CN114281104B - 一种基于改进蚁群算法的多无人机协同调控方法 - Google Patents
一种基于改进蚁群算法的多无人机协同调控方法 Download PDFInfo
- Publication number
- CN114281104B CN114281104B CN202111546400.9A CN202111546400A CN114281104B CN 114281104 B CN114281104 B CN 114281104B CN 202111546400 A CN202111546400 A CN 202111546400A CN 114281104 B CN114281104 B CN 114281104B
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned aerial
- aerial vehicle
- collaborative
- ant colony
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 241000257303 Hymenoptera Species 0.000 claims description 17
- 239000003016 pheromone Substances 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012797 qualification Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 11
- 238000005265 energy consumption Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种基于改进蚁群算法的多无人机协同调控方法,包括步骤:接收无人机协同作战任务目标数据,调用无人机平台信息和无人机载荷信息,初步判断无人机是否可以完成任务;对任务目标数据进行协同任务拆分,获得任务数据;根据任务数据构建无人机协同任务规划模型;调用改进蚁群算法求解无人机协同任务规划模型;根据无人机协同任务规划模型输出的任务规划方案根据上级指标要求进行提取,并输出最终协同任务方案。本发明实现在约束条件复杂的多任务环境下,同时对异构的多架或多编队无人机进行系统控制和优化的问题。
Description
技术领域
本发明属于无人机技术领域,特别是涉及一种基于改进蚁群算法的多无人机协同调控方法。
背景技术
多无人机的协同作战属于一个新的研究领域,要应用于实际飞行中,需要解决很多问题,如分布式控制问题、防碰避障问题等。多机协同的难点在于不仅要考虑每架无人机自身的飞行性能、约束限制条件和毁伤概率等问题;还要解决多无人机之间的协同合作和避免冲突等问题,同时,任务与任务之间的前后续关系,任务执行的时间窗约束,都大大增加了求解难度。此外,多无人机任务规划本质上不同于单机在于具有协同、协调能力,规划时需考虑时间上的“协同”、空间上的“协调”,所以规划上的复杂度和计算量都大大增加。最后,战场的不确定性决定了,规划好的任务往往需要根据实际情况动态调整,因此,对算法的求解速度、规划方案的鲁棒性等提出较高的要求。
目前主流的无人机任务规划解决方案主要存在以下三方面的缺点:1.建模方面:为了求解便利,任务规划数学模型约束存在大量简化,例如只考虑无人机飞行续航,不考虑执行任务时的能耗,只考虑单机分配任务,不考虑同一个任务需要多架飞机协同执行的复杂情况。2.求解算法设计上,主要通过基于规则的启发式算法实现,往往采用局部优化的算法,求解的质量不高,算法通常只能搜索到局部最优的解决方案。3.实际应用中,现有的无人机任务规划方案通常只有一种优化目标函数,不能提供更多有效信息,提供辅助决策。
发明内容
为了解决上述问题,本发明提出了一种基于改进蚁群算法的多无人机协同调控方法,以实现在约束条件复杂的多任务环境下,同时对异构的多架或多编队无人机进行系统控制和优化的问题。
为达到上述目的,本发明采用的技术方案是:一种基于改进蚁群算法的多无人机协同调控方法,包括步骤:
S10,接收无人机协同作战任务目标数据,调用无人机平台信息和无人机载荷信息,初步判断无人机是否可以完成任务;
S20,对任务目标数据进行协同任务拆分,获得任务数据;
S30,根据任务数据构建无人机协同任务规划模型;
S40,调用改进蚁群算法求解无人机协同任务规划模型;
S50,根据无人机协同任务规划模型输出的任务规划方案根据上级指标要求进行提取,并输出最终协同任务方案。
进一步的是,在所述步骤S10中,接收无人机协同作战任务目标数据,调用无人机平台资源数据,初步判断无人机是否可以完成任务,包括步骤:
S11,接收解析上级下达的无人机协同作战任务目标数据;
S12,调用无人机平台信息和无人机载荷信息;
S13,判断单个任务目标数据是否超出无人机平台信息和无人机载荷信息的能力约束;是则上报错误信息,再进行下一步;否则直接进行下一步。
进一步的是,所述无人机协同作战任务目标数据包含:执行时间、目标位置、任务类型、任务价值权重、任务与任务之间的前后续关系。
进一步的是,在所述步骤S20中,对任务目标数据进行协同任务拆分,包括步骤:
根据任务目标数据的任务属性拆分协同任务,生成多个独立子任务;
生成每个子任务所需要的无人机平台类型和载荷信息,计算执行任务时无人机的作业范围和关键航迹点信息,以及确定需要多机协同的任务;
建立资质匹配矩阵作为任务数据。
进一步的是,所述任务目标数据的任务属性包括任务规划目标的位置信息,任务时间窗、任务位置、任务类型、任务重要度、目标类型、目标位置和目标信号参数。
进一步的是,在所述步骤S30中,结合生成的任务数据,建立数学模型定量的描述无人机任务规划问题,包括步骤:
调用航迹规划算法利用地理信息数据生成子任务之间的转移时间矩阵;
根据资质匹配矩阵和转移时间矩阵,建立数学模型定量的描述无人机任务规划问题;根据任务目标数据的时限要求,设定改进蚁群算法迭代次数和终止条件。
进一步的是,在所述步骤S30中,无人机协同任务规划模型的目标函数:
其中,Dij表示从任务点i到任务点j的距离;引入决策变量xijk,xijk=1时表示无人机k从i任务点飞到j任务点,否则xijk=0;其中表示从起点出发的无人机总架次,xi0k表示飞行器k是否从i出发到起点0,如果是则xi0k=1,否则xi0k=0;
所述无人机协同任务规划模型的约束条件为:资质约束:即无人机是否有资质执行某个任务;续航约束:无人机执行任务的时间不能超过其最大续航能力;时间窗约束:无人机需要在特定的时间窗内执行某任务;轨迹回路约束:无人机从总部出发,需要回到总部;任务执行效果约束:无人机执行任务时,需要保证任务执行完成度的期望超过规定的阈值,否则会导致任务失败。
进一步的是,在所述步骤S40中,调用改进蚁群算法求解无人机协同任务规划模型包括步骤:
设置参数初始化,初始化蚂蚁位置;
生成随机数判断是否大于精英策略阈值,若是,则计算当前节点到邻近节点的距离,使蚂蚁位置转移到距离最近的节点;若否,则计算路网中的信息素浓度,将蚂蚁按照转移概率移动到下一个顶点,将顶点置于当前解集;
计算各个蚂蚁的目标函数值;记录当前最好解;
更新路网信息素;
对各个路径蚂蚁k在该路径上留下的单位长度轨迹信息素还原,Δτij=0;迭代步数nc=nc+1;
若nc小于预定的迭代次数,或者没有出现退化行为,输出目前的最优解,否则重新返回重新求解。
进一步的是,设置参数初始化,初始化蚂蚁位置,包括步骤:设置迭代步数nc=0;初始化所有路径信息素为0,将K个蚂蚁放置于n个顶点上。
进一步的是,生成随机数判断是否大于精英策略阈值,若是,则计算当前节点到邻近节点的距离,使蚂蚁位置转移到距离最近的节点;若否,则计算路网中的信息素浓度,将蚂蚁按照转移概率移动到下一个顶点,将顶点置于当前解集;包括步骤:
将各个蚂蚁的初始出发点放置于当前解集中;对每个蚂蚁先判断是否按照精英策略直接转移到下一个点,如果不能,则依据转移概率移动到下一个顶点j;将顶点j放置于当前解集;
τij表示路径(i,j)的信息素强度,τij α代表τij的α次幂,ηij β代表ηij的β次幂,∑m∈Nearest(τim α*ηim β)表示节点i所有可达路径上的从节点i到节点m的信息素强度τim的α次幂和从节点i到节点m的能见度的ηim的β次幂的乘积,其中m∈Nearest表示与i点相邻的所有其他点。
采用本技术方案的有益效果:
本发明基于改进蚁群算法的多无人机协同任务规划方法,可以在规定时间内输出符合无人机续航约束,载荷资质约束,任务时间窗约束,且无人机总体飞行时间最短的一整套多无人机任务方案。同时由于算法建模时充分考虑了任务与任务之间的前后续关系,因此可以准确的描述多无人机协同作战的情况。算法引入的精英转移策略,可以大大提高算法的收敛速度,有利于实际作战中快速响应,实时规划,同时算法支持并行计算,在计算资源充足的情况下,有较大概率获得全局最优解,求解质量远高于目前现有的基于局部搜索策略的启发式算法。
本发明在建模上:充分考虑了多任务之间的前后序关系以及时间窗约束,利用以上约束条件,可以实现对多机协同任务的规划求解,考虑了无人机整体能耗约束,更贴近实际情况。
