CN115657710A - 一种多目标量子北极熊机制的异构无人机大规模任务分配方法 - Google Patents
一种多目标量子北极熊机制的异构无人机大规模任务分配方法 Download PDFInfo
- Publication number
- CN115657710A CN115657710A CN202211220690.2A CN202211220690A CN115657710A CN 115657710 A CN115657710 A CN 115657710A CN 202211220690 A CN202211220690 A CN 202211220690A CN 115657710 A CN115657710 A CN 115657710A
- Authority
- CN
- China
- Prior art keywords
- quantum
- polar bear
- bear
- target
- quantum polar
- 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
-
- 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
本发明提供一种多目标量子北极熊机制的异构无人机大规模任务分配方法,以任务执行效率作为目标函数,使用量子北极熊方法优化目标函数,克服了以往优化方法易陷入局部收敛的问题。同时,设计了量子北极熊编码机制,实现了量子北极熊的位置与任务分配方案之间的映射。本发明针对无人机对大规模地面目标的难题,设计了量子北极熊机制对多架无人机进行任务分配,以任务执行效率作为目标函数,并考虑了多个约束条件,使任务分配问题更贴切实际。
Description
技术领域
本发明涉及一种多目标量子北极熊机制的异构无人机大规模作业任务分配方法,属于无人机作业领域。
背景技术
无人机(Unmanned Aerial Vehicle,UAV)是一种有动力、可控制、能够执行多种类型任务的无人驾驶飞行器。其具有造价低廉、机动灵活、部署便捷、续航力长等优点,现已在广泛应用于农业领域、搜救领域、环境监测等领域。
多无人机协同任务分配是指在多个特定约束条件下,以实现目标函数最优为目的,对多架无人机分配任务,从而确定最优任务分配方案。无人机集群任务分配有多种任务分配方式。按照无人机执行任务分配的控制方式,又可以分为集中式控制、分布式控制和分层分布式控制。本发明采用集中式控制方法执行多无人机的任务分配。
根据已有文献发现,王峰等在《计算机学报》(2021,44(10):1967-1983)上发表的“基于协同进化的混合变量多目标粒子群优化算法求解无人机协同多任务分配问题”中,针对无人机协同多任务分配问题,提出一种基于协同进化的混合变量多目标粒子群优化方法,以总航程最少和任务完成时间最短为优化目标,构建了混合变量多约束的无人机协同多任务分配问题模型。通过实验仿真证明,该方法在收敛性能上优于其他方法。然而,该方法中无人机打击的军事目标数量过少,不足以证明该方法的优越性,而且提出的多目标粒子群优化方法存在易陷入局部收敛的弊端。
综上所述,上述文献在多无人机的任务上做出一定的贡献,但是无人机打击目标的数量过少。因此本发明设计了一种多目标量子北极熊机制的异构无人机大规模任务分配方法,以任务执行效率作为目标函数,使用量子北极熊方法优化目标函数,克服了以往优化方法易陷入局部收敛的问题。同时,设计了量子北极熊编码机制,实现了量子北极熊的位置与任务分配方案之间的映射。
发明内容
本发明针对无人机对大规模地面目标的难题,设计了量子北极熊机制对多架无人机进行任务分配,以任务执行效率作为目标函数,并考虑了多个约束条件,使任务分配问题更贴切实际。
本发明的目的是这样实现的:步骤一,建立异构无人机对大规模地面目标模型。
假设有N架无人机要攻击地面目标,无人机的集合定义为U={U1,U2,…,UN},其中,无人机Un的属性集合为Un={vn,wn,ln},n=1,2,…,N,vn表示无人机Un的速度,wn表示无人机Un携带的弹药量,ln表示无人机Un所在的基地位置。设这些无人机要攻击M个地面目标,地面目标的集合定义为T={T1,T2,…,TM},其中,地面目标Tm的属性集合为 m=1,2,…,M,sm表示地面目标Tm的任务价值,表示地面目标Tm的位置,为攻击地面目标Tm需要的时间。
