CN114331056A - 一种基于概率图动态规划的在线协同探测任务规划方法 - Google Patents

Abstract

一种基于概率图动态规划的在线协同探测任务规划方法，第一步，根据态势获取的目标可能部署区域的位置构建搜索概率图；第二步，构建关联矩阵，根据关联矩阵进行聚类融合，将聚类融合后的聚类中心作为初始红外探测器的指向位置，计算红外探测器的覆盖范围，优化分配红外探测器的搜索子区域；第三步，采用周期和反应式混合搜索调度策略，每个固定的周期优化分配红外探测器的指向位置，进行在线协同探测任务规划。本发明解决了现有技术中存在的在线协同搜索与感知决策效率低、泛化性差等问题。

Description

一种基于概率图动态规划的在线协同探测任务规划方法

技术领域

本发明涉及红蓝方对抗推演智能决策领域，特别涉及一种基于概率图动态规划的在线协同探测任务规划方法。

背景技术

对抗性人工智能已经出现，并取得一定成就。早在2011年，IBM的“Waston”在答题节目“危险边缘”中战胜了该节目的答题累积得分最高选手和连胜纪录保持者。核心为IBMDeepQA技术的Waston采用专家系统方式，以大数据的关联分析和统计特征进行推理，它的获胜体现了机器AI对自然语言中复杂问题的理解、推理和解答，其智能化表征使得人工智能面临重大拐点。而在大数据和高性能计算的支持下，深度学习技术的突破为人工智能发展提供了条件。

搜索和发现任务区域内的目标是后续一系列作战活动的基础和前提。随着科学技术的发展，现代化战争的作战环境日益复杂，搜索并及时发现目标也变得越来越困难。且飞行器在执行搜索任务之前，仅知道搜索区域的地理位置信息和边界信息，对其中的目标信息是一无所知的，飞行器是在一个完全未知的复杂的区域执行搜索任务。考虑到单枚飞行器搜索的局限性，有必要展开对多枚飞行器的协同搜索研究。

当前智能决策算法大多采用基于优化和基于先验知识的方法，针对红蓝方推演全流程任务时序中的多目标动态优化问题，存在决策效率低、泛化性差等问题。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提出一种基于概率图动态规划的在线协同探测任务规划方法，解决了多目标探测动态规划任务中存在的覆盖面积缺失、泛化性差、决策效率低的问题。

本发明的技术解决方案是：

基于概率图动态规划的在线协同探测任务规划方法，该方法的步骤包括：

第一步，根据态势获取的目标可能部署区域的位置构建搜索概率图；

第二步，构建关联矩阵，根据关联矩阵进行聚类融合，将聚类融合后的聚类中心作为初始红外探测器的指向位置，计算红外探测器的覆盖范围，优化分配红外探测器的搜索子区域；

第三步，采用在线动态搜索调度策略，每个固定的周期优化分配红外探测器的指向位置，进行在线协同探测任务规划。

所述的第一步中，概率图的构建过程为：

(1.1)通过多个飞行器上被动雷达和红外探测器进行态势获取，将获取的目标信息转换到统一的地心地固坐标系，初步得到目标可能部署区域；

(1.2)假设目标可能部署区域为一平面矩形搜索区域，其中分布着多个目标群，多枚飞行器进入该搜索区域后对目标进行搜索，将该搜索区域划分为m×n 个四边形网格，每个四边形网格作为一个单元，称所有单元的集合E＝{(i,j)|i＝1,2,…,m；j＝1,2,…,n}为搜索环境，(i,j)表示位于第i行，第j列的单元， m为搜索视场最大的行边界，n为搜索视场最大的列边界；

(1.3)为每个单元(i,j)定义P_ij(k)∈[0,1]，P_ij(k)∈[0,1]表示k时刻单元(i,j)中存在目标群的概率，则搜索概率图表示为SPM＝{P_ij(k)|(i,j)∈E}，飞行器在搜索的过程中，根据已探测到的信息实时对搜索概率图进行更新。

