CN115826614A - 一种多无人机能源保障任务分配方法 - Google Patents

Abstract

本发明公开了一种多无人机能源保障任务分配方法，包括：多无人机任务分配勤务分析；建立无人机执行完所有被分配的任务所需的时间的目标函数；建立辅助目标函数，分别对目标函数和辅助目标函数使用遗传算法进行迭代优化；在进化过程中，使用交叉变异算子，并通过选择性交配产生子代，再通过选择性模仿评估子代种群，合并父代种群和子代种群后，按照合并种群的因子代价排序，重新确定因子等级，更新合并种群中每个个体的标量适应度和技能因子，最后通过精英策略对种群中的个体进行环境选择进入下一次迭代，直至满足进化停止条件；输出多无人机能源保障任务分配结果。本发明建立任务分配模型，并通过高效的算法求解，获取了有效的任务分配方案。

Description

一种多无人机能源保障任务分配方法

技术领域

本发明属于无人机技术领域，尤其涉及一种多无人机能源保障任务分配方法。

背景技术

高性能的单兵作战系统迫切需求高可靠的能源保障。近年来，为了解决战场环境下的电能保障问题，高校光伏发电、小型风力发电、燃料电池、电池储能等新型电能保障装备陆续装备部队，为部队在作战环境下就地收集能源、就地存储能源、就地转换能源提供了新的手段。单兵电源系统，包括多种形式的能源手机手段，例如：薄膜太阳能、可折叠小型风机、生物力学或者仿生学能源采集器等。

同时电池技术取得了显著进步，目前国内外推出了若干单兵电源产品，虽然随着电池技术的发展和进步电池能效虽然不断提高，但是仍然无法满足作战过程中的实际电源需求。从单兵作战装备发展趋势来看，各个军事强国大力发展作战能源保障，主要集中在开发新能源、研究新发电技术和便携式电池。但伴随战场新特性的凸显，单兵能源保障面临了重大挑战，主要有以下几个方面：保障手段单一；单兵能源类型较少；在用能源可靠性差。

能源在军事革命性变化中占据着先导地位，单兵能源保障手段的提升将会为未来战场上的单兵对抗带来巨大的回报。

以此为应用背景，本章开展多无人机配送电池提供战场单兵能源保障的研究。战时军事能源保障的首要任务是满足作战行动的能源需求。在环境恶劣、安全系数低、地面交通不便等条件下，能源支援保障装备的小型化、智能化是未来能源保障装备体系发展的必然趋势，将无人机用于军事能源保障不仅是保障手段的丰富，更是大大提升了保障效率。

同时，无人机集群协同作战作为一种全新的作战方式，在未来联合作战中必将发挥重要的作用。

通常，无人机编队由多种类型的无人机组成，它们携带不同的载荷和武器装备系统，平台性能也各有差异，因此各无人机在执行不同类型的任务时具备不同的任务执行能力。

目前国内小型无人机最典型的是多旋翼无人机，飞行速度可达50km/h，有效载荷可达20kg，非常适用于战时血液、弹药等急需的小型物资的应急保障，因此在单兵能源保障中采用该类型无人机配送电池来保障单兵作战系统的能源需求具备显著优势。主要表现在以下几个方面：

(1)无人机配送能够快速响应战场需求，实现精确高效保障

(2)配送成本低，应急能力强，能实现不间断作业

(3)约束条件少，适应高难任务，能实现零伤亡

(4)增强末端配送的抗毁性和鲁棒性

然而，目前军队关于无人机配送的研究理论和应用较少，而开展特殊条件下无人机配送对战时军队保障具有一定的意义。

发明内容

有鉴于此，本发明提出了一种多无人机能源保障任务分配方法，用无人机配送电池以解决当下战场单兵能源保障面临的挑战，设计战场无人机配送系统架构，从运作流程角度出发，建立无人机任务分配模型并用算法求解，快速响应单兵能源需求，提供保障方案。

