CN114237284B - 一种基于改进蜉蝣算法的无人机多任务规划方法 - Google Patents
一种基于改进蜉蝣算法的无人机多任务规划方法 Download PDFInfo
- Publication number
- CN114237284B CN114237284B CN202111464760.4A CN202111464760A CN114237284B CN 114237284 B CN114237284 B CN 114237284B CN 202111464760 A CN202111464760 A CN 202111464760A CN 114237284 B CN114237284 B CN 114237284B
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned aerial
- aerial vehicle
- time
- sub
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000005265 energy consumption Methods 0.000 claims description 46
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005295 random walk Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (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)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种基于改进蜉蝣算法的无人机多任务规划方法,涉及无人机任务规划技术领域,针对多目标区域规划的基于改进蜉蝣算法的无人机多任务规划,实现多无人机多目标任务规划。本发明包括:根据任务信息,获取多任务目标区域和无人机子节点目标;对所述多任务目标区域进行分割得到子区域并将分割后的子区域分配至各无人机;利用各个子区域的区域任务的任务执行信息,建立任务规划模型;通过蜉蝣优化算法,获取针对无人机的多任务规划的解;利用所述无人机多任务规划的解对多任务数据进行评估,之后将多任务数据分发给所述无人机群中的无人机。
Description
技术领域
本发明涉及多无人机任务规划技术领域,尤其涉及一种基于改进蜉蝣算法的无人机多任务规划方法。
背景技术
近年来,多无人机协同任务规划在航空航天领域由于其卓越的高效性、容错性能被广泛使用,然而,随着任务的复杂度升高,任务规划的时间会大大增加,同时,随着任务无人机数量的增加,系统的维度也呈指数上升,这将会给系统带来极大负担,甚至会引起系统的奔溃。因此,针对无人机多任务规划问题,获取不同条件下任务目标的信息,解算出无人机子系统如何合理地分配这些多任务是很有必要的。在多无人机任务侦察、协同打击等战争环境下,无人机多任务规划算法尤为重要,这将决定了任务执行方最终任务的成败,甚至将影响战争最终的胜败。
现有的任务规划算法多是以任务完成总时间作为目标函数,依据时间最短来判定任务规划是否达到了最优状态。然而,在任务对象增加的情况下,仍以此为依据可能会牺牲系统的整体性能,多任务之间的冲突也会愈加明显。多个任务同时进行的情况下,如同时出现了多个最优目标,系统将随机分配无人机去执行这些任务,最终导致整体的系统性能下降,甚至会引发内部冲突,造成不可挽回的损失。
因此,如何进一步开发无人机多任务规划方案,从而实现多目标条件下对多无人机执行最优分配,成为了需要解决的问题。
发明内容
本发明的实施例提供一种基于改进蜉蝣算法的无人机多任务规划方法,针对多目标区域规划的基于改进蜉蝣算法的无人机多任务规划,实现多无人机多目标任务规划。
为达到上述目的,本发明的实施例采用如下技术方案:
S1、根据任务信息,获取多任务目标区域和无人机子节点目标,其中,所述多任务目标区域,包括:无人机群执行任务的整体区域,所述无人机子节点目标,包括:单个无人机所执行的区域范围;
S2、对所述多任务目标区域进行分割得到子区域并将分割后的子区域分配至各无人机,其中,一架无人机执行一个子区域的区域任务;
S3、利用各个子区域的区域任务的任务执行信息,建立任务规划模型,其中,所述任务执行信息包括:各个子区域中的无人机执行任务的执行效率、整体能耗和任务收益;
S4、通过蜉蝣优化算法,获取针对无人机的多任务规划的解;
S5、利用所述无人机多任务规划的解对多任务数据进行评估,之后将多任务数据分发给所述无人机群中的无人机。