所述步骤(1.3)中，对搜索概率图进行更新的方法为：

k时刻单元(i,j)中存在目标群的概率为

式中P_D为红外红外探测器的探测概率，P_F为虚警概率；

若红外探测器没有探测到目标，则根据贝叶斯定理有

由于每个时间步长被飞行器搜索到的单元有限，因此，只对搜索到的单元进行更新，其它未搜索到的单元的目标群存在概率保持不变；

定义一个变量z(i,j,k)，表示单元(i,j)中是否存在目标，即

θ表示目标更新的阈值，到预定时刻，搜索完成后，根据z(i,j,k)计算每个单元格目标存在的概率，更新目标可能部署区域的搜索概率图。

目标和红外探测器同时满足如下两个条件时，红外探测器能够探测到目标：

条件1：目标处于红外探测器探测范围之内，根据红外探测器能力和目标特性,计算出红外探测器的极限作用距离R,只有当目标与红外探测器的距离小于R的时候才被认为目标是能够观测的；

条件2：目标与红外探测器之间不被地球所遮挡，假定地球为一等半径球体, 只要目标位于以红外探测器为顶点,半锥角α的圆锥形区域之内，则视为能够观测的；V为红外探测器视场中心到红外探测器的距离，

所述第二步的实现方式如下：

构造一个拓扑图，其中点表示目标，假设搜索到的目标集合为{t_H,t_G}，

其中，

表示拓扑图中目标t_H和t_G的连通度，0表示不连通，1表示连通；

根据关联矩阵进行聚类融合，将可能的M个目标进行聚类，确定最佳的初始红外探测器的指向位置。

根据关联矩阵进行聚类融合的实现方式如下：

步骤1:依次扫描目标集合中的各个目标，如果目标t_x和t_y的连通度为1，则在当前迭代中，目标t_x所在单元计数加1，目标t_y所在单元计数加1；

步骤2:目标t_x和t_y被划分到同一个簇中，依次检查每个单元的计数，如果有单元的计数值大于预先设定的阀值，就把这些单元对应的目标划分到同一个簇中；

步骤3：重复步骤1-2，直到达到最大迭代次数，完成聚类融合。

所述第三步的实现方式如下：

(3.1)采用在线动态搜索调度策略，对协同探测任务进行分解，得到元任务序列；

(3.2)针对元任务建立调度模型；

(3.3)根据调度模型确定协同探测任务规划方法，在每个固定的周期优化分配红外探测器的指向位置，实现任务规划。

步骤(3.1)中，采用在线动态搜索调度策略，对协同探测任务进行分解，得到元任务序列的步骤如下：

步骤1：计算所有红外探测器与目标之间的可视化时间段；

步骤2：找出所有可视化时间段的开始时刻和结束时刻，同时根据时间把这些时刻按照从小到大的顺序排列，然后从前往后两两时刻之间组成一个时间段，从而将整个任务分解为每个时间段上的元任务，所有时间段构成元任务集；

步骤3：从元任务集对应的时间段中筛选出长度大于D_max的所有时间段，继续对它们进行均匀拆分，保证时间段长度在区间[D_min,D_max]内；D_max为元任务的最长时间段，D_min为元任务的最短时间段；

步骤4：对步骤3得到的时间段进行筛选，将时间段长度小于D_min的元任务从元任务集中删除，得到的新的元任务集即为元任务序列。

步骤(3.2)中，调度模型如下：

1、决策变量

在时间段d_ab内，第a个红外探测器对目标b执行探测的任务为元任务序列的第K个元任务，若b被探测到，则

否则，

2、定义第一目标函数，所述第一目标函数是在时间段d_ab内，使加权探测第 K个元任务的收益

达到最大，即：

其中，

为第a个红外探测器对目标b的探测收益值；

3、定义第二目标函数，所述第二目标函数是在时间段d_ab内，被探测到的目标个数尽可能多，即

表示在时间段d_ab内，第a个红外探测器探测到的目标个数。

所述步骤(3.3)的实现方式如下：

步骤0：按时间先后顺序将元任务序列中的元任务进行排序，并存入等待执行任务链表，将系统时间与第一个元任务的开始时间对准；根据调度模型求解第一个元任务的最优解，令K的初值为1；

