CN114971423A - 多ucav的协同任务分配方法、装置、电子设备及介质 - Google Patents

多ucav的协同任务分配方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN114971423A
CN114971423A CN202210888164.7A CN202210888164A CN114971423A CN 114971423 A CN114971423 A CN 114971423A CN 202210888164 A CN202210888164 A CN 202210888164A CN 114971423 A CN114971423 A CN 114971423A
Authority
CN
China
Prior art keywords
task
cluster
ucav
value
target
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.)
Granted
Application number
CN202210888164.7A
Other languages
English (en)
Other versions
CN114971423B (zh
Inventor
宋佳
童心迪
赵凯
徐小蔚
滕柏辰
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202210888164.7A priority Critical patent/CN114971423B/zh
Publication of CN114971423A publication Critical patent/CN114971423A/zh
Application granted granted Critical
Publication of CN114971423B publication Critical patent/CN114971423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种多UCAV的协同任务分配方法、装置、电子设备及介质。该方法根据任务目标集合中各任务目标的位置，确定任务区域；在UCAV集群中各UCAV的探测范围覆盖任务区域时，获取当前时刻下UCAV集群的质心位置，并采用预设的聚类算法，对任务目标集合进行聚类，得到至少一个任务簇、相应任务簇的簇头位置和任务簇价值；之后，获取各任务簇的簇头位置分别与UCAV集群的质心位置间的打击距离；采用预设的优先级函数，确定各任务簇的被打击优先级，并按照各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法，确定UCAV集群对当前任务簇中各任务目标的打击分配方案。该方法提高了任务分配效率和任务分配算法的求解率。

Description

多UCAV的协同任务分配方法、装置、电子设备及介质
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种多UCAV的协同任务分配方法、装置、电子设备及介质。
背景技术
面对正在兴起并不断迭代发展的陆海空天一体化的反导防御技术，传统的空对地导弹由于轨迹单一，易被预测等特点，战略威胁等级逐步降低，所以空对地导弹的任务模式正在从单机执行任务的方式向集群化协作的方式进行转变，而协同任务分配作为多智能体协同博弈技术的先导突出问题，需要在综合考虑飞行时间和协同飞行和执行逻辑等协同相互关系的基础上，根据战场环境变化，考虑编队资源限制，提升目标击毁率，满足在提升任务分配效率的同时提高算法的求解率，保证分配方案的稳定性和可信度。目前多智能体的任务分配方法主要包括：线性规划、启发式算法、市场机制算法、群智能体算法等思路。
然而，发明人发现对于大规模的任务分配场景，上述任务分配方法求取过程较复杂甚至会失败，导致任务分配效率不高，或导致分配方案不稳定。
发明内容
本申请实施例的目的在于提供一种多UCAV的协同任务分配方法、装置、电子设备及介质，用以解决现有技术存在的上述问题，提高了任务分配效率和任务分配算法的求解率，保证分配方案的稳定性和可信度。
第一方面，提供了一种多UCAV的协同任务分配方法，该方法可以包括：
基于任务目标集合中各任务目标的位置，确定所述任务目标集合所在的任务区域；
在UCAV集群中各UCAV的探测范围覆盖所述任务区域时，获取当前时刻下所述UCAV集群的质心位置；
采用预设的聚类算法，对所述任务目标集合进行聚类，得到至少一个任务簇、相应任务簇的簇头位置和任务簇价值，所述任务簇价值是根据相应任务簇中各任务目标被击毁的任务价值确定的；
获取所述各任务簇的簇头位置分别与所述UCAV集群的质心位置间的打击距离；
采用预设的优先级函数，对所述各任务簇的打击距离和相应的任务簇价值进行处理，确定所述各任务簇的被打击优先级；
按照所述各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法，确定所述UCAV集群对当前任务簇中各任务目标的打击分配方案。
在一个可选的实现中，采用预设的优先级函数，对所述各任务簇的打击距离和相应的任务簇价值进行处理，确定所述各任务簇的被打击优先级，包括：
采用预设的优先级函数，对所述各任务簇的打击距离和相应的任务簇价值进行计算，得到所述各任务簇对应的被打击值；
基于所述被打击值的大小，确定所述各任务簇的被打击优先级。
在一个可选的实现中，所述预设的优先级函数表示为：
Figure P_220706082628996_996336001
其中，a为配置的任务收益系数，b为配置的任务成本系数，Vci为第i个任务簇的任务簇价值、max(Vc1,…,Vcη)表示在任务簇的数量为η个时取第1个任务簇的任务簇价值到第η个任务簇的任务簇价值中的最大任务簇价值，di为第i个任务簇对应的打击距离、max(d1,…,dη)表示在任务簇的数量为η个时取第1个任务簇对应的打击距离到第η个任务簇对应的打击距离中的最大打击距离。
在一个可选的实现中，基于所述被打击值的大小，确定所述各任务簇的被打击优先级，包括：
若得到的被打击值均不同，则按照所述被打击值的大小，确定所述各任务簇的被打击优先级，其中，所述被打击值的大小与所述被打击优先级正相关；
