CN115016537B - 一种sead场景下异构无人机配置与任务规划联合优化方法 - Google Patents

Abstract

本发明公开了一种SEAD场景下异构无人机配置与任务规划联合优化方法，包括上层无人机配置调整与下层任务规划计算，具体地：下层任务规划计算在上层无人机配置调整的无人机配置方案约束下进行任务规划计算，其优化目标为在该方案的无人机数量种类约束下，最小化任务平均完成时间；上层无人机配置调整则根据下层任务规划计算获得的最优任务执行方案反馈优化无人机配置，其优化目标为在任务执行要求下，最小化各类型无人机数量。本发明应用于无人机规划领域，在避免遍历无人机配置组合的前提下，获得合理的无人机配置方案，同时求解得到高效可行的任务执行方案，为无人机资源配置与任务规划提供了完整的解决方法，提高了多无人机协同的指控效率。

Description

一种SEAD场景下异构无人机配置与任务规划联合优化方法

技术领域

本发明涉及无人机规划技术领域，具体是一种SEAD场景下异构无人机配置与任务规划联合优化方法。

背景技术

随着人工智能技术的发展和无人系统的日渐成熟，无人机被广泛应用在不同任务场景。面对多样化的任务需求，单架无人机受自身软硬件条件的限制，存在一些局限性：如任务持续能力不足、系统容错性不高和升级周期长等。异构无人机系统是不同单元的合理组合，通过机间的信息融合与能力互补，突破个体能力限制，具备多样化的任务能。敌防空压制(suppression ofenemy air defenses,SEAD)场景是异构无人机协同的典型应用，需要协调多架无人机在特定区域内攻击敌方目标并使其丧失任务能力，对各类无人机的协同效率提出了很高要求。

无人机配置是根据任务需求和无人机性能确定参与任务的无人机组合类型和数量规模；无人机任务规划是在任务需求和单元能力的约束下，优化求解获得可行任务执行方案。无人机配置和任务规划存在一定的递阶关联性，合理的无人机配置可以充分发挥各类型无人机能力，提升任务规划求解效率，满足任务需求的同时避免无人机资源的浪费。当前SEAD场景研究多集中在给定无人机配置下的任务规划方法，主要为完善场景建模和提升算法求解效率。但在实际应用时，无人机数量常未明确，需要对任务执行效率和无人机出动成本进行协调，确定合理规模的无人机组合以满足任务要求。但由于无人机配置和任务规划存在的递阶关联关系，无法同时对无人机配置和任务规划同时求解：因为一方面两者相互叠加使得问题解空间极大扩展，降低求解效率；另一方面由于各类型决策变量的相互影响，无法有效引导求解并可能退化为随机搜索。因此无人机配置和任务规划联合优化研究具有很强的现实意义。

发明内容

针对上述现有技术中的不足，本发明提供一种SEAD场景下异构无人机配置与任务规划联合优化方法，采用双层联合优化：上层调整无人机配置，设计了任务衔接比指标引导无人机数量调整；下层改进遗传算法求解任务规划问题，可以高效处理多种耦合约束，并设计了面向无人机数量变化的局部搜索算子以提升求解效率；双层相互协调以获得合理的无人机配置方案和高效的任务执行方案。

为实现上述目的，本发明提供一种SEAD场景下异构无人机配置与任务规划联合优化方法，包括上层无人机配置调整与下层任务规划计算，具体地：

下层任务规划计算在上层无人机配置调整的无人机配置方案约束下进行任务规划计算，其优化目标为在该方案的无人机数量种类约束下，最小化任务平均完成时间；

上层无人机配置调整则根据下层任务规划计算获得的最优任务执行方案反馈优化无人机配置，其优化目标为在任务执行要求下，最小化各类型无人机数量。

与现有技术相比，本发明具有如下有益技术效果：

1、建立了无人机配置调整与任务规划计算的双层联合优化，使双层相互协调，进而可以获得合理的无人机配置方案和高效的任务执行方案；

2、在上层无人机配置中根据任务时间表和无人机使用率设计了任务衔接比指标，以评估各类型无人机需求情况，并在该指标基础上结合无人机数量限制建立无人机配置调整方法，能够结合任务执行方案数据对无人机配置方案进行快速调整；