步骤1：将第K个元任务转移到正在执行任务链表，根据求得的最优解执行第K个元任务，同时系统时间t_p增加第K个元任务的执行时间；

步骤2：如果t_p＞t_K，则将第K个元任务转移到已经执行任务链表，执行步骤3；否则返回步骤1；

步骤3：判断第K个元任务是否是最后一个元任务，如果是，则清空等待执行任务链表，则规划终止；否则K的值加1，执行步骤4；

步骤4：按时间先后顺序排列元任务，存入等待执行任务链表，根据元任务的调度模型求解第K个元任务的最优解，重复步骤1-3。

与现有技术相比，本发明具有如下有益效果：

本发明是通过构建概率图并对目标进行聚类，显著降低了协同探测时对无效区域搜索的概率，所以解决了多目标探测动态规划任务中存在的覆盖面积缺失、泛化性差、决策效率低的问题。

附图说明

图1为本发明流程图；

图2为本发明红外探测器覆盖范围示意图；

图3为拓扑结构示意图；

图4为任务分解示意图。

具体实施方式

本发明提出一种基于概率图动态规划的在线协同探测任务规划方法，如图1 所示，步骤包括：

第一步，考虑多个飞行器在线探测的时空间误差，统一各类飞行器探测坐标系，将多个飞行器上红外红外探测器和被动雷达的信息转换为统一的地心地固(ECEF)坐标系，实现协同探测信息共享时空一致性。

信息共享时空一致性的过程为：

(1.1)确定红外探测器极坐标系与笛卡尔坐标系的转换关系；

红外探测器对目标的直接量测为极坐标形式(r,θ,η)，其中，r为目标斜距量测，θ为方位角量测，η为俯仰角量测。根据极坐标系与笛卡尔坐标系的关系，可得目标在红外探测器本地直角坐标系下的坐标(x,y,z)为：

其中x，y，z分别为目标在笛卡尔直角坐标系X轴，Y轴，Z轴方向上的坐标。

(1.2)确定笛卡尔坐标系与东北天坐标系(ENU)的转换关系

假设笛卡尔坐标系与东北天坐标系存在姿态角

其中

为偏航角，ψ为纵摇角，η横滚角。则笛卡尔坐标系到东北天坐标系的转换可以描述为绕坐标轴的三次旋转。

假设目标在笛卡尔坐标系中的坐标为(x,y,z)，则其在对应的东北天坐标系下的位置(x_NEU,y_NEU,z_NEU)为：

其中，A_roll(k)，A_pitch(k)，A_head(k)分别为k时刻平台笛卡尔直角坐标系绕X，Y， Z轴的旋转矩阵，具体形式为：

(1.3)确定东北天坐标系与地心地固(ECEF)坐标系的转换关系

假设地理坐标为(L,λ,H)，目标在东北天坐标系的坐标为(x_NEU,y_NEU,z_NEU)，则可以通过旋转和平移将目标在东北天坐标系中的位置转换到ECEF坐标系中：

通过下式计算得到ECEF坐标系中的位置(x_s,y_s,z_s)：

其中，C定义为：

其中，E_q表示地球的赤道半径，e为地球第一偏心率。

将东北天坐标系经过旋转和平移转换到ECEF坐标系，转换公式为：

其中，T为东北天坐标系到ECEF坐标系平行坐标系的旋转矩阵。

(1)环境模型

假设搜索区域为一平面矩形搜索区域，其中分布着M个目标群，N枚飞行器进入任务区域后对目标进行搜索。将该区域其划分为m×n个四边形网格，称所有单元的集合E＝{(i,j)|i＝1,2,…,m；j＝1,2,…,n}为搜索环境，(i,j)表示位于第i行，第j列的单元。