若得到的被打击值中存在两个任务簇的打击值相同，则在所述任务收益系数不小于所述任务成本系数，且所述两个任务簇的任务簇价值不同时，根据所述两个任务簇的任务簇价值的大小，确定两个任务簇的被打击优先级，其中，所述任务簇价值的大小与所述被打击优先级正相关；或者，
在所述任务收益系数小于所述任务成本系数，且所述两个任务簇对应的打击距离不同时，根据所述两个任务簇对应的打击距离的远近，确定两个任务簇的被打击优先级，其中，所述打击距离的远近与所述被打击优先级反相关。
在一个可选的实现中，按照所述各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法和预设的约束条件，确定当前任务簇中所述UCAV集群对各任务目标的打击分配方案，包括：
按照所述各任务簇的被打击优先级从高到低的顺序，确定当前任务簇；
基于已知的各UCAV的打击能力，相应击毁各任务目标的概率及装备的导弹数量，采用预设的混合离散灰狼优化算法和预设的约束条件，对所述UCAV集群中UCAV的数量、所述当前任务簇中任务目标的数量、所述当前任务簇中各任务目标对应的任务价值进行计算，得到最大化的目标总击毁期望值；
基于得到的最大化的目标总击毁期望值，确定当前任务簇中所述UCAV集群对各任务目标的打击分配方案，所述打击分配方案包括为所述当前任务簇中各UCAV分配的待打击任务目标，以及向所述待打击任务目标发射的导弹数量。
在一个可选的实现中，所述预设的混合离散灰狼优化算法表示为：
Figure P_220706082629027_027593001
所述预设的约束条件表示为：
Figure P_220706082629108_108599001
其中，函数G为惩罚函数，M表示所述UCAV集群中UCAV的数量；n表示所述当前任务簇中任务目标的数量；
Figure F_220706082624280_280989001
表示第i个UCAV向第j个任务目标发射导弹的数量；
Figure F_220706082624374_374769002
表示击毁第j个任务目标的任务价值；
Figure F_220706082624470_470449003
表示第i个UCAV击毁第j个任务目标的概率；
Figure F_220706082624579_579827004
表示第i个UCAV装备的导弹数量，
Figure F_220706082624678_678498005
表示第i个UCAV是否具备打击任务目标j的能力，如果具备攻击条件则
Figure F_220706082624772_772204006
，否则
Figure F_220706082624852_852749007
。
在一个可选的实现中，所述预设的聚类算法为基于密度的空间聚类算法。
第二方面，提供了一种多UCAV的协同任务分配装置，该装置可以包括：
确定单元，用于基于任务目标集合中各任务目标的位置，确定所述任务目标集合所在的任务区域；
获取单元，用于在UCAV集群中各UCAV的探测范围覆盖所述任务区域时，获取当前时刻下所述UCAV集群的质心位置；
聚类单元，用于采用预设的聚类算法，对所述任务目标集合进行聚类，得到至少一个任务簇、相应任务簇的簇头位置和任务簇价值，所述任务簇价值是根据相应任务簇中各任务目标被击毁的任务价值确定的；
所述获取单元，还用于获取所述各任务簇的簇头位置分别与所述UCAV集群的质心位置间的打击距离；
所述确定单元，还用于采用预设的优先级函数，对所述各任务簇的打击距离和相应的任务簇价值进行处理，确定所述各任务簇的被打击优先级；
以及，按照所述各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法，确定所述UCAV集群对当前任务簇中各任务目标的打击分配方案。
在一个可选的实现中，所述确定单元，具体用于：
采用预设的优先级函数，对所述各任务簇的打击距离和相应的任务簇价值进行计算，得到所述各任务簇对应的被打击值；
基于所述被打击值的大小，确定所述各任务簇的被打击优先级。
在一个可选的实现中，所述预设的优先级函数表示为：
Figure F_220706082624947_947024008
其中，a为配置的任务收益系数，b为配置的任务成本系数，Vci为第i个任务簇的任务簇价值、max(Vc1,…,Vcη)表示在任务簇的数量为η个时取第1个任务簇的任务簇价值到第η个任务簇的任务簇价值中的最大任务簇价值，di为第i个任务簇对应的打击距离、max(d1,…,dη)表示在任务簇的数量为η个时取第1个任务簇对应的打击距离到第η个任务簇对应的打击距离中的最大打击距离。
在一个可选的实现中，所述确定单元，还具体用于：
若得到的被打击值均不同，则按照所述被打击值的大小，确定所述各任务簇的被打击优先级，其中，所述被打击值的大小与所述被打击优先级正相关；
若得到的被打击值中存在两个任务簇的打击值相同，则在所述任务收益系数不小于所述任务成本系数，且所述两个任务簇的任务簇价值不同时，根据所述两个任务簇的任务簇价值的大小，确定两个任务簇的被打击优先级，其中，所述任务簇价值的大小与所述被打击优先级正相关；或者，
在所述任务收益系数小于所述任务成本系数，且所述两个任务簇对应的打击距离不同时，根据所述两个任务簇对应的打击距离的远近，确定两个任务簇的被打击优先级，其中，所述打击距离的远近与所述被打击优先级反相关。
在一个可选的实现中，所述确定单元，还具体用于：
按照所述各任务簇的被打击优先级从高到低的顺序，确定当前任务簇；
基于已知的各UCAV的打击能力，相应击毁各任务目标的概率及装备的导弹数量，采用预设的混合离散灰狼优化算法和预设的约束条件，对所述UCAV集群中UCAV的数量、所述当前任务簇中任务目标的数量、所述当前任务簇中各任务目标对应的任务价值进行计算，得到最大化的目标总击毁期望值；
基于得到的最大化的目标总击毁期望值，确定当前任务簇中所述UCAV集群对各任务目标的打击分配方案，所述打击分配方案包括为所述当前任务簇中各UCAV分配的待打击任务目标，以及向所述待打击任务目标发射的导弹数量。
在一个可选的实现中，所述预设的混合离散灰狼优化算法表示为：
Figure P_220706082629234_234112001
所述预设的约束条件表示为：