3、在下层任务规划计算中设计了改进遗传算法求解任务规划问题，使用多层编码策略建立无人机和任务映射，并使用多层动态方法调整编码顺序以满足计算需求；在编码基础上结合任务时间窗口、任务路径、资源和航程约束对无人机进行调整并计算任务时间表，生成完整的任务执行方案；同时设计了局部搜索算子作为算法更新的补充部分，能够结合无人机配置变化对前序优质执行方案进行精细调整，提升整体计算效。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。

图1为本发明实施例中双层联合优化方法结构图；

图2为本发明实施例中上层无人机配置调整的流程图；

图3为本发明实施例中下层任务规划计算的第一种实施方式流程图；

图4为本发明实施例中多层编码示意图；

图5为本发明实施例中编码调整流程图；

图6为本发明实施例中无人机任务路径计算示意图

图7为本发明实施例中下层任务规划计算的第二种实施方式流程图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本实施例公开了一种SEAD场景下异构无人机配置与任务规划联合优化方法，该方法在不确定无人机配置下，可以根据任务执行需求，在避免遍历无人机配置组合的基础上，求解获得无人机配置方案和对应任务执行方案。

参考图1，该联合优化方法包括上层无人机配置调整与下层任务规划计算。其中，下层任务规划计算在上层无人机配置调整的无人机配置方案约束下进行任务规划计算，其优化目标为在该方案的无人机数量种类约束下，最小化任务平均完成时间。上层无人机配置调整则根据下层任务规划计算获得的最优任务执行方案反馈优化无人机配置，其优化目标为在任务执行要求下，最小化各类型无人机数量。

下面结合具体地SEAD场景本对发明中的联合优化方法作出进一步的说明。

SEAD场景目标为地面雷达，其地理坐标已知，毁伤要求和时间窗口已经明确，为简化计算做出如下设定：

1、任务场景为二维区域，不考虑地形障碍、禁飞区、突发威胁等干扰因素，目标和无人机均视为点目标；

2、每个目标包含多个任务，每个任务由一架无人机执行，不能忽略任务执行时间；

3、无人机存在载荷和航程限制，不能无限执行任务，任务完成后返回起飞点；

4、无人机配置的计算结果称为无人机配置方案，即参与任务的无人机组合类型和对应数量规模；

5、任务规划的计算结果称为任务执行方案，包含无人机与任务的映射关系、任务时间表(无人机到达时间、任务开始时间和结束时间等)和无人机飞行路径数据。

对SEAD场景下的目标与任务做出如下设定：

1、为目标集合，其中，N^Target为目标数量；定义/>为目标T_i所属任务集合，每个目标都必须包含侦察、攻击和评估三种任务，如下式所示：

其中，C为侦察任务，A为攻击任务，V为评估任务，c＝{1,2,3}为对应任务类型序号。

2、各目标的任务集合可以在式1的基础上根据需求进行增加，可包含多个同类型任务(如多个攻击任务)。为目标T_i的/>个任务。/>为目标T_i的第m个任务，/>为任务/>的资源需求，/>为任务/>的任务时间窗口，为任务/>的任务执行时长。

3、全部目标的任务集合按照目标序号进行排列，形成任务总集合任务总数量为/>

为完善整体模型，定义T₀为起飞点，其评估任务为无人机返航，即

4、为描述任务之间的时序耦合关系，在任务总集合M^All基础上建立关联矩阵A^C和时间间隔矩阵A^T，矩阵大小均为其中，关联矩阵A^C定性描述任务的时序耦合关系，时间矩阵A^T则是在关联矩阵的基础上定量描述耦合任务的时间间隔。具体地：