(2)搜索概率图模型

为每个单元(i,j)定义P_ij(k)∈[0,1]，P_ij(k)∈[0,1]表示k时刻单元(i,j)中存在目标群的概率，则搜索概率图可表示为SPM＝{P_ij(k)|(i,j)∈E}。飞行器在搜索的过程中，根据已探测到的信息实时对搜索概率图进行更新。

考虑到红外探测器测量的不确定性，当k时刻飞行器对单元格(i,j)进行搜索时，若红外探测器探测到目标群，则根据贝叶斯定理可知，此时单元格中目标群存在的概率为

式中P_D为红外探测器的探测概率(即目标群存在并且被红外探测器探测到的概率)，P_F为虚警概率(即不存在目标群却被红外探测器探测到的概率)。

若红外探测器没有探测到目标，则根据贝叶斯定理有

由于每个时间步长被飞行器搜索到的单元有限，因此，只对哪些搜索到的单元格进行更新，其它未搜索到的单元的目标群存在概率保持不变。

搜索结束后，定义一个变量z(i,j,k)表示单元中是否存在目标，即

式中θ是预先定义的阀值。

(3)飞行器红外探测器探测模型

考虑红外探测器对目标的探测距离约束，设计最大可能覆盖面积(覆盖能力)，建立红外红外探测器探测模型。

红外探测器在飞行器飞行过程中对目标进行动态搜索，探测能力主要由探测距离和光轴转向范围来衡量。红外探测器只能探测角度范围内的小视场，指向角是小视场光学成像仪器的扫描角。光轴转向范围取决于载荷在其光轴指向控制下将视场指向目标区域时相对飞行器地心轴线可转动的最大角。

在考虑了红外探测器性能和可视条件之后,即能给出红外探测器在哪些时间段内能够探测到给定的目标,判定条件有如下两个:

条件1：目标处于红外探测范围之内。根据红外探测器能力和目标特性,可计算出红外探测器的极限作用距离L,只有当目标与红外探测器的距离小于L的时候才被认为是可观测的。

条件2：目标与红外探测器之间不被地球所遮挡。假定地球为一等半径球体, 只要目标位于红外探测器为顶点,半锥角α的圆锥形区域之外，则视为可观测的 (见图2)。

第三步，实现基于关联矩阵的区域分块覆盖

为了提高多个飞行器协同覆盖能力，提出基于关联图聚类的子区域划分方法，将搜索区域分解为有限个子区域，确定聚类中心点。

构造一个拓扑图，其中点表示目标，假设搜索到的目标集合为{t_H,t_G}；

其中，H＝1，2，……M；G＝1，2，……N；

表示拓扑图中目标t_H和t_G的连通度，0表示不连通，1表示连通。

根据关联矩阵进行聚类融合，将可能的M个目标进行聚类，确定最佳的初始红外探测器的指向位置。

图3中数字代表目标点。两个目标有连接关系，说明连通度为1。

根据关联矩阵进行聚类融合，将可能的多个目标进行聚类，确定最佳的初始探测点。根据关联矩阵进行聚类融合的实现方式如下：

步骤1:依次扫描目标集合中的各个目标，如果目标t_x和t_y的连通度为1，则在当前迭代中，目标t_x所在单元计数加1，目标t_y所在单元计数加1；

步骤2:目标t_x和t_y被划分到同一个簇中，依次检查每个单元的计数，如果有单元的计数值大于预先设定的阀值，就把这些单元对应的目标划分到同一个簇中；

步骤3：重复步骤1-2，直到达到最大迭代次数，完成聚类融合。

上述算法不需要设置任何参数，在聚类融合的过程中可以自动地的选择簇的个数。并且可以处理任意形状的簇。该聚类算法在聚类融合过程中是根据两个数据点共同出现在同一个簇中的可能性大小对它们进行划分的，所以只要两个数据点距离足够近，它们就会被划分到一个簇中。

