CN114815896A - 一种异构多无人机协同任务分配方法 - Google Patents

一种异构多无人机协同任务分配方法 Download PDF

Info

Publication number
CN114815896A
CN114815896A CN202210594247.5A CN202210594247A CN114815896A CN 114815896 A CN114815896 A CN 114815896A CN 202210594247 A CN202210594247 A CN 202210594247A CN 114815896 A CN114815896 A CN 114815896A
Authority
CN
China
Prior art keywords
quantum
unmanned aerial
wasp
wasps
task
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
CN202210594247.5A
Other languages
English (en)
Inventor
高洪元
陈世聪
任立群
赵开元
章智峰
陈梦晗
赵立帅
刘廷晖
白浩川
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202210594247.5A priority Critical patent/CN114815896A/zh
Publication of CN114815896A publication Critical patent/CN114815896A/zh
Pending legal-status Critical Current

Links

Images

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
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying

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

本发明公开了一种异构多无人机协同任务分配方法，包括：步骤一：建立层次化异构多无人机协同任务分配模型；步骤二：异构多无人机协同执行所分配任务；步骤三：建立层次化异构多无人机协同任务分配代价函数；步骤四：初始化量子胡蜂群并设定参数；步骤五：定义并计算量子胡蜂与食物的距离；步骤六：根据量子胡蜂与食物的距离对全部量子胡蜂排序；步骤七：量子胡蜂依同等概率执行确定性或随机性飞行运动，并在飞行过程中使用模拟量子旋转门来演化量子胡蜂的量子位置；步骤八：应用贪心选择策略，确定下一代量子胡蜂的量子位置；步骤九：演进终止判断，输出任务分配方案。本发明在简单高效低复杂度的同时具有高可扩展性。