表示关联矩阵A^C的i行j列元素，/>表示M^All中第i个任务影响第j个任务执行，第j个任务依赖于第i个任务的执行，若/>则表示两个任务同时执行；

表示时间间隔矩阵A^T元素，若/>且/>表示M^All中第j个任务需要在第i个任务完成后间隔/>时间开始；

对于某一任务，关联矩阵中对应列包含其依赖的全部任务，定义为这些任务为其前序耦合任务，前序耦合任务全部完成后该任务才可执行。关联矩阵中对应行包含其影响的全部任务，定义这些任务为其后续关联任务，该任务影响后续任务的执行。例如式(3)为侦察、攻击和评估任务的关联矩阵，第3列表示评估任务的前序耦合任务为侦察和攻击任务，第2行表示攻击任务的后续关联任务为评估任务：

对SEAD场景下的目无人机做出如下设定：

1、U^u,u∈{1,2,3}为各类无人机集合，u为无人机类型序号：其中，U¹为侦察型无人机集合，U²为攻击型无人机集合，U³为评估型无人机集合，定义为U^u中的无人机最大数量。

2、U^u型无人机性能参数如下：D^u为机载资源数量，V^u为巡航速度，L^u为最大航程，为最小转弯半径。/>为无人机能力矩阵，其元素与式1中任务相对应，/>表示无人机可以执行对应任务。

3、为参与任务的无人机集合，U_k表示其中第k个无人机，且U_k∈U^u。定义/>为U^u型无人机使用数量，N^UAV为无人机总数量，关系如下：

对于问题求解模型作出如下设定：

1、在问题求解模型HUFVRP中：定义图模型G(V,A)，其中，为起飞点和目标点的集合；A＝{(i,j)0≤i,j≤N^Target,i≠j}为无人机可能的飞行航线的集合，(i,j)表示无人机从T_i点转移至T_j点。

2、模型相关决策变量如下：

为参与任务的各类型无人机数量列表；

为任务分配变量，表示无人机U_k将按照(i,j)前往目标T_j执行任务

为无人机U_k按照(i,j)前往目标T_j执行任务/>的飞行路径距离；

为无人机U_k执行任务/>的开始时间，其中，/>表示无人机返航到达起飞点的时间。

以上四种变量存在关联关系，无人机数量影响任务分配情况，任务分配情况影响无人机飞行路径，无人机飞行路径影响任务开始时间。

3、在优化目标方面，需要寻找最小规模的无人机配置方案和最高效的任务执行方案，使得任务完成数量多且任务完成时间短。因此设置无人机数量和任务平均完成时间两个优化目标，并在完成时间函数中增加惩罚项以处理未完成任务，具体如下：

F₁＝N^UAV(5)

其中，F₁为无人机配置方案中无人机的数量，F₂为全部已完成任务的平均完成时间，为未完成任务惩罚参数；

模型约束可分为三类：任务执行要求、任务时序耦合约束和无人机能力限制，建模如下：

其中，式(7)确保每一目标的包含的多个任务均分配无人机执行；式(8)-(9)表示确保无人机从起飞点出发，执行完任务后返回出发点；式(10)确保无人机按任务执行方案逐个前往目标点执行任务。式(11)确保无人机可以在任务开始前到达目标位置。式(12)确保任务开始时间满足任务时间窗约束；式(13)确保存在时序耦合关系两个任务执行时间满足约束，其中Y为无穷大值。式(14)确保无人机有能力执行所分配的任务；式(15)确保无人机所执行任务的资源需求不超过机载资源限制；式(16)确保无人机不超过其航程限制；式(17)确保各类型无人机数量不超过其数量限制。

本发明在上层的无人机配置调整过程中，根据任务时间表和无人机使用率设计了任务衔接比指标，以评估各类型无人机需求情况，并在该指标基础上结合无人机数量限制建立无人机配置调整方法，能够结合任务执行方案数据对无人机配置方案进行快速调整。

任务衔接比指标旨在通过任务开始时间评估各类型无人机需求情况。在SEAD场景中，任务的实际开始时间受到无人机性能、前序耦合任务和时间窗口的影响：即无人机需要到达目标区域，前序耦合任务完成，满足任务时间窗口。其中前两者是确定的，但无人机到达时间受到无人机数量和任务执行顺序影响。