本发明在算法设计上:在传统蚁群优化算法的基础上引入了精英转移策略提高了算法的收敛速度。同时,求解质量可以依据需要,权衡求解时间和求解质量,在求解时间充裕的情况下,可以迭代出最优解方案,在求解时间紧迫的场景中,可以输出较优的可行方案,算法支持并行计算,在硬件资源支持的情况下,可以极大的提高求解速度,搜索到全局最优解。
本发明在实际应用中,可以根据场景不同更换约束以及目标函数,提供更多的决策辅助信息。例如:如果作战时间充裕,则将出动战机架次作为目标函数,输出完成任务所需的最小架次无人机的规划方案,如果无人机数量有限,则将无人机出动数量作为约束条件,输出当前资源条件下完成任务可行的规划方案。
附图说明
图1为本发明的一种基于改进蚁群算法的多无人机协同调控方法流程示意图;
图2为本发明实施例中多无人机协同调控方法的流程示意图;
图3为本发明实施例中无人机协同任务规划模型的原理示意图;
图4为本发明实施例中基于精英转移策略的蚁群优化算法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种基于改进蚁群算法的多无人机协同调控方法,包括步骤:
S10,接收无人机协同作战任务目标数据,调用无人机平台信息和无人机载荷信息,初步判断无人机是否可以完成任务;
S20,对任务目标数据进行协同任务拆分,获得任务数据;
S30,根据任务数据构建无人机协同任务规划模型;
S40,调用改进蚁群算法求解无人机协同任务规划模型;
S50,根据无人机协同任务规划模型输出的任务规划方案根据上级指标要求进行提取,并输出最终协同任务方案。
作为上述实施例的优化方案,如图2和图3所示,在所述步骤S10中,接收无人机协同作战任务目标数据,调用无人机平台资源数据,初步判断无人机是否可以完成任务,包括步骤:
S11,接收解析上级下达的无人机协同作战任务目标数据;所述无人机协同作战任务目标数据包含:执行时间、目标位置、任务类型、任务价值权重、任务与任务之间的前后续关系;
S12,调用无人机平台信息和无人机载荷信息;
S13,判断单个任务目标数据是否超出无人机平台信息和无人机载荷信息的能力约束;是则上报错误信息,再进行下一步;否则直接进行下一步。
作为上述实施例的优化方案,在所述步骤S20中,对任务目标数据进行协同任务拆分,包括步骤:
根据任务目标数据的任务属性拆分协同任务,生成多个独立子任务;所述任务目标数据的任务属性包括任务规划目标的位置信息,任务时间窗、任务位置、任务类型、任务重要度、目标类型、目标位置和目标信号参数;
生成每个子任务所需要的无人机平台类型和载荷信息,计算执行任务时无人机的作业范围和关键航迹点信息,以及确定需要多机协同的任务;
建立资质匹配矩阵作为任务数据。
作为上述实施例的优化方案,如图2和图3所示,在所述步骤S30中,结合生成的任务数据,建立数学模型定量的描述无人机任务规划问题,包括步骤:
调用航迹规划算法利用地理信息数据生成子任务之间的转移时间矩阵;
根据资质匹配矩阵和转移时间矩阵,建立数学模型定量的描述无人机任务规划问题;根据任务目标数据的时限要求,设定改进蚁群算法迭代次数和终止条件。
在所述步骤S30中,结合步骤S20中生成的任务数据,建立数学模型定量的描述无人机任务规划问题。在无人机任务规划算法中,无人机类似于物流配送车辆,需要从基地出发,在规定时间窗口内,执行相应的任务,在满足续航时间和总功耗的前提下,尽可能多的执行任务,最后回到无人机总部。
算法目标函数可以根据任务规划的侧重点,配置不同的优化目标,本专利采用总飞行时长最短的目标,可以有效地减少无效飞行,降低无人机的暴露时间,减小被敌方发现的概率,是实际应用最广的目标函数。
据此,可构建无人机协同任务规划模型:
设有向图G=(V,E)表示任务点构成的网络,V={0,1,..,N}表示任务点集,其中0表示控制车的位置,除0以外的点表示任务点的位置,E={(i,j)|i,j∈V,i≠j}表示各个任务点之间的弧集。
目标函数:
其中,Dij表示从任务点i到任务点j的距离;引入决策变量xijk,xijk=1时表示无人机k从i任务点飞到j任务点,否则xijk=0;其中表示从起点出发的无人机总架次,xi0k表示飞行器k是否从i出发到起点0,如果是则xi0k=1,否则xi0k=0;
所述无人机协同任务规划模型的约束条件为:资质约束:即无人机是否有资质执行某个任务;续航约束:无人机执行任务的时间不能超过其最大续航能力;时间窗约束:无人机需要在特定的时间窗内执行某任务;轨迹回路约束:无人机从总部出发,需要回到总部;任务执行效果约束:无人机执行任务时,需要保证任务执行完成度的期望超过规定的阈值,否则会导致任务失败。
据此,建立11个约束条件:
约束1:
约束2:
约束3:
约束4:
约束5:
约束6:
约束7:
约束8:
约束9:
约束10:
约束11:
