CN114239275A - 基于适变网络的无人机群多目标优化与多属性决策方法 - Google Patents

Abstract

本发明公开了基于适变网络的无人机群多目标优化与多属性决策方法，涉及无人机作战技术领域，其技术方案要点是：包括以下步骤：1)作战使命输入；2)对作战使命分解；3)将步骤2)中分解的作战使命输入适变网络调度模型中，并利用适变网络调度模型给出调度结果集；4)建立多目标函数模型，并利用多目标函数模型通过方案迭代获取初始的帕累托解集；5)采用帕累托过滤器从初始的帕累托解集中选出代表性最小解集；6)采用皮尔森系数将帕累托最小解集进行比较和排序，得到备选方案的排序，并做出最终决策。该方法能够显著提高救援效率并快速完成赋予无人机机群的作战任务。

Description

基于适变网络的无人机群多目标优化与多属性决策方法

技术领域

本发明涉及无人机作战技术领域，更具体地说，它涉及基于适变网络的无人机群多目标优化与多属性决策方法。

背景技术

传统的无人机集群的救援优化布局大多依赖于指挥控制平台，随着智能化无人化技术的飞速发展，基于适变网络的优势逐渐显现。多目标优化与多属性决策相结合的无人机决策支持方法，能显著提高救援效率并快速完成赋予无人机机群的作战任务。

现有的模型只能为多无人机集群架构设计提供可行方案，具体选择哪一种方案通常是由决策指挥人员决定的，但是在工程实践中，由于执行任务的特殊性，通信条件的不满足导致任务突发性几率增加，不能时时依赖指控平台。因此，亟需开发一种兼顾多目标优化和多属性决策的弹性决策方法。

