CN115494873A - 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法 - Google Patents

时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法 Download PDF

Info

Publication number
CN115494873A
CN115494873A CN202211194656.2A CN202211194656A CN115494873A CN 115494873 A CN115494873 A CN 115494873A CN 202211194656 A CN202211194656 A CN 202211194656A CN 115494873 A CN115494873 A CN 115494873A
Authority
CN
China
Prior art keywords
task
unmanned aerial
aerial vehicle
target
tasks
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
Application number
CN202211194656.2A
Other languages
English (en)
Inventor
郑洪源
杨葛
张康良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202211194656.2A priority Critical patent/CN115494873A/zh
Publication of CN115494873A publication Critical patent/CN115494873A/zh
Pending legal-status Critical Current

Links

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

本发明针对敌方防空火力压制任务(SEAD)场景，考虑无人机集群执行任务期间的资源约束、运动学约束以及任务之间的时序优先级约束，提出一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法。方法创新性地将蒙特卡洛树搜索与异构多无人机协同任务分配相结合，设计以蒙特卡洛树搜索的任务分配架构，通过有限次数的迭代返回当前状态下的最优决策；并采用遗传算法对无人机的内部任务序列以及无人机接近目标时的航向角进行优化，降低了无人机的航迹代价，提高系统效能；最后针对任务时序优先约束引发的死锁问题，设计了基于图论的死锁检测与解除算法，保证任务分配方案的可行性。本发明提出的方法可以有效满足SEAD任务场景下的任务分配需求，顺利完成敌方防空火力压制任务作战任务，并且与传统分配算法相比保证了最大化系统效能。