由上可知,有N架无人机要攻击M个地面目标,则任务分配矩阵为 X={xn,m|xn,m∈{0,1}}N×M,其中,xn,m=1表示无人机Un攻击地面目标Tm,xn,m=0表示无人机 Un不攻击地面目标Tm,n=1,2,…,N,m=1,2,…,M。
最小值联合优化模型如下:min[f1(X),f2(X)]。f1(X)是无人机攻击地面目标获得总价值的倒数,其中,表示任务约束惩罚函数,|·|为绝对值函数,表示武器约束函数。α1,α2表示惩罚函数权值因子。
f2(X)是无人机从基地起飞到返回基地花费的最大时间,也表示模型的结束时间,n=1,2,…,N,α3,α4表示惩罚函数权值因子,为无人机Un从基地起飞到返回基地花费的时间。假设无人机Un按照顺序依次执行任务 T1,T2,…,Tη,则其中,d0,1为无人机Un的基地位置ln与地面目标T1位置之间的距离,d1,2为地面目标T1位置与地面目标T2位置之间的距离,dη-1,η为地面目标Tη-1位置与地面目标Tη位置之间的距离。
步骤二,初始量子北极熊的量子位置并设定参数。
设置种群规模为K1,最大迭代次数为K2。在初始种群中,随机初始量子北极熊的量子位置,第i只量子北极熊的第1代初始量子位置为h=1,2,…,S, i=1,2,3,…,K1。其中S是量子位置向量的最大维数,所有量子位置的任一维都是[0,1]之间的随机数,量子北极熊的位置可通过量子位置映射得到。第k次迭代中第i只量子北极熊的量子位置为i=1,2,3,…,K1,k∈{1,2,…,K2}。则可以映射得到第k次迭代中第i只量子北极熊的位置为其中,i=1,2,…,K1,k∈{1,2,…,K2},表示第i只量子北极熊位置的第h维变量,为搜索空间第h维位置向量的上界,为搜索空间第h维位置向量的下界。
步骤三,计算量子北极熊位置的适应度函数值。
本发明设计了量子北极熊编码方法,实现了量子北极熊的位置向量与任务分配矩阵之间的映射。设N架无人机要攻击M个地面目标,则种群中量子北极熊的搜索维数S=M,第i只量子北极熊的位置为i=1,2,3,…,K1,h=1,2,…,S。包括整数部分和小数部分,整数部分代表无人机编号序列,将小数部分升序排列,排序之后的顺序代表无人机攻击的目标编号。附图2是以N=5,M=9为示例描述了量子北极熊的位置与任务分配矩阵之间的映射关系。
将第k次迭代第i只量子北极熊的位置映射为任务分配矩阵代入到本发明建立的模型中,得到第k次迭代第i只量子北极熊的适应度函数值t=1,2,i=1,2,…,K1。其中,t=1时表示目标函数无人机攻击地面目标获得总价值的倒数,t=2时表示目标函数模型结束时间。
步骤四,根据所有量子北极熊位置的适应度函数值进行非支配解排序。
本发明建立的模型中,属于最小值优化问题。因此,存在两个标号为i1和i2的量子北极熊位置分别为和如果所有适应度函数都满足且至少有一个适应度函数则量子北极熊位置支配量子北极熊位置为非支配解。反之,如果所有适应度函数都满足且至少有一个适应度函数则量子北极熊支配量子北极熊为非支配解。如果没有上述关系,则这两个量子北极熊没有支配关系。
遍历量子北极熊种群中每只量子北极熊i=1,2,3,…,K1,得到支配第i只量子北极熊位置的量子北极熊数目和被支配的量子北极熊位置集合然后统计所有量子北极熊位置的被支配数目,如果i=1,2,3,…,K1,则说明没有量子北极熊位置支配的非支配等级为1;如果则的非支配等级为2;以此类推,每只量子北极熊位置的非支配等级为被支配数目加1。最后将所有量子北极熊按照非支配等级升序排序。
步骤五,计算所有非支配等级中量子北极熊位置的拥挤度。
假设非支配等级为λ的量子北极熊集中有b只量子北极熊,根据第t个适应度函数值,进行升序排列,t=1,2,为排序后第量子北极熊的第t个适应度函数值, Ft max为该量子北极熊集中第t个适应度函数的最大值,Ft min为该量子北极熊集中第t个适应度函数的最小值,则第只量子北极熊中第t个适应度函数的拥挤度 (且),当或者时,则第只量子北极熊的总拥挤度值为最后对b只量子北极熊按照拥挤度降序排列。
步骤六,使用海豹捕捉策略更新量子北极熊的量子位置。