本发明公开的多无人机能源保障任务分配方法，包括以下步骤：

多无人机任务分配勤务分析，用一个三元组{I，T，C}描述多无人机任务分配场景，I＝{I₁，I₂，...，I_m}为无人机的集合，表示战场中有m架无人机执行任务，T＝{T₁，T₂，...T_n}为任务集合，表示战场中有n个任务需要被执行，C表示场景中的约束条件；

建立无人机I_i执行完所有被分配的任务所需的时间的目标函数；

通过蒙特卡洛方法对所述目标函数模拟采样得到样本点，再通过高斯函数拟合所述样本点建立辅助目标函数，分别对目标函数和辅助目标函数使用遗传算法进行迭代优化；

根据设置的算法参数初始化种群，并计算该种群在每个迭代优化任务下的因子代价，即目标函数值；

按照因子代价升序排序之后对种群列表里的个体标记序列索引，即因子等级，当多个个体具有相同的因子代价时，采用random tie-breaking方法；

根据因子等级计算每个个体的标量适应度并确定该个体的技能因子；

在进化过程中，使用交叉变异算子，并通过选择性交配产生子代，再通过选择性模仿评估子代种群，合并父代种群和子代种群后，按照合并种群的因子代价排序，重新确定因子等级，更新合并种群中每个个体的标量适应度和技能因子，最后通过精英策略对种群中的个体进行环境选择进入下一次迭代，直至满足进化停止条件；

输出多无人机能源保障任务分配结果。

进一步的，所述无人机I_i执行完所有被分配的任务所需的时间如下：

用两个二维矩阵A和B表示任务分配方案，其中，矩阵A为自然数矩阵，矩阵A中的元素a_ij代表无人机I_i执行任务T_j的顺序，矩阵B为整数矩阵，矩阵B中的元素b_ij代表无人机I_i向任务点T_j支援保障的电池数量；

由矩阵A计算出每架无人机需要执行的任务总数，记为count_i；用

表示无人机I_i需要执行的任务序列，其中每个元素d_ik的值代表无人机I_i要执行的第k个任务为任务

F_i表示无人机I_i执行完所有被分配的任务所需的时间，包括行驶时间和交付时间，F_i的计算公式如下：

其中，

表示无人机I_i从仓库W到任务

的距离，

表示无人机I_i从任务

到任务

的距离，

表示无人机I_i从仓库W到任务

的距离，

为无人机I_i的交付时间，V_i为无人机I_i的飞行速度。

进一步的，存在以下约束条件：

无人机I_i在执行任务过程中的载重约束，即：

为无人机I_i的最大载重；

无人机在执行任务过程中满足航程限制约束，即：

S_i为无人机I_i的最远航程；

每个需求点的电源补给请求必须被满足，因此：

Q_j为任务点需求电池节数。

进一步的，建立如下目标优化模型的目标函数：

minimize maxmize(F_i)

在当前任务分配场景下，模型的目标为最小化任务完成的工期，即最后一架完成其任务序列的无人机所花费的时间，即最大完工时间，所述目标函数为：

进一步的，所述高斯函数定义如下：

其中，d是决策变量的个数，a和b是要估计的参数，x_i代表第i个变量，μ_i和σ_i是通过最小化高斯函数的估计值和样本实际值之间的误差而得到的；

为了通过高斯过程拟合出函数y＝f(x)，x∈R^d，对原函数采样得到n个采样点x＝(x¹，x²，...，xⁿ)∈R^d和其对应的观测值y＝(y¹，y²，...，yⁿ)，对于任意的两个采样点x_i，x_i′∈R^d，两者之间的相关性c定义为：

其中，1≤p_i≤2，用于衡量拟合函数的平滑性，θ_i≥0代表x_i对拟合函数f(x)的重要性，再通过最小化误差函数获取高斯函数的超参数值，误差函数定义如下：

其中，C是由c(x，x′)组成的一个n×n的矩阵，I是n×1的单位向量。

进一步的，采用整数编码的方式，将任务序号作为染色体基因；

单兵每次请求能源补给将发送需求量为30节电池的信息给控制中心，以延续接下来2天行动所需的电能，在某个任务点需求量为60代表在该位置有两名单兵发出了能源补给请求，将该任务分解为两个需求量为30的子任务，通过此方法将任务表中的所有任务拆解成多个需求量为30的子任务，每个任务点只能被访问一次。