Description

一种异构多无人机协同任务分配方法
技术领域
本发明属于无人机任务规划领域，涉及一种异构多无人机协同任务分配方法，特别涉及一种基于量子胡蜂机制的异构多无人机协同任务分配方法。
背景技术
无人机是一种依靠程序自主操纵或受无线遥控的飞行器，多以编队形式协同作业，是新颖军事技术和新型武器平台的重要支撑。异构多无人机协同任务分配，综合考虑任务时间、任务时序、机载性能、航迹可行和多机协同等约束，以总体任务有效达成且代价最小为优化目标，并离线或实时的将具体目标和行动任务分配给各机。
近年来，已有学者对异构多无人机协同任务分配方法进行了一定的研究。蒋硕等(蒋硕,袁小平.改进PSO算法在多无人机协同任务分配中的应用[J].计算机应用研究,2019,36(11):3344-3347+3360.)为避免协同任务分配问题的求解过程高度复杂化，设计了一种考虑阶层分级策略的改进型粒子群优化算法，并通过实数编码方式以建立粒子与实际任务分配方案间的映射关系。王树朋等(王树朋,徐旺,刘湘德,邓小龙.基于自适应遗传算法的多无人机协同任务分配[J].电子信息对抗技术,2021,36(01):59-64.)设计了一种可实时动态调整的新型自适应遗传算法来求解协同任务分配问题，并通过层次编码方式以实现染色体与实际任务分配方案间的映射关系。张瑞鹏等(张瑞鹏,冯彦翔,杨宜康.多无人机协同任务分配混合粒子群算法[J/OL].航空学报:1-15[2021-10-04].)针对同时打击场景，将多机协同攻击地面目标转化为协同任务分配问题，额外考虑任务软时间窗约束及任务重分配，最后设计一种考虑变邻域搜索策略的离散型粒子群优化算法来求解协同任务分配问题。王然然等(王然然,魏文领,杨铭超,刘玮.考虑协同航路规划的多无人机任务分配[J].航空学报,2020,41(S2):24-35.)针对协同任务分配与航路规划耦合求解问题，以合同网拍卖机制为模型构建基础，先使用A*算法预估航程，再使用模拟退火算法求解任务分配方案。已有文献的检索结果表明，现有的异构多无人机协同任务分配方法，其模型建立过程相对简单，但其模型求解过程高度复杂，这是由模型建立不全面和求解算法不高效所共同导致。现有的异构多无人机协同任务分配方法计算复杂度高，鲁棒性差，且可扩展性受限。
发明内容
针对上述现有技术，本发明要解决的技术问题是提供一种基于量子胡蜂机制的异构多无人机协同任务分配方法，在简单高效低复杂度的同时具有高可扩展性。
为解决上述技术问题，本发明的一种异构多无人机协同任务分配方法，包括以下步骤：
步骤一：建立层次化异构多无人机协同任务分配模型；
步骤二：异构多无人机协同执行所分配任务；
步骤三：建立层次化异构多无人机协同任务分配代价函数；
步骤四：初始化量子胡蜂群并设定参数；
步骤五：定义并计算量子胡蜂与食物的距离；
步骤六：根据量子胡蜂与食物的距离对全部量子胡蜂排序；
步骤七：量子胡蜂依同等概率执行确定性或随机性飞行运动，并在飞行过程中使用模拟量子旋转门来演化量子胡蜂的量子位置；
步骤八：应用贪心选择策略，确定下一代量子胡蜂的量子位置；
步骤九：演进终止判断，输出任务分配方案。
进一步的，步骤一建立层次化异构多无人机协同任务分配模型包括：
设定任务分配矩阵
Figure BDA0003667086760000021
其中，矩阵元素qm,k表示分配无人机qm,k到目标m处执行任务k，
Figure BDA0003667086760000022
为整数域，N为编队无人机数，M为目标数，K为任务数；设定无人机n的属性集合
Figure BDA0003667086760000023
其中，
Figure BDA0003667086760000024
为无人机n的起飞机库位置，
Figure BDA0003667086760000025
为无人机n的降落机库位置，vn为无人机n的航行速度，cn为无人机n的任务载荷；设定目标m的属性集合
Figure BDA0003667086760000026
其中，
Figure BDA0003667086760000027
为目标m的位置；设定任务k的属性集合
Figure BDA0003667086760000028
其中，
Figure BDA0003667086760000029
为任务k被执行所需时间。
进一步的，步骤二异构多无人机协同执行所分配任务包括：
(1)初始化任务编号k＝1；初始化无人机n的初位置标识φn、末位置标识
Figure BDA00036670867600000210
航行时间t′n、悬停时间t″n、执行任务时间t″′n和作业时间tn均为0，n＝1,2,...,N；初始化目标受制时间
Figure BDA00036670867600000211
Figure BDA00036670867600000212
(2)初始化无人机编号n＝1；
(3)判断是否满足n≤N，若满足，则继续执行；若不满足，则转至第(7)步；
(4)判断该无人机n是否需要执行当前任务k，即判断是否满足
Figure BDA00036670867600000213
其中，
Figure BDA00036670867600000214
为无人机n执行任务k的总次数，qk为任务分配矩阵中的第k列矩阵，Γn(·)为矩阵元素个数提取函数，且满足该元素值为n。若满足，则初始化当前任务执行次数
Figure BDA0003667086760000031
继续执行；否则，更新无人机编号，令n＝n+1，返回步骤二(3)；
