CN115509710A - 一种基于改进k-means聚类的异构无人集群随机环境任务分配方法和系统 - Google Patents
一种基于改进k-means聚类的异构无人集群随机环境任务分配方法和系统 Download PDFInfo
- Publication number
- CN115509710A CN115509710A CN202211213666.6A CN202211213666A CN115509710A CN 115509710 A CN115509710 A CN 115509710A CN 202211213666 A CN202211213666 A CN 202211213666A CN 115509710 A CN115509710 A CN 115509710A
- Authority
- CN
- China
- Prior art keywords
- formation
- task
- aircraft
- voyage
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进k‑means聚类的异构无人集群随机环境任务分配方法和系统,该方法将进行任务分配前首先进行预规划,按照飞行器的飞行能力以及飞行器对待执行任务的适配度建立预分配指标函数,利用k‑means聚类方法进行分组。同时以随机山峰模型作为任务环境,利用优化算法获取满足环境约束以及飞行器运动学约束的控制指令,并对航程代价值进行估计,能明显提高对大规模无人集群任务分配的规划能力,提高了任务分配结果的可靠性。
Description
技术领域
本发明属于任务分配技术领域,具体涉及一种基于改进k-means聚类的异构无人集群随机环境任务分配方法和系统。
背景技术
无人集群的任务分配是完成航机规划以及复杂军事任务的关键技术与基础。随着军事技术的发展,飞行器所需面临的任务环境越发复杂,传统单机或数量较少的多机往往难以有保障完成计划军事任务。无人集群技术有着重要的发展意义,并逐渐向着超大规模方向迅速发展。
当面对多个待执行任务,以及多个执行任务的飞行器时,传统的任务分配方法无法高效、迅速的完成任务分配工作,且在任务分配时对任务环境的考虑相对较少。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种基于改进k-means聚类的异构无人集群随机环境任务分配方法和系统,以解决现有技术中传统的任务分配方法无法高效、迅速完成分配工作,在任务分配时考虑环境因素较少的问题。
为达到上述目的,本发明采用以下技术方案予以实现:
一种基于改进k-means聚类的异构无人集群随机环境任务分配方法,包括以下步骤:
通过K-meas聚类方法对异构飞行器分组,获得若干个飞行器编队,所述飞行器编队的数量和待执行任务的数量相等;
建立协同任务分配的数学模型;
通过差分进化算法建立航程代价矩阵,所述航程代价矩阵中的元素为第i个飞行器编队从出发点执行第j个任务时需要的航程代价,建立航程代价矩阵过程中满足环境约束模型及运动学模型,所述环境约束模型为随机生成的山峰地图,所述运动学模型为飞行器的质心运动方程;
通过匈牙利算法求解航程代价矩阵中系统任务分配的数学模型,求解过程中以最小化的任务完成航程,所有飞行器编队执行任务航程最大值为优化目标,获得每一个飞行器编队对应的待执行任务。
本发明的进一步改进在于:
优选的,通过该K-means聚类对异构无人分组的过程包括以下步骤:
S1、确定待执行任务的数量,设定N个集结点,将M个飞行器分为N个编队,所述M>N;
S2、计算所有飞行器到N个集结点的距离,找出和每个飞行器最近的集结点,将所述飞行器划分到所述最近的集结点编队中,记录所有距离之和作为初始指标函数值;
S3、计算N个编队的质心,作为下次聚类的中心点;
S4、判断出不能满足具备完成所有任务能力的编队,将惩罚值加入到初始指标函数中;
S5、随机选择一个未满足所有任务能力编队的质心,向满足具备完成所有任务能力编队的质心靠近;
S6、重复步骤S3~S5,直至迭代次数达到规定的最大次数,或者是编队质心不再变化且指标函数值不再变化。
优选的,所述指标函数为:
其中,M为飞行器数量;
N为飞行器编队数量;
rij表示第i个飞行器是否属于第j类,是为1否则为0;
Cj第j个集结点;
ck表示惩罚值。
优选的,所述协同任务分配的数学模型为:
优选的,函数f为:
其中,w1和w2为权重系数,A={A1,A2,...,AN}为待执行任务集合,其中Ai为第i个编队执行的任务,Ai,j为编队i执行第j个目标;Li,i=1,2,3...N为编队i完成所分配任务的估计航程。
