CN115145301A - 一种基于改进粒子群算法的多无人机任务分配方法 - Google Patents
一种基于改进粒子群算法的多无人机任务分配方法 Download PDFInfo
- Publication number
- CN115145301A CN115145301A CN202110353390.0A CN202110353390A CN115145301A CN 115145301 A CN115145301 A CN 115145301A CN 202110353390 A CN202110353390 A CN 202110353390A CN 115145301 A CN115145301 A CN 115145301A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- particle
- task
- particle swarm
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 238000012952 Resampling Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种基于改进粒子群算法的多无人机任务分配方法。该方法首先基于多旅行商问题建立了无人机分配模型,确定了约束条件和优化目标;然后在多目标粒子群算法中加入两个阶段的重采样,用改进后的算法对问题进行求解;最后,当发生突发状况时,采用K‑medoids聚类算法将执行任务的无人机与任务聚类,在聚类后的分组里进行任务再分配。本发明改善了粒子群算法前期多样性不足的缺点,增加了算法在中后期的收敛精度,并缩短了发生突发状况时的任务重分配问题的时间,大大提高了无人机执行任务的效率。
Description
技术领域
本发明属于无人机任务分配技术领域,具体涉及一种基于改进粒子群算法的多无人机任务分配方法。
背景技术
进入21世纪以来,科学技术,特别是高新技术的迅速发展已经引发了物流领域的重大变革。其中,无人机对物流配送领域的影响尤其显著。因其具有用途广、成本低、可避免人员伤亡等优势,最早被应用于军事领域。20世纪末,部分企业开始了对民用无人机的探索,经过这么多年的发展,民用无人机呈现出高起点、高爆发、高成长等特性,日渐成熟,蓬勃发展。
要提高无人机的工作效率就必须对无人机进行科学合理的任务分配。无人机的任务分配问题可分为无人机任务分配和无人机任务再分配。无人机任务分配是指在无人机执行任务前,根据现有无人机的数量、位置,为每架无人机分配一组有序的任务,以达到付出整体最小代价且获得整体最大效益的目的;无人机的任务再分配是指出现突发状况时,要求无人机能够迅速对任务分配结果进行调整。目前一些学者已经针对无人机任务分配问题做了许多研究,相关算法涉及遗传算法、分布协同拍卖算法、图论算法、粒子群算法等。现有技术公开了申请号为201810327673.6的一种基于粒子群算法的多无人机任务分配方法,这种方法存在一个智能优化算法共同的缺点,即容易陷入局部最优解,另外,这种算法在中后期会出现收敛精度过低、搜索速度变慢的现象,这会导致算法在局部区域内搜索精度不高,不能更加科学地对无人机进行任务分配。而且对于无人机在执行任务过程中出现的突发状况,目前没有合理的解决方案。
发明内容
本发明的目的是提供一种基于改进粒子群算法的多无人机任务分配方法,以解决粒子群算法易陷入局部最优解和局部全局搜索能力不均衡的问题,并考虑了无人机工作时出现的突发状况,使无人机能够完成任务的再分配。
本发明所采用的技术方案是,一种基于改进粒子群算法的多无人机任务分配方法,具体按照以下步骤实施:
步骤一:将多无人机任务分配问题建模成多旅行商问题。无人机任务分配模型将分配场景描述为{U,T,C}。其中U为无人机集合,描述了无人机的个数、速度、最远航程;T为任务集合,描述了任务的个数、位置;C为约束条件,包括任务的协同约束和无人机的最远航程约束。此外,设定了任务协同约束,规定每个任务都要有相应无人机执行,且只能被执行一次;还设定了无人机最远航程约束,规定每架无人机工作飞行航程不可超过无人机自身的最远航程。确定了任务总飞行航程和任务执行总时间优化目标;
步骤二:对无人机和任务进行编码。若无人机数目为a、任务数目为b,则无人机任务分配方案编码可表示为[t1,t2,...,tb]。其中,ti的整数部分表示执行第i个任务的无人机编号,若整数部分相同则意味着对应任务由同一架无人机执行,将这些任务按照所对应数字的小数部分进行排序,则是无人机执行任务的顺序。若ti的值出现在(1,a+1)范围之外,则把ti对a取余使其数值保持在(1,a+1)范围之内;
步骤三:根据模型信息和编码结果,生成符合模型约束条件的预定规模的初始种群,并对粒子群进行初始化。设置以下恒定参数:粒子规模N,迭代最大次数gen,惯性权重W,学习因子c1、c2,重采样间隔步数t,密度阈值θ。设置初始迭代次数k=0,初始化种群P,以及每个粒子的初始位置x、速度v和个体最有位置
步骤四:计算每个粒子在各个目标分量上的适应度值,对比每个粒子之间的支配关系,计算出所有的非支配解,作为当前的Pareto最优集;
步骤五:计算Pareto最优集里面的密度,选取每一个粒子的种群最优位置首先计算非支配解中每一个粒子的密度信息,采用网格法,把目标空间划分为等分的小区域,粒子所在的网格中的粒子越多,粒子密度就越大。然后每个粒子根据Pareto集中粒子的密度和与自身的支配关系选择自身的gbesti。若迭代次数小于k/2且Pareto集中粒子的密度存在大于密度阈值θ,则执行步骤六;若迭代次数超过k/2且正好是重采样间隔的整数倍,则执行步骤七;
步骤八:每一个粒子进行自适应更新自身位置。每一个粒子根据自身历史最优的位置和全局最优的位置调整自己的速度,并到达下一位置,其过程如下
wk=W×(gen-k)/gen
如果满足终止条件则执行步骤九,否则执行步骤四;
