CN115564374A - 协同多任务重分配方法、装置、设备及可读存储介质 - Google Patents

协同多任务重分配方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN115564374A
CN115564374A CN202211152943.7A CN202211152943A CN115564374A CN 115564374 A CN115564374 A CN 115564374A CN 202211152943 A CN202211152943 A CN 202211152943A CN 115564374 A CN115564374 A CN 115564374A
Authority
CN
China
Prior art keywords
task
task allocation
unmanned aerial
allocation sequence
aerial vehicle
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
CN202211152943.7A
Other languages
English (en)
Inventor
王峰
付青坡
黄子路
韩孟臣
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202211152943.7A priority Critical patent/CN115564374A/zh
Publication of CN115564374A publication Critical patent/CN115564374A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1093—Calendar-based scheduling for persons or groups
    • G06Q10/1097—Task assignment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种协同多任务重分配方法、装置、设备及可读存储介质，涉及无人机任务规划技术领域，采用无人机总飞行距离和任务完成时间两个目标函数对异构无人机协同多任务重分配问题进行评价，不仅可保证整个无人机系统能够以最少的资源量完成整个作战任务，还可保证无人机系统分配给各个无人机的任务数量能够保持一定的均衡性，避免了因为异构无人机性能上的差异而导致部分无人机被分配较多任务的问题；且基于通过KnCMPSO算法得到的先验知识、结构学习策略和扰动局部搜索策略以及不参与重分配约束和无人机可用性约束对任务分配序列进行优化，以实现多目标异构无人机协同任务重分配，可有效提升算法的搜索效率并降低算法的求解时间。

Description

协同多任务重分配方法、装置、设备及可读存储介质
技术领域
本申请涉及无人机任务规划技术领域，特别涉及一种协同多任务重分配方法、装置、设备及可读存储介质。
背景技术
异构无人机协同多任务重分配模型是指无人机系统在执行现有任务分配序列的过程中，当有突发情况(比如说无人机失效或新发现军事目标等)发生的时候，为了保证任务能够顺利的完成，此时需要对无人机系统中的部分无人机任务分配序列进行重新分配，以顺利应对突发情况。为了克服战场环境变化带来的不确定性，任务重分配对无人机系统响应时间有更高的要求，因此在突发情况发生后需要无人机系统在有限的时间内重新规划出高效且合理的任务分配方案。
无人机任务分配问题涉及的场景复杂、约束条件众多，其是一个典型的最优化NP(Non-Deterministic Polynomial Problems，非确定性问题)问题，求解难度较大。目前常用的解决方案大致可分为最优化方法和启发式算法两种类型；其中，最优化方法结构简单、易于实现，但由于其计算量巨大，运算速度较慢，因此不适合求解规模较大的问题，而与最优化方法不同的启发式算法，其不以求得精确解为目标，进而能够在可接受的时间范围内给出问题的满意解，因此其适用范围较广且计算复杂度低。
相关技术中，在利用启发式算法求解无人机任务分配问题的研究中，应用较多的算法有遗传算法、蚁群算法和粒子群算法。其中，粒子群算法作为群智能算法中的经典算法，具有操作简单和收敛能力强等特点，在解决无人机协同任务分配问题上具有很强的应用前景。不过，当前的粒子群算法主要聚焦在无人机任务初始分配阶段，以致在遇到突发情况时，无法对无人机系统中存在问题的部分无人机的任务分配序列进行重新分配，进而影响任务的顺利完成；此外，当前求解无人机任务分配问题的粒子群算法大部分是针对单目标模型设计的求解算法，其约束条件较为简单，并不适合多目标异构无人机协同任务的重分配。
发明内容
本申请提供一种协同多任务重分配方法、装置、设备及可读存储介质，以解决相关技术中无法在遇到突发情况时有效实现多目标异构无人机协同任务重分配的问题。
第一方面，提供了一种协同多任务重分配方法，包括以下步骤：
获取目标函数和约束条件，所述目标函数包括无人机总飞行距离函数和任务完成总时间函数，所述约束条件包括不参与重分配约束和无人机可用性约束；
获取基于KnCMPSO算法得到的初始任务分配序列并创建多个空的任务分配序列；
基于所述初始任务分配序列和所述约束条件对多个空的任务分配序列进行初始化处理，得到多个初始化后的任务分配序列；
将多个初始化后的任务分配序列分配至用于求解无人机总飞行距离函数的距离任务分配序列集合和用于求解任务完成总时间函数的时间任务分配序列集合；
基于结构学习策略和扰动局部搜索策略分别对距离任务分配序列集合和时间任务分配序列集合中的各个初始化后的任务分配序列进行更新，得到更新后的距离任务分配序列集合和更新后的时间任务分配序列集合；
根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列和更新后的时间任务分配序列集合的任务分配序列进行排序，得到排序队列；从所述排序队列中选取排列在前N位的任务分配序列作为协同多任务重分配结果，其中，N为正整数。
第二方面，提供了一种协同多任务重分配装置，包括：
获取单元，其用于获取目标函数和约束条件，所述目标函数包括无人机总飞行距离函数和任务完成总时间函数，所述约束条件包括不参与重分配约束和无人机可用性约束；
创建单元，其用于获取基于KnCMPSO算法得到的初始任务分配序列并创建多个空的任务分配序列；
初始化单元，其用于基于所述初始任务分配序列和所述约束条件对多个空的任务分配序列进行初始化处理，得到多个初始化后的任务分配序列；将多个初始化后的任务分配序列分配至用于求解无人机总飞行距离函数的距离任务分配序列集合和用于求解任务完成总时间函数的时间任务分配序列集合；