优选的,所述航程代价矩阵的建立过程包括以下步骤:
S1、设置参数;所述参数包括编队集结点、目标位置信息和差分进化算法中的参数;
S2、随机生成山峰地图并定义山峰个数;
S3、通过差分进化算法进行迭代寻优;具体的过程为:通过随机函数生成多个个体,每个个体有基因随机初始值,获得父代的种群,通过DE算法对父代的种群变异后获得假子代的种群,通过交叉因子比较假子代的种群和父代的种群,获得真子代的子群;比较同位置的父代的子群和真子代的子群的目标函数函数值,获得下一代种群中的个体;
S4、记录每次迭代过程中满足环境约束及运动学模型约束的最优基因序列。
优选的,所述任务环境为山峰模型,所述山峰模型为:
其中,n表示山峰总个数;
(xi,yi)代表第i个山峰的中心坐标;
hi为地形参数,控制高度;
xsi和ysi分别是第i个山峰沿x轴和y轴方向的衰减量、控制坡度;
x和y分别是当前编队x方向和y方向的坐标。
优选的,所述飞行器的质心运动方程为:
其中,nx,ny,nz代表三个方向的过载。
优选的,通过匈牙利算法求解的过程为:
(1)修正代价矩阵,所述代价矩阵变为缩减矩阵,所述缩减矩阵的每一行和每一列至少有一个零元素的;
(2)试制一个完全分配方案,所述完全分配方案对应所述缩减矩阵,求得最优解;
(3)针对缩减矩阵,做出覆盖所有零元素的最少数量的直线集合;
(4)修改缩减矩阵,使得每行每列至少有一个零元素。
一种基于改进k-means聚类的异构无人集群随机环境任务分配系统,包括:
编队建立模块,用于通过K-meas聚类方法对异构飞行器分组,获得若干个飞行器编队,所述飞行器编队的数量和待执行任务的数量相等;
数学模型建立模块,用于建立协同任务分配的数学模型;
矩阵建立模块,用于通过差分进化算法建立航程代价矩阵,所述航程代价矩阵中的元素为第i个飞行器编队从出发点执行第j个任务时需要的航程代价,建立航程代价矩阵过程中满足环境约束模型及运动学模型,所述环境约束模型为随机生成的山峰地图,所述运动学模型为飞行器的质心运动方程;
求解模块,通过匈牙利算法求解航程代价矩阵中系统任务分配的数学模型,求解过程中以最小化的任务完成航程,所有飞行器编队执行任务航程最大值为优化目标,获得每一个飞行器编队对应的待执行任务。
与现有技术相比,本发明具有以下有益效果:
本发明公开了一种改进k-means聚类的异构无人集群随机环境任务分配方法,该方法将进行任务分配前首先进行预规划,按照飞行器的飞行能力以及飞行器对待执行任务的适配度建立预分配指标函数,利用k-means聚类方法进行分组。同时以随机山峰模型作为任务环境,利用优化算法获取满足环境约束以及飞行器运动学约束的控制指令,并对航程代价值进行估计,能明显提高对大规模无人集群任务分配的规划能力,提高了任务分配结果的可靠性。
进一步的,本发明首先在地面发射坐标系下建立飞行器数学模型。其次,飞行器在满足自身约束和任务协同约束的前提下,通过待执行任务所需能力、飞行能力以及估计航程代价建立指标评价函数。其中航程代价的估计值计算的方法是,首先建立随机山峰地图数学表征,利用随机生成的山峰地图,确定三维空间中的可行域,然后利用k-means聚类方法将数量庞大的异构飞行器分组并将组视为一个飞行器以分组集结点作为组的出发位置,根据差分进化算法确定满足飞行器运动学模型和环境约束的过载控制指令计算获得航程代价的估计值,生成代价矩阵。最后基于匈牙利方法获得包含分配结果信息的0-1矩阵。
本发明还公开了一种改进k-means聚类的异构无人集群随机环境任务分配系统,该系统包括编队建立模块、数学模型建立模块、矩阵建立模块和求解模块,通过建立模型得到无人集群协同任务分配的指标函数,采用k-means算法简化代价矩阵,利用传统匈牙利方法解决了协同任务分配问题,提高了无人集群的分配能力。
附图说明
图1为本发明的分配方法的流程图;
图2为集群预分配的流程图;
图3为代价矩阵的估计流程图;
图4为任务分配的流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
本发明提出了一种基于改进k-means聚类的异构无人集群随机环境任务分配方法,参见图1,,进行任务分配前首先进行预规划,按照飞行器的飞行能力以及飞行器对待执行任务的适配度建立预分配指标函数,利用k-means聚类方法进行分组。同时以随机山峰模型作为任务环境,利用优化算法获取满足环境约束以及飞行器运动学约束的控制指令,并对航程代价值进行估计,能明显提高对大规模无人集群任务分配的规划能力,提高了任务分配结果的可靠性。本发明的飞行器即为无人机,后续不再赘述。
