1、任务3，无人机3只执行任务4。

一种基于差分进化和模拟退火的多任务规划搜索方法，包括以下步骤：

步骤1：进行系统初始化编码。

首先，输入任务信息、无人机信息、任务间距离、需完成的任务总数、无人机对每个任务能力信息。然后进行初始化编码，具体方法如下：

对差分进化种群中的每一个个体x都随机生成编码，x的每个维度取值x^d由

式1生成：

其中，U、L分别为分配段编码取值的上界、下界，rand(0，1)表示0到1的随机数，d表示编码的当前维度，n表示无人机总数。

然后，对种群中的每一个个体x都进行解码，并计算出最大完成时间。

步骤2：对编码进行解码操作，获得对应的任务分配和任务执行顺序决策。

具体地，步骤2包括以下步骤：

步骤2.1：在进行任务分配时，对于任务m_i，根据式2计算该任务所分配的无人机：

其中，xⁱ表示编码的第i个维度，U_i表示具有完成任务i能力的无人机集合，SU_i表示具有完成任务i能力的无人机个数，u_i表示任务i选择的无人机在U_i中的序数。

步骤2.2：任务排序。即，确定分配给同一架无人机的任务的执行顺序。

在任务排序过程中，定义任意一架无人机j的待执行任务集M_j如下：

对于任务m_i，u_i是任务分配的结果，如果满足

则m_i∈M_j，其中

表示在U_i中的第u_i个无人机。

对于一个给定的任务m_i，其执行优先级p_i为：

p_i＝xⁿ⁺ⁱ (3)

其中，xⁿ⁺ⁱ为任务m_i的执行优先级。

在无人机进行任务排序时，对于无人机j的待执行任务集M_j，根据式3获得M_j中的任务执行优先级，而p_max为M_j中的最高优先级，选择满足p_i＝p_max的任务执行，同时将该任务从M_j中删除。重复该过程，直至待执行任务集M_j为空，此时无人机j完成了所有被分配的任务。

步骤3：进行差分进化和模拟退火局部搜索的迭代过程。

具体地，步骤3包括以下步骤：

步骤3.1：通过向量差分的方式表示个体的变异。利用式4、5、6、7、8所描述的5种差分进化变异算子，随机选择这5种变异算子，生成数量为NP的临时个体v_k，g+1：

差分进化变异算子DE/rand/1：

v_k，g+1＝x_r1，g+F*(x_r2，g-x_r3，g) (4)

差分进化变异算子DE/rand/2：

v_k，g+1＝x_r1，g+F*(x_r2，g-x_r3，g)+F*(x_r4，g-x_r5，g) (5)

差分进化变异算子DE/best/1：

v_k，g+1＝x_best，g+F*(x_r1，g-x_r2，g) (6)

差分进化变异算子DE/best/2：

v_k，g+1＝x_best,g+F*(x_r1，g-x_r2,g)+F*(x_r3,g-x_r4,g) (7)

差分进化变异算子DE/current-to-best/1：

v_k,g+1＝x_k,g+F*(x_best,g-x_k,g)+F*(x_r1,g-x_r2,g) (8)

其中，v_k,g+1是通过变异算子生成的第g+1代第k个个体，x_k,g表示原个体，x_best,g是在种群第g代中的最优个体，F是缩放因子，r1,r2,r3,r4,r5分别是互不相同的1到NP的随机整数，NP为种群大小。

对于任务分配部分的编码，由于编码的每一个维度都具有自己的取值范围限制，在变异操作后可能会出现超出值域范围的情况，因此，当某个维度超出了值域上界或者下界时，使用式9进行恢复：

其中，

表示在g+1代个体k在第d维上的取值，L和U分别表示任务分配取值的下界和上界。

步骤3.2：对变异算子获得的变异个体v_k,g+1，使用式10进行交叉操作：

其中，

表示在交叉操作后个体在第d维上的取值，

表示在交叉操作前个体在第d维上的取值，CR为交叉概率，r为0到1的随机数，d表示维度数，d_rand为1到2n的随机整数。

步骤3.3：比较交叉后获得的新个体与原来的个体的总加工时间，并选择最大完成时间少的那一个：

其中，x_k,g+1表示获得的新个体，t_k,g+1表示经过差分进化后获得的个体，x_k,g表示原个体；f(x_k,g)、f(t_k,g+1)为解的适应度，即对应的最大任务完成时间。

