CN114442662B - 基于改进狼群优化算法的无人机集群协同对地打击方法 - Google Patents
基于改进狼群优化算法的无人机集群协同对地打击方法 Download PDFInfo
- Publication number
- CN114442662B CN114442662B CN202210009066.1A CN202210009066A CN114442662B CN 114442662 B CN114442662 B CN 114442662B CN 202210009066 A CN202210009066 A CN 202210009066A CN 114442662 B CN114442662 B CN 114442662B
- Authority
- CN
- China
- Prior art keywords
- task
- wolf
- unmanned aerial
- aerial vehicle
- representing
- 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
- 241000282461 Canis lupus Species 0.000 title claims abstract description 171
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 230000035772 mutation Effects 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 53
- 241000282421 Canidae Species 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 16
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 241000272201 Columbiformes Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进狼群优化算法的无人机集群协同对地打击方法,首先,建立了综合考虑无人机性能、携带侦察资源、目标信息、时序约束、均衡打击等条件的任务分配模型;其次,考虑传统狼群算法不适用于任务分配问题,同时为提高算法全局寻优效率,重新设计了离散狼群算法;然后,将其与2‑opt逆转变异算法以及一种新的编码解码方式相结合,提出了一种改进的狼群优化算法。本发明建立的多约束多任务分配模型以及提出的改进狼群优化算法成功地满足了在对地打击问题上的分配方案有效性和优越性,同时解码完成便已满足任务时序约束。
Description
技术领域
本发明属于无人机集群任务规划领域,具体公开了一种基于改进狼群优化算法的无人机集群协同对地打击方法。
背景技术
随着科技与信息技术的高速发展,无人机(Unmanned Aerial Vehicle,UAV)因其简单、灵活与成本低廉等特点引起了国内外学者的热切关注。无人机产业方兴未艾,是现在、也是未来很长一段时间快速发展和广泛应用的朝阳产业,各种类型的UAV在军事领域和民生领域应用日渐广泛。然而单架UAV因续航时间、武器载荷、侦察性能等条件约束,复杂环境下的作战任务越加难以实现。但由于UAV在通信、自主和集群技术等领域不断地进步,研究人员发现多架UAV之间的进行相互交流与共享信息,可以增强感知实时战场态势,实现协同搜索侦察敌情、协同任务分配及协同攻击目标,从而完成单架UAV难以完成的复杂任务。
UAV集群协同任务规划是一个强耦合多任务多约束的优化问题,其建模复杂,并且UAV数量越多,求解计算越困难。为实现无人机集群协同作战,加强整体任务效能,需要为无人机集群系统提供一套行之有效且科学的规划和决策方法,以明确各项任务该由哪架无人机完成。考虑战场环境信息,结合任务需求和无人机载荷与性能约束,进行合理的任务规划能够大大提高任务的完成率,减小飞行时间,降低油耗,消解任务冲突等,从而提高任务整体的作战效能。
无人机集群协同对地打击任务规划的主要目的是基于目标和环境信息给每个任务分配合理的无人机,确定所分配的UAV需要执行的任务数量和任务类型等,同时满足该UAV的约束条件给出使作战效能最大化的分配方案,是一个多约束的组合优化任务分配问题。尽管国内外学者已经对对地打击任务进行了大量的研究,但提出的任务规划模型和算法很多都没有考虑任务的多样性和任务时序约束条件,且算法易陷入局部最优、寻优性能仍然有待提高。因此不适用于复杂的任务规划问题。
发明内容
发明目的:本发明提出一种基于改进狼群优化算法的无人机集群协同对地打击方法,建立了考虑任务多样性和任务时序等多约束多任务任务分配模型,提出了一种改进狼群优化算法进行求解,避免了算法陷入局部最优,提高了寻优性能。
技术方案:本发明所述的一种基于改进狼群优化算法的无人机集群协同对地打击方法,包括以下步骤:
(1)设置打击任务条件;
(2)确定无人机集群任务分配模型约束条件和目标函数;
(3)改进离散狼群算法,与2-opt逆转变异算法以及新的编码解码方式相结合,形成改进的狼群优化算法;
(4)基于改进的狼群优化算法,对无人机集群任务分配模型求解。
进一步地,所述步骤(1)实现过程如下:
(11)假设任务场景中有NT个待执行目标,执行任务的UAV数量为NM;则无人机协同任务分配问题可用一个四元组{U,T,FT,C}表示,其中U为UAV集合、T表示目标集合、FT表示目标任务类型集合、C表示约束与限制条件集合;基地设有3种类型共NM架异构无人机,用集合表示,其中包含只具有攻击能力的UAV,只具有评估能力的UAV以及具有攻击评估能力一体化的UAV;评估任务不消耗弹药载荷,纯攻击无人机消耗弹药以后退出任务区域,攻击评估一体化UAV消耗完弹药以后将只能进行评估任务;