步骤1.建立飞行器的数学模型。
考虑作用在飞行器上的各力,在地面发射坐标系下建立飞行器质心运动方程,通常可简化表示为:
其中:P—攻角;
αB—攻角;
βB—侧滑角;
γv—速度倾斜角;
X—空气阻力;
Y—升力;
Z—侧向力;
m—导弹质量;
g—重力加速度;
V—速度;
θ—弹道倾角;
ψv—弹道偏角;
x—x方向位置;
y—y方向位置;
z—z方向位置。
其中,X、Y通常可描述为
ρ—飞行高度上的大气密度;
v—飞行器的对空速度;
S—飞行器的参考面积;
Cx,Cy,Cz—阻力系数,升力系数。
阻力系数Cx与升力系数Cy可进一步表示为:
Cx=0.5Cy (4)
为便于后续优化算法求解,本发明的技术方案考虑采用过载指令控制,质心运动学方程可表示为:
其中,nx,ny,nz代表三个方向的过载。
步骤2.基于改进k-means算法的预分配求解方法。
参见图2,记单飞行器为ui={li,ri,di,ai},其中li,ri,di,ai分别表示单机最大飞行能力,侦察能力、干扰能力、打击能力,本发明针对异构飞行器,所述异构飞行器包括侦察飞行器、干扰飞行器和打击飞行器。假设在任务空间S上存在M个异构飞行器,N个待执行任务,M远大于N。为便于聚类算法求解划分编队,将三类飞行器能力进行量化,并做出以下假设:
1.某一类型飞行器只具备一种能力,如打击飞行器只具备打击能力不具备侦察与干扰能力。
2.侦察、干扰、打击三种能力都用数字1表示单机具备的能力,划分后的编队具备的能力采用所以编队内每个飞行器对应能力数值叠加作为表示。
3.划分后的编队飞行能力采用编队内单机的最小值。
假设飞行器编队i包含2个侦察飞行器3个干扰飞行器1个打击飞行器,最小飞行能力是1000,则该编队Ui={1000,2,3,1}。
k-means聚类方法通常采用欧式距离或曼哈顿距离作为度量,求解出k个最临近的簇,本发明中,需要首先考虑每个编队的飞行性能都能满足所有目标的任务要求,其次再考虑飞行器停放位置与集结点的距离问题,故定义指标函数如下:
其中,M代表飞行器数量;
N代表飞行器编队数量;
rij表示第i个飞行器是否属于第j类,是为1否则为0;
Cj第j个集结点;
ck表示惩罚值,分编队后有几个编队不具备执行所有任务的条件决定其值。
根据待执行任务数量N,通过K-means聚类方法将M个飞行器分为N个编队且要求所有编队均能满足所有任务需求的步骤如下:
Step1:确定待执行任务数量N,给定N个集结点{C1,C2,C3,...,CN},将M个飞行器分为N个编队。
Step2:重复循环直到满足停止条件:
Step2.1:计算所有飞行器位置到这N个集结点的距离,然后找出离每个飞行器最近的集结点,将该飞行器划分到这个集结点所代表的编队当中去,记录距离之和作为初始指标函数值。
Step2.2:重新计算N个编队的质心,作为下一次聚类的中心点。
Step2.3判断有几个编队不能满足具备完成所有任务的能力的要求,记录惩罚值并加入到指标函数值中。
Step2.4:随机选择一个上次聚类不满足要求的编队新质心向满足要求的编队的新质心靠近。
其中,x,y,z分别代表三维平面中的横向、纵向以及高度的坐标值。
Step2.5:循环终止条件:
当迭代次数达到规定的最大次数或者是编队质心不再变化且指标函数值不变化时终止循环。
获得N个飞行器的编队,每一个编队能够满足所有任务。
步骤3.建立协同任务分配的数学模型。
记飞行器编队集合为U={U1,U2,...,UN},待执行任务集合为A={A1,A2,...,AN},第i个编队所执行的任务为Ai,编队i执行第j个目标为Ai,j。同时假设Li,i=1,2,3...N表示编队i完成所分配任务的估计航程。对于每个编队,完成任务的飞行航程由分配的目标确定。以最小化的任务完成航程,所有编队执行任务航程的最大值作为分配任务的优化目标。最小化的任务为所有飞行器完成对应任务的航程之和;编队执行任务航程的最大值为每一个编队执行对应任务会有一个对应的航程,从这几个航程中选出的最大值。两者的目的是前者代表之和,表明所有编队完成所有对应任务需要的航程总和,后者是限制出现某一编队飞行航程特别长甚至超出飞行能力范围。
其中w1和w2为权重系数。
在多飞行器协同路径规划中,为了提高整体任务效率,需要考虑时间限制,同时为了飞行器的安全,还需要保持一定的距离,即需要设置两个协同约束。
定义两个约束如下:
空间约束是指在多飞行器任务进行过程中,各飞行器之间的安全距离,体现了多机协作执行任务的能力,避免在飞行前往目标点执行任务过程中发生碰撞或干扰,导致任务失败。假定Xi(t)是编队i在时间t处的位置,Xj(t)是编队j在时间t处的位置,应满足安全条件:
||Xi(t)-Xj(t)||≥dsafe,i≠j (10)
到达待执行任务目标点,则需考虑到编队的速度变化范围和飞行距离,才能保证每个编队都有可能同时到达,也就是说当每个编队的时间域存在交集才有可能使得各编队同时到达。
假设编队i的速度为vi∈[vimin,vimax],其路径长度为Li;编队j的速度为vj∈[vjmin,vjmax]其路径长度为Lj。然后,计算两个编队的到达时间如下:
Ti=[Timin,Timax]=[Li/vimax,Li/vimin] (11)
Tj=[Tjmin,Tjmax]=[Lj/vjmax,Lj/vjmin] (12)
在式(11)和(12)中表明了不同飞行速度能力的编队其到达同一个目标所需的时间是一个时间范围区间,为了保证编队能同时到达两者时间区间一定需要有交集。
上述时间约束表示同时到达约束,在一定的任务情况下需要两个或者多个编队配合完成任务,相对应的时间约束为:
max[Timin,Tjmin]<min[Timax,Tjmax] (13)
式(13)表示如果两者区间下限的较大值小于两者区间上限的较小值,则两区间一定有交集。
将上述式(8)表示的目标函数及约束条件整理并写成标准优化问题的数学表达式形式:
步骤4.基于差分进化算法的随机环境航程代价矩阵计算方法。
参见图2,在预分配阶段结束后会得到编队数量和目标点数量相等的分配模型,且每个无人编队均具备完成任何一个任务的能力。考虑计算各编队到所有目标点的航程组成一个代价矩阵,在任务分配时,可以利用查找矩阵代价值的方式减少计算量。代价矩阵可以表示为如下形式:
代价矩阵中的Li,j表示第i个无人编队从出发点执行第j个任务时需要的航程代价,在进行航程代价的估计时越贴近实际任务环境情况可靠行越高,本发明采用随机山峰地图的方法定义任务环境,山峰模型如下:
其中,n表示山峰总个数;
(xi,yi)代表第i个山峰的中心坐标;
hi为地形参数,控制高度;
xsi和ysi分别是第i个山峰沿x轴和y轴方向的衰减量、控制坡度;
x和y分别是当前编队x方向和y方向的坐标。
利用差分进化算法计算满足环境约束以及运动学模型约束的估计航程代价值的具体步骤如下:
Step1:参数设置
已知编队集结点和目标位置信息,定义差分进化算法个体个数D为500,所求变量个数NP为x,y,z三个方向的过载值,限制过载最大值为10,最小值为0,迭代次数K为300,变异因子F为0.5,交叉因子Cr为0.8,序列数Pown为10。
Step2:随机生成山峰地图,定义山峰个数为10。
Step3:差分进化迭代寻优。
Step3.1:初始化种群,利用随机函数生成D个个体,每个个体有NP*Pown个基因随机初始值,且随机生成的初值满足边界条件,初始化得到的种群可以视为父代。公式如下:
Step3.2:变异,DE算法与遗传算法近似,两者最主要的区别就是DE算法中个体的变异是通过差分策略实现的,对式(18)进行变异的公式如下:
其中λ∈[0,1]控制着差分的贪婪程度。例如当λ=1时,是DE/best/y/z策略,当λ=0时,是DE/rand/y/z策略,当λ介于0和1之间时,则是DE/rand to best/y/z策略。通过变异操作(差分)得到新的个体,可以将其视为假子代,其将作为真子代的备选。
对差分后的每一个基因值都进行越界判断,若超出最大值,则令其等于最大值,若小于最小值则令其等于最小值。
Step3.3:交叉,通过交叉因子的比较从假子代和父代,并从中选出部分基因组成新的个体得到真子代。
Where,CR是交叉概率,jrand为[1,2,……,D]的随机整数,这样的目的是保证至少有一个假子代基因传入真子代。
Step3.4:选择,通过比较同位置父代与真子代中的个体的目标函数值选择下一代种群中的个体。
Step3.4.1:进行目标函数值的计算时该函数的输入为过载控制指令序列,通过分时将控制指令传入上述飞行器质心运动方程后利用龙格库塔方法迭代求解每一刻的飞行器位置并记录。
Step3.4.2:将记录的位置与随机生成的山峰地图值进行比较,当处于相同的x,y坐标时,判断z的值是否小于该点地图值,若小于则对其进行惩罚极大的扩充求解的航程代价值,避免选择的方案与山峰发生冲撞。
Step4:记录每次迭代过程中满足环境约束以及运动学模型约束的最优基因序列,所述环境约束为上述步骤生成的山峰地图值,运动学约束为式(5)中的质心运动方程。
