CN114037363B - 一种基于协同智能优化算法的多平台任务分配方法 - Google Patents

一种基于协同智能优化算法的多平台任务分配方法 Download PDF

Info

Publication number
CN114037363B
CN114037363B CN202210011950.9A CN202210011950A CN114037363B CN 114037363 B CN114037363 B CN 114037363B CN 202210011950 A CN202210011950 A CN 202210011950A CN 114037363 B CN114037363 B CN 114037363B
Authority
CN
China
Prior art keywords
platform
task allocation
population
unmanned aerial
aerial vehicle
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
Application number
CN202210011950.9A
Other languages
English (en)
Other versions
CN114037363A (zh
Inventor
杜文博
李宇萌
翟若楠
郭通
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202210011950.9A priority Critical patent/CN114037363B/zh
Publication of CN114037363A publication Critical patent/CN114037363A/zh
Application granted granted Critical
Publication of CN114037363B publication Critical patent/CN114037363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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]
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于协同智能优化算法的多平台任务分配方法，包括以下步骤：基于临空平台设计约束和任务场景要求，构建多平台系统任务分配模型；针对用户分布不均和任务的特殊性，采用服务区域编码、位置信息编码两种编码方式，将任意一个适用于该任务场景下的多平台系统任务分配优化问题的可行解编码为由两段序列构成的完整染色体；采用与协同进化结合的改进差分进化算法对任务分配模型进行求解，在最大迭代次数下求得的最优解即为多平台系统的最佳任务分配方案。该任务分配方法可以解决多平台大规模任务分配问题，满足任务分配的快速、智能要求。

Description

一种基于协同智能优化算法的多平台任务分配方法
技术领域
本公开涉及空间信息网络技术领域，具体涉及一种基于协同智能优化算法的多平台任务分配方法。
背景技术
由于快速应急通信响应和精确观测服务需求的爆炸式增长，机载通信网络受到了工业界和学术界的广泛关注。临空平台采用异构网络，利用卫星、高空平台(HAPs)和低空平台(LAPs)构建通信接入平台。与地面无线网络相比，临空平台具有网络拓扑频繁变化、通信连接脆弱等特点。此外，临空平台对异构网络的无缝集成有需求，以提高网络的服务质量(QoS)。针对高空平台(HAPs，主要由气球，飞艇，高空无人机组成)与低空平台（LAPs，主要由无人机组成）的部署问题，我们介绍了一种基于改进差分进化算法的多平台任务分配方法。
现有的临空平台任务分配方法可分为两类：基于数学规划的和基于智能优化算法的，基于数学规划的方法的核心思想是利用数学优化方法有效地解决无人机优化部署问题。例如，使用块坐标下降和连续凸优化技术求解针对无人机任务分配构造的混合整数非凸模型，或迭代求解优化无人机覆盖单元划分和获得无人机最优位置的方法，可以解决这一具有挑战性的问题，但同时该类方法计算量庞大，执行缓慢，在多平台任务分配问题中不适用。在基于智能优化算法的方法下，已有学者应用进化算法、蚁群算法、粒子群算法等方法对该问题进行了求解。智能优化算法以其收敛速度快、优化效率高的特点，在面对大规模任务分配问题时展现了更高的性能。
差分进化算法是一种采用浮点矢量编码，在连续空间中进行启发式随机搜索的优化算法。算法的基本思想是：对当前种群进行变异和交叉操作，产生另一个新种群；然后利用选择操作对这两个种群进行一对一的选择，从而产生最终的新一代种群。该算法原理简单，控制参数少，只有交叉概率和缩放比例因子，鲁棒性强，易于实现。但也收敛速度快，容易陷入局部最优，如何解决这一问题是实现差分进化算法的关键。
协同进化算法是一个求解大规模优化问题的算法，该算法采取“分而治之”的策略。对于一个优化问题，依变量分解成若干组问题，分组优化，且各分组间进行合作协同，共同完成整个问题的优化。复杂问题分解为子问题，子问题在进化的子种群中解决，个体的评估依赖于子种群间的合作，由各子种群的代表性个体组合而得完整的解决方案。个体在子种群的适应度由其在完整解决方案的参与来评估。
对于多平台大规模任务分配问题，由于通信链路无缝集成复杂、用户多、用户密度大，而无人机的服务能力受限、无人机数量和服务时长均条件影响。本发明提出一种基于协同智能优化算法的任务分配方法，可以解决中等规模多平台任务分配问题，结合协同进化方法，将应用范围扩大至大规模任务分配。
发明内容
本发明提供了一种基于协同智能优化算法的多平台任务分配方法。在本方法当中，首先根据用户位置确定用户负载和频谱效率；其次，根据已知的信息和负载、频谱效率定义用户密度；接下来在此基础上定义各无人机、各区域的成本函数，从而确定总网络连接的成本函数，即目标函数。定义两个编码规则，包括服务区域编码和位置信息编码，并针对两种编码分别确定了不同的变异、交叉、选择规则，针对临空平台多平台任务分配问题提出了基于差分进化算法的解决方案；该方案使用的“种群灾变”策略，解决一般进化算法可能陷入局部最优的问题；同时，针对大规模任务，引入随机分组模式，以“分而治之”的思想对种群分组，并对每个子种群使用上述差分进化算法，最终经过重组得到最优结果，该改进可以使差分进化算法在多平台大规模问题中同样适用，以满足任务分配的快速、智能要求。本发明采用以下技术方案：