本发明实施例提供的基于改进蜉蝣算法的无人机多任务规划方法,获取多任务规划区域信息,将每个任务区域按照各任务执行效率、整体能耗和任务收益等条件,建立多维数据多任务规划模型,在全局任务规划的基础上,提出了基于改进的蜉蝣优化算法的方法,快速有效地求解出各子系统执行的任务,并获得各任务的效率、执行速度等综合指标。根据本发明专利提供的技术方案,可以实现多无人机集群条件下的多任务规划,可以提高任务规划系统的整体性能。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的具体实例的示意图;
图2为本发明实施例提供的通过多个约束解算的最优解流程图;
图3为本发明实施例提供的蜉蝣优化算法流程图;
图4为本发明实施例提供的方法流程示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本实施例的设计目的大致为:为了提升无人机多任务规划能力,增强系统的性能,提出了一种基于改进蜉蝣算法的无人机多任务规划方法,能够实现多无人机多目标任务规划,以便于多目标条件下对多无人机执行最优分配。
本实施例的设计思路大致为:针对多目标区域规划的基于改进蜉蝣算法的无人机多任务规划,实现多无人机多目标任务规划。根据目标区域的不同类型,考虑到多架无人机前往不同区域的执行任务效率和总耗能约束条件,提出了一种无人机协同多任务调度方法;作为一个复杂的组合优化问题,随着任务目标区域的增加,任务规划问题的维度也大大增加,为了提升系统的整体性能,设计了一种将一项复杂任务划分给多架无人机执行的方案,多架无人机协同执行任务能够有效提升执行任务的效率;最后,提出了基于改进蜉蝣算法的多目标优化算法,以提高种群的多样性和任务规划能力。本发明适用于四旋翼飞行器编队多任务规划。
本发明实施例提供一种基于改进蜉蝣算法的无人机多任务规划方法,如图4所示,包括:
S1、根据任务信息,获取多任务目标区域和无人机子节点目标。
其中,所述多任务目标区域,包括:无人机群执行任务的整体区域,所述无人机子节点目标,包括:单个无人机所执行的区域范围。任务信息一般可以包含侦察区域的范围、权值等,以及该任务所需的耗能、效率等其它约束。
S2、对所述多任务目标区域进行分割得到子区域并将分割后的子区域分配至各无人机,其中,一架无人机执行一个子区域的区域任务。
S3、利用各个子区域的区域任务的任务执行信息,建立任务规划模型。
其中,所述任务执行信息包括:各个子区域中的无人机执行任务的执行效率、整体能耗和任务收益。本实施例中,通过蜉蝣优化算法,来获取任务规划模型的最优解,任务规划模型可以理解为:由各个子区域中的无人机执行任务的执行效率、整体能耗和任务收益构成。具体的,在模型建立的阶段:根据所述多任务目标区域进行分割,分割后的子区域需要分发给各个无人机进行任务执行,且满足一架无人机执行一个区域任务,其中,每个区域任务需要获取各区域各无人机执行任务的执行效率、整体能耗和任务收益等信息,所得的区域任务需求建立任务规划模型。
S4、通过蜉蝣优化算法,获取针对无人机的多任务规划的解。
其中,在算法求解阶段,可以通过蜉蝣优化算法获取最优解,其中,可以先初始化各无人机任务规划子任务和速度,评估各无人机适应度,进行多次任务的迭代计算解出无人机多任务规划的最优解。。本实施例中,针对无人机的多任务规划,可以理解为多无人机多任务规划。之所以需要求针对无人机的多任务规划的解,目的在于将针对无人机的多任务规划的问题,转换为一种可以量化的问题,即转换为含约束多对多问题的最优解求解问题。
S5、利用所述无人机多任务规划的解对多任务数据进行评估,之后将多任务数据分发给所述无人机群中的无人机。
其中,多任务数据为:利用蜉蝣优化算法求解后,得到的最优任务解,包含:子无人机的所需要执行的任务,以及执行任务过程中,所需要的位置、速度等信息。
具体的,对多任务数据进行评估方是,具体实现中可以通过判断是否符合限制条件来评估,例如:由于求解过程中速度过大导致无人机会超出任务界限的问题,可以引入速度限制条件,所谓的评估即为检测是否存在速度过大导致无人机会超出任务界限的情况。
本实施例中,在无人机群执行任务的整体区域中,包括了:无人机机群所需要执行的所有任务的区域总和,其中,所有任务的区域总和为si表示第i个任务的子区域,i为正整数,S表示全部任务区域,S划分为n个子区域,n为正整数,每个子区域都有各自对应的权值wi,并且/>