Step5:计算每个无人集群到各个目标点位置的航程代价值生成代价矩阵。
最优基因序列表示一个最优解,每一代因为引入了随机的操作,每一代的最优并不完全相同,最后从300代选出最优的解也就是确定环境起点终点后,飞行器的航迹的值最小的解。通过上述操作在确定好山峰环境之后根据不同的起点与终点得到每个无人集群到每个目标点的航程代价(指的是优化目标函数的值),将这些代价组成一个矩阵也就是代价矩阵了。
通过上述方法对超大规模的无人集群进行编队,并获得了各编队到各目标点的估计航程代价,组成了航程代价矩阵。因此只需要在N*N的代价矩阵中通过匈牙利算法查值获得一组最优的指派方案即可,所述最优为N*N矩阵中所有数值的和最小。能在满足任务需求的前提下快速完成任务分配问题。拥有最优序列的基因就是最优个体,每个个体代表一个解,判断这个解是否最优就是将这个解作为控制指令带入到飞行器的运动学模型中会得到一条航迹以及航迹长度,这个航迹在满足避开山峰环境的前提下最短就是最优。
由于分配模型是N=M的情况,因此要求飞行器集群与任务一一对应,保证每个无人集群都执行一个不同的任务。
参见图3,具体步骤如下:
Step1:修正代价矩阵,使之变成每一行和每一列至少有一个零元素的缩减矩阵:
Step1.1:从效益矩阵的每一行元素减去各该行中最小元素;
Step1.2:再从所得缩减矩阵的每列减去各该列的最小元素。
Step2:试制一个完全分配方案,它对应于不同行不同列只有一个零元素的缩减矩阵,以求得最优解:
Step2.1:如果得到分布在不同行不同列的N个零元素,那么就完成了求最优解的过程。结束。
Step2.2:如果所分布于不同行不同列中的零元素不够N个,则转下步
Step3:做出覆盖所有零元素的最少数量的直线集合:
Step3.1标记没有完成分配的行。
Step3.2标记已标记行上所有未分配零元素所对应的列。
Step3.3对标记的列中,已完成分配的行进行标记。
Step3.4重复3.2、3.3直到没有可标记的零元素。
Step3.5对未标记的行和已标记的列画纵、横线,这就得到能覆盖所有零元素的最少数量的直线集合。
Step4:修改缩减矩阵,以达到每行每列至少有一个零元素的目的:
Step4.1:在没有直线覆盖的部分中找出最小元素。
Step4.2:对没有画直线的各元素都减去这个元素。
Step4.3:对画了横线和直线交叉处的各元素都加上这个最小元素。
Step4.4:对画了一根直线或横线的各元素保持不变。
Step4.5转Step2。
上述过程中,如果得到分布在不同行不同列的N个零元素,那么就完成了求最优解的过程。当得到一个在不同行不同列有N个0元素的矩阵时就结束,得到结果也就是这个不同行不同列有N个0元素的矩阵,这个矩阵中这些不同行不同列的0的位置就代表对前面得到的N*N的代价矩阵的选择。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (10)
1.一种基于改进k-means聚类的异构无人集群随机环境任务分配方法,其特征在于,包括以下步骤:
通过K-meas聚类方法对异构飞行器分组,获得若干个飞行器编队,所述飞行器编队的数量和待执行任务的数量相等;
建立协同任务分配的数学模型;
通过差分进化算法建立航程代价矩阵,所述航程代价矩阵中的元素为第i个飞行器编队从出发点执行第j个任务时需要的航程代价,建立航程代价矩阵过程中满足环境约束模型及运动学模型,所述环境约束模型为随机生成的山峰地图,所述运动学模型为飞行器的质心运动方程;
通过匈牙利算法求解航程代价矩阵中系统任务分配的数学模型,求解过程中以最小化的任务完成航程,所有飞行器编队执行任务航程最大值为优化目标,获得每一个飞行器编队对应的待执行任务。
2.根据权利要求1所述的一种基于改进k-means聚类的异构无人集群随机环境任务分配方法,其特征在于,通过该K-means聚类对异构无人分组的过程包括以下步骤:
S1、确定待执行任务的数量,设定N个集结点,将M个飞行器分为N个编队,所述M>N;
S2、计算所有飞行器到N个集结点的距离,找出和每个飞行器最近的集结点,将所述飞行器划分到所述最近的集结点编队中,记录所有距离之和作为初始指标函数值;
S3、计算N个编队的质心,作为下次聚类的中心点;
S4、判断出不能满足具备完成所有任务能力的编队,将惩罚值加入到初始指标函数中;
S5、随机选择一个未满足所有任务能力编队的质心,向满足具备完成所有任务能力编队的质心靠近;
S6、重复步骤S3~S5,直至迭代次数达到规定的最大次数,或者是编队质心不再变化且指标函数值不再变化。