为评估无人机到达时间，设想一个理想情况，即无人机从起飞点直接到达任务区域，实际到达时间不会早于这一时间。在此定义任务的最早允许开始时间/>

其中，为任务/>的全部前序耦合任务/>的完成时间和规定时间间隔的最大值，/>为无人机从起飞点前往目标的最短飞行距离。

任务开始时间会与最早允许开始时间的存在一定差值，其与无人机数量有关：若无人机数量不足，无人机需要承担多个任务，其到达目标区域执行任务时间会与最早允许开始时间相差较大。若无人机数量充足，无人机承担任务较少，则两者差值将会较小。如式(20)所示，将二者差值定义为等待时间W^CI，为：

等待时间与任务开始时间有关，若任务无法执行则会影响其计算，对此根据任务无法执行原因进行分类处理。任务无法执行原因分为4种：航程不足、无资源不足、前序耦合任务未执行和违反任务时间窗，计算见式(21)，为：

其中前两种情况可以通过增加无人机解决，直接设置较大的等待时间值，为可执行任务等待时间的最大值；后两种情况中存在前序任务影响，无法判断增加对应无人机是否有效，因此将等待时间设置为0。待前序耦合任务完成后，若无人机数量仍不足，则此时会出现由于航程或资源不足使得任务无法执行，此时增加对应无人机。

本发明在任务等待时间基础上设计了任务衔接比指标δ^CI，描述各类型任务对应无人机需求情况，计算如下：

其中，为任务对应无人机使用率，/>为无人机所对应任务的等待时间均值,λ^CI∈(0,1)为等待时间调节参数，/>为无人机平均任务数量，α^CI∈(0,0.1]为平均任务数量控制系数。

衔接比理想值为1，该指标高说明对应无人机数量不足。其中等待时间调节系数λ^CI可以避免各类型任务衔接比指标差距过大；当无人机使用率低于1时，指标低于理想值避免无人机的资源浪费；平均任务数量可以表明各类型无人机任务数量是否平衡，但不同无人机能力不同，因此将其作为辅助项，α^CI取值较小。

此外，任务时序耦合关系也体现在任务衔接比变化中：无人机增加会影响对应任务完成时间，从而影响后续任务的最早允许开始时间，若后续任务无人机数量不足则等待时间上升。因此可以观察各类型任务等待时间变化，为无人机配置调整提供参考。

在具体实施过程中，上层的无人机配置调整基于任务衔接比指标设计，在初始无人机配置方案基础上进行迭代，每次增加规定数量的无人机，观察对应任务执行方案变化，进行下一步调整。参考图2，上层无人机配置调整的过程为：

步骤A1，根据SEAD场景目标集合中所包含的任务类型生成初始无人机配置方案，其中，初始无人机配置方案中，每个任务类型所对应的无人机至少为1架(本实施例中初始无人机配置方案每个任务类型所对应的无人机均为1架)；

步骤A2，调用下层任务规划计算部分，获得若干待选任务执行方案，从中选择任务平均完成时间最短的方案，将其作为当前无人机配置方案下的最优方案；

步骤A3，基于当前最优方案的具体时间表计算各类型任务的等待时间，进而计算对应各类型无人机的任务衔接比指标，并根据任务衔接比值指标对无人机进行排列，即将各类型无人机对应的任务衔接比指标从大到小依次排序形成待增加无人机列表；

步骤A4，对于当前无人机配置方案中达到预定数量限制的某一类型的无人机，将其从待增加无人机列表删除，完成待增加无人机列表的第一次更新；

步骤A5，判断当前迭代次数是否为1：

若是则直接进入步骤A6；

否则，执行如下操作：

选择上次迭代增加的无人机，将其可执行的任务作为自身任务。由于无人机的增加会通过影响自身任务的执行进而影响后续其他类型任务的执行，选择受其影响最大的某一类型任务(例如侦察任务对攻击任务影响最大，攻击任务对评估任务影响最大)，计算上次无人机增加后其等待时间变化，若不发生变化或变化很小，则说明该类型任务所对应无人机数量已经到达饱和(例如等待时间变化幅度在1％以下，即认为该类型任务所对应无人机数量已经到达饱和)，将该类无人机从列表中删除，完成待增加无人机列表的第二次更新后，再进入步骤A6；