(12)目标集合表示为任务类型表示为FT={A,V},A表示为攻击任务,V表示毁伤评估任务;每个目标均要执行攻击、评估任务中的一个或多个子任务;对于任务/>x,y分别表示目标的横坐标和纵坐标,定义表示目标Ti的任务约束,/>表示目标Ti的攻击价值,/>为目标Ti的评估价值;每个目标需要执行/>次任务,目标总任务为
式中,表示需要执行的攻击总任务次数,NT表示为待执行目标数量,此处可以理解为需要执行的评估总任务次数;
(13)对于无人机x,y分别表示无人机的横坐标和纵坐标,定义/>表示无人机Ui的约束条件,其中/>表示无人机可以执行任务的类型约束条件,/>表示无人机能够飞行的最大航程,/>表示无人机携带的最大武器载荷约束。
进一步地,步骤(2)所述无人机集群任务分配模型约束条件为:
每个目标的攻击和毁伤评估任务都应该被执行:
式中,Tjh表示为目标j的第h个任务,其中h=1,…,Tsumj-1都是攻击任务,h=Tsumj表示毁伤评估任务;
每架UAV至少被分配一个任务:
每个任务只能被执行一次:
每架UAV满足其航程约束:
Lengthi≤Lengthmaxi
式中,Lengthmaxi为燃料限制下无人机Ui的飞行最大航程;
打击武器载荷约束:
任务能力约束:异构无人机集群中,每架无人机可能具备不同的能力,每架UAV只能执行自身能力集合范围内的任务:
式中,AssignMission(Ui)表示分配给无人机Ui的任务类型集合,MissionKind(Ui)表示无人机Ui能够执行的任务类型集合;
任务之间需要满足一定的时序耦合条件:
式中,表示无人机Ui执行目标j的第hm次攻击任务,/>表示无人机Ui执行目标j的第hn次攻击任务,相减得到1e-5表示同一架UAV连续执行同一目标的两次攻击无任务时间间隔;/>表示任务Tjh的开始执行时刻,tijh表示无人机Ui执行任务Tjh的准备/执行时间,表示任务Tjh的完成时刻;
打击任务和评估任务的任务间隔约束:
式中,Tjh_Alast表示目标Tj执行的最后一次打击任务,表示目标Tj最后一次打击任务的完成时刻,/>表示目标Tj的评估任务开始时刻,tint_min和tint_max分别表示打击任务和评估任务之间的最小时间间隔和最大时间间隔;
时间约束:若某任务需要在特定的时间范围内完成,对于机动目标存在此约束:
式中,tjh表示为任务实际执行时刻,表示任务允许执行的最早时刻,/>表示任务允许执行的最晚时刻。
进一步地,步骤(2)所述无人机集群任务分配模型目标函数为:
任务总飞行航程指标:length(projecti)为无人机Ui执行所分配任务的航行长度,则无人机集群任务规划的总飞行航程代价函数为:;
任务完成价值收益:无人机Ui所攻击/评估的目标j价值为vij,无人机Ui所分配的任务总数量为Task_sumi,则完成任务的价值收益指标为:
式中,Sij为任务j被无人机Ui执行任务的顺序标号(Sij≤Task_sumi);
任务分配均衡性:
式中,length(projecti)表示无人机i分配的所有任务长度,Length_ave表示无人机的平均航程,J3表示无人机飞行航程方差;
弹药分配指标J4为:
式中,Value_UiTj表示第i架无人机的弹药载荷与目标j攻击价值之和,Value_UT(projecti)表示第i架无人机执行的任务总和的价值之和;
结合无人机最小航程、任务均衡、任务价值指标和弹药分配指标综合无人机集群协同任务分配目标函数,使目标函数最大
式中,γ1表示无人机最小航程所占权重,γ2表示任务价值指标所占权重,γ3表示任务分配均衡所占权重,γ4表示弹药分配指标所占权重。
进一步地,步骤(3)所述的改进离散狼群算法实现过程如下:
人工狼i的位置Xi={xi1,xi2,…,xin},元素xij表示人工狼i的第j个编码位置的值,定义人工狼p和人工狼q间的距离为下式:
式中,元素xpj表示人工狼p的第j个编码位置的值,元素xqj表示人工狼q的第j个编码位置的值,sign(·)表示符号函数;
设人工狼i可以进行编码位置改变的集合为Movei={1,2,…,Tsum};设ri表示进行编码位置改变的数目,即人工狼的行走歩长;则运动算子Θ(Xi,Movei,ri)表示Movei中随机选取ri个编码位置进行重新编码;
设头狼的位置为Xleader,头狼leader与人工狼i不同的编码位集合表示为diff,则交换算子swap(Xi,Xleader,diff,ri)表示人工狼i在不同编码位集合diff里面随机选取ri个编码位置,其数值用头狼对应的位置数值进行交换,其余位置保持不变;
根据编码规则,初始化M只人工狼,并通过解码规则分别计算出每只人工狼的目标函数值,选出其中目标函数值最大人工狼即为该种群的头狼,每次迭代阶段,选出最大的目标函数值与头狼进行比较,若大于头狼的目标函数值Yleader,则替换头狼的位置Xleader;
探狼设置为除头狼以外的M-1只人工狼,设探狼i向第p(p=1,2,…,h)个方向游走前后探寻目标函数值分别为Yi和Yip;若Yi>Yip,则不改变探狼位置;若Yi<Yip,则将游走后的位置作为探狼的新位置;游走行为不断重复过程中若Yi>Yleader,则更新头狼的位置为此探狼的位置,或者当游走行为次数iterw大于等于最大游走次数iterwmax时游走行为结束;
探狼i向第p(p=1,2,…,h)个方向游走定义为:对运动算子Θ(Xi,Movei,stepa)执行h次,即对探狼的编码随机选取stepa个位置重新选取无人机进行编码;因狼群中的每只狼具有不同的个体差异,每只探狼搜寻猎物的方式也不相同,导致每只探狼的取值h存在差异,具体取值为[hmin,hmax]间的一个随机整数;