第四步，进行多飞行器协同感知下的任务规划。

(1)任务分解

执行多目标探测任务时，存在多平台多红外探测器接力跟踪的可能。整个预警过程作为单个任务很难完成有效调度，利用任务分解的方法，对多红外探测器多目标的协同探测任务进行任务分解，把多属性决策的任务决策分解为一个个元任务，得到元任务序列。

进行任务分解时，要满足以下约束条件：

①元任务的时间段长度不能太长，保证任务执行的灵活性，防止某一元任务长期占用关键的红外探测器资源，假设元任务的最长时间短为D_max；

②元任务的时间段长度不能太短，保证在此时间段内至少能完成对目标轨迹的预测，同时避免红外探测器之间频繁的交接，假设元任务的最短时间段为 D_min。

根据以上约束，对多个目标进行任务分解。

任务分解的详细步骤为：

步骤1：计算所有红外探测器与目标之间的可视化时间段；

步骤2：找出所有可视化时间段的开始时刻和结束时刻，同时根据时间把这些时刻按照从小到大的顺序排列，然后从前往后两两时刻之间组成一个时间段，从而将整个任务分解为时间段上的元任务集；

步骤3：根据约束①，从元任务集中筛选出长度大于D_max的所有时间段，继续对它们进行均匀拆分，保证时间段长度在区间[D_min,D_max]内；

步骤4：根据约束②，对步骤3得到时间段进行筛选，将时间段长度小于D_min的元任务从元任务集中删除。

如图4中的灰色部分所示，T1～T2时刻构成一个元任务，T4～T5构成构成一个元任务，T8～T10时刻构成一个元任务等，不同元任务处于不同的时间段。

(2)任务调度模型

协同任务经过任务分解，对整个任务的执行就转化为对每个元任务的执行。在每个元任务对应的时间段内，红外探测器与目标存在着两种关系：目标是否在红外探测器的可视化时间段内；如果目标在红外探测器的可视化时间段内，红外探测器是否执行对目标进行探测。根据上述分析建立了元根据上述分析建立了元任务调度模型。

假设有M个红外探测器，第a个红外探测器的目标容量为B_a，有N个来袭目标，w_b为目标b的威胁度，TY_ab为第a个红外探测器对目标b的探测有益程度， TY_ab＝d_ab/max(d_ab)，其中max(d_ab)为第a个红外探测器对目标b可视化时间段长度的最大值；这里目标威胁度是指根据影响目标威胁程度的主要因素运用威胁评估的方法，对多个目标的威胁进行排序，得到反映目标威胁大小的指标。

1、决策变量

在时间段d_ab内，第a个红外探测器对目标b执行探测的任务为元任务序列的第K个元任务，若b被探测到，则

否则，

2、定义第一目标函数，所述第一目标函数是在时间段d_ab内，使加权探测第 K个元任务的收益

达到最大，即：

其中，

为第a个红外探测器对目标b的探测收益值；

红外探测器a对目标b的探测收益值

其中λ为权重系数，e_k为前k-1个元任务对第k个元任务的探测收益补偿。

3、定义第二目标函数，所述第二目标函数是在时间段d_ab内，被探测到的目标个数尽可能多，即

表示在时间段d_ab内，第a个红外探测器探测到的目标个数。

约束条件

资源约束：第a个红外探测器预留目标容量为

则资源约束满足：

(3)协同探测多任务规划算法

本发明设计了一种基于任务分解的红外探测器协同探测任务规划算法，在满足任务规划高探测效益的基础上，兼顾了任务规划的实时性需求。

步骤0：按时间先后顺序将元任务序列中的元任务进行排序，并存入等待执行任务链表，将系统时间与第一个元任务的开始时间对准；根据调度模型求解第一个元任务的最优解，令K的初值为1；

