CN114417735B - 一种跨区域联合作战中的多无人机协同任务规划方法 - Google Patents
一种跨区域联合作战中的多无人机协同任务规划方法 Download PDFInfo
- Publication number
- CN114417735B CN114417735B CN202210226012.0A CN202210226012A CN114417735B CN 114417735 B CN114417735 B CN 114417735B CN 202210226012 A CN202210226012 A CN 202210226012A CN 114417735 B CN114417735 B CN 114417735B
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned aerial
- aerial vehicle
- attack
- chromosome
- 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 41
- 210000000349 chromosome Anatomy 0.000 claims abstract description 100
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 29
- 238000011835 investigation Methods 0.000 claims description 19
- 108090000623 proteins and genes Proteins 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 2
- 101150036841 minJ gene Proteins 0.000 claims description 2
- 238000004043 dyeing Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种跨区域联合作战中的多无人机协同任务规划方法,首先,建立组合优化模型。其次,整合输入信息等,构造资源约束集。第三,以任务分配无人机,通过资源约束集限制产生未排序染色体,排序得到初始化染色体,得到初始化改进遗传算法的种群。第四,根据死锁特性设置逻辑解锁方式解决时序约束。第五,依适应度轮盘赌选择亲本,确定交叉起点,选择合适的单点交叉策略进行染色体交叉。第六,实现自适应目标攻击次数以及避免陷入局部最优。最后,重复步骤4‑6直到满足最大迭代次数,得到任务规划方案。本发明能够达到更小任务执行时间,更大获得价值期望的目标;有较强的可行性和可操作性,可用于解决跨区域联合作战无人任务分配等相关任务分配的实际应用。
Description
技术领域
本发明属于无人装备运用领域,涉及一种跨区域联合作战中的多无人机协同任务规划方法。
背景技术
无人机任务分配问题是一个整数规划问题,由于其具有规模大,约束复杂的特点,常常使用启发式算法(如进化算法、群智能算法等)代替传统算法进行解决。常见的问题背景通常是单机场的,但随着作战任务在空间和时间上变得越来越复杂,跨区域联合作战正在成为现代空战的演化的趋势。如何在作战前合理的对每架无人机分配资源和任务以形成高质量的任务分配方案,是提高无人机集群作战效能的核心问题。在跨区域联合作战任务分配问题中,不再是无人机-目标的直接关系,而是更为复杂的机场-无人机-目标关系。再新问题结构的牵引下,不仅要建立能够准确描述问题属性的数学模型,还需要发展相应的可靠求解技术。为此,本发明从模型与求解方法两方面出发,解决跨区域联合作战中的协同多无人机任务分配问题。
发明内容
为了解决上述技术问题,本发明在多机场跨区域作战的背景下,先构建了此背景下的整数规划模型,然后提出了一种基于改进遗传算法求解此整数规划模型。本发明的跨区域作战是指无人机起降位置是可能是多种类型的,例如海上舰船,陆地机场或者空中大型运输机,即本问题中的机场分散在不同区域且有多个的,如图2所示。此外,目标数量有多个且每个目标需要执行的任务也不是单一的,而是包含战前侦查(C类型),攻击(A类型),多次攻击(每一次都是A类型),以及战后评估(V类型)的任务体系。针对此任务体系,要求无人机(Unmanned Aerial Vehicle,UAV)也要具有对应的执行能力,所以本方法的无人机同样是具有不同能力的异构无人机,如只具有侦查能力(执行C,V任务)的侦查无人机(S),只具有攻击能力的(执行A任务)轰炸无人机(M)以及既可以执行侦查任务也可以执行攻击任务的战斗无人机(C)。本方法还考虑了目标具有不同价值和执行攻击任务成功率(本方法执行侦查和评估任务的成功率是100%)的因素,在上述背景下构造了包含价值期望和方案执行时间的目标函数以及跨区域作战会涉及到的各种约束组成了描述该问题的整数规划模型,在构建的整数规划模型的基础上提出一种改进的遗传算法来求解此问题,注意本发明考虑的任务分配环境是二维的,且假设无人机处于不同高度飞行,轨迹有重合时也不会发生碰撞。
