CN114595871A - 一种多无人机任务规划方法 - Google Patents

一种多无人机任务规划方法 Download PDF

Info

Publication number
CN114595871A
CN114595871A CN202210150257.XA CN202210150257A CN114595871A CN 114595871 A CN114595871 A CN 114595871A CN 202210150257 A CN202210150257 A CN 202210150257A CN 114595871 A CN114595871 A CN 114595871A
Authority
CN
China
Prior art keywords
task
points
unmanned aerial
aerial vehicle
point
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.)
Pending
Application number
CN202210150257.XA
Other languages
English (en)
Inventor
张田
张振兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
No 60 Institute of Headquarters of General Staff of PLA
Original Assignee
No 60 Institute of Headquarters of General Staff of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by No 60 Institute of Headquarters of General Staff of PLA filed Critical No 60 Institute of Headquarters of General Staff of PLA
Priority to CN202210150257.XA priority Critical patent/CN114595871A/zh
Publication of CN114595871A publication Critical patent/CN114595871A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种多无人机任务规划方法，包括：步骤1，建立任务点的距离矩阵；步骤2，得到任务点集合A；步骤3，随机生成随机数集合B；步骤4，计算总适应度L；步骤5，在当前迭代群体中寻找适应度L的最小值min(L)，并记录对应的任务排序及断点；步骤6，进行下一种群的迭代；步骤7，直至迭代次数完成或min(L)的误差达到给定误差标准，此时记录的任务点排序及断点就是本次任务规划后的结果。本发明将遗传算法应用于多机的协同任务规划中，利用遗传算法全局搜索能力强，不容易陷入局部最优的特点，更加智能化、合理的分配任务，从而更好的实现多机的协同飞行。