步骤九:若出现突发状况,则进行任务的重分配,采用K-medoids聚类算法先确定每一架无人机执行的任务集合,从而降低问题求解的维度,然后执行步骤二;若无突发状况,则在满足终止条件之后,计算当前种群的非支配解集作为算法结果输出。
本发明的核心技术内容在于利用改进的粒子群算法提出了一种科学合理的多无人机任务分配方法,首先基于多旅行商问题建立了无人机分配模型,确定了约束条件和优化目标;然后在多目标粒子群算法中加入两个阶段的重采样,用改进后的算法对问题进行求解;最后,当发生突发状况时,采用K-medoids聚类算法将执行任务的无人机与任务聚类,在聚类后的分组里进行任务再分配。本发明改善了粒子群算法前期多样性不足的缺点,增加了算法在中后期的收敛精度,并缩短了发生突发状况时的任务重分配问题的时间,大大提高了无人机执行任务的效率。
附图说明
下面结合附图中的实施例对本发明作进一步的详细说明,但并不构成对本发明的任何限制。
图1是本发明实施例方法的流程示意图。
图2是无人机任务重分配的示意图。
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除、完整的描述。
步骤一:将多无人机任务分配问题建模成多旅行商问题。设定了任务协同约束,规定每个任务都要有相应无人机执行,且只能被执行一次;还设定了无人机最远航程约束,规定每架无人机工作飞行航程不可超过无人机自身的最远航程;另外,确定了任务总飞行航程和任务执行总时间两个优化目标;
步骤二:对无人机和任务进行编码。若无人机数目为a、任务数目为b,则无人机任务分配方案编码可表示为[t1,t2,...,tb]。其中,ti的整数部分表示执行第i个任务的无人机编号,小数部分排序后则是无人机执行任务的顺序。若ti的值出现在(1,a+1)范围之外,则把ti对a取余使其数值保持在(1,a+1)范围之内;
步骤三:根据模型信息和编码结果,生成符合模型约束条件的预定规模的初始种群,并对粒子群进行初始化;
步骤四:计算每个粒子在各个目标分量上的适应度值,对比每个粒子之间的支配关系,计算出所有的非支配解,作为当前的Pareto最优集;
步骤五:首先计算非支配解中每一个粒子的密度信息,然后每个粒子根据Pareto集中粒子的密度和与自身的支配关系选择自身的种群最优位置,最后根据迭代次数判断是否立即执行步骤七;
步骤八:每一个粒子根据自身历史最优的位置和全局最优的位置调整自己的速度,并到达下一位置,过程如下
wk=W×(gen-k)/gen
如果满足终止条件则执行步骤九,否则执行步骤四;
步骤九:若出现突发状况,则进行任务的重分配,采用K-medoids聚类算法先确定每一架无人机执行的任务集合,从而降低问题求解的维度,然后执行步骤二;若无突发状况,则在满足终止条件之后,计算当前种群的非支配解集作为算法结果输出。
Claims (5)
1.一种基于改进粒子群算法的多无人机任务分配方法,其特征在于,包括如下步骤:
步骤一:将多无人机任务分配问题建模成多旅行商问题;
步骤二:对无人机任务分配方案进行编码;
步骤三:对粒子群进行初始化;
步骤四:计算每个粒子在各个目标分量上的适应度值,对比每个粒子之间的支配关系,计算出所有的非支配解,作为当前的Pareto最优集;
步骤五:计算Pareto最优集里面的密度,选取每一个粒子的种群最优位置首先计算非支配解中每一个粒子的密度信息,采用网格法,把目标空间划分为等分的小区域,粒子所在的网格中的粒子越多,粒子密度就越大。然后每个粒子根据Pareto集中粒子的密度和与自身的支配关系选择自身的gbesti。若迭代次数小于k/2且Pareto集中粒子的密度存在大于密度阈值θ,则执行步骤六;若迭代次数超过k/2且正好是重采样间隔的整数倍,则执行步骤七;
步骤八:每一个粒子进行自适应更新自身位置。每一个粒子根据自身历史最优的位置和全局最优的位置调整自己的速度,并到达下一位置,其过程如下
wk=W×(gen-k)/gen
如果满足终止条件则执行步骤九,否则执行步骤四;
步骤九:满足终止条件后,计算当前种群的非支配解集作为算法结果输出。
2.根据权利要求1所述的基于改进粒子群算法的多无人机任务分配方法,其特征在于:所述的步骤一中,无人机任务分配模型将分配场景描述为{U,T,C}。其中U为无人机集合,描述了无人机的个数、速度、最远航程;T为任务集合,描述了任务的个数、位置;C为约束条件,包括任务的协同约束和无人机的最远航程约束。此外,确定了优化目标为任务总飞行航程和任务执行时间。
4.根据权利要求1所述的基于改进粒子群算法的多无人机任务分配方法,其特征在于:所述的步骤二中对于无人机任务分配方案的编码,若无人机数目为a、任务数目为b,则无人机任务分配方案编码可表示为[t1,t2,...,tb]。其中,ti的整数部分表示执行第i个任务的无人机编号,若整数部分相同则意味着对应任务由同一架无人机执行,将这些任务按照所对应数字的小数部分进行排序,则是无人机执行任务的顺序。若ti的值出现在(1,a+1)范围之外,则把ti对a取余使其数值保持在(1,a+1)范围之内。
5.根据权利要求1所述的基于改进粒子群算法的多无人机任务分配方法,其特征在于:所述的实际情况中,若出现突发状况,则进行任务的重分配。采用K-medoids聚类算法先确定每一架无人机执行的任务集合,从而降低问题求解的维度,然后再利用改进的粒子群算法来确定每一架无人机执行的任务序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353390.0A CN115145301A (zh) | 2021-03-31 | 2021-03-31 | 一种基于改进粒子群算法的多无人机任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353390.0A CN115145301A (zh) | 2021-03-31 | 2021-03-31 | 一种基于改进粒子群算法的多无人机任务分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115145301A true CN115145301A (zh) | 2022-10-04 |
