CN115454146A - 基于相对收益机制的无人机集群协同任务分配方法 - Google Patents
基于相对收益机制的无人机集群协同任务分配方法 Download PDFInfo
- Publication number
- CN115454146A CN115454146A CN202211340219.7A CN202211340219A CN115454146A CN 115454146 A CN115454146 A CN 115454146A CN 202211340219 A CN202211340219 A CN 202211340219A CN 115454146 A CN115454146 A CN 115454146A
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned aerial
- aerial vehicle
- vehicle cluster
- future
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000007246 mechanism Effects 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000001914 filtration Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 230000008901 benefit Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 15
- 206010010144 Completed suicide Diseases 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 7
- 238000013138 pruning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011434 tangent normalization method Methods 0.000 description 1
- 239000002699 waste material Substances 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明公开了一种基于相对收益机制的无人机集群协同任务分配方法，其包括：触发无人机集群协同分配任务开始条件，向无人机集群发送任务指令；对无人机集群的未来任务进行规划，得到未来任务信息，计算得到所述无人机集群执行当前任务与未来任务的总路径信息，得到任务收益信息；采用无人机集群协同任务分配优化方法，得到第一任务分配结果；对检测任务进行预分配，得到第二任务分配结果；采用相对收益机制分配检测任务，得到无人机集群的最终任务分配结果。本发明高效率地将各类任务合理分配给无人机编队，使系统的各种性能指标尽可能达到极值，发挥无人机编队协同工作效能，使无人机任务分配的有效性和实时性有了很大的提高。
Description
技术领域
本发明涉及智能无人机集群领域，尤其涉及一种基于相对收益机制的无人机集群协同任务分配方法。
背景技术
伴随人工智能、分布式计算和系统自组网等通用数字技术的长足发展，无人机的集群化与智能化引起了研究者们的广泛关注。集群化能够为无人机提供信息处理平台，通过数据信息共享与多域协同等技术方法形成规模效应，从而实现其工作空间维度、作业功能、架构配置以及实际效能的有效提升。智能化技术能够帮助无人机通过感知、响应、交互周围环境，基于个体行为规则、自主学习能力以及自组织架构决策复杂任务场景的解决手段与工作方法，从而降低人工参与决策的比重，提升任务完成的稳定性与有效性。协同任务分配是无人集群实现集群化与智能化的核心技术之一，通过协同优化机制与分布式决策，实现无人集群的自主任务规划，强化解决复杂困难任务的工作能力。因此，研究无人机集群的协同任务分配方法具有实际意义。尤其是在无人机集群对多个任务目标执行摧毁作战任务场景中，现有的无人机集群任务分配方法，将所分配的任务均看做同一类，没有根据无人机每阶段所执行的任务特点对任务进行分类，同时其采用的协同任务分配方法效率较低且可靠性差。
发明内容
针对无人机集群对多个任务目标执行摧毁作战任务场景中，无人机集群协同任务分配过程中没有对任务进行分类、无人机集群任务分配效率较低且可靠性差的难题，本发明实施例第一方面公开了一种基于相对收益机制的无人机集群协同任务分配方法，其应用情景为无人机集群对多个任务目标执行摧毁作战任务，所述方法包括：
S1，触发无人机集群协同分配任务开始条件，向无人机集群发送任务指令；
所述触发无人机集群协同分配任务开始条件，包括无人机集群侦察到新目标、无人机集群的现有任务完成、无人机集群的现有任务失败；
所述无人机集群协同分配的任务的种类，包括搜索任务、分类任务、攻击任务和检测任务；
S2，所述无人机集群的每个无人机，响应于所述任务指令，获取无人机集群与目标的位置、姿态和状态信息；
S3，利用所述目标的状态信息，对无人机集群的未来任务进行规划，得到所述无人机集群的未来任务信息；
所述无人机集群的未来任务信息包括任务种类信息和任务执行信息；所述任务种类信息包括搜索任务信息、分类任务信息、攻击任务信息和检测任务信息，所述任务执行信息包括自杀式攻击和非自杀式攻击；
S4，利用所述无人机集群与目标的位置、姿态和状态信息，无人机集群的未来任务信息，对所述无人机集群执行当前任务与未来任务的总路径进行计算，得到所述无人机集群执行当前任务与未来任务的总路径信息；
S5，利用预设的任务过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息和所述无人机集群的未来任务信息进行处理，得到无人机集群的有效未来任务；
S6，利用收益估算准则，对所述无人机集群的有效未来任务的收益进行计算，得到所述无人机集群的有效未来任务的任务收益信息；
S7，基于所述无人机集群的有效未来任务的任务收益信息，采用无人机集群协同任务分配优化方法，对所述无人机集群的搜索任务、分类任务和攻击任务进行分配，得到无人机集群的第一任务分配结果；
S8，对所述无人机集群的第一任务分配结果进行判断：
当所述无人机集群的任务分配结果都是搜索任务时，完成无人机集群协同任务分配；
当所述无人机集群的任务分配结果包含非搜索任务时，假设非搜索任务中的分类任务和攻击任务都已完成，更新目标状态信息，执行步骤S10；
S9，利用所述无人机集群协同任务分配优化方法，对所述无人机集群的检测任务进行预分配，得到无人机集群的第二任务分配结果；
S10，根据无人机集群的第二任务分配结果，采用相对收益机制对检测任务进行分配，得到无人机集群的第三任务分配结果，完成无人机集群协同任务分配。
