CN115220477A - 一种基于量子遗传算法的异构无人机联盟形成方法 - Google Patents

Abstract

本发明公开了一种基于量子遗传算法的异构无人机联盟形成方法，包括如下步骤：步骤一、联盟形成数学模型，假设无人机编队中每架无人机的资源信息对于所有无人机是已知的；假设区域内共有N架无人机M个任务。每架无人机A_i可以携带n种资源，由资源向量

表示，无人机编队联盟形成算法分为两个阶段，第一阶段生成可行解，第二阶段在可行解的基础上选择最终联盟形成结果，与传统算法相比量子遗传算法作为一种随机搜索算法搜索范围更广，与多目标优化智能算法相比有更快的求解速度，此外解的质量和求解速度可以通过调整种群规模候选联盟数量调节，有很好的灵活性。

Description

一种基于量子遗传算法的异构无人机联盟形成方法

技术领域

本发明属于无人机编队技术领域，具体涉及一种基于量子遗传算法的异构无人机联盟形成方法。

背景技术

有大量无人机组成的网络化系统，被称为无人机编队(无人机集群)由于其多功能性、鲁棒性、适应性等优点，无人机编队在军事、农业、灾害管理等方面有着广泛的应用。无人机编队在实际执行任务过程中由于环境的不确定性，对无人机编队在线自主决策提出了更高要求。由于无人机编队中有多种类型无人机，且单架无人机独立完成任务能力有限，因此无人机需要根据任务要求组成满足要求的无人机联盟完成任务。将一项任务分配给多个个体完成被称为联盟形成。现有联盟形成方法主要分为集中式与分散式，集中式方法主要包括整数线性规划法、启发式算法，分布式方法主要包括拍卖算法。其中整数线性规划法可以得到问题最优解但需要付出的计算成本随着规模的增加指数增加，启发式算法也需要付出较高的计算成本，拍卖算法需要进行多次通讯需要付出较高通讯成本，本发明提出的基于量子遗传算法的联盟形成方法，采用集中式的方式，在节约计算成本的同时获得次优解。

发明内容

本发明的目的在于提供一种基于量子遗传算法的异构无人机联盟形成方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于量子遗传算法的异构无人机联盟形成方法，包括如下步骤：

步骤一、构建无人机联盟形成数学模型，假设无人机编队中每架无人机的资源信息对于所有无人机是已知的；

假设区域内共有N架无人机M个任务。每架无人机A_i可以携带n种资源，由以下形式的资源向量

表示；

其中

p＝1,……,n表示无人机A_i拥有的第p种资源。一旦无人机A_i发现任务T_j，假设此时无人机可以获取任务需要的资源信息，若任务T_j需要m项资源向量时，任务T_j的资源需求向量表示如下：

其中

q＝1,……,m且m＜＝n，表示执行任务T_j需要的资源向量。无人机的任务是选择联盟成员，定义联盟资源向量

其中C表示联盟中无人机的集合，联盟资源向量R_i ^C为联盟中每个成员的第i项资源总和，当且仅当R^C≥R_i ^T时联盟可以完成任务；

步骤二、无人机编队联盟形成流程；

无人机编队联盟形成算法分为两个阶段，第一阶段生成可行解，第二阶段在可行解的基础上选择最终联盟形成结果，无人机编队联盟形成算法的步骤如下：第一步计算当前可用无人机携带资源总和sumR^A，第二步判断条件sumR^A＞R^T是否满足，满足时时执行量子遗传算法得到输出C'，将C'作为输入执行联盟选择算法得到输出C，当第二步条件不满足时返回资源不足；

上述步骤的输入为R^T，输出为联盟形成结果C，第二行根据当前无人机编队资源情况判断任务能否完成任务，资源足够完成任务的情况下执行算法，资源不满足任务条件时返回资源不足。

与现有技术相比，本发明的有益效果是：本发明提供了一种基于量子遗传算法的异构无人机联盟形成方法，与传统算法相比量子遗传算法作为一种随机搜索算法搜索范围更广，与多目标优化智能算法相比有更快的求解速度，此外解的质量和求解速度可以通过调整种群规模候选联盟数量调节，有很好的灵活性。