(5)依次更新该无人机n末位置标识，令
Figure BDA0003667086760000032
航行时间，令
Figure BDA0003667086760000033
悬停时间，令
Figure BDA0003667086760000034
执行任务时间，令
Figure BDA0003667086760000035
作业时间，令tn＝t′n+t″n+t″′n；初位置标识，令
Figure BDA0003667086760000036
相应目标受制时间，令
Figure BDA0003667086760000037
其中，
Figure BDA0003667086760000038
为矩阵元素行值提取函数，且满足该元素值为n，元素按行第
Figure BDA0003667086760000039
次出现；
Figure BDA00036670867600000310
为数值修正函数，数值非负时不修正，数值为负时修正为0；d(·)为向量间欧式距离；
(6)判断该无人机n是否执行完当前全部任务，即判断是否满足
Figure BDA00036670867600000311
若满足，则更新无人机编号，令n＝n+1，返回步骤二(3)；否则，更新当前任务执行次数，令
Figure BDA00036670867600000312
返回步骤二(5)；
(7)全部无人机返航判断，即判断是否满足k＝K，若满足，则全部无人机返航，更新无人机n航行时间t′n为
Figure BDA00036670867600000313
更新无人机n作业时间tn为t′n+t″n+t″′n，n＝1,2,...,N；否则，更新任务编号，令k＝k+1，返回第(2)步。
进一步的，步骤三建立层次化异构多无人机协同任务分配代价函数包括：
基于任务时间、机载性能约束构建协同任务分配代价函数
Figure BDA00036670867600000314
其中，α1、α2为时耗和能耗代价因子，β′、β″、β″′为航行、悬停和执行任务能耗因子，λt、λp为时间和载荷约束惩罚因子，tmax为协同任务分配最大时间阈值。
进一步的，步骤四初始化量子胡蜂群并设定参数包括：
设定量子胡蜂群规模为h，最大迭代次数为G，迭代次数标号为整数g，第g次迭代时，第i个量子胡蜂在u维搜索空间中的量子位置
Figure BDA0003667086760000041
其量子位置的第j维
Figure BDA0003667086760000042
初代时g＝1，初代量子胡蜂量子位置的每一维均初始化为[0,1]区间内的均匀随机数。
进一步的，步骤五定义并计算量子胡蜂与食物的距离包括：
第g次迭代时，将全部量子胡蜂量子位置的每一维映射到编号解空间范围内，得到量子胡蜂量子位置的映射态
Figure BDA0003667086760000043
映射方程定义为
Figure BDA0003667086760000044
Figure BDA0003667086760000045
其中，ceil(·)为向上取整函数；将第i个量子胡蜂量子位置的映射态进行维度变换后代入协同任务分配代价函数中得到代价值
Figure BDA0003667086760000046
其中，上标
Figure BDA0003667086760000047
特指矩阵按M×K维重构，且重构方式为先行后列，规定量子胡蜂量子位置映射态所对应的代价值越低，量子胡蜂与食物越接近。
进一步的，步骤六根据量子胡蜂与食物的距离对全部量子胡蜂排序包括：
将全部量子胡蜂按照与食物距离由近到远的顺序排列，规定距离食物最近的量子位置为量子胡蜂群最优量子位置
Figure BDA0003667086760000048
进一步的，步骤七量子胡蜂依同等概率执行确定性或随机性飞行运动，并在飞行过程中使用模拟量子旋转门来演化量子胡蜂的量子位置包括：
定义第i只量子胡蜂第j维量子位置更新方程
Figure BDA0003667086760000049
确定性飞行下定义
Figure BDA00036670867600000410
随机性飞行下定义
Figure BDA00036670867600000411
其中，
Figure BDA00036670867600000412
为第i只量子胡蜂执行飞行运动后其新产生量子位置的第j维，
Figure BDA00036670867600000413
为第i只量子胡蜂执行飞行运动时的第j维模拟量子旋转角，i＝1,2,...,h，j＝1,2,...,u；ε1、ε2、ε3和ε4均为[0,1]区间内的均匀随机数；η为最优量子胡蜂标签，a和b为随机量子胡蜂标签，τ为迭代量子胡蜂标签；
Figure BDA00036670867600000414
为胡蜂群体互动函数，χ1为互动强度，χ2为互动规模，第i只量子胡蜂执行飞行运动后其新产生量子位置
Figure BDA0003667086760000051
进一步的，步骤八应用贪心选择策略，确定下一代量子胡蜂的量子位置包括：
计算全部量子胡蜂原量子位置和新生量子位置与食物的距离，在量子位置集合
Figure BDA0003667086760000052
中贪婪选择h个距离食物较近的量子位置作为下一代量子胡蜂的量子位置
Figure BDA0003667086760000053
进一步的，步骤九演进终止判断，输出任务分配方案包括：
判断是否达到最大迭代次数G，若未达到，则令g＝g+1，返回步骤六；若达到，则终止机制演进，将最后一代量子胡蜂群最优量子位置的映射态进行维度变换后作为任务分配矩阵输出。