K={1,2,...,M}表示无人机集合,Qk表示无人机k的能源容量,di表示任务点i执行任务所需的能耗,ATki表示无人机k到任务点i的抵达时刻,WTki表示无人机k在任务点i的等待时间,si表示在任务点i的工作时长,tij表示从任务点i到任务点j的飞行时长,[eI,li]表示任务点i的时间窗口,其中ei表示任务最早的开始时刻,li表示最晚的开始时刻,Cij表示从任务点i到任务点j的功耗。
约束1-2表示每个任务只做一次;约束3表示无人机从控制车出发,然后回到控制车,其中M表示无人机可出动的最多架次;约束4为功耗约束,无人机飞行耗能加上执行任务耗能必须小于最大能源容量;约束5为次回路消除约束,约束6表示无人机到达任务点时间不允许迟到;约束7表示开始任务时间在时间窗范围内,约束8表示同一无人机执行前序任务和后续任务的时间关系;其中P表示任意大的数;约束9表示控制车的时间参数设置;约束10表示等待时间的定义;约束11为正值约束。
作为上述实施例的优化方案,如图4所示,在所述步骤S40中,本发明在传统的蚁群算法的基础上,引入了精英策略,即算法在每次选取下一个节点时,有一定概率,直接选择当前最短的路径,而不依据信息素计算转移概率。
调用改进蚁群算法求解无人机协同任务规划模型,包括步骤:
设置参数初始化,初始化蚂蚁位置;包括步骤:设置迭代步数nc=0;初始化所有路径信息素为0,将K个蚂蚁放置于n个顶点上;
生成随机数判断是否大于精英策略阈值,若是,则计算当前节点到邻近节点的距离,使蚂蚁位置转移到距离最近的节点;若否,则计算路网中的信息素浓度,将蚂蚁按照转移概率移动到下一个顶点j,将顶点j置于当前解集;
计算各个蚂蚁的目标函数值Zk;记录当前最好解;
更新路网信息素,按照更新方程修改轨迹强度;
对各个路径蚂蚁k在该路径上留下的单位长度轨迹信息素还原,Δτij=0;迭代步数nc=nc+1;
若nc小于预定的迭代次数,或者没有出现退化行为,输出目前的最优解,否则重新返回重新求解。
其中,生成随机数判断是否大于精英策略阈值,若是,则计算当前节点到邻近节点的距离,使蚂蚁位置转移到距离最近的节点;若否,则计算路网中的信息素浓度,将蚂蚁按照转移概率移动到下一个顶点,将顶点置于当前解集;包括步骤:
将各个蚂蚁的初始出发点放置于当前解集中;对每个蚂蚁先判断是否按照精英策略直接转移到下一个点,如果不能,则依据转移概率移动到下一个顶点j;将顶点j放置于当前解集;
τij表示路径(i,j)的信息素强度,τij α代表τij的α次幂,ηij β代表ηij的β次幂,∑m∈Nearest(τim α*ηim β)表示节点i所有可达路径上的从节点i到节点m的信息素强度τim的α次幂和从节点i到节点m的能见度的ηim的β次幂的乘积,其中m∈Nearest表示与i点相邻的所有其他点。
整个算法的时间复杂度为O(nc*n2*m),这个时间复杂度是可以接受的。由于算法对于图的对称性以及目标函数没有特殊的要求,因此可以用于各种非对称的问题和非线性的问题。同时,由于引入精英策略,可以有效提高算法收敛速度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于改进蚁群算法的多无人机协同调控方法,其特征在于,包括步骤:
S10,接收无人机协同作战任务目标数据,调用无人机平台信息和无人机载荷信息,初步判断无人机是否可以完成任务;
S20,对任务目标数据进行协同任务拆分,获得任务数据;
S30,根据任务数据构建无人机协同任务规划模型;
所述无人机协同任务规划模型的目标函数:
其中,Dij表示从任务点i到任务点j的距离;引入决策变量xijk,xijk=1时表示无人机k从i任务点飞到j任务点,否则xijk=0;其中表示从起点出发的无人机总架次,xi0k表示飞行器k是否从i出发到起点0,如果是则xi0k=1,否则xi0k=0;
所述无人机协同任务规划模型的约束条件为:资质约束:即无人机是否有资质执行某个任务;续航约束:无人机执行任务的时间不能超过其最大续航能力;时间窗约束:无人机需要在特定的时间窗内执行某任务;轨迹回路约束:无人机从总部出发,需要回到总部;任务执行效果约束:无人机执行任务时,需要保证任务执行完成度的期望超过规定的阈值,否则会导致任务失败;
S40,调用改进蚁群算法求解无人机协同任务规划模型;
S50,由无人机协同任务规划模型输出任务规划方案,判断任务规划方案是否达到上级指标要求,若是则任务规划方案为最终协同任务方案。
2.根据权利要求1所述的一种基于改进蚁群算法的多无人机协同调控方法,其特征在于,在所述步骤S10中,接收无人机协同作战任务目标数据,调用无人机平台资源数据,初步判断无人机是否可以完成任务,包括步骤:
S11,接收解析上级下达的无人机协同作战任务目标数据;
S12,调用无人机平台信息和无人机载荷信息;