发明内容

本发明的目的是提供基于适变网络的无人机群多目标优化与多属性决策方法，该方法能够显著提高救援效率并快速完成赋予无人机机群的作战任务。

本发明的上述技术目的是通过以下技术方案得以实现的：基于适变网络的无人机群多目标优化与多属性决策方法，包括以下步骤：

1)作战使命输入；

2)对作战使命分解；

3)将步骤2)中分解的作战使命输入适变网络调度模型中，并利用适变网络调度模型给出调度结果集；

4)建立多目标函数模型，并利用多目标函数模型通过方案迭代获取初始的帕累托解集；

5)采用帕累托过滤器从初始的帕累托解集中选出代表性最小解集；

6)采用皮尔森系数将帕累托最小解集进行比较和排序，得到备选方案的排序，并做出最终决策。

进一步地，所述步骤4)中的多目标函数模型包括通信成本最小化模型、时间最短模型、agent系统干扰模型和作战效能模型；

所述通信成本最小化模型为：

其中A为提供资源的作战成本，B为Multi-Agent写作完成任务的合作成本，F为各个子系统之间的通信成本；

所述时间最短模型为：

使命的完成时间为t＝min(FT)，使命的完成时间跟完成的任务成负相关，且使命的完成时间跟使用无人作战的作战能力成正相关；通过C2组织的协同负载来进行表示，即：

CO(T，CW)＝-1；

其中CW为系统之间的协作负载，CO为时间和协作负载呈负相关；t表示无人作战系统的时间消耗成本最小，单位用秒(s)表示。

所述agent系统干扰模块为：

V_inter＝0；

所述作战效能模块为：

其中perf_en为所选系统e在能力上提供的效能，Perf＝ {perf_en}_jk为效能perf为perf_en的j×k阶矩阵。

进一步地，所述步骤6)中帕累托候选解进行比较和排序的具体步骤为：

A)假设存在n个可选决策x₁，x₂，...，x_n，可以计算m个属性a₁，a₂，...，a_m，第一个决策对应第一个属性记为

可得决策矩阵为

由θ转移矩阵可得矩阵β

B)根据多属性决策方法将不同量纲的属性值计算得到新的属性值；

C)根据目标函数任务需要可分别任意赋予权重值ω，权重值ω由专家给出，记ω＝(ω₁，ω₂，...，ω_n)为每个属性的属性权重，通过

∑ω_j＝1，j∈[1，m]满足权重之和等于1，再利用

i∈[1，n]计算每个决策方案的总体评价值；其中

表示权重的上届值，

表示权重的下界值；

D)计算最大可选评价值D，即：

E)利用皮尔森系数计算最大可选评价值D与决策评价值之间的相关性，同时将大的标准差赋予大的权重值；即：

其中

分别是β_ij，x_ij的标准差，σ_j为方差，j∈[1，m]；

F)利用属性之间的间隔作为约束条件，将数学模型转化为非线性模型，即：

然后利用公式：

i∈[1，n]，计算出智能帕累托集合内备选方案的总体评价值，得到备选方案排序，从而做出最终决策。

进一步地，所述步骤B)中的属性值包括效益型属型值和成本型属性值；

所述效益型属性值为：

所述成本型属性值为：

综上所述，本发明具有以下有益效果：

(1)通过采用适变网络模型生成作战调度方案，可以在当前环境突发变化或无人机自身节点损失导致意外发生时，网络及时重构找出应对措施，并尽可能减少损失；

(2)通过采用帕累托过滤器和皮尔森系数相结合的多属性决策方法，可以在海量的方案中快速筛选出最终的无人机集群调度方案。

附图说明

图1是本发明实施例中的作战想定图；

图2是本发明实施例中使命分解图；

图3是本发明实施例中参考点与帕累托优化比较3D图；

图4是本发明实施例中参考点与帕累托优化比较2D图；

图5是本发明实施例中智能帕累托集合3D图；

图6是本发明实施例中智能帕累托集合2D图；

图7是本发明实施例中各任务执行方案的总体评价值图；

图8是本发明实施例中帕累托最终选择解；

图9是本发明实施例中任务规划结构图。

具体实施方式

以下结合附图1-9对本发明作进一步详细说明。

实施例：基于适变网络的无人机群多目标优化与多属性决策方法，如图1至图9所示，包括以下步骤：

1)作战使命输入；

2)对作战使命分解；

3)将步骤2)中分解的作战使命输入适变网络调度模型中，并利用适变网络调度模型给出调度结果集；

4)建立多目标函数模型，并利用多目标函数模型通过方案迭代获取初始的帕累托解集；

5)采用帕累托过滤器从初始的帕累托解集中选出代表性最小解集；

6)采用皮尔森系数将帕累托最小解集进行比较和排序，得到备选方案的排序，并做出最终决策。

所述步骤4)中的多目标函数模型包括通信成本最小化模型、时间最短模型、agent系统干扰模型和作战效能模型；

所述通信成本最小化模型为：

其中A为提供资源的作战成本，B为Multi-Agent写作完成任务的合作成本，F为各个子系统之间的通信成本；

所述时间最短模型为：

使命的完成时间为t＝min(FT)，使命的完成时间跟完成的任务成负相关，且使命的完成时间跟使用无人作战的作战能力成正相关；通过C2组织的协同负载来进行表示，即：

CO(T，CW)＝-1；