一种基于协同智能优化算法的多平台任务分配方法，包括以下步骤：
S1，基于临空平台设计约束和任务场景要求，构建多平台系统任务分配模型，考虑高空平台飞行器与低空平台无人机之间的自由空间损耗、以及低空平台无人机与用户之间的空地路径损耗，构造高空平台飞行器、低空平台无人机与用户之间的成本函数，以最小化总成本作为多平台系统任务分配模型的优化目标；
S2，针对用户分布不均和任务的特殊性，采用服务区域编码、位置信息编码两种编码方式，将任意一个适用于该任务场景下的多平台系统任务分配优化问题的可行解编码为由两段序列构成的完整染色体；
S3，基于协同进化框架，针对服务区域编码、位置信息编码进行初始化并随机分组，划分为若干子种群；针对各子种群，利用差分进化算法进行相应的交叉、变异、种群灾变，对多平台系统任务分配模型进行求解，在最大迭代次数下求得的最优解即为多平台系统的最佳任务分配方案。
进一步，所述步骤S1中多平台系统任务分配模型中的损耗模型具体为：
高空平台飞行器与其对应的n个无人机在A区上空运行，高空平台飞行器的发射功率为
Figure 753630DEST_PATH_IMAGE001
，高空平台飞行器与第i个无人机之间存在自由空间损耗
Figure 57572DEST_PATH_IMAGE002
，因此第i个无人机的发射功率为：
Figure 145745DEST_PATH_IMAGE003
其中，
Figure 851533DEST_PATH_IMAGE004
为第i个无人机与高空平台飞行器之间的距离；
对于低空无人机与地面用户，考虑空地路径损耗，每个无人机可处理
Figure 999749DEST_PATH_IMAGE005
个服务请求，用户数量为x；用户服务请求
Figure 56567DEST_PATH_IMAGE006
的到达率为
Figure 682851DEST_PATH_IMAGE007
，平均数据包大小为
Figure 243145DEST_PATH_IMAGE008
；位置y处用户的负载/延迟
Figure 848349DEST_PATH_IMAGE009
为:
Figure 861305DEST_PATH_IMAGE010
其中，
Figure 556859DEST_PATH_IMAGE011
为从第i个无人机到位置y处给定用户的信噪比；W是系统带宽；
假设在正交频带上运行，面积荷载
Figure 971660DEST_PATH_IMAGE012
为：
Figure 727258DEST_PATH_IMAGE013
假设无人机在相同的频谱上运行，考虑到无人机对无人机的干扰，从第i个无人机到位置y处给定用户的信噪比为：
Figure 227509DEST_PATH_IMAGE014
其中，P i 为无人机发射功率，K为几何参数的系数，
Figure 461176DEST_PATH_IMAGE015
为第i个无人机与位置y处用户之间的距离，
Figure 996062DEST_PATH_IMAGE016
为空地路径损耗指数，
Figure 919631DEST_PATH_IMAGE017
为噪声功率谱密度；位置y处的用户的频谱效率
Figure 907179DEST_PATH_IMAGE018
由下式给出：
Figure 944536DEST_PATH_IMAGE019
。
进一步，所述步骤S1中多平台系统任务分配模型中的成本函数具体为：
成本函数是容量、延误和覆盖率的函数；让
Figure 68350DEST_PATH_IMAGE020
表示根据用户的请求模式量化用户数量的密度函数，x表示用户数量，
Figure 165750DEST_PATH_IMAGE021
表示服务请求，小区可处理的用户总数为
Figure 640594DEST_PATH_IMAGE022
；对于所考虑的网络，密度函数有两个变量，指定区域的用户密度函数
Figure 481642DEST_PATH_IMAGE023
和无人机服务的用户密度函数
Figure 725542DEST_PATH_IMAGE024
为：
Figure 990913DEST_PATH_IMAGE025
Figure 687474DEST_PATH_IMAGE026
其中，n为无人机总数量；S n 为每个无人机可处理的服务请求个数；
单位面积成本函数
Figure 66634DEST_PATH_IMAGE027
和无人机成本函数
Figure 430619DEST_PATH_IMAGE028
如下所示
Figure 604242DEST_PATH_IMAGE029
Figure 319258DEST_PATH_IMAGE030
其中，
Figure 236529DEST_PATH_IMAGE031
和
Figure 455021DEST_PATH_IMAGE032
是网络平衡常数，
Figure 62195DEST_PATH_IMAGE033
；
因此，目标函数就是维持总网络连接的总成本函数
Figure 733348DEST_PATH_IMAGE034
：
Figure 719890DEST_PATH_IMAGE035
其中，
Figure 792888DEST_PATH_IMAGE036
是分配给特定区域的无人机数量，
Figure 573893DEST_PATH_IMAGE037
是总需求区域的数量。
进一步，所述步骤S2中服务区域编码、位置信息编码方式具体为：
（1）针对服务区域编码，第i个无人机对应第j个区域的服务变量为
Figure 732342DEST_PATH_IMAGE038
，该变量为二进制变量，取值为1时表示无人机
Figure 256995DEST_PATH_IMAGE039
会对区域
Figure 184500DEST_PATH_IMAGE040
提供服务，取值为0不提供；无人机