在实际应用中,若无人机对应的权值越大,这说明无人机执行所需的能耗越大,需要多架无人机协同完成该任务,因此,存在一个任务匹配多架无人机的情况例如:可以将区域总和S划分了n份,通过l架无人机前往这些子区域。本实施例中,子区域和子任务是两个概念,而子任务区域说明的是这个任务的区域,可以理解为子区域。而一旦算法求解完毕,也就意味着可以进一步参与后续的任务分配了,因此也可将算法求解完毕后的这些子区域称之为任务子区域,即可以参与任务分配的子区域,因此可以称之为任务子区域。
所有任务的区域的边界为其中,m表示子区域的边界数量,tixj表示子区域i的横坐标值,tiyk表示子区域i的纵坐标值,ti表示第i个任务区域的边界,n表示任务区域的边界的总和,这些边界的总和n构成了所有任务区域的边界1≤j≤m,1≤k≤m能够遍历所有包含区域。
本实施例中,在S2中,包括:通过无人机编队系统中的子无人机ul,分别执行从任务区域taskS中划分出的子区域,其中,无人机编队系统l表示为第l架无人机,共有N架无人机。对于分配到无人机ul的子区域si,则/>其中,T表示无人机与任务的关联函数。任务区域taskS将由无人机编队系统/>中的子无人机ul分别执行,若子无人机ul将执行任务子区域si,则构建无人机与任务的关联函数且关联后的无人机与子任务不再参与后续区域分配。
本实施例中,需要针对多无人机任务系统中整体的任务耗能,建立与路径、时间相关联的综合任务耗能模型,保证系统任务耗能最小。具体在S3中,包括:根据利用各个子区域的区域任务的任务执行信息,确定条件约束,并通过条件约束建立所述任务规划模型。具体的,可以理解为,这些约束条件的总和,构成了任务规划模型。针对所述无人机群的各个无人机所组成的编队系统,建立任务执行效率函数模型,并通过任务执行效率函数进行执行效率的最优化计算。针对所述无人机群的各个无人机所组成的编队系统,建立任务耗能模型,其中,所述任务耗能模型与路径、时间相关联。
进一步的,所述任务执行效率函数模型为Eff=min{effl})l=1,2,...N),其中,effl表示单个无人机具有的任务效率。其中,单个无人机具有的任务效率为effl,那么针对整个无人机群而言,整体的效率应为系统中所有无人机效率最低的一架无人机。这是由于无人机性能上的差异,导致了每架无人机执行任务的效率不一,而效率最高的无人机完成任务后,并不代表了整个无人机群所有任务都已完成,因此,最后一架无人机完成任务则代表了整体任务的实现。那么,无人机整体系统的任务执行效率函数为Eff=min{effl})l=1,2,...N)。
所述任务耗能模型为其中,第l架无人机任务耗能为/>ef(t)表示单位时间无人机飞往任务区域边界的能耗因子,wi表示任务的权值,es(t)表示单位时间无人机在任务区域执行任务的能耗因子,tl表示任务的执行总时间,ttotal表示任务的执行总时间,/>表示t时刻无人机需要执行的任务区域。/>表示t时刻无人机需要执行的任务区域距无人机初始位置的距离。/>表示t时刻无人机的位置。/>表示t时刻无人机的位置距无人机初始位置的距离。
其中,针对无人机群的整体耗能Ener,需考虑每架无人机执行任务区域与当前位置的距离与时间的关系,若不考虑始末位置的偏差,那么可以假定为当无人机从当前位置到达了任务边界即为第一段耗能,而执行任务过程中,所需走过的所有路程为第二段耗能,因此,第l架无人机任务耗能为ef(t)表示单位时间无人机飞往任务区域边界的能耗因子,wi表示该任务的权值,在任务能耗中引入了该权值,权值越大,相应的能耗也越大。es(t)表示单位时间无人机在任务区域执行任务的能耗因子,tl表示任务的执行总时间。那么,无人机群执行任务的总能耗为ttotal表示任务的执行总时间。
本实施例中,在S4中,包括:在最优解空间中,每个无人机的任务解ansl的集合为全局最优任务解ans,其中,每个任务解都相应的表示一个最终的任务位置,无人机在t+1时刻的位置表示为/>在t时刻无人机在任务区域之外的位置为/>速度为/> 表示初始时刻无人机的位置,U表示无人机的位置的全部集合,posmin和posmax分别表示执行任务的范围区间的最小值和最大值。其中,U在这里表示全部集合;鉴于本方案执行的任务在某个特定范围内,因此,设定了posmin和posmax表示执行任务的范围区间。具体的,通过基于改进的蜉蝣优化算法对无人机多目标任务进行最优规划,同时,根据其目标函数f(x),可以评估系统整体性能。在无人机最优解空间/>中,系统中的每个子无人机的任务解ansl的集合为全局最优任务解ans,其中,每个任务解都相应的表示一个最终的任务位置。同时,每个无人机执行任务的解都是根据其任务效率和任务效能而调整的。假设t时刻,无人机ul在任务区域之外的位置为/>速度为/>在t+1时刻,该无人机的位置为其中,/>