将头狼以外的M-1只人工狼全设置为猛狼,头狼发起召唤以后,猛狼以较大的奔袭歩长stepb迅速前往头狼所在区域;其召唤行为为:找出每只猛狼i与头狼的不同编码的随机stepb个位置,执行交换算子swap(Xi,Xleader,diff,stepb),对相同编码位置的不做改变,不同编码的stepb个位置交换为头狼在该位置的编码值;设猛狼i的目标函数值为Yi,若Yi>Yleader,则Yleader=Yi,猛狼i转换成头狼并进行召唤行为的发起;否则,围攻行为的进入需要猛狼i一直奔袭直至猛狼i与头狼l的距离dil<dnear:
式中,dnear表示最小判定距离,ω表示距离判定因子,表示向上取整;
将头狼的位置Xleader视为最优解(猎物)位置,奔袭之后猛狼与猎物间的距离较近,此时猛狼以较小的围攻歩长stepc进行精细搜索,围攻行为具体体现为对猛狼i执行交换算子swap(Xi,Xleader,diff,stepc);对猛狼围攻行为前后的目标函数值实行贪婪行为决策:
狼群中严格按照“强者生存”的淘汰法则更新种群:首先随机产生R只符合编码的人工狼,将解空间狼群扩充为M+R,计算所有人工狼目标函数值,淘汰目标函数值最小的R只人工狼,R为一随机整数取值范围为[M/2α,M/α],α表示群体更新比例因子。
进一步地,步骤(3)所述的新的编码解码实现过程如下:
个体编码:每只人工狼设置为一个n维数组表示,将其分成分配与任务排序两部分:
n=Tsum+2NT
式中,前Tsum表示分配部分维度,后2NT维表示任务排序的维度;
分配部分表示了NT个目标共有Tsum个任务需要进行分配,即某架UAV需要分配给某个目标的攻击或评估任务;分配部分共有Tsum位,由NT个目标依照目标编号进行排列,如目标Ti的目标攻击价值为则目标Ti有/>个编码位表示攻击任务,第/>个编码位表示评估任务;每个编码位置的取值代表着可供选择的无人机顺序编号,注意异构无人机中攻击无人机只能分配攻击任务,评估无人机只能分配评估任务,该编码方式有效保障了目标的所有攻击任务和评估任务均能得到恰当且完整的分配;
任务排序部分表示每架无人机按照什么顺序依次执行目标任务,以使得目标函数值最大化,由2NT个位置编码构成;
个体解码:初始化各个UAV的任务集合为空集;从TS编码部分开始,从左到右按顺序选取第k位置上的值Tj,Tj表示目标的编号;Tj第一次出现表示对该目标进行攻击任务,找到该目标需要进行几次攻击任务,以及被分配的无人机序号,依次将目标Tj填入UAV的任务集合中;Tj第二次出现表示对该目标进行评估任务,同样将该评估任务对应的无人机依次填入到对应UAV任务集合中;重复上述过程得到所有种群的解码方案。
有益效果:与现有技术相比,本发明的有益效果:本发明研究了压制敌防空系统任务的对地协同打击任务规划问题求解过程;针对无人机集群协同对地打击任务分配问题,建立了更加复杂,能更准确描述对地打击问题的带任务时序的多约束多任务分配模型;其次,考虑传统狼群算法在求解离散任务问题上的不适性,且算法寻优精度较低、易陷局部最优问题,重新设计了离散狼群算法;然后,将离散狼群算法、2-opt逆转变异算法和一种新的编码解码方式相结合,提出了一种改进狼群算法(ImproveWolfPackAlgorithm,IWPA);该编码解码方式能直接得到带任务时序的求解方案,所设计的IWPA更加有效,收敛速度更快,同时增强了种群多样性,使其不易陷入局部最优,具有更强的全局搜索性能。
附图说明
图1为本发明的环境区域示意图;
图2为本发明的改进狼群优化算法流程图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明提出一种基于改进鸽群优化的无人机集群协同动态目标搜索方法,具体包括以下步骤:
步骤1:打击任务条件设置:包括任务场景、无人机能力和目标数量类型等。
本发明实施例提供了任务环境与无人机状态空间示意图,如图1所示,任务场景中有NT个待执行目标,执行任务的异构UAV数量为NM。基地设有3种类型共NM架异构无人机,用集合表示,其中包含只具有攻击能力的UAV,只具有评估能力的UAV以及具有攻击评估能力一体化的UAV。
目标集合表示为任务类型表示为FT={A,V},A表示为攻击任务,V表示毁伤评估任务。
对于任务x,y分别表示目标的横坐标和纵坐标,定义表示目标Ti的任务约束,/>表示目标Ti的攻击价值,/>为目标Ti的评估价值。假设无论目标评估价值多少,均可由一架无人机执行一次并完成任务;但针对攻击任务,需要综合目标攻击价值来决定需要几架无人机协同执行几次完成任务。则每个目标需要执行/>次任务,目标总任务表示为
式中,表示需要执行的攻击总任务次数,NT表示为待执行目标数量,此处可以理解为需要执行的评估总任务次数。
步骤2:确定无人机集群任务分配模型约束条件和目标函数。
任务分配建模主要考虑以下约束条件。
1)每个目标的攻击和毁伤评估任务都应该被执行:
式中,Tjh表示为目标j的第h个任务,其中h=1,…,Tsumj-1都是攻击任务,h=Tsumj表示毁伤评估任务。
2)每架UAV至少被分配一个任务:
3)每个任务只能被执行一次:
4)每架UAV满足其航程约束:
Lengthi≤Lengthmaxi (6)
式中,Lengthmaxi为燃料限制下无人机Ui的飞行最大航程。
5)打击武器载荷约束:
6)任务能力约束:异构无人机集群中,每架无人机可能具备不同的能力,每架UAV只能执行自身能力集合范围内的任务:
式中,AssignMission(Ui)表示分配给无人机Ui的任务类型集合,MissionKind(Ui)表示无人机Ui能够执行的任务类型集合。
7)任务之间需要满足一定的时序耦合条件:
式中,表示无人机Ui执行目标j的第hm次攻击任务,/>表示无人机Ui执行目标j的第hn次攻击任务,相减得到1e-5表示同一架UAV连续执行同一目标的两次攻击无任务时间间隔。/>表示任务Tjh的开始执行时刻,tijh表示无人机Ui执行任务Tjh的准备/执行时间,表示任务Tjh的完成时刻。
8)打击任务和评估任务的任务间隔约束:
式中,Tjh_Alast表示目标Tj执行的最后一次打击任务,表示目标Tj最后一次打击任务的完成时刻,/>表示目标Tj的评估任务开始时刻,tint_min和tint_max分别表示打击任务和评估任务之间的最小时间间隔和最大时间间隔。
9)时间约束:若某任务需要在特定的时间范围内完成,对于机动目标可能存在此约束
式中,tjh表示为任务实际执行时刻,表示任务允许执行的最早时刻,/>表示任务允许执行的最晚时刻。
无人机集群任务分配模型目标函数需要考虑以下情况:
通过优化所有无人机总飞行航程最短,可以实现无人机系统执行任务期间的燃料消耗最小化的目标。设length(projecti)为无人机Ui执行所分配任务的航行长度,则无人机集群任务规划的总飞行航程代价函数为:
为充分利用具有攻击功能的无人机,以及实现最大化目标价值,执行攻击任务的UAV将优先考虑攻击价值大的,价值小的后面考虑,假设目标价值越大,UAV对其攻击一次造成的毁伤就越高。同理评估任务中,目标评估价值高的也将优先考虑。设无人机Ui所攻击/评估的目标j价值为vij,无人机Ui所分配的任务总数量为Task_sumi,则完成任务的价值收益指标为:
式中,Sij为任务j被无人机Ui执行任务的顺序标号(Sij≤Task_sumi),可以得出,如果优先选择价值大的任务,则该任务对应的顺序标号会更小,同时可得到其相乘的数值就更大,从而实现任务价值最大化。
由于各架无人机均有燃油限制,不能一架无人机执行过多任务,导致其航程超过该无人机限制的最大航程,所以在分配过程中尽量考虑各架无人机执行任务的过程中长度差距不是特别大,因此引入任务分配均衡性:
式中,Length_ave表示无人机的平均航程,J3表示无人机飞行航程方差。
为充分利用无人机弹药,弹药多、目标价值大的优先分配,弹药分配指标为:
式中,Value_UiTj表示第i架无人机的弹药载荷与目标j攻击价值之和,Value_UT(projecti)表示第i架无人机执行的任务总和的价值之和,J4表示所有无人机根据此分配结果和顺序下的弹药分配指标,指标越大表示该种分配结果的优先选择。
通过以上分析,结合无人机最小航程、任务均衡、任务价值指标和弹药分配指标综合无人机集群协同任务分配目标函数,使目标函数最大
式中,γ1表示无人机最小航程所占权重,γ2表示任务价值指标所占权重,γ3表示任务分配均衡所占权重,γ4表示弹药分配指标所占权重。
步骤3:针对无人机集群任务分配模型目标函数求解,重新设计了离散狼群算法,将其与2-opt逆转变异算法以及一种新的编码解码方式相结合,提出一种改进的狼群优化算法,具体如图2所示。
个体编码方式:
每只人工狼设置为一个n维数组表示,将其分成分配与任务排序两部分。
n=Tsum+2NT (23)
式中,前Tsum表示分配部分维度,后2NT维表示任务排序的维度。
分配部分表示了NT个目标共有Tsum个任务需要进行分配,即某架UAV需要分配给某个目标的攻击或评估任务。由于每个目标的攻击价值不同,需要根据价值来选定几架无人机执行攻击任务,因此此编码更加复杂化却更具有普适性。分配部分共有Tsum位,由NT个目标依照目标编号进行排列,如目标Ti的目标攻击价值为则目标Ti有/>个编码位表示攻击任务,第/>个编码位表示评估任务。每个编码位置的取值代表着可供选择的无人机顺序编号,注意异构无人机中攻击无人机只能分配攻击任务,评估无人机只能分配评估任务,该编码方式有效保障了目标的所有攻击任务和评估任务均能得到恰当且完整的分配。
任务排序部分表示每架无人机按照什么顺序依次执行目标任务,以使得目标函数值最大化,由2NT个位置编码构成。目标的编号构成每个编码位,同一个目标其编号将会按照顺序出现两次,分别代表对此目标进行攻击与评估任务。编码序列决定了该目标前后任务顺序,确保了攻击与评估任务之间的时序耦合约束。
个体解码方式:首先,初始化各个UAV的任务集合为空集;其次,从TS编码部分开始,从左到右按顺序选取第k位置上的值Tj,Tj表示目标的编号。Tj第一次出现表示对该目标进行攻击任务,找到该目标需要进行几次攻击任务,以及被分配的无人机序号,依次将目标Tj填入UAV的任务集合中;Tj第二次出现表示对该目标进行评估任务,同样将该评估任务对应的无人机依次填入到对应UAV任务集合中。最后,重复上述解码步骤便可得到所有种群的解码方案。
人工狼i的位置Xi={xi1,xi2,…,xin},元素xij表示人工狼i的第j个编码位置的值,定义人工狼p和人工狼q间的距离为下式:
式中,元素xpj表示人工狼p的第j个编码位置的值,元素xqj表示人工狼q的第j个编码位置的值,sign(·)表示符号函数。
设人工狼i可以进行编码位置改变的集合为Movei={1,2,…,Tsum},;设ri表示进行编码位置改变的数目,即人工狼的行走歩长。则运动算子Θ(Xi,Movei,ri)表示Movei中随机选取ri个编码位置进行重新编码。
设头狼的位置为Xleader,头狼leader与人工狼i不同的编码位集合表示为diff,则交换算子swap(Xi,Xleader,diff,ri)表示人工狼i在不同编码位集合diff里面随机选取ri个编码位置,其数值用头狼对应的位置数值进行交换,其余位置保持不变。
具体狼群智能行为设计如下:
首先,根据编码规则,初始化M只人工狼,并通过解码规则分别计算出每只人工狼的目标函数值,选出其中目标函数值最大人工狼即为该种群的头狼,每次迭代阶段,选出最大的目标函数值与头狼进行比较,若大于头狼的目标函数值Yleader,则替换头狼的位置Xleader。
其次,探狼设置为除头狼以外的M-1只人工狼,设探狼i向第p(p=1,2,…,h)个方向游走前后探寻目标函数值分别为Yi和Yip。若Yi>Yip,则不改变探狼位置;若Yi<Yip,则将游走后的位置作为探狼的新位置;游走行为不断重复过程中若Yi>Yleader,则更新头狼的位置为此探狼的位置,或者当游走行为次数iterw大于等于最大游走次数iterwmax时游走行为结束。