所述利用预设的任务过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息和所述无人机集群的未来任务信息进行处理，得到无人机集群的有效未来任务，包括：
S51，利用路径过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息进行处理，得到第一无效未来任务；
S52，利用任务信息过滤准则，对所述无人机集群的未来任务信息进行处理，得到第二无效未来任务；
S53，将所述第一无效未来任务和第二无效未来任务从所述无人机集群执行的未来任务中进行滤除，得到无人机集群的有效未来任务。
所述利用任务过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息进行处理，得到第一无效未来任务，包括：
对所述无人机集群执行某未来任务与执行当前任务的总路径长度，与执行当前任务所需的路径长度之间关系进行判断：
如果所述总路径长度比执行当前任务所需的路径长度短，判定所述未来任务为第一无效未来任务；
如果所述总路径长度比执行当前任务所需的路径长度长，判定所述未来任务为有效未来任务。
所述利用任务信息过滤准则，对所述无人机集群的未来任务信息进行处理，得到第二无效未来任务，包括：
对所述无人机集群的任务种类信息和任务执行信息进行判别：
如果所述无人机集群的任务种类信息为攻击任务，且所述任务执行信息为自杀式攻击，判定所述攻击任务的未来任务为第二无效未来任务；否则，判定所述攻击任务的未来任务为有效未来任务。
所述利用收益估算准则，对所述无人机集群的有效未来任务的收益进行计算，得到所述无人机集群的有效未来任务的任务收益信息，包括：利用收益估算准则，对所述无人机集群执行有效未来任务的搜索任务、分类任务、攻击任务、检测任务的任务收益分别进行计算，其中：
所述搜索任务的任务收益GS的计算表达式为：
GS＝MAXPT*(TL/TT)*K1；
其中，MAXPT为所述无人机执行任务的目标的价值的最大值，剩余飞行时间TL和总飞行时间TT分别为无人机执行完当前任务后剩余的任务路径长度的飞行时间和无人机飞行总路径所需要的飞行时间，K1为第一比例系数，取值为某常数值；
所述分类任务的任务收益GF的计算表达式为：
GF＝(RQ*JH*PT+PT*((TL-RF/VU)/TT))*K2；
其中，识别质量RQ为无人机的目标识别效果的评估值，击毁成功率JH为无人机执行攻击任务时成功击毁目标的概率，目标价值PT为无人机执行攻击任务成功摧毁目标，对于整体任务的贡献度，整体任务为整个无人机集群所完成的任务，分类任务路径长度RF为无人机执行所述分类任务飞行的路径长度，VU为无人机飞行速度，K2为第二比例系数，其取值为某常数值；
所述攻击任务的任务收益GG的计算表达式为：
GG＝(RW*JH*PT-PT*(RG/(BVU*TT)))*K3；
其中，识别成功率RW为无人机执行搜索任务成功识别目标的概率，攻击任务路径长度RG为无人机执行攻击任务飞行的路径长度，标定飞行速度BVU是指无人机执行攻击任务的初始飞行速度，K3为第三比例系数，取值为某常数值；
所述检测任务的任务收益GJ的计算表达式为：
GJ＝(JW*(1-JH)*RW*PT+PT*((TL-RJ/BVU)/TT))*K4；
其中，检测成功率JW为无人机执行检测任务成功检测目标的概率，检测任务路径长度RJ为无人机执行检测任务飞行的路径长度；K4为第四比例系数，取值为某常数值。
在触发无人机集群协同分配任务开始条件前，所述方法包括：对无人机集群的未来任务进行预分配，并对预分配的未来任务设置记忆因子；
在得到所述无人机集群的有效未来任务的任务收益信息后，以及采用无人机集群协同任务分配优化方法进行任务分配之前，所述方法还包括：
对于已经被预分配的有效未来任务，利用记忆因子对所计算得到的所述有效未来任务的任务收益进行修正，得到所述有效未来任务的最终的任务收益。
所述无人机集群协同任务分配优化方法，利用无人机集群协同任务分配优化模型来实现，所述无人机集群协同任务分配优化模型包括：无人机节点、目标节点和汇节点；所述无人机节点用于表征所述无人机集群中的每个无人机，所述目标节点表征对应的目标；
所述无人机节点与汇节点的连线表征无人机的搜索任务；所述无人机节点与目标节点间的连线表征对应的无人机对目标的分类、攻击或检测任务；所述节点之间的连线的权重值的取值，与所述连线所表征的任务的收益匹配；
所述无人机集群协同任务分配优化模型，用于根据每类有效未来任务的任务收益，将所述有效未来任务在无人机集群中进行分配，得到无人机集群的第一或第二任务分配结果。
所述无人机集群协同任务分配优化模型，用于根据每类有效未来任务的任务收益，将所述有效未来任务在无人机集群中进行分配，包括：
无人机集群协同任务分配优化模型根据每类有效未来任务的任务收益，以所述无人机集群执行有效未来任务的总收益最大化为目标，建立无人机集群协同任务分配优化模型表达式；
按照每个无人机依次分配搜索任务、分类任务、攻击任务、检测任务的顺序，在分配约束条件下，利用无人机集群协同任务分配优化模型表达式，将所述有效未来任务在无人机集群中进行分配；
所述分配约束条件包括：一个无人机只能分配一项有效未来任务、一个目标最多分配一架无人机和所有无人机都被分配有效未来任务。
所述根据无人机集群的第二任务分配结果，采用相对收益机制对检测任务进行分配，得到无人机集群的第三任务分配结果，完成无人机集群协同任务分配，包括：
S1001，根据无人机集群的第二任务分配结果，计算无人机集群执行检测任务的飞行距离，得到所述无人机集群执行检测任务的飞行距离信息；
S1002，利用所述飞行距离信息，构建相对收益矩阵；
S1003，对所述相对收益矩阵进行判别处理：
若所述相对收益矩阵的所有元素都小于等于0，则将无人机集群的第二任务分配结果，作为无人机集群的第三任务分配结果，完成无人机集群协同任务分配；
若所述相对收益矩阵包含有大于0的元素，则选择相对收益矩阵的最大元素所对应的无人机与执行检测任务的目标，利用所述相对收益矩阵的最大元素所对应的无人机，替换无人机集群的第二任务分配结果中的对所述目标执行检测任务的无人机，完成对无人机集群的第二任务分配结果的更新，返回步骤S1001。
所述利用所述飞行距离信息，构建相对收益矩阵，包括：
利用所述飞行距离信息，计算相对收益矩阵的元素，得到相对收益矩阵；相对收益矩阵的计算表达式为：
相对收益矩阵＝[djk-dik]m×n，
其中，djk是第j个无人机对目标k执行检测任务的飞行距离，dik是第i个无人机对目标k执行检测任务的飞行距离；在无人机集群的第二任务分配结果中，分配第j个无人机对目标k执行检测任务，未分配给第i个无人机执行对目标k的检测任务；m是无人机集群中的无人机数量，n是目标数量。