在捕猎过程中,量子北极熊在北极冰面上漫步着探寻潜在的猎物,此时它不仅观察冰面上的情况,水下的情况也在它的视野监视之下。为了发现猎物,量子北极熊悄悄地向最佳地点移动。一旦量子北极熊基本到达攻击位置或者它被海豹发现,他就以最大速度攻击猎物。量子北极熊都有自己的搜索半径,他们在自己的搜索半径中搜索猎物。第k次迭代第i只量子北极熊的第h维搜索半径为i=1,2,3,…,K1,h=1,2,…,S,为[0,0.3]之间的随机数。在海豹捕捉策略中第次迭代第i只量子北极熊的第h维量子旋转角为i=1,2,3,…,K1,h=1,2,…,S,为[0,π]之间的随机数。
利用量子旋转门更新海豹捕捉策略中第i只量子北极熊的第h维量子位置:h=1,2,…,S,i=2,3,…,K1。通过量子位置映射得到位置然后计算的适应度函数值t=1,2,并分类讨论,如果支配则保持结果不变;否则,令具体如下:
步骤七,使用浮冰漂移策略更新量子北极熊的量子位置。
如果一只饥饿的量子北极熊在它最近邻范围内找不到任何食物,那么它就站上一个大而稳定的浮冰,浮冰在很长一段时间内不会因为量子北极熊体重太大而破裂。量子北极熊利用浮冰尽可能向有海豹的聚集地漂移。在浮冰漂移策略中第i只量子北极熊的第h维量子旋转角为i=2,3,…,K1,为[0,1]之间的随机数,为[0,φi]之间的随机数,其中,φi为所有量子北极熊与第i只量子北极熊的欧式距离总和,其中,
步骤八,使用种群繁衍和灭绝策略更新量子北极熊的量子位置。
在量子北极熊种群中,量子北极熊可能会因为没有捕捉到猎物而饿死,或者成功捕猎后繁衍后代,这个更新策略模拟了北极的严酷条件。在步骤四中,对量子北极熊非支配解排序后,如果量子北极熊种群存在3个以上非支配等级,这时最后一个非支配等级中的所有量子北极熊饿死,然后非支配等级为1的量子北极熊繁衍出的后代取而代之。如果量子北极熊种群中只存在2个或者1个非支配等级,则量子北极熊不进行种群繁衍和灭绝策略。
假设量子北极熊种群存在3个以上非支配等级,且非支配等级为1的量子北极熊集中有b 只量子北极熊,最后一个非支配等级中有b1只量子北极熊。第j只量子北极熊新量子位置的第h维变量为其中,j=1,2,…,b1,且ε在[1,b]之间随机取值。
步骤九,判断是否达到量子北极熊的最大迭代次数K2,是则终止迭代,将非支配等级为 1的量子北极熊位置映射为任务分配矩阵并输出;否则令k=k+1,继续执行步骤四。
与现有技术相比,本发明的有益效果是:
(1)现有技术中,无人机和地面目标设置的数量相对较少。而本发明设计的异构无人机大规模任务分配方法,扩大了多无人机对地面目标打击的规模,增加了仿真难度,未来研究中可拓展到无人机群协同模型。
(2)本发明建立的模型属于多目标优化问题,这是现有技术较少研究的,相比于以往的单目标多无人机协同问题,极大地增加了仿真难度。模型中建立的目标函数,在优化一个目标函数时,另一个目标函数往往会变差,这符合现实生活中,不能片面考虑问题的思路,因此本发明具有现实研究意义。
(3)本发明设计了多目标量子北极熊机制方法,设计了量子编码的北极熊量子位置演化机制,得到一种新的量子北极熊机制方法,克服了过去方法容易陷入局部收敛的弊端,也提升了演化机制的寻优速率。并且使用了非支配解排序方法和拥挤度计算法对种群进行排序,最终可以得到均匀的Pareto前端解。
附图说明
图1为本发明设计的基于量子北极熊机制的异构无人机大规模任务分配方法示意图。
图2是以N=5,M=9为示例描述了量子北极熊的位置与任务分配矩阵之间的映射关系。
图3为MOQPBO、MOQKH和MONGO方法得到的非支配解对比图。
图4为MOQPBO、MOQKH和MONGO方法得到的非支配解对比图。
图5为MOQPBO、MOQKH和MONGO方法得到的非支配解对比图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
步骤一,建立异构无人机对大规模地面目标模型。
假设有N架无人机要攻击地面目标,无人机的集合定义为U={U1,U2,…,UN},其中,无人机Un的属性集合为Un={vn,wn,ln},n=1,2,…,N,vn表示无人机Un的速度,wn表示无人机Un携带的弹药量,ln表示无人机Un所在的基地位置。设这些无人机要攻击M个地面目标,地面目标的集合定义为T={T1,T2,…,TM},其中,地面目标Tm的属性集合为 m=1,2,…,M,sm表示地面目标Tm的任务价值,表示地面目标Tm的位置,为攻击地面目标Tm需要的时间。