Figure 133477DEST_PATH_IMAGE039
的服务区域编码为
Figure 779222DEST_PATH_IMAGE041
个体k的服务区域编码是由全部无人机服务区域编码构成的，表达式为：
Figure 576408DEST_PATH_IMAGE042
（2）针对位置信息编码，第i个无人机的二维位置信息为
Figure 623998DEST_PATH_IMAGE043
，高空平台飞行器的位置信息为
Figure 12385DEST_PATH_IMAGE044
，个体k的位置信息编码由全部无人机位置信息和高空平台飞行器的位置信息组成，表达式为：
Figure 145427DEST_PATH_IMAGE045
。
进一步，所述步骤S3具体包括以下子步骤：
步骤一：在问题的可行解空间随机初始化种群
Figure 746303DEST_PATH_IMAGE046
，其中 NP 为初始种群大小；
步骤二：对种群中的每个个体计算适应值；
步骤三：判断是否到达随机分组条件，若达到，重新分组，未达到，继续选用上一次迭代中的分组方式；
步骤四：对每一个在 t 时刻的个体
Figure 913979DEST_PATH_IMAGE047
实施变异操作，得到与其相对应的变异个体
Figure 204759DEST_PATH_IMAGE048
；
步骤五：对
Figure 559517DEST_PATH_IMAGE049
和生成的变异个体
Figure 229664DEST_PATH_IMAGE048
实施交叉操作，生成交叉个体
Figure 986267DEST_PATH_IMAGE050
；
步骤六：选择交叉个体
Figure 450878DEST_PATH_IMAGE050
和与原始个体
Figure 558511DEST_PATH_IMAGE047
中使成本函数最低的一个进入下一代种群；
步骤七：检验新种群是否满足种群灾变条件，若满足，对种群进行种群灾变，若不满足，进入步骤八；
步骤八：重复迭代次数大于最大迭代次数时，结束迭代；未达到上述条件则返回步骤二继续迭代。
进一步，所述变异操作具体为：
（1）服务区域编码变异：由于服务区域编码为二进制编码，变异方式是编码中的每一位以一定的概率反转；
（2）位置信息编码变异：位置信息编码是十进制编码，对个体
Figure 766770DEST_PATH_IMAGE051
变异时，在种群中随机选择互不相等且不等于
Figure 377880DEST_PATH_IMAGE052
的两个个体
Figure 541620DEST_PATH_IMAGE053
，
Figure 870970DEST_PATH_IMAGE054
，按照如下公式对个体
Figure 882920DEST_PATH_IMAGE055
变异：
Figure 348536DEST_PATH_IMAGE056
其中，F是自适应比例缩放因子，F 0为初始变异参数，取值0.6，计算方式为：
Figure 420529DEST_PATH_IMAGE057
。
进一步，所述交叉操作具体为：
规定交叉概率
Figure 237175DEST_PATH_IMAGE058
，利用下式对
Figure 787236DEST_PATH_IMAGE059
和
Figure 372938DEST_PATH_IMAGE060
实施交叉操作，生成交叉个体
Figure 612902DEST_PATH_IMAGE061
：
Figure 651265DEST_PATH_IMAGE062
其中，
Figure 5017DEST_PATH_IMAGE063
为
Figure 710805DEST_PATH_IMAGE064
的第j位编码；
Figure 859021DEST_PATH_IMAGE065
为
Figure 666571DEST_PATH_IMAGE066
的第j为编码；
Figure 542123DEST_PATH_IMAGE067
为
Figure 102417DEST_PATH_IMAGE068
的第j位编码；rand(j)为(0,1)的随机数。
进一步，所述种群灾变具体为：当最优解在N d 代内均无变化时，保留此最优解，而种群中其它个体全部重新产生，进而继续进行种群进化。
进一步，所述分组具体为：采用协同进化中的随机分组对变量进行划分，每隔10代，重新划分一次分组，每次分组将种群NP随机划分为N个子种群，每个子种群中包含P个无人机，子种群的编码方式与种群编码方式完全一致，但仅包含P个无人机的服务区域编码、位置信息编码。
本发明相对于现有技术的的优点：
本发明针对临空平台多平台网络连接时无人机数量多、复杂度高的情景，设计了一种基于协同智能优化算法的大规模任务分配方法。该方法模仿了种群进化时个体之间竞争与合作的关系，本方法提出两种编码规则，使差分进化算法可以应用于临空平台多平台任务分配问题；模仿自然界中可能出现的自然灾害对种群的影响，提出“种群灾变”机制，防止算法陷入局部最优的缺陷。引入协同进化策略，“分而治之”的思想使本方法适用于大规模问题。该方法同时兼具改进差分进化算法鲁棒性强与协同进化优化效率高的优点，同时也具有可移植性，适用于其它复杂情景下的任务分配问题。
本发明重点关注多平台任务分配问题，从降低无人机通信成本出发，开展了多平台任务分配研究。该方法对于减小网络连接成本、增大优化效率及工作场景的推广具有重要的现实意义。
附图说明
图1为临空平台构成图；
图2为基于协同智能优化算法对多平台系统任务分配模型进行求解的整体流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施实例中的附图，对本发明实施中的技术方案进行清楚、完整的描述。
图1所示为一个临空平台的基础结构，本发明主要关注高空平台与低空平台、低空平台与地面用户之间的连接，用于在高空平台（HAPs）和小单元用户设备（UEs）之间提供连续数据，无人机通过在宏单元和小单元终端之间形成多个中间链路，进一步增强负载均衡。本发明提供一种多平台大规模任务分配方法，首先基于临空平台设计约束和任务场景要求，构建多平台系统任务分配模型；针对用户分布不均和任务的特殊性，采用服务区域编码、无人机位置编码两种编码方式，将任意一个适用于该场景下的无人机任务分配优化问题的可行解编码为由两段序列构成的完整染色体；采用与协同进化结合的改进差分进化算法对任务分配模型进行求解，在最大迭代次数下求得的最优解即为多平台系统的最佳任务分配方案。
