CN115454147B - 基于动态优化的无人机集群协同任务分配方法 - Google Patents
基于动态优化的无人机集群协同任务分配方法 Download PDFInfo
- Publication number
- CN115454147B CN115454147B CN202211340220.XA CN202211340220A CN115454147B CN 115454147 B CN115454147 B CN 115454147B CN 202211340220 A CN202211340220 A CN 202211340220A CN 115454147 B CN115454147 B CN 115454147B
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned aerial
- aerial vehicle
- information
- vehicle cluster
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
Abstract
本发明公开了一种基于动态优化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,构建任务路径转移模型;利用无人机集群协同任务分配优化模型,得到无人机集群的任务分配初步结果;利用任务路径转移模型对任务分配初步结果进行处理,得到无人机集群的最终任务分配结果,完成无人机集群协同任务分配。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,尤其涉及一种基于动态优化的无人机集群协同任务分配方法。
背景技术
无人机是现代社会生产活动的有生力量,在农业撒种、地质勘探、险情处理等领域具有广泛应用,无人机的工作任务以单一重复式的机械性任务为主,有效的降低了人力成本与工作效率。近年来,研究者们致力于让无人机完成更为复杂全面的工作任务,这就要求无人机集群在联合探测、智能决策以及协同行动等方面具有更高的能力水平。任务分配技术是智能决策中的重要组成部分。面对多无人机、多目标、多任务的立体问题架构,采用优化理论与协同机制寻找可行空间的最优分配方案,从而显著提升无人机集群工作任务的执行能力,是目前的重点研究方向。因此,研究无人机集群的协同任务分配算法具有重要意义。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
针对无人机集群的协同任务分配难题,本发明实施例第一方面公开了一种基于动态优化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、姿态和状态信息以及无人机集群的任务分配历史数据;
利用所述任务分配历史数据,建立任务路径转移模型;
所述任务分配历史数据,包括在无人机集群的已执行任务中,每个无人机的执行任务时间、执行任务信息和对应目标信息;
S3,对所述无人机集群与目标的位置、姿态和状态信息进行处理,得到所述无人机集群的未来任务信息;对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进行处理,得到所述无人机集群的有效未来任务的任务收益信息;
S4,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未来任务信息进行处理,得到无人机集群的第一任务分配结果;
S5,将所述第一任务分配结果输入至任务路径转移模型,利用任务路径转移模型对第一任务分配结果进行处理,得到无人机集群的最终任务分配结果,完成无人机集群协同任务分配。
所述步骤S3,包括:
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;
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;
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;
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。
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:
S31,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;
S32,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;
S33,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。
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;
得到所述无人机集群的有效未来任务的任务收益信息;
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,对所述无人机集群的未来任务信息进行处理之前,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。
所述利用所述任务分配历史数据,建立任务路径转移模型,包括:
S21,从所述任务分配历史数据中,提取出无人机执行任务对应的目标信息;
S22,利用所述目标信息,建立所述任务路径转移模型的任务节点;所述任务路径转移模型的任务节点包括目标信息;
S23,根据所述任务节点对应的执行任务时间,对任务节点进行时间关联,形成任务执行路径;
S24,根据任务节点在任务执行路径中的出现次数,对相邻任务节点的同时出现概率进行计算,得到相邻任务节点的连接概率;
S25,对所述任务节点的目标信息和所述相邻任务节点的连接概率进行整合,建立执行路径概率统计信息;
S26,对所述执行路径概率统计信息进行数据泛化处理,得到任务路径转移矩阵;
S27,利用所述任务路径转移矩阵,建立任务路径转移模型。
所述将所述第一任务分配结果输入至任务路径转移模型,利用任务路径转移模型对所述第一任务分配结果进行处理,得到无人机集群的最终任务分配结果,包括:
S51、将所述第一任务分配结果,作为预测执行路径的初始任务节点,输入到任务路径转移模型;预测执行路径是由任务路径转移模型所预测得到的,包含若干个任务节点的任务执行路径;预测执行路径的任务节点包含节点目标信息和节点任务信息;
S52、利用任务路径转移模型,对所述初始任务节点进行预测处理,得到预测执行路径;
S53、对预测执行路径的节点目标信息和节点任务信息进行整合,得到无人机集群的最终任务分配结果。