步骤A6，选择待增加无人机列表中排序第一的无人机，在当前无人机配置方案中增加1架该类型无人机(即规定每次迭代时增加1架无人机)，完成无人机配置方案的更新；

步骤A7，调用下层任务规划计算部分，得到当前无人机配置方案对应的最优任务执行方案；

步骤A8，判断无人机配置方案及其任务执行方案是否满足要求(例如达到最大迭代次数，或无人机配置方案中所有类型的无人机均达到预定数量限制，或任务平均完成时间达到目标阈值以下等)，若是则输出当前无人机配置方案及其任务执行方案，否则返回步骤A3。

本发明在下层的任务规划计算中，设计了改进遗传算法求解任务规划问题，使用多层编码策略建立无人机和任务映射，并使用多层动态方法调整编码顺序以满足计算需求；在编码基础上结合任务时间窗口、任务路径、资源和航程约束对无人机进行调整并计算任务时间表，生成完整的任务执行方案。参考图3，下层任务规划计算的过程具体为：

步骤B1，根据遗传算法规则，采用随机方法初始化算法种群，生成若干无人机与任务映射的编码方案，其具体实施方式为：

采用多层编码建立无人机与任务的映射关系，多层编码包含目标序列、任务序列和无人机序列，编码长度与任务总数量相同。以图4所示的为多层编码示意图为例，该编码共包含三个目标，框内表示1号目标任务集合中第2个任务由2号无人机执行。

步骤B2，任务规划计算时将按照编码顺序从左至右计算各任务的执行时间，由于任务的时序耦合关系，若某一任务先于其前序耦合任务进行计算，则会使得计算陷入死循环即出现死锁，因此对于种群中每一个编码方案，根据任务之间的时序耦合关系，在不改变任务和无人机映射关系的基础上微调任务顺序，避免任务规划计算过程中出现死锁问题，参考图5，本实施例中采用多层动态方法对编码方案进行调整，其具体实施方式为：

将任务分为优先层级、正常层级和等待层级三个层级存储，其中，优先层级和正常层级储存全部前序耦合任务已调整的任务(满足时序耦合约束)，优先层级存储其中的预设高价值任务，等待层级存储其余任务；

调整时每次选择一个任务进入新编码方案中，并根据关联矩阵更新等待层级任务，优先层级任务将首先进入新编码中，其次为正常层级任务，同一层级内的任务将按照原始编码顺序进入新编码。

步骤B3：任务规划将按照调整后的编码进行计算，每个任务的计算过程分为无人机选择与任务时间表计算两部分：无人机选择生成该任务的可行无人机列表，时间表计算则是基于被选无人机和相关约束计算任务时间表。因此对调整后的编码方案中的每个任务进行无人机调整与任务时间表计算，即能所有编码方案对应的任务执行方案，其具体操作过程如下：

步骤B3.1，无人机选择：针对一个编码方案中的每个任务，根据无人机的能力参数、剩余资源和预计到达时间，计算其选择各无人机的选择概率，将选择概率大于0的无人机按照概率值排列，形成该任务的可行无人机列表，其中，若编码方案中该任务对应无人机的选择概率大于0，则将该无人机排在可行无人机列表首位；其中，选择概率的计算过程为：

式中，PS_k为无人机U_k被选择执行当前任务的概率，U^u为U_k所属类型的无人机集合，为无人机U_k从上一位置到达目标T_i处时间，/>为无人机U_k的剩余载荷，/>为无人机能力矩阵，/>为任务资源需求；

步骤B3.2，针对每个任务，根据其可行无人机列表的顺序，选择第一个无人机计算任务时间表(其计算过程与式(18)-(19)最早允许开始时间计算相似，只是此处确定了无人机的到达时间)，计算完成后判断该任务时间表是否同时满足式(12)的时间窗约束、式(13)的时序耦合约束和式(16)的无人机航程约束，若不满足则将当前无人机从可行无人机列表删除，选择可行无人机列表中的下一无人机进行计算，若满足则按照编码方案的顺序计算下一任务；