S1，基于临空平台设计约束和任务场景要求，构建多平台系统任务分配模型；
具体地，一个高空平台飞行器与其对应的n个无人机在A区上空运行，为简化模型，高空平台飞行器的发射功率为
Figure 442042DEST_PATH_IMAGE069
，高空平台飞行器与第i个无人机之间存在自由空间损耗
Figure 720577DEST_PATH_IMAGE070
，因此第i个无人机的发射功率为：
Figure 681711DEST_PATH_IMAGE071
其中，
Figure 847244DEST_PATH_IMAGE004
为第i个无人机与高空平台飞行器之间的距离。
对于低空无人机与地面用户，考虑空地路径损耗。每个无人机可处理
Figure 852109DEST_PATH_IMAGE005
个服务请求，用户数量为x。用户服务请求
Figure 103093DEST_PATH_IMAGE006
的到达率为
Figure 586027DEST_PATH_IMAGE007
，平均数据包大小为
Figure 868716DEST_PATH_IMAGE008
。位置y处用户的负载/延迟
Figure 778903DEST_PATH_IMAGE009
（以L（秒）表示）为:
Figure 782763DEST_PATH_IMAGE010
其中，
Figure 69387DEST_PATH_IMAGE011
为从第i个无人机到位置y处给定用户的信噪比；W是系统带宽；
假设其在正交频带上运行，面积荷载
Figure 209513DEST_PATH_IMAGE012
为：
Figure 821760DEST_PATH_IMAGE013
假设无人机在相同的频谱上运行，考虑到无人机对无人机的干扰，从第i个无人机到位置y处给定用户的信噪比为：
Figure 47336DEST_PATH_IMAGE014
其中，P i 为无人机发射功率，K为几何参数（如发射机和接收机天线高度）的系数，
Figure 872072DEST_PATH_IMAGE072
为第i个无人机与位置y处用户之间的距离，
Figure 863775DEST_PATH_IMAGE016
为空地路径损耗指数，
Figure 381344DEST_PATH_IMAGE073
为噪声功率谱密度。位置y处的用户的频谱效率
Figure 94216DEST_PATH_IMAGE074
由下式给出：
Figure 722643DEST_PATH_IMAGE019
成本函数是容量、延误和覆盖率的函数。此外，让
Figure 571782DEST_PATH_IMAGE020
表示根据用户的请求模式量化用户数量的密度函数，x表示用户数量，
Figure 260252DEST_PATH_IMAGE021
表示服务请求，小区可处理的用户总数为
Figure 460420DEST_PATH_IMAGE075
。对于所考虑的网络，密度函数有两个变量，指定区域的用户密度函数
Figure 892539DEST_PATH_IMAGE023
和无人机服务的用户密度函数
Figure 124412DEST_PATH_IMAGE024
计算为：
Figure 734517DEST_PATH_IMAGE025
Figure 405669DEST_PATH_IMAGE026
其中，n为无人机总数量；S n 为每个无人机可处理的服务请求个数；
Figure 392211DEST_PATH_IMAGE076
为面积荷载。
单位面积成本函数
Figure 465209DEST_PATH_IMAGE027
和无人机成本函数
Figure 246215DEST_PATH_IMAGE028
如下所示
Figure 404663DEST_PATH_IMAGE029
Figure 926387DEST_PATH_IMAGE030
其中，
Figure 853892DEST_PATH_IMAGE031
和
Figure 71378DEST_PATH_IMAGE032
是网络平衡常数，
Figure 717123DEST_PATH_IMAGE033
。通常，
Figure 779888DEST_PATH_IMAGE031
受网络带宽和链路速度的影响，而
Figure 827478DEST_PATH_IMAGE032
受活动连接数的影响。对于理想状态，
Figure 950286DEST_PATH_IMAGE031
和
Figure 348906DEST_PATH_IMAGE032
等于1。通常为
Figure 212433DEST_PATH_IMAGE077
及
Figure 114530DEST_PATH_IMAGE078
。成本函数
Figure 408239DEST_PATH_IMAGE027
和
Figure 762997DEST_PATH_IMAGE028
都受
Figure 698723DEST_PATH_IMAGE023
和
Figure 455326DEST_PATH_IMAGE024
的约束。
因此，目标函数就是维持总网络连接的总成本函数
Figure 919937DEST_PATH_IMAGE034
：
Figure 27570DEST_PATH_IMAGE079
其中，
Figure 232899DEST_PATH_IMAGE036
是分配给特定区域的无人机数量，
Figure 844009DEST_PATH_IMAGE037
是总需求区域的数量。本方案目标是优化总成本函数，使网络连接的总成本最小。
S2，针对用户分布不均和任务的特殊性，采用服务区域编码、位置信息编码两种编码方式，将任意一个适用于该任务场景下的多平台系统任务分配优化问题的可行解编码为由两段序列构成的完整染色体；
将每个完整染色体看作一个个体（individual，即针对当前问题的候选解），多个个体构成种群（population，即针对当前问题的候选解集合），对于种群中的每个个体，需在约束条件下随机生成其服务区域、位置信息，并根据规定的编码方式对上述两信息分别编码，得到该个体的评估序列。