本发明的有益效果：与现有技术相比，本发明针对现有异构多无人机协同任务分配方法计算复杂度高，鲁棒性差和可扩展性受限等问题，设计了一种低复杂度的协同任务分配方法。本发明以通用模型CMTAP为基础设计了一种层次化异构多无人机协同任务分配模型CMTAP-LAY，该模型重点在于对各机所执行任务间的时序关系和协同关系进行描述和建模，将任务时序约束和多机协同约束融入到任务分配矩阵的设计中，将任务时间约束和机载性能约束融入到任务分配代价函数的设计中，避免了多种约束对后续求解过程的影响，CMTAP-LAY在简单高效低复杂度的同时具有高可扩展性；为高效实现异构多无人机协同任务分配方案的求解过程，本发明设计了量子胡蜂优化机制以高效求解层次化异构多无人机协同任务分配模型，其仿生于胡蜂捕食过程并基于胡蜂群体互动及模拟量子旋转门来演化量子胡蜂量子态，收敛速度快、收敛精度高。仿真实验证明了基于量子胡蜂机制的异构多无人机协同任务分配方法的有效性，其可应用于工程实际。
附图说明
图1是本发明所设计的基于量子胡蜂机制的异构多无人机协同任务分配方法示意图。
图2是胡蜂群体互动函数与互动强度关系曲线。
图3是胡蜂群体互动函数与互动规模关系曲线。
图4是层次化异构多无人机协同任务分配代价与机制演进次数关系曲线。
具体实施方式
下面结合说明书附图和实施例对本发明做进一步说明。
结合图1，本发明包括以下步骤：
步骤一：建立层次化异构多无人机协同任务分配模型。
设定任务分配矩阵q＝{qm,k|qm,k∈[1,N]}M×K，其中，矩阵元素qm,k表示分配无人机qm,k到目标m处执行任务k，N为编队无人机数，M为目标数，K为任务数。设定无人机n的属性集合
Figure BDA0003667086760000061
其中，
Figure BDA0003667086760000062
为无人机n的起飞机库位置，
Figure BDA0003667086760000063
为无人机n的降落机库位置，vn为无人机n的航行速度，cn为无人机n的任务载荷；设定目标m的属性集合
Figure BDA0003667086760000064
其中，
Figure BDA0003667086760000065
为目标m的位置；设定任务k的属性集合
Figure BDA0003667086760000066
其中，
Figure BDA0003667086760000067
为任务k被执行所需时间。
步骤二：异构多无人机协同执行所分配任务。
(1)初始化任务编号k＝1；初始化无人机n的初位置标识φn、末位置标识
Figure BDA0003667086760000068
航行时间t′n、悬停时间t″n、执行任务时间t″′n、作业时间tn均为0，n∈[1,N]。初始化目标受制时间
Figure BDA0003667086760000069
Figure BDA00036670867600000610
(2)初始化无人机编号n＝1。
(3)判断是否满足n≤N。若满足，则继续执行；若不满足，则转至步骤二(7)。
(4)判断该无人机n是否需要执行当前任务k，即判断是否满足
Figure BDA00036670867600000611
其中，
Figure BDA00036670867600000612
为无人机n执行任务k的总次数，qk为任务分配矩阵中的第k列矩阵，Γn(·)为矩阵元素个数提取函数，且满足该元素值为n。若满足，则初始化当前任务执行次数
Figure BDA00036670867600000613
继续执行；否则，更新无人机编号，令n＝n+1，返回步骤二(3)。
(5)依次更新该无人机n末位置标识，令
Figure BDA00036670867600000614
航行时间，令
Figure BDA00036670867600000615
悬停时间，令
Figure BDA00036670867600000616
执行任务时间，令
Figure BDA00036670867600000617
作业时间，令tn＝t′n+t″n+t″′n；初位置标识，令
Figure BDA00036670867600000618
相应目标受制时间，令
Figure BDA00036670867600000619
其中，
Figure BDA00036670867600000620
为矩阵元素行值提取函数，且满足该元素值为n，元素按行第
Figure BDA0003667086760000071
次出现；
Figure BDA0003667086760000072
为数值修正函数，数值非负时不修正，数值为负时修正为0；d(·)为向量间欧式距离。
(6)判断该无人机n是否执行完当前全部任务，即判断是否满足
Figure BDA0003667086760000073
若满足，则更新无人机编号，令n＝n+1，返回步骤二(3)；否则，更新当前任务执行次数，令
Figure BDA0003667086760000074
返回步骤二(5)。
(7)全部无人机返航判断，即判断是否满足k＝K。若满足，则全部无人机返航，更新无人机n的航行时间，令
Figure BDA0003667086760000075
作业时间，令tn＝t′n+t″n+t″′n，n∈[1,N]；否则，更新任务编号，令k＝k+1，返回步骤二(2)。
步骤三：建立层次化异构多无人机协同任务分配代价函数。
基于任务时间、机载性能约束构建协同任务分配代价函数