与现有技术相比，本发明实施例具有以下有益效果：
(一)基于相对收益机制的无人机集群协同任务分配方法高效率地将各类任务合理分配给无人机编队，使系统的各种性能指标尽可能达到极值，发挥无人机编队协同工作效能，使无人机任务分配的有效性和实时性有了很大的提高。
(二)本申请通过将所有待分配分为两类，对不同类的任务采取不同的分配方法，提高了任务分配的准确性；同时，对于检测类任务，通过在任务收益的基础上引入相对收益，进一步优化了检测任务的分配过程，提升了分配效率和分配质量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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获得其他的附图。
图1是本发明实施例公开的无人机集群的任务执行时序图；
图2是本发明实施例公开的基于相对收益机制的无人机集群协同任务分配方法的流程示意图；
图3是本发明实施例公开的计算任务收益流程；
图4是本发明实施例公开的采用相对收益机制的检测任务分配流程图；
图5是本发明实施例公开的无人机集群协同任务分配优化模型示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅是本发明一部分实施例，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、装置、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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1是本发明实施例公开的无人机集群的任务执行时序图；图2是本发明实施例公开的基于相对收益机制的无人机集群协同任务分配方法的流程示意图；图3是本发明实施例公开的计算任务收益流程；图4是本发明实施例公开的采用相对收益机制的检测任务分配流程图；图5是本发明实施例公开的无人机集群协同任务分配优化模型示意图。
以下分别进行详细说明。
实施例一
本发明实施例公开了一种基于相对收益机制的无人机集群协同任务分配方法，其应用情景为无人机集群对多个任务目标执行摧毁作战任务，所述方法包括：
S1，触发无人机集群协同分配任务开始条件，向无人机集群发送任务指令；
所述触发无人机集群协同分配任务开始条件，包括无人机集群侦察到新目标、无人机集群的现有任务完成、无人机集群的现有任务失败；
所述无人机集群协同分配的任务的种类，包括搜索任务、分类任务、攻击任务和检测任务；
S2，所述无人机集群的每个无人机，响应于所述任务指令，获取无人机集群与目标的位置、姿态和状态信息；
S3，利用所述目标的状态信息，对无人机集群的未来任务进行规划，得到所述无人机集群的未来任务信息；
所述无人机集群的未来任务信息包括任务种类信息和任务执行信息；所述任务种类信息包括搜索任务信息、分类任务信息、攻击任务信息和检测任务信息，所述任务执行信息包括自杀式攻击和非自杀式攻击；
S4，利用所述无人机集群与目标的位置、姿态和状态信息，无人机集群的未来任务信息，对所述无人机集群执行当前任务与未来任务的总路径进行计算，得到所述无人机集群执行当前任务与未来任务的总路径信息；
S5，利用预设的任务过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息和所述无人机集群的未来任务信息进行处理，得到无人机集群的有效未来任务；
S6，利用收益估算准则，对所述无人机集群的有效未来任务的收益进行计算，得到所述无人机集群的有效未来任务的任务收益信息；
S7，基于所述无人机集群的有效未来任务的任务收益信息，采用无人机集群协同任务分配优化方法，对所述无人机集群的搜索任务、分类任务和攻击任务进行分配，得到无人机集群的第一任务分配结果；
S8，对所述无人机集群的第一任务分配结果进行判断：
当所述无人机集群的任务分配结果都是搜索任务时，完成无人机集群协同任务分配；
当所述无人机集群的任务分配结果包含非搜索任务时，假设非搜索任务中的分类任务和攻击任务都已完成，更新目标状态信息，执行步骤S10；
S9，利用所述无人机集群协同任务分配优化方法，对所述无人机集群的检测任务进行预分配，得到无人机集群的第二任务分配结果；
S10，根据无人机集群的第二任务分配结果，采用相对收益机制对检测任务进行分配，得到无人机集群的第三任务分配结果，完成无人机集群协同任务分配。
所述利用预设的任务过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息和所述无人机集群的未来任务信息进行处理，得到无人机集群的有效未来任务，包括：
S51，利用路径过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息进行处理，得到第一无效未来任务；
S52，利用任务信息过滤准则，对所述无人机集群的未来任务信息进行处理，得到第二无效未来任务；
S53，将所述第一无效未来任务和第二无效未来任务从所述无人机集群执行的未来任务中进行滤除，得到无人机集群的有效未来任务。
所述利用任务过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息进行处理，得到第一无效未来任务，包括：
对所述无人机集群执行某未来任务与执行当前任务的总路径长度，与执行当前任务所需的路径长度之间关系进行判断：
如果所述总路径长度比执行当前任务所需的路径长度短，判定所述未来任务为第一无效未来任务；
如果所述总路径长度比执行当前任务所需的路径长度长，判定所述未来任务为有效未来任务。
所述利用任务信息过滤准则，对所述无人机集群的未来任务信息进行处理，得到第二无效未来任务，包括：
对所述无人机集群的任务种类信息和任务执行信息进行判别：
如果所述无人机集群的任务种类信息为攻击任务，且所述任务执行信息为自杀式攻击，判定所述攻击任务的未来任务为第二无效未来任务；否则，判定所述攻击任务的未来任务为有效未来任务。
所述利用收益估算准则，对所述无人机集群的有效未来任务的收益进行计算，得到所述无人机集群的有效未来任务的任务收益信息，包括：利用收益估算准则，对所述无人机集群执行有效未来任务的搜索任务、分类任务、攻击任务、检测任务的任务收益分别进行计算，其中：
所述搜索任务的任务收益GS的计算表达式为：
GS＝MAXPT*(TL/TT)*K1；
其中，MAXPT为所述无人机执行任务的目标的价值的最大值，剩余飞行时间TL和总飞行时间TT分别为无人机执行完当前任务后剩余的任务路径长度的飞行时间和无人机飞行总路径所需要的飞行时间，K1为第一比例系数，取值为某常数值；
所述分类任务的任务收益GF的计算表达式为：