6.根据权利要求1所述的一种基于改进k-means聚类的异构无人集群随机环境任务分配方法,其特征在于,所述航程代价矩阵的建立过程包括以下步骤:
S1、设置参数;所述参数包括编队集结点、目标位置信息和差分进化算法中的参数;
S2、随机生成山峰地图并定义山峰个数;
S3、通过差分进化算法进行迭代寻优;具体的过程为:通过随机函数生成多个个体,每个个体有基因随机初始值,获得父代的种群,通过DE算法对父代的种群变异后获得假子代的种群,通过交叉因子比较假子代的种群和父代的种群,获得真子代的子群;比较同位置的父代的子群和真子代的子群的目标函数函数值,获得下一代种群中的个体;
S4、记录每次迭代过程中满足环境约束及运动学模型约束的最优基因序列。
9.根据权利要求1所述的一种基于改进k-means聚类的异构无人集群随机环境任务分配方法,其特征在于,通过匈牙利算法求解的过程为:
(1)修正代价矩阵,所述代价矩阵变为缩减矩阵,所述缩减矩阵的每一行和每一列至少有一个零元素的;
(2)试制一个完全分配方案,所述完全分配方案对应所述缩减矩阵,求得最优解;
(3)针对缩减矩阵,做出覆盖所有零元素的最少数量的直线集合;
(4)修改缩减矩阵,使得每行每列至少有一个零元素。
10.一种基于改进k-means聚类的异构无人集群随机环境任务分配系统,其特征在于,包括:
编队建立模块,用于通过K-meas聚类方法对异构飞行器分组,获得若干个飞行器编队,所述飞行器编队的数量和待执行任务的数量相等;
数学模型建立模块,用于建立协同任务分配的数学模型;
矩阵建立模块,用于通过差分进化算法建立航程代价矩阵,所述航程代价矩阵中的元素为第i个飞行器编队从出发点执行第j个任务时需要的航程代价,建立航程代价矩阵过程中满足环境约束模型及运动学模型,所述环境约束模型为随机生成的山峰地图,所述运动学模型为飞行器的质心运动方程;
求解模块,通过匈牙利算法求解航程代价矩阵中系统任务分配的数学模型,求解过程中以最小化的任务完成航程,所有飞行器编队执行任务航程最大值为优化目标,获得每一个飞行器编队对应的待执行任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213666.6A CN115509710A (zh) | 2022-09-30 | 2022-09-30 | 一种基于改进k-means聚类的异构无人集群随机环境任务分配方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213666.6A CN115509710A (zh) | 2022-09-30 | 2022-09-30 | 一种基于改进k-means聚类的异构无人集群随机环境任务分配方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115509710A true CN115509710A (zh) | 2022-12-23 |
Family
ID=84509000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211213666.6A Pending CN115509710A (zh) | 2022-09-30 | 2022-09-30 | 一种基于改进k-means聚类的异构无人集群随机环境任务分配方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115509710A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116088586A (zh) * | 2023-04-10 | 2023-05-09 | 中国电子科技集团公司第二十八研究所 | 一种无人机作战过程中的临机任务规划的方法 |
CN116185035A (zh) * | 2023-02-28 | 2023-05-30 | 南开大学 | 基于改进仿生狼群的无人集群动态任务分配方法及系统 |
CN116954256A (zh) * | 2023-07-31 | 2023-10-27 | 北京理工大学重庆创新中心 | 一种考虑可达域约束的无人机分布式任务分配方法 |
CN117973820A (zh) * | 2024-04-01 | 2024-05-03 | 浙江数达智远科技有限公司 | 基于人工智能的任务动态分配系统及方法 |
-
2022