步骤B3.3，重复步骤3.1-步骤3.2，直至完成当前编码方案中所有任务的无人机选择与任务时间表计算，形成当前编码方案对应的任务执行方案；

步骤B3.4，重复步骤3.1-步骤3.3，直至得到所有编码方案对应的任务执行方案。

步骤B4，判断是否满足迭代终止条件(例如达到最大迭代次数)：

若是，则将当前所有编码方案对应的任务执行方案中，任务平均完成时间最短的任务执行方案作为当前无人机配置方案的任务执行方案，并输出；

否则，采用遗传算法中的交叉与变异操作进行所有编码方案的更新，且新编码方案生成之后需要判断任务是否有重复和缺失，并对编码方案进行删减和修补，以确保任务均在编码中，随后再次进入步骤B2。

本实施例中，在步骤B3.3的任务时间表计算过程中，为合理高效计算无人机到达目标的飞行距离，采用末端航向松弛的Dubins方法计算无人机在目标间的转移路径。该方法可以在满足无人机动力学约束和任务执行需求的基础上，将任务规划寻优和飞行路径计算在一定程度上解耦，降低整体计算复杂度。如图6所示，侦察无人机(A点)和攻击无人机(B点)对目标T₁和T₂执行侦察和攻击任务。侦察无人机需绕目标T₁盘旋搜集信息，其转移路径为当前位置进入盘旋航线的最短路径，可以使用几何方法计算其转移路径，评估任务路径与侦察任务计算相同。攻击无人机要到达目标T₁、T₂上方进行攻击，目标位置将作为无人机转移路径的终点进行计算。

作为优选地实施方式，本发明在下层任务规划计算中，采用局部搜索算子作为无人机协同任务规划更新过程的另一种计算策略，作为遗传算法的更新补充部分，局部搜索算子能够结合无人机配置变化对前序优质执行方案进行精细调整，主要调整方案中未完成任务和等待时间较大任务，采用边际优化算法逐次为新增无人机增加任务直至新方案不再占优提升，进而提升整体计算效率。参加图7，局部搜索算子的过程具体为：

步骤C1，将上层无人机配置调整在上一次迭代中所选择的最优任务执行方案作为基础任务执行方案；

步骤C2，在基础执行方案的基础上，选择新增无人机可执行的全部任务，判断是否存在未执行任务：

若存在，则将全部未执行任务加入待调整任务列表；

否则，根据任务执行方案，计算新增无人机可执行的全部任务的等待时间，将等待时间大于0的任务全部加入待调整任务列表；

步骤C3，调整基础任务执行方案中的一个任务至新任务执行方案中：选择待调整任务列表中的一个任务，将其从基础任务执行方案中删除，并将其并添加至基础任务方案中新增无人机执行列表末尾，每添加一个任务，则生成一个新的任务执行方案，并将该任务从待调整任务列表中删除，继续选择待调整任务列表中下一任务，按照同样方法添加至基础任务方案，形成新的任务方案；如此循环，直至待调整任务列表为空，形成多个新任务执行方案；

步骤C4，计算生成的多个新任务执行方案，选择其中任务平均完成时间最短的任务执行方案；

步骤C5，判断该最短任务执行方案是否优于基础任务执行方案(即判断最短任务执行方案的任务平均完成时间是否短于基础任务执行方案的任务平均完成时间)：

若是，则选择最优任务执行方案取代基础任务执行方案，并重复步骤C2-步骤C5；

否则，输出当前基础任务执行方案，将其作为当前无人机配置方案的任务执行方案；

步骤C6，比对步骤B3与步骤C5所输出的任务执行方案，选择其中任务平均完成时间更短的作为当前无人机配置方案最终的任务执行方案。

综上所述，本实施例对SEAD场景中无人机配置和任务规划联合优化问题进行研究，系统分析了该场景特点，在任务规划问题基础上将各类型无人机数量也作为决策变量，充分表征目标、任务和无人机的多种约束，建立异构无人机编队路径问题模型。设计了双层联合优化方法，将无人机配置与任务规划进行分层处理：上层通过分析无人机数量对任务时间的影响设计了任务衔接比指标，评估各类型无人机数量需求；下层则利用改进遗传算法进行任务规划求解，在任务时序耦合约束、无人机能力、资源和航程约束下获得合理的任务方案；并设计了局部搜索算子，能够结合无人机数量变化对任务方案进行快速调整以加速算法收敛。本文方法可以在给定任务场景下同时求解合理的无人机配置和高效的任务执行方案。其方案在同等无人机规模下任务方案效果持续占优，在数量较少时仍可产生较优效果。该方法为SEAD场景中无人机资源配置与任务规划提供了一套完整的解决方法，从而提高多无人机协同的指控效率。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (6)