GF＝(RQ*JH*PT+PT*((TL-RF/VU)/TT))*K2；
其中，识别质量RQ为无人机的目标识别效果的评估值，击毁成功率JH为无人机执行攻击任务时成功击毁目标的概率，目标价值PT为无人机执行攻击任务成功摧毁目标，对于整体任务的贡献度，整体任务为整个无人机集群所完成的任务，分类任务路径长度RF为无人机执行所述分类任务飞行的路径长度，VU为无人机飞行速度，K2为第二比例系数，其取值为某常数值；
所述攻击任务的任务收益GG的计算表达式为：
GG＝(RW*JH*PT-PT*(RG/(BVU*TT)))*K3；
其中，识别成功率RW为无人机执行搜索任务成功识别目标的概率，攻击任务路径长度RG为无人机执行攻击任务飞行的路径长度，标定飞行速度BVU是指无人机执行攻击任务的初始飞行速度，K3为第三比例系数，取值为某常数值；
所述检测任务的任务收益GJ的计算表达式为：
GJ＝(JW*(1-JH)*RW*PT+PT*((TL-RJ/BVU)/TT))*K4；
其中，检测成功率JW为无人机执行检测任务成功检测目标的概率，检测任务路径长度RJ为无人机执行检测任务飞行的路径长度；K4为第四比例系数，取值为某常数值。
在触发无人机集群协同分配任务开始条件前，所述方法包括：对无人机集群的未来任务进行预分配，并对预分配的未来任务设置记忆因子；记忆因子由无人机集群已执行任务的历史收益值来确定。
在得到所述无人机集群的有效未来任务的任务收益信息后，以及采用无人机集群协同任务分配优化方法进行任务分配之前，所述方法还包括：
对于已经被预分配的有效未来任务，利用记忆因子对所计算得到的所述有效未来任务的任务收益进行修正，得到所述有效未来任务的最终的任务收益。
所述更新目标状态信息，包括，对目标完成分类任务后，将目标状态信息更新为分类未攻击；对目标完成攻击任务后，将目标状态信息更新为攻击未检测；对目标完成检测任务后，将目标状态信息更新为已摧毁。
所述无人机集群协同任务分配优化方法，利用无人机集群协同任务分配优化模型来实现，所述无人机集群协同任务分配优化模型包括：无人机节点、目标节点和汇节点；所述无人机节点用于表征所述无人机集群中的每个无人机，所述目标节点表征对应的目标；
所述无人机节点与汇节点的连线表征无人机的搜索任务；所述无人机节点与目标节点间的连线表征对应的无人机对目标的分类、攻击或检测任务；所述节点之间的连线的权重值的取值，与所述连线所表征的任务的收益匹配；
所述无人机集群协同任务分配优化模型，用于根据每类有效未来任务的任务收益，将所述有效未来任务在无人机集群中进行分配，得到无人机集群的第一任务分配结果。
所述无人机集群协同任务分配优化模型，用于根据每类有效未来任务的任务收益，将所述有效未来任务在无人机集群中进行分配，包括：
无人机集群协同任务分配优化模型根据每类有效未来任务的任务收益，以所述无人机集群执行有效未来任务的总收益最大化为目标，建立无人机集群协同任务分配优化模型表达式；
按照每个无人机依次分配搜索任务、分类任务、攻击任务、检测任务的顺序，在分配约束条件下，利用无人机集群协同任务分配优化模型表达式，将所述有效未来任务在无人机集群中进行分配；
所述分配约束条件包括：一个无人机只能分配一项有效未来任务、一个目标最多分配一架无人机和所有无人机都被分配有效未来任务。
所述根据无人机集群的第二任务分配结果，采用相对收益机制对检测任务进行分配，得到无人机集群的第三任务分配结果，完成无人机集群协同任务分配，包括：
S1001，根据无人机集群的第二任务分配结果，计算无人机集群执行检测任务的飞行距离，得到所述无人机集群执行检测任务的飞行距离信息；
S1002，利用所述飞行距离信息，构建相对收益矩阵；
S1003，对所述相对收益矩阵进行判别处理：
若所述相对收益矩阵的所有元素都小于等于0，则将无人机集群的第二任务分配结果，作为无人机集群的第三任务分配结果，完成无人机集群协同任务分配；
若所述相对收益矩阵包含有大于0的元素，则选择相对收益矩阵的最大元素所对应的无人机与执行检测任务的目标，利用所述相对收益矩阵的最大元素所对应的无人机，替换无人机集群的第二任务分配结果中的对所述目标执行检测任务的无人机，完成对无人机集群的第二任务分配结果的更新，返回步骤S1001。
所述利用所述飞行距离信息，构建相对收益矩阵，包括：
利用所述飞行距离信息，计算相对收益矩阵的元素，得到相对收益矩阵；相对收益矩阵的计算表达式为：
相对收益矩阵＝[djk-dik]m×n，
其中，djk是第j个无人机对目标k执行检测任务的飞行距离，dik是第i个无人机对目标k执行检测任务的飞行距离；在无人机集群的第二任务分配结果中，分配第j个无人机对目标k执行检测任务，未分配给第i个无人机执行对目标k的检测任务；m是无人机集群中的无人机数量，n是目标数量。
所述无人机集群协同任务分配优化模型表达式为：
目标函数：
约束函数：
其中，J为无人机的总任务收益，n是无人机集群所包含的无人机数量，m是要分配任务的目标数量，
表示第i个无人机执行搜索任务的收益，
表示第i个无人机执行搜索任务的分配变量，
表示第i个无人机针对第j个目标执行任务k的收益，
表示第i个无人机针对第j个目标执行任务k的分配变量，xj0表示所有无人机针对第j个目标的总分配变量，
表示所有无人机针对第j个目标执行任务k的总分配变量。
在该可选的实施例中，作为一种可选的实施方式，所述利用无人机集群协同任务分配优化模型表达式，将所述有效未来任务在无人机集群中进行分配，得到无人机集群的第一或第二任务分配结果，包括：
S81，将所述无人机集群的未来任务信息输入到所述无人机集群协同任务分配优化模型，得到约束优化模型；
S82，将所述约束优化模型转换为整数模型，整数模型的表达式为：
目标函数：max J＝Cx，
约束条件：Ax＝b，
其中，
b＝[11×n,01×m,n]T，
ei＝[01×(i-1),1,01×(m-i)]，
其中，x为无人机集群的任务矩阵，C为无人机执行任务的收益矩阵，b为约束系数，A为无人机任务分配的约束矩阵，ei为第i个目标的多元规划系数，xi为矩阵x中的第i个元素，xi∈[0,1]，xi为第i个无人机任务分配的线性整数规划概率系数，01×(i-1)表示i-1个0元素组成的向量；(-1)m×n表示-1元素构成的维度为m行n列的矩阵，In表示n行n列的单位矩阵；
S83，利用迭代方法对所述整数模型进行求解，得到无人机集群的第一或第二任务分配结果。
可选的，所述利用迭代方法对所述整数模型进行求解，包括：
S831，求解得到所述整数模型的松弛解，若该松弛解为整数解，则认为该松弛解是所述约束优化模型的最优解，从而得到无人机集群的最优的协同任务分配方案；若该松弛解不为整数解，则从该松弛解中任选一个非整数分量x0进行分枝，将解空间分为xi≤x0和xi＞x0两个解空间。
S832，对得到的每个解空间中，分别求其松弛解：