进一步的，设置虚假任务进行补充，以保证每架无人机均被分配到多个任务点，并且便于进行后续遗传操作；虚假任务采用负整数进行编号，作为染色体基因。

进一步的，所述遗传算法的变异流程如下：首先，随机选取某个位置作为变异点a，该变异点的基因记为g1；其次，随机生成一个范围内的基因编码，记为g2；然后找到基因g2在染色体的位置作为变异点b；最后将变异点a的基因替换为g2，并将变异点b的基因替换为g1。

进一步的，采用抽取的技术进行目标函数简化，即随机筛选出k个成分，每个成分编号为[d₁，d₂，...，d_k]。

本发明的有益效果如下：

本发明开展了多无人机任务分配研究，选取了战场单兵能源保障场景，从实际应用的需求出发，建立任务分配模型，并通过高效的算法求解，获取了有效的任务分配方案。

附图说明

图1本发明的任务分配方法流程图；

图2任务分布地图；

图3个体的染色体基因编码示例图；

图4任务分配方案图；

图5本发明在多无人机任务分配中的收敛曲线。

具体实施方式

下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。

本发明中的无人机配送系统架构采用分层模式搭建，这种模式也称为多层体系架构模式，分层方式满足了“高内聚低耦合”的思想。

基于该系统设计思想，将无人机配送系统分解为三层：数据层、业务层和表示层，其中数据层包括数据的采集和存储，主要通过传感器、GPS、单兵通信模块等获取战场环境、单兵定位和需求信息，并将收集到的数据进行预处理并存储在数据库中；业务层为无人机任务分配系统，该系统包含任务分配模型，主要包括子模块—任务分配模块，核心求解算法为基于辅助目标的多因子进化算法，其中任务分配模块根据数据层获取到的需求生成任务分配方案；表示层为交互界面，由具有管理权限的决策者操作，可以查看相关信息和发布调度指令。

以上，业务层中的无人机任务分配是无人机配送系统的重要组成部分，主要是指在执行作战任务的整个过程中，在满足战术和技术指标、作战任务需求、平台和武器性能约束、无人机战术使用条件等的前提下，将不同位置、价值和威胁程度的目标合理地分配给类型、价值和战斗力各不相同的无人机，采用高效的任务分配算法为无人机确定任务执行方案，使得整体作战效能最大，代价最小。本发明研究多无人机任务分配，并基于辅助目标技术求解。

用一个三元组{I，T，C}描述多无人机任务分配场景，地图范围大小为100km*100km。其中I＝{I₁，I₂，...，I_m}为无人机的集合，表示战场中有m架无人机执行任务，集合中的每一个元素I_i(i＝1，2，...，m)包含无人机I_i的飞行速度V_i，位置

最远航程S_i，和无人机类型P_i，本场景下共有3种类型的无人机，记为P＝{1，2，3}，P_i∈P，P_i＝1代表无人机I_i为一型无人机，P_i＝2代表无人机I_i为二型无人机，P_i＝3代表无人机I_i为三型无人机，不同型号的无人机具有不同的载荷和启动成本，详细如表1所示；T＝{T₁，T₂，...T_n}为任务集合，表示战场中有n个任务需要被执行，集合中的每一个元素T_j{j＝1，2，...，n}包括每一个任务的位置

和任务点需求电池节数Q_j；C表示战场中的约束条件。

表1 异构无人机特性

随着战场环境日益复杂，作战任务日益多样，无人机单独执行任务的可能性越来越小，实战中一般将多架无人机组成编队协同执行作战任务。多无人机任务分配问题是一个复杂约束优化问题，该问题的解空间随着无人机数量和任务数量的增加呈指数级增加，因此该问题是一个复杂的多参数、多约束的非线性连续优化问题，求解过程复杂，需要较大的计算代价和时间代价。