进一步的,在S4中,还包括:调整无人机的速度的方式为其中,velmax为最大速度值,/>为t+1时刻无人机l在维度j=1,…,n的速度,/>为t时刻无人机l在维度j=1,…,n的速度。
无人机在t+1时刻的速度为
其中,/>为t+1时刻无人机l在维度j=1,...,n的速度,/>为t时刻无人机l的位置,att1和att2分别是两种正吸引常数。anslj是无人机l的当前最优位置解,β是固定的可见度系数,disp是posl与ansl之间的笛卡尔距离,disg是posl与ans之间的笛卡尔距离。
本实施例中为了优化原算法的性能,需要解决由于求解过程中速度过大导致无人机会超出任务界限的问题,引入了速度限制条件,通过将速度控制在一定的阈值内防止速度过大的问题。因此,速度被调整为:
其中,velmax为最大速度值。一般地,速度最大值设定为5m/s。
此时,该无人机的速度为
其中,为t+1时刻无人机l在维度j=1,...,n的速度。/>为t时刻无人机l的位置。att1和att2是正吸引常数。anslj是无人机l的当前最优位置解。β是固定的可见度系数。disp是posl与ansl之间的笛卡尔距离,disg是posl与ans之间的笛卡尔距离。
无人机l的位置与最优解的位置之间的笛卡尔距离为:
其中,posl为无人机l的第j个元素。
无人机l的最优位置解中,在t+1时刻的个体最优位置可计算为
其中,f:Rn→R为目标函数,在t时刻的无人机群最优解为
ans∈{ans1,ans2,...,ansN}=min{f(ans1),f(ans1),...,f(ansN)}
进一步的,在S4中,通过蜉蝣优化算法,获取无人机多任务规划的最优解,包括:
根据蜉蝣优化算法,确定各个无人机的最优解。
按照适应度值,将各个无人机与子区域之间建立联系,即最优任务匹配最优解无人机,次优任务匹配次优解无人机,依此类推。并获取各个无人机的速度,其中,无人机在t+1时刻的速度更新为:
其中,是t时刻无人机i在维度j=1,...,n上的速度,/>是t时刻无人机i在维度j=1,...,n上的位置,a2是正吸引常数,β是固定可见度常数,dismf是posl与ansl之间的笛卡尔距离,fl是随机游走系数,且r是[-1,1]范围内的随机值。
并进一步得到无人机的最优解的值为nextgeneralN=nextgeneralN+σNN(0,1),其中,σ为正态分布的标准差,NN(0,1)为均值为0方差为1的标准正态分布,nextgeneral为经过迭代后的无人机群的任务规划的最优解。
在本实施例中的任务执行阶段中:将任务区域的总和为分为n个有限子任务区域,生成当前区域的边界值。获取当前所有无人机的初始位置posl,同时,将所有无人机的初始位置与任务区域位置输入到任务能耗和效率最优中,可得到最优效率的多维空间解矩阵。将获取的多维空间解矩阵输入到基于改进的蜉蝣优化算法中,可以得到无人机任务规划的最优解
nextgeneralN=nextgeneralN+σNN(0,1)。
具体举例来说,本实施例在本具体举例的应用中主要用于多无人机多目标任务规划,在实际应用中的实现方式也可以将方案分为四个阶段,包括:任务准备阶段、模型建立阶段、算法求解阶段和任务执行阶段,其中:
1)任务准备阶段:
根据任务需要,建立多任务目标区域模型、无人机子节点目标模型,其中,所述无人机多任务目标区域模型包括整体无人机群执行任务的整体区域,所述无人机子节点目标模型包括单个无人机所执行的区域范围。
2)模型建立阶段:
根据所述多任务目标区域进行分割,分割后的子区域需要分发给各个无人机进行任务执行,且满足一架无人机执行一个区域任务,其中,每个区域任务需要获取各区域各无人机执行任务的执行效率、整体能耗和任务收益等信息,所得的区域任务需求建立任务规划模型。
3)算法求解阶段:
利用基于改进的蜉蝣优化算法,初始化各无人机任务规划子任务和速度,评估各无人机适应度,进行多次任务的迭代计算解出无人机多任务规划的最优解。
4)任务执行阶段
获取多任务规划最优解后,对多任务数据进行评估,将多任务数据分发给每架无人机,最终各无人机执行相应的任务。
本实施例在本具体举例的应用中,所述多目标区域任务模型,包括:无人机机群所需要执行的所有任务的区域总和。其中,任务区域的总和为其中,si表示第i个任务子区域,即全部任务区域S可以划分为n个有限子任务区域,每个任务都有其对应的权值wi,即/>权值越大,其执行所需的能耗越大,需要多架无人机协同完成该任务,因此,存在一个任务匹配多架无人机的情况。任务区域的边界为其中,m表示任意子区域共可被记为m个边界,tixj表示任务子区域i的横坐标值,tiyk表示任务子区域i的纵坐标值,在现实意义中,tixj和tiyk表示经纬度信息。