Figure P_220706082629314_314199001
其中，函数G为惩罚函数，M表示所述UCAV集群中UCAV的数量；n表示所述当前任务簇中任务目标的数量；
Figure F_220706082625040_040760009
表示第i个UCAV向第j个任务目标发射导弹的数量；
Figure F_220706082625137_137450010
表示击毁第j个任务目标的任务价值；
Figure F_220706082625231_231210011
表示第i个UCAV击毁第j个任务目标的概率；
Figure F_220706082625311_311764012
表示第i个UCAV装备的导弹数量，
Figure F_220706082625405_405510013
表示第i个UCAV是否具备打击任务目标j的能力，如果具备攻击条件则
Figure F_220706082625502_502669014
，否则
Figure F_220706082625596_596420015
。
在一个可选的实现中，所述预设的聚类算法为基于密度的空间聚类算法。
第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
本申请实施例提供的多UCAV的协同任务分配方法通过获取的任务目标集合中各任务目标的位置，确定任务目标集合所在的任务区域；在UCAV集群中各UCAV的探测范围覆盖任务区域时，获取当前时刻下UCAV集群的质心位置，并采用预设的聚类算法，对任务目标集合进行聚类，得到至少一个任务簇、相应任务簇的簇头位置和任务簇价值，任务簇价值是根据相应任务簇中各任务目标被击毁的任务价值确定的；之后，获取各任务簇的簇头位置分别与UCAV集群的质心位置间的打击距离；采用预设的优先级函数，对各任务簇的打击距离和相应的任务簇价值进行处理，确定各任务簇的被打击优先级，并按照各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法，确定UCAV集群对当前任务簇中各任务目标的打击分配方案。该方法提高了任务分配效率和算法的求解率，保证分配方案的稳定性和可信度，以达到最佳的作战效果。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种多UCAV的协同任务分配方法的流程示意图；
图2为本申请实施例提供的一种多UCAV的协同任务分配装置的结构示意图；
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，并不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
为了方便理解，下面对本申请实施例中涉及的名词进行解释：
基于密度的空间（Density-Based Spatial Clustering of Applications withNoise，DBSCAN）聚类算法，与K-Means算法不同，它不需要确定聚类的数量，而是基于数据推测聚类的数目，它能够针对任意形状产生聚类，是一种适用性很强的聚类算法。DBSCAN算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。首先做以下定义：
（1）密度空间(Epsoiln-neighborhood, E-nbhd)：表示半径为r，且含有若干个点的空间，密度
Figure F_220706082625693_693603016
，Nin表示包含点个数，Sspace表示区域面积，通过计算某一区域的密度，横向对比可以得知整个区域的密度分布，由此相近的点可聚类到同一区域内。
（2）Epsilon：在一个点周围邻近区域的半径。
（3）MinPts：邻近区域内至少包含点的个数。
根据以上三点，可以把样本中的点分成以下三类：
核心点：该点在其半径Epsilon范围含有的点数目不小于MinPts；
边界点：该点在其半径Epsilon范围含有的点数目小于MinPts，但该点落在其他核心点的邻域内；
离群点：该点既不属于核点也不属于边界点。
直接密度可达：如果点
Figure F_220706082625802_802969017
在核心点
Figure F_220706082625883_883047018
的Epsilon邻域内，则称点
Figure F_220706082625961_961171019
从点
Figure F_220706082626039_039299020
出发是直接密度可达的。
密度可达：如果存在数据链样本
Figure F_220706082626120_120840021
，其中每一个样本
Figure F_220706082626214_214599022
与其上一个样本
Figure F_220706082626294_294699023
直接密度可达，则
Figure F_220706082626388_388411024
与
Figure F_220706082626469_469478025
密度可达。
DBSCAN 算法对簇的定义为：由密度可达关系，导出的最大密度相连的样本集合，即为最终聚类的一个簇。
在目前的航空航天领域中，任务分配作为空对地导弹群协同任务分配的战术层面，是首要且关键的步骤。协同任务目标分配可归纳为典型的规划问题。空对地导弹群协同任务分配是指通过多无人战斗机(Unmanned Combat Air Vehicle，UCAV)向地面上的任务目标发射导弹进行任务目标击毁的协同任务分配。
本申请实施例的多UCAV的协同任务分配方法可归纳为典型的组合优化问题。由于具有非线性优化函数以及约束条件，且决策变量均为非负数，因此也是一个非线性整数规划模型，该模型具有以下特征：
（1）属于NP难问题，即解空间的大小会随着问题规模和约束数量呈现指数级别增长；
（2）决策变量是离散的；
（3）由于打击可行性的约束，UCAV能否打击特定任务目标具有一定的随机性；
（4）具有非线性优化函数和约束条件；
（5）决策变量的数量等于UCAV的数量与任务目标的数量的乘积，规模较为庞大。