Description

时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协 同任务分配方法
技术领域
本发明涉及敌方防空火力压制任务(SEAD)场景，考虑无人机集群执行任务期间的资源约束、运动学约束以及任务之间的时序优先级约束，提出一种考虑无人机任务时序的最大化系统效能的任务分配方法。
背景技术
近年来，无人机技术飞速发展并广泛地在信息化战争中执行侦察、战场评估、攻击、充当诱饵、精确打击等任务，极大地提高了任务成功率。然而，单架无人机受其自身软硬件条件的限制，仍有局限性如：鲁棒性差，任务执行效率低，也因自身的燃料、重量和尺寸的限制，无法对目标形成持续有力的打击。因此，使用多架无人机协同执行敌方防空火力压制(SEAD)任务是目前重要的发展趋势。
发明内容
发明目的：目前国内外学者针对多无人机协同任务分配问题主流的任务分配模型可以分为两类，第一类为集中式任务分配模型，但是关于无人机任务分配的一些研究只考虑了单一类型的任务或同构无人机。由于缺乏对多种任务类型和异构无人机的考虑，以前的方法无法直接应用于SEAD任务场景。第二类为分布式任务分配模型，但是分布式任务分配方法要求无人机具备较强的通信能力以及信息处理能力，且在分布式协商过程中系统对全局性能考虑不足，一般只能获得局部可行解，而无法获得全局最优或次优解。
为解决该技术问题，本发明提出了一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法，创新性地将蒙特卡洛树搜索与异构多无人机协同任务分配相结合，设计以蒙特卡洛树搜索的任务分配架构，通过有限次数的迭代返回当前状态下的最优决策；再采用遗传算法优化任务序列，最后设计基于图论的死锁检测和解除。最终能够顺利完成任务分布任务，并且实现最大化系统效能。
技术方案：为实现上述技术效果，本发明提出的技术方案为：
时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法，其特征在于，包括步骤：
(1)构建系统模型：设战场上存在由侦察型、攻击型无人机和混合型无人机组成的异构无人机群，该无人机群共同执行战区内的SEAD任务，地而战区内可能存在多个目标，目标的初始位置未知。当发现目标时，将目标转化为一个任务集合，指派合适的无人机共同执行该任务集合内的任务。
(2)设计一种基于蒙特卡洛树搜索的任务分配架构，当一个新目标被搜索到时，触发任务分配方法，一个目标将会被转化为一个任务集合(C，A，V)，并被分配到无人机集群中。
(3)无人机任务序列优化：当一个新的目标被搜索到时，目标会转化成一个任务集合，蒙特卡洛树搜索算法根据当前的系统状态选择一个无人机来执行该其中一个子任务，但仅仅将新的任务添加到一个UAV的任务序列末尾显然不合理，需要对任务序列进行优化。
(4)任务序列死锁检测与解除：在处理具有时间优先约束的多任务分配问题时，不可避免地会遇到一个问题：死锁。死锁是指UAV在执行任务的过程中陷入无线等待的情况，一些UAV等待彼此完成任务，以开始下一个任务，但分配给他们的任务之间存在时间冲突，从而陷入无限等待。
进一步的，所述步骤(1)包括目标和任务设计、无人机模型设计以及目标函数和约束条件设计。
进一步的，目标与任务设计中目标集合和任务集合如下：
Figure BSA0000285409820000023
Figure BSA0000285409820000024
进一步的，当一个目标的V任务完成后我们认为该目标被摧毁成功，所得收益由如下公式计算：
Figure BSA0000285409820000022
ψ(t)＝e-βt
进一步的，系统效能可以通过摧毁目标获得的收益以及完成任务的代价两部分计算，公式如下：
Figure BSA0000285409820000021
进一步的，所述步骤(2)蒙特卡诺树搜索架构设计步骤如下
1)蒙特卡洛树的建立。
2)节点的选择。
3)节点的扩展。
4)对树进行随机选择模拟，对节点进行操作直到所有任务分配完毕。
5)反向传播并更新所有节点。
6)任务分配方案生成。
进一步的，所述步骤(3)采用遗传算法对无人机任务序列进行协调，内部任务办调的目标函数如下
Figure BSA0000285409820000031
进一步的，所述步骤(4)通过深度优先遍历算法检测TTPG中是否存在强连通分支(SSC)，如果不存在，则代表该分配方案是可行的；否则，则说明该分配方案是死锁的，必须消除死锁。