多无人机任务分配勤务分析

某步兵连队作战单位在执行某为期7天的任务期间派出1个排共30名单兵，每名单兵在出发时携带了30节电池，30节电池在单兵作战系统满载运行条件下最多可满足2天的能源需求。执行任务期间，单兵可通过卫星设备随时向指挥中心提交能源补给需求，指挥中心可根据GPS定位系统和通信系统获取单兵的实时位置和能源需求信息，然后通过无人机配送电池提供能源补给。

已知，该作战单位共配备了10架一型无人机提供电能保障，10架无人机初始时均停放在仓库里，在二维平面内，仓库位置在地图上的坐标定义为原点(0,0)。假设某时刻，指挥中心收到能源补给请求，需求信息见表2，指挥中心需要立刻根据请求信息快速派遣所有无人机出动进行能源补给，目标是在最短时间内完成单兵能源补充。

表2任务描述

根据上述数据可以画出该时刻任务分布地图，见图3。

此外，在以上所描述的无人机任务分配场景中，还存在以下前提条件：

单架无人机在同一时刻只能执行一个独立任务；

无人机在飞行过程中速度恒定，不考虑起飞和降落时的加速度，不考虑载重影响；

无人机状态良好，在执行任务过程中不会产生故障；

采用集中控制方式，无人机之间无通信，仅与控制中心交流；

各架无人机的指令由控制中心的决策人员监控和管理；

所有无人机初始均停放在仓库，不考虑停放时的间隙误差，均为坐标原点；

本发明解决如何对10架无人机进行任务分配的问题使得可以在最短的时间完成所有的任务。

多无人机任务分配模型建立

协同多任务分配模型(Cooperative Multiple Task Assignment Problem，CMTAP)主要用于解决多无人机协同执行多任务的分配问题，为本领域的现有技术，在无人机任务分配领域得到了关注并不断优化和改进。本发明在CMTAP模型基础上突通过任务拆解简化问题，并引入资源限制约束，限制了无人机的数量和航程，以最快完成任务为目标。

目标函数设置：

表示无人机I_i到任务T_j之间的距离，

表示任务T_j到任务T_j′之间的距离，则无人机I_i从仓库W到任务T_j的距离为

本发明用两个二维矩阵A和B表示任务分配方案，其中，矩阵A为自然数矩阵，矩阵A中的元素a_ij代表无人机I_i执行任务T_j的顺序，如果a_ij为0则代表无人机I_i不执行任务T_j。矩阵B为整数矩阵，矩阵B中的元素b_ij代表无人机I_i向任务点T_j支援保障的电池数量，很显然，如果a_ij＝0，那么b_ij一定为0。

由矩阵A可以计算出每架无人机需要执行的任务总数，记为count_i。用

表示无人机I_i需要执行的任务序列，其中每个元素d_ik的值代表无人机I_i要执行的第k个任务为任务

F_i表示无人机I_i执行完所有被分配的任务所需的时间，包括行驶时间和交付时间,F_i的计算公式如下。

由于无人机载荷具有重量限制，每架无人机可携带的电池重量有限，因此，无人机I_i在执行任务过程中需要满足载重约束，即：

同时，无人机由于自身续航问题，可飞行距离有限，因为在执行任务过程中需要满足航程限制约束，即：

根据任务要求，每个需求点的电源补给请求必须被满足，因此：

综上，根据问题描述和目标条件，本发明建立如下单目标优化模型：

minimize maxmize(F_i)

在当前任务分配场景下，模型的目标为最小化任务完成的工期，即最后一架完成其任务序列的无人机所花费的时间，即最大完工时间。将本发明中任务分配模型的辅助目标设计为最小化所有无人机执行任务的时间总和，即：

因此，在接下来的求解过程中，将原目标和辅助目标作为两个相关的任务，利用多任务优化框架，通过连续智能优化算法求解。

常用于优化的代理模型有高斯过程、多项式回归、径向基函数等。其中，高斯过程由于其全局性和平滑性常被选择用于建立代理模型，本发明选择高斯过程进行辅助目标的设计的原因如下：