上述特性决定了该模型求解是一个复杂的过程。当问题规模较小，即 UCAV 数量和目标数量较少时，可以考虑求取模型的最优解；而问题规模一旦扩大，由于模型的NP难特性，最优解几乎难以求取，本申请旨在通过引入DBSCAN算法降低原优化算法的单次执行的问题规模，避免因问题规模的扩大导致求解过程复杂甚至失败的问题，在提升任务分配效率的同时也提高了算法的求解率，保证分配方案的稳定性和可信度。
本申请实施例提供的多UCAV的协同任务分配方法通过获取的任务目标集合中各任务目标的位置，确定任务目标集合所在的任务区域；在UCAV集群中各UCAV的探测范围覆盖任务区域时，获取当前时刻下UCAV集群的质心位置，并采用预设的聚类算法，对任务目标集合进行聚类，得到至少一个任务簇、相应任务簇的簇头位置和任务簇价值，任务簇价值是根据相应任务簇中各任务目标被击毁的任务价值确定的；之后，获取各任务簇的簇头位置分别与UCAV集群的质心位置间的打击距离；采用预设的优先级函数，对各任务簇的打击距离和相应的任务簇价值进行处理，确定各任务簇的被打击优先级，并按照各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法，确定UCAV集群对当前任务簇中各任务目标的打击分配方案。
可见，该方法通过对多UCAV组成的UCAV集群和多任务目标组成的任务目标集合等相关的战场环境、为多UCAV给定的资源以及各种约束条件的分析与计算，对多任务目标进行合理的规划分配，并确定多任务目标的优先级，并采用混合离散灰狼优化算法，得到UCAV集群对当前任务簇中各任务目标的打击分配方案，提高了任务分配效率和算法的求解率，保证分配方案的稳定性和可信度，以达到最佳的作战效果。
进一步的，为了实现实施例提供的多UCAV的协同任务分配方法，需要预先配置或获取以下信息：
（1）每个UCAV可打击多个任务目标数；
（2）所有UCAV上装备导弹的类型和装备导弹的数量，如所有UCAV上装备相同类型或不同类型的导弹；
（3）不同UCAV装备的导弹对任务目标的击毁概率，该不同UCAV对应的击毁概率可以相同，也可以不同；
（4）所有任务目标都要受到打击，且每个任务目标可被多个UCAV打击；
（5）所有任务目标均在UCAV作战半径内，且防空火力无法拦截UCAV发射的导弹。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图1为本申请实施例提供的一种多UCAV的协同任务分配方法的流程示意图。如图1所示，该方法可以包括：
步骤S110、基于任务目标集合中各任务目标的位置，确定任务目标集合所在的任务区域。
具体实施中，可以获取任务目标集合中各任务目标的目标标识和各任务目标的位置，第j个任务目标定义为
Figure F_220706082626563_563217026
，其中
Figure F_220706082626659_659388027
为其在任务区域平面内的坐标，Vj为完成此任务目标获得的任务价值，即该任务目标被击毁的任务价值。
根据任务目标集合中各任务目标的位置，可得到各任务目标的位置围成的任务区域。
步骤S120、在UCAV集群中各UCAV的探测范围覆盖任务区域时，获取当前时刻下UCAV集群的质心位置。
具体实施中，UCAV群定义为
Figure F_220706082626738_738026028
,UCAV集群中共M个UCAV，M为大于零的正整数。第i个UCAV在t时刻的位置定义为
Figure F_220706082626831_831811029
，其中，
Figure F_220706082626927_927483030
为UCAV在任务区域平面的投影坐标，
Figure F_220706082627036_036896031
为UCAV所处高度。
实时检测UCAV集群中各UCAV的探测范围可探测的区域是否可覆盖任务区域，例如，UCAV群中各UCAV均飞行到该任务地区的正上方时各UCAV的探测范围可覆盖任务区域。
在各UCAV的探测范围覆盖任务区域时，采用定位设备实时采集各UCAV的位置，并计算UCAV集群的质心位置。
需要说明的是，质心位置的计算方法可以参考现有技术中的质心的计算方法，本申请实施例在此不做限定。
步骤S130、采用预设的聚类算法，对任务目标集合进行聚类，得到至少一个任务簇、相应任务簇的簇头位置和任务簇价值。
其中，预设的聚类算法可以为基于密度的空间聚类算法、k-means算法或基于网格的STING算法或CLIQUE算法，本申请实施例在此不作限定。
由于基于密度的空间聚类算法能够针对任意形状产生聚类，故该算法在检测离群点的任务上有较好的效果，即基于密度的空间聚类算法与任务有一定的适配性，故下面以基于密度的空间聚类算法为例对本申请进行详细介绍。
具体实施中，采用密度的空间聚类算法和任务目标集合中各任务目标的位置，对各任务目标进行聚类，得到至少一个任务簇和各任务簇的中心位置（即簇头位置）。
针对任一任务簇，将该任务簇中各任务目标的任务价值进行累加可得到该任务簇的任务簇价值。或者，针对任一任务簇，将该任务簇中各任务目标的任务价值进行累加后，对累加后的任务价值计算平均值或中位数，将计算得到的平均值或中位数作为该任务簇的任务簇价值。
例如，聚类完成后，得到簇头位置的集合可表示为
Figure F_220706082627132_132577032
，任务簇的数量为η个，η为大于零的正整数。任务价值计算后，得到任务簇价值集合可表示为
Figure F_220706082627226_226307033
，其中，Vc1表示第1个任务簇的任务簇价值，以此类推，Vcη表示第η个任务簇的任务簇价值。
步骤S140、获取各任务簇的簇头位置分别与UCAV集群的质心位置间的打击距离。
具体实施中，可以预设将各任务簇所在平面的高度为0，即各任务簇中各任务目标的位置的三维坐标中高度为0，故簇头位置的三维坐标中高度为0，由此计算各任务簇的簇头位置坐标分别与UCAV集群的质心位置坐标间的打击距离d，即UCAV集群中各UCAV能够打击相应任务簇中各任务目标的距离。例如，打击距离的集合可表示为
Figure F_220706082627325_325935034
，其中，d1表示第1个任务簇对应的打击距离，以此类推，dη表示第η个任务簇对应的打击距离。
步骤S150、采用预设的优先级函数，对各任务簇的打击距离和相应的任务簇价值进行处理，确定各任务簇的被打击优先级。