进一步的,还包括:
无人机执行任务的子节点模型,其中,所述任务区域taskS将由无人机编队系统中的子无人机ul分别执行,若子无人机ul将执行任务子区域si,则构建无人机与任务的关联函数/>且关联后的无人机与子任务不再参与后续区域分配。
本实施例在本具体举例的应用中,主要是通过多个条件约束建立任务规划模型。在多无人机编队系统中,增加无人机整体系统的任务执行效率函数,并进行执行效率的最优化计算。针对多无人机任务系统中整体的任务耗能,建立与路径、时间相关联的综合任务耗能模型,保证系统任务耗能最小。其中,所述通过多个条件约束建立任务规划模型,包括:
单个无人机具有的任务效率为effl,那么针对整个无人机群而言,整体的效率应为系统中所有无人机效率最低的一架无人机。这是由于无人机性能上的差异,导致了每架无人机执行任务的效率不一,而效率最高的无人机完成任务后,并不代表了整个无人机群所有任务都已完成,因此,最后一架无人机完成任务则代表了整体任务的实现。那么,无人机整体系统的任务执行效率函数为
Eff=min{effl}(l=1,2,...N)
针对无人机群的整体耗能Ener,需考虑每架无人机执行任务区域与当前位置的距离与时间的关系,若不考虑始末位置的偏差,那么可以假定为当无人机从当前位置到达了任务边界即为第一段耗能,而执行任务过程中,所需走过的所有路程为第二段耗能,因此,第l架无人机任务耗能为
其中,ef(t)表示单位时间无人机飞往任务区域边界的能耗因子,es(t)表示单位时间无人机在任务区域执行任务的能耗因子,tl表示任务的执行总时间。
那么,无人机群执行任务的总能耗为
其中,ttotal表示任务的执行总时间。
本实施例在本具体举例的应用中,主要是通过基于改进的蜉蝣优化算法对无人机多目标任务进行最优规划,同时,根据其目标函数f(x),可以评估系统整体性能。在无人机最优解空间中,系统中的每个子无人机的任务解ansl的集合为全局最优任务解ans,其中,每个任务解都相应的表示一个最终的任务位置。同时,每个无人机执行任务的解都是根据其任务效率和任务效能而调整的。
假设t时刻,无人机ul在任务区域之外的位置为速度为/>在t+1时刻,该无人机的位置为
其中,
为了优化原算法的性能,需要解决由于求解过程中速度过大导致无人机i会超出任务界限的问题,引入了速度限制条件,通过将速度控制在一定的阈值内防止速度过大的问题。因此,速度被调整为:
其中,velmax为最大速度值。
此时,该无人机的速度为
其中,为t+1时刻无人机l在维度j=1,…,n的速度。/>为t时刻无人机l的位置。att1和att2是正吸引常数。anslj是无人机l的当前最优位置解。β是固定的可见度系数。disp是posl与ansl之间的笛卡尔距离,disg是posl与ans之间的笛卡尔距离。
进一步的,对于无人机l与的位置与最优解的位置之间的笛卡尔距离为
其中,posl为无人机l的第j个元素。
无人机l的最优位置解中,在t+1时刻的个体最优位置可计算为
其中,f:Rn→R为目标函数,在t时刻的无人机群最优解为
ans∈{ans1,ans2,...,ansN}=min{f(ans1),f(ans1),…,f(ansN)}
根据蜉蝣优化算法,寻找到个体最优解后,需要按照其适应度值,将各个子无人机与子任务之间建立联系,即最优任务匹配最优解无人机,次优任务匹配次优解无人机,依此类推。那么,其速度应为
其中,是t时刻无人机i在维度j=1,…,n上的速度,/>是t时刻无人机i在维度j=1,…,n上的位置,a2是正吸引常数,β是固定可见度常数,dismf是posl与ansl之间的笛卡尔距离,fl是随机游走系数,且r是[-1,1]范围内的随机值。
因此,子无人机产生的最优解的值为
nextgeneralN=nextgeneralN+σNN(0,1)
其中,σ为正态分布的标准差,NN(0,1)为均值为0方差为1的标准正态分布,nextgeneral为经过迭代后的无人机群任务规划的最优解。
本实施例在本具体举例的应用中的任务执行阶段,可以包括:
将任务区域的总和为分为n个有限子任务区域,生成当前区域的边界值。获取当前所有无人机的初始位置posl,同时,将所有无人机的初始位置与任务区域位置输入到任务能耗和效率最优中,可得到最优效率的多维空间解矩阵。将获取的多维空间解矩阵输入到基于改进的蜉蝣优化算法中,可以得到无人机任务规划的最优解nextgeneralN=nextgeneralN+σNN(0,1)。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于改进蜉蝣算法的无人机多任务规划方法,其特征在于,包括:
S1、根据任务信息,获取多任务目标区域和无人机子节点目标,其中,所述多任务目标区域,包括:无人机群执行任务的整体区域,所述无人机子节点目标,包括:单个无人机所执行的区域范围;
S2、对所述多任务目标区域进行分割得到子区域并将分割后的子区域分配至各无人机,其中,一架无人机执行一个子区域的区域任务;
S3、利用各个子区域的区域任务的任务执行信息,建立任务规划模型,其中,所述任务执行信息包括:各个子区域中的无人机执行任务的执行效率、整体能耗和任务收益;
S4、通过蜉蝣优化算法,获取针对无人机的多任务规划的解;
S5、利用所述无人机多任务规划的解对多任务数据进行评估,之后将多任务数据分发给所述无人机群中的无人机;
在S4中,包括:
在最优解空间中,每个无人机的任务解ansl的集合为全局最优任务解ans,其中,每个任务解都相应的表示一个最终的任务位置,无人机在t+1时刻的位置表示为/>在t时刻无人机在任务区域之外的位置为/>速度为 表示初始时刻无人机的位置,U表示无人机的位置的全部集合,posmin和posmax分别表示执行任务的范围区间的最小值和最大值;
在S4中,还包括:
调整无人机的速度的方式为其中,velmax为最大速度值,/>为t+1时刻无人机l在维度j=1,…,n的速度,/>为t时刻无人机l在维度j=1,…,n的速度;
无人机在t+1时刻的速度为其中,/>为t+1时刻无人机l在维度j=1,...,n的速度,/>为t时刻无人机l的位置,att1和att2分别是两种正吸引常数;anslj是无人机l在维度j的当前最优位置解,β是固定的可见度系数,disp是posl与ansl之间的笛卡尔距离,disg是posl与ans之间的笛卡尔距离,ansj是无人机l在维度j的全局最优任务解;
在S4中,通过蜉蝣优化算法,获取无人机多任务规划的最优解,包括:
根据蜉蝣优化算法,确定各个无人机的最优解;
按照适应度值,将各个无人机与子区域之间建立联系,并获取各个无人机的速度,其中,无人机在t+1时刻的速度更新为:
其中,是t时刻无人机l在维度j=1,...,n上的速度,/>是t时刻无人机l在维度j=1,...,n上的位置,β是固定的可见度系数,disp是posl与ansl之间的笛卡尔距离,fl是随机游走系数,且r是[-1,1]范围内的随机值,f表示目标函数;
并进一步得到无人机的最优解的值为nextgeneralN=nextgeneralN+σNN(0,1),其中,σ为正态分布的标准差,NN(0,1)为均值为0方差为1的标准正态分布,nextgeneral为经过迭代后的无人机群的任务规划的最优解。
2.根据权利要求1所述的方法,其特征在于,在无人机群执行任务的整体区域中,包括了:无人机机群所需要执行的所有任务的区域总和,其中,所有任务的区域总和为si表示第i个任务的子区域,i为正整数,S表示全部任务区域,S划分为n个子区域,n为正整数,每个子区域都有各自对应的权值wi,子区域与相应权值的对应关系表示为
所有任务的区域的边界为其中,m表示子区域的边界数量,tixj'表示子区域i的横坐标值,tiyk表示子区域i的纵坐标值,ti表示第i个任务区域的边界,n表示任务区域的边界的总和,1≤j'≤m,1≤k≤m能够遍历所有包含区域。
3.根据权利要求2所述的方法,其特征在于,在S2中,包括:
通过无人机编队系统中的子无人机ul,分别执行从任务区域taskS中划分出的子区域,其中,无人机编队系统l表示为第l架无人机,共有N架无人机;
对于分配到无人机ul的子区域si,则其中,T表示无人机与任务的关联函数。
4.根据权利要求3所述的方法,其特征在于,在S3中,包括:
根据利用各个子区域的区域任务的任务执行信息,确定条件约束,并通过条件约束建立所述任务规划模型;
针对所述无人机群的各个无人机所组成的编队系统,建立任务执行效率函数模型,并通过任务执行效率函数进行执行效率的最优化计算;
针对所述无人机群的各个无人机所组成的编队系统,建立任务耗能模型,其中,所述任务耗能模型与路径、时间相关联。
5.根据权利要求4所述的方法,其特征在于,所述任务执行效率函数模型为Eff=min{effl}(l=1,2,…N),其中,effl表示单个无人机具有的任务效率。