(1)高斯过程已被证实有效且理论合理，与其他代理模型相比更简单，超参数更少；

(2)高斯过程的计算复杂度为O(N_itS^3d)，其中N_it是迭代次数，S是采样点数，d是变量数目；

(3)在优化过程中，我们仅仅关注全局最优解所在的位置，高斯过程可以平滑原函数的形状，忽略局部最优解的位置。

在数学上，高斯函数定义如下：

其中，d是决策变量的个数，a和b是要估计的参数，x_i代表第i个变量，μ_i和σ_i是通过最小化高斯函数的估计值和样本实际值之间的误差而得到的。为了通过高斯过程拟合出函数y＝f(x)，x∈R^d，要对原函数采样得到n个采样点x＝(x¹，x²，...，xⁿ)∈R^d和其对应的观测值y＝(y¹，y²，...，yⁿ)，对于任意的两个采样点x，x′∈R^d，两者之间的相关性c定义为：

其中，1≤p_i≤2，用于衡量拟合函数的平滑性，θ_i≥0代表x_i对拟合函数f(x)的重要性，再通过最小化误差函数获取高斯函数的超参数值，误差函数定义如下：

其中，C是由c(x，x′)组成的一个n×n的矩阵，I是n×1的单位向量。

本发明基于代理模型的思想简化原目标函数，通过蒙特卡洛模拟采样得到样本点，通过高斯拟合构造出一个和原函数类似但更为简单的函数，将该函数作为辅助目标。

染色体编码解码方法

本发明中采用整数编码的方式，将任务序号作为染色体基因。

为了简化求解模型，设计易于进化的编码方案，需要对本场景中的任务进行进一步分解。单兵每次请求能源补给将发送需求量为30节电池的信息给控制中心，以延续接下来2天行动所需的电能，在某个任务点需求量为60代表在该位置有两名单兵发出了能源补给请求，如表3中的任务T₃，我们将该任务分解为两个需求量为30的子任务，通过此方法将任务表中的所有任务拆解成多个需求量为30的子任务，每个任务点只能被访问一次。

表3任务分解表

将原始任务拆解后共有23项任务，由于具有10架无人机，每架无人机最多可保障3个任务点，可同时保障30个单兵的能源补给请求，因此染色体的长度为30。并且起始时假设每架无人机均满载出发，如此可在求解过程中不考虑载重约束，最后再根据执行的任务点数量确定无人机实际携带的载荷数。

值得注意的是，需要设置虚假任务进行补充，以保证每架无人机均被分配到3个任务点，并且便于进行后续遗传操作。虚假任务采用负整数进行编号，作为染色体基因。基因编码和任务的映射表如表4：

表4基因编码和任务的映射表

个体的染色体基因编码示例如图3所示。

解码时将上述完整的染色体平均分成10段，按次序拆分，每段是一个包含3个基因的染色体片段，代表单架无人机要执行的任务序列。如果该任务序列中存在1个负数，则代表该无人机仅执行除去负数之外的2个任务；如果存在2个负数，则代表该无人机仅执行1个任务；如果3个都为负数，则代表该无人机不参与此次能源保障任务。

约束处理方法：为了满足无人机最大航程约束，采用ε惩罚法，如果无人机的飞行距离超过其最大航程，则给该无人机的适应度加上惩罚值ε。

遗传算子：采用OX交叉算子和单点变异的方式进行遗传操作产生后代。

OX交叉算子如下：

在本发明中，由于order crossover(OX算子)的简便性且不需要进行冲突检测，被选为MFDE-ho算法进化过程中的交叉算子。OX算子的交叉过程如下：

首先选择两个父代记为p₁和p₂，进行父代的编码，然后随机选择交叉的起始位置分别记为s和e，然后保留起始位置间的基因。最后找到不同于保留片段的其他基因，将不相同的基因按照另一个父代的顺序依次填到自己对应子代的空位上去，生成新的子代。