附图说明
图1是本发明的流程图；
图2是本发明实施例中蒙特卡洛决策树建立过程
图3是本发明实施例中提供的蒙特卡洛树搜索决策算法示意图；
图4是本发明实施例中提供的遗传算法染色体编码示意图；
图5是本发明实施例中提供的遗传算法示意图；
图6是本发明实施例中得到的无人机集群任务序列示例图；
图7是本发明实施例中得到的无人机集群任务时序优先级图；
图8是本发明实施例中提供的死锁检测与解除算法示意图；
图9是本发明实施例中得到的无人机集群航迹规划示例图；
图10是本发明实施例中得到的无人机任务分配平均系统效能对比示例图；
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法，如图1所示，包括以下步骤：
(1)构建系统模型：设战场上存在由侦察型、攻击型无人机和混合型无人机组成的异构无人机群，该无人机群共同执行战区内的SEAD任务，地面战区内可能存在多个目标，目标的初始位置未知。当发现目标时，将目标转化为一个任务集合，指派合适的无人机共同执行该任务集合内的任务。
(2)设计一种基基于蒙特卡洛树搜索的任务分配架构，当一个新目标被搜索到时，触发任务分配方法，一个目标将会被转化为一个任务集合(C，A，V)，并被分配到无人机集群中。
(3)无人机任务序列优化：当一个新的目标被搜索到时，目标会转化成一个任务集合，蒙特卡洛树搜索算法根据当前的系统状态选择一个无人机来执行该其中一个子任务，但仅仅将新的任务添加到一个UAV的任务序列末尾显然不合理，需要对任务序列进行优化。
(4)任务序列死锁检测与解除：在处理具有时间优先约束的多任务分配问题时，不可避免地会遇到一个问题：死锁。死锁是指UAV在执行任务的过程中陷入无线等待的情况，一些UAV等待彼此完成任务，以开始下一个任务，但分配给他们的任务之间存在时间冲突，从而陷入无限等待。
(5)生成最后的无人机任务分配方案。
在步骤(1)中，设战场上共有NT个位置信息的目标，目标集合如下所下所示：
Figure BSA0000285409820000044
当目标Ti被无人机探测到时，目标将会被转化为一个如下所示的任务集合：
Figure BSA0000285409820000045
其中C为侦查任务，并且目标共需要NA个攻击型无人机同时进行A任务，V为毁伤评估任务。C，A，V三种类型任务之间存在时序约束，即A任务必须在C任务完成之后才能执行，V任务必须在A任务完成之后执行。为了对目标产生有效打击，执行同一目标A类任务的无人机组合需要同时到达目标点执行A任务。
当一个目标的V任务完成后我们认为该目标被摧毁成功，所得收益由如下公式计算：
Figure BSA0000285409820000043
ψ(t)＝e-βt
value(Ti)为目标的初始时刻的重要程度。ψ(t)∈[0，1]，且随着时间递减。β越大，收益随时间下降速度越快。引入ψ(t)可以避免算法在调整无人机任务序列的过程中使得有些任务始终无法的到执行。
设共有NV个无人机共同执行搜索和攻击作战任务，无人机集合如下所示：
Figure BSA0000285409820000041
使用Dubins曲线来模拟无人机的真实飞行路径，无人机的位形可以用三个状态变量表示，即笛卡尔惯性参考系x和y以及无人机航向角
Figure BSA0000285409820000042
无人机运动学方程如下：
Figure BSA0000285409820000051
本发明目标函数为最大化系统效能，系统效能可以通过摧毁目标获得的收益以及完成任务的代价两部分计算，公式如下：
Figure BSA0000285409820000052
Figure BSA0000285409820000053
Figure BSA0000285409820000054
Figure BSA0000285409820000055
公式中reward(Tj)为目标完成的收益，
Figure BSA0000285409820000056
为Ui的航迹代价。ω1ω2为收益和代价的权值，增大ω1系统会尽早完成先发现的目标，增大ω2可以获得路径较短的无人机任务分配方案；
Figure BSA0000285409820000058
是一个二元变量，代表目标Ti是否已经被发现。
在步骤(2)中，蒙特卡诺树搜索架构设计步骤如下
1)蒙特卡洛树的建立。蒙特卡罗决策树的第一层进行C任务的分配，最后一层分配V任务，第二层至倒数第二层为A类任务，图2是一个决策树的例子。其中每一个叶子节点到根节点的路径都代表一个任务分配方案。