S13,判断单个任务目标数据是否超出无人机平台信息和无人机载荷信息的能力约束;是则上报错误信息,再进行下一步;否则直接进行下一步。
3.根据权利要求2所述的一种基于改进蚁群算法的多无人机协同调控方法,其特征在于,所述无人机协同作战任务目标数据包含:执行时间、目标位置、任务类型、任务价值权重、任务与任务之间的前后续关系。
4.根据权利要求2所述的一种基于改进蚁群算法的多无人机协同调控方法,其特征在于,在所述步骤S20中,对任务目标数据进行协同任务拆分,包括步骤:
根据任务目标数据的任务属性拆分协同任务,生成多个独立子任务;
生成每个子任务所需要的无人机平台类型和载荷信息,计算执行任务时无人机的作业范围和关键航迹点信息,以及确定需要多机协同的任务;
建立资质匹配矩阵作为任务数据。
5.根据权利要求4所述的一种基于改进蚁群算法的多无人机协同调控方法,其特征在于,所述任务目标数据的任务属性包括任务规划目标的位置信息,任务时间窗、任务位置、任务类型、任务重要度、目标类型、目标位置和目标信号参数。
6.根据权利要求4所述的一种基于改进蚁群算法的多无人机协同调控方法,其特征在于,在所述步骤S30中,结合生成的任务数据,建立数学模型定量的描述无人机任务规划问题,包括步骤:
调用航迹规划算法利用地理信息数据生成子任务之间的转移时间矩阵;
根据资质匹配矩阵和转移时间矩阵,建立数学模型定量的描述无人机任务规划问题;根据任务目标数据的时限要求,设定改进蚁群算法迭代次数和终止条件。
7.根据权利要求1所述的一种基于改进蚁群算法的多无人机协同调控方法,其特征在于,在所述步骤S40中,调用改进蚁群算法求解无人机协同任务规划模型包括步骤:
设置参数初始化,初始化蚂蚁位置;
生成随机数判断是否大于精英策略阈值,若是,则计算当前节点到邻近节点的距离,使蚂蚁位置转移到距离最近的节点;若否,则计算路网中的信息素浓度,将蚂蚁按照转移概率移动到下一个顶点,将顶点置于当前解集;
计算各个蚂蚁的目标函数值;记录当前最好解;
更新路网信息素;
对各个路径蚂蚁k在该路径上留下的单位长度轨迹信息素还原,Δτij=0;迭代步数nC=nC+1;
若nc小于预定的迭代次数,或者没有出现退化行为,输出目前的最优解,否则重新返回重新求解。
8.根据权利要求7所述的一种基于改进蚁群算法的多无人机协同调控方法,其特征在于,设置参数初始化,初始化蚂蚁位置,包括步骤:设置迭代步数nc=0;初始化所有路径信息素为0,将K个蚂蚁放置于n个顶点上。
9.根据权利要求7所述的一种基于改进蚁群算法的多无人机协同调控方法,其特征在于,生成随机数判断是否大于精英策略阈值,若是,则计算当前节点到邻近节点的距离,使蚂蚁位置转移到距离最近的节点;若否,则计算路网中的信息素浓度,将蚂蚁按照转移概率移动到下一个顶点,将顶点置于当前解集;包括步骤:
将各个蚂蚁的初始出发点放置于当前解集中;对每个蚂蚁先判断是否按照精英策略直接转移到下一个点,如果不能,则依据转移概率移动到下一个顶点j;将顶点j放置于当前解集;
τij表示路径(i,j)的信息素强度,τij α代表τij的α次幂,ηij β代表ηij的β次幂,∑m∈Nearest(τim α*ηim β)表示节点i所有可达路径上的从节点i到节点m的信息素强度τim的α次幂和从节点i到节点m的能见度的ηim的β次幂的乘积,其中m∈Nearest表示与i点相邻的所有其他点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111546400.9A CN114281104B (zh) | 2021-12-16 | 2021-12-16 | 一种基于改进蚁群算法的多无人机协同调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111546400.9A CN114281104B (zh) | 2021-12-16 | 2021-12-16 | 一种基于改进蚁群算法的多无人机协同调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114281104A CN114281104A (zh) | 2022-04-05 |
CN114281104B true CN114281104B (zh) | 2024-02-20 |
Family