S8321，若当前的解空间中无松弛解，则对当前的解空间继续进行分枝，得到剪枝解，返回步骤S831；若当前的解空间中有松弛解，则进入步骤S8322；
S8322，若所述松弛解为整数解，则对当前的解空间进行分枝，得到剪枝解，将剪枝解代入整数模型，计算剪枝后的整数模型的目标函数值；
若剪枝后的整数模型的目标函数值比当前的最优目标函数值更优，则更新最优目标函数值及其整数解，转入步骤S831；
若所述松弛解为非整数解，且其目标函数值小于或等于当前的最优目标函数值，则对当前的解空间进行剪枝，得到剪枝解，转入步骤S831；
若所述松弛解为非整数解，且其目标函数值大于当前的最优目标函数值，则从所述松弛解中任选一个非整数分量，对当前解空间进行分枝，转入步骤S831；若当前的解空间无法分枝或已遍历完毕，则进入步骤S833；
S833，将得到的整数解作为所述约束优化模型的最优解，从而得到无人机集群的第一或第二任务分配结果。
可选的，所述利用所述目标的状态信息，对无人机集群的未来任务进行规划，得到所述无人机集群的未来任务信息，包括：
当目标的状态为未侦察时，规划无人机集群的未来任务为搜索；当目标的状态为侦察未分类时，规划无人机集群的未来任务为分类；当目标的状态为分类未攻击时，规划无人机集群的未来任务为攻击；当目标的状态为攻击未摧毁时，规划无人机集群的未来任务为攻击；当目标的状态为摧毁未检测时，规划无人机集群的未来任务为检测。
所述无人机集群协同任务分配优化方法，利用迭代拍卖机制来实现，包括：
S71，基于所述无人机集群的有效未来任务的任务收益信息，利用信息匹配方法，提取得到待分配任务信息；
所述信息匹配方法，是对所述任务收益信息中任务收益高于某阈值的任务进行匹配提取，得到待分配任务信息。
S72，根据待分配任务的重要性指标，对所述待分配任务信息中的所有待分配任务进行排序，得到待分配任务序列信息；
S73，根据所述待分配任务序列信息，将所述待分配任务信息发送至无人机集群，得到所述无人机集群的每个无人机的任务投标信息；具体的，可按照待分配任务序列信息中的顺序，依次将每个分配任务信息发送至无人机集群，每次发送一个分配任务信息；
S74，基于所述每个无人机的任务投标信息，利用招标分配规则，对所述待分配任务在无人机集群中进行招标分配，得到所述待分配任务的中标无人机信息；具体的，可对每个待分配任务进行依次进行招标分配，当前待分配任务对应的招标分配结束后，再对下一个待分配任务开展下一轮招标分配；
S75，对待分配任务序列信息和中标无人机信息进行判断：
若待分配任务序列信息中所有待分配任务，都被招标分配，或者无人机集群中的所有无人机都已中标，对所有待分配任务的中标无人机信息进行整合，生成无人机集群的第一或第二任务分配结果，否则，返回步骤S73。
所述基于所述每个无人机的任务投标信息，利用招标分配规则，对所述待分配任务在无人机集群中进行招标分配，得到所述待分配任务的中标无人机信息，包括：
S741，基于所述每个无人机的任务投标信息,对无人机集群中每个无人机的任务完成能力进行评估，得到所述每个无人机的任务完成能力的能力评估结果；
S742，对所述每个无人机的任务完成能力的能力评估结果进行判断，得到投标无人机集合；所述投标无人机集合包括若干个具备完成待分配任务能力的无人机；
S743，响应于所述待分配任务，投标无人机集合生成对应的目标价格；
S744，利用招标分配规则，对所述投标无人机集合生成的目标价格进行判断，筛选出最优目标价格对应的无人机，得到所述待分配任务的中标无人机信息；
所述待分配任务的中标无人机信息包括中标无人机序号和目标价格信息；所述目标价格信息，是中标无人机针对所述待分配任务生成的目标价格。
所述利用招标分配规则，对所述投标无人机集合生成的目标价格进行判断，筛选出最优目标价格对应的无人机，得到所述待分配任务的中标无人机信息，包括：
S7441，根据所述投标无人机集合中的无人机生成的目标价格TP，计算所述目标价格的目标利润，目标利润TV的表达式为
TV＝GT-TP，
其中，GT为所述待分配任务的任务收益；
S7442，根据全局最优利润规则或单机最优利润规则，对所述投标无人机集合生成的目标价格进行筛选，选出最优利润对应的无人机，得到所述待分配任务的中标无人机信息。
所述响应于所述待分配任务，投标无人机集合生成对应的目标价格，包括：所述投标无人机集合中的无人机，根据所述待分配任务的任务收益GT，确定对所述待分配任务的最小加价PJZ；根据所述待分配任务的上一轮招标分配中的最优利润FL、次优利润SL和目标价格LTP，计算得到所述投标无人机集合中的无人机对所述待分配任务的目标价格TP，所述目标价格TP的计算公式为
TP＝LTP+FL-SL+PJZ，
其中，所述上一轮招标分配中的最优利润FL，是上一轮招标分配中的所述投标无人机集合生成的目标价格的目标利润的最优值，上一轮招标分配中的次优利润SL是指上一轮招标分配中的除了最优利润外的目标利润的最优值。
所述投标无人机集合中的无人机，根据所述待分配任务的任务收益GT，确定对所述待分配任务的最小加价PJZ，包括：采用比例方法，对所述待分配任务的任务收益GT乘以某比例系数，得到所述待分配任务的最小加价PJZ；所述比例系数为大于0而小于1的实数；还包括：采用反正切归一化方法计算得到所述待分配任务的最小加价PJZ，其计算公式为：
PJZ＝|2arctan(GT)/π|×LTP，
其中，arctan为反正切计算函数。
通过采用上述方式确定最小加价PJZ，使得最小加价PJZ随任务收益呈现相关变化，实现了对无人机参与竞标的出价的最优调整，避免了每次生成的目标价格过高或过低所造成的资源浪费。
所述根据单机最优利润规则，对所述投标无人机集合生成的目标价格进行筛选，选出最优利润对应的无人机，得到所述待分配任务的中标无人机信息，包括：
从所述投标无人机集合生成的目标价格中，选择出对应的目标利润最高的无人机，作为承担所述待分配任务的中标无人机。
所述根据全局最优利润规则，对所述投标无人机集合生成的目标价格进行筛选，选出最优利润对应的无人机，得到所述待分配任务的中标无人机信息，包括：
根据所述投标无人机集合生成的目标价格，建立全局利润最优规划模型，其表达式为：
yql＝0或1，
其中，L表示所述投标无人机集合的总目标利润，l0表示所述待分配任务的目标数量，q0表示所述投标无人机集合所包含的无人机数量，TVql表示所述投标无人机集合中的第q个无人机针对所述待分配任务的第l个目标的目标利润，yql表示所述投标无人机集合中的第q个无人机针对所述待分配任务的第l个目标的分配向量，其取值为1时，表示所述投标无人机集合中的第q个无人机针对所述第l个目标执行所述待分配任务，其取值为0时，表示所述投标无人机集合中的第q个无人机不针对所述第l个目标执行所述待分配任务；
