CN115630513B - 基于集群优化的无人机集群协同任务分配方法 - Google Patents

基于集群优化的无人机集群协同任务分配方法 Download PDF

Info

Publication number
CN115630513B
CN115630513B CN202211340207.4A CN202211340207A CN115630513B CN 115630513 B CN115630513 B CN 115630513B CN 202211340207 A CN202211340207 A CN 202211340207A CN 115630513 B CN115630513 B CN 115630513B
Authority
CN
China
Prior art keywords
task
unmanned aerial
aerial vehicle
future
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
Application number
CN202211340207.4A
Other languages
English (en)
Other versions
CN115630513A (zh
Inventor
刘策越
雍婷
常亮
郭强
张先国
任传伦
周启晨
徐明烨
张宇
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.)
Cetc Cyberspace Security Research Institute Co ltd
CETC 15 Research Institute
CETC 30 Research Institute
Original Assignee
Cetc Cyberspace Security Research Institute Co ltd
CETC 15 Research Institute
CETC 30 Research Institute
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 Cetc Cyberspace Security Research Institute Co ltd, CETC 15 Research Institute, CETC 30 Research Institute filed Critical Cetc Cyberspace Security Research Institute Co ltd
Priority to CN202211340207.4A priority Critical patent/CN115630513B/zh
Publication of CN115630513A publication Critical patent/CN115630513A/zh
Application granted granted Critical
Publication of CN115630513B publication Critical patent/CN115630513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于集群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，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，得到所述无人机集群的有效未来任务的任务收益信息；构建并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结果；对所述无人机集群的任务分配结果进行判断，得到最终的无人机集群协同任务分配结果。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