更新单元，其用于基于结构学习策略和扰动局部搜索策略分别对距离任务分配序列集合和时间任务分配序列集合中的各个初始化后的任务分配序列进行更新，得到更新后的距离任务分配序列集合和更新后的时间任务分配序列集合；
分配单元，其用于根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列和更新后的时间任务分配序列集合的任务分配序列进行排序，得到排序队列；从所述排序队列中选取排列在前N位的任务分配序列作为协同多任务重分配结果，其中，N为正整数。
第三方面，提供了一种协同多任务重分配设备，包括：存储器和处理器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现前述的协同多任务重分配方法。
第四方面，提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，当所述计算机程序被处理器执行时，以实现前述的协同多任务重分配方法。
本申请提供的技术方案带来的有益效果包括：可在遇到突发情况时有效实现多目标异构无人机协同任务重分配，并提升算法的搜索效率、降低算法的求解时间。
本申请提供了一种协同多任务重分配方法、装置、设备及可读存储介质，当遇到突发情况时，本申请采用无人机总飞行距离和任务完成时间两个目标函数对异构无人机协同多任务重分配问题进行评价，其中，基于无人机的总飞行距离这一评价指标可保证整个无人机系统能够以最少的资源量完成整个作战任务，而基于任务完成总时间函数这一评价指标可保证无人机系统分配给各个无人机的任务数量能够保持一定的均衡性，避免了因为异构无人机性能上的差异而导致部分无人机被分配较多任务的问题；且本申请基于通过KnCMPSO算法得到的先验知识、结构学习策略和扰动局部搜索策略以及不参与重分配约束和无人机可用性约束，引入基于先验知识的初始化策略对任务分配序列进行优化，以实现多目标异构无人机协同任务重分配，可有效提升算法的搜索效率并降低算法的求解时间。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本申请实施例提供的一种协同多任务重分配方法的流程示意图；
图2为本申请实施例提供的初始化粒子操作示意图；
图3为本申请实施例提供的粒子更新策略示意图；
图4为本申请实施例提供的一种协同多任务重分配装置的结构示意图；
图5为本申请实施例提供的一种协同多任务重分配设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种协同多任务重分配方法、装置、设备及可读存储介质，其能解决相关技术中无法在遇到突发情况时有效实现多目标异构无人机协同任务重分配的问题。
图1是本申请实施例提供的一种协同多任务重分配方法，包括以下步骤：
步骤S10：获取目标函数和约束条件，所述目标函数包括无人机总飞行距离函数和任务完成总时间函数，所述约束条件包括不参与重分配约束和无人机可用性约束；
进一步的，所述无人机总飞行距离函数f1和所述任务完成总时间函数f2分别为：
Figure BDA0003857103950000051
式中，S表示侦察无人机数量，A表示攻击无人机数量，m表示第m个任务，
Figure BDA0003857103950000054
表示无人机Ui的任务序列，
Figure BDA0003857103950000052
表示无人机Ui从执行第m个任务到执行第m+1个任务的飞行距离，N表示目标总数，Evaluate表示评估任务，
Figure BDA0003857103950000053
表示完成第j个目标所用的时间。
示范性的，本实施例中，基于异构无人机协同多任务分配模型并结合应用实际，将原有模型扩展为异构无人机协同多任务重分配模型(Multi-constraint CooperativeMultiple Task Reallocation Problem，MCMTRP)，以有效应对战场环境的动态变化，更加符合作战应用实际。其中，MCMTRP模型包括以下目标函数以及约束条件：
具体的，目标函数包括无人机总飞行距离函数f1和所述任务完成总时间函数f2：
Figure BDA0003857103950000061
式中，S表示侦察无人机数量(侦察无人机既可用于执行侦察任务，也可用于执行评估任务)，A表示攻击无人机数量，m表示第m个任务，
Figure BDA0003857103950000069
表示无人机Ui的任务序列，
Figure BDA0003857103950000062
表示无人机Ui从执行第m个任务到执行第m+1个任务的飞行距离，N表示目标总数，Evaluate表示评估任务，
Figure BDA0003857103950000063
表示完成第j个目标所用的时间，对于一个目标来说，一般包括侦察任务(即Observe)、打击任务(即Attack)和评估任务，即第j个目标中最后一个Evaluate任务完成所用的时间为第j个目标所用的时间，因此，f2代表了无人机系统中最后一个任务执行完成的时间，也就是任务的最大完成时间；而f1代表了无人机的总飞行距离，即无人机系统中所有参与任务的无人机飞行距离之和。
约束条件包括：
Figure BDA0003857103950000064
Figure BDA0003857103950000065
Figure BDA0003857103950000066
Figure BDA0003857103950000067
Figure BDA0003857103950000068
Figure BDA0003857103950000071
Figure BDA0003857103950000072
Figure BDA0003857103950000073
Figure BDA0003857103950000074
式中，
Figure BDA0003857103950000075
为1表示由无人机Ui执行任务m，
Figure BDA0003857103950000076
为0表示该任务m未分配给无人机Ui；
Figure BDA0003857103950000077
表示针对第j目标完成Observe任务的时刻，
Figure BDA0003857103950000078
表示针对第j目标完成Attack任务的时刻，
Figure BDA0003857103950000079
表示针对第j目标完成Evaluate任务的时刻；
Figure BDA00038571039500000710
表示无人机Ui执行任务m消耗的弹药数或时间，
Figure BDA00038571039500000711
表示攻击无人机Ui携带的最大弹药数量，攻击无人机只能携带一定数目的弹药，因此攻击无人机执行打击任务消耗的弹药数要小于其最大携带弹药数目；对同一个目标的侦察任务和打击结果的评估任务至少需被一架侦察无人机执行，而打击任务需要分配给至少一架攻击无人机执行，即
Figure BDA00038571039500000712