由上可知,有N架无人机要攻击M个地面目标,则任务分配矩阵为X={xn,m|xn,m∈{0,1}}N×M,其中,xn,m=1表示无人机Un攻击地面目标Tm,xn,m=0表示无人机 Un不攻击地面目标Tm,n=1,2,…,N,m=1,2,…,M。
最小值联合优化模型如下:min[f1(X),f2(X)]。f1(X)是无人机攻击地面目标获得总价值的倒数,其中,表示任务约束惩罚函数,|·|为绝对值函数,表示武器约束函数。α1,α2表示惩罚函数权值因子。
f2(X)是无人机从基地起飞到返回基地花费的最大时间,也表示模型的结束时间,n=1,2,…,N,α3,α4表示惩罚函数权值因子,为无人机Un从基地起飞到返回基地花费的时间。假设无人机Un按照顺序依次执行任务其中,d0,1为无人机Un的基地位置ln与地面目标T1位置之间的距离,d1,2为地面目标T1位置与地面目标T2位置之间的距离, dη-1,η为地面目标Tη-1位置与地面目标Tη位置之间的距离。
步骤二,初始量子北极熊的量子位置并设定参数。
设置种群规模为K1,最大迭代次数为K2。在初始种群中,随机初始量子北极熊的量子位置,第i只量子北极熊的第1代初始量子位置为h=1,2,…,S, i=1,2,3,…,K1。其中S是量子位置向量的最大维数,所有量子位置的任一维都是[0,1]之间的随机数,量子北极熊的位置可通过量子位置映射得到。第k次迭代中第i只量子北极熊的量子位置为i=1,2,3,…,K1,k∈{1,2,…,K2}。则可以映射得到第k次迭代中第i只量子北极熊的位置为其中,i=1,2,…,K1,k∈{1,2,…,K2},表示第i只量子北极熊位置的第h维变量,为搜索空间第h维位置向量的上界,为搜索空间第h维位置向量的下界。
步骤三,计算量子北极熊位置的适应度函数值。
本发明设计了量子北极熊编码方法,实现了量子北极熊的位置向量与任务分配矩阵之间的映射。设N架无人机要攻击M个地面目标,则种群中量子北极熊的搜索维数S=M,第i只量子北极熊的位置为i=1,2,3,…,K1,h=1,2,…,S。包括整数部分和小数部分,整数部分代表无人机编号序列,将小数部分升序排列,排序之后的顺序代表无人机攻击的目标编号。附图2是以N=5,M=9为示例描述了量子北极熊的位置与任务分配矩阵之间的映射关系。
将第k次迭代第i只量子北极熊的位置映射为任务分配矩阵代入到本发明建立的模型中,得到第k次迭代第i只量子北极熊的适应度函数值t=1,2,i=1,2,…,K1。其中,t=1时表示目标函数无人机攻击地面目标获得总价值的倒数,t=2时表示目标函数模型结束时间。
步骤四,根据所有量子北极熊位置的适应度函数值进行非支配解排序。
本发明建立的模型中,属于最小值优化问题。因此,存在两个标号为i1和i2的量子北极熊位置分别为和如果所有适应度函数都满足且至少有一个适应度函数则量子北极熊位置支配量子北极熊位置为非支配解。反之,如果所有适应度函数都满足且至少有一个适应度函数则量子北极熊支配量子北极熊为非支配解。如果没有上述关系,则这两个量子北极熊没有支配关系。
遍历量子北极熊种群中每只量子北极熊i=1,2,3,…,K1,得到支配第i只量子北极熊位置的量子北极熊数目和被支配的量子北极熊位置集合然后统计所有量子北极熊位置的被支配数目,如果i=1,2,3,…,K1,则说明没有量子北极熊位置支配的非支配等级为1;如果则的非支配等级为2;以此类推,每只量子北极熊位置的非支配等级为被支配数目加1。最后将所有量子北极熊按照非支配等级升序排序。
步骤五,计算所有非支配等级中量子北极熊位置的拥挤度。
假设非支配等级为λ的量子北极熊集中有b只量子北极熊,根据第t个适应度函数值,进行升序排列,t=1,2,为排序后第量子北极熊的第t个适应度函数值, Ft max为该量子北极熊集中第t个适应度函数的最大值,Ft min为该量子北极熊集中第t个适应度函数的最小值,则第只量子北极熊中第t个适应度函数的拥挤度 (且),当或者时,则第只量子北极熊的总拥挤度值为最后对b只量子北极熊按照拥挤度降序排列。
步骤六,使用海豹捕捉策略更新量子北极熊的量子位置。