单点变异具体的流程如下：首先，随机选取某个位置作为变异点a，该变异点的基因记为g1；其次，随机生成一个范围内的基因编码，记为g2；然后找到基因g2在染色体的位置作为变异点b；最后将变异点a的基因替换为g2，并将变异点b的基因替换为g1。

任务分配方案

通过蒙特卡洛方法对所述目标函数模拟采样得到样本点，再通过高斯函数拟合所述样本点建立辅助目标函数，分别对目标函数和辅助目标函数使用遗传算法进行迭代优化；

根据设置的算法参数初始化种群，并计算该种群在每个迭代优化任务下的因子代价，即目标函数值；

按照因子代价升序排序之后对种群列表里的个体标记序列索引，即因子等级，当多个个体具有相同的因子代价时，采用random tie-breaking方法(本领域的现有技术，参考非专利文献“Random Tie-breaking with Stochastic Dominance”)；

根据因子等级计算每个个体的标量适应度并确定该个体的技能因子；

在进化过程中，使用交叉变异算子，并通过选择性交配产生子代，再通过选择性模仿评估子代种群，合并父代种群和子代种群后，按照合并种群的因子代价排序，重新确定因子等级，更新合并种群中每个个体的标量适应度和技能因子，最后通过精英策略对种群中的个体进行环境选择进入下一次迭代，直至满足进化停止条件；

输出多无人机能源保障任务分配结果，得到如图4所示的分配结果。

该方案对应的染色体编码序列为：[12,0,17,23,22,21,2,11,20,3,0,6,0,18,5,8,9,10,7,16,0,13,14,0,4,19,0,1,0,15]，解码后具体任务分配方案如下：无人机I₁执行12、17号任务，无人机I₂执行23、22、21号任务(即仅执行任务T₁₅)，无人机I₃执行2、11、20号任务，无人机I₄执行3、6号任务，无人机I₅执行18、5号任务；无人机I₆执行8、9、10号任务，无人机I₇执行7、16号任务，无人机I₈执行13、14号任务(即仅执行任务T₉)，无人机I₉执行4、19号任务，无人机I₁₀执行1、15号任务。

与此同时，我们描绘了算法运行过程中的收敛曲线，见图5。

显然，可以得出，h-MFEA算法在本应用中具有良好的收敛性，并且可以在短时间内收敛到最优结果。

本发明的有益效果如下：

本发明开展了多无人机任务分配研究，选取了战场单兵能源保障场景，从实际应用的需求出发，建立任务分配模型，并通过高效的算法求解，获取了有效的任务分配方案。

本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。

而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。

本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的存储方法。

综上所述，上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种多无人机能源保障任务分配方法，其特征在于，包括以下步骤：

多无人机任务分配勤务分析，用一个三元组{I，T，C}描述多无人机任务分配场景，I＝{I₁，I₂，...，I_m}为无人机的集合，表示战场中有m架无人机执行任务，T＝{T₁，T₂，...T_n}为任务集合，表示战场中有n个任务需要被执行，C表示场景中的约束条件；

建立无人机I_i执行完所有被分配的任务所需的时间的目标函数；

通过蒙特卡洛方法对所述目标函数模拟采样得到样本点，再通过高斯函数拟合所述样本点建立辅助目标函数，分别对目标函数和辅助目标函数使用遗传算法进行迭代优化；

根据设置的算法参数初始化种群，并计算该种群在每个迭代优化任务下的因子代价，即目标函数值；

按照因子代价升序排序之后对种群列表里的个体标记序列索引，即因子等级，当多个个体具有相同的因子代价时，采用random tie-breaking方法；

根据因子等级计算每个个体的标量适应度并确定该个体的技能因子；

在进化过程中，使用交叉变异算子，并通过选择性交配产生子代，再通过选择性模仿评估子代种群，合并父代种群和子代种群后，按照合并种群的因子代价排序，重新确定因子等级，更新合并种群中每个个体的标量适应度和技能因子，最后通过精英策略对种群中的个体进行环境选择进入下一次迭代，直至满足进化停止条件；