Figure BDA0003667086760000076
其中，α1、α2为时耗和能耗代价因子，β′、β″、β″′为航行、悬停和执行任务能耗因子，λt、λp为时间和载荷约束惩罚因子，tmax为协同任务分配最大时间阈值。
步骤四：初始化量子胡蜂群并设定参数。
设定量子胡蜂群规模为h，最大迭代次数为G，迭代次数标号为g，g∈[1,G]。第g次迭代时，第i个量子胡蜂在u维搜索空间中的量子位置
Figure BDA0003667086760000077
其量子位置的第j维
Figure BDA0003667086760000078
初代时g＝1，初代量子胡蜂量子位置的每一维均初始化为[0,1]区间内的均匀随机数。
步骤五：定义并计算量子胡蜂与食物的距离。
第g次迭代时，将全部量子胡蜂量子位置的每一维映射到编号解空间范围内，得到量子胡蜂量子位置的映射态
Figure BDA0003667086760000079
映射方程定义为
Figure BDA00036670867600000710
Figure BDA00036670867600000711
其中，ceil(·)为向上取整函数。将第i个量子胡蜂量子位置的映射态进行维度变换后代入协同任务分配代价函数中得到代价值
Figure BDA0003667086760000081
其中，上标
Figure BDA0003667086760000082
特指矩阵按M×K维重构，且重构方式为先行后列。规定量子胡蜂量子位置映射态所对应的代价值越低，量子胡蜂与食物越接近。
步骤六：根据量子胡蜂与食物的距离对全部量子胡蜂排序。
将全部量子胡蜂按照与食物距离由近到远的顺序排列，规定距离食物最近的量子位置为量子胡蜂群最优量子位置
Figure BDA0003667086760000083
步骤七：量子胡蜂依同等概率执行确定性或随机性飞行运动，并在飞行过程中使用模拟量子旋转门来演化量子胡蜂的量子位置。
定义量子胡蜂量子位置的更新方程
Figure BDA0003667086760000084
确定性飞行下定义
Figure BDA0003667086760000085
随机性飞行下定义
Figure BDA0003667086760000086
其中，
Figure BDA0003667086760000087
为第i个量子胡蜂执行飞行运动后其新生量子位置的第j维，
Figure BDA0003667086760000088
为第i个量子胡蜂执行飞行运动时的第j维模拟量子旋转角，i＝1,2,...,h，j＝1,2,...,u；ε1、ε2、ε3和ε4均为[0,1]区间内的均匀随机数；η为最优量子胡蜂标签，a和b为随机量子胡蜂标签，τ为迭代量子胡蜂标签；
Figure BDA0003667086760000089
为胡蜂群体互动函数，χ1为互动强度，χ2为互动规模。第i个量子胡蜂执行飞行运动后其新生量子位置
Figure BDA00036670867600000810
步骤八：应用贪心选择策略，确定下一代量子胡蜂的量子位置。
计算全部量子胡蜂原量子位置和新生量子位置与食物的距离。在量子位置集合
Figure BDA00036670867600000811
中贪婪选择h个距离食物较近的量子位置作为下一代量子胡蜂的量子位置
Figure BDA00036670867600000812
步骤九：演进终止判断，输出任务分配方案。
判断是否达到最大迭代次数G，若未达到，则令g＝g+1，返回步骤六；若达到，则终止机制演进，将最后一代量子胡蜂群最优量子位置的映射态进行维度变换后作为任务分配矩阵输出。
下面结合具体参数对本发明性能进行说明，在图2和图3中，自变量ξ可代表量子胡蜂群体中任意两只量子胡蜂在某个维度上的量子距离。若群体互动值小于0，说明量子胡蜂间距过近，这种群体互动通常表现为排斥；否则，说明量子胡蜂间距过远，这种群体互动通常表现为吸引。
在图4中，本发明所设计的基于层次化异构多无人机协同任务分配模型CMTAP-LAY和量子胡蜂优化机制QWA的异构多无人机协同任务分配方法记作CMTAP-LAY-QWA；基于CMTAP-LAY模型和量子灰狼优化机制QGWA的异构多无人机协同任务分配方法记作CMTAP-LAY-QGWA；基于CMTAP-LAY模型和量子猫群优化机制QCSA的异构多无人机协同任务分配方法记作CMTAP-LAY-QCSA。
在仿真实验中，设定N＝5，M＝5，K＝3，
Figure BDA0003667086760000091
Figure BDA0003667086760000092
v1＝3m/s，v2＝4m/s，v3＝4m/s，v4＝3m/s，v5＝2m/s，c1＝4，c2＝4，c3＝5，c4＝5，c5＝4，
Figure BDA0003667086760000093
Figure BDA0003667086760000094
β′＝10J/s，β″＝8J/s，β″′＝12J/s，α1＝1，α2＝0.01，λt＝5，λp＝4，tmax＝90s。在QWA中，设定h＝20，G＝200，χ1＝0.5，χ2＝1.5；在QGWA中，设定量子灰狼群规模为20，最大迭代次数为200；在QCSA中，设定量子猫群规模为20，最大迭代次数为200，分组率为10％，记忆池大小为2，搜索范围为2％，变化维数为80％。仿真实验次数为50，实验结果作统计平均。从图4中可以看出，本发明所设计的基于量子胡蜂机制的异构多无人机协同任务分配方法简单高效低复杂度，可以应用于工程实际。