当k∈{Observe,Evaluate}时，k表示侦察任务或评估任务，i∈(1,2,…,S)，则
Figure BDA00038571039500000713
表示无人机Ui执行任务k消耗的时间，Ck表示完成任务k所需的总时间；当k∈{Attack}时，k表示打击任务，i∈(S+1,…,S+A)，则
Figure BDA00038571039500000714
表示无人机Ui执行任务k消耗的时间，
Figure BDA00038571039500000715
表示无人机Ui的最大飞行距离。
此外，tm表示任务m开始的时刻，t表示突发状况发生的时刻，因此，Tm为1表示任务m为未完成的任务，Tm为0表示任务m为已经完成的任务或正在完成的任务；Ui为1表示第i个无人机未失效，Ui为0表示第i个无人机已失效。在突发状况发生之后，所有目标上的任务均可以分为三种：已经完成的任务、正在完成的任务和未完成的任务，因出，在本实施例中，对于已经完成的任务、正在完成的任务以及已经失效的无人机均不参与后续的任务分配，由此可见，最后两个约束Tm和Ui分别为不参与重分配约束和无人机可用性约束。
步骤S20：获取基于KnCMPSO算法得到的初始任务分配序列并创建多个空的任务分配序列；
示范性的，KnCMPSO算法是一种基于拐点的协同多目标粒子群优化算法，主要用于求解异构无人机协同多任务分配问题，其基本思路是首先根据目标个数D生成D个大小为B的子种群Pt，采用基于约束处理的初始化策略对粒子进行初始化并更新粒子个体最优解和各子种群的全局最优解，对所有粒子进行快速非支配排序以更新外部档案集Archive，得到精英解集Qt；然后基于结构学习策略和局部搜索策略更新粒子信息得到种群Pt+1，采用局部搜索策略更新Archive中的精英个体得到种群S，采用基于拐点的结构学习策略更新Archive中的精英个体得到种群R，之后将Qt、Pt+1、S、R合并为新种群并进行快速非支配排序，进而更新外部档案集Archive，得到精英解集Qt+1，重复循环，直到满足结束条件。不过，由于本实施例构建的MCMTRP模型中的任务存在多种状态，以致基于约束处理的初始化策略不再适用于本实施例。但是，KnCMPSO算法在任务分配阶段所产生的分配序列对求解MCMTRP模型具有一定的指导价值，因此，本实施例先基于KnCMPSO算法生成初始任务分配序列并创建多个空的任务分配序列，然后再对粒子初始化策略和粒子更新策略进行改进，形成基于学习的协同多目标粒子群算法(即LeCMPSO算法)。
步骤S30：基于所述初始任务分配序列和所述约束条件对多个空的任务分配序列进行初始化处理，得到多个初始化后的任务分配序列；
进一步的，所述基于所述初始任务分配序列和所述约束条件对多个空的任务分配序列进行初始化处理，得到多个初始化后的任务分配序列，具体包括：
基于不参与重分配约束确定出在第t时刻所述初始任务分配序列中已完成任务、正在执行任务和未执行任务；
将已完成任务以及执行所述已完成任务对应的无人机信息和资源消耗量更新至第一空的任务分配序列对应位置处，得到第一处理后任务分配序列；
将正在执行任务中的已完成任务以及执行正在执行任务中的已完成任务的无人机信息和资源消耗量更新至第一处理后任务分配序列对应位置处，得到第二处理后任务分配序列；
基于约束条件对正在执行任务中的未完成任务进行无人机和资源消耗量分配，并将正在执行任务中的未完成任务以及与正在执行任务中的未完成任务对应的无人机和资源消耗量插入至第二处理后任务分配序列，得到第三处理后任务分配序列；
基于约束条件对未执行任务进行无人机和资源消耗量分配，并将未执行任务以及与未执行任务对应的无人机和资源消耗量插入至第三处理后任务分配序列，得到初始化后的任务分配序列。
示范性的，本实施例中，初始化生成粒子时，采用了基于三维矩阵的混合编码策略，每一个粒子的位置向量P将由一个三维矩阵表示P＝(T,U,C)；其中，T代表了被执行任务的目标编号，每一个目标编号在粒子的第一行都会出现三次，按照出现的先后顺序分别代表了在此目标上执行的侦察任务、打击任务以及对打击结果的评估任务；U代表了在此目标上执行任务的无人机编号，由于目标编号在矩阵出现的先后顺序代表了不同的任务类型，因此无人机编号U(无人机类型)需要根据目标编号T所代表的任务类型来设置；C代表了无人机执行任务时的资源消耗，对于侦察无人机，该消耗代表了无人机的侦察时间，此时的资源消耗为一个连续变量，而对于攻击无人机来说，该消耗代表了无人机的弹药使用量，此时的资源消耗为一个离散变量。
突发状况发生之后，MCMTRP模型中待执行的任务集合包含了三种状态：任务已执行完毕、任务正在执行和任务未执行。由此可见，位置向量中包含了不参与重分配的部分任务，为了保证任务分配中已完成的任务不参与任务重分配，避免不可行解的产生，本实施例提出了一种基于先验知识的初始化策略(Prior Knowledge based Initializationstrategy，PKIS)来对粒子进行初始化并生成粒子的位置向量：首先对任务序列进行评估，找出所有在时间t时已经执行完毕或者正在执行的任务；然后将已完成的任务直接添加到对应的编码位置并更新无人机剩余资源量；对于正在执行的任务，先将已执行完该任务的无人机信息添加到对应的编码位置，之后对该任务剩余需求量继续进行分配直至该任务分配完毕；而对于未执行的任务采用基于约束处理的初始化策略进行初始化，循环执行，直至所有任务分配完毕。
具体的，1)对初始任务分配序列进行评估，找出所有在时间t时已经执行完毕或者正在执行的任务；2)对于已经执行的任务，直接将任务、执行该任务的无人机编号和其资源消耗添加到空的任务分配序列中粒子对应的编码位置并更新无人机剩余资源量；3)对于正在执行的任务，首先将该任务添加到粒子对应的编码位置，然后将已经执行完该任务的无人机编号和其资源消耗添加到粒子对应的编码位置，更新执行该任务的无人机剩余资源量和完成该任务所需要的剩余资源量，之后对该任务继续进行分配；4)对于尚未执行的任务，采用基于约束处理的初始化策略进行初始化。采用上述的基于先验知识的初始化策略有如下好处：1)对于已经执行完成的任务不会参与重分配，满足了算法的可重分配性的约束，正在执行的任务部分参与重分配，同样满足了算法的可重分配性的约束以及无人机之间的协同约束；2)对于任务的时序约束等其它约束，按照此策略生成的粒子同样满足，这为后续粒子更新提供了基础。
步骤S40：将多个初始化后的任务分配序列分配至用于求解无人机总飞行距离函数的距离任务分配序列集合和用于求解任务完成总时间函数的时间任务分配序列集合；
步骤S50：基于结构学习策略和扰动局部搜索策略分别对距离任务分配序列集合和时间任务分配序列集合中的各个初始化后的任务分配序列进行更新(即基于结构学习策略和基于扰动的局部搜索策略更新粒子信息)，得到更新后的距离任务分配序列集合和更新后的时间任务分配序列集合；