- 2022-09-30 CN CN202211213666.6A patent/CN115509710A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116185035A (zh) * | 2023-02-28 | 2023-05-30 | 南开大学 | 基于改进仿生狼群的无人集群动态任务分配方法及系统 |
CN116185035B (zh) * | 2023-02-28 | 2023-09-19 | 南开大学 | 基于改进仿生狼群的无人集群动态任务分配方法及系统 |
CN116088586A (zh) * | 2023-04-10 | 2023-05-09 | 中国电子科技集团公司第二十八研究所 | 一种无人机作战过程中的临机任务规划的方法 |
CN116954256A (zh) * | 2023-07-31 | 2023-10-27 | 北京理工大学重庆创新中心 | 一种考虑可达域约束的无人机分布式任务分配方法 |
CN116954256B (zh) * | 2023-07-31 | 2024-04-30 | 北京理工大学重庆创新中心 | 一种考虑可达域约束的无人机分布式任务分配方法 |
CN117973820A (zh) * | 2024-04-01 | 2024-05-03 | 浙江数达智远科技有限公司 | 基于人工智能的任务动态分配系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115509710A (zh) | 一种基于改进k-means聚类的异构无人集群随机环境任务分配方法和系统 | |
CN112130581B (zh) | 一种面向空中机动作战的无人机集群协同任务规划方法 | |
EP3730370B1 (en) | Method and device for acquiring automatic driving track | |
CN111238521B (zh) | 一种无人驾驶车辆的路径规划方法及系统 | |
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 | |
CN110766254A (zh) | 一种基于改进遗传算法的多无人机协同任务分配方法 | |
CN112731967A (zh) | 一种基于聚类和遗传算法的多无人机协同任务规划方法 | |
CN110426043B (zh) | 面向线目标的无人机侦察航迹规划方法 | |
CN114185362A (zh) | 一种基于郊狼信息熵的无人机集群任务动态分配方法 | |
CN116088576A (zh) | 一种基于改进鲸鱼算法的无人机三维路径规划方法 | |
CN113033970B (zh) | 一种针对大规模任务的auv集群分层分配方法 | |
CN113485409B (zh) | 一种面向地理公平性的无人机路径规划分配方法及系统 | |
CN112414405A (zh) | 一种顾及dsm的应急任务的无人机集群航迹规划方法 | |
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 | |
CN115454115A (zh) | 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 | |
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 | |
CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN115033016A (zh) | 一种异构无人集群编队避障方法及系统 | |
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 | |
CN114721423B (zh) | 考虑避碰约束的多无人机协同到达预置目标的分配方法 | |
CN116149363A (zh) | 一种面向多无人机系统编队队形变换的能耗优化方法 | |
CN116698032A (zh) | 基于多目标自组织松鼠觅食机制的无人机航迹规划方法 | |
CN116501089A (zh) | 基于改进蛇优化算法的无人机三维路径规划方法 | |
CN110377048A (zh) | 一种基于遗传算法的无人机群防御部署方法 | |
CN114879676A (zh) | 一种多机器人编队队形变换与动态避障方法 |
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 |