所述利用任务路径转移模型,对所述初始任务节点进行预测处理,得到预测执行路径,包括:
S521,根据所述初始任务节点的节点目标信息,确定所述初始任务节点在任务路径转移矩阵中的对应列,将所述对应列作为任务路径转移矩阵的输入列;
S522,将所述任务路径转移矩阵的输入列的下一列作为当前列,在所述当前列中选择任务路径转移概率最大值所对应的任务节点的目标信息,作为预测执行路径的下一任务节点的节点目标信息;
S523,根据预测执行路径的当前任务节点的执行任务信息,利用执行任务分配原则,确定所述预测执行路径的下一任务节点的执行任务信息;所述执行任务分配原则,是按照搜索任务、分类任务、攻击任务和检测任务的顺序,将执行任务信息在预测执行路径的任务节点中依次进行分配;
S524,判断所确定的预测执行路径的任务节点的执行任务信息是否为检测任务信息:
若是检测任务信息,完成对所述初始任务节点的预测处理,得到预测执行路径;
否则,将所述任务路径转移矩阵的当前列作为输入列,进入步骤S522。
所述无人机集群协同任务分配优化方法,采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;所述汇节点表示无人机执行搜索任务得到的结果;
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,得到无人机集群的任务分配结果。
与现有技术相比,本发明实施例具有以下有益效果:
(一)基于动态优化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)本发明利用任务分配的历史数据,通过充分利用目标运动规律性强的特点,构建了任务目标之间的动态转移矩阵,利用动态转移矩阵实现对任务目标分配的动态优化,提高了优化效率和准确性。
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计算任务收益流程;
图3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计算任务收益流程;图3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
一种基于动态优化的无人机集群协同任务分配方法,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、姿态和状态信息以及无人机集群的任务分配历史数据;
利用所述任务分配历史数据,建立任务路径转移模型;
所述任务分配历史数据,包括在无人机集群的已执行任务中,每个无人机的执行任务时间、执行任务信息和对应目标信息;
S3,对所述无人机集群与目标的位置、姿态和状态信息进行处理,得到所述无人机集群的未来任务信息;对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进行处理,得到所述无人机集群的有效未来任务的任务收益信息;
S4,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未来任务信息进行处理,得到无人机集群的第一任务分配结果;
S5,将所述第一任务分配结果输入至任务路径转移模型,利用任务路径转移模型对第一任务分配结果进行处理,得到无人机集群的最终任务分配结果,完成无人机集群协同任务分配。
所述步骤S3,包括:
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;
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;
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;
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。
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:
S31,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;
S32,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;
S33,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。
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;
得到所述无人机集群的有效未来任务的任务收益信息;
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,对所述无人机集群的未来任务信息进行处理之前,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。
所述利用所述任务分配历史数据,建立任务路径转移模型,包括:
S21,从所述任务分配历史数据中,提取出无人机执行任务对应的目标信息;
S22,利用所述目标信息,建立所述任务路径转移模型的任务节点;所述任务路径转移模型的任务节点包括目标信息;
S23,根据所述任务节点对应的执行任务时间,对任务节点进行时间关联,形成任务执行路径;
S24,根据任务节点在任务执行路径中的出现次数,对相邻任务节点的同时出现概率进行计算,得到相邻任务节点的连接概率;
S25,对所述任务节点的目标信息和所述相邻任务节点的连接概率进行整合,建立执行路径概率统计信息;
S26,对所述执行路径概率统计信息进行数据泛化处理,得到任务路径转移矩阵;
S27,利用所述任务路径转移矩阵,建立任务路径转移模型。
所述将所述第一任务分配结果输入至任务路径转移模型,利用任务路径转移模型对所述第一任务分配结果进行处理,得到无人机集群的最终任务分配结果,包括:
S51、将所述第一任务分配结果,作为预测执行路径的初始任务节点,输入到任务路径转移模型;预测执行路径是由任务路径转移模型所预测得到的,包含若干个任务节点的任务执行路径;预测执行路径的任务节点包含节点目标信息和节点任务信息;
S52、利用任务路径转移模型,对所述初始任务节点进行预测处理,得到预测执行路径;
S53、对预测执行路径的节点目标信息和节点任务信息进行整合,得到无人机集群的最终任务分配结果。
所述利用任务路径转移模型,对所述初始任务节点进行预测处理,得到预测执行路径,包括:
S521,根据所述初始任务节点的节点目标信息,确定所述初始任务节点在任务路径转移矩阵中的对应列,将所述对应列作为任务路径转移矩阵的输入列;