输出多无人机能源保障任务分配结果。

2.根据权利要求1所述的多无人机能源保障任务分配方法，其特征在于，所述无人机I_i执行完所有被分配的任务所需的时间如下：

用两个二维矩阵A和B表示任务分配方案，其中，矩阵A为自然数矩阵，矩阵A中的元素a_ij代表无人机I_i执行任务T_j的顺序，矩阵B为整数矩阵，矩阵B中的元素b_ij代表无人机I_i向任务点T_j支援保障的电池数量；

由矩阵A计算出每架无人机需要执行的任务总数，记为count_i；用

表示无人机I_i需要执行的任务序列，其中每个元素d_ik的值代表无人机I_i要执行的第k个任务为任务

F_i表示无人机I_i执行完所有被分配的任务所需的时间，包括行驶时间和交付时间，F_i的计算公式如下：

其中，

表示无人机I_i从仓库W到任务

的距离，

表示无人机I_i从任务

到任务

的距离，

表示无人机I_i从仓库W到任务

的距离，

为无人机I_i的交付时间，V_i为无人机I_i的飞行速度。

3.根据权利要求2所述的多无人机能源保障任务分配方法，其特征在于，存在以下约束条件：

无人机I_i在执行任务过程中的载重约束，即：

为无人机I_i的最大载重；

无人机在执行任务过程中满足航程限制约束，即：

S_i为无人机I_i的最远航程；

每个需求点的电源补给请求必须被满足，因此：

Q_j为任务点需求电池节数。

4.根据权利要求3所述的多无人机能源保障任务分配方法，其特征在于，建立如下目标优化模型的目标函数：

minimize maxmize(F_i)

在当前任务分配场景下，模型的目标为最小化任务完成的工期，即最后一架完成其任务序列的无人机所花费的时间，即最大完工时间，所述目标函数为：

5.根据权利要求4所述的多无人机能源保障任务分配方法，其特征在于，所述高斯函数定义如下：

其中，d是决策变量的个数，a和b是要估计的参数，x_i代表第i个变量，μ_i和σ_i是通过最小化高斯函数的估计值和样本实际值之间的误差而得到的；

为了通过高斯过程拟合出函数y＝f(x)，x∈R^d，对原函数采样得到n个采样点x＝(x¹，x²，...，xⁿ)∈R^d和其对应的观测值y＝(y¹，y²，...，yⁿ)，对于任意的两个采样点x_i，x_i′∈R^d，两者之间的相关性c定义为：

其中，1≤p_i≤2，用于衡量拟合函数的平滑性，θ_i≥0代表x_i对拟合函数f(x)的重要性，再通过最小化误差函数获取高斯函数的超参数值，误差函数定义如下：

其中，C是由c(x，x′)组成的一个n×n的矩阵，I是n×1的单位向量。

6.根据权利要求5所述的多无人机能源保障任务分配方法，其特征在于，采用整数编码的方式，将任务序号作为染色体基因；

单兵每次请求能源补给将发送需求量为30节电池的信息给控制中心，以延续接下来2天行动所需的电能，在某个任务点需求量为60代表在该任务点有两名单兵发出了能源补给请求，将该任务分解为两个需求量为30的子任务，通过此方法将任务表中的所有任务拆解成多个需求量为30的子任务，每个任务点只能被访问一次。

7.根据权利要求6所述的多无人机能源保障任务分配方法，其特征在于，设置虚假任务进行补充，以保证每架无人机均被分配到多个任务点，并且便于进行后续遗传操作；虚假任务采用负整数进行编号，作为染色体基因。

8.根据权利要求7所述的多无人机能源保障任务分配方法，其特征在于，所述遗传算法的变异流程如下：首先，随机选取某个位置作为变异点a，该变异点的基因记为g1；其次，随机生成一个范围内的基因编码，记为g2；然后找到基因g2在染色体的位置作为变异点b；最后将变异点a的基因替换为g2，并将变异点b的基因替换为g1。

9.根据权利要求8所述的多无人机能源保障任务分配方法，其特征在于，采用抽取的技术进行目标函数简化，即随机筛选出k个成分。

Images