以所述投标无人机集合的总目标利润最大化为目标，在投标约束条件下，通过对所述全局利润最优规划模型进行求解，获得全局最优利润；所述全局最优利润的分配向量对应的无人机，为承担所述待分配任务的中标无人机。
所述对所述全局利润最优规划模型进行求解，采用0-1整数规划方法或指派问题求解方法来实现。
所述对所述每个无人机的任务完成能力的能力评估结果进行判断，得到投标无人机集合，包括：筛选出能力评估结果大于某阈值的无人机，作为投标无人机集合。
可见，本实施例所描述的基于相对收益机制的无人机集群协同任务分配方法高效率地将各类任务合理分配给无人机编队，使系统的各种性能指标尽可能达到极值，发挥无人机编队协同工作效能，使无人机任务分配的有效性和实时性有了很大的提高。本实施例通过将所有待分配分为两类，对不同类的任务采取不同的分配方法，提高了任务分配的准确性；同时，对于检测类任务，通过在任务收益的基础上引入相对收益，进一步优化了检测任务的分配过程，提升了分配效率和分配质量。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-OnlyMemory，ROM)、随机存储器(RandomAccessMemory，RAM)、可编程只读存储器(ProgrammableRead-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammableReadOnly Memory，EPROM)、一次可编程只读存储器(One-timeProgrammableRead-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-OnlyMemory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的方法所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于相对收益机制的无人机集群协同任务分配方法，其特征在于，方法包括：
S1，触发无人机集群协同分配任务开始条件，向无人机集群发送任务指令；
所述触发无人机集群协同分配任务开始条件，包括无人机集群侦察到新目标、无人机集群的现有任务完成、无人机集群的现有任务失败；
所述无人机集群协同分配的任务的种类，包括搜索任务、分类任务、攻击任务和检测任务；
S2，所述无人机集群的每个无人机，响应于所述任务指令，获取无人机集群与目标的位置、姿态和状态信息；
S3，利用所述目标的状态信息，对无人机集群的未来任务进行规划，得到所述无人机集群的未来任务信息；
所述无人机集群的未来任务信息包括任务种类信息和任务执行信息；所述任务种类信息包括搜索任务信息、分类任务信息、攻击任务信息和检测任务信息，所述任务执行信息包括自杀式攻击和非自杀式攻击；
S4，利用所述无人机集群与目标的位置、姿态和状态信息，无人机集群的未来任务信息，对所述无人机集群执行当前任务与未来任务的总路径进行计算，得到所述无人机集群执行当前任务与未来任务的总路径信息；
S5，利用预设的任务过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息和所述无人机集群的未来任务信息进行处理，得到无人机集群的有效未来任务；
S6，利用收益估算准则，对所述无人机集群的有效未来任务的收益进行计算，得到所述无人机集群的有效未来任务的任务收益信息；
S7，基于所述无人机集群的有效未来任务的任务收益信息，采用无人机集群协同任务分配优化方法，对所述无人机集群的搜索任务、分类任务和攻击任务进行分配，得到无人机集群的第一任务分配结果；
S8，对所述无人机集群的第一任务分配结果进行判断：
当所述无人机集群的任务分配结果都是搜索任务时，完成无人机集群协同任务分配；
当所述无人机集群的任务分配结果包含非搜索任务时，假设非搜索任务中的分类任务和攻击任务都已完成，更新目标状态信息，执行步骤S10；
S9，利用所述无人机集群协同任务分配优化方法，对所述无人机集群的检测任务进行预分配，得到无人机集群的第二任务分配结果；
S10，根据无人机集群的第二任务分配结果，采用相对收益机制对检测任务进行分配，得到无人机集群的第三任务分配结果，完成无人机集群协同任务分配。
2.如权利要求1所述的基于相对收益机制的无人机集群协同任务分配方法，其特征在于，所述利用预设的任务过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息和所述无人机集群的未来任务信息进行处理，得到无人机集群的有效未来任务，包括：
S51，利用路径过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息进行处理，得到第一无效未来任务；
S52，利用任务信息过滤准则，对所述无人机集群的未来任务信息进行处理，得到第二无效未来任务；
S53，将所述第一无效未来任务和第二无效未来任务从所述无人机集群执行的未来任务中进行滤除，得到无人机集群的有效未来任务。
3.如权利要求2所述的基于相对收益机制的无人机集群协同任务分配方法，其特征在于，所述利用任务过滤准则，对所述无人机集群执行当前任务与未来任务的总路径信息进行处理，得到第一无效未来任务，包括：
对所述无人机集群执行某未来任务与执行当前任务的总路径长度，与执行当前任务所需的路径长度之间关系进行判断：
如果所述总路径长度比执行当前任务所需的路径长度短，判定所述未来任务为第一无效未来任务；
如果所述总路径长度比执行当前任务所需的路径长度长，判定所述未来任务为有效未来任务。
4.如权利要求1所述的基于相对收益机制的无人机集群协同任务分配方法，其特征在于，所述利用任务信息过滤准则，对所述无人机集群的未来任务信息进行处理，得到第二无效未来任务，包括：
对所述无人机集群的任务种类信息和任务执行信息进行判别：
如果所述无人机集群的任务种类信息为攻击任务，且所述任务执行信息为自杀式攻击，判定所述攻击任务的未来任务为第二无效未来任务；否则，判定所述攻击任务的未来任务为有效未来任务。
5.如权利要求1所述的基于相对收益机制的无人机集群协同任务分配方法，其特征在于，
所述利用收益估算准则，对所述无人机集群的有效未来任务的收益进行计算，得到所述无人机集群的有效未来任务的任务收益信息，包括：利用收益估算准则，对所述无人机集群执行有效未来任务的搜索任务、分类任务、攻击任务、检测任务的任务收益分别进行计算，其中：
所述搜索任务的任务收益GS的计算表达式为：
GS＝MAXPT*(TL/TT)*K1；
其中，MAXPT为所述无人机执行任务的目标的价值的最大值，剩余飞行时间TL和总飞行时间TT分别为无人机执行完当前任务后剩余的任务路径长度的飞行时间和无人机飞行总路径所需要的飞行时间，K1为第一比例系数，取值为某常数值；
所述分类任务的任务收益GF的计算表达式为：