Claims (10)

1.一种异构多无人机协同任务分配方法，其特征在于，包括以下步骤：
步骤一：建立层次化异构多无人机协同任务分配模型；
步骤二：异构多无人机协同执行所分配任务；
步骤三：建立层次化异构多无人机协同任务分配代价函数；
步骤四：初始化量子胡蜂群并设定参数；
步骤五：定义并计算量子胡蜂与食物的距离；
步骤六：根据量子胡蜂与食物的距离对全部量子胡蜂排序；
步骤七：量子胡蜂依同等概率执行确定性或随机性飞行运动，并在飞行过程中使用模拟量子旋转门来演化量子胡蜂的量子位置；
步骤八：应用贪心选择策略，确定下一代量子胡蜂的量子位置；
步骤九：演进终止判断，输出任务分配方案。
2.根据权利要求1所述的一种异构多无人机协同任务分配方法，其特征在于：步骤一所述建立层次化异构多无人机协同任务分配模型包括：
设定任务分配矩阵
Figure FDA0003667086750000011
其中，矩阵元素qm，k表示分配无人机qm，k到目标m处执行任务k，
Figure FDA0003667086750000012
为整数域，N为编队无人机数，M为目标数，K为任务数；设定无人机n的属性集合
Figure FDA0003667086750000013
其中，
Figure FDA0003667086750000014
为无人机n的起飞机库位置，
Figure FDA0003667086750000015
为无人机n的降落机库位置，vn为无人机n的航行速度，cn为无人机n的任务载荷；设定目标m的属性集合
Figure FDA0003667086750000016
其中，
Figure FDA0003667086750000017
为目标m的位置；设定任务k的属性集合
Figure FDA0003667086750000018
其中，
Figure FDA0003667086750000019
为任务k被执行所需时间。
3.根据权利要求1所述的一种异构多无人机协同任务分配方法，其特征在于：步骤二所述异构多无人机协同执行所分配任务包括：
(1)初始化任务编号k＝1；初始化无人机n的初位置标识φn、末位置标识
Figure FDA00036670867500000110
航行时间t′n、悬停时间t″n、执行任务时间t″′n和作业时间tn均为0，n＝1，2，...，N；初始化目标受制时间
Figure FDA00036670867500000111
Figure FDA00036670867500000112
(2)初始化无人机编号n＝1；
(3)判断是否满足n≤N，若满足，则继续执行；若不满足，则转至第(7)步；
(4)判断该无人机n是否需要执行当前任务k，即判断是否满足
Figure FDA0003667086750000021
其中，
Figure FDA0003667086750000022
为无人机n执行任务k的总次数，qk为任务分配矩阵中的第k列矩阵，Γn(·)为矩阵元素个数提取函数，且满足该元素值为n。若满足，则初始化当前任务执行次数
Figure FDA0003667086750000023
继续执行；否则，更新无人机编号，令n＝n+1，返回步骤二(3)；
(5)依次更新该无人机n末位置标识，令
Figure FDA0003667086750000024
航行时间，令
Figure FDA0003667086750000025
悬停时间，令
Figure FDA0003667086750000026
执行任务时间，令
Figure FDA0003667086750000027
作业时间，令tn＝t′n+t″n+t″′n；初位置标识，令
Figure FDA0003667086750000028
相应目标受制时间，令
Figure FDA0003667086750000029
其中，
Figure FDA00036670867500000210
为矩阵元素行值提取函数，且满足该元素值为n，元素按行第
Figure FDA00036670867500000211
次出现；
Figure FDA00036670867500000212
为数值修正函数，数值非负时不修正，数值为负时修正为0；d(·)为向量间欧式距离；
(6)判断该无人机n是否执行完当前全部任务，即判断是否满足
Figure FDA00036670867500000213
若满足，则更新无人机编号，令n＝n+1，返回步骤二(3)；否则，更新当前任务执行次数，令
Figure FDA00036670867500000214
返回步骤二(5)；
(7)全部无人机返航判断，即判断是否满足k＝K，若满足，则全部无人机返航，更新无人机n航行时间t′n为
Figure FDA00036670867500000215
更新无人机n作业时间tn为t′n+t″n+t″′n，n＝1，2，...，N；否则，更新任务编号，令k＝k+1，返回第(2)步。
4.根据权利要求1所述的一种异构多无人机协同任务分配方法，其特征在于：步骤三所述建立层次化异构多无人机协同任务分配代价函数包括：