为了达到上述目的,本发明采用的技术方案为:
一种跨区域联合作战中的多无人机协同任务规划方法,该规划方法首先,分析问题特性,明确优化变量、目标函数、约束条件,建立组合优化模型。其次,整合输入信息,梳理机场资源和停靠的无人机的能力,以构造资源约束集。第三,以任务分配无人机,通过资源约束集限制产生未排序染色体,排序得到初始化染色体,进而得到初始化改进遗传算法的种群。第四,根据死锁特性设置逻辑解锁方式解决时序约束,所有方案变为可行方案计算初始适应度。第五,根据适应度轮盘赌选择亲本,确定交叉的起点,根据染色体对应的资源约束集和交叉点任务类型,选择合适的单点交叉策略进行染色体交叉。第六,通过增加高价值目标攻击次数及其他微改染色体的变异方式,实现自适应目标攻击次数以及避免陷入局部最优。最后,重复交叉与变异操作,直到满足最大迭代次数,筛选出最优解采用图表方式呈现任务规划方案。具体步骤如下:
步骤1:分析问题特性,明确优化变量、目标函数、约束条件,建立组合优化模型。
步骤1-1:将跨区域联合作战环境抽象为网络。网络是任务规划问题建模的基础,将机场(NP表示机场的总数)以及目标(NT表示目标的总数)的位置点定义为网路的节点,用V表示节点集合,则E={(Vi,Vj)|Vi,Vj∈V,i,j=0,1,…,NV,i≠j}表示网络边的集合,它们共同构成网络CG={V,E}。此外,本方法中无人机(NU表示目标的总数)从一个节点出发到另一个节点使用的距离是Dubins路径,它是两有向点间最短的曲线路径,所以每个节点还需要拥有方向,为了方便起见,将360度等分36份,每1份代表10度,设每个节点Vi的角度集合为
步骤1-2:通过有向点Dubins路径建立方案执行时间评价函数(1),通过目标价值和攻击任务成功率建立获得价值期望评价函数(2),
其中,u∈U是决策变量,如果无人机Uu从到执行k类型任务,那么否则,而是无人机Uu从到的Dubins路径距离。Velocityu代表无人机Uu的平均速度,表示目标Tj的价值,PSu,j表示无人机Uu对目标Tj执行攻击任务的成功概率。
将两个评价函数无量纲化后再加权求和便得到适应度函数(3)。
minJ=α·J1/standard1+β·J2/standard2. (3)
其中,α,β是权重系数且α+β=1,standard1,standard2分别表示J1和J2无量纲化的标准值,它们的初始值是随机生成的种群第一代中的最优值,此后每迭代一定的次数更新一次,更新频率记为updaterate。
步骤1-3:多机协同约束:无人机需要协同执行所有的任务,即每项任务都会被分配给一个无人机来执行(4)。
步骤1-4:弹药负载约束:无人机携带的弹药数量有限,因此无人机的攻击任务数量不能超过其弹药载量。
步骤1-5:时序约束:每个目标包含三种类型的任务(侦察,攻击,评估)。对于同一目标的这三类任务必须按顺序完成。
当对同一目标的攻击任务是多次的时候,只要求所有攻击任务都需要在侦察任务之后,评估任务在所有攻击任务之后即可。
步骤1-6:出动回收约束:在多机场问题中,任何一个无人机从任何一个机场起飞最终都需要返回任何一个机场。
步骤1-7:机场弹药约束:在多机场问题中,每个机场的无人机执行攻击任务数量不能超过该机场的弹药总数。
上述步骤便构建了跨区域联合作战中的协同多无人机任务分配的整数规划模型。
步骤2:整合输入的机场,无人机和目标信息,通过机场资源和停靠的无人机的能力构造资源约束集,提取目标信息用于后续任务规划决策。
步骤2-1:根据机场信息,确定机场的位置,拥有的弹药数量以及停靠在机场的无人机的能力和编号。并建立显示机场能力的资源约束集(此集合包含各个机场可以执行攻击任务的无人机编号集合,可以执行侦查任务的无人机编号集合,机场的弹药数量以及机场无人机的停靠顺序)用于染色体编码以及交叉变异过程。
步骤2-2:根据无人机信息,确定不同编号无人机的类型、平均速度、弹药负载量、最小转向半径,对不同目标攻击的成功率。无人机类型和弹药负载参与资源约束集的构造,平均速度将在计算适应度时带入式(1),最小转向半径用于dubins距离的计算,暗含于式(1)中,对不同目标攻击的成功率将用于式(2)中PSu,j的计算。