具体编码规则为：
（1）针对服务区域编码，第i个无人机对应第j个区域的服务变量为
Figure 10679DEST_PATH_IMAGE038
，该变量为二进制变量，取值为1时表示无人机
Figure 74450DEST_PATH_IMAGE039
会对区域
Figure 820820DEST_PATH_IMAGE040
提供服务，取值为0不提供。无人机
Figure 568328DEST_PATH_IMAGE039
的服务区域编码为
Figure 889588DEST_PATH_IMAGE041
个体k的服务区域编码是由全部无人机服务区域编码构成的，表达式为：
Figure 188457DEST_PATH_IMAGE042
（2）针对位置信息编码，第i个无人机的二维位置信息为
Figure 253365DEST_PATH_IMAGE043
；高空平台飞行器的位置信息为
Figure 589800DEST_PATH_IMAGE044
，个体k的位置信息编码由全部无人机位置信息和高空平台飞行器的位置信息组成，表达式为：
Figure 81961DEST_PATH_IMAGE080
。
S3，采用与协同进化结合的改进差分进化算法对任务分配模型进行求解，在最大迭代次数下求得的最优解即为多平台系统的最佳任务分配方案。
具体地，初始化种群后，对当前种群进行变异和交叉操作，产生另一个新种群；然后利用选择操作对这两个种群进行一对一的选择，从而产生最终的新一代种群，重复产生新种群直到达到结束条件，如图2所示：
步骤一：在问题的可行解空间随机初始化种群
Figure 871057DEST_PATH_IMAGE081
，种群由NP个可行解组成，其中 NP 为初始种群大小。个体
Figure 739655DEST_PATH_IMAGE082
Figure 930597DEST_PATH_IMAGE083
Figure 593659DEST_PATH_IMAGE084
用于表征问题的可行解，包括服务区域编码和位置信息编码；
步骤二：对种群中的每个个体计算适应值；
步骤三：判断是否到达随机分组条件，若达到，重新分组，未达到，继续选用上一次迭代中的分组方式。分组后，对于每个子种群分别进行变异、交叉选择工作（即步骤四、五、六）；
步骤四：对每一个在 t 时刻的个体
Figure 890559DEST_PATH_IMAGE085
实施变异操作，得到与其相对应的变异个体
Figure 297269DEST_PATH_IMAGE086
；
步骤五：对
Figure 608296DEST_PATH_IMAGE049
和生成的变异个体
Figure 176680DEST_PATH_IMAGE086
实施交叉操作，生成交叉个体
Figure 205947DEST_PATH_IMAGE050
；
步骤六：选择交叉个体
Figure 416349DEST_PATH_IMAGE050
和与原始个体
Figure 316303DEST_PATH_IMAGE085
中使成本函数最低的一个进入下一代种群；
步骤七：检验新种群是否满足种群灾变条件，若满足，对种群进行种群灾变，若不满足，进入步骤八；
步骤八：重复迭代次数大于最大迭代次数时，结束迭代；未达到上述条件则返回步骤二继续迭代。
特别地，下面对交叉规则、变异规则、种群灾变规则、分组方式进行具体描述。
（一）变异操作
针对两个编码，本发明设计了不同的编码方式：
（1）服务区域编码变异：由于服务区域编码为二进制编码，变异方式是编码中的每一位以一定的概率反转；
（2）位置信息编码变异：该编码是十进制编码，对个体
Figure 55589DEST_PATH_IMAGE087
变异时，在种群中随机选择互不相等且不等于
Figure 303643DEST_PATH_IMAGE087
的两个个体
Figure 52156DEST_PATH_IMAGE053
，
Figure 72196DEST_PATH_IMAGE088
，按照如下公式对个体
Figure 247962DEST_PATH_IMAGE087
变异：
Figure 986242DEST_PATH_IMAGE056
其中，F是自适应比例缩放因子，F 0为初始变异参数，取值0.6，计算方式为：
Figure 272867DEST_PATH_IMAGE089
（二）交叉操作
规定交叉概率
Figure 412993DEST_PATH_IMAGE058
，利用下式对
Figure 759660DEST_PATH_IMAGE090
和
Figure 716728DEST_PATH_IMAGE060
实施交叉操作，生成交叉个体
Figure 807043DEST_PATH_IMAGE061
：
Figure 801675DEST_PATH_IMAGE091
其中，
Figure 319244DEST_PATH_IMAGE063
为
Figure 32116DEST_PATH_IMAGE064
的第j位编码；
Figure 926123DEST_PATH_IMAGE065
为
Figure 775262DEST_PATH_IMAGE066
的第j为编码；
Figure 463732DEST_PATH_IMAGE067
为
Figure 395391DEST_PATH_IMAGE068
的第j位编码；rand(j)为(0,1)的随机数。
（三）种群灾变
为了防止差分进化算法过早收敛而陷入局部最优解，在迭代过程中引入种群灾变。即当最优解在N d 代内均无变化时，保留此最优解，而种群中其它个体全部重新产生，进而继续进行种群进化。
（四）分组
为了更好的解决大规模问题，引入协同进化中的随机分组对变量进行划分，每隔10代，重新划分一次分组，每次分组将种群NP随机划分为N个子种群，每个子种群中包含P个无人机，子种群的编码方式与种群编码方式完全一致，但仅包含P个无人机的服务区域编码、位置信息编码。
例如，假设种群中共有4架无人机（NP=4），规定划分子种群的数量为2（N=2），若种群的编码为：
Figure 827510DEST_PATH_IMAGE092
随机分组按照
Figure 796734DEST_PATH_IMAGE093