示范性的，由于MCMTRP模型包含了混合变量，并且约束条件较多，按照标准粒子群的更新方式将很难生成满足约束的粒子，所以本实施例不再使用粒子的速度这一个概念，而使粒子在更新的时候只通过向优秀个体的学习方式来更新粒子的状态，其更新公式为：
Figure BDA0003857103950000111
式中，Xi(t)代表粒子i在第t次迭代中的位置，PBesti为粒子i在第t次迭代中的个体最优值，E为外部档案集中的个体，GBestt为第t次迭代中的全局最优，w为权重系数，F1表示基于粒子个体最优学习的结果，F2表示基于E和GBestt中较优个体学习的结果。
competition代表了粒子E和GBestt相互竞争作为粒子X全局学习对象的机会，具体方式为：
假设待更新的个体为H(即待更新的任务分配序列，本实施例中每个个体都是一个任务分配序列)，首先在外部档案集Archive中随机选择一个精英个体I，计算个体I和H之间的余弦相似度，然后与GBestt和H之间的余弦相似度进行比较；当I和H之间的余弦相似度更小时，说明个体I对个体H的引导能力更强，更有利于算法的收敛，因此选择I作为H的全局学习对象，反之，选择GBestt作为H的全局学习对象。
F1和F2代表了粒子基于结构学习方式向较优个体的学习过程，详细描述如下：假设lH表示待学习的个体，cH表示当前个体，nH代表经过学习方式之后生成的新个体。整个学习过程如下：首先初始化一个空的个体nH，依次选择MCMTRP模型中的目标编号，以一定的概率选择当前目标编号进行学习操作；假设当前选中的目标编号为2，则将待学习个体lH位置向量第一行与2相等的三个位置上的值，按照其在lH位置向量中出现的先后次序依次插入到新个体nH位置向量的对应位置，同时将各个任务对应的无人机以及无人机资源消耗量插入到nH位置向量的对应位置；对目标编号进行一次遍历之后，新个体nH中非空位置保存的就是待学习个体lH的信息；之后将原始个体cH中的目标、目标对应的无人机以及无人机资源使用量从左到右依次填入到新个体位置向量中的空位置，但是跳过与新个体nH中已存在的目标。
此外，本实施例为了增强种群的多样性以及算法的搜索能力，采用了一种基于扰动的局部搜索策略(Disturbance based Local Search Strategy，DLS)，详细描述如下：随机选择当前粒子对应的其中一个目标T上未完成的任务m，将当前粒子位置向量上任务m对应无人机序列以及无人机资源消耗序列移除；根据任务m的性质随机从无人机集合中选择一架无人机并随机生成资源消耗，循环执行直至任务m被分配完毕。
步骤S60：根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列和更新后的时间任务分配序列集合的任务分配序列进行排序，得到排序队列；从所述排序队列中选取排列在前N位的任务分配序列作为协同多任务重分配结果，其中，N为正整数，且N的具体值设定可以根据实际需求确定，在此不作限定。
示范性的，本实施例中通过帕累托支配关系可以获悉各个任务分配序列之间的相互支配关系(即支配解和非支配解)，进而进行任务分配序列的排序，最后就可选取排列在前N位的任务分配序列作为协同多任务重分配结果。
进一步的，所述根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列和更新后的时间任务分配序列集合的任务分配序列进行排序，得到排序队列，具体包括：
基于扰动局部搜索策略对外部档案集的任务分配序列进行更新(即基于扰动局部搜索策略更新外部档案集中的精英个体信息)，得到更新后的外部档案集；
根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列、更新后的时间任务分配序列集合的任务分配序列和更新后的外部档案集的任务分配序列进行排序，得到排序队列。
进一步的，所述基于扰动局部搜索策略对外部档案集的任务分配序列进行更新，得到更新后的外部档案集，具体包括：
随机从外部档案集的第一任务分配序列中选择一第一任务；
将所述第一任务对应的无人机序列以及无人机资源消耗序列从所述第一任务分配序列中移除；
从与所述第一任务类别相同的无人机集合中随机选择至少一架第一无人机并随机生成第一资源消耗量用于执行第一任务；
基于所述第一无人机和所述第一资源消耗量对所述第一任务分配序列进行更新，得到更新后的外部档案集。
示范性的，每个粒子包括一串任务集合，每个任务有对应的无人机及其资源消耗，本实施例中基于扰动局部搜索策略对外部档案集进行更新的详细操作描述如下：1)首先随机选择外部档案集上的任意一个任务分配序列上未完成的任务m；2)将任务m对应的无人机序列以及无人机资源消耗序列从该任务分配序列移除；3)根据任务m类别从对应的无人机集合中随机选择一架无人机并随机生成资源消耗，循环执行直至任务m被分配完毕，得到更新后的外部档案集；再将更新后的外部档案集中的任务分配序列参与到排序中，其可以避免不可行解的生成，同时也增加了种群多样性以及算法的搜索能力。
进一步的，所述根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列、更新后的时间任务分配序列集合的任务分配序列和更新后的外部档案集的任务分配序列进行排序，得到排序队列，具体包括：
基于无人机可用性约束对所述初始任务分配序列进行更新，得到更新后的任务分配序列；
根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列、更新后的时间任务分配序列集合的任务分配序列、更新后的外部档案集的任务分配序列和更新后的任务分配序列进行排序，得到排序队列。
进一步的，所述约束条件还包括不同类型任务完成时序约束，所述基于无人机可用性约束对所述初始任务分配序列进行更新，得到更新后的任务分配序列，具体包括：
当检测到所述初始任务分配序列中存在第一未完成任务且所述第一未完成任务由失效的无人机执行，则初始化一个空的第一任务分配序列；
将所述初始任务分配序列中各个任务、执行各个任务对应的无人机信息以及与各个无人机对应的资源消耗信息更新至所述空的第一任务分配序列，得到第二任务分配序列；
将失效的无人机以及与所述失效的无人机对应的资源消耗信息从所述第二任务分配序列移除，并更新执行所述第一未完成任务所需的剩余资源量，得到第三任务分配序列；
基于所述剩余资源量随机从与所述第一未完成任务类型相同的无人机集合中选择至少一架第二无人机并随机生成第二资源消耗量用于执行第一未完成任务；
基于不同类型任务完成时序约束从所述第三任务分配序列中确定出所述第一未完成任务可插入位置范围；
将所述第一未完成任务以及与所述第一未完成任务对应的第二无人机和第二资源消耗量插入至第三任务分配序列中第一未完成任务可插入位置范围中任一位置，得到更新后的任务分配序列。