2)节点的选择。一个节点本质上意味着将任务ti分配至无人机Ui。ti树由该节点的在决策树中的层数决定，Ui由该任务的类型决定。树的节点有三种：未被访问过的节点；访问过但未完全扩展；完全扩展。针对第三种节点，本发明用上限置信区间(UCB)选择子节点，公式为：
Figure BSA0000285409820000057
Value(vi)是节点vi的价值估值，N(vi)为节点vi的访问次数，N为算法已探索的总次数，C为一个常数。
3)节点的扩展。当一个节点访问过但并未完全扩展时，将一个新的节点加入决策树。为此首先需要获得该节点状态(state)下所有可能的动作(action)的集合。action是一个二元组，action[0]代表无人机Ui，action[1]是任务ti，执行action即将ti添加到无人机Ui的任务序列中，并在系统任务列表中将该任务ti的执行状态标记为1。
4)对树进行随机选择模拟，对节点进行操作直到所有任务分配完毕，接着运行无人机内部序列优化算法，优化无人机任务序列以及航向角，下一步运行死锁的检测与解除算法，最后根据叶子节点的state计算该节点的Value(vi)，进行反向传播。
5)反向传播并更新所有节点的Value以及访问次数N(vi)等信息。
6)任务分配方案生成，图3是蒙特卡洛树搜索决策生成算法的示例图。
在步骤(3)中，本发明采用遗传算法对无人机任务序列进行协调。染色体的编码如图4所示。我们将无人机内部任务序列，即染色体编码为矩阵形式，染色体的每一列都是一个基因，一个基因有两部分：第一部分为前两行，代表目标任务组合；第二部分为第三，四行，表示执行该任务的无人机ID及其目标接近角，为了便于交叉和变异算子的编程，我们添加了第三部分：基因ID。
本发明遗传算法采用部分匹配交叉(PMX)保证了染色体中每个基因有且仅出现一次，通过PMX交叉策略染色体内基因不会冲突，所以PMX策略经常用于TSP问题或其他排序问题编码。遗传算法流程如图5所示。
在步骤(4)中，针对任务序列的死锁问题，图6是当前死锁状态下所有无人机的任务序列，注意图6与图4不同，第三行包含了所有UAV，同一无人机任务按照任务ID从小到大执行，代表无人机集群的任务执行方案。U3要执行t6，必须先执行t5，这是U3的任务序列决定的；U3要执行t7需要先执行t5，这是U3的任务序列决定的；U3执行t7需要先执行t5，这是目标T2任务之间的时序约束决定的。显然U3陷入了死锁状态。这仅仅是最简单的一个死锁情况，真实的分配过程中产生的死锁往往复杂很多。死锁检测与解除算法步骤如下：
1)根据无人机的任务序列生成任务时序优先级图(TTPG)，TTPG中边的类型有两种，一种是由无人机执行顺序产生的边集EU，第二种是由任务时序约束产生的边即ET，显然一个TTPG的ET是固定不变的。
2)通过深度优先遍历算法检测TTPG中是否存在强连通分支(SSC)，如果不存在，则代表该分配方案是可行的；否则，则说明该分配方案是死锁的，必须消除死锁。图7是根据图6的任务序列生成的任务时序优先级图，如上文分析可知该TTPG存在SSC：{5，6，7}。
3)当一个TTPG中存在SSC时，EU，ET与SSC的交集一定不是空集，这一点是显然的，因为当不存在时序约束时，单架无人机的任务序列生成的一定是单向的，同样一个目标的时序约束也是单向的tC＜tA＜tV，因此，当SSC不为空集时，SSC一定是由EU与ET的子集共同组成的。
4)综上所述对于SEAD任务场景下的多无人机任务分配产生的死锁问题，需要先将无人机集群的任务序列转化为TTPG，检测TTPG中的SSC是否为空集，由于ET固定不变，只能通过修改SSC与EU的交集来解除死锁。死锁检测与解除算法见图8。
在步骤(5)中，生成了最终的任务分配方案，假设战区大小为5000m×S000m，无人机集群有2架攻击型无人机、1架混合型无人机以及1架侦察型无人机组成，所得的图9为无人机集群航迹规划图，其中所示U2的任务序列得到了优化，U2会先执行
Figure BSA0000285409820000071
再执行
Figure BSA0000285409820000072
同时U2，U3都进行了路径延长以满足任务的时序要求。
图10展现了5种SEAD任务规模，3种算法获得的平均系统效能，随着任务规模的增大，本发明的算法系统效能也持续增大，这是由于本发明的算法设计的任务分配方案合理，且对单个无人机的任务序列进行了优化，缩短了航迹代价，从而提高系统效能。