Description

一种多无人机任务规划方法
技术领域
本发明涉及一种多无人机任务规划方法。
背景技术
对于多机多任务规划问题来说，关键在于如何将任务点分配给指定的无人机，从而使得总飞行距离最短，及当飞行时某无人机发生故障，如何重新去分配任务。多机多任务分配模型可以归纳为多架无人机从同一个任务点或者不同任务点出发，分别飞行一条航线，使得每个任务点有且仅有一架无人机经过(出发城市除外)，且总路程最短等有关问题的研究。该问题描述简单、易于理解但计算复杂性却是相当有难度，如何分配任务点成了问题的关键，通过设计智能算法来解决该问题就有了很大的实际意义。
发明内容
发明目的：针对现有技术的不足，本发明提供了一种多无人机任务规划方法，包括如下步骤：
步骤1，根据无人机需要执行的任务点，建立任务点的距离矩阵；
步骤2，生成遗传算法的初始种群，随机排列所有的任务点得到任务点集合A；
步骤3，随机分配任务点给m架无人机，随机生成(m-1)个随机数集合B；
步骤4，根据任务点的排序、断点及计算好的距离矩阵，计算总适应度L；
步骤5，在当前迭代群体中寻找适应度L的最小值min(L)，并记录对应的任务排序及断点；min表示取最小值；
步骤6，利用遗传算法，进行下一种群的迭代；
步骤7，直至迭代次数完成或min(L)的误差达到给定误差标准，此时记录的任务点排序及断点就是本次任务规划后的结果。
步骤1中，采用如下公式计算a、b两个任务点之间的距离Lab：
Figure BDA0003510444790000011
其中，(xa,ya)是任务点a的坐标，(xb,yb)是任务点b的坐标；根据任务点之间的距离建立任务点的距离矩阵L(n×n)，其中n表示任务点总数。
步骤2中，任务点集合A表示为A＝[a1,a2,…an]，其中，an表示第n个任务点。
步骤3中，集合B表示为B＝[b1,b2,…bm-1]，bm-1表示第m-1个随机数，随机数的范围为0～n，按照从小到大排序，集合B中的随机数就是断点，集合B称为断点集合；
结合步骤2，将生成的断点集合B与任务点集合A合并，在任务点集合A中按照断点集合B中的元素将任务点集合A分成任务段，从而每架无人机的飞行任务段为
Figure BDA0003510444790000021
其中
Figure BDA0003510444790000022
是任务点集合A中对应断点集合B中b1、b2…bm-1的任务点序号。
步骤4中，根据如下公式计算总适应度L；
Figure BDA0003510444790000023
Figure BDA0003510444790000024
Figure BDA0003510444790000025
Figure BDA0003510444790000026
L＝L1+L2+…+Lm
式中，m指的是第m架无人机的适应度函数；
L(xy1)L(a1)指的是在第一架无人机分配的任务序列中，从起飞点xy1到a1点的距离；
L(a1)L(a2)表示第一架无人机的任务中，从a1点到a2点的距离。
步骤6包括：
步骤6-1，随机选择两个个体，将两个个体中的相同位置进行互换，互换之后进行排异性互换，把互换之后出现两回的任务点序号也进行互换；
步骤6-2，随机把个体中的两个序号位置进行互换，从而生成新的种群个体；
按照步骤4计算新的总适应度L'＝L'1+L'2+…+L'm，L'm表示新的种群个体中第m架无人机的适应度函数，找出新的适应度L'的最小值min(L')，与之前记录的min(L)对比，如果min(L')更小，就刷新最佳值，用min(L')的值替换min(L)，并记录当前的任务点排序及断点，否则不刷新，直接进行下一次迭代。
有益效果：本发明将遗传算法应用于多机的协同任务规划中，利用遗传算法全局搜索能力强，不容易陷入局部最优的特点，更加智能化、合理的分配任务，从而更好的实现多机的协同飞行。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。
图1是本发明方法流程图。
图2是20个城市坐标示意图。
图3是本发明实施例仿真效果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示，本发明提供了一种多无人机任务规划方法，
遗传算法(Genetic Algorithm，GA)是通过模拟生物进化过程来完成优化搜索，主要包括三个基本操作：选择、交叉、变异。
步骤1，初始化参数，随机产生一组初始个体构成的初始种群，初始种群包括路径基因型种群和中断点基因型种群；中断点基因型种群是指为了随机分配路径，随机产生n-1个随机点种群，m为无人机的个数；根据断点将路径排列的个体进行拆分给各架无人机；从而评价每一个个体的适应度；
步骤2，判断算法的收敛准则是否满足(此处为迭代次数)。如果满足输出搜索结果；否则执行步骤3～步骤7；
步骤3，执行选择操作(随机选择两个种群个体)，使用“轮盘赌选择”思想，每次按照概率大小随机返回当前群体中的某个个体的下标；
步骤4，按交叉概率执行交叉操作；
步骤5，对个体进行变异处理，产生随机数，当小于变异概率时，进行变异处理(随机交换两个城市的位置)，产生新路径基因型种群；
步骤6，随机更新断点的中断点基因型种群；
步骤7，返回步骤2判断是否进行下一次迭代；
说明：
1)本发明方法的结束准则是根据指定了的迭代次数，当算法达到迭代次数时，算法结束，输出当前的最优解；
2)在根据适配值计算并选择的时候，记录下来的当前最优值，在变异后加入更新的群体，保证新的迭代循环中TSP解越来越好(不会变差)；
3)在选择的一种操作是拿最优的K个替换最差的K个子个体，本例是按适配值选择，并使群体数目变少，当每次变异操作后，产生随机路径补充群体是群体数目不变，再次循环，一定程度上防止因初始群体的选择问题而陷入局部最优。
对问题进行详细的建模处理，结合遗传算法的模型如下：
步骤1，根据任务点坐标，建立任务点的距离矩阵L(n×n)，n为任务点个数；采用如下公式计算a、b两个任务点之间的距离Lab：
Figure BDA0003510444790000041
Lab代表a、b两个任务点之间的距离，(xa,ya)是任务点a的坐标，(xb,yb)是任务点b的坐标；
步骤2，生成遗传算法的初始种群，随机排列所有的任务点得到集合A＝[a1,a2,…an]，其中，an表示第n个任务点；
步骤3，随机分配任务点给m架无人机，随机生成(m-1)个随机数集合B＝[b1,b2,…bm-1]，bm-1表示第m-1个随机数，随机数的范围为0～n，按照从小到大排序，这些就是断点的生成。
结合步骤2，将生成的断点集合B与任务点集合A合并，在任务点集合A中按照断点集合B中的元素将集合A分成任务段，从而每架无人机的飞行任务段为
Figure BDA0003510444790000042
Figure BDA0003510444790000043
其中
Figure BDA0003510444790000044
是任务点集合A中的对应集合B中b1、b2、bm-1的任务点序号；
步骤4，根据任务点的排序、断点及计算好的距离矩阵，计算适应度L(目标函数)：
Figure BDA0003510444790000045
Figure BDA0003510444790000046
Figure BDA0003510444790000047
Figure BDA0003510444790000048
L＝L1+L2+…+Lm
式中，m指的是第m架无人机的适应度函数，根据步骤3中每架无人机分配的任务点，结合步骤1的距离矩阵计算出每架无人机各自的适应度函数。
其中，L(xy1)L(a1)指的是在第一架无人机分配的任务序列中，从起飞点xy1到a1点的距离，L(a1)L(a2)表示第一架无人机的任务中，从a1点到a2点的距离，直到将所有点都遍历计算结束；
同理其他公式含义类似。总适应度L为各架无人机适应度之和。
注：该适应度方程建立在多架无人机从各自起飞点起飞，没有集合点各自散开；
步骤5，在当前迭代群体中寻找适应度L的最小值min(L)，并记录对应的任务排序及断点；min表示取最小值；
步骤6，利用遗传算法，进行下一种群的迭代，具体包括：
步骤6-1，首先随机选择两个个体，将两个个体中的相同位置进行互换，互换之后进行排异性互换，把互换之后出现两回的任务点序号也进行互换；
步骤6-2，随机把个体中的两个序号位置进行互换，从而生成新的种群个体；
按照步骤4计算新的总适应度L'＝L'1+L'2+…+L'm，L'm表示新的种群个体中第m架无人机的适应度函数，找出新的适应度L'的最小值min(L')，与之前记录的min(L)对比，如果min(L')更小，就刷新最佳值，用min(L')的值替换min(L)，并记录当前的任务点排序及断点，否则不刷新，直接进行下一次迭代；
步骤7，直至迭代次数完成或min(L)的误差达到给定误差标准；此时记录的任务点排序及断点就是本次任务规划后的结果。
在建模过程中，为了随机分配任务点给无人机，本发明是通过随机生成断点来实现的，通过生成的断点将任务排序分割给每架无人机；但如果规定了每架无人机最少飞行的任务点数，就要对断点生成进行修改。
为了进一步说明本发明的效果，对3架无人机执行20个任务点问题进行了任务规划，城市坐标如图2所示。图3是本发明实施例仿真效果图。图3将任务点的位置显示在图中，连线代表每架无人机各自执行的任务点和执行顺序，3个无人机分别执行的任务是：1-2-20-3-9-4-13-1、18-19-10-14-15-8-7-11-18、6-17-16-12-5-6，从而给出一种比较科学的任务分配的路线。
本发明提供了一种多无人机任务规划方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (6)