步骤2-3:根据目标信息,确定目标的位置,价值和任务需求。目标所有信息都用于后续任务规划,具体的:目标的位置将用于式(1)飞行时间的计算中,目标的价值将用于式(2)或得价值期望的计算中,最后的任务需求将用于多机协同约束中。
步骤3:以任务分配无人机,通过资源约束集限制产生未排序染色体,排序得到初始化染色体,进而得到初始化改进遗传算法的种群。
步骤3-1:编码染色体片段,本方法将遗传算法的染色体片段设计如图3所示,它是一个无人机的任务方案,染色体片段的初始编码,我们采用以任务分配无人机的方法,对每一个目标的每一个任务从资源约束集中选择有能力执行该任务的无人机。对于一个待执行的任务k,根据任务类型,从资源约束集中寻找有能力执行此任务的机场,在所有有能力执行此任务的机场中随机选择一个执行任务k的机场;然后,此机场中选择选择一个可以执行任务k的无人机,这便是对于任务k分配执行无人机的过程,如图4。上述过程也完成了图3染色体片段1-3行的编码,而机场初始的信息(8,9行)是确定的,回归机场(7行)随机给定,剩余的航向角信息(4-6行)同样随机给定。将所有待执行的任务分配完毕便得到一个未排序的初始染色体。
步骤3-2:将未排序的初始染色体按无人机编号(第3行)进行排序,便得到如图5形式的染色体。它是由多个形图3染色体片段构成的。此外,通过这种方法产生的染色体天然满足任务需求约束(以任务分配无人机,保证了所有任务都被执行),弹药负载约束,机场弹药约束(通过资源约束集寻找无人机,分配结果必然满足资源约束调节),出动回收约束(随机分配回归机场,确保无人机回归)。
步骤3-3:用步骤3-1和步骤3-2的方法产生所要求数量的种群。
步骤4:根据死锁特性设置逻辑解锁方式解决时序约束,所有方案变为可行方案计算初始适应度。
步骤4-1:在方案执行的过程中,为了满足时序约束,是允许一些无人机进行等待的(延长航线或在目标点附近按照圆形路径飞行),但是如果无论无人机如何等待都无法满足时序约束(往往会设置个等待时间的阈值,等待达到阈值则认为无法满足时序约束),此时称染色体死锁。针对染色体的死锁现象,就需要进行解锁,解锁的本质就是交换一些任务的执行顺序,传统的解锁方式是随机交换两个任务的顺序。这种方法简单,但是也存在着相当大的弊端,就是随机性带来的不确定性,尤其是当问题规模较大时候,这种解锁方式面对庞大的可能性需要付出巨大的计算量才能实现解锁。所以本方法设计了更为精确高效的逻辑解锁方式。具体如下:
所述的逻辑解锁的主要思想是通过设置一个拟已执行任务集,得到一个染色体后,判断无人机1是否能执行第一个任务(侦查任务都可以执行),如果可以执行则将任务置于拟已执行任务集中,然后判断能否执行第二个任务,攻击评估任务需要判断,前置任务即侦查攻击任务是否在拟已执行任务集中,如果在则可以执行;直到无人机1无法执行任务,在由无人机2做同样的判断,由无人机1直到无人机n是一个1-n循环。1-n循环两次后,找到还有任务且无法执行的无人机,将卡死的任务与现在可以执行的任务互换,达到解锁的目的。每次任务之后再进行1-n循环,1-n循环之后再将死锁任务换出。直到所有任务均已完成,则解锁完毕。
步骤4-2:采用逻辑解锁方式,将所有染色体转化为可行染色体,然后计算初始种群适应度。
步骤5:根据适应度轮盘赌选择亲本,确定交叉的起点,根据染色体对应的资源约束集和交叉点任务类型,选择合适的单点交叉策略进行染色体交叉。
步骤5-1:给定交叉发生的概率,达到概率则进行如下步骤的交叉过程。交叉过程中涉及到的符号见表1说明。
表1交叉变异算法中的符号说明
步骤5-2:通过轮盘赌根据适应度选择两个亲本染色体。
步骤5-3:随机选择染色体1的某一点,作为交叉起点,进行单点交叉。
步骤5-4:根据判断交叉点的基因类型选择不同单点交叉策略,如果是侦查基因(侦查,评估任务),首先判断dA1/{U0}∩de2(染色体1资源约束集中可侦察无人机集合除去交叉的无人机U0后与染色体2中执行侦察任务的无人机集合相交)是否为空集:如果则跳过改点的单点交叉,对后面基因的进行操作。否则在的情况下再判断第二个染色体是否满足完成交换的资源约束:如果第二个染色体满足交换后的资源约束,则随机从de2中选择一个满足约束的无人机与染色体1中的U0进行交换。如果第二个染色体不满足约束,则从资源约束集中选择一个无人机换入染色体2中,侦查基因单点交叉过程如图6所示。