Claims (2)

1.时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法，其特征在于，包括步骤：
(1)构建系统模型：设战场上存在由侦察型、攻击型无人机和混合型无人机组成的异构无人机群，该无人机群共同执行战区内的SEAD任务，地面战区内可能存在多个目标，目标的初始位置未知。当发现目标时，将目标转化为一个任务集合，指派合适的无人机共同执行该任务集合内的任务。
1)目标与任务
设战场上共有NT个位置信息的目标，目标集合如下所下所示：
Figure FSA0000285409810000011
当目标Ti被无人机探测到时，目标将会被转化为一个如下所示的任务集合：
Figure FSA0000285409810000012
其中C为侦查任务，并且目标共需要NA个攻击型无人机同时进行A任务，V为毁伤评估任务。C，A，V三种类型任务之间存在时序约束，即A任务必须在C任务完成之后才能执行，V任务必须在A任务完成之后执行。为了对目标产生有效打击，执行同一目标A类任务的无人机组合需要同时到达目标点执行A任务。
当一个目标的V任务完成后我们认为该目标被摧毁成功，所得收益由如下公式计算：
Figure FSA0000285409810000013
ψ(t)＝e-βt
value(Ti)为目标的初始时刻的重要程度。ψ(t)∈[0，1]，且随着时间递减。β越大，收益随时间下降速度越快。引入ψ(t)可以避免算法在调整无人机任务序列的过程中使得有些任务始终无法的到执行。
2)无人机
设共有NV个无人机共同执行搜索和攻击作战任务，无人机集合如下所示：
Figure FSA0000285409810000014
t为无人机的类型，无人机的种类可以被分为三种类型具体细节见下表。
Figure FSA0000285409810000015
使用Dubins曲线来模拟无人机的真实飞行路径，无人机的位形可以用三个状态变量表示，即笛卡尔惯性参考系x和y以及无人机航向角
Figure FSA0000285409810000021
无人机运动学方程如下：
Figure FSA0000285409810000022
其中Vu为无人机u的速度，
Figure FSA0000285409810000023
为无人机u的最小转弯半径，c为舵机操作系数。
Figure FSA0000285409810000024
为无人机航向角，另外引入了离散化方法，将
Figure FSA0000285409810000025
离散化成固定的整数度数，有效的降低了算法时间复杂度。
3)目标函数及约束条件
本发明目标函数为最大化系统效能，系统效能可以通过摧毁目标获得的收益以及完成任务的代价两部分计算，公式如下：
Figure FSA0000285409810000026
Figure FSA0000285409810000027
Figure FSA0000285409810000028
Figure FSA0000285409810000029
公式中reward(Tj)为目标完成的收益，
Figure FSA00002854098100000210
为Ui的航迹代价。ω1ω2为收益和代价的权值，增大ω1系统会尽早完成先发现的目标，增大ω2可以获得路径较短的无人机任务分配方案；
Figure FSA00002854098100000211
是一个二元变量，代表目标Ti是否已经被发现。
(2)本发明设计一种基于蒙特卡洛树搜索的任务分配架构，当一个新目标被搜索到时，触发任务分配方法，一个目标将会被转化为一个任务集合(C，A，V)，并被分配到无人机集群中。蒙特卡诺树搜索架构设计步骤如下
1)蒙特卡洛树的建立。蒙特卡罗决策树的第一层进行C任务的分配，最后一层分配V任务，第二层至倒数第二层为A类任务。
2)节点的选择。一个节点本质上意味着将任务ti分配至无人机Ui。ti树由该节点的在决策树中的层数决定，Ui由该任务的类型决定。树的节点有三种：未被访问过的节点；访问过但未完全扩展；完全扩展。针对第三种节点，本发明用上限置信区间(UCB)选择子节点，公式为：
Figure FSA0000285409810000031
Value(vi)是节点vi的价值估值，N(vi)为节点vi的访问次数，N为算法已探索的总次数，C为一个常数。
3)节点的扩展。当一个节点访问过但并未完全扩展时，将一个新的节点加入决策树。为此首先需要获得该节点状态(state)下所有可能的动作(action)的集合。action是一个二元组，action[0]代表无人机Ui，action[1]是任务ti，执行action即将ti添加到无人机Ui的任务序列中，并在系统任务列表中将该任务ti的执行状态标记为1。
4)对树进行随机选择模拟，对节点进行操作直到所有任务分配完毕，接着运行无人机内部序列优化算法，优化无人机任务序列以及航向角，下一步运行死锁的检测与解除算法，最后根据叶子节点的state计算该节点的Value(vi)，进行反向传播。
5)反向传播并更新所有节点的Value以及访问次数N(vi)等信息。
6)任务分配方案生成。
(3)无人机任务序列优化：当一个新的目标被搜索到时，目标会转化成一个任务集合，蒙特卡洛树搜索算法根据当前的系统状态选择一个无人机来执行该其中一个子任务，但仅仅将新的任务添加到一个UAV的任务序列末尾显然不合理，需要对任务序列进行优化。
本发明采用遗传算法对无人机任务序列进行协调，内部任务协调的目标函数如下
Figure FSA0000285409810000032
reward(Tj)为目标完成的收益，目标是使收益最大化。本发明将无人机内部任务序列，即染色体编码为矩阵形式，染色体的每一列都是一个基因，一个基因有两部分：第一部分为前两行，代表目标任务组合；第二部分为第三，四行，表示执行该任务的无人机ID及其目标接近角，为了便于交叉和变异算子的编程，我们添加了第三部分：基因ID。
采用部分匹配交叉(PMX)保证了染色体中每个基因有且仅出现一次，通过PMX交叉策略染色体内基因不会冲突，所以PMX策略经常用于TSP问题或其他排序问题编码。
(4)任务序列死锁检测与解除：在处理具有时间优先约束的多任务分配问题时，不可避免地会遇到一个问题：死锁。死锁是指UAV在执行任务的过程中陷入无线等待的情况，一些UAV等待彼此完成任务，以开始下一个任务，但分配给他们的任务之间存在时间冲突，从而陷入无限等待。
1)根据无人机的任务序列生成任务时序优先级图(TTPG)，TTPG中边的类型有两种，一种是由无人机执行顺序产生的边集EU，第二种是由任务时序约束产生的边即ET，显然一个TTPG的ET是固定不变的。
2)通过深度优先遍历算法检测TTPG中是否存在强连通分支(SSC)，如果不存在，则代表该分配方案是可行的；否则，则说明该分配方案是死锁的，必须消除死锁。
3)当一个TTPG中存在SSC时，EU，ET与SSC的交集一定不是空集，这一点是显然的，因为当不存在时序约束时，单架无人机的任务序列生成的一定是单向的，同样一个目标的时序约束也是单向的tC＜tA＜tV，因此，当SSC不为空集时，SSC一定是由EU与ET的子集共同组成的。
4)综上所述对于SEAD任务场景下的多无人机任务分配产生的死锁问题，需要先将无人机集群的任务序列转化为TTPG，检测TTPG中的SSC是否为空集，由于ET固定不变，只能通过修改SSC与EU的交集来解除死锁。
2.根据权利要求1所述的时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法，其特征在于，针对敌方防空火力压制任务(SEAD)场景，考虑无人机集群执行任务期间的资源约束、运动学约束以及任务之间的时序优先级约束，使任务分配算法的系统效能最大化。
CN202211194656.2A 2022-09-28 2022-09-28 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法 Pending CN115494873A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211194656.2A CN115494873A (zh) 2022-09-28 2022-09-28 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211194656.2A CN115494873A (zh) 2022-09-28 2022-09-28 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法