步骤1：将第K个元任务转移到正在执行任务链表，根据求得的最优解执行第K个元任务，同时系统时间t_p增加第K个元任务的执行时间；

步骤2：如果t_p＞t_K，则将第K个元任务转移到已经执行任务链表，执行步骤3；否则返回步骤1；

步骤3：判断第K个元任务是否是最后一个元任务，如果是，则清空等待执行任务链表，则规划终止；否则K的值加1，执行步骤4；

步骤4：按时间先后顺序排列元任务，存入等待执行任务链表，根据元任务的调度模型求解第K个元任务的最优解，重复步骤1-3。

本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。

Claims (10)

1.基于概率图动态规划的在线协同探测任务规划方法，其特征在于该方法的步骤包括：

第一步，根据态势获取的目标可能部署区域的位置构建搜索概率图；

第二步，构建关联矩阵，根据关联矩阵进行聚类融合，将聚类融合后的聚类中心作为初始红外探测器的指向位置，计算红外探测器的覆盖范围，优化分配红外探测器的搜索子区域；

第三步，采用在线动态搜索调度策略，每个固定的周期优化分配红外探测器的指向位置，进行在线协同探测任务规划。

2.根据权利要求1所述的基于概率图动态规划的在线协同探测任务规划方法，其特征在于：所述的第一步中，概率图的构建过程为：

(1.1)通过多个飞行器上被动雷达和红外探测器进行态势获取，将获取的目标信息转换到统一的地心地固坐标系，初步得到目标可能部署区域；

(1.2)假设目标可能部署区域为一平面矩形搜索区域，其中分布着多个目标群，多枚飞行器进入该搜索区域后对目标进行搜索，将该搜索区域划分为m×n个四边形网格，每个四边形网格作为一个单元，称所有单元的集合E＝{(i,j)|i＝1,2,…,m；j＝1,2,…,n}为搜索环境，(i,j)表示位于第i行，第j列的单元，m为搜索视场最大的行边界，n为搜索视场最大的列边界；

(1.3)为每个单元(i,j)定义P_ij(k)∈[0,1]，P_ij(k)∈[0,1]表示k时刻单元(i,j)中存在目标群的概率，则搜索概率图表示为SPM＝{P_ij(k)|(i,j)∈E}，飞行器在搜索的过程中，根据已探测到的信息实时对搜索概率图进行更新。

3.根据权利要求2所述的基于概率图动态规划的在线协同探测任务规划方法，其特征在于：所述步骤(1.3)中，对搜索概率图进行更新的方法为：

k时刻单元(i,j)中存在目标群的概率为

式中P_D为红外红外探测器的探测概率，P_F为虚警概率；

若红外探测器没有探测到目标，则根据贝叶斯定理有

由于每个时间步长被飞行器搜索到的单元有限，因此，只对搜索到的单元进行更新，其它未搜索到的单元的目标群存在概率保持不变；

定义一个变量z(i,j,k)，表示单元(i,j)中是否存在目标，即

θ表示目标更新的阈值，到预定时刻，搜索完成后，根据z(i,j,k)计算每个单元格目标存在的概率，更新目标可能部署区域的搜索概率图。

4.根据权利要求3所述的基于概率图动态规划的在线协同探测任务规划方法，其特征在于，目标和红外探测器同时满足如下两个条件时，红外探测器能够探测到目标：

条件1：目标处于红外探测器探测范围之内，根据红外探测器能力和目标特性,计算出红外探测器的极限作用距离R,只有当目标与红外探测器的距离小于R的时候才被认为目标是能够观测的；

条件2：目标与红外探测器之间不被地球所遮挡，假定地球为一等半径球体,只要目标位于以红外探测器为顶点,半锥角α的圆锥形区域之内，则视为能够观测的；V为红外探测器视场中心到红外探测器的距离，