GF＝(RQ*JH*PT+PT*((TL-RF/VU)/TT))*K2；
其中，识别质量RQ为无人机的目标识别效果的评估值，击毁成功率JH为无人机执行攻击任务时成功击毁目标的概率，目标价值PT为无人机执行攻击任务成功摧毁目标，对于整体任务的贡献度，整体任务为整个无人机集群所完成的任务，分类任务路径长度RF为无人机执行所述分类任务飞行的路径长度，VU为无人机飞行速度，K2为第二比例系数，其取值为某常数值；
所述攻击任务的任务收益GG的计算表达式为：
GG＝(RW*JH*PT-PT*(RG/(BVU*TT)))*K3；
其中，识别成功率RW为无人机执行搜索任务成功识别目标的概率，攻击任务路径长度RG为无人机执行攻击任务飞行的路径长度，标定飞行速度BVU是指无人机执行攻击任务的初始飞行速度，K3为第三比例系数，取值为某常数值；
所述检测任务的任务收益GJ的计算表达式为：
GJ＝(JW*(1-JH)*RW*PT+PT*((TL-RJ/BVU)/TT))*K4；
其中，检测成功率JW为无人机执行检测任务成功检测目标的概率，检测任务路径长度RJ为无人机执行检测任务飞行的路径长度；K4为第四比例系数，取值为某常数值。
6.如权利要求1所述的基于相对收益机制的无人机集群协同任务分配方法，其特征在于，在触发无人机集群协同分配任务开始条件前，所述方法包括：对无人机集群的未来任务进行预分配，并对预分配的未来任务设置记忆因子；
在得到所述无人机集群的有效未来任务的任务收益信息后，以及采用无人机集群协同任务分配优化方法进行任务分配之前，所述方法还包括：
对于已经被预分配的有效未来任务，利用记忆因子对所计算得到的所述有效未来任务的任务收益进行修正，得到所述有效未来任务的最终的任务收益。
7.如权利要求1所述的基于相对收益机制的无人机集群协同任务分配方法，其特征在于，
所述无人机集群协同任务分配优化方法，利用无人机集群协同任务分配优化模型来实现，所述无人机集群协同任务分配优化模型包括：无人机节点、目标节点和汇节点；所述无人机节点用于表征所述无人机集群中的每个无人机，所述目标节点表征对应的目标；
所述无人机节点与汇节点的连线表征无人机的搜索任务；所述无人机节点与目标节点间的连线表征对应的无人机对目标的分类、攻击或检测任务；所述节点之间的连线的权重值的取值，与所述连线所表征的任务的收益匹配；
所述无人机集群协同任务分配优化模型，用于根据每类有效未来任务的任务收益，将所述有效未来任务在无人机集群中进行分配，得到无人机集群的第一或第二任务分配结果。
8.如权利要求7所述的基于相对收益机制的无人机集群协同任务分配方法，其特征在于，所述无人机集群协同任务分配优化模型，用于根据每类有效未来任务的任务收益，将所述有效未来任务在无人机集群中进行分配，包括：
无人机集群协同任务分配优化模型根据每类有效未来任务的任务收益，以所述无人机集群执行有效未来任务的总收益最大化为目标，建立无人机集群协同任务分配优化模型表达式；
按照每个无人机依次分配搜索任务、分类任务、攻击任务、检测任务的顺序，在分配约束条件下，利用无人机集群协同任务分配优化模型表达式，将所述有效未来任务在无人机集群中进行分配；
所述分配约束条件包括：一个无人机只能分配一项有效未来任务、一个目标最多分配一架无人机和所有无人机都被分配有效未来任务。
9.如权利要求1所述的基于相对收益机制的无人机集群协同任务分配方法，其特征在于，所述根据无人机集群的第二任务分配结果，采用相对收益机制对检测任务进行分配，得到无人机集群的第三任务分配结果，完成无人机集群协同任务分配，包括：
S1001，根据无人机集群的第二任务分配结果，计算无人机集群执行检测任务的飞行距离，得到所述无人机集群执行检测任务的飞行距离信息；
S1002，利用所述飞行距离信息，构建相对收益矩阵；
S1003，对所述相对收益矩阵进行判别处理：
若所述相对收益矩阵的所有元素都小于等于0，则将无人机集群的第二任务分配结果，作为无人机集群的第三任务分配结果，完成无人机集群协同任务分配；
若所述相对收益矩阵包含有大于0的元素，则选择相对收益矩阵的最大元素所对应的无人机与执行检测任务的目标，利用所述相对收益矩阵的最大元素所对应的无人机，替换无人机集群的第二任务分配结果中的对所述目标执行检测任务的无人机，完成对无人机集群的第二任务分配结果的更新，返回步骤S1001。
10.如权利要求9所述的基于相对收益机制的无人机集群协同任务分配方法，其特征在于，所述利用所述飞行距离信息，构建相对收益矩阵，包括：
利用所述飞行距离信息，计算相对收益矩阵的元素，得到相对收益矩阵；相对收益矩阵的计算表达式为：
相对收益矩阵＝[djk-dik]m×n，
其中，djk是第j个无人机对目标k执行检测任务的飞行距离，dik是第i个无人机对目标k执行检测任务的飞行距离；在无人机集群的第二任务分配结果中，分配第j个无人机对目标k执行检测任务，未分配给第i个无人机执行对目标k的检测任务；m是无人机集群中的无人机数量，n是目标数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211340219.7A CN115454146B (zh) | 2022-10-29 | 2022-10-29 | 基于相对收益机制的无人机集群协同任务分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211340219.7A CN115454146B (zh) | 2022-10-29 | 2022-10-29 | 基于相对收益机制的无人机集群协同任务分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115454146A true CN115454146A (zh) | 2022-12-09 |
| CN115454146B CN115454146B (zh) | 2023-03-21 |
Family
ID=84310042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211340219.7A Active CN115454146B (zh) | 2022-10-29 | 2022-10-29 | 基于相对收益机制的无人机集群协同任务分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115454146B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985549A (zh) * | 2018-05-25 | 2018-12-11 | 哈尔滨工程大学 | 基于量子鸽群机制的无人机任务分配方法 |
| CN112230677A (zh) * | 2020-10-22 | 2021-01-15 | 中国人民解放军陆军工程大学 | 无人机族群任务规划方法及终端设备 |