具体实施中，采用预设的优先级函数，对各任务簇的打击距离和相应的任务簇价值进行计算，得到各任务簇对应的被打击值；
其中，预设的优先级函数可表示为：
Figure F_220706082627419_419731035
其中，a为配置的任务收益系数，b为配置的任务成本系数，Vci为第i个任务簇的任务簇价值、max(Vc1,…,Vcη)表示在任务簇的数量为η个时取第1个任务簇的任务簇价值到第η个任务簇的任务簇价值中的最大任务簇价值，di为第i个任务簇对应的打击距离、max(d1,…,dη)表示在任务簇的数量为η个时取第1个任务簇对应的打击距离到第η个任务簇对应的打击距离中的最大打击距离。
之后，基于被打击值的大小，确定各任务簇的被打击优先级，具体包括：
（1）在得到的被打击值均不同的情况下：
按照被打击值的大小，确定各任务簇的被打击优先级，其中，被打击值的大小与被打击优先级正相关，也就是说，被打击值的越大，被打击优先级越大，反之，被打击值的越小，被打击优先级越小，即被打击值从大到小的顺序即为各任务簇的被打击优先级从高到低的顺序
（2）在得到的被打击值中存在两个任务簇的打击值相同的情况下：
A、若任务收益系数a不小于任务成本系数b，且两个任务簇的任务簇价值不同时，根据两个任务簇的任务簇价值的大小，确定两个任务簇的被打击优先级，其中，任务簇价值的大小与所述被打击优先级正相关。
具体可包括如下几种情形：
若任务收益系数a不小于任务成本系数b，且两个任务簇中的第一任务簇的任务簇价值大于两个任务簇中的第二任务簇的任务簇价值，则确定第一任务簇的被打击优先级大于第二任务簇的被打击优先级。
若任务收益系数a不小于任务成本系数b，且第一任务簇的任务簇价值小于第二任务簇的任务簇价值，则确定第一任务簇的被打击优先级小于第二任务簇的被打击优先级。
若任务收益系数a不小于任务成本系数b，且第一任务簇的任务簇价值等于第二任务簇的任务簇价值，则可以指示管理人员规定出第一任务簇的被打击优先级和第二任务簇的被打击优先级的大小；或者，根据预设的被打击优先级配置规则，确定第一任务簇的被打击优先级和第二任务簇的被打击优先级的大小，例如，预设的被打击优先级配置规则规定相比较的两个任务簇中任务目标数量多的任务簇的被打击优先级高，那么通过比较两个任务簇中各自包含的任务目标数量，即可确定哪个任务簇的被打击优先级高。
B、在任务收益系数a小于任务成本系数b，且两个任务簇对应的打击距离不同时，根据两个任务簇对应的打击距离的远近，确定两个任务簇的被打击优先级，其中，打击距离的远近与被打击优先级反相关。
具体可包括如下几种情形：
若任务收益系数a小于任务成本系数b，且两个任务簇中的第一任务簇的打击距离大于两个任务簇中的第二任务簇的打击距离，则确定第一任务簇的被打击优先级小于第二任务簇的被打击优先级。
若任务收益系数a小于任务成本系数b，且第一任务簇的打击距离小于第二任务簇的打击距离，则确定第一任务簇的被打击优先级大于第二任务簇的被打击优先级。
若任务收益系数a小于任务成本系数b，且第一任务簇的打击距离等于第二任务簇的打击距离，则可以同样指示管理人员规定出第一任务簇的被打击优先级和第二任务簇的被打击优先级的大小；或者，同样根据预设的被打击优先级配置规则，确定第一任务簇的被打击优先级和第二任务簇的被打击优先级的大小。
需要说明的是，得到的被打击值中也可能存在两个以上任务簇的打击值相同的情况，对于此情况可每两个任务簇执行一次（2）中的步骤，例如，三个任务簇的打击值相同时，两两任务簇执行一次（2）中的步骤，共执行三次，本申请实施例在此不做赘述。
步骤S160、按照各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法，确定UCAV集群对当前任务簇中各任务目标的打击分配方案。
具体实施中，按照各任务簇的被打击优先级从高到低的顺序，确定当前任务簇；
实时检测UCAV集群中各UCAV的打击能力，即可以对任务目标进行打击的能力。对该打击能力检测的对象可以包括对UCAV装备的导弹数量、UCAV的持续飞行的能力，UCAV是否处于某一任务目标的打击范围等能够影响UCAV对任务目标造成伤害的因素。若UCAV能够对任务目标进行打击，则表明该UCAV具有打击能力。
基于可获取到的各UCAV的打击能力，可获取到的击毁各任务目标的概率及可获取到的装备的导弹数量，采用预设的混合离散灰狼优化算法和预设的约束条件，对UCAV集群中UCAV的数量、当前任务簇中任务目标的数量、当前任务簇中各任务目标对应的任务价值进行计算，得到最大化的目标总击毁期望值（max F）；
基于得到的最大化的目标总击毁期望值，确定当前任务簇中UCAV集群对各任务目标的打击分配方案。打击分配方案可以包括为当前任务簇中各UCAV分配的待打击任务目标，以及向待打击任务目标发射的导弹数量。
在一个例子中，按照优先级函数的计算结果，进行各任务簇的排序，优先分配序位高的任务集合，以一个任务簇为单位进行顺序任务分配，每一个任务簇内任务目标的任务分配，采用混合离散灰狼优化算法实现复杂战场环境下的最优任务分配方案，即M个UCAV协同打击地面上一个任务簇内的n个任务目标，任务分配的目的为在约束条件下最大化的目标总击毁期望值，而当任务目标没有被导弹攻击时会被惩罚，具体的预设的混合离散灰狼优化算法可以表示为：
Figure P_220706082629456_456253001
预设的约束条件可以表示为：
Figure P_220706082629534_534913001
其中，函数G为惩罚函数，M表示UCAV集群中UCAV的数量；n表示当前任务簇中任务目标的数量；
Figure F_220706082627541_541289036
表示第i个UCAV向第j个任务目标发射导弹的数量；
Figure F_220706082627652_652048037
表示击毁第j个任务目标的任务价值；
Figure F_220706082627746_746324038
表示第i个UCAV击毁第j个任务目标的概率；
Figure F_220706082627840_840082039
表示第i个UCAV装备的导弹数量，
Figure F_220706082627935_935313040
表示第i个UCAV是否具备打击任务目标j的打击能力，如果具备打击能力，则
Figure F_220706082628044_044706041