1.一种多无人机任务规划方法，其特征在于，包括如下步骤：
步骤1，根据无人机需要执行的任务点，建立任务点的距离矩阵；
步骤2，生成遗传算法的初始种群，随机排列所有的任务点得到任务点集合A；
步骤3，随机分配任务点给m架无人机，随机生成(m-1)个随机数集合B；
步骤4，根据任务点的排序、断点及计算好的距离矩阵，计算总适应度L；
步骤5，在当前迭代群体中寻找适应度L的最小值min(L)，并记录对应的任务排序及断点；min表示取最小值；
步骤6，利用遗传算法，进行下一种群的迭代；
步骤7，直至迭代次数完成或min(L)的误差达到给定误差标准，此时记录的任务点排序及断点就是本次任务规划后的结果。
2.根据权利要求1所述的方法，其特征在于，步骤1中，采用如下公式计算a、b两个任务点之间的距离Lab：
Figure FDA0003510444780000011
其中，(xa,ya)是任务点a的坐标，(xb,yb)是任务点b的坐标；根据任务点之间的距离建立任务点的距离矩阵L(n×n)，其中n表示任务点总数。
3.根据权利要求2所述的方法，其特征在于，步骤2中，任务点集合A表示为A＝[a1,a2,…an]，其中，an表示第n个任务点。
4.根据权利要求3所述的方法，其特征在于，步骤3中，集合B表示为B＝[b1,b2,…bm-1]，bm-1表示第m-1个随机数，随机数的范围为0～n，按照从小到大排序，集合B中的随机数就是断点，集合B称为断点集合；
结合步骤2，将生成的断点集合B与任务点集合A合并，在任务点集合A中按照断点集合B中的元素将任务点集合A分成任务段，从而每架无人机的飞行任务段为
Figure FDA0003510444780000012
其中
Figure FDA0003510444780000013
是任务点集合A中对应断点集合B中b1、b2…bm-1的任务点序号。
5.根据权利要求4所述的方法，其特征在于，步骤4中，根据如下公式计算总适应度L；
Figure FDA0003510444780000021
式中，Lm指的是第m架无人机的适应度函数；
L(xy1)L(a1)指的是在第一架无人机分配的任务序列中，从起飞点xy1到a1点的距离；
L(a1)L(a2)表示第一架无人机的任务中，从a1点到a2点的距离。
6.根据权利要求5所述的方法，其特征在于，步骤6包括：
步骤6-1，随机选择两个个体，将两个个体中的相同位置进行互换，互换之后进行排异性互换，把互换之后出现两回的任务点序号也进行互换；
步骤6-2，随机把个体中的两个序号位置进行互换，从而生成新的种群个体；
按照步骤4计算新的总适应度L'＝L'1+L'2+…+L'm，L'm表示新的种群个体中第m架无人机的适应度函数，找出新的适应度L'的最小值min(L')，与之前记录的min(L)对比，如果min(L')更小，就刷新最佳值，用min(L')的值替换min(L)，并记录当前的任务点排序及断点，否则不刷新，直接进行下一次迭代。
CN202210150257.XA 2022-02-18 2022-02-18 一种多无人机任务规划方法 Pending CN114595871A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210150257.XA CN114595871A (zh) 2022-02-18 2022-02-18 一种多无人机任务规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210150257.XA CN114595871A (zh) 2022-02-18 2022-02-18 一种多无人机任务规划方法