分组，则子种群
Figure 656105DEST_PATH_IMAGE094
编码为
Figure 77991DEST_PATH_IMAGE095
子种群
Figure 48221DEST_PATH_IMAGE096
编码为：
Figure 871951DEST_PATH_IMAGE097
在计算各子种群适应值时，用全局最优个体的变量值将子种群变量值补全，代入目标函数计算适应值。
例如，计算上述子种群
Figure 902224DEST_PATH_IMAGE094
的适应值，需要把编码补全为
Figure 808476DEST_PATH_IMAGE098
Figure 582397DEST_PATH_IMAGE099
Figure 526213DEST_PATH_IMAGE100
以上所述仅为本发明的具体实施方式，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于协同智能优化算法的多平台任务分配方法，其特征在于，包括以下步骤：
S1，基于临空平台设计约束和任务场景要求，构建多平台系统任务分配模型，考虑高空平台飞行器与低空平台无人机之间的自由空间损耗、以及低空平台无人机与用户之间的空地路径损耗，构造高空平台飞行器、低空平台无人机与用户之间的成本函数，以最小化总成本作为多平台系统任务分配模型的优化目标；
S2，针对用户分布不均和任务的特殊性，采用服务区域编码、位置信息编码两种编码方式，将任意一个适用于该任务场景下的多平台系统任务分配优化问题的可行解编码为由两段序列构成的完整染色体；
S3，基于协同进化框架，针对服务区域编码、位置信息编码进行初始化并随机分组，划分为若干子种群；针对各子种群，利用差分进化算法进行相应的交叉、变异、种群灾变，对多平台系统任务分配模型进行求解，在最大迭代次数下求得的最优解即为多平台系统的最佳任务分配方案；
所述步骤S1中多平台系统任务分配模型中的损耗模型具体为：
高空平台飞行器与其对应的n个无人机在A区上空运行，高空平台飞行器的发射功率为
Figure 845457DEST_PATH_IMAGE001
，高空平台飞行器与第i个无人机之间存在自由空间损耗
Figure 995684DEST_PATH_IMAGE002
，因此第i个无人机的发射功率为：
Figure 620701DEST_PATH_IMAGE003
其中，
Figure 948914DEST_PATH_IMAGE004
为第i个无人机与高空平台飞行器之间的距离；
对于低空无人机与地面用户，考虑空地路径损耗，每个无人机可处理
Figure 88908DEST_PATH_IMAGE005
个服务请求，用户数量为x；用户服务请求
Figure 59138DEST_PATH_IMAGE006
的到达率为
Figure 351710DEST_PATH_IMAGE007
，平均数据包大小为
Figure 850825DEST_PATH_IMAGE008
；位置y处用户的负载/延迟
Figure 681378DEST_PATH_IMAGE009
为:
Figure 924140DEST_PATH_IMAGE010
其中，
Figure 586066DEST_PATH_IMAGE011
为从第i个无人机到位置y处给定用户的信噪比；W是系统带宽；
假设在正交频带上运行，面积荷载
Figure 511208DEST_PATH_IMAGE012
为：
Figure 625795DEST_PATH_IMAGE013
假设无人机在相同的频谱上运行，考虑到无人机对无人机的干扰，从第i个无人机到位置y处给定用户的信噪比为：
Figure 609931DEST_PATH_IMAGE014
其中，P i 为无人机发射功率，K为几何参数的系数，
Figure 126363DEST_PATH_IMAGE015
为第i个无人机与位置y处用户之间的距离，
Figure 967281DEST_PATH_IMAGE016
为空地路径损耗指数，
Figure 585475DEST_PATH_IMAGE017
为噪声功率谱密度；位置y处的用户的频谱效率
Figure 170040DEST_PATH_IMAGE018
由下式给出：
Figure 540978DEST_PATH_IMAGE019
。
2.根据权利要求1所述的基于协同智能优化算法的多平台任务分配方法，其特征在于，所述步骤S1中多平台系统任务分配模型中的成本函数具体为：
成本函数是容量、延误和覆盖率的函数；让
Figure 756059DEST_PATH_IMAGE020
表示根据用户的请求模式量化用户数量的密度函数，x表示用户数量，
Figure 579659DEST_PATH_IMAGE021
表示服务请求，小区可处理的用户总数为
Figure 217182DEST_PATH_IMAGE022
；对于所考虑的网络，密度函数有两个变量，指定区域的用户密度函数
Figure 708206DEST_PATH_IMAGE023
和无人机服务的用户密度函数
Figure 890926DEST_PATH_IMAGE024
为：
Figure 670663DEST_PATH_IMAGE025
Figure 597031DEST_PATH_IMAGE026
其中，n为无人机总数量；S n 为每个无人机可处理的服务请求个数；
单位面积成本函数
Figure 427715DEST_PATH_IMAGE027
和无人机成本函数
Figure 312494DEST_PATH_IMAGE028
如下所示：
Figure 110686DEST_PATH_IMAGE029
Figure 44007DEST_PATH_IMAGE030
其中，
Figure 978465DEST_PATH_IMAGE031
和
Figure 17834DEST_PATH_IMAGE032
是网络平衡常数，
Figure 568901DEST_PATH_IMAGE033
；
因此，目标函数即维持总网络连接的总成本函数
Figure 837071DEST_PATH_IMAGE034
：
Figure 94877DEST_PATH_IMAGE035
其中，