示范性的，本实施例中，无人机系统进行重分配的触发条件大致可以分为三种，分别是新增目标点、目标点位置更改和无人机失效(即无人机的可用性为不可用)这三种情况。但是不论是上述哪种情况，在对整个无人机系统进行任务重分配的时候，只有少部分的无人机任务序列需要更新，因此重新生成整个无人机集群的任务序列是不合理的，势必会造成资源上的浪费，同时算法时效性无法满足要求；另外任务分配阶段所产生的分配序列对求解任务重分配问题具有一定的指导价值，利用好这部分信息有助于加快算法的收敛速度。
因此，本实施例提出了一种基于历史信息学习的粒子更新策略(即HILPUS策略)来更新粒子信息，以考虑无人机失效为例，假设在时间t的时候，无人机U1失效；此后原有分配序列中无人机U1在时间t之后参与执行的任务需要重新分配给与无人机U1相同类型的其它的无人机执行；因此HILPUS策略首先取出原有分配序列中包含无人机U1的未完成的任务T，将此任务T对应的无人机U1以及其对应的资源消耗量C1去除，随机选择与无人机U1相同类型的满足约束的无人机U2，设置其资源使用量，如此重复直到任务T完成，满足任务完成要求之后将此新增的无人机及其资源使用量插入到粒子编码中对应的位置。另外，由于任务的先后顺序决定了各个无人机执行任务的先后次序，为了增加种群的多样性，随机选择未完成的任务，首先寻找其最大的可插入的位置范围，然后随机将此任务插入到此范围内部，这样生成的个体仍然是一个满足约束的可执行的作战序列，而新生成的个体既保留了原有分配序列的优秀特性，又在一定程度上增加了整个种群的多样性。
具体的，以考虑无人机失效为例，假设在时间t的时候，无人机U1失效，详细操作描述如下：初始化一个空的粒子nS，将初始任务分配序列中各个任务、执行各个任务对应的无人机信息以及与各个无人机对应的资源消耗信息赋给nS；选择nS位置向量上的第m个任务，若任务m尚未完成且包含无人机U1，则将任务m对应的无人机U1以及资源消耗从其编码位置删除，并更新执行任务m需要的剩余资源量，随机选择同类型无人机对任务m继续进行分配直至任务m分配完毕；然后随机生成数字r，r∈[0,1]，若r小于初始随机数L，则随机选择时刻t之后才完成的任务O，找到nS位置向量中任务O可以插入的位置范围[startPos,endPos]，并在[startPos,endPos]之间随机选择插入位置insertPos，将任务O插入位置向量中的insertPos，其余位置的任务依次插入到nS的[startPos,endPos]之中，进而得到更新后的任务分配序列，再将更新后的任务分配序列参与到排序中，可进一步避免不可行解的产生，并提升算法的搜索效率和降低算法的求解时间。
采用上述基于历史信息学习的更新策略能在不改变大部分现有无人机作战任务序列的情况下，尽可能快的生成重分配的作战序列；另外由于现有分配序列本身就具有很好的性质，因此采用HILPUS更新策略生成的个体大部分都是较优的解，加快了算法的收敛速度，使得LeCMPSO算法在满足作战要求的情况下，能够满足战场环境对任务重分配实时性以及快速响应的要求，避免了不可行解的产生，提升了算法的搜索效率，有效降低了算法的求解时间。
由此可见，当遇到突发情况时，本实施例采用无人机总飞行距离和任务完成时间两个目标函数对异构无人机协同多任务重分配问题进行评价，其中，基于无人机的总飞行距离这一评价指标可保证整个无人机系统能够以最少的资源量完成整个作战任务，而基于任务完成总时间函数这一评价指标可保证无人机系统分配给各个无人机的任务数量能够保持一定的均衡性，避免了因为异构无人机性能上的差异而导致部分无人机被分配较多任务的问题；且本实施例基于通过KnCMPSO算法得到的先验知识、结构学习策略和扰动局部搜索策略以及不参与重分配约束和无人机可用性约束对任务分配序列进行优化，以实现多目标异构无人机协同任务重分配，可有效提升算法的搜索效率并降低算法的求解时间。
下面结合具体案例阐释本实施例涉及的协同多任务重分配方法的工作原理。
以实例包含20台无人机和24个军事任务目标为例。任务目标被随机的设置在一个固定的位置，每一个任务目标上包含了三种属性，分别代表了完成此目标上的某一个军事任务(侦察任务、打击任务和打击结果对应的评估任务)所需要的资源量。无人机同样被随机的设置在一个固定的位置，每一个无人机包括了飞行速度、最大携带弹药数目和最远飞行距离。其中，表1和表2分别展示了目标属性值和无人机属性值。
表1目标属性值
Figure BDA0003857103950000171
表2无人机属性值
Figure BDA0003857103950000172
Figure BDA0003857103950000181
运用KnCMPSO算法对该实例进行任务分配，随机选择KnCMPSO算法求得的解集中的一个任务分配结果，此结果对应的执行任务总时间为3683秒，无人机总飞行距离为4854千米。各无人机任务序列如表3所示。
表3各无人机任务序列表
Figure BDA0003857103950000182
Figure BDA0003857103950000191
假设在时刻t＝500秒时，无人机U8发生故障，基于以上数据，本实施例的具体实施步骤如下：
第一步：定义异构无人机协同多任务重分配模型。
重分配模型的无人机总飞行距离和任务完成时间根据上文所述公式求出，将其作为模型的目标函数用于下面的求解步骤中。
第二步：模型的求解。
使用LeCMPSO算法实现对异构无人机协同多任务重分配模型的求解，具体实现步骤如下：参见图2所示(图2中的倾斜字体表示参与重分配的任务)，基于先验知识的初始化策略对任务分配序列进行评估，找出所有在时间t＝500时正在执行的任务，此时无人机U8作战序列中的剩余任务集为{T12(O)-T22(O)-T19(O)-T5(E)-T10(E)-T2(E)-T4(E)}，将t＝500时已完成的任务和正在执行的任务直接添加到粒子位置向量对应的编码位置，并将该任务下已执行完任务的无人机及其资源消耗添加到对应的编码位置，更新无人机剩余资源量和执行完任务需要的剩余资源量，采用约束处理机制对尚未完成的任务进行重分配。
基于历史信息学习的粒子更新策略：参见图3所示，首先取出原有任务分配序列中包含无人机8的未完成的任务T，将此任务T对应的无人机U1以及其对应的资源消耗量C1去除，随机选择与无人机U1相同类型的满足约束的无人机U2，设置其资源使用量，如此重复直到任务T完成，满足任务完成要求之后将此新增的无人机以及其资源使用量插入到粒子编码中对应的位置，然后随机选择未完成的任务，寻找其最大可插入的位置范围，随机将此任务插入此范围内部。基于以上操作，使用LeCMPSO算法进行求解，算法参数设置如下：子种群数为2，初始种群数量设置为300，算法迭代次数设置为300，外部档案集大小为种群数量大小的一半150。可以求得如下表所示的非支配解集合。
表4迭代300次后的部分结果展示
帕累托点 总飞行距离 任务完成时间
1 4774 3334
2 4784 3333
3 4790 3212
4 4829 3210
... ... ...