基于集群优化的无人机集群协同任务分配方法
技术领域
本发明涉及智能无人机集群领域，尤其涉及一种基于集群优化的无人机集群协同任务分配方法。
背景技术
目前，集群智能化是无人机未来重要发展方向，形成规模效应的无人集群能够解决现有无人机功能单一、可靠性差、智能性低的问题，可以完成更为复杂困难的任务和工作。协同任务分配是无人集群智能的关键技术之一，该技术能够在对任务执行能力实时评估基础上，进行任务的重分配，实现无人集群的智能决策，提升执行任务的工作效能。因此，研究无人机集群的协同任务分配算法具有重要意义。
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集群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；
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，构建无人机集群协同任务分配优化模型；
S8，利用所述无人机集群协同任务分配优化模型，对所述无人机集群的未来任务信息进行处理，得到无人机集群的任务分配结果；
S9，对所述无人机集群的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，将所述非搜索任务中的任务路径长度最短的任务，作为最终的无人机集群协同任务分配结果。
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第一总路径长度，与执行当前任务所需的路径长度之间关系进行判断：
如果所述第一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；
如果所述第一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，以及构建无人机集群协同任务分配优化模型之前，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。
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：
目标函数：
Figure BDA0003916145250000051
约束函数：
Figure BDA0003916145250000052
Figure BDA0003916145250000053
Figure BDA0003916145250000054
Figure BDA0003916145250000055
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，
Figure BDA0003916145250000056
表示第i个无人机执行搜索任务的收益，
Figure BDA0003916145250000057
表示第i个无人机执行搜索任务的分配变量，
Figure BDA0003916145250000058
表示第i个无人机针对第j个目标执行任务k的收益，
Figure BDA0003916145250000059
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，
Figure BDA00039161452500000510
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。
所述利用所述无人机集群协同任务分配优化模型，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：maxJ＝Cx，
约束条件：Ax＝b，
其中，
Figure BDA0003916145250000061
b＝[11×n,01×m,n]T，
Figure BDA0003916145250000062
ei＝[01×(i-1),1,01×(m-i)]，
Figure BDA0003916145250000063
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)、基于集群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)、本发明通过构建优化模型，充分利用无人机对目标的执行效果信息和路径信息，实现了对无人机集群协同任务的高效分配，同时也提升了任务执行的效果。
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集群优化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集群优化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
一种基于集群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；
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，构建无人机集群协同任务分配优化模型；
S8，利用所述无人机集群协同任务分配优化模型，对所述无人机集群的未来任务信息进行处理，得到无人机集群的任务分配结果；
S9，对所述无人机集群的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，将所述非搜索任务中的任务路径长度最短的任务，作为最终的无人机集群协同任务分配结果。
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。
在该可选的实施例中，作为一种可选的实施方式，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第一总路径长度，与执行当前任务所需的路径长度之间关系进行判断：
如果所述第一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；
如果所述第一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。
在该可选的实施例中，作为一种可选的实施方式，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。
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，以及构建无人机集群协同任务分配优化模型之前，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。
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，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。
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：
目标函数：
Figure BDA0003916145250000111
约束函数：
Figure BDA0003916145250000112
Figure BDA0003916145250000121
Figure BDA0003916145250000122
Figure BDA0003916145250000123
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，
Figure BDA0003916145250000124
表示第i个无人机执行搜索任务的收益，
Figure BDA0003916145250000125
表示第i个无人机执行搜索任务的分配变量，
Figure BDA0003916145250000126
表示第i个无人机针对第j个目标执行任务k的收益，
Figure BDA0003916145250000127
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，
Figure BDA0003916145250000128
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，所述利用所述无人机集群协同任务分配优化模型，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：maxJ＝Cx，
约束条件：Ax＝b，
其中，
Figure BDA0003916145250000129
b＝[11×n,01×m,n]T，
Figure BDA0003916145250000131
ei＝[01×(i-1),1,01×(m-i)]，
Figure BDA0003916145250000132
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最优的协同任务分配方案。
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。
可见，本实施例所描述的基于集群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。本实施例通过构建优化模型，充分利用无人机对目标的执行效果信息和路径信息，实现了对无人机集群协同任务的高效分配，同时也提升了任务执行的效果。
实施例二
本发明公开了一种基于集中式网络流优化的无人机集群协同任务分配方法，其应用场景为无人机集群对多个任务目标执行摧毁作战，无人机集群的可执行任务列表如图1所示，无人机集群的可执行的任务的种类包括搜索、分类、攻击和检测，可执行的任务按照搜索、分类、攻击和检测的顺序依次完成。
本发明方法，首先依据无人机集群与目标的位置、姿态和状态信息，先计算各类任务的执行收益，再采用网络流优化算法对无人机集群进行任务分配，总体流程如图2所示。无人机的未来任务的种类包括搜索、分类、攻击和检测。
当无人机集群侦察到新目标、无人机集群的现有任务完成或失败时，采用无人机集群协同任务分配优化模型对无人机集群进行任务分配，其具体步骤包括：