如果是攻击基因,因为需要涉及到弹药数量则更为复杂。首先,需要判断aA1和aA2至少一个为空还是都不空:如果aA1和aA2都不空,则攻击基因的交叉方式和侦查基因的交叉方式是一致的。如果aA1和aA2至少一个为空,则使得aA1总是空的(让可攻击无人机集合空的那个染色体为染色体1,即只出现aA1空,aA2不空;或aA1空,aA2空的情况)。然后生成表1中7~12行的集合,并判断:如果CB2空,则跳过该点的单点交叉,否则则有四种交叉的情况:1、CI1不空CI2不空,两个染色都可以通过与自身某一片段交换信息实现交叉。2、CI1不空CI2空,染色体1中的可以互换,染色体2中需要增加或者减少侦查,评估任务。3、CI1空CI2不空,染色体2中的可以互换,染色体1中需要增加或者减少侦查,评估任务。4、CI1空CI2空,染色体1和2都无法在自身中进行交换,二者都需要改变侦查和评估任务。图7详述了攻击基因单点交叉的过程。
步骤5-5:将交叉得到的亲本按照无人机编号重新排序。至此上述步骤完成交换两个染色体的任务与无人机对应关系,下面的步骤将交换这两个染色体的初始和最终航向角。
步骤5-6:交换上述步骤得到两个亲本的初始和最终航向角:首先,统计两个亲本的初始(最终)航向角集合Hn1和Hn2。其次,生成1~min{|Hn1|,|Hn2|}的随机数R。最后,将两个染色体前R个初始航向角和最终航向角进行交换。
步骤6:通过增加高价值目标攻击次数及其他微改染色体的变异方式,实现自适应目标攻击次数以及避免陷入局部最优。
步骤6-1:在给定概率下,首先通过轮盘赌根据目标价值选择一个目标增加攻击次数。然后判断增加对该目标攻击后,是否满足同一目标一架无人机只能攻击一次,如果不满足则重新选择增加攻击次数的目标,如果满足再判断资源约束是否满足。满足资源约束则选择合适无人机执行攻击任务;如果不满足资源约束则根据目标价值的倒数轮盘赌选择一个目标减少攻击任务,然后再将此资源分配给新增加的攻击任务。如果减少上述轮盘赌选出目标的攻击次数不能满足约束,则重新通过轮盘赌选择减少攻击任务的目标。变异的所有操作流程如图8所示。
步骤6-2:在给定概率下,随机改变某一无人机的两个任务执行顺序。
步骤6-3:在给定概率下,随机改变一个基因的接近角。
步骤6-3:在给定概率下,随机改变一个无人机的初始航向角和最终航向角。
步骤7:重复步骤4-步骤6直到最大迭代次数,采用图表方式呈现任务规划方案。得到的任务分配方案,在实战中就可通过任务分配方案指定高效的作战计划。
本发明的有益效果为:
本发明的相对于现有技术,考虑了跨区域联合作战中的多机场以及各机场有弹药限制的情况,通过出动回收约束保证了出动任务的无人机可以在任意机场停靠,以及通过资源约束集建立起无人机-机场-任务的连接,保证了算法执行过程中对于相关信息的检索。此外,加入目标价值属性,通过变异操作,可以让算法在给定的资源限制下,自适应的对目标选择攻击次数,进而达到更小任务执行时间,更大获得价值期望的目标。本发明方法有较强的可行性和可操作性,可用于解决跨区域联合作战无人任务分配等相关任务分配的实际应用。
附图说明
图1为本发明步骤流程图。
图2为本发明背景描述的跨区域联合作战的任务分配实例图。
图3为本发明染色体片段设计图。
图4为本发明染色体片段初始化过程示意图。
图5为本发明染色体示意图。
图6为本发明攻击基因的单点交叉说明图。
图7为本发明侦查基因的单点交叉说明图。
图8为本发明变异算法中,增加某一目标被攻击次数的流程说明图。
图9为本发明实施例中的结果航迹图。
具体实施方式
以下结合具体实施例对本发明做进一步说明。
表2无人机信息
表2是无人机的信息,其中第二列表示无人机的类型,S是侦查无人机,可以执行侦查和评估任务,M是载弹无人机,可以执行攻击任务。C是战斗无人机可以执行侦查,攻击和评估任务。
表3机场信息
表4目标信息
为了方便起见,用表2的ω1和表4中的ω2相乘代替无人机对目标攻击任务的成功率,即Su,j=ωu1×ωj2。此外,表4中第三列,C表示侦查任务,A表示攻击任务,V表示评估任务。{C,A,V}表示侦查,攻击,评估任务都需要执行。除了上述环境参数,算法的一些参数也需要给出,如表5所示。
表5算法参数值
一种跨区域联合作战中的多无人机协同任务规划方法,包括以下步骤:
步骤1:根据机场,无人机,目标信息和算法参数构建如下整数规划模型:
min J=0.2·J1/standard1+0.8·J2/standard2
步骤2:整合输入信息,通过机场资源和停靠的无人机的能力构造资源约束集。
表6资源约束集
表6第5行的无人机停靠信息,第一个编号是无人机的实际编号,第二个编号是其在机场中的编号用于算法的检索。
步骤3:通过以任务分配无人机的方法以及表6资源约束集的限制产生未排序染色体,排序之后得到初始化染色体。使用上述生成初始化染色体的方法产生100个染色体。
步骤4:将生成的100个染色体通过逻辑解锁方式都变为可行方案,并且计算这100个染色体的适应度,得到对应的100个适应度值。