6.根据权利要求4所述的方法,其特征在于,所述任务耗能模型为其中,第l架无人机任务耗能为ef(t)表示单位时间无人机飞往任务区域边界的能耗因子,wi表示任务的权值,es(t)表示单位时间无人机在任务区域执行任务的能耗因子,tl表示任务的执行总时间,ttotal表示任务的执行总时间,/>表示t时刻无人机需要执行的任务区域;/>表示t时刻无人机需要执行的任务区域距无人机初始位置的距离;/>表示t时刻无人机的位置;/>表示t时刻无人机的位置距无人机初始位置的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111464760.4A CN114237284B (zh) | 2021-12-03 | 2021-12-03 | 一种基于改进蜉蝣算法的无人机多任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111464760.4A CN114237284B (zh) | 2021-12-03 | 2021-12-03 | 一种基于改进蜉蝣算法的无人机多任务规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114237284A CN114237284A (zh) | 2022-03-25 |
CN114237284B true CN114237284B (zh) | 2023-10-03 |
Family
ID=80752879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111464760.4A Active CN114237284B (zh) | 2021-12-03 | 2021-12-03 | 一种基于改进蜉蝣算法的无人机多任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114237284B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN108229719A (zh) * | 2017-11-29 | 2018-06-29 | 合肥工业大学 | 无人机编队任务分配与航迹规划的多目标优化方法及装置 |
CN110889625A (zh) * | 2019-11-25 | 2020-03-17 | 航天时代飞鸿技术有限公司 | 一种用于蜂群无人机系统的任务规划方法 |
CN113485451A (zh) * | 2021-08-19 | 2021-10-08 | 金陵科技学院 | 一种基于改进的蜉蝣优化算法的机器人多目标路径规划 |
CN113609805A (zh) * | 2021-07-02 | 2021-11-05 | 宁波大学科学技术学院 | 一种三值fprm电路面积与延时最佳极性搜索方法 |
-
2021
- 2021-12-03 CN CN202111464760.4A patent/CN114237284B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN108229719A (zh) * | 2017-11-29 | 2018-06-29 | 合肥工业大学 | 无人机编队任务分配与航迹规划的多目标优化方法及装置 |
CN110889625A (zh) * | 2019-11-25 | 2020-03-17 | 航天时代飞鸿技术有限公司 | 一种用于蜂群无人机系统的任务规划方法 |
CN113609805A (zh) * | 2021-07-02 | 2021-11-05 | 宁波大学科学技术学院 | 一种三值fprm电路面积与延时最佳极性搜索方法 |
CN113485451A (zh) * | 2021-08-19 | 2021-10-08 | 金陵科技学院 | 一种基于改进的蜉蝣优化算法的机器人多目标路径规划 |
Non-Patent Citations (2)
Title |
---|
The multi-start mayfly optimization algorithm;Juan Zhao 等;2020 7th International Forum on Electrical Engineering and Automation (IFEEA);全文 * |
基于多任务执行的无人机编队路径重构仿真;关启学 等;计算机仿真;第37卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114237284A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Swarm UAVs task and resource dynamic assignment algorithm based on task sequence mechanism | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