S522,将所述任务路径转移矩阵的输入列的下一列作为当前列,在所述当前列中选择任务路径转移概率最大值所对应的任务节点的目标信息,作为预测执行路径的下一任务节点的节点目标信息;
S523,根据预测执行路径的当前任务节点的执行任务信息,利用执行任务分配原则,确定所述预测执行路径的下一任务节点的执行任务信息;所述执行任务分配原则,是按照搜索任务、分类任务、攻击任务和检测任务的顺序,将执行任务信息在预测执行路径的任务节点中依次进行分配;
S524,判断所确定的预测执行路径的任务节点的执行任务信息是否为检测任务信息:
若是检测任务信息,完成对所述初始任务节点的预测处理,得到预测执行路径;
否则,将所述任务路径转移矩阵的当前列作为输入列,进入步骤S522。
所述无人机集群协同任务分配优化方法,采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;所述汇节点表示无人机执行搜索任务得到的结果;
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,得到无人机集群的任务分配结果。
在该可选的实施例中,作为一种可选的实施方式,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。
对所述任务节点的目标信息和所述相邻任务节点的连接概率进行整合,建立执行路径概率统计信息,包括:
所述执行路径概率统计信息采用表格形式进行表示;将所述任务节点的目标信息作为所述表格的行目录和列目录,相邻任务节点的连接概率写入所述相邻任务节点对应的表格的空格中;
所述对所述执行路径概率统计信息进行数据泛化处理,得到任务路径转移矩阵,包括:
记第i个任务节点到第j个任务节点的连接概率为ei,j,在执行路径概率统计信息中,对第i个任务节点连接到第j个任务节点的节点路径的出现次数进行统计,得到所述节点路径的发生次数Ci,j;利用所有连接到第j个任务节点的节点路径的发生次数,构建第j个任务节点的路径集合Hj,其表达式为:
Hj=[C1,j,C2,j,...,CN,j],
对执行路径概率统计信息中的连接概率ei,j进行数据泛化处理,得到第i个任务节点连接到第j个任务节点的任务路径转移概率Hi,j,数据泛化处理过程表示为:
计算得到所有任务节点之间的任务路径转移概率,所有任务节点之间的任务路径转移概率,构成任务路径转移矩阵。
任务路径转移矩阵元素的行序号和列序号,分别表征了当前任务节点的目标信息和待转移的任务节点的目标信息。
在该可选的实施例中,作为一种可选的实施方式,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。
在该可选的实施例中,作为一种可选的实施方式,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、攻击任务和检测任务的顺序,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。
所述无人机集群协同任务分配优化模型表达式为:
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未来任务信息进行处理,得到无人机集群的第一任务分配结果,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动态优化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。本发明利用任务分配的历史数据,通过充分利用目标运动规律性强的特点,构建了任务目标之间的动态转移矩阵,利用动态转移矩阵实现对任务目标分配的动态优化,提高了优化效率和准确性
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-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-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-Only Memory,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 (6)
1.一种基于动态优化的无人机集群协同任务分配方法,其特征在于,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、姿态和状态信息以及无人机集群的任务分配历史数据;
利用所述任务分配历史数据,建立任务路径转移模型;
所述任务分配历史数据,包括在无人机集群的已执行任务中,每个无人机的执行任务时间、执行任务信息和对应目标信息;
S3,对所述无人机集群与目标的位置、姿态和状态信息进行处理,得到所述无人机集群的未来任务信息;对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进行处理,得到所述无人机集群的有效未来任务的任务收益信息;
S4,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未来任务信息进行处理,得到无人机集群的第一任务分配结果;
S5,将所述第一任务分配结果输入至任务路径转移模型,利用任务路径转移模型对第一任务分配结果进行处理,得到无人机集群的最终任务分配结果,完成无人机集群协同任务分配;
所述步骤S3,包括:
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;
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;
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;
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;
所述利用所述任务分配历史数据,建立任务路径转移模型,包括:
S21,从所述任务分配历史数据中,提取出无人机执行任务对应的目标信息;
S22,利用所述目标信息,建立所述任务路径转移模型的任务节点;所述任务路径转移模型的任务节点包括目标信息;
S23,根据所述任务节点对应的执行任务时间,对任务节点进行时间关联,形成任务执行路径;
S24,根据任务节点在任务执行路径中的出现次数,对相邻任务节点的同时出现概率进行计算,得到相邻任务节点的连接概率;
S25,对所述任务节点的目标信息和所述相邻任务节点的连接概率进行整合,建立执行路径概率统计信息;
S26,对所述执行路径概率统计信息进行数据泛化处理,得到任务路径转移矩阵;