Family
ID=83405566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110353390.0A Pending CN115145301A (zh) | 2021-03-31 | 2021-03-31 | 一种基于改进粒子群算法的多无人机任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115145301A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116166048A (zh) * | 2023-03-06 | 2023-05-26 | 大连理工大学 | 一种无人机群容错任务规划方法 |
-
2021
- 2021-03-31 CN CN202110353390.0A patent/CN115145301A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116166048A (zh) * | 2023-03-06 | 2023-05-26 | 大连理工大学 | 一种无人机群容错任务规划方法 |
CN116166048B (zh) * | 2023-03-06 | 2023-12-22 | 大连理工大学 | 一种无人机群容错任务规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766813A (zh) | 一种空天协同观测复杂任务调度方法及系统 | |
CN113009934A (zh) | 一种基于改进粒子群算法的多无人机任务动态分配方法 | |
CN110598941A (zh) | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 | |
CN108171315B (zh) | 基于smc粒子群算法的多无人机任务分配方法 | |
CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN113448703B (zh) | 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 | |
CN110533484A (zh) | 一种基于pca和改进bp神经网络的产品销量预测方法 | |
CN113281993B (zh) | 一种贪心k-均值自组织神经网络多机器人路径规划方法 | |
CN112633654A (zh) | 基于改进聚类扩展一致性束算法的多无人机任务分配方法 | |
CN114281104A (zh) | 一种基于改进蚁群算法的多无人机协同调控方法 | |
CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
CN112132469B (zh) | 一种基于多种群协作粒子群算法的水库群调度方法和系统 | |
CN109144099B (zh) | 基于卷积神经网络的无人机群行动方案快速评估方法 | |
CN117077981B (zh) | 融合邻域搜索变异和差分进化的停机位分配方法及装置 | |
CN116777170A (zh) | 基于混沌自适应蜣螂优化算法的多机器人任务分配方法 | |
CN113836803A (zh) | 基于改进狼群算法的无人机群资源调度方法 | |
CN114625506A (zh) | 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法 | |
CN113033970A (zh) | 一种针对大规模任务的auv集群分层分配方法 | |
CN111121784A (zh) | 一种无人侦察机航路规划方法 | |
CN110516871A (zh) | 一种基于模糊滚动时域控制策略的动态车辆路径优化方法 | |
CN112734127A (zh) | 一种基于动态蚁群劳动分工模型的多auv任务分配方法 | |
CN115145301A (zh) | 一种基于改进粒子群算法的多无人机任务分配方法 | |
CN114879745A (zh) | 基于预规划和禁忌搜索算法的多无人机协同任务规划方法 | |
Jing et al. | Cooperative task assignment for heterogeneous multi-UAVs based on differential evolution algorithm | |
Jia et al. | An improved particle swarm optimization for multi-objective flexible job-shop scheduling problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
DD01 | Delivery of document by public notice |
Addressee: Wang Hanbo Document name: Regard as withdrawal notice Addressee: Wang Hanbo Document name: Notification before the deadline for substantive examination of invention patent application expires |
|
DD01 | Delivery of document by public notice |