探狼i向第p(p=1,2,…,h)个方向游走定义为:对运动算子Θ(Xi,Movei,stepa)执行h次,即对探狼的编码随机选取stepa个位置重新选取无人机进行编码。因狼群中的每只狼具有不同的个体差异,每只探狼搜寻猎物的方式也不相同,导致每只探狼的取值h存在差异,具体取值为[hmin,hmax]间的一个随机整数。
然后,由于狼群中有时会出现等级制度的变化,为充分利用狼群,将排除头狼之后的M-1只人工狼全设置为猛狼。头狼发起召唤以后,猛狼以较大的奔袭歩长stepb迅速前往头狼所在区域。其召唤行为具体设计为:找出每只猛狼i与头狼的不同编码的随机stepb个位置,执行交换算子swap(Xi,Xleader,diff,stepb),对相同编码位置不做改变,不同编码的stepb个位置交换为头狼在该位置的编码值。
设猛狼i的目标函数值为Yi,若Yi>Yleader,则Yleader=Yi,猛狼i转换成头狼并进行召唤行为的发起;否则,围攻行为的进入需要猛狼i一直奔袭直至猛狼i与头狼l的距离dil<dnear。
式中,dnear表示最小判定距离,ω表示距离判定因子,表示向上取整。
接着,将头狼的位置Xleader视为最优解(猎物)位置,奔袭之后猛狼与猎物间的距离较近,此时猛狼以较小的围攻歩长stepc进行精细搜索,围攻行为具体体现为对猛狼i执行交换算子swap(Xi,Xleader,diff,stepc)。对猛狼围攻行为前后的目标函数值实行贪婪行为决策。
最后,狼群中严格按照“强者生存”的淘汰法则更新种群,将淘汰相对弱小的人工狼,其余更有竞争力的狼将会得以生存。首先随机产生R只符合编码的人工狼,将解空间狼群扩充为M+R,计算所有人工狼的目标函数值,淘汰目标函数值最小的R只人工狼,因而确保狼群规模不发生变化且能够不断更新狼群。由于实际狩猎中捕获猎物的数量限制导致每次弱狼被饿死的数量不一定相等,R为一随机整数取值范围为[M/2α,M/α],α表示群体更新比例因子。
2-opt算法:改进狼群优化算法的2-opt算法思路为固定人工狼任务分配段编码不变,选取任务排序段的任意两个点a和b,将a之前与b之后的序列各自保持不变置于新的编码方案中,将a到b之间序列翻转编号添加的新的编码方案中。针对任务排序段,采用2-opt算法进行任务排序替代用离散狼群算法进行整个问题求解,以此增加解的多样性、解决离散狼群算法中局部搜索能力弱的问题,使其拥有更高效的寻优能力。
本实施例的数值仿真验证如下,战场环境中我方无人机和敌方目标的具体相关信息分别如表1和表2所示。
表1无人机信息
/>
表2目标信息
假设收到指令以后攻击任务准备时间为6s,6s内任意时刻均可停止攻击,评估任务执行时间为10s,攻击与评估最小间隔时间为6s。目标12为时敏目标,其任务时刻约束的最早和最晚攻击时刻分别为50s和80s。根据IWPA迭代200次以后得到的最优分配结果如表3所示,任务完成时刻如表4所示。
表3最优分配结果
表4任务完成时刻表
由表3分配结果可知,分配结果满足所建立模型的航程、弹药资源,无人机异构性能等约束条件。由表4的打击时刻和评估时刻可知分配结果也满足时序耦合约束,其中,打击时刻根据目标的攻击价值大小而分配有多个不同时刻,表中只显示出该目标第一次被攻击完成的时刻,评估任务只需要一架无人机即可单独完成,例如目标16的攻击任务被分配给无人机6和无人机7,但是评估任务只被分配给无人机9。目标1被分配给无人机4完成所有攻击和评估任务,目标1的最早打击完成时刻与评估完成时刻相差16s,因为攻击任务与评估任务之间存在6s的任务时间间隔,评估任务所需时间为10s。
因此,本发明充分满足了IWPA算法求解该多约束多任务模型的有效性。
本发明所设计的任务分配模型,具有复杂的多任务多约束条件,每个目标都需要根据具体价值协同进行多次攻击与评估。本发明所设计的编码解码方式,解码以后即可得到带有时序约束的任务。本发明在基本狼群优化算法的基础上,考虑传统狼群算法不适用于离散问题,同时为改善算法全局寻优效率,防止算法陷入局部最优,设计了离散狼群算法并将其与2-opt逆转变异算法和一种新的编码解码方式相结合,提出了一种改进狼群优化算法。其中任务分配段采用离散狼群算法,任务排序段采用2-opt逆转变异算法,增强了种群的多样性,加快了算法收敛速度。
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仅仅局限于此,任何了解熟悉本技术领域的普通技术人员,在不脱离本发明范围以内,均可做出相应改进与替换,这些改进和替换都应涵盖视为在本发明的保护范围之内。
Claims (3)
1.一种基于改进狼群优化算法的无人机集群协同对地打击方法,其特征在于,包括以下步骤:
(1)设置打击任务条件;
(2)确定无人机集群任务分配模型约束条件和目标函数;
(3)改进离散狼群算法,与2-opt逆转变异算法以及新的编码解码方式相结合,形成改进的狼群优化算法;
(4)基于改进的狼群优化算法,对无人机集群任务分配模型求解;
所述步骤(1)实现过程如下:
(11)假设任务场景中有NT个待执行目标,执行任务的UAV数量为NM;则无人机协同任务分配问题用一个四元组{U,T,FT,C}表示,其中U为UAV集合、T表示目标集合、FT表示目标任务类型集合、C表示约束与限制条件集合;基地设有3种类型共NM架异构无人机,用集合表示,其中包含只具有攻击能力的UAV,只具有评估能力的UAV以及具有攻击评估能力一体化的UAV;评估任务不消耗弹药载荷,纯攻击无人机消耗弹药以后退出任务区域,攻击评估一体化UAV消耗完弹药以后将只能进行评估任务;
(12)目标集合表示为任务类型表示为FT={A,V},A表示为攻击任务,V表示毁伤评估任务;每个目标均要执行攻击、评估任务中的一个或多个子任务;对于任务分别表示目标的横坐标和纵坐标,定义/>表示目标Ti的任务约束,/>表示目标Ti的攻击价值,/>为目标Ti的评估价值;每个目标需要执行/>次任务,目标总任务为:
式中,表示需要执行的攻击总任务次数,NT表示为待执行目标数量,为需要执行的评估总任务次数;
(13)对于无人机x,y分别表示无人机的横坐标和纵坐标,定义/>表示无人机Ui的约束条件,其中/>表示无人机可以执行任务的类型约束条件,/>表示无人机能够飞行的最大航程,/>表示无人机携带的最大武器载荷约束;
步骤(3)所述的改进离散狼群算法实现过程如下:
人工狼i的位置Xi={xi1,xi2,…,xin},元素xij表示人工狼i的第j个编码位置的值,定义人工狼p和人工狼q间的距离为下式:
式中,元素xpj表示人工狼p的第j个编码位置的值,元素xqj表示人工狼q的第j个编码位置的值,sign(·)表示符号函数;
设人工狼i可以进行编码位置改变的集合为Movei={1,2,…,Tsum};设ri表示进行编码位置改变的数目,即人工狼的行走歩长;则运动算子Θ(Xi,Movei,ri)表示Movei中随机选取ri个编码位置进行重新编码;
设头狼的位置为Xleader,头狼leader与人工狼i不同的编码位集合表示为diff,则交换算子swap(Xi,Xleader,diff,ri)表示人工狼i在不同编码位集合diff里面随机选取ri个编码位置,其数值用头狼对应的位置数值进行交换,其余位置保持不变;
根据编码规则,初始化M只人工狼,并通过解码规则分别计算出每只人工狼的目标函数值,选出其中目标函数值最大人工狼即为种群的头狼,每次迭代阶段,选出最大的目标函数值与头狼进行比较,若大于头狼的目标函数值Yleader,则替换头狼的位置Xleader;
探狼设置为除头狼以外的M-1只人工狼,设探狼i向第p个方向游走前后探寻目标函数值分别为Yi和Yip;其中,p=1,2,…,h;若Yi>Yip,则不改变探狼位置;若Yi<Yip,则将游走后的位置作为探狼的新位置;游走行为不断重复过程中若Yi>Yleader,则更新头狼的位置为此探狼的位置,或者当游走行为次数iterw大于等于最大游走次数iterwmax时游走行为结束;
探狼i向第p个方向游走定义为:对运动算子Θ(Xi,Movei,stepa)执行h次,即对探狼的编码随机选取stepa个位置重新选取无人机进行编码;因狼群中的每只狼具有不同的个体差异,每只探狼搜寻猎物的方式也不相同,导致每只探狼的取值h存在差异,具体取值为[hmin,hmax]间的一个随机整数;
将头狼以外的M-1只人工狼全设置为猛狼,头狼发起召唤以后,猛狼以较大的奔袭歩长stepb迅速前往头狼所在区域;其召唤行为为:找出每只猛狼i与头狼的不同编码的随机stepb个位置,执行交换算子swap(Xi,Xleader,diff,stepb),对相同编码位置的不做改变,不同编码的stepb个位置交换为头狼在该位置的编码值;设猛狼i的目标函数值为Yi,若Yi>Yleader,则Yleader=Yi,猛狼i转换成头狼并进行召唤行为的发起;否则,围攻行为的进入需要猛狼i一直奔袭直至猛狼i与头狼l的距离dil<dnear:
式中,dnear表示最小判定距离,ω表示距离判定因子,表示向上取整;
将头狼的位置Xleader视为最优解即猎物位置,奔袭之后猛狼与猎物间的距离较近,此时猛狼以较小的围攻歩长stepc进行精细搜索,围攻行为具体体现为对猛狼i执行交换算子swap(Xi,Xleader,diff,stepc);对猛狼围攻行为前后的目标函数值实行贪婪行为决策:
狼群中严格按照“强者生存”的淘汰法则更新种群:首先随机产生R只符合编码的人工狼,将解空间狼群扩充为M+R,计算所有人工狼目标函数值,淘汰目标函数值最小的R只人工狼,R为一随机整数取值范围为[M/2α,M/α],α表示群体更新比例因子;
步骤(3)所述的新的编码解码实现过程如下:
个体编码:每只人工狼设置为一个n维数组表示,将其分成分配与任务排序两部分:
n=Tsum+2NT
式中,前Tsum表示分配部分维度,后2NT维表示任务排序的维度;
分配部分表示了NT个目标共有Tsum个任务需要进行分配,即某架UAV需要分配给某个目标的攻击或评估任务;分配部分共有Tsum位,由NT个目标依照目标编号进行排列,如目标Ti的目标攻击价值为QATI,则目标Ti有QATI个编码位表示攻击任务,第QATI+1个编码位表示评估任务;每个编码位置的取值代表着可供选择的无人机顺序编号,注意异构无人机中攻击无人机只能分配攻击任务,评估无人机只能分配评估任务,该编码方式有效保障了目标的所有攻击任务和评估任务均能得到恰当且完整的分配;
任务排序部分表示每架无人机按照什么顺序依次执行目标任务,以使得目标函数值最大化,由2NT个位置编码构成;
个体解码:初始化各个UAV的任务集合为空集;从TS编码部分开始,从左到右按顺序选取第k位置上的值Tj,Tj表示目标的编号;Tj第一次出现表示对该目标进行攻击任务,找到该目标需要进行几次攻击任务,以及被分配的无人机序号,依次将目标Tj填入UAV的任务集合中;Tj第二次出现表示对该目标进行评估任务,同样将该评估任务对应的无人机依次填入到对应UAV任务集合中;重复上述过程得到所有种群的解码方案;
所述改进离散狼群算法与2-opt逆转变异算法以及新的编码解码方式相结合为:固定人工狼任务分配段编码不变,选取任务排序段的任意两个点a和b,将a之前与b之后的序列各自保持不变置于新的编码方案中,将a到b之间序列翻转编号添加的新的编码方案中;针对任务排序段,采用2-opt算法进行任务排序替代用离散狼群算法进行整个问题求解,增加解的多样性、解决离散狼群算法中局部搜索能力弱的问题。
2.根据权利要求1所述的基于改进狼群优化算法的无人机集群协同对地打击方法,其特征在于,步骤(2)所述无人机集群任务分配模型约束条件为:
每个目标的攻击和毁伤评估任务都应该被执行:
式中,Tjh表示为目标j的第h个任务,其中h=1,…,Tsumj-1都是攻击任务,h=Tsumj表示毁伤评估任务;
每架UAV至少被分配一个任务:
每个任务只能被执行一次:
每架UAV满足其航程约束:
Lengthi≤Lengthmaxi
式中,Lengthmaxi为燃料限制下无人机Ui的飞行最大航程;
打击武器载荷约束:
任务能力约束:异构无人机集群中,每架无人机可能具备不同的能力,每架UAV只能执行自身能力集合范围内的任务:
式中,AssignMission(Ui)表示分配给无人机Ui的任务类型集合,MissionKind(Ui)表示无人机Ui能够执行的任务类型集合;
任务之间需要满足一定的时序耦合条件:
hm≠hn,且hm,hn∈{1,…,Tsumj-1}
eTjh≤sTjh,h=Tsumj
式中,表示无人机Ui执行目标j的第hm次攻击任务,/>表示无人机Ui执行目标j的第hn次攻击任务,相减得到1e-5表示同一架UAV连续执行同一目标的两次攻击无任务时间间隔;/>表示任务Tjh的开始执行时刻,tijh表示无人机Ui执行任务Tjh的准备/执行时间,/>表示任务Tjh的完成时刻;
打击任务和评估任务的任务间隔约束:
式中,Tjh_Alast表示目标Tj执行的最后一次打击任务,表示目标Tj最后一次打击任务的完成时刻,/>表示目标Tj的评估任务开始时刻,tint_min和tint_max分别表示打击任务和评估任务之间的最小时间间隔和最大时间间隔;
时间约束:若某任务需要在特定的时间范围内完成,对于机动目标存在此约束:
式中,tjh表示为任务实际执行时刻,表示任务允许执行的最早时刻,/>表示任务允许执行的最晚时刻。
3.根据权利要求1所述的基于改进狼群优化算法的无人机集群协同对地打击方法,其特征在于,步骤(2)所述无人机集群任务分配模型目标函数为:
任务总飞行航程指标:length(projecti)为无人机Ui执行所分配任务的航行长度,则无人机集群任务规划的总飞行航程代价函数为:
任务完成价值收益:无人机Ui所攻击/评估的目标j价值为vij,无人机Ui所分配的任务总数量为Task_sumi,则完成任务的价值收益指标为:
式中,Sij为任务j被无人机Ui执行任务的顺序标号(Sij≤Task_sumi);
任务分配均衡性:
式中,length(projecti)表示无人机i分配的所有任务长度,Length_ave表示无人机的平均航程,J3表示无人机飞行航程方差;
弹药分配指标J4为:
式中,Value_UiTj表示第i架无人机的弹药载荷与目标j攻击价值之和,Value_UT(projecti)表示第i架无人机执行的任务总和的价值之和;
结合无人机最小航程、任务均衡、任务价值指标和弹药分配指标综合无人机集群协同任务分配目标函数,使目标函数最大
式中,γ1表示无人机最小航程所占权重,γ2表示任务价值指标所占权重,γ3表示任务分配均衡所占权重,γ4表示弹药分配指标所占权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009066.1A CN114442662B (zh) | 2022-01-05 | 2022-01-05 | 基于改进狼群优化算法的无人机集群协同对地打击方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009066.1A CN114442662B (zh) | 2022-01-05 | 2022-01-05 | 基于改进狼群优化算法的无人机集群协同对地打击方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114442662A CN114442662A (zh) | 2022-05-06 |
CN114442662B true CN114442662B (zh) | 2023-09-26 |
Family
ID=81365649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210009066.1A Active CN114442662B (zh) | 2022-01-05 | 2022-01-05 | 基于改进狼群优化算法的无人机集群协同对地打击方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114442662B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971423B (zh) * | 2022-07-27 | 2022-10-04 | 北京航空航天大学 | 多ucav的协同任务分配方法、装置、电子设备及介质 |
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 |
CN115454147B (zh) * | 2022-10-29 | 2023-03-14 | 中国电子科技集团公司第十五研究所 | 基于动态优化的无人机集群协同任务分配方法 |
CN115630513B (zh) * | 2022-10-29 | 2023-04-18 | 中国电子科技集团公司第十五研究所 | 基于集群优化的无人机集群协同任务分配方法 |
CN116225049A (zh) * | 2022-12-21 | 2023-06-06 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种多无人机狼群协同作战攻防决策算法 |
CN116229766B (zh) * | 2022-12-30 | 2023-10-20 | 中国电子科技集团公司信息科学研究院 | 博弈对抗下基于效能的目标分配方法 |
CN115951717B (zh) * | 2023-03-09 | 2023-05-19 | 北京卓翼智能科技有限公司 | 无人机集群目标分配方法、装置、系统和存储介质 |