步骤5:保留2个适应度最高的染色体,然后通过轮盘赌根据适应度值选出33对亲本染色体进行交叉操作。
步骤6:从种群中随机选取32个染色体进行变异操作。步骤5,6得到的100个染色体便是种群的下一代,用它们代替现有的种群。
步骤7:循环步骤4-步骤6,50次,耗时31.14s后最终我们得到的最优方案如表7所示:
表7任务分配方案
方案执行时间:88.62s
总任务数:24
其中无人机1先执行目标1的评估任务,然后依次执行目标3的侦查任务,目标4的评估任务,目标3的评估任务,目标6的侦查任务,最后执行目标6的评估任务。无人机2先执行目标1的攻击任务,然后依次执行目标5的攻击任务,目标7的攻击任务,目标3的攻击任务,最后执行目标2的攻击任务。无人机3先执行目标5的侦查任务,然后依次执行目标5的攻击任务,目标4的侦查任务,目标2的侦查任务,目标2的攻击任务,最后执行目标2的评估任务。无人机4先执行目标1的侦查任务,然后依次执行目标5的评估任务,目标7的侦查任务,最后执行目标7的评估任务。无人机5先执行目标4的攻击任务,然后执行目标3的攻击任务,最后执行目标6的攻击任务。图9所示的是此方案的航迹图,其中Target代表目标,Airport代表机场。
本发明涉及跨区域联合作战中的协同多无人机任务分配问题。我们为任务分配问题构建了一个模型,其中考虑了最小化方案执行时间和最大化获得价值的期望两个目标。除了常规约束外,基于多机场的思想,还考虑了无人机回收约束和多机场弹药约束。为了解决这个问题,开发了一种具有新颖编码格式和独特遗传算子的改进遗传算法。所设计的交叉算子考虑到了此问题中所有的可能性,例如弹药充足,弹药匮乏的多种情况以及不同维度染色体的交叉,本方法的交叉操作针对每一种状况都给出一种单点交叉方式。此外,改变染色体大小的变异方法,使算法根据目标价值自适应地选择对目标的攻击次数。所设计基于逻辑的解锁机制相较于传统解锁方式大大提高了计算效率,保证了算法求解跨区域联合作战多无人机任务分配问题的速度。
以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (1)
1.一种跨区域联合作战中的多无人机协同任务规划方法,其特征在于,包括以下步骤:
步骤1:分析问题特性,明确优化变量、目标函数、约束条件,建立组合优化模型;
步骤1-1:将跨区域联合作战环境抽象为网络;将机场及目标的位置点定义为网路的节点,其中NP表示机场的总数,NT表示目标的总数;用V表示节点集合,则E={(Vi,Vj)|Vi,Vj∈V,i,j=0,1,…,NV,i≠j}表示网络边的集合,它们共同构成网络CG={V,E};此外,无人机从一个节点出发到另一个节点使用的距离是Dubins路径,每个节点需要拥有方向,将360度等分36份,设每个节点Vi的角度集合为
步骤1-2:通过有向点Dubins路径建立方案执行时间评价函数(1),通过目标价值和攻击任务成功率建立获得价值期望评价函数(2),
其中,是决策变量,如果无人机Uu从到执行k类型任务,那么否则,而是无人机Uu从到的Dubins路径距离;Velocityu代表无人机Uu的平均速度,表示目标Tj的价值,PSu,j表示无人机Uu对目标Tj执行攻击任务的成功概率;
将两个评价函数无量纲化后再加权求和便得到适应度函数(3);
minJ=α·J1/standard1+β·J2/standard2. (3)
其中,α,β是权重系数且α+β=1,standard1,standard2分别表示J1和J2无量纲化的标准值,它们的初始值是随机生成的种群第一代中的最优值,此后每迭代一定的次数更新一次,更新频率记为updaterate;
步骤1-3:多机协同约束:无人机需要协同执行所有的任务,即每项任务都会被分配给一个无人机来执行(4);
步骤1-4:弹药负载约束:无人机的攻击任务数量不能超过其弹药载量;
步骤1-5:时序约束:每个目标包含三种类型的任务,按先后顺序依次为侦察、攻击、评估;对于同一目标的这三类任务必须按顺序完成,即:
当对同一目标的攻击任务是多次的时候,只要求所有攻击任务都需要在侦察任务之后,评估任务在所有攻击任务之后即可;
步骤1-6:出动回收约束:在多机场问题中,任何一个无人机从任何一个机场起飞最终都需要返回任何一个机场;
步骤1-7:机场弹药约束:在多机场问题中,每个机场的无人机执行攻击任务数量不能超过该机场的弹药总数;
上述步骤构建完成跨区域联合作战中的协同多无人机任务分配的整数规划模型;
步骤2:整合输入的机场,无人机和目标信息,通过机场资源和停靠的无人机的能力构造资源约束集,提取目标信息用于后续任务规划决策;