附图说明

图1为本发明量子遗传算法的流程图；

图2为实验的初始条件表格；

图3为实验的结果数据表格；

图4为无人机编队联盟形成算法的伪代码。

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一部分实施例，而不是全部的实施例。

本发明提供一种基于量子遗传算法的异构无人机联盟形成方法，包括如下步骤：

步骤一、构建无人机联盟形成数学模型，假设无人机编队中每架无人机的资源信息对于所有无人机是已知的；

假设区域内共有N架无人机M个任务。每架无人机A_i可以携带n种资源，由以下形式的资源向量

表示；

其中

p＝1,……,n表示无人机A_i拥有的第p种资源。一旦无人机A_i发现任务T_j，假设此时无人机可以获取任务需要的资源信息，若任务T_j需要m项资源向量时，任务T_j的资源需求向量表示如下：

其中

q＝1,……,m且m＜＝n，表示执行任务T_j需要的资源向量。无人机的任务是选择联盟成员，定义联盟资源向量

其中C表示联盟中无人机的集合，联盟资源向量

为联盟中每个成员的第i项资源总和，当且仅当

时联盟可以完成任务；

步骤二、无人机编队联盟形成流程(该步骤的伪代码运算如附图4所示)；

无人机编队联盟形成算法分为两个阶段，第一阶段生成可行解，第二阶段在可行解的基础上选择最终联盟形成结果，无人机编队联盟形成算法的步骤如下：第一步计算当前可用无人机携带资源总和sumR^A，第二步判断条件sumR^A＞R^T是否满足，满足时时执行算法2得到输出C'，将C'作为输入执行算法3得到输出C，当第二步条件不满足时返回资源不足。

上述步骤的输入为R^T，输出为联盟形成结果C，第二步根据当前无人机编队资源情况判断能否完成任务，资源足够完成任务的情况下执行算法，资源不满足任务条件时返回资源不足。

具体的，所述算法2为量子遗传算法，利用量子遗传算法搜索一定数量满足任务资源要求的联盟候选方案，具体的步骤如下：

S1、种群初始化阶段，根据输入的种群数量、最大迭代数、候选联盟数量，生成相应的遗传代码Q＝{q₁,q₂，L,q_N}表示如下：

其中[α_k β_k]^T表示量子比特对，其中α_kβ_k满足归一化条件即平方和为1，N表示种群数量，N_u表示无人数量，每架无人机对应一个量子比特对，[α_k β_k]^T表示种群中第k架无人机对应的量子比特对；

S2、种群测量，适应度获取；通过比较每个种群中的各个量子比特对中α_k ²与随机数的大小关系得到二进制编码p_l＝[b₁ b₁ L b_Nu]，当α_k ²大于随机数时编码为1反之编码为0；二进制编码表示了每架无人机对当前任务的选择，1表示选择该任务，0表示放弃该任务，得到二进制编码后提取编码中1的位置索引，得到选择该任务的无人机集合，利用如下适应度函数评估适应度：

其中N_ul为选择该任务的无人机总数。当种群中选择该任务的无人机资源总量满足任务要求时，用上式计算，此时更少的无人机总数会得到更高的适应度分数，当资源总量不满足任务要求时按下式计算，此时更接近任务需求会得到更高的适应度分数，驱动种群向用更少个体完成任务方向进化；

S3、选择个体阶段，选择适应度大于10的情况(即能满足任务要求的个体)，每个个体代表一种联盟形成方案，对所有适应度大于10的联盟形成方案按如下规则筛选，剔除与候选联盟重复的方案，剔除联盟中个体数量大于候选联盟最大个体数量的方案，其余联盟形成方案成为候选联盟，当候选联盟规模满足预设要求或达到最大迭代数时输出候选联盟名单。

具体的，所述算法3为联盟选择算法，根据评价指标在候选联盟中选择最佳联盟，评价指标如下：

其中分子为联盟候选联盟成员中第p种资源的乘积，在所有候选联盟中选择评价指标最小的联盟作为算法输出。

对上述技术方案做如下实验：

实验的初始条件如附图2所示，量子遗传算法种群数50，最大迭代数50，候选联盟数量10，实验中设置3项任务，任务资源总和为无人机资源总量的0.5、0.7、0.9，各项任务资源需要随机。每种资源情况实验100次，实验中与穷举最优解对比任务完成度，实验结果如附图3所示。通过上述实验验证本发明算法与最优解的近似度达到了92％，同时任务分配用时也在可接受范围内，有效提高了任务分配效果与效率。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于量子遗传算法的异构无人机联盟形成方法，其特征在于：包括如下步骤：