其中CW为系统之间的协作负载，CO为时间和协作负载呈负相关；t表示无人作战系统的时间消耗成本最小，单位用秒(s)表示。

所述agent系统干扰模块为：

V_inter＝0；

所述作战效能模块为：

其中perf_en为所选系统e在能力上提供的效能，Perf＝ {perf_en}_jk为效能perf为perf_en的j×k阶矩阵。

所述步骤6)中帕累托候选解进行比较和排序的具体步骤为：

A)假设存在n个可选决策x₁，x₂，...，x_n，可以计算m个属性a₁，a₂，...，a_m，第一个决策对应第一个属性记为

可得决策矩阵为

由

转移矩阵可得矩阵β

B)根据多属性决策方法将不同量纲的属性值计算得到新的属性值；

C)根据目标函数任务需要可分别任意赋予权重值ω，权重值ω由专家给出，记ω＝(ω₁，ω₂，...，ω_n)为每个属性的属性权重，通过

∑ω_j＝1，j∈[1，m]满足权重之和等于1，再利用

i∈[1，n]计算每个决策方案的总体评价值；其中

表示权重的上届值，

表示权重的下界值；

D)计算最大可选评价值D，即：

E)利用皮尔森系数计算最大可选评价值D与决策评价值之间的相关性，同时将大的标准差赋予大的权重值；即：

其中

分别是β_ij，x_ij的标准差，σ_j为方差，j∈[1，m]；

F)利用属性之间的间隔作为约束条件，将数学模型转化为非线性模型，即：

然后利用公式：

i∈[1，n]，计算出智能帕累托集合内备选方案的总体评价值，得到备选方案排序，从而做出最终决策。

所述步骤B)中的属性值包括效益型属型值和成本型属性值；

所述效益型属性值为：

所述成本型属性值为：

在本实施例中，适变网络模型是运用网络的弹性特征服务于任务网络架构，根据整合当前架构内部网络的节点资源和网络中其他节点的有效资源，来达到失效网络节点的迅速变化的要求，达到适应当前突发环境变化的总要求；

1、首先假设无人机群一切正常无意外发生，按照任务规划提前安排好的执行任务的无人机；协同无人机中，每一个不仅是任务执行者，也是替补者；

2、存在任务管理节点，检测到失效节点出现，自动进行能力簇计算，通过交互通信节点将信息传送给对应的能力簇中；响应节点根据能力评价值决定是否进入替补；

3、能力簇从任务队列中获得需求信息，根据计算剩余能力进入需求判断；

4、网络架构依据协同负载能力决策承担新增任务的节点，并将结果发送给信息传送点；

5、任务网络架构中的无人机根据当前剩余能力计算值，判断是否参与其他任务的替补，直到满足为止或者放弃当前任务的参与；

6、设定能力簇循环，如果当前子任务群中的能力簇均无法满足自适应补救措施；则从上一级能力层中查找是否有可以满足任务需求的能力节点。

以下为本实施例的具体实例：

假设A国家某一城市A1被国家B强迫威胁，经A国高层协商，准备实施武力救援A1城市，并且该城市隶属边境周围地形复杂，主要依靠智能化作战体系；如图1所示，A国派武装力量无人机群执行救援任务，并且A国的一个综合信息化陆军陆战队接受到上级作战指令；由于城市A1中有一片电磁干扰区域，因此在无人机集群执行任务的过程中，无人机集群之间的通信会受到影响，产生较多的通信负载值；作战要求根据目标函数进行设置，细化使命的完成时间不超过50分钟，平均每次使用的无人机数量不超过40架；结合实验设计案例，根据作战力量部署情况，即根据作战对象和作战过程部署无人机机群作战力量；对作战使命进行分解为15个详细的作战任务如图 7所示；之后利用适变网络调度方法生成调度方案，并进行优化；将任务执行的序列输入编码，一共有12612600种可能性，一种可能性代表一种无人机群执行任务的选择方案；利用快速精英非支配排序遗传算法对任务的有限序列进行优化，设置的参数如下：种群大小为 200；迭代次数为50，交叉概率为0.5，变异概率为0.3；从图3和表1可以看出；对于本研究所考虑的所有目标函数，t＝43s的帕累托解均优于参考点；优化后得到的时间消耗值Cost和性能值Perf均低于RB所得到的时间消耗值Cost和性能值Perf；结果有效地说明了该决策支持系统的优越性；即与传统方法相比，该决策支持系统可以显著提高布局性能；

表1目标函数值对比表

首先用智能帕累托滤波器简化了帕累托前沿，智能帕累托集合如图6所示；通过图4、5和图6、7的对比，可以看出智能帕累托滤波方法可以显著降低坑区点密度，从而简化和优化帕累托前沿；需要注意的是，图6近似地概括了图3所示设计空间的整体形状，其帕累托面分布更为稀疏，这意味着所得到的智能帕累托集可以近似地代表帕累托面；智能帕累托集包含18个可行解，表示无人机群有18种可执行的任务方案；在得到包含18个可行解的智能帕累托集后，需要进一步使用多属性决策来得到方案的排序，从而做出最终的决策；为了消除这三个属性的维数，首先应该对原始属性值进行标准化；然后通过求解皮尔森相关系数模型来确定三个属性的权重，利用Matlab软件给出了归一化决策矩阵(表2所示)；假设主观权重区间为ω1∈ [0.15，0.35]，ω2∈[0.2，0.4]，ω3∈[0.1，0.3]；