步骤3.4：对获得的新个体，使用模拟退火算法进行邻域搜索。

在迭代过程中，通过对任务分配和任务排序的结果进行调整，可以对当前的方案进行改善，从而获得更小的任务完成时间。

具体地，步骤3.4包括以下步骤：

步骤3.4.1：将步骤3.3选择操作获得的新个体x_k,g+1作为初始解x，令当前温度t_k＝t_max，t_min为算法结束温度，r为降温因子。

步骤3.4.2：若t_k≤t_min，则转步骤3.4.4，邻域搜索结束；否则，从邻域N(x)中随机选择一个邻居x′，计算Δf＝f(x)-f(x′)，若Δf≤0，令x＝x′；否则使用Metropolis准则判断是否接受新的解x′，若满足exp(-Δf/t_k)>random(0,1)，则令x＝x′，否则保持当前值不变。

步骤3.4.3：k＝k+1,t_k+1＝r*t_k，返回步骤3.4.2。

步骤3.4.4：用邻域搜索得到的最优解替换掉原来的解。

f(x)是解对应的最大完工时间，邻域N(x)定义为随机交换向量x的r₁，r₂两个维度的值，r₁、r₂∈[1，n]或r₁、r₂∈[n+1，2n]。

通过以上所述的模拟退火算法，对任务规划方案进行改善。

步骤4：当算法经过预设的迭代次数后没有获得更好的解，或者已经达到最大的迭代次数，就将当前任务完成时间最短的任务规划方案作为最终解进行输出，否则迭代代数加1，返回步骤3，继续进行迭代。

实验验证

针对实施例提出的问题模型，此处设计了12个算例，每个算例进行50次独立的仿真实验，以所求得的平均最大任务完成时间为性能指标进行比较分析。不同测试用例的任务信息、无人机信息的生成参数如表4所示：

表4不同测试用例的任务信息、无人机信息的生成参数

算法性能分析

将本发明方法中的分配策略或排序策略，分别替换为最短完成时间规则和最近邻域规则，并进行仿真实验，将实验结果与本发明方法进行对比。

本发明方法，以最大任务完成时间为性能指标，并根据式(12)计算GAP值，依据GAP值对算法性能进行对比。其中，makespan_other、makespan_DE-SA分别表示其它算法与带模拟退火的差分进化算法得到的最大任务完成时间。

对比实验如表5所示。

表5对比实验结果

其中，m20u3代表问题由20个任务3架无人机组成。

实验结果表明，采用本发明方法解决多任务规划问题时，与依赖人工经验采取简单的规则的方法相比，显著提高了任务完成效率，减少了最大任务完成时间。

Claims (2)

1.一种基于差分进化和模拟退火的多任务规划搜索方法，其特征在于，包括以下步骤：

步骤1：进行系统初始化编码；

首先输入信息，包括任务信息、无人机器信息、任务间距离、需完成的任务总数、无人机器对每个任务能力信息；

然后，进行初始化编码；

之后，对种群中的每一个个体x都进行解码，并计算出最大完成时间；

步骤2：对编码进行解码操作，获得对应的任务分配和任务执行顺序决策，包括以下步骤：

步骤2.1：在进行任务分配时，对于任务m_i，根据下式计算该任务所分配的无人机器：

其中，xⁱ表示编码的第i个维度，U_i表示具有完成任务i能力的无人机器集合，SU_i表示具有完成任务i能力的无人机器的个数，u_i表示任务i选择的无人机器在U_i中的序数；

步骤2.2：任务排序，即，确定分配给同一个无人机器的任务的执行顺序；

在任务排序过程中，定义任意一个无人机器j的待执行任务集M_j如下：

对于任务m_i，u_i是任务分配的结果，如果满足

则m_i∈M_j，其中

表示在U_i中的第u_i个无人机器；

对于一个给定的任务m_i，其执行优先级p_i为：

p_i＝xⁿ⁺ⁱ (3)