步骤2-1:根据机场信息,确定机场的位置,拥有的弹药数量以及停靠在机场的无人机的能力和编号;并建立显示机场能力的资源约束集,用于染色体编码以及交叉变异过程;
步骤2-2:根据无人机信息,确定不同编号无人机的类型、平均速度、弹药负载量、最小转向半径,对不同目标攻击的成功率;
步骤2-3:根据目标信息,确定目标的位置,价值和任务需求;
步骤3:以任务分配无人机,通过资源约束集限制产生未排序染色体,排序得到初始化染色体,进而得到初始化改进遗传算法的种群;
步骤3-1:编码染色体片段
染色体片段的初始编码,采用以任务分配无人机的方法,对每一个目标的每一个任务从资源约束集中选择有能力执行该任务的无人机;对于一个待执行的任务k,根据任务类型,从资源约束集中寻找有能力执行此任务的机场,在所有有能力执行此任务的机场中随机选择一个执行任务k的机场;然后,此机场中选择选择一个可以执行任务k的无人机,这便是对于任务k分配执行无人机的过程;将所有待执行的任务分配完毕便得到一个未排序的初始染色体;
步骤3-2:将未排序的初始染色体按无人机编号进行排序;
步骤3-3:用步骤3-1和步骤3-2的方法产生所要求数量的种群;
步骤4:根据死锁特性设置逻辑解锁方式解决时序约束,所有方案变为可行方案计算初始适应度;
步骤4-1:在方案执行过程中,为了满足时序约束,是允许一些无人机进行等待的,但是如果无论无人机如何等待都无法满足时序约束,此时称染色体死锁;针对染色体的死锁现象,采用的逻辑解锁方式如下:
所述的逻辑解锁的主要思想是通过设置一个拟已执行任务集,得到一个染色体后,判断无人机1是否能执行第一个任务,如果可以执行则将任务置于拟已执行任务集中,然后判断能否执行第二个任务,攻击评估任务需要判断,前置任务即侦查攻击任务是否在拟已执行任务集中,如果在则可以执行;直到无人机1无法执行任务,在由无人机2做同样的判断,由无人机1直到无人机n是一个1-n循环;1-n循环两次后,找到还有任务且无法执行的无人机,将卡死的任务与现在可以执行的任务互换,达到解锁的目的;每次任务之后再进行1-n循环,1-n循环之后再将死锁任务换出;直到所有任务均已完成,则解锁完毕;
步骤4-2:采用逻辑解锁方式,将所有染色体转化为可行染色体后,计算初始种群适应度;
步骤5:根据适应度轮盘赌选择亲本,确定交叉的起点,根据染色体对应的资源约束集和交叉点任务类型,选择合适的单点交叉策略进行染色体交叉;
步骤5-1:给定交叉发生的概率,达到概率则进行如下步骤的交叉过程;交叉过程中涉及到的符号如下:aAi的含义为亲本i的可攻击无人机集合;dAi的含义为亲本i的可侦查无人机集合;ati的含义为亲本i中执行攻击任务无人机集合;dei的含义为亲本i中执行侦查任务无人机集合;T0的含义为染色体1中,交叉列目标的记为T0;U0的含义为染色体1中,执行交叉列任务的无人机记为U0;CA1的含义为染色体1中,除了T0其他被执行攻击任务的目标;CA2的含义为{T0};CB1的含义为染色体2中,除去U0执行的攻击任务的目标,其他被执行攻击任务的目标;CB2的含义为染色体2中,被U0执行的攻击任务的目标;CI1的含义为CA1与CB2的交集;CI2的含义为CA2与CB1的交集;Hni的含义为Hni={{U1初始航向角,U1最终航向角},...,{Un初始航向角,Un最终航向角}}
步骤5-2:通过轮盘赌根据适应度选择两个亲本染色体;
步骤5-3:随机选择染色体1的某一点,作为交叉起点,进行单点交叉;
步骤5-4:根据判断交叉点的基因类型选择不同单点交叉策略:
如果是侦查基因,首先判断dA1/{U0}∩de2是否为空集:如果则跳过改点的单点交叉,对后面基因的进行操作;否则在的情况下再判断第二个染色体是否满足完成交换的资源约束:如果第二个染色体满足交换后的资源约束,则随机从de2中选择一个满足约束的无人机与染色体1中的U0进行交换;如果第二个染色体不满足约束,则从资源约束集中选择一个无人机换入染色体2中;
如果是攻击基因,首先,需要判断aA1和aA2至少一个为空还是都不空:如果aA1和aA2都不空,则攻击基因的交叉方式和侦查基因的交叉方式是一致的;如果aA1和aA2至少一个为空,则使得aA1总是空的;然后生成表1中7~12行的集合,并判断:如果CB2空,则跳过该点的单点交叉,否则则有四种交叉的情况:1、CI1不空CI2不空,两个染色都可以通过与自身某一片段交换信息实现交叉;2、CI1不空CI2空,染色体1中的可以互换,染色体2中需要增加或者减少侦查,评估任务;3、CI1空CI2不空,染色体2中的可以互换,染色体1中需要增加或者减少侦查,评估任务;4、CI1空CI2空,染色体1和2都无法在自身中进行交换,二者都需要改变侦查和评估任务;