1.一种SEAD场景下异构无人机配置与任务规划联合优化方法，其特征在于，包括上层无人机配置调整与下层任务规划计算，具体地：

下层任务规划计算在上层无人机配置调整的无人机配置方案约束下进行任务规划计算，其优化目标为在该方案的无人机数量种类约束下，最小化任务平均完成时间；

上层无人机配置调整则根据下层任务规划计算获得的最优任务执行方案反馈优化无人机配置，其优化目标为在任务执行要求下，最小化各类型无人机数量；

所述上层无人机配置调整的过程为：

步骤A1，根据场景中所包含的任务类型生成初始无人机配置方案，其中，初始无人机配置方案中，每个任务类型所对应的无人机至少为1架；

步骤A2，调用下层任务规划计算部分，获得若干待选任务执行方案，从中选择任务平均完成时间最短的方案，将其作为当前无人机配置方案下的最优方案；

步骤A3，基于当前最优方案的具体时间表计算各类型任务的等待时间，进而计算对应各类型无人机的任务衔接比指标，并根据任务衔接比值指标对无人机进行排列，形成待增加无人机列表；

步骤A4，对于当前无人机配置方案中达到预定数量限制的无人机，将其从待增加无人机列表删除，完成待增加无人机列表的第一次更新；

步骤A5，判断当前迭代次数是否为1：

若是则直接进入步骤A6；

否则，执行如下操作：

选择上次迭代增加的无人机，将其对应任务作为当前任务，分析受其影响的任务类型，选择其中影响最大的一个任务类型，计算上次无人机增加后其等待时间变化，若不发生变化或变化很小，则说明该类型任务所对应无人机数量已经到达饱和，将该类无人机从列表中删除，完成待增加无人机列表的第二次更新后，再进入步骤A6；

步骤A6，选择待增加无人机列表中排序第一的无人机，在当前无人机配置方案中增加1架该类型无人机，完成无人机配置方案的更新；

步骤A7，调用下层任务规划计算部分，得到当前无人机配置方案对应的最优任务执行方案；

步骤A8，判断无人机配置方案及其任务执行方案是否满足要求，若是则输出当前无人机配置方案及其任务执行方案，否则返回步骤A3；

步骤A2中，所述各类型无人机的任务衔接比指标，具体为：

式中，δ^CI为任务衔接比指标，为任务对应无人机使用率，/>为无人机所对应任务的等待时间均值，λ^CI∈(0,1)为等待时间调节参数，/>为无人机平均任务数量，α^CI∈(0,0.1]为平均任务数量控制系数。

2.根据权利要求1所述的SEAD场景下异构无人机配置与任务规划联合优化方法，其特征在于，所述下层任务规划计算采用改进遗传算法，在当前无人机配置方案约束下进行任务规划计算，其过程为：

步骤B1，根据遗传算法规则，采用随机方法初始化算法种群，生成若干无人机与任务映射的编码方案；

步骤B2，对于种群中每一个编码方案，根据任务之间的时序耦合关系，在不改变任务和无人机映射关系的基础上微调任务顺序，避免任务规划计算过程中出现死锁问题；

步骤B3：对调整后的编码方案中的每个任务进行无人机调整与任务时间表计算，得到所有编码方案对应的任务执行方案；

步骤B4，判断是否满足迭代终止条件：

若是，则将当前所有编码方案对应的任务执行方案中，任务平均完成时间最短的任务执行方案作为当前无人机配置方案的任务执行方案，并输出；

否则，采用遗传算法中的交叉与变异操作进行所有编码方案的更新，再次进入步骤B2。

3.根据权利要求2所述的SEAD场景下异构无人机配置与任务规划联合优化方法，其特征在于，步骤B2中，采用多层动态方法对编码方案进行调整，以解决死锁问题，其过程为：