S1，计算无人机集群的任务收益。通过计算任务收益，可令无人机集群优先执行高收益任务，从而提升任务的执行效率，其流程如图3所示。首先，依据无人机集群侦察到的目标的当前状态，筛选出无人机集群能够执行的未来任务，对于指定的侦察到的目标来说，筛选出的无人机集群能够执行的未来任务最多只有一项，如表1所示。其次，依据无人机集群和目标的当前位置、姿态和状态信息，规划无人机集群执行当前任务与未来任务所需的总路径。再次，利用规划得到的总路径，过滤无效的未来任务，得到有效的未来任务。所述的无效的未来任务，包括第一无效未来任务和第二无效未来任务，第一无效未来任务是指执行该未来任务与当前任务所需的总路径长度比单独执行当前任务所需的路径长度短的未来任务，例如，所规划的当前任务的路径为从A点至B点，所规划的未来任务的路径为从B点至C点，则所规划的当前任务与未来任务所需的总路径为从A点至C点，当从A点至C点的路径比从A点至B点的路径短时，则认为该未来任务为无效，这意味着任务列表顺序(如图1所示)会被打乱，故未来任务无效，第二无效未来任务指当前任务为攻击任务时，由于设定无人机集群中的无人机采用自杀式攻击方式执行攻击任务，因此执行攻击任务的无人机无法执行后续的未来任务，故判定正在执行的攻击任务的未来任务为无效。然后，依据无人机集群和目标的当前位置、姿态和状态信息，规划无人机集群执行当前任务与未来任务所需的总路径。再次，利用规划得到的总路径，过滤无效的未来任务，得到有效的未来任务。以提高该无人机集群继续执行此任务的几率；如此设计可避免因任务重新分配而导致的混乱。
所述的步骤S1，针对无人机i以及目标j，计算其执行未来任务k的收益
Figure BDA0003916145250000151
其具体步骤包括：
S11，筛选未来任务。针对无人机i以及目标j，依据目标j状态对其未来任务k进行筛选。具体如表1所示，当目标的当前状态为未侦察时，筛选出的未来任务为搜索，当目标的当前状态为侦察未分类时，筛选出的未来任务为分类，当目标的当前状态为分类未攻击时，筛选出的未来任务为攻击，当目标的当前状态为攻击未摧毁时，筛选出的未来任务为攻击，当目标的当前状态为摧毁未检测时，筛选出的未来任务为检测。
表1目标状态与未来任务的对应关系
Figure BDA0003916145250000161
S12，规划任务路径。依据无人机i和目标j的当前位置、姿态和状态信息，规划无人机i对目标j执行当前任务与未来任务k所需要的路径之和，其长度记为
Figure BDA0003916145250000162
其中搜索任务的路径长度设定为零。
S13，判定得到无效的未来任务，设定无效的未来任务的收益为零。
所述的步骤S13，其具体包括：
S131，如果无人机集群的任务未按照顺序依次完成，则判定未按照上述顺序执行的任务为无效任务。具体的，对目标j，如果无人机i对目标j的未来任务k未能在当前任务k-1之前完成，则判定无人机i对目标j的未来任务k为无效,该情形对应的判定条件是无人机i对目标j执行未来任务k的路径长度
Figure BDA0003916145250000163
小于无人机对目标j执行当前任务k-1的路径长度
Figure BDA0003916145250000164
其中*是执行任务k-1的无人机。
S132，判定正在执行的攻击任务的未来任务为无效。由于在本方法中设定无人机集群中的无人机采用自杀式攻击执行攻击任务，因此执行攻击任务的无人机无法执行该攻击任务的未来任务，故判定正在执行的攻击任务的未来任务为无效。
S14，计算未来任务的收益。
S141，对于搜索任务，其任务收益的计算公式为：
搜索任务收益＝最大目标价值*(剩余飞行时间/总飞行时间)*比例系数；
其中，最大目标价值为所有无人机任务目标价值的最大值，剩余飞行时间和总飞行时间分别为无人机执行完当前任务后飞行剩余的路径长度所需要的飞行时间和无人机飞行总路径所需要的飞行时间，比例系数为某常数值；
S142，对于分类任务，其任务收益的计算公式为：
分类任务收益＝(识别质量*击毁成功率*目标价值+目标价值*((剩余飞行时间-任务路径长度/无人机飞行速度)/总飞行时间))*比例系数；
其中，识别质量为无人机对任务目标的识别效果的评估值，击毁成功率为无人机执行攻击任务时对任务目标成功击毁的概率，目标价值为摧毁目标后对于无人机集群完成整体任务的贡献度，整体任务为整个无人机集群所完成的任务，此公式的任务路径长度为无人机执行待计算的分类任务时需要飞行的路径长度；
S143，对于攻击任务，其任务收益的计算公式为：
攻击任务收益＝(识别成功率*击毁成功率*目标价值-目标价值*(任务路径长度/(标定飞行速度*总飞行时间)))*比例系数；
其中，识别成功率为无人机执行搜索任务后对任务目标进行成功识别的概率，此公式的任务路径长度为无人机执行待计算任务收益的攻击任务时需要飞行的路径长度；标定飞行速度是指无人机执行待计算任务收益的攻击任务时的初速度。
S144，对于检测任务，其任务收益的计算公式为：
检测任务收益＝(检测成功率*(1-击毁成功率)*识别成功率*目标价值+目标价值*((剩余飞行时间-任务路径长度/标定飞行速度)/总飞行时间))*比例系数；
其中，检测成功率为无人机执行检测任务后对任务目标进行成功检测的概率，此公式的任务路径长度为无人机执行待计算的检测任务时需要飞行的路径长度；
S15，利用记忆因子修正未来任务的收益。针对无人机i和目标j，如果规划任务路径之前对其预分配了未来任务k，则计算该未来任务k的收益后，再对该收益乘以记忆因子，从而得到该未来任务k的最终收益。如此，无人机i继续对目标j执行任务k的几率将会提高。
S2，对无人机集群进行任务分配。首先，依据步骤S1计算得到的任务收益，构建无人机集群协同任务分配优化模型，该问题可由图4表示。在无人机集群协同任务分配优化模型中，利用每一类任务的收益来对其进行分配。该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，将无人机集群中的n个无人机用n个无人机节点表示，将m个目标用m个目标节点表示，无人机节点与汇节点的连线表示着无人机的搜索任务，无人机节点与目标节点的连线则代表着相应的无人机对相应的目标的分类、攻击或检测任务，各类节点的连线均具有相应的权重值，该权重值的取值由相应的任务收益决定；无人机集群协同任务分配优化模型的优化目标是最大化所有无人机的任务收益，相应的约束条件包括一个无人机只能分配一项任务、一个目标最多分配一架无人机和所有无人机都被分配任务，构建无人机集群协同任务分配优化模型后，将该模型转化为线性整数规划问题，对其进行迭代求解，得到无人机集群的任务分配结果。
所述的步骤S2，其具体包括：
S21，构建无人机集群协同任务分配优化模型，对无人机任务、无人机任务的目标和接受无人机任务的无人机分别进行特征描述，同时在无人机任务和无人机之间用图论方法建立匹配，以此设计出合理可行的任务分配方案。依据图4，协同任务分配问题能够转化为网络流优化问题，无人机集群协同任务分配优化模型的表示式为，
目标函数：
Figure BDA0003916145250000191
约束函数：
Figure BDA0003916145250000192
Figure BDA0003916145250000193
Figure BDA0003916145250000194
Figure BDA0003916145250000195
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，
Figure BDA0003916145250000196
表示第i个无人机执行搜索任务的收益，
Figure BDA0003916145250000197
表示第i个无人机执行搜索任务的分配变量，
Figure BDA0003916145250000198
表示第i个无人机针对第j个目标执行任务k的收益，
Figure BDA0003916145250000199
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，
Figure BDA00039161452500001910
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。从上述模型可以看出，一架无人机只能分配一项任务，一个目标最多分配一架无人机，所有无人机都需分配任务。对无人机集群协同任务分配优化模型的各参数及最优目标函数值进行初始化。
S22，将上述无人机集群协同任务分配优化模型转换为线性整数规划问题，得到：
目标函数：maxJ＝Cx，
约束条件：Ax＝b，
其中，
Figure BDA0003916145250000201
b＝[11×n,01×m,n]T，
Figure BDA0003916145250000202
ei＝[01×(i-1),1,01×(m-i)]，
Figure BDA0003916145250000203
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；
S23，求解得到上述线性整数规划问题的松弛解，若该松弛解为整数解，则认为该松弛解是上述无人机集群协同任务分配优化模型的最优解，从而得到无人机集群的最优的协同任务分配方案，进入步骤S3；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。
S24，对得到的每个解空间中，分别求其松弛解：
S241，若当前的解空间中无松弛解，则对当前的解空间继续进行剪枝，返回步骤S23；若当前的解空间中有松弛解，则进入步骤S242；
S242，若求得的松弛解为整数解，则对当前的解空间进行剪枝，计算剪枝后的目标函数值，如果剪枝后的目标函数值更优，则更新最优目标函数值及其整数解，转入步骤S23；若求得的松弛解为非整数解，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，再转入步骤S23，若求得的松弛解为非整数解，且其目标函数值大于当前的最优目标函数值，则从松弛解中任选一个非整数分量对当前解空间进行分枝，再转入步骤S23。若当前的解空间无法分枝或已遍历完毕，则进入步骤S25；
S25，将得到的整数解作为该无人机集群协同任务分配优化模型的最优解，从而得到无人机集群的最优的协同任务分配方案。
S3，若步骤S2中得到的任务分配结果都是搜索任务，则令无人机集群直接按照该任务分配结果来执行；若步骤S2中得到的任务分配结果不都是搜索任务，则执行任务分配结果的非搜索任务中的路径长度最短的任务，并删除任务分配结果中的其他任务。
可见，本实施例所描述的基于集群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。本实施例通过构建优化模型，充分利用无人机对目标的执行效果信息和路径信息，实现了对无人机集群协同任务的高效分配，同时也提升了任务执行的效果。
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(RandomAccess 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-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 (9)