Figure 55880DEST_PATH_IMAGE036
是分配给特定区域的无人机数量，
Figure 579396DEST_PATH_IMAGE037
是总需求区域的数量。
3.根据权利要求1所述的基于协同智能优化算法的多平台任务分配方法，其特征在于，所述步骤S2中服务区域编码、位置信息编码方式具体为：
（1）针对服务区域编码，第i个无人机对应第j个区域的服务变量为
Figure 651258DEST_PATH_IMAGE038
，该变量为二进制变量，取值为1时表示无人机
Figure 825887DEST_PATH_IMAGE039
会对区域
Figure 895474DEST_PATH_IMAGE040
提供服务，取值为0不提供；无人机
Figure 155554DEST_PATH_IMAGE039
的服务区域编码为
Figure 280374DEST_PATH_IMAGE041
个体k的服务区域编码是由全部无人机服务区域编码构成的，表达式为：
Figure 309510DEST_PATH_IMAGE042
（2）针对位置信息编码，第i个无人机的二维位置信息为
Figure 549998DEST_PATH_IMAGE043
，高空平台飞行器的位置信息为
Figure 297374DEST_PATH_IMAGE044
，个体k的位置信息编码由全部无人机位置信息和高空平台飞行器的位置信息组成，表达式为：
Figure 711038DEST_PATH_IMAGE045
。
4.根据权利要求1所述的基于协同智能优化算法的多平台任务分配方法，其特征在于，所述步骤S3具体包括以下子步骤：
步骤一：在问题的可行解空间随机初始化种群
Figure 610992DEST_PATH_IMAGE046
，其中 NP 为初始种群大小；
步骤二：对种群中的每个个体计算适应值；
步骤三：判断是否到达随机分组条件，若达到，重新分组，未达到，继续选用上一次迭代中的分组方式；
步骤四：对每一个在t时刻的个体
Figure 84699DEST_PATH_IMAGE047
实施变异操作，得到与其相对应的变异个体
Figure 53792DEST_PATH_IMAGE048
；
步骤五：对
Figure 208830DEST_PATH_IMAGE049
和生成的变异个体
Figure 212558DEST_PATH_IMAGE048
实施交叉操作，生成交叉个体
Figure 100574DEST_PATH_IMAGE050
；
步骤六：选择交叉个体
Figure 556963DEST_PATH_IMAGE050
和与原始个体
Figure 312429DEST_PATH_IMAGE047
中使成本函数最低的一个进入下一代种群；
步骤七：检验新种群是否满足种群灾变条件，若满足，对种群进行种群灾变，若不满足，进入步骤八；
步骤八：重复迭代次数大于最大迭代次数时，结束迭代；未达到上述条件则返回步骤二继续迭代。
5.根据权利要求4所述的基于协同智能优化算法的多平台任务分配方法，其特征在于，所述变异操作具体为：
（1）服务区域编码变异：由于服务区域编码为二进制编码，变异方式是编码中的每一位以一定的概率反转；
（2）位置信息编码变异：位置信息编码是十进制编码，对个体
Figure 373926DEST_PATH_IMAGE051
变异时，在种群中随机选择互不相等且不等于
Figure 455015DEST_PATH_IMAGE051
的两个个体
Figure 149432DEST_PATH_IMAGE052
、
Figure 443011DEST_PATH_IMAGE053
，按照如下公式对个体
Figure 359014DEST_PATH_IMAGE051
变异：
Figure 345425DEST_PATH_IMAGE054
其中，F是自适应比例缩放因子，F 0为初始变异参数，取值0.6，计算方式为：
Figure 41985DEST_PATH_IMAGE055
。
6.根据权利要求4所述的基于协同智能优化算法的多平台任务分配方法，其特征在于，所述交叉操作具体为：
规定交叉概率
Figure 388522DEST_PATH_IMAGE056
，利用下式对
Figure 159032DEST_PATH_IMAGE057
和
Figure 316343DEST_PATH_IMAGE058
实施交叉操作，生成交叉个体
Figure 234621DEST_PATH_IMAGE059
：
Figure 135581DEST_PATH_IMAGE060
其中，
Figure 573646DEST_PATH_IMAGE061
为
Figure 901860DEST_PATH_IMAGE062
的第j位编码；
Figure 245116DEST_PATH_IMAGE063
为
Figure 215346DEST_PATH_IMAGE064
的第j为编码；
Figure 757186DEST_PATH_IMAGE065
为
Figure 459563DEST_PATH_IMAGE066
的第j位编码；rand(j)为(0,1)的随机数。
7.根据权利要求4所述的基于协同智能优化算法的多平台任务分配方法，其特征在于，所述种群灾变具体为：当最优解在N d 代内均无变化时，保留此最优解，而种群中其它个体全部重新产生，进而继续进行种群进化。
8.根据权利要求4所述的基于协同智能优化算法的多平台任务分配方法，其特征在于，所述分组具体为：采用协同进化中的随机分组对变量进行划分，每隔10代，重新划分一次分组，每次分组将种群NP随机划分为N个子种群，每个子种群中包含P个无人机，子种群的编码方式与种群编码方式完全一致，但仅包含P个无人机的服务区域编码、位置信息编码。
CN202210011950.9A 2022-01-07 2022-01-07 一种基于协同智能优化算法的多平台任务分配方法 Active CN114037363B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210011950.9A CN114037363B (zh) 2022-01-07 2022-01-07 一种基于协同智能优化算法的多平台任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210011950.9A CN114037363B (zh) 2022-01-07 2022-01-07 一种基于协同智能优化算法的多平台任务分配方法