CN116596287B (zh) * | 2023-07-18 | 2023-10-03 | 中国电子科技集团公司第二十九研究所 | 一种任务驱动决策方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105302153A (zh) * | 2015-10-19 | 2016-02-03 | 南京航空航天大学 | 异构多无人机协同察打任务的规划方法 |
CN111722643A (zh) * | 2020-06-12 | 2020-09-29 | 北京航空航天大学 | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 |
CN113741508A (zh) * | 2021-06-29 | 2021-12-03 | 南京航空航天大学 | 基于改进狼群算法的无人机任务分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007080584A2 (en) * | 2006-01-11 | 2007-07-19 | Carmel-Haifa University Economic Corp. Ltd. | Uav decision and control system |
-
2022
- 2022-01-05 CN CN202210009066.1A patent/CN114442662B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105302153A (zh) * | 2015-10-19 | 2016-02-03 | 南京航空航天大学 | 异构多无人机协同察打任务的规划方法 |
CN111722643A (zh) * | 2020-06-12 | 2020-09-29 | 北京航空航天大学 | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 |
CN113741508A (zh) * | 2021-06-29 | 2021-12-03 | 南京航空航天大学 | 基于改进狼群算法的无人机任务分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114442662A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114442662B (zh) | 基于改进狼群优化算法的无人机集群协同对地打击方法 | |
CN105302153B (zh) | 异构多无人机协同察打任务的规划方法 | |
CN110608743B (zh) | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 | |
CN111722643B (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
CN111176334B (zh) | 一种多无人机协同目标搜索方法 | |
CN111311049B (zh) | 多智能体协同任务分配方法 | |
CN113741508B (zh) | 基于改进狼群算法的无人机任务分配方法 | |
CN110083971B (zh) | 一种基于作战推演的自爆式无人机集群作战兵力分配方法 | |
CN116307535B (zh) | 一种基于改进差分进化算法的多星协作成像任务规划方法 | |
Lei et al. | Path planning for unmanned air vehicles using an improved artificial bee colony algorithm | |
CN111024086B (zh) | 一种基于群禽寻优技术的多无人机航迹规划方法 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN112734278B (zh) | 一种面向时敏目标打击的c2组织资源动态调度方法 | |
CN113887919A (zh) | 基于杂交-离散粒子群算法的多无人机协同任务分配方法及系统 | |
CN113836803A (zh) | 基于改进狼群算法的无人机群资源调度方法 | |
CN112284188A (zh) | 一种基于自适应步长离散狼群算法的无人机攻防决策方法 | |
Sun et al. | A cooperative target search method based on intelligent water drops algorithm | |
CN112926825A (zh) | 基于多目标量子磷虾群机制的多无人机任务分配方法 | |
CN115730700A (zh) | 基于参考点的自适应多目标任务规划方法、系统和设备 | |
CN113608546B (zh) | 量子海狮机制的无人机群任务分配方法 | |
CN114610064A (zh) | 基于动态目标搜索的空地协同任务分配方法及相关设备 | |
CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 | |
CN113625767A (zh) | 一种基于优选信息素灰狼算法的固定翼无人机集群协同路径规划方法 | |
CN111797966A (zh) | 一种基于改进羊群算法的多机协同全局目标分配方法 | |
CN115657710A (zh) | 一种多目标量子北极熊机制的异构无人机大规模任务分配方法 |
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 |