由表4可以看出，无人机总飞行距离与任务完成时间存有一定的冲突，很难同时达到最小化，本实施例所提出的LeCMPSO算法无论是在收敛性还是多样性方面均表现出较好的性能，表现出在求解MCMTRP模型上的有效性以及时效性。
由此可见，本实施例在突发状况发生后，在满足多种复杂约束的条件下，对部分无人机的任务分配序列进行重新分配，快速规划出高效且合理的分配方案；本实施例建立了MCMTRP模型，并以无人机失效为重分配的触发场景，以无人机总飞行距离和任务完成时间为优化目标，提出了基于学习的协同多目标粒子群算法来求解上述MCMTRP模型；同时，本实施例还提出了基于先验知识的初始化策略和基于历史信息学习的粒子更新策略，在提升算法搜索效率的同时，能够较大幅度降低算法的求解时间且实现任务的合理分配，提高作战效率并节约无人机资源成本，从而提升无人机作战效能。
参见图4所示，本申请实施例提供了一种协同多任务重分配装置，包括：
获取单元，其用于获取目标函数和约束条件，所述目标函数包括无人机总飞行距离函数和任务完成总时间函数，所述约束条件包括不参与重分配约束和无人机可用性约束；
创建单元，其用于获取基于KnCMPSO算法得到的初始任务分配序列并创建多个空的任务分配序列；
初始化单元，其用于基于所述初始任务分配序列和所述约束条件对多个空的任务分配序列进行初始化处理，得到多个初始化后的任务分配序列；将多个初始化后的任务分配序列分配至用于求解无人机总飞行距离函数的距离任务分配序列集合和用于求解任务完成总时间函数的时间任务分配序列集合；
更新单元，其用于基于结构学习策略和扰动局部搜索策略分别对距离任务分配序列集合和时间任务分配序列集合中的各个初始化后的任务分配序列进行更新，得到更新后的距离任务分配序列集合和更新后的时间任务分配序列集合；
分配单元，其用于根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列和更新后的时间任务分配序列集合的任务分配序列进行排序，得到排序队列；从所述排序队列中选取排列在前N位的任务分配序列作为协同多任务重分配结果，其中，N为正整数。
由此可见，当遇到突发情况时，本实施例采用无人机总飞行距离和任务完成时间两个目标函数对异构无人机协同多任务重分配问题进行评价，其中，基于无人机的总飞行距离这一评价指标可保证整个无人机系统能够以最少的资源量完成整个作战任务，而基于任务完成总时间函数这一评价指标可保证无人机系统分配给各个无人机的任务数量能够保持一定的均衡性，避免了因为异构无人机性能上的差异而导致部分无人机被分配较多任务的问题；且本实施例基于通过KnCMPSO算法得到的先验知识、结构学习策略和扰动局部搜索策略以及不参与重分配约束和无人机可用性约束对任务分配序列进行优化，以实现多目标异构无人机协同任务重分配，可有效提升算法的搜索效率并降低算法的求解时间。
进一步的，所述分配单元具体用于：
基于扰动局部搜索策略对外部档案集的任务分配序列进行更新，得到更新后的外部档案集；
根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列、更新后的时间任务分配序列集合的任务分配序列和更新后的外部档案集的任务分配序列进行排序，得到排序队列。
进一步的，所述分配单元具体还用于：
随机从外部档案集的第一任务分配序列中选择一第一任务；
将所述第一任务对应的无人机序列以及无人机资源消耗序列从所述第一任务分配序列中移除；
从与所述第一任务类别相同的无人机集合中随机选择至少一架第一无人机并随机生成第一资源消耗量用于执行第一任务；
基于所述第一无人机和所述第一资源消耗量对所述第一任务分配序列进行更新，得到更新后的外部档案集。
进一步的，所述分配单元具体还用于：
基于无人机可用性约束对所述初始任务分配序列进行更新，得到更新后的任务分配序列；
根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列、更新后的时间任务分配序列集合的任务分配序列、更新后的外部档案集的任务分配序列和更新后的任务分配序列进行排序，得到排序队列。
进一步的，所述约束条件还包括不同类型任务完成时序约束，所述分配单元具体还用于：
当检测到所述初始任务分配序列中存在第一未完成任务且所述第一未完成任务由失效的无人机执行，则初始化一个空的第一任务分配序列；
将所述初始任务分配序列中各个任务、执行各个任务对应的无人机信息以及与各个无人机对应的资源消耗信息更新至所述空的第一任务分配序列，得到第二任务分配序列；
将失效的无人机以及与所述失效的无人机对应的资源消耗信息从所述第二任务分配序列移除，并更新执行所述第一未完成任务所需的剩余资源量，得到第三任务分配序列；
基于所述剩余资源量随机从与所述第一未完成任务类型相同的无人机集合中选择至少一架第二无人机并随机生成第二资源消耗量用于执行第一未完成任务；
基于不同类型任务完成时序约束从所述第三任务分配序列中确定出所述第一未完成任务可插入位置范围；
将所述第一未完成任务以及与所述第一未完成任务对应的第二无人机和第二资源消耗量插入至第三任务分配序列中第一未完成任务可插入位置范围中任一位置，得到更新后的任务分配序列。
进一步的，所述初始化单元具体用于：
基于不参与重分配约束确定出在第t时刻所述初始任务分配序列中已完成任务、正在执行任务和未执行任务；
将已完成任务以及执行所述已完成任务对应的无人机信息和资源消耗量更新至第一空的任务分配序列对应位置处，得到第一处理后任务分配序列；
将正在执行任务中的已完成任务以及执行正在执行任务中的已完成任务的无人机信息和资源消耗量更新至第一处理后任务分配序列对应位置处，得到第二处理后任务分配序列；
基于约束条件对正在执行任务中的未完成任务进行无人机和资源消耗量分配，并将正在执行任务中的未完成任务以及与正在执行任务中的未完成任务对应的无人机和资源消耗量插入至第二处理后任务分配序列，得到第三处理后任务分配序列；
基于约束条件对未执行任务进行无人机和资源消耗量分配，并将未执行任务以及与未执行任务对应的无人机和资源消耗量插入至第三处理后任务分配序列，得到初始化后的任务分配序列。
进一步的，所述无人机总飞行距离函数f1和所述任务完成总时间函数f2分别为：
Figure BDA0003857103950000241
式中，S表示侦查无人机数量，A表示攻击无人机数量，m表示第m个任务，
Figure BDA0003857103950000242
表示无人机Ui的任务序列，
Figure BDA0003857103950000243
表示无人机Ui从执行第m个任务到执行第m+1个任务的飞行距离，N表示任务总数，Evaluate表示评估任务。
需要说明的是，所属本领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各单元的具体工作过程，可以参考前述协同多任务重分配方法实施例中的对应过程，在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的协同多任务重分配设备上运行。