CN110554709A (zh) | 一种分布式的仿生的多智能体自主集群控制方法 | |
CN110286694B (zh) | 一种多领导者的无人机编队协同控制方法 | |
CN113312172B (zh) | 基于适变网络的多无人机集群动态任务调度模型 | |
CN114326827B (zh) | 一种无人机集群多任务动态分配方法及系统 | |
Zhang et al. | Dynamic mission planning algorithm for UAV formation in battlefield environment | |
Masadeh et al. | Reinforcement learning-based security/safety uav system for intrusion detection under dynamic and uncertain target movement | |
Hu et al. | Application of distributed auction to multi-UAV task assignment in agriculture | |
CN114281104A (zh) | 一种基于改进蚁群算法的多无人机协同调控方法 | |
Sujit et al. | Multiple UAV coalition formation | |
Geng et al. | Learning to cooperate in decentralized multi-robot exploration of dynamic environments | |
CN114518772B (zh) | 一种拒止环境下无人机蜂群自组织方法 | |
CN115494873A (zh) | 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法 | |
Wu et al. | Heterogeneous mission planning for multiple uav formations via metaheuristic algorithms | |
CN116009569A (zh) | Sead任务场景下一种基于多类型基因染色体遗传算法的异构多无人机任务规划方法 | |
Shen | Bionic communication network and binary pigeon-inspired optimization for multiagent cooperative task allocation | |
CN113985915A (zh) | 一种高阶群系统多领导者分簇编队跟踪控制方法 | |
Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
CN114237284B (zh) | 一种基于改进蜉蝣算法的无人机多任务规划方法 | |
Xie et al. | Mathematical problems in engineering improved CNP‐Method‐Based local real‐time cooperative task allocation of heterogeneous multi‐UAV in communication‐constrained environment | |
CN116088586A (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN113495574B (zh) | 一种无人机群飞行的控制方法、装置 | |
El Amraoui | Metaheuristic moth flame optimization based energy efficient clustering protocol for 6g enabled unmanned aerial vehicle networks | |
Alqahtani et al. | Task allocation in uncertain environments using a quadtree and flow network |
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 |