Publications (2)

Publication Number Publication Date
CN114037363A CN114037363A (zh) 2022-02-11
CN114037363B true CN114037363B (zh) 2022-04-12

Family

ID=80147324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210011950.9A Active CN114037363B (zh) 2022-01-07 2022-01-07 一种基于协同智能优化算法的多平台任务分配方法

Country Status (1)

Country Link
CN (1) CN114037363B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114884545B (zh) * 2022-06-06 2024-01-16 黑龙江大学 基于智能优化算法的多小区大规模mimo系统实时功率分配方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977743B (zh) * 2017-11-29 2021-01-26 安徽有云智能科技有限公司 多无人机协同任务分配方法及装置
CN110851272B (zh) * 2019-10-30 2022-02-11 内蒙古农业大学 基于吞噬的粒子群遗传混合算法的云任务调度方法
CN111860984B (zh) * 2020-07-06 2022-03-11 燕山大学 一种基于改进遗传算法的多异构无人机任务分配方法
CN113867358B (zh) * 2021-10-13 2023-08-29 中国人民解放军陆军工程大学 多无人车协同遍历任务的智能路径规划方法

Also Published As

Publication number Publication date
CN114037363A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN112351503B (zh) 基于任务预测的多无人机辅助边缘计算资源分配方法
CN111246416B (zh) 一种基于遗传算法的水下无线传感器网络拓扑控制方法
CN109960279B (zh) 一种基于启发式算法的无人机盘旋半径优化方法
CN114037363B (zh) 一种基于协同智能优化算法的多平台任务分配方法
CN112702713B (zh) 一种多约束条件下的低空无人机通信部署方法
Mnasri et al. 3D indoor redeployment in IoT collection networks: A real prototyping using a hybrid PI-NSGA-III-VF
Liu et al. Efficient deployment of UAVs for maximum wireless coverage using genetic algorithm
CN114143814B (zh) 一种基于异构边缘云架构的多任务卸载方法及系统
CN107343303B (zh) 无线Mesh网络中基于对偶分解的路由优化方法
CN117614520B (zh) 基于无人机-卫星协作的去蜂窝大规模mimo资源优化方法
CN115866787A (zh) 融合终端直传通信和多接入边缘计算的网络资源分配方法
CN111526555A (zh) 基于遗传算法的多跳路由路径选择方法
CN113490219B (zh) 一种面向超密集组网的动态资源分配方法
CN113473580A (zh) 异构网络中基于深度学习的用户关联联合功率分配策略
Sobouti et al. Managing sets of flying base stations using energy efficient 3D trajectory planning in cellular networks
Mahajan et al. EFTA: An Energy-efficient, Fault-Tolerant, and Area-optimized UAV Placement Scheme for Search Operations
CN109195222B (zh) 一种基于统计特性参考的功率分配方法
CN115225142B (zh) 多无人机通信中用户匹配与频谱资源联合优化方法及系统
Mnasri et al. The 3D indoor deployment in DL-IoT with experimental validation using a particle swarm algorithm based on the dialects of songs
CN111542069B (zh) 一种基于快速非支配遗传算法实现无线ap部署优化方法
CN114885379A (zh) 一种大规模无人机集群自适应分簇组网方法
Liu An UAV‐Assisted Edge Computing Resource Allocation Strategy for 5G Communication in IoT Environment
CN108064051B (zh) 确定网络射频优化方案的方法、装置及设备
Wang et al. Optimization deployment of wl-mesh network with base-station in nature environment
CN116708265A (zh) 基于Pareto最优的空天海一体化NRMOCOP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