S27,利用所述任务路径转移矩阵,建立任务路径转移模型;
所述将所述第一任务分配结果输入至任务路径转移模型,利用任务路径转移模型对所述第一任务分配结果进行处理,得到无人机集群的最终任务分配结果,包括:
S51、将所述第一任务分配结果,作为预测执行路径的初始任务节点,输入到任务路径转移模型;预测执行路径是由任务路径转移模型所预测得到的,包含若干个任务节点的任务执行路径;预测执行路径的任务节点包含节点目标信息和节点任务信息;
S52、利用任务路径转移模型,对所述初始任务节点进行预测处理,得到预测执行路径;
S53、对预测执行路径的节点目标信息和节点任务信息进行整合,得到无人机集群的最终任务分配结果;
所述无人机集群协同任务分配优化方法,采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;所述汇节点表示无人机执行搜索任务得到的结果;
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,得到无人机集群的任务分配结果。
2.如权利要求1所述的基于动态优化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:
S31,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;
S32,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;
S33,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1所述的基于动态优化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所述的基于动态优化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所述的基于动态优化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;
得到所述无人机集群的有效未来任务的任务收益信息;
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,对所述无人机集群的未来任务信息进行处理之前,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。
6.如权利要求1所述的基于动态优化的无人机集群协同任务分配方法,其特征在于,
所述利用任务路径转移模型,对所述初始任务节点进行预测处理,得到预测执行路径,包括:
S521,根据所述初始任务节点的节点目标信息,确定所述初始任务节点在任务路径转移矩阵中的对应列,将所述对应列作为任务路径转移矩阵的输入列;
S522,将所述任务路径转移矩阵的输入列的下一列作为当前列,在所述当前列中选择任务路径转移概率最大值所对应的任务节点的目标信息,作为预测执行路径的下一任务节点的节点目标信息;
S523,根据预测执行路径的当前任务节点的执行任务信息,利用执行任务分配原则,确定所述预测执行路径的下一任务节点的执行任务信息;所述执行任务分配原则,是按照搜索任务、分类任务、攻击任务和检测任务的顺序,将执行任务信息在预测执行路径的任务节点中依次进行分配;
S524,判断所确定的预测执行路径的任务节点的执行任务信息是否为检测任务信息:
若是检测任务信息,完成对所述初始任务节点的预测处理,得到预测执行路径;
否则,将所述任务路径转移矩阵的当前列作为输入列,进入步骤S522。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211340220.XA CN115454147B (zh) | 2022-10-29 | 2022-10-29 | 基于动态优化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 |
---|---|---|---|
CN202211340220.XA CN115454147B (zh) | 2022-10-29 | 2022-10-29 | 基于动态优化的无人机集群协同任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115454147A CN115454147A (zh) | 2022-12-09 |
CN115454147B true CN115454147B (zh) | 2023-03-14 |
Family
ID=84310067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211340220.XA Active CN115454147B (zh) | 2022-10-29 | 2022-10-29 | 基于动态优化的无人机集群协同任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115454147B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106020230A (zh) * | 2016-05-20 | 2016-10-12 | 武汉科技大学 | 一种能耗约束下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 |
CN113031650A (zh) * | 2021-03-04 | 2021-06-25 | 南京航空航天大学 | 一种不确定环境下的无人机集群协同目标分配设计方法 |
CN113485456A (zh) * | 2021-08-23 | 2021-10-08 | 中国人民解放军国防科技大学 | 一种无人机群分布式在线自适应任务规划方法 |
CN113887919A (zh) * | 2021-09-28 | 2022-01-04 | 南京理工大学 | 基于杂交-离散粒子群算法的多无人机协同任务分配方法及系统 |
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 |
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 |
CN115202400A (zh) * | 2022-08-04 | 2022-10-18 | 西安电子科技大学 | 基于自适应惩罚taea的无人机集群任务规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10013886B2 (en) * | 2016-03-08 | 2018-07-03 | International Business Machines Corporation | Drone carrier |