，否则
Figure F_220706082628140_140875042
。
针对一个任务簇的处理过程可以理解成在问题规模较小时，求取最优解，完成多UCAV的协同任务分配，此时视为完成一个任务簇的任务分配，之后针对下一个任务簇通过循环该处理过程，直到所有任务簇的任务完全执行，则任务结束。
在一些实施例中，在步骤S130中聚类后可得到至少一个任务簇，对于多个任务簇的情况，可以按照逻辑执行顺序执行步骤S140-步骤S160。而对于一个任务簇的情况，为了进一步提高任务分配效率和任务分配算法的求解率可以省去执行步骤S140-步骤S150，即省去任务簇的被打击优先级的获取过程，直接采用混合离散灰狼优化算法，确定UCAV集群对当前任务簇中各任务目标的打击分配方案。
与上述方法对应的，本申请实施例还提供一种多UCAV的协同任务分配装置，如图2所示，该多UCAV的协同任务分配装置包括：确定单元210、获取单元220和聚类单元230；
确定单元210，用于基于任务目标集合中各任务目标的位置，确定所述任务目标集合所在的任务区域；
获取单元220，用于在UCAV集群中各UCAV的探测范围覆盖所述任务区域时，获取当前时刻下所述UCAV集群的质心位置；
聚类单元230，用于采用预设的聚类算法，对所述任务目标集合进行聚类，得到至少一个任务簇、相应任务簇的簇头位置和任务簇价值，所述任务簇价值是根据相应任务簇中各任务目标被击毁的任务价值确定的；
获取单元220，还用于获取所述各任务簇的簇头位置分别与所述UCAV集群的质心位置间的打击距离；
确定单元210，还用于采用预设的优先级函数，对所述各任务簇的打击距离和相应的任务簇价值进行处理，确定所述各任务簇的被打击优先级；以及，按照所述各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法，确定所述UCAV集群对当前任务簇中各任务目标的打击分配方案。
本申请上述实施例提供的多UCAV的协同任务分配装置的各功能单元的功能，可以通过上述各方法步骤来实现，因此，本申请实施例提供的多UCAV的协同任务分配装置中的各个单元的具体工作过程和有益效果，在此不复赘述。
本申请实施例还提供了一种电子设备，如图3所示，包括处理器310、通信接口320、存储器330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。
存储器330，用于存放计算机程序；
处理器310，用于执行存储器330上所存放的程序时，实现如下步骤：
基于任务目标集合中各任务目标的位置，确定所述任务目标集合所在的任务区域；
在UCAV集群中各UCAV的探测范围覆盖所述任务区域时，获取当前时刻下所述UCAV集群的质心位置；
采用预设的聚类算法，对所述任务目标集合进行聚类，得到至少一个任务簇、相应任务簇的簇头位置和任务簇价值，所述任务簇价值是根据相应任务簇中各任务目标被击毁的任务价值确定的；
获取所述各任务簇的簇头位置分别与所述UCAV集群的质心位置间的打击距离；
采用预设的优先级函数，对所述各任务簇的打击距离和相应的任务簇价值进行处理，确定所述各任务簇的被打击优先级；
按照所述各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法，确定所述UCAV集群对当前任务簇中各任务目标的打击分配方案。
上述提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图1所示的实施例中的各步骤来实现，因此，本申请实施例提供的电子设备的具体工作过程和有益效果，在此不复赘述。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的多UCAV的协同任务分配方法。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的多UCAV的协同任务分配方法。
本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。

Claims (10)

1.一种多UCAV的协同任务分配方法，其特征在于，所述方法包括：
基于任务目标集合中各任务目标的位置，确定所述任务目标集合所在的任务区域；
在UCAV集群中各UCAV的探测范围覆盖所述任务区域时，获取当前时刻下所述UCAV集群的质心位置；
采用预设的聚类算法，对所述任务目标集合进行聚类，得到至少一个任务簇、相应任务簇的簇头位置和任务簇价值，所述任务簇价值是根据相应任务簇中各任务目标被击毁的任务价值确定的；
获取所述各任务簇的簇头位置分别与所述UCAV集群的质心位置间的打击距离；
采用预设的优先级函数，对所述各任务簇的打击距离和相应的任务簇价值进行处理，确定所述各任务簇的被打击优先级；
按照所述各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法，确定所述UCAV集群对当前任务簇中各任务目标的打击分配方案。
2.如权利要求1所述的方法，其特征在于，采用预设的优先级函数，对所述各任务簇的打击距离和相应的任务簇价值进行处理，确定所述各任务簇的被打击优先级，包括：
采用预设的优先级函数，对所述各任务簇的打击距离和相应的任务簇价值进行计算，得到所述各任务簇对应的被打击值；
基于所述被打击值的大小，确定所述各任务簇的被打击优先级。
3.如权利要求2所述的方法，其特征在于，所述预设的优先级函数表示为：
Figure F_220706082621125_125260001
其中，a为配置的任务收益系数，b为配置的任务成本系数，Vci为第i个任务簇的任务簇价值、max(Vc1,…,Vcη)表示在任务簇的数量为η个时取第1个任务簇的任务簇价值到第η个任务簇的任务簇价值中的最大任务簇价值，di为第i个任务簇对应的打击距离、max(d1,…,dη)表示在任务簇的数量为η个时取第1个任务簇对应的打击距离到第η个任务簇对应的打击距离中的最大打击距离。
4.如权利要求3所述的方法，其特征在于，基于所述被打击值的大小，确定所述各任务簇的被打击优先级，包括：
若得到的被打击值均不同，则按照所述被打击值的大小，确定所述各任务簇的被打击优先级，其中，所述被打击值的大小与所述被打击优先级正相关；