5.根据权利要求4所述的基于概率图动态规划的在线协同探测任务规划方法，其特征在于，所述第二步的实现方式如下：

构造一个拓扑图，其中点表示目标，假设搜索到的目标集合为{t_H,t_G}，

其中，

表示拓扑图中目标t_H和t_G的连通度，0表示不连通，1表示连通；

根据关联矩阵进行聚类融合，将可能的M个目标进行聚类，确定最佳的初始红外探测器的指向位置。

6.根据权利要求5所述的基于概率图动态规划的在线协同探测任务规划方法，其特征在于，根据关联矩阵进行聚类融合的实现方式如下：

步骤1:依次扫描目标集合中的各个目标，如果目标t_x和t_y的连通度为1，则在当前迭代中，目标t_x所在单元计数加1，目标t_y所在单元计数加1；

步骤2:目标t_x和t_y被划分到同一个簇中，依次检查每个单元的计数，如果有单元的计数值大于预先设定的阀值，就把这些单元对应的目标划分到同一个簇中；

步骤3：重复步骤1-2，直到达到最大迭代次数，完成聚类融合。

7.根据权利要求1所述的基于概率图动态规划的在线协同探测任务规划方法，其特征在于，所述第三步的实现方式如下：

(3.1)采用在线动态搜索调度策略，对协同探测任务进行分解，得到元任务序列；

(3.2)针对元任务建立调度模型；

(3.3)根据调度模型确定协同探测任务规划方法，在每个固定的周期优化分配红外探测器的指向位置，实现任务规划。

8.根据权利要求1所述的基于概率图动态规划的在线协同探测任务规划方法，其特征在于，步骤(3.1)中，采用在线动态搜索调度策略，对协同探测任务进行分解，得到元任务序列的步骤如下：

步骤1：计算所有红外探测器与目标之间的可视化时间段；

步骤2：找出所有可视化时间段的开始时刻和结束时刻，同时根据时间把这些时刻按照从小到大的顺序排列，然后从前往后两两时刻之间组成一个时间段，从而将整个任务分解为每个时间段上的元任务，所有时间段构成元任务集；

步骤3：从元任务集对应的时间段中筛选出长度大于D_max的所有时间段，继续对它们进行均匀拆分，保证时间段长度在区间[D_min,D_max]内；D_max为元任务的最长时间段，D_min为元任务的最短时间段；

步骤4：对步骤3得到的时间段进行筛选，将时间段长度小于D_min的元任务从元任务集中删除，得到的新的元任务集即为元任务序列。

9.根据权利要求8所述的基于概率图动态规划的在线协同探测任务规划方法，其特征在于，步骤(3.2)中，调度模型如下：

1、决策变量

在时间段d_ab内，第a个红外探测器对目标b执行探测的任务为元任务序列的第K个元任务，若b被探测到，则

否则，

2、定义第一目标函数，所述第一目标函数是在时间段d_ab内，使加权探测第K个元任务的收益

达到最大，即：

其中，

为第a个红外探测器对目标b的探测收益值；

3、定义第二目标函数，所述第二目标函数是在时间段d_ab内，被探测到的目标个数尽可能多，即

表示在时间段d_ab内，第a个红外探测器探测到的目标个数。

10.根据权利要求9所述的基于概率图动态规划的在线协同探测任务规划方法，其特征在于，所述步骤(3.3)的实现方式如下：

步骤0：按时间先后顺序将元任务序列中的元任务进行排序，并存入等待执行任务链表，将系统时间与第一个元任务的开始时间对准；根据调度模型求解第一个元任务的最优解，令K的初值为1；

步骤1：将第K个元任务转移到正在执行任务链表，根据求得的最优解执行第K个元任务，同时系统时间t_p增加第K个元任务的执行时间；

步骤2：如果t_p＞t_K，则将第K个元任务转移到已经执行任务链表，执行步骤3；否则返回步骤1；

步骤3：判断第K个元任务是否是最后一个元任务，如果是，则清空等待执行任务链表，则规划终止；否则K的值加1，执行步骤4；

步骤4：按时间先后顺序排列元任务，存入等待执行任务链表，根据元任务的调度模型求解第K个元任务的最优解，重复步骤1-3。

Images