在捕猎过程中,量子北极熊在北极冰面上漫步着探寻潜在的猎物,此时它不仅观察冰面上的情况,水下的情况也在它的视野监视之下。为了发现猎物,量子北极熊悄悄地向最佳地点移动。一旦量子北极熊基本到达攻击位置或者它被海豹发现,他就以最大速度攻击猎物。量子北极熊都有自己的搜索半径,他们在自己的搜索半径中搜索猎物。第k次迭代第i只量子北极熊的第h维搜索半径为i=1,2,3,…,K1,h=1,2,…,S,为[0,0.3]之间的随机数。在海豹捕捉策略中第次迭代第i只量子北极熊的第h维量子旋转角为i=1,2,3,…,K1,h=1,2,…,S,为[0,π]之间的随机数。
利用量子旋转门更新海豹捕捉策略中第i只量子北极熊的第h维量子位置:h=1,2,…,S,i=2,3,…,K1。通过量子位置映射得到位置然后计算的适应度函数值t=1,2,并分类讨论,如果支配则保持结果不变;否则,令具体如下:
步骤七,使用浮冰漂移策略更新量子北极熊的量子位置。
如果一只饥饿的量子北极熊在它最近邻范围内找不到任何食物,那么它就站上一个大而稳定的浮冰,浮冰在很长一段时间内不会因为量子北极熊体重太大而破裂。量子北极熊利用浮冰尽可能向有海豹的聚集地漂移。在浮冰漂移策略中第i只量子北极熊的第h维量子旋转角为i=2,3,…,K1,为[0,1]之间的随机数,为[0,φi]之间的随机数,其中,φi为所有量子北极熊与第i只量子北极熊的欧式距离总和,其中,
步骤八,使用种群繁衍和灭绝策略更新量子北极熊的量子位置。
在量子北极熊种群中,量子北极熊可能会因为没有捕捉到猎物而饿死,或者成功捕猎后繁衍后代,这个更新策略模拟了北极的严酷条件。在步骤四中,对量子北极熊非支配解排序后,如果量子北极熊种群存在3个以上非支配等级,这时最后一个非支配等级中的所有量子北极熊饿死,然后非支配等级为1的量子北极熊繁衍出的后代取而代之。如果量子北极熊种群中只存在2个或者1个非支配等级,则量子北极熊不进行种群繁衍和灭绝策略。
假设量子北极熊种群存在3个以上非支配等级,且非支配等级为1的量子北极熊集中有b 只量子北极熊,最后一个非支配等级中有b1只量子北极熊。第j只量子北极熊新量子位置的第h维变量为其中,j=1,2,…,b1,且ε在[1,b]之间随机取值。
步骤九,判断是否达到量子北极熊的最大迭代次数K2,是则终止迭代,将非支配等级为 1的量子北极熊位置映射为任务分配矩阵并输出;否则令k=k+1,继续执行步骤四。
将多目标量子北极熊优化方法记为MOQPBO,多目标量子磷虾方法记为MOQKH,多目标北极熊优化方法记为MONGO。为了验证基于多目标量子北极熊机制的异构无人机大规模任务分配方法的性能,本发明进行了三组仿真实验测试。设置种群规模为K1=100,最大迭代次数K2=500,α1=1,α2=1,α3=20,α4=5。表1给出了5个基地位置。
表1基地位置
表2给出了无人机的属性集合。
表2无人机的属性集合
表3给出了目标信息
表3目标信息
在第一组实验中,N=4架无人机执行M=9个地面目标任务。无人机的属性信息为表2 中U1~U4,地面目标的属性信息为表3中T1~T9。图3是MOQPBO方法、MOQKH方法以及MONGO方法得到的非支配解对比图。从图中可以看到,MOQPBO方法产生的最优解可以支配MOQKH方法和MONGO方法产生的最优解,且最优解的数量明显多于其他两种方法。 MOQPBO方法的部分非支配解对应的任务分配方案如表4所示。
表4Pareto前端中部分个体对应的任务分配方案
在第二组实验中,N=12架无人机执行M=30个地面目标任务。无人机的属性信息为表2 中U1~U12,地面目标的属性信息为表3中T1~T30。图4是MOQPBO方法、MOQKH方法以及MONGO方法得到的非支配解对比图。从图中可以看到,MOQPBO方法产生的最优解可以支配MOQKH方法和MONGO方法产生的最优解,且最优解的数量明显多于其他两种方法。 MOQPBO方法的部分非支配解对应的任务分配方案如表5所示。
表5Pareto前端中部分个体对应的任务分配方案
在第三组实验中,N=15架无人机执行M=55个地面目标任务。无人机的属性信息为表2 中U1~U15,地面目标的属性信息为表3中T1~T55。图3是MOQPBO方法、MOQKH方法以及MONGO方法得到的非支配解对比图。从图中可以看到,MOQPBO方法产生的最优解可以支配MOQKH方法和MONGO方法产生的最优解,且最优解的数量明显多于其他两种方法。 MOQPBO方法的部分非支配解对应的任务分配方案如表6所示。