-
2022
- 2022-10-29 CN CN202211340220.XA patent/CN115454147B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106020230A (zh) * | 2016-05-20 | 2016-10-12 | 武汉科技大学 | 一种能耗约束下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 |
CN113031650A (zh) * | 2021-03-04 | 2021-06-25 | 南京航空航天大学 | 一种不确定环境下的无人机集群协同目标分配设计方法 |
CN113485456A (zh) * | 2021-08-23 | 2021-10-08 | 中国人民解放军国防科技大学 | 一种无人机群分布式在线自适应任务规划方法 |
CN113887919A (zh) * | 2021-09-28 | 2022-01-04 | 南京理工大学 | 基于杂交-离散粒子群算法的多无人机协同任务分配方法及系统 |
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 |
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 |
CN115202400A (zh) * | 2022-08-04 | 2022-10-18 | 西安电子科技大学 | 基于自适应惩罚taea的无人机集群任务规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115454147A (zh) | 2022-12-09 |
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 | |
Zhou et al. | Stock market prediction on high-frequency data using generative adversarial nets. | |
Kuncheva | Combining classifiers: Soft computing solutions | |
CN110956273A (zh) | 融合多种机器学习模型的征信评分方法及系统 | |
US20190220750A1 (en) | Solution search processing apparatus and solution search processing method | |
Tripoliti et al. | Modifications of the construction and voting mechanisms of the random forests algorithm | |
Mehmanpazir et al. | Development of an evolutionary fuzzy expert system for estimating future behavior of stock price | |
Saha et al. | Incremental learning based multiobjective fuzzy clustering for categorical data | |
Banu et al. | Artificial intelligence based customer churn prediction model for business markets | |
CN113449012A (zh) | 基于大数据预测的互联网服务挖掘方法及大数据预测系统 | |
CN115454147B (zh) | 基于动态优化的无人机集群协同任务分配方法 | |
CN112287468B (zh) | 一种船舶碰撞危险度判别方法及系统 | |
Acharjya et al. | An extensive study of statistical, rough, and hybridized rough computing in bankruptcy prediction | |
Guida et al. | Ensemble learning applied to quant equity: gradient boosting in a multifactor framework | |
Pham | Combination of multiple classifiers using adaptive fuzzy integral | |
CN115454146B (zh) | 基于相对收益机制的无人机集群协同任务分配方法 | |
CN115630514A (zh) | 一种无人机集群协同任务分配方法与装置 | |
CN115630513B (zh) | 基于集群优化的无人机集群协同任务分配方法 | |
Brusco et al. | Affinity propagation and uncapacitated facility location problems | |
CN112511519A (zh) | 一种基于特征选择算法的网络入侵检测方法 | |
CN113034264A (zh) | 客户流失预警模型的建立方法、装置、终端设备及介质 | |
Juyal et al. | Towards Applications of Machine Learning Algorithms for Sustainable Systems and Precision Agriculture | |
Xu et al. | Novel Early-Warning Model for Customer Churn of Credit Card Based on GSAIBAS-CatBoost. | |
Zouaghia et al. | Hybrid Machine Learning Model for Predicting NASDAQ Composite Index | |
Kashef | Forecasting The Price of the Flight Tickets using A Novel Hybrid Learning model |
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 |