步骤5-5:将交叉得到的亲本按照无人机编号重新排序;至此上述步骤完成交换两个染色体的任务与无人机对应关系,下面的步骤将交换这两个染色体的初始和最终航向角;
步骤5-6:交换上述步骤得到两个亲本的初始和最终航向角:首先,统计两个亲本的初始航向角集合Hn1和Hn2;其次,生成1~min{|Hn1|,|Hn2|}的随机数R;最后,将两个染色体前R个初始航向角和最终航向角进行交换;
步骤6:通过增加高价值目标攻击次数及其他微改染色体的变异方式,实现自适应目标攻击次数以及避免陷入局部最优;
步骤6-1:在给定概率下,首先通过轮盘赌根据目标价值选择一个目标增加攻击次数;然后判断增加对该目标攻击后,是否满足同一目标一架无人机只能攻击一次,如果不满足则重新选择增加攻击次数的目标,如果满足再判断资源约束是否满足;满足资源约束则选择合适无人机执行攻击任务;如果不满足资源约束则根据目标价值的倒数轮盘赌选择一个目标减少攻击任务,然后再将此资源分配给新增加的攻击任务;如果减少上述轮盘赌选出目标的攻击次数不能满足约束,则重新通过轮盘赌选择减少攻击任务的目标;
步骤6-2:在给定概率下,随机改变某一无人机的两个任务执行顺序;
步骤6-3:在给定概率下,随机改变一个基因的接近角;
步骤6-3:在给定概率下,随机改变一个无人机的初始航向角和最终航向角;
步骤7:重复步骤4-步骤6直到最大迭代次数,采用图表方式呈现任务规划方案;得到的任务分配方案,在实战中就可通过任务分配方案指定高效的作战计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226012.0A CN114417735B (zh) | 2022-03-08 | 2022-03-08 | 一种跨区域联合作战中的多无人机协同任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226012.0A CN114417735B (zh) | 2022-03-08 | 2022-03-08 | 一种跨区域联合作战中的多无人机协同任务规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114417735A CN114417735A (zh) | 2022-04-29 |
CN114417735B true CN114417735B (zh) | 2023-04-18 |
Family
ID=81263389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210226012.0A Active CN114417735B (zh) | 2022-03-08 | 2022-03-08 | 一种跨区域联合作战中的多无人机协同任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417735B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116166048B (zh) * | 2023-03-06 | 2023-12-22 | 大连理工大学 | 一种无人机群容错任务规划方法 |
CN116090357A (zh) * | 2023-04-07 | 2023-05-09 | 中国人民解放军96901部队 | 多目标打击任务可行性快速评估方法 |
CN116258357B (zh) * | 2023-05-16 | 2023-07-25 | 中国人民解放军国防科技大学 | 一种基于多基因遗传算法的异构无人机协同目标分配方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150199623A1 (en) * | 2012-05-11 | 2015-07-16 | Saab Ab | Method for resource allocation in mission planning |
CN107515618B (zh) * | 2017-09-05 | 2020-07-07 | 北京理工大学 | 一种考虑时间窗口的异构无人机协同任务分配方法 |
CN110766254A (zh) * | 2018-07-27 | 2020-02-07 | 深圳市白麓嵩天科技有限责任公司 | 一种基于改进遗传算法的多无人机协同任务分配方法 |
CN112733421B (zh) * | 2020-12-01 | 2024-05-03 | 南京航空航天大学 | 一种针对有人无人机协同对地作战的任务规划方法 |