表6Pareto前端中部分个体对应的任务分配方案
Claims (8)
1.一种多目标量子北极熊机制的异构无人机大规模任务分配方法,其特征在于,步骤如下:
步骤一:建立异构无人机对大规模地面目标模型;
步骤二,初始量子北极熊的量子位置并设定参数;
步骤三,计算量子北极熊位置的适应度函数值;
步骤四,根据所有量子北极熊位置的适应度函数值进行非支配解排序;
步骤五,计算所有非支配等级中量子北极熊位置的拥挤度;
步骤六,使用海豹捕捉策略更新量子北极熊的量子位置;
步骤七,使用浮冰漂移策略更新量子北极熊的量子位置;
步骤八,使用种群繁衍和灭绝策略更新量子北极熊的量子位置,设量子北极熊种群存在3个以上非支配等级,且非支配等级为1的量子北极熊集中有b只量子北极熊,最后一个非支配等级中有b1只量子北极熊;第j只量子北极熊新量子位置的第h维变量为其中,j=1,2,…,b1,且ε在[1,b]之间随机取值;
步骤九,判断是否达到量子北极熊的最大迭代次数K2,是则终止迭代,将非支配等级为1的量子北极熊位置映射为任务分配矩阵并输出;否则令k=k+1,继续执行步骤四。
2.根据权利要求1所述的一种多目标量子北极熊机制的异构无人机大规模任务分配方法,其特征在于,步骤一具体包括:有N架无人机要攻击地面目标,无人机的集合定义为U={U1,U2,…,UN},其中,无人机Un的属性集合为Un={vn,wn,ln},n=1,2,…,N,vn表示无人机Un的速度,wn表示无人机Un携带的弹药量,ln表示无人机Un所在的基地位置;无人机要攻击M个地面目标,地面目标的集合定义为T={T1,T2,…,TM},其中,地面目标Tm的属性集合为sm表示地面目标Tm的任务价值,表示地面目标Tm的位置,为攻击地面目标Tm需要的时间;有N架无人机要攻击M个地面目标,则任务分配矩阵为X={xn,m|xn,m∈{0,1}}N×M,其中,xn,m=1表示无人机Un攻击地面目标Tm,xn,m=0表示无人机Un不攻击地面目标Tm,n=1,2,…,N,m=1,2,…,M;
5.根据权利要求1所述的一种多目标量子北极熊机制的异构无人机大规模任务分配方法,其特征在于,步骤四具体包括:存在两个标号为i1和i2的量子北极熊位置分别为和如果所有适应度函数都满足且至少有一个适应度函数则量子北极熊位置支配量子北极熊位置为非支配解;如果所有适应度函数都满足 且至少有一个适应度函数则量子北极熊支配量子北极熊为非支配解;如果没有上述关系,则这两个量子北极熊没有支配关系;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220690.2A CN115657710A (zh) | 2022-10-07 | 2022-10-07 | 一种多目标量子北极熊机制的异构无人机大规模任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220690.2A CN115657710A (zh) | 2022-10-07 | 2022-10-07 | 一种多目标量子北极熊机制的异构无人机大规模任务分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115657710A true CN115657710A (zh) | 2023-01-31 |
Family
ID=84985734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211220690.2A Pending CN115657710A (zh) | 2022-10-07 | 2022-10-07 | 一种多目标量子北极熊机制的异构无人机大规模任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115657710A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797423A (zh) * | 2023-08-23 | 2023-09-22 | 湖南强智科技发展有限公司 | 一种基于全局优化的高校自动快速排课方法与系统 |