本申请实施例还提供了一种协同多任务重分配设备，包括：通过系统总线连接的存储器、处理器和网络接口，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行，以实现前述的协同多任务重分配方法的全部步骤或部分步骤。
其中，网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
处理器可以是CPU，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程逻辑门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件分立硬件组件等。通用处理器可以是微处理器，或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如视频播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如视频数据、图像数据等)等。此外，存储器可以包括高速随存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(SmartMedia Card，SMC)、安全数字(Secure digital，SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现前述的协同多任务重分配方法的全部步骤或部分步骤。
本申请实施例实现前述的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only memory，ROM)、随机存取存储器(Random Accessmemory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种协同多任务重分配方法，其特征在于，包括以下步骤：
获取目标函数和约束条件，所述目标函数包括无人机总飞行距离函数和任务完成总时间函数，所述约束条件包括不参与重分配约束和无人机可用性约束；
获取基于KnCMPSO算法得到的初始任务分配序列并创建多个空的任务分配序列；
基于所述初始任务分配序列和所述约束条件对多个空的任务分配序列进行初始化处理，得到多个初始化后的任务分配序列；
将多个初始化后的任务分配序列分配至用于求解无人机总飞行距离函数的距离任务分配序列集合和用于求解任务完成总时间函数的时间任务分配序列集合；
基于结构学习策略和扰动局部搜索策略分别对距离任务分配序列集合和时间任务分配序列集合中的各个初始化后的任务分配序列进行更新，得到更新后的距离任务分配序列集合和更新后的时间任务分配序列集合；
根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列和更新后的时间任务分配序列集合的任务分配序列进行排序，得到排序队列；从所述排序队列中选取排列在前N位的任务分配序列作为协同多任务重分配结果，其中，N为正整数。
2.如权利要求1所述的协同多任务重分配方法，其特征在于，所述根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列和更新后的时间任务分配序列集合的任务分配序列进行排序，得到排序队列，具体包括：
基于扰动局部搜索策略对外部档案集的任务分配序列进行更新，得到更新后的外部档案集；
根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列、更新后的时间任务分配序列集合的任务分配序列和更新后的外部档案集的任务分配序列进行排序，得到排序队列。
3.如权利要求2所述的协同多任务重分配方法，其特征在于，所述基于扰动局部搜索策略对外部档案集的任务分配序列进行更新，得到更新后的外部档案集，具体包括：
随机从外部档案集的第一任务分配序列中选择一第一任务；
将所述第一任务对应的无人机序列以及无人机资源消耗序列从所述第一任务分配序列中移除；
从与所述第一任务类别相同的无人机集合中随机选择至少一架第一无人机并随机生成第一资源消耗量用于执行第一任务；
基于所述第一无人机和所述第一资源消耗量对所述第一任务分配序列进行更新，得到更新后的外部档案集。
4.如权利要求2所述的协同多任务重分配方法，其特征在于，所述根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列、更新后的时间任务分配序列集合的任务分配序列和更新后的外部档案集的任务分配序列进行排序，得到排序队列，具体包括：
基于无人机可用性约束对所述初始任务分配序列进行更新，得到更新后的任务分配序列；
根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列、更新后的时间任务分配序列集合的任务分配序列、更新后的外部档案集的任务分配序列和更新后的任务分配序列进行排序，得到排序队列。
5.如权利要求4所述的协同多任务重分配方法，其特征在于，所述约束条件还包括不同类型任务完成时序约束，所述基于无人机可用性约束对所述初始任务分配序列进行更新，得到更新后的任务分配序列，具体包括：
当检测到所述初始任务分配序列中存在第一未完成任务且所述第一未完成任务由失效的无人机执行，则初始化一个空的第一任务分配序列；
将所述初始任务分配序列中各个任务、执行各个任务对应的无人机信息以及与各个无人机对应的资源消耗信息更新至所述空的第一任务分配序列，得到第二任务分配序列；
将失效的无人机以及与所述失效的无人机对应的资源消耗信息从所述第二任务分配序列移除，并更新执行所述第一未完成任务所需的剩余资源量，得到第三任务分配序列；
基于所述剩余资源量随机从与所述第一未完成任务类型相同的无人机集合中选择至少一架第二无人机并随机生成第二资源消耗量用于执行第一未完成任务；
基于不同类型任务完成时序约束从所述第三任务分配序列中确定出所述第一未完成任务可插入位置范围；
将所述第一未完成任务以及与所述第一未完成任务对应的第二无人机和第二资源消耗量插入至第三任务分配序列中第一未完成任务可插入位置范围中任一位置，得到更新后的任务分配序列。
6.如权利要求1所述的协同多任务重分配方法，其特征在于，所述基于所述初始任务分配序列和所述约束条件对多个空的任务分配序列进行初始化处理，得到多个初始化后的任务分配序列，具体包括：
基于不参与重分配约束确定出在第t时刻所述初始任务分配序列中已完成任务、正在执行任务和未执行任务；
将已完成任务以及执行所述已完成任务对应的无人机信息和资源消耗量更新至第一空的任务分配序列对应位置处，得到第一处理后任务分配序列；
将正在执行任务中的已完成任务以及执行正在执行任务中的已完成任务的无人机信息和资源消耗量更新至第一处理后任务分配序列对应位置处，得到第二处理后任务分配序列；
基于约束条件对正在执行任务中的未完成任务进行无人机和资源消耗量分配，并将正在执行任务中的未完成任务以及与正在执行任务中的未完成任务对应的无人机和资源消耗量插入至第二处理后任务分配序列，得到第三处理后任务分配序列；
基于约束条件对未执行任务进行无人机和资源消耗量分配，并将未执行任务以及与未执行任务对应的无人机和资源消耗量插入至第三处理后任务分配序列，得到初始化后的任务分配序列。