将任务分为优先层级、正常层级和等待层级三个层级存储，其中，优先层级和正常层级储存全部前序耦合任务已调整的任务，优先层级存储其中的预设高价值任务，等待层级存储其余任务；

调整时每次选择一个任务进入新编码方案中，并根据关联矩阵更新等待层级任务，优先层级任务将首先进入新编码中，其次为正常层级任务，同一层级内的任务将按照原始编码顺序进入新编码。

4.根据权利要求2所述的SEAD场景下异构无人机配置与任务规划联合优化方法，其特征在于，步骤B3具体包括：

步骤B3.1，针对一个编码方案中的每个任务，根据无人机的能力参数、剩余资源和预计到达时间，计算其选择各无人机的选择概率，将选择概率大于0的无人机按照概率值排列，形成该任务的可行无人机列表，其中，若编码方案中该任务对应无人机的选择概率大于0，则将该无人机排在可行无人机列表首位；

步骤B3.2，针对每个任务，根据其可行无人机列表的顺序，选择第一个无人机计算任务时间表，计算完成后判断该任务时间表是否同时满足时间窗约束、时序耦合约束和无人机航程约束，若不满足则将当前无人机删除，选择可行无人机列表中的下一无人机进行计算，若满足则按照编码方案的顺序计算下一任务；

步骤B3.3，重复步骤3.1-步骤3.2，直至完成当前编码方案中所有任务的无人机选择与任务时间表计算，形成当前编码方案对应的任务执行方案；

步骤B3.4，重复步骤3.1-步骤3.3，直至得到所有编码方案对应的任务执行方案。

5.根据权利要求4所述的SEAD场景下异构无人机配置与任务规划联合优化方法，其特征在于，步骤B3.1中，所述选择概率具体为：

式中，PS_k为无人机U_k被选择执行当前任务的概率，U^u为U_k所属类型的无人机集合，为无人机U_k从上一位置到达目标T_i处时间，/>为无人机U_k的剩余载荷，/>为无人机能力矩阵，/>为任务资源需求。

6.根据权利要求2-5任一项所述的SEAD场景下异构无人机配置与任务规划联合优化方法，其特征在于，所述下层任务规划计算中，采用局部搜索算子作为无人机协同任务规划更新过程的另一种计算策略，作为遗传算法的更新补充部分，具体为：

步骤C1，将上层无人机配置调整在上一次迭代中所选择的最优任务执行方案作为基础任务执行方案；

步骤C2，在基础执行方案的基础上，选择新增无人机可执行的全部任务，判断是否存在未执行任务：

若存在，则将全部未执行任务加入待调整任务列表；

否则，根据任务执行方案，计算新增无人机可执行的全部任务的等待时间，将等待时间大于0的任务全部加入待调整任务列表；

步骤C3，调整基础任务执行方案中的一个任务至新任务执行方案中：选择待调整任务列表中的一个任务，将其从基础任务执行方案中删除，并将其并添加至基础任务方案中新增无人机执行列表末尾，每添加一个任务，则生成一个新的任务执行方案，并将该任务从待调整任务列表中删除，继续选择待调整任务列表中下一任务，按照同样方法添加至基础任务方案，形成新的任务方案；如此循环，直至待调整任务列表为空，形成多个新任务执行方案；

步骤C4，计算生成的多个新任务执行方案，选择其中任务平均完成时间最短的任务执行方案；

步骤C5，判断该最短任务执行方案是否优于基础任务执行方案：

若是，则选择最优任务执行方案取代基础任务执行方案，并重复步骤C2-步骤C5；

否则，输出当前基础任务执行方案，将其作为当前无人机配置方案的任务执行方案；

步骤C6，比对步骤B3与步骤C5所输出的任务执行方案，选择其中任务平均完成时间更短的作为当前无人机配置方案最终的任务执行方案。