若得到的被打击值中存在两个任务簇的打击值相同，则在所述任务收益系数不小于所述任务成本系数，且所述两个任务簇的任务簇价值不同时，根据所述两个任务簇的任务簇价值的大小，确定两个任务簇的被打击优先级，其中，所述任务簇价值的大小与所述被打击优先级正相关；或者，
在所述任务收益系数小于所述任务成本系数，且所述两个任务簇对应的打击距离不同时，根据所述两个任务簇对应的打击距离的远近，确定两个任务簇的被打击优先级，其中，所述打击距离的远近与所述被打击优先级反相关。
5.如权利要求1所述的方法，其特征在于，按照所述各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法和预设的约束条件，确定当前任务簇中所述UCAV集群对各任务目标的打击分配方案，包括：
按照所述各任务簇的被打击优先级从高到低的顺序，确定当前任务簇；
基于已知的各UCAV的打击能力，相应击毁各任务目标的概率及装备的导弹数量，采用预设的混合离散灰狼优化算法和预设的约束条件，对所述UCAV集群中UCAV的数量、所述当前任务簇中任务目标的数量、所述当前任务簇中各任务目标对应的任务价值进行计算，得到最大化的目标总击毁期望值；
基于得到的最大化的目标总击毁期望值，确定当前任务簇中所述UCAV集群对各任务目标的打击分配方案，所述打击分配方案包括为所述当前任务簇中各UCAV分配的待打击任务目标，以及向所述待打击任务目标发射的导弹数量。
6.如权利要求1所述的方法，其特征在于，所述预设的混合离散灰狼优化算法表示为：
Figure P_220706082622439_439705001
所述预设的约束条件表示为：
Figure P_220706082622520_520244001
其中，函数G为惩罚函数，M表示所述UCAV集群中UCAV的数量；n表示所述当前任务簇中任务目标的数量；
Figure F_220706082621234_234630002
表示第i个UCAV向第j个任务目标发射导弹的数量；
Figure F_220706082621363_363022003
表示击毁第j个任务目标的任务价值；
Figure F_220706082621523_523177004
表示第i个UCAV击毁第j个任务目标的概率；
Figure F_220706082621632_632568005
表示第i个UCAV装备的导弹数量，
Figure F_220706082621728_728750006
表示第i个UCAV是否具备打击任务目标j的能力，如果具备攻击条件则
Figure F_220706082621822_822499007
，否则
Figure F_220706082621982_982199008
。
7.如权利要求1所述的方法，其特征在于，所述预设的聚类算法为基于密度的空间聚类算法。
8.一种多UCAV的协同任务分配装置，其特征在于，所述装置包括：
确定单元，用于基于任务目标集合中各任务目标的位置，确定所述任务目标集合所在的任务区域；
获取单元，用于在UCAV集群中各UCAV的探测范围覆盖所述任务区域时，获取当前时刻下所述UCAV集群的质心位置；
聚类单元，用于采用预设的聚类算法，对所述任务目标集合进行聚类，得到至少一个任务簇、相应任务簇的簇头位置和任务簇价值，所述任务簇价值是根据相应任务簇中各任务目标被击毁的任务价值确定的；
所述获取单元，还用于获取所述各任务簇的簇头位置分别与所述UCAV集群的质心位置间的打击距离；
所述确定单元，还用于采用预设的优先级函数，对所述各任务簇的打击距离和相应的任务簇价值进行处理，确定所述各任务簇的被打击优先级；
以及，按照所述各任务簇的被打击优先级从高到低的顺序，采用混合离散灰狼优化算法，确定所述UCAV集群对当前任务簇中各任务目标的打击分配方案。
9.一种电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存储的程序时，实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
CN202210888164.7A 2022-07-27 2022-07-27 多ucav的协同任务分配方法、装置、电子设备及介质 Active CN114971423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210888164.7A CN114971423B (zh) 2022-07-27 2022-07-27 多ucav的协同任务分配方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210888164.7A CN114971423B (zh) 2022-07-27 2022-07-27 多ucav的协同任务分配方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN114971423A true CN114971423A (zh) 2022-08-30
CN114971423B CN114971423B (zh) 2022-10-04

Family

ID=82968551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210888164.7A Active CN114971423B (zh) 2022-07-27 2022-07-27 多ucav的协同任务分配方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN114971423B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650058A (zh) * 2016-12-08 2017-05-10 南京航空航天大学 一种基于改进人工蜂群算法的协同电子干扰任务调度方法
CN109101721A (zh) * 2018-08-03 2018-12-28 南京航空航天大学 不确定环境下基于区间直觉模糊信息的多无人机任务分配方法
CN111142553A (zh) * 2019-12-11 2020-05-12 北京航空航天大学 基于生物捕食能量模型的无人机集群自主任务分配方法