表2归一化决策矩阵

最优属性权重为ω＝[0.2554，0.254，0.1654]；因此，可通过计算表达式

i∈[1，n]计算出18个决策方案的总体评价值；各任务执行方案的总体评价值如图7和表2所示；因此，第18 个备选方案就是最优执行方案和最终选择；在帕累托前沿中最终选择的解如图8所示。

工作原理：通过采用适变网络模型生成作战调度方案，可以在当前突发环境变化时，及时找出应对措施，并尽可能减少损失；通过采用帕累托过滤器和皮尔森系数相结合的多属性决策方法，可以快速选择最终的无人机集群救援调度方案。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (4)

1.基于适变网络的无人机群多目标优化与多属性决策方法，其特征是：具体包括以下步骤：

1)作战使命输入；

2)对作战使命分解；

3)将步骤2)中分解的作战使命输入适变网络调度模型中，并利用适变网络调度模型给出调度结果集；

4)建立多目标函数模型，并利用多目标函数模型通过方案迭代获取初始的帕累托解集；

5)采用帕累托过滤器从初始的帕累托解集中选出代表性最小解集；

6)采用皮尔森系数将帕累托最小解集进行比较和排序，得到备选方案的排序，并做出最终决策。

2.根据权利要求1所述的基于适变网络的无人机群多目标优化与多属性决策方法，其特征是：所述步骤4)中的多目标函数模型包括通信成本最小化模型、时间最短模型、agent系统干扰模型和作战效能模型；

所述通信成本最小化模型为：

其中A为提供资源的作战成本，B为Multi-Agent写作完成任务的合作成本，F为各个子系统之间的通信成本；

所述时间最短模型为：

使命的完成时间为t＝min(FT)，使命的完成时间跟完成的任务成负相关，且使命的完成时间跟使用无人作战的作战能力成正相关；通过C2组织的协同负载来进行表示，即：

CO(T，CW)＝-1；

其中CW为系统之间的协作负载，CO为时间和协作负载呈负相关；t表示无人作战系统的时间消耗成本最小，单位用秒(s)表示。

所述agent系统干扰模块为：

V_inter＝0；

所述作战效能模块为：

其中perf_en为所选系统e在能力上提供的效能，Perf＝{perf_en}_jk为效能perf为perf_en的j×k阶矩阵。

3.根据权利要求1所述的基于适变网络的无人机群多目标优化与多属性决策方法，其特征是：所述步骤6)中帕累托候选解进行比较和排序的具体步骤为：

A)假设存在n个可选决策x₁，x₂，...，x_n，可以计算m个属性a₁，a₂，...，a_m，第一个决策对应第一个属性记为

可得决策矩阵为

由

转移矩阵可得矩阵β

B)根据多属性决策方法将不同量纲的属性值计算得到新的属性值；

C)根据目标函数任务需要可分别任意赋予权重值ω，权重值ω由专家给出，记ω＝(ω₁，ω₂，...，ω_n)为每个属性的属性权重，通过

∑ω_j＝1，j∈[1，m]满足权重之和等于1，再利用

计算每个决策方案的总体评价值；其中

表示权重的上届值，

表示权重的下界值；

D)计算最大可选评价值D，即：

E)利用皮尔森系数计算最大可选评价值D与决策评价值之间的相关性，同时将大的标准差赋予大的权重值；即：

其中

分别是β_ij，x_ij的标准差，σ_j为方差，j∈[1，m]；

F)利用属性之间的间隔作为约束条件，将数学模型转化为非线性模型，即：

然后利用公式：

计算出智能帕累托集合内备选方案的总体评价值，得到备选方案排序，从而做出最终决策。

4.根据权利要求3所述的基于适变网络的无人机群多目标优化与多属性决策方法，其特征是：所述步骤B)中的属性值包括效益型属型值和成本型属性值；

所述效益型属性值为：

所述成本型属性值为：

Images