Publications (1)

Publication Number Publication Date
CN115494873A true CN115494873A (zh) 2022-12-20

Family

ID=84471837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211194656.2A Pending CN115494873A (zh) 2022-09-28 2022-09-28 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法

Country Status (1)

Country Link
CN (1) CN115494873A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117270571A (zh) * 2023-10-30 2023-12-22 广东翼景信息科技有限公司 面向异构多无人机集群作业的控制方法和装置
CN117521576A (zh) * 2024-01-08 2024-02-06 深圳鸿芯微纳技术有限公司 运算资源共享方法、装置、设备和介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117270571A (zh) * 2023-10-30 2023-12-22 广东翼景信息科技有限公司 面向异构多无人机集群作业的控制方法和装置
CN117270571B (zh) * 2023-10-30 2024-05-07 广东翼景信息科技有限公司 面向异构多无人机集群作业的控制方法和装置
CN117521576A (zh) * 2024-01-08 2024-02-06 深圳鸿芯微纳技术有限公司 运算资源共享方法、装置、设备和介质
CN117521576B (zh) * 2024-01-08 2024-04-26 深圳鸿芯微纳技术有限公司 运算资源共享方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN115494873A (zh) 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法
CN105700549B (zh) 一种基于序列小生境粒子群算法的无人机多航迹规划方法
Li et al. Trajectory planning for UAV based on improved ACO algorithm
CN107330560B (zh) 一种考虑时序约束的异构飞行器多任务协同分配方法
CN109357678B (zh) 一种基于异质化鸽群优化算法的多无人机路径规划方法
Huang et al. Multi-model cooperative task assignment and path planning of multiple UCAV formation
CN112082552A (zh) 基于改进的混合粒子群优化算法的无人机航迹规划方法
CN113671987B (zh) 基于非死锁合同网算法的多机分布式时序任务分配方法
Duan et al. Advancements in pigeon-inspired optimization and its variants
CN112684808A (zh) 一种不确定环境下的无人机集群智能协同察打方法
CN114594794A (zh) 一种考虑子系统执行能力的多机协同任务规划方法
CN115755963A (zh) 一种考虑载具投递模式的无人机群协同任务规划方法
CN114417735A (zh) 一种跨区域联合作战中的多无人机协同任务规划方法
CN115420294A (zh) 一种基于改进人工蜂群算法的无人机路径规划方法及系统
CN112733251A (zh) 一种多无人飞行器协同航迹规划方法
CN115730700A (zh) 基于参考点的自适应多目标任务规划方法、系统和设备
CN114740883B (zh) 一种协同点侦察任务规划跨层联合优化方法
CN115471110A (zh) 一种基于条件概率的考虑多目标进化算法的多异构无人机系统协同任务分配方法
CN114897215A (zh) 基于无监督学习离散鸽群优化多无人机侦察任务分配方法
CN113934228A (zh) 基于协商共识的集群四旋翼无人机任务规划方法
CN116088586B (zh) 一种无人机作战过程中的临机任务规划的方法
CN113805609A (zh) 一种混沌迷失鸽群优化机制的无人机群目标搜索方法
CN116400737B (zh) 一种基于蚁群算法的安全路径规划系统
Zu et al. Research on UAV path planning method based on improved HPO algorithm in multi-task environment
Hu et al. Super eagle optimization algorithm based three-dimensional ball security corridor planning method for fixed-wing UAVs

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