1.一种基于集群优化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，构建无人机集群协同任务分配优化模型；
S8，利用所述无人机集群协同任务分配优化模型，对所述无人机集群的未来任务信息进行处理，得到无人机集群的任务分配结果；
S9，对所述无人机集群的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，将所述非搜索任务中的任务路径长度最短的任务，作为最终的无人机集群协同任务分配结果；
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。
2.如权利要求1所述的基于集群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：
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所述的基于集群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，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2所述的基于集群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所述的基于集群优化的无人机集群协同任务分配方法，其特征在于，所述方法还包括，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，以及构建无人机集群协同任务分配优化模型之前，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所述的基于集群优化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，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。
7.如权利要求6所述的基于集群优化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。
8.如权利要求6所述的基于集群优化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表达式为：
目标函数：
Figure FDA0004125847830000051
约束函数：
Figure FDA0004125847830000052
Figure FDA0004125847830000061
Figure FDA0004125847830000062
Figure FDA0004125847830000063
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，
Figure FDA0004125847830000064
表示第i个无人机执行搜索任务的收益，
Figure FDA0004125847830000065
表示第i个无人机执行搜索任务的分配变量，
Figure FDA0004125847830000066
表示第i个无人机针对第j个目标执行任务k的收益，
Figure FDA0004125847830000067
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，
Figure FDA0004125847830000068
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。
9.如权利要求1所述的基于集群优化的无人机集群协同任务分配方法，其特征在于，所述利用所述无人机集群协同任务分配优化模型，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：maxJ＝Cx，
约束条件：Ax＝b，
其中，
Figure FDA0004125847830000069
b＝[11×n,01×m,n]T，
Figure FDA0004125847830000071
ei＝[01×(i-1),1,01×(m-i)]，
Figure FDA0004125847830000072
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，得到无人机集群的任务分配结果。
CN202211340207.4A 2022-10-29 2022-10-29 基于集群优化的无人机集群协同任务分配方法 Active CN115630513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211340207.4A CN115630513B (zh) 2022-10-29 2022-10-29 基于集群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
CN202211340207.4A CN115630513B (zh) 2022-10-29 2022-10-29 基于集群优化的无人机集群协同任务分配方法