基于任务时间、机载性能约束构建协同任务分配代价函数
Figure FDA00036670867500000216
其中，α1、α2为时耗和能耗代价因子，β′、β″、β″′为航行、悬停和执行任务能耗因子，λt、λp为时间和载荷约束惩罚因子，tmax为协同任务分配最大时间阈值。
5.根据权利要求1所述的一种异构多无人机协同任务分配方法，其特征在于：步骤四所述初始化量子胡蜂群并设定参数包括：
设定量子胡蜂群规模为h，最大迭代次数为G，迭代次数标号为整数g，第g次迭代时，第i个量子胡蜂在u维搜索空间中的量子位置
Figure FDA0003667086750000031
其量子位置的第j维
Figure FDA0003667086750000032
u＝MK，初代时g＝1，初代量子胡蜂量子位置的每一维均初始化为[0，1]区间内的均匀随机数。
6.根据权利要求1所述的一种异构多无人机协同任务分配方法，其特征在于：步骤五所述定义并计算量子胡蜂与食物的距离包括：
第g次迭代时，将全部量子胡蜂量子位置的每一维映射到编号解空间范围内，得到量子胡蜂量子位置的映射态
Figure FDA0003667086750000033
映射方程定义为
Figure FDA0003667086750000034
Figure FDA0003667086750000035
其中，ceil(·)为向上取整函数；将第i个量子胡蜂量子位置的映射态进行维度变换后代入协同任务分配代价函数中得到代价值
Figure FDA0003667086750000036
其中，上标
Figure FDA0003667086750000039
特指矩阵按M×K维重构，且重构方式为先行后列，规定量子胡蜂量子位置映射态所对应的代价值越低，量子胡蜂与食物越接近。
7.根据权利要求1所述的一种异构多无人机协同任务分配方法，其特征在于：步骤六所述根据量子胡蜂与食物的距离对全部量子胡蜂排序包括：
将全部量子胡蜂按照与食物距离由近到远的顺序排列，规定距离食物最近的量子位置为量子胡蜂群最优量子位置
Figure FDA0003667086750000037
8.根据权利要求1所述的一种异构多无人机协同任务分配方法，其特征在于：步骤七所述量子胡蜂依同等概率执行确定性或随机性飞行运动，并在飞行过程中使用模拟量子旋转门来演化量子胡蜂的量子位置包括：
定义第i只量子胡蜂第j维量子位置更新方程
Figure FDA0003667086750000038
确定性飞行下定义
Figure FDA0003667086750000041
随机性飞行下定义
Figure FDA0003667086750000042
其中，
Figure FDA0003667086750000043
为第i只量子胡蜂执行飞行运动后其新产生量子位置的第j维，
Figure FDA0003667086750000044
为第i只量子胡蜂执行飞行运动时的第j维模拟量子旋转角，i＝1，2，...，h，j＝1，2，...，u；ε1、ε2、ε3和ε4均为[0，1]区间内的均匀随机数；η为最优量子胡蜂标签，a和b为随机量子胡蜂标签，τ为迭代量子胡蜂标签；
Figure FDA0003667086750000045
为胡蜂群体互动函数，χ1为互动强度，χ2为互动规模，第i只量子胡蜂执行飞行运动后其新产生量子位置
Figure FDA0003667086750000046
9.根据权利要求1所述的一种异构多无人机协同任务分配方法，其特征在于：步骤八所述应用贪心选择策略，确定下一代量子胡蜂的量子位置包括：
计算全部量子胡蜂原量子位置和新生量子位置与食物的距离，在量子位置集合
Figure FDA0003667086750000047
中贪婪选择h个距离食物较近的量子位置作为下一代量子胡蜂的量子位置
Figure FDA0003667086750000048
10.根据权利要求1所述的一种异构多无人机协同任务分配方法，其特征在于：步骤九所述演进终止判断，输出任务分配方案包括：
判断是否达到最大迭代次数G，若未达到，则令g＝g+1，返回步骤六；若达到，则终止机制演进，将最后一代量子胡蜂群最优量子位置的映射态进行维度变换后作为任务分配矩阵输出。
CN202210594247.5A 2022-05-27 2022-05-27 一种异构多无人机协同任务分配方法 Pending CN114815896A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210594247.5A CN114815896A (zh) 2022-05-27 2022-05-27 一种异构多无人机协同任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210594247.5A CN114815896A (zh) 2022-05-27 2022-05-27 一种异构多无人机协同任务分配方法