ID=80872670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111546400.9A Active CN114281104B (zh) | 2021-12-16 | 2021-12-16 | 一种基于改进蚁群算法的多无人机协同调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114281104B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114844555B (zh) * | 2022-04-15 | 2023-06-20 | 中国电子科技集团公司第五十四研究所 | 一种面向无人机多任务执行资源受限的协同处理方法 |
CN115016537B (zh) * | 2022-06-20 | 2024-03-29 | 中国人民解放军国防科技大学 | 一种sead场景下异构无人机配置与任务规划联合优化方法 |
CN114879745B (zh) * | 2022-07-12 | 2022-09-16 | 成都戎星科技有限公司 | 基于预规划和禁忌搜索算法的多无人机协同任务规划方法 |
CN115167143A (zh) * | 2022-08-01 | 2022-10-11 | 北京易华录信息技术股份有限公司 | 一种无人机任务匹配方法、装置及电子设备 |
CN115329595B (zh) * | 2022-08-31 | 2023-04-14 | 哈尔滨工业大学 | 一种基于知识与经验的无人机集群任务规划方法及系统 |
CN116860002B (zh) * | 2023-08-01 | 2023-12-22 | 北京航空航天大学 | 基于流网络模型的无人机集群任务资源调度方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111240326A (zh) * | 2020-01-15 | 2020-06-05 | 重庆邮电大学 | 一种基于异构双种群蚁群算法的移动机器人路径规划方法 |
CN112016812A (zh) * | 2020-08-06 | 2020-12-01 | 中南大学 | 多无人机任务调度方法、系统及存储介质 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN112484727A (zh) * | 2020-10-14 | 2021-03-12 | 中国人民解放军国防科技大学 | 一种基于双充电模式的无人机路径规划方法 |
CN112650229A (zh) * | 2020-12-15 | 2021-04-13 | 扬州大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
CN113110595A (zh) * | 2021-05-12 | 2021-07-13 | 中国人民解放军陆军工程大学 | 面向目标核查印证的异构无人机群协同方法 |
-
2021
- 2021-12-16 CN CN202111546400.9A patent/CN114281104B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN111240326A (zh) * | 2020-01-15 | 2020-06-05 | 重庆邮电大学 | 一种基于异构双种群蚁群算法的移动机器人路径规划方法 |
CN112016812A (zh) * | 2020-08-06 | 2020-12-01 | 中南大学 | 多无人机任务调度方法、系统及存储介质 |
CN112484727A (zh) * | 2020-10-14 | 2021-03-12 | 中国人民解放军国防科技大学 | 一种基于双充电模式的无人机路径规划方法 |
CN112650229A (zh) * | 2020-12-15 | 2021-04-13 | 扬州大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
CN113110595A (zh) * | 2021-05-12 | 2021-07-13 | 中国人民解放军陆军工程大学 | 面向目标核查印证的异构无人机群协同方法 |
Non-Patent Citations (1)
Title |
---|
基于改进蚁群算法的无人机协同航迹规划研究;吴蕊;赵敏;李可现;;电光与控制(第11期);12-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN114281104A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114281104B (zh) | 一种基于改进蚁群算法的多无人机协同调控方法 | |
Guo et al. | Cloud resource scheduling with deep reinforcement learning and imitation learning | |