| CN113009934A (zh) * | 2021-03-24 | 2021-06-22 | 西北工业大学 | 一种基于改进粒子群算法的多无人机任务动态分配方法 |
| CN113778123A (zh) * | 2021-08-24 | 2021-12-10 | 中国电子科技集团公司电子科学研究院 | 面向异构无人机集群的耦合多任务分配方法及装置 |
| CN114185362A (zh) * | 2021-12-07 | 2022-03-15 | 北京航空航天大学 | 一种基于郊狼信息熵的无人机集群任务动态分配方法 |
| CN114545975A (zh) * | 2022-03-08 | 2022-05-27 | 大连理工大学 | 融合多目标进化算法和合同网算法的多无人机系统任务分配方法 |
| CN114815898A (zh) * | 2022-06-06 | 2022-07-29 | 重庆邮电大学 | 一种无人机协同任务规划方法 |
-
2022
- 2022-10-29 CN CN202211340219.7A patent/CN115454146B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985549A (zh) * | 2018-05-25 | 2018-12-11 | 哈尔滨工程大学 | 基于量子鸽群机制的无人机任务分配方法 |
| CN112230677A (zh) * | 2020-10-22 | 2021-01-15 | 中国人民解放军陆军工程大学 | 无人机族群任务规划方法及终端设备 |
| CN113009934A (zh) * | 2021-03-24 | 2021-06-22 | 西北工业大学 | 一种基于改进粒子群算法的多无人机任务动态分配方法 |
| CN113778123A (zh) * | 2021-08-24 | 2021-12-10 | 中国电子科技集团公司电子科学研究院 | 面向异构无人机集群的耦合多任务分配方法及装置 |
| CN114185362A (zh) * | 2021-12-07 | 2022-03-15 | 北京航空航天大学 | 一种基于郊狼信息熵的无人机集群任务动态分配方法 |
| CN114545975A (zh) * | 2022-03-08 | 2022-05-27 | 大连理工大学 | 融合多目标进化算法和合同网算法的多无人机系统任务分配方法 |
| CN114815898A (zh) * | 2022-06-06 | 2022-07-29 | 重庆邮电大学 | 一种无人机协同任务规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 施展;陈庆伟;: "基于改进的多目标量子行为粒子群优化算法的多无人机协同任务分配" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115454146B (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115525068B (zh) | 基于迭代优化的无人机集群协同任务分配方法 | |
| CN111488975B (zh) | 用于针对金融市场中的大数据交易将资本分配到交易策略的系统及方法 | |
| CN110852881B (zh) | 风险账户识别方法、装置、电子设备及介质 | |
| CN111967971A (zh) | 银行客户数据处理方法及装置 | |
| EP3961507A1 (en) | Optimal policy learning and recommendation for distribution task using deep reinforcement learning model | |
| CN114781272A (zh) | 碳排放量预测方法、装置、设备及存储介质 | |
| CN113239638A (zh) | 一种基于蜻蜓算法优化多核支持向量机的逾期风险预测方法 | |
| CN109948670A (zh) | 数据识别模型的训练方法及装置、数据处理方法及装置 | |
| CN112287468B (zh) | 一种船舶碰撞危险度判别方法及系统 | |
| CN113257364B (zh) | 基于多目标进化的单细胞转录组测序数据聚类方法及系统 | |
| CN111784211A (zh) | 一种基于分簇的群体多任务分配方法及存储介质 | |
| CN115454147B (zh) | 基于动态优化的无人机集群协同任务分配方法 | |
| CN111210347A (zh) | 交易风险预警方法、装置、设备及存储介质 | |
| CN114596702B (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
| Wang et al. | sensai: Convnets decomposition via class parallelism for fast inference on live data | |
| CN110109005B (zh) | 一种基于序贯测试的模拟电路故障测试方法 | |
| CN111626098A (zh) | 模型的参数值更新方法、装置、设备及介质 | |
| Acharjya et al. | An extensive study of statistical, rough, and hybridized rough computing in bankruptcy prediction | |
| CN115454146B (zh) | 基于相对收益机制的无人机集群协同任务分配方法 | |
| CN117196186A (zh) | 基于二进制大猩猩部队优化器的多导弹任务分配方法 | |
| Ochotorena et al. | Robust stock trading using fuzzy decision trees | |
| CN112132589A (zh) | 一种基于多次融合构建欺诈识别模型的方法 | |
| CN111666991A (zh) | 基于卷积神经网络的模式识别方法、装置和计算机设备 | |
| CN111489192A (zh) | 融合ict供应链网络拓扑特征的产品份额趋势预测方法 | |
| CN115630514B (zh) | 一种无人机集群协同任务分配方法与装置 |
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 |