Publications (2)

Publication Number Publication Date
CN115630513A CN115630513A (zh) 2023-01-20
CN115630513B true CN115630513B (zh) 2023-04-18

Family

ID=84908583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211340207.4A Active CN115630513B (zh) 2022-10-29 2022-10-29 基于集群优化的无人机集群协同任务分配方法

Country Status (1)

Country Link
CN (1) CN115630513B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021027265A1 (zh) * 2019-08-12 2021-02-18 南京邮电大学 计算无人机集群重新编队的最短编队距离的方法
KR102304408B1 (ko) * 2020-10-16 2021-09-23 한국항공우주연구원 군집 비행체의 비행 제어 방법 및 군집 비행체의 비행 제어 시스템

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020079702A1 (en) * 2018-10-18 2020-04-23 Telefonaktiebolaget Lm Ericsson (Publ) Formation flight of unmanned aerial vehicles
CN110889625B (zh) * 2019-11-25 2022-05-24 航天时代飞鸿技术有限公司 一种用于蜂群无人机系统的任务规划方法
CN111199360B (zh) * 2020-01-13 2023-05-05 西安电子科技大学 无人机任务分配规划方法
CN113608546B (zh) * 2021-07-12 2022-11-18 哈尔滨工程大学 量子海狮机制的无人机群任务分配方法
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
CN114442662B (zh) * 2022-01-05 2023-09-26 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021027265A1 (zh) * 2019-08-12 2021-02-18 南京邮电大学 计算无人机集群重新编队的最短编队距离的方法
KR102304408B1 (ko) * 2020-10-16 2021-09-23 한국항공우주연구원 군집 비행체의 비행 제어 방법 및 군집 비행체의 비행 제어 시스템

Also Published As

Publication number Publication date
CN115630513A (zh) 2023-01-20

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
Birattari et al. F-Race and iterated F-Race: An overview
Froelich et al. Evolutionary learning of fuzzy grey cognitive maps for the forecasting of multivariate, interval-valued time series
JP3088766B2 (ja) ハイアラーキー ニューラル ネットワークに用いる分類方法及びネットワーク
Belgrana et al. Network intrusion detection system using neural network and condensed nearest neighbors with selection of NSL-KDD influencing features
CN112800116B (zh) 一种业务数据的异常检测方法及装置
CN109523011B (zh) 一种面向多无人机协同探测的多传感器自适应管理方法
CN113825978B (zh) 用于定义路径的方法和设备、存储装置
CN110673951A (zh) 通用运行环境的拟态调度方法、系统及介质
CN113657814B (zh) 一种航空网络风险预测方法及风险等级评估方法
Pandey et al. Software bug prediction prototype using bayesian network classifier: A comprehensive model
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
WO2021137910A2 (en) Computer architecture for resource allocation for course of action activities
CN111159481B (zh) 图数据的边预测方法、装置及终端设备
CN115630514B (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
CN115034520B (zh) 风险预测方法、装置、设备及存储介质
CN116523158A (zh) 一种多无人机航迹规划方法、装置、设备及存储介质
Brookhouse et al. Discovering regression rules with ant colony optimization
CN114117079B (zh) 基于大数据分析拦截的拦截反馈处理方法及信息拦截系统
Rocha et al. Adaptive neuro-fuzzy black-box modeling based on instrumental variable evolving algorithm
CN115454146B (zh) 基于相对收益机制的无人机集群协同任务分配方法
US20220414283A1 (en) Predictive Modeling of Aircraft Dynamics
Babatunde et al. Comparative analysis of genetic algorithm and particle swam optimization: An application in precision agriculture
CN113963201B (zh) 骨骼动作识别方法、装置、电子设备及存储介质

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