CN116451934B (zh) | 多无人机边缘计算路径优化与依赖任务调度优化方法及系统 | |
CN114879745B (zh) | 基于预规划和禁忌搜索算法的多无人机协同任务规划方法 | |
CN114594794A (zh) | 一种考虑子系统执行能力的多机协同任务规划方法 | |
Wei et al. | Joint UAV trajectory planning, DAG task scheduling, and service function deployment based on DRL in UAV-empowered edge computing | |
CN116185035B (zh) | 基于改进仿生狼群的无人集群动态任务分配方法及系统 | |
CN115494864B (zh) | 基于蚁群算法的异构多无人机任务分配方法 | |
CN116893861A (zh) | 基于空地协同边缘计算的多智能体协作依赖任务卸载方法 | |
Wang et al. | Cooperative multi-task assignment of multiple UAVs with improved genetic algorithm based on beetle antennae search | |
Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
CN112256422B (zh) | 基于q学习的异构平台任务调度方法及系统 | |
Li et al. | Dynamic adaptive workload offloading strategy in mobile edge computing networks | |
Yan et al. | Research on task reassignment method of heterogeneous UAV in dynamic environment | |
CN112698637A (zh) | 一种多任务蜂群的协同资源调度算法 | |
Zhao et al. | Reliable DNN partitioning for UAV swarm | |
Hossain et al. | Edge orchestration based computation peer offloading in MEC-enabled networks: a fuzzy logic approach | |
Gaowei et al. | Using multi-layer coding genetic algorithm to solve time-critical task assignment of heterogeneous UAV teaming | |
Qian et al. | A Reinforcement Learning-based Orchestrator for Edge Computing Resource Allocation in Mobile Augmented Reality Systems | |
Luo et al. | Auction mechanism-based multi-type task planning for heterogeneous UAVs swarm | |
Zhang et al. | Online joint scheduling of delay-sensitive and computation-oriented tasks in edge computing | |
Li et al. | Optimization for energy-aware design of task scheduling in heterogeneous distributed systems: a meta-heuristic based approach | |
CN117553803B (zh) | 一种基于深度强化学习的多无人机智能路径规划方法 | |
CN110162400B (zh) | 复杂网络环境下实现mas系统中智能体合作的方法和系统 | |
Wang et al. | LWSA: A Learning-Based Workflow Scheduling Algorithm for Energy-Efficient UAV Delivery System |
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 |