其中，xⁿ⁺ⁱ为任务m_i的执行优先级；在无人机器进行任务排序时，对于无人机器j的待执行任务集M_j，根据式3获得M_j中的任务执行优先级，而p_max为M_j中的最高优先级，选择满足p_i＝p_max的任务执行，同时将该任务从M_j中删除；重复该过程，直至待执行任务集M_j为空，此时无人机器j完成了所有被分配的任务；

步骤3：进行差分进化和模拟退火局部搜索的迭代过程，包括以下步骤：

步骤3.1：通过向量差分的方式表示个体的变异；

利用式4、5、6、7、8所描述的5种差分进化变异算子，随机选择这5种变异算子，生成数量为NP的临时个体v_k,g+1：

差分进化变异算子DE/rand/1：

v_k,g+1＝x_r1,g+F*(x_r2,g-x_r3,g) (4)

差分进化变异算子DE/rand/2：

v_k,g+1＝x_r1,g+F*(x_r2,g-x_r3,g)+F*(x_r4,g-x_r5,g) (5)

差分进化变异算子DE/best/1：

v_k,g+1＝x_best,g+F*(x_r1，g-x_r2，g) (6)

差分进化变异算子DE/best/2：

v_k，g+1＝x_best，g+F*(x_r1，g-x_r2，g)+F*(x_r3，g-x_r4，g) (7)

差分进化变异算子DE/current-to-best/1：

v_k，g+1＝x_k，g+F*(x_best，g-x_k，g)+F*(x_r1，g-x_r2，g) (8)

其中，v_k，g+1是通过变异算子生成的第g+1代第k个个体，x_k，g表示原个体，x_best，g是在种群第g代中的最优个体，F是缩放因子，r1，r2，r3，r4，r5分别是互不相同的1到NP的随机整数，NP为种群大小；

当某个维度超出了值域上界/下界时，使用式9进行恢复：

其中，

表示在g+1代个体k在第d维上的取值，L和U分别表示任务分配取值的下界和上界；

步骤3.2：对变异算子获得的变异个体v_k,g+1，使用式10进行交叉操作：

其中，

表示在交叉操作后个体在第d维上的取值，

表示在交叉操作前个体在第d维上的取值，CR为交叉概率，r为0到1的随机数，d表示维度数，d_rand为1到2n的随机整数；

步骤3.3：比较交叉后获得的新个体与原来的个体的总加工时间，并选择最大完成时间少的那个：

其中，x_k，g+1表示获得的新个体，t_k，g+1表示经过差分进化后获得的个体，x_k，g表示原个体；f(x_k，g)、f(t_k，g+1)为解的适应度，即对应的最大任务完成时间；

步骤3.4：对获得的新个体，使用模拟退火算法进行邻域搜索，包括以下步骤：

步骤3.4.1：将步骤3.3选择操作获得的新个体x_k，g+1作为初始解x，令当前温度t_k＝t_max，t_min为算法结束温度，r为降温因子；

步骤3.4.2：若t_k≤t_min，则转步骤3.4.4，邻域搜索结束；否则，从邻域N(x)中随机选择一个邻居x′，计算Δf＝f(x)-f(x′)，若Δf≤0，令x＝x′；否则使用Metropolis准则判断是否接受新的解x′，若满足exp(-Δf/t_k)>random(0，1)，则令x＝x′，否则保持当前值不变；

步骤3.4.3：k＝k+1，t_k+1＝r*t_k，返回步骤3.4.2；

步骤3.4.4：用邻域搜索得到的最优解替换掉原来的解；

f(x)是解对应的最大完工时间，邻域N(x)定义为随机交换向量x的r₁，r₂两个维度的值，r₁、r₂∈[1，n]或r₁、r₂∈[n+1，2n]；

步骤4：当经过预设的迭代次数后没有获得更好的解，或者已经达到最大的迭代次数，满足上述二者情况之一，就将当前任务完成时间最短的任务规划方案作为最终解进行输出，否则迭代代数加1，返回步骤3，继续进行迭代。

2.如权利要求1所述的一种基于差分进化和模拟退火的多任务规划搜索方法，其特征在于，步骤1中，进行初始化编码的方法如下：

对差分进化种群中的每一个个体x都随机生成编码，x的每个维度取值x^d由下式生成：

其中，U、L分别为分配段编码取值的上界、下界，rand(0，1)表示0到1的随机数，d表示编码的当前维度，n表示无人机器的总数。

Images