7.如权利要求1所述的协同多任务重分配方法，其特征在于，所述无人机总飞行距离函数f1和所述任务完成总时间函数f2分别为：
Figure FDA0003857103940000041
式中，S表示侦察无人机数量，A表示攻击无人机数量，m表示第m个任务，
Figure FDA0003857103940000042
表示无人机Ui的任务序列，
Figure FDA0003857103940000043
表示无人机Ui从执行第m个任务到执行第m+1个任务的飞行距离，N表示任务总数，Evaluate表示评估任务，
Figure FDA0003857103940000044
表示完成第j个目标所用的时间。
8.一种协同多任务重分配装置，其特征在于，包括：
获取单元，其用于获取目标函数和约束条件，所述目标函数包括无人机总飞行距离函数和任务完成总时间函数，所述约束条件包括不参与重分配约束和无人机可用性约束；
创建单元，其用于获取基于KnCMPSO算法得到的初始任务分配序列并创建多个空的任务分配序列；
初始化单元，其用于基于所述初始任务分配序列和所述约束条件对多个空的任务分配序列进行初始化处理，得到多个初始化后的任务分配序列；将多个初始化后的任务分配序列分配至用于求解无人机总飞行距离函数的距离任务分配序列集合和用于求解任务完成总时间函数的时间任务分配序列集合；
更新单元，其用于基于结构学习策略和扰动局部搜索策略分别对距离任务分配序列集合和时间任务分配序列集合中的各个初始化后的任务分配序列进行更新，得到更新后的距离任务分配序列集合和更新后的时间任务分配序列集合；
分配单元，其用于根据帕累托支配关系对更新后的距离任务分配序列集合的任务分配序列和更新后的时间任务分配序列集合的任务分配序列进行排序，得到排序队列；从所述排序队列中选取排列在前N位的任务分配序列作为协同多任务重分配结果，其中，N为正整数。
9.一种协同多任务重分配设备，其特征在于，包括：存储器和处理器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现权利要求1至7中任一项所述的协同多任务重分配方法。
10.一种计算机可读存储介质，其特征在于：所述计算机存储介质存储有计算机程序，当所述计算机程序被处理器执行时，以实现权利要求1至7中任一项所述的协同多任务重分配方法。
CN202211152943.7A 2022-09-21 2022-09-21 协同多任务重分配方法、装置、设备及可读存储介质 Pending CN115564374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211152943.7A CN115564374A (zh) 2022-09-21 2022-09-21 协同多任务重分配方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211152943.7A CN115564374A (zh) 2022-09-21 2022-09-21 协同多任务重分配方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN115564374A true CN115564374A (zh) 2023-01-03

Family

ID=84741151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211152943.7A Pending CN115564374A (zh) 2022-09-21 2022-09-21 协同多任务重分配方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN115564374A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934062A (zh) * 2023-09-19 2023-10-24 南京海汇装备科技有限公司 一种基于多元融合的信息处理系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934062A (zh) * 2023-09-19 2023-10-24 南京海汇装备科技有限公司 一种基于多元融合的信息处理系统及方法
CN116934062B (zh) * 2023-09-19 2023-11-24 南京海汇装备科技有限公司 一种基于多元融合的信息处理系统及方法

Similar Documents

Publication Publication Date Title
CN112416585B (zh) 面向深度学习的gpu资源管理与智能化调度方法
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
CN112230677B (zh) 无人机族群任务规划方法及终端设备
CN114281104B (zh) 一种基于改进蚁群算法的多无人机协同调控方法
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
CN112633654A (zh) 基于改进聚类扩展一致性束算法的多无人机任务分配方法
CN114326827B (zh) 一种无人机集群多任务动态分配方法及系统
CN110969362A (zh) 一种云计算系统下多目标任务调度方法及系统
CN116166048B (zh) 一种无人机群容错任务规划方法
CN116185035B (zh) 基于改进仿生狼群的无人集群动态任务分配方法及系统
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
CN112734239A (zh) 基于任务与资源能力属性的任务规划方法、装置和介质
CN115564374A (zh) 协同多任务重分配方法、装置、设备及可读存储介质
CN111831421B (zh) 任务分配方法及终端设备
CN116088586B (zh) 一种无人机作战过程中的临机任务规划的方法
CN117389300A (zh) 一种城市战争无人机编队侦察任务分配方法
CN117539612A (zh) 基于混沌麻雀算法的ai训推平台任务调度方法和系统
CN114610058B (zh) 一种集群飞行器多任务分布式任务分配方法
CN116010051A (zh) 一种联邦学习多任务调度方法及装置
CN113110595B (zh) 面向目标核查印证的异构无人机群协同方法
CN114980216A (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
CN105844110A (zh) 一种基于gpu的自适应领域禁忌搜索求解软硬件划分方法
CN111078361A (zh) 基于分布式估计算法的云工作流调度优化方法
CN117575299B (zh) 一种基于改进粒子群算法的协同多任务分配方法
CN107609138B (zh) 一种云模型数据布局方法和系统

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