Publications (1)

Publication Number Publication Date
CN114815896A true CN114815896A (zh) 2022-07-29

Family

ID=82518511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210594247.5A Pending CN114815896A (zh) 2022-05-27 2022-05-27 一种异构多无人机协同任务分配方法

Country Status (1)

Country Link
CN (1) CN114815896A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879603A (zh) * 2022-11-17 2023-03-31 武汉大学 一种面向多目标点的多无人机协同数据采集方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879603A (zh) * 2022-11-17 2023-03-31 武汉大学 一种面向多目标点的多无人机协同数据采集方法及装置
CN115879603B (zh) * 2022-11-17 2024-05-14 武汉大学 一种面向多目标点的多无人机协同数据采集方法及装置

Similar Documents

Publication Publication Date Title
CN108549402B (zh) 基于量子乌鸦群搜索机制的无人机群任务分配方法
CN108171315B (zh) 基于smc粒子群算法的多无人机任务分配方法
CN111240353B (zh) 基于遗传模糊树的无人机协同空战决策方法
Obayashi et al. Multi-objective design exploration for aerodynamic configurations
CN103279793B (zh) 一种确定环境下的无人飞行器编队任务分配方法
CN107330588B (zh) 一种多基地异构无人机协同侦察的任务规划方法
CN114594794B (zh) 一种考虑子系统执行能力的多机协同任务规划方法
CN114172942B (zh) 多无人机辅助物联网的协同任务分配与轨迹优化方法
CN114281104B (zh) 一种基于改进蚁群算法的多无人机协同调控方法
CN109190978A (zh) 一种基于量子鸟群演化机制的无人机资源分配方法
CN110288857A (zh) 一种基于时空间维度分解的机场停机位快速调度方法
CN112363532B (zh) 一种基于quatre算法的多无人机同时起飞集结方法
CN112733251B (zh) 一种多无人飞行器协同航迹规划方法
CN113485409B (zh) 一种面向地理公平性的无人机路径规划分配方法及系统
CN114815896A (zh) 一种异构多无人机协同任务分配方法
CN115562336A (zh) 一种基于量子郊狼优化机制的多无人机协同任务分配方法
CN113033072A (zh) 一种基于多头注意力指针网络的成像卫星任务规划方法
CN113033970A (zh) 一种针对大规模任务的auv集群分层分配方法
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
CN112580943A (zh) 一种应用于无人机集群的任务分解与能力匹配方法
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
CN115494864A (zh) 基于蚁群算法的异构多无人机任务分配方法
Liu et al. Multi-UAV cooperative task assignment based on orchard picking algorithm
CN114020034A (zh) 基于任务切片的异构多无人机协同任务分配方法
Champasak et al. Grid-based many-objective optimiser for aircraft conceptual design with multiple aircraft configurations

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