-
2022
- 2022-10-07 CN CN202211220690.2A patent/CN115657710A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797423A (zh) * | 2023-08-23 | 2023-09-22 | 湖南强智科技发展有限公司 | 一种基于全局优化的高校自动快速排课方法与系统 |
CN116797423B (zh) * | 2023-08-23 | 2023-11-14 | 湖南强智科技发展有限公司 | 一种基于全局优化的高校自动快速排课方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105302153B (zh) | 异构多无人机协同察打任务的规划方法 | |
CN103744290B (zh) | 一种多无人机编队分层目标分配方法 | |
CN114442662B (zh) | 基于改进狼群优化算法的无人机集群协同对地打击方法 | |
CN111722643B (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
CN108549402B (zh) | 基于量子乌鸦群搜索机制的无人机群任务分配方法 | |
CN113741508B (zh) | 基于改进狼群算法的无人机任务分配方法 | |
CN108171315B (zh) | 基于smc粒子群算法的多无人机任务分配方法 | |
CN103425840A (zh) | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 | |
CN111553469B (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
CN107832885A (zh) | 一种基于自适应迁移策略bbo算法的舰艇编队火力分配方法 | |
CN115657710A (zh) | 一种多目标量子北极熊机制的异构无人机大规模任务分配方法 | |
CN111626500A (zh) | 一种基于改进人工蜂群算法的路径规划方法 | |
CN106991442A (zh) | 混合蛙跳算法的自适应核k‑means方法与系统 | |
CN112230675A (zh) | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 | |
CN113031650B (zh) | 一种不确定环境下的无人机集群协同目标分配设计方法 | |
CN113033970A (zh) | 一种针对大规模任务的auv集群分层分配方法 | |
CN113759927A (zh) | 基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法 | |
CN113836803A (zh) | 基于改进狼群算法的无人机群资源调度方法 | |
CN113887919A (zh) | 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 | |
CN113485409A (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 | |
CN116307591A (zh) | 一种基于amocs-pt的跨流域调水工程优化调度方法 | |
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 | |
CN110766125A (zh) | 一种基于人工鱼群算法的多目标武器——目标分配方法 | |
CN116540738A (zh) | 基于运动约束改进蚁群算法的移动机器人路径规划方法 | |
CN112926825B (zh) | 基于多目标量子磷虾群机制的多无人机任务分配方法 |
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 |