CN112884319A (zh) * 2021-02-10 2021-06-01 腾讯大地通途（北京）科技有限公司 一种任务分配方法、装置、计算机设备以及存储介质
WO2022032620A1 (zh) * 2020-08-14 2022-02-17 海能达通信股份有限公司 一种无人机基站的部署方法、系统、设备及存储介质
CN114169748A (zh) * 2021-12-02 2022-03-11 西安交通大学 多机器人任务分配方法、系统、设备及可读存储介质
CN114442662A (zh) * 2022-01-05 2022-05-06 南京航空航天大学 基于改进狼群优化算法的无人机集群协同对地打击方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650058A (zh) * 2016-12-08 2017-05-10 南京航空航天大学 一种基于改进人工蜂群算法的协同电子干扰任务调度方法
CN109101721A (zh) * 2018-08-03 2018-12-28 南京航空航天大学 不确定环境下基于区间直觉模糊信息的多无人机任务分配方法
CN111142553A (zh) * 2019-12-11 2020-05-12 北京航空航天大学 基于生物捕食能量模型的无人机集群自主任务分配方法
WO2022032620A1 (zh) * 2020-08-14 2022-02-17 海能达通信股份有限公司 一种无人机基站的部署方法、系统、设备及存储介质
CN112884319A (zh) * 2021-02-10 2021-06-01 腾讯大地通途（北京）科技有限公司 一种任务分配方法、装置、计算机设备以及存储介质
CN114169748A (zh) * 2021-12-02 2022-03-11 西安交通大学 多机器人任务分配方法、系统、设备及可读存储介质
CN114442662A (zh) * 2022-01-05 2022-05-06 南京航空航天大学 基于改进狼群优化算法的无人机集群协同对地打击方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
魏政磊 等: "《基于自适应GWO的多UCAV协同攻击目标决策》", 《计算机工程与应用》 *

Also Published As

Publication number Publication date
CN114971423B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
US11669110B2 (en) Control system based on multi-unmanned aerial vehicle cooperative strategic confrontation
Xin et al. An efficient rule-based constructive heuristic to solve dynamic weapon-target assignment problem
Ma et al. Cooperative occupancy decision making of Multi-UAV in Beyond-Visual-Range air combat: A game theory approach
Zhang et al. A scheduling method based on a hybrid genetic particle swarm algorithm for multifunction phased array radar
CN111783020A (zh) 一种多维特征的战场实体目标分群方法及系统
Niño-Mora et al. Sensor scheduling for hunting elusive hiding targets via Whittle's restless bandit index policy
CN112734239B (zh) 基于任务与资源能力属性的任务规划方法、装置和介质
CN109118064B (zh) 一种用于探测任务规划的最优资源分配方法
CN113109770A (zh) 一种干扰资源分配方法及系统
CN114971423B (zh) 多ucav的协同任务分配方法、装置、电子设备及介质
CN111797966B (zh) 一种基于改进羊群算法的多机协同全局目标分配方法
CN113065094A (zh) 一种基于累积前景价值和三支决策的态势评估方法与系统
CN117391364A (zh) 一种多站协同电子干扰资源分配方法
CN113190041A (zh) 一种基于约束松弛技术的无人机集群在线目标分配方法
CN117575494A (zh) 多目标redd项目区域的聚合方法、系统、终端及介质
CN113091529B (zh) 一种基于发射约束检测规则的武器决策模型构建方法
CN115660339A (zh) 基于改进粒子群算法的静态无人机集群作战协同火力决策方法
Jishuai et al. Improved monarch butterfly optimization for multi-to-multi weapon-target assignment problems
Cheng et al. Weapon-target assignment of ballistic missiles based on Q-learning and genetic algorithm
CN116088586A (zh) 一种无人机作战过程中的临机任务规划的方法
CN110826877B (zh) 一种针对多个点目标的火力分配方法
CN113919425B (zh) 一种空中目标自主分配方法及系统
CN112396288B (zh) 一种装备体系火力打击能力评估方法、装置、设备和介质
CN115564374A (zh) 协同多任务重分配方法、装置、设备及可读存储介质
CN114358127A (zh) 一种空中任务群组识别方法

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