Publications (1)

Publication Number Publication Date
CN114595871A true CN114595871A (zh) 2022-06-07

Family

ID=81805423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210150257.XA Pending CN114595871A (zh) 2022-02-18 2022-02-18 一种多无人机任务规划方法

Country Status (1)

Country Link
CN (1) CN114595871A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115810293A (zh) * 2022-11-28 2023-03-17 亿航智能设备（广州）有限公司 一种多台无人驾驶航空器的联动控制方法、系统和介质
CN116542468A (zh) * 2023-05-06 2023-08-04 中国人民解放军32370部队 一种无人机集群任务规划方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115810293A (zh) * 2022-11-28 2023-03-17 亿航智能设备（广州）有限公司 一种多台无人驾驶航空器的联动控制方法、系统和介质
CN116542468A (zh) * 2023-05-06 2023-08-04 中国人民解放军32370部队 一种无人机集群任务规划方法
CN116542468B (zh) * 2023-05-06 2023-10-20 中国人民解放军32370部队 一种无人机集群任务规划方法

Similar Documents

Publication Publication Date Title
Koulinas et al. A particle swarm optimization based hyper-heuristic algorithm for the classic resource constrained project scheduling problem
CN114595871A (zh) 一种多无人机任务规划方法
CN112766813B (zh) 一种空天协同观测复杂任务调度方法
Chaudhry et al. A research survey: review of flexible job shop scheduling techniques
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
Hu et al. Binary-representation-based genetic algorithm for aircraft arrival sequencing and scheduling
CN103279793B (zh) 一种确定环境下的无人飞行器编队任务分配方法
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
CN105225003A (zh) 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法
Gonzalez-Pardo et al. Comparative study of pheromone control heuristics in ACO algorithms for solving RCPSP problems
CN109960544A (zh) 基于数据驱动型敏捷卫星任务并行调度方法
CN112013829A (zh) 基于多目标优化的多uav/ugv协同长时作业路径规划方法
CN112561395A (zh) 无人机协同方法、系统、装置、电子设备及存储介质
CN106611231A (zh) 一种混合粒子群禁忌搜索算法求解作业车间调度问题
CN109242290B (zh) 一种无人机群行动方案自动生成方法
Cai et al. A bi-objective constrained robust gate assignment problem: Formulation, instances and algorithm
CN113312874A (zh) 基于改进深度强化学习的总体布线方法
Reddy et al. Minimizing the total completion time on a multi-machine FMS using flower pollination algorithm
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
Yu et al. Balanced multi-region coverage path planning for unmanned aerial vehicles
Bencheikh et al. Hybrid Algorithms for the Multiple Runway Aircraft Landing Problem.
Zhao et al. Learning transformer-based cooperation for networked traffic signal control
CN114035913A (zh) 一种卫星多目标重复观测任务规划方法及终端
CN113377503A (zh) 一种协作式ai的任务调度方法、装置与系统
Wang et al. A tailored NSGA-III for multi-objective flexible job shop scheduling

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