-
2022
- 2022-03-08 CN CN202210226012.0A patent/CN114417735B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114417735A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114417735B (zh) | 一种跨区域联合作战中的多无人机协同任务规划方法 | |
CN106990792B (zh) | 混合引力搜索算法的多无人机协同时序耦合任务分配方法 | |
Caldeira et al. | A Pareto based discrete Jaya algorithm for multi-objective flexible job shop scheduling problem | |
CN106406346B (zh) | 一种多无人机协同快速覆盖搜索航迹规划方法 | |
CN107330560B (zh) | 一种考虑时序约束的异构飞行器多任务协同分配方法 | |
CN107515618B (zh) | 一种考虑时间窗口的异构无人机协同任务分配方法 | |
CN112327923B (zh) | 一种多无人机协同路径规划方法 | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN114185362B (zh) | 一种基于郊狼信息熵的无人机集群任务动态分配方法 | |
CN107330588B (zh) | 一种多基地异构无人机协同侦察的任务规划方法 | |
CN103279793A (zh) | 一种确定环境下的无人飞行器编队任务分配方法 | |
Ming et al. | Improved discrete mapping differential evolution for multi-unmanned aerial vehicles cooperative multi-targets assignment under unified model | |
CN110232492B (zh) | 一种基于改进离散粒子群算法的多无人机协同任务调度方法 | |
CN116166048B (zh) | 一种无人机群容错任务规划方法 | |
CN112732436B (zh) | 一种多核处理器-单图形处理器的深度强化学习加速方法 | |
CN117077981B (zh) | 融合邻域搜索变异和差分进化的停机位分配方法及装置 | |
CN112801540A (zh) | 基于无人集群的智能协同架构设计 | |
CN115471110A (zh) | 一种基于条件概率的考虑多目标进化算法的多异构无人机系统协同任务分配方法 | |
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 | |
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 | |
Zhou et al. | A novel mission planning method for UAVs’ course of action | |
CN115204524B (zh) | 指挥决策突击方案的生成方法及电子设备 | |
CN116050086A (zh) | 一种基于遗传算法的多机空战任务分配方法 | |
CN115564374A (zh) | 协同多任务重分配方法、装置、设备及可读存储介质 | |
CN114861417A (zh) | 基于变邻域搜索的多阶段武器目标分配方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230511 Address after: 116024 No. 2 Ling Road, Ganjingzi District, Liaoning, Dalian Patentee after: DALIAN University OF TECHNOLOGY Patentee after: BEIHANG University Address before: 116024 No. 2 Ling Road, Ganjingzi District, Liaoning, Dalian Patentee before: DALIAN University OF TECHNOLOGY |
|
TR01 | Transfer of patent right |