步骤一、构建无人机联盟形成数学模型，假设无人机编队中每架无人机的资源信息对于所有无人机是已知的；

假设区域内共有N架无人机M个任务，每架无人机A_i可以携带n种资源，由以下形式的资源向量R_i ^A表示；

其中

表示无人机A_i拥有的第p种资源，一旦无人机A_i发现任务T_j，假设此时无人机可以获取任务需要的资源信息，若任务T_j需要m项资源向量时，任务T_j的资源需求向量表示如下：

其中

且m＜＝n，表示执行任务T_j需要的资源向量，无人机的任务是选择联盟成员，定义联盟资源向量

其中C表示联盟中无人机的集合，联盟资源向量

为联盟中每个成员的第i项资源总和，当且仅当

时联盟可以完成任务；

步骤二、无人机编队联盟形成流程；

无人机编队联盟形成算法分为两个阶段，第一阶段生成可行解，第二阶段在可行解的基础上选择最终联盟形成结果，无人机编队联盟形成算法的步骤如下：第一步计算当前可用无人机携带资源总和sumR^A，第二步判断条件sumR^A＞R^T是否满足，满足时时执行量子遗传算法得到输出C'，将C'作为输入执行联盟选择算法得到输出C，当第二步条件不满足时返回资源不足；

上述步骤的输入为R^T，输出为联盟形成结果C，第二行根据当前无人机编队资源情况判断任务能否完成任务，资源足够完成任务的情况下执行算法，资源不满足任务条件时返回资源不足。

2.根据权利要求1所述的一种基于量子遗传算法的异构无人机联盟形成方法，其特征在于：所述量子遗传算法是利用量子遗传算法搜索一定数量满足任务资源要求的联盟候选方案，具体的步骤如下：

S1、种群初始化阶段，根据输入的种群数量、最大迭代数、候选联盟数量，生成相应的遗传代码Q＝{q₁,q₂，L,q_N}表示如下：

其中[α_k β_k]^T表示量子比特对，其中α_kβ_k满足归一化条件即平方和为1，N表示种群数量，N_u表示无人数量，每架无人机对应一个量子比特对，[α_k β_k]^T表示种群中第k架无人机对应的量子比特对；

S2、种群测量，适应度获取，通过比较每个种群中的各个量子比特对中α_k ²与随机数的大小关系得到二进制编码p_l＝[b₁ b₁ L b_Nu]，当α_k ²大于随机数时编码为1反之编码为0，二进制编码表示了每架无人机对当前任务的选择，1表示选择该任务，0表示放弃该任务，得到二进制编码后提取编码中1的位置索引，得到选择该任务的无人机集合，利用如下适应度函数评估适应度：

其中N_ul为选择该任务的无人机总数，当种群中选择该任务的无人机资源总量满足任务要求时，用上式计算，此时更少的无人机总数会得到更高的适应度分数，当资源总量不满足任务要求时按下式计算，此时更接近任务需求会得到更高的适应度分数，驱动种群向用更少个体完成任务方向进化；

S3、选择个体阶段，选择适应度大于10的情况，每个个体代表一种联盟形成方案，对所有适应度大于10的联盟形成方案按如下规则筛选，剔除与候选联盟重复的方案，剔除联盟中个体数量大于候选联盟最大个体数量的方案，其余联盟形成方案成为候选联盟，当候选联盟规模满足预设要求或达到最大迭代数时输出候选联盟名单。

3.根据权利要求2所述的一种基于量子遗传算法的异构无人机联盟形成方法，其特征在于：所述联盟选择算法是根据评价指标在候选联盟中选择最佳联盟，评价指标如下：

其中分子为联盟候选联盟成员中第p种资源的乘积，在所有候选联盟中选择评价指标最小的联盟作为算法输出。

Images