CN115829230A - 一种异构无人机群协同攻击任务分配方法 - Google Patents

Abstract

本发明公开了一种异构无人机群协同攻击任务分配方法，针对存在障碍情况下的移动目标的无人机群协同攻击问题，建立了综合考虑飞行航程、时间窗口和攻击收益的多任务分配模型，并提出了TLVND‑LRS‑VNS‑PSO任务分配算法,在保证算法全局寻优能力的情况下提高收敛速度。在传统PSO迭代框架的基础上，结合针对移动目标的邻域搜索保证算法搜索精度，算法在保证寻找全局最优解的能力的同时，大幅度提高了算法收敛速度。

Description

一种异构无人机群协同攻击任务分配方法

技术领域

本发明涉及无人机系统技术领域，尤其涉及一种基于可变邻域下降和优化粒子群的异构无人机群协同攻击任务分配方法。

背景技术

无人机凭借其生存能力强、环境要求低等优点，非常适合执行恶劣、危险任务，广泛应用于军事领域，执行侦察巡视、对地攻击、毁伤评估等任务。面对着日渐多样化、复杂化、耦合化的任务需求，无人机单机作战执行任务的能力有限，未来空中作战更多为无人机集群作战，高效执行多种复合任务。而在信息化时代，立体化、大纵深的多维战场环境，如何综合运用已有作战资源形成合理的任务分配结果，充分发挥无人机群作战效能，迅速高效地执行任务。因此无人机群协同任务分配问题逐渐成为军事领域的研究热点。

多无人机协同任务分配问题是指在一定决策时间内为无人机群制定任务执行计划，以最小的系统综合获取最大任务效益，军事应用场景主要包括目标侦查、跟踪、打击、损伤评估等，其中协同打击场景需要考虑无人机武器装载能力、飞行性能、时间窗口、目标物类型等，所以可以将针对协同攻击场景的多无人机协同任务分配问题简化为考虑多种约束条件的复杂组合优化问题。

复杂组合优化问题从模型求解角度来说，很难找到最优解，同时问题求解的复杂性也会受待求解问题的规模的影响。无人机群协同任务预分配阶段，一些学者提出了一些算法来解决这类问题。主要的求解算法为集中式算法，包括遗传算法、粒子群算法、蚁群算法等。文献(张瑞鹏，冯彦翔，杨宜康.多无人机协同任务分配混合粒子群算法[J/OL].航空学报)中采用针对无人机群协同攻击任务场景，采用了可变邻域搜索-粒子群算法，以跳出局部收敛，但其任务场景中目标物为静止且无障碍物存在，且在通用场景中的全局搜索能力及收敛速度都有待提升。

而针对无人机群协同攻击任务场景，首先由于每架无人机的攻击能力、飞行性能不同，需要考虑无人机异构性；其次很少有研究会考虑目标物移动和威胁存在的情况，即使考虑也不是在任务分配阶段，多在任务分配后的航迹规划阶段；而现阶段的问题求解算法多基于PSO算法，其主体简单，且随着问题规模的增加，算法的收敛速度也会随之降低。

发明内容

本发明的目的是要提供一种基于可变邻域下降和优化粒子群的异构无人机群协同攻击任务分配方法。考虑了更贴近实际情况的移动目标和障碍物的存在，在保证了算法全局搜索能力的同时明显提高了收敛速度。

为达到上述目的，本发明是按照以下技术方案实施的：

本发明包括以下步骤：

S1：初始化无人机、攻击目标和障碍物的基本属性，根据无人机自身属性以及目标的攻击需求，建立异构无人机群协同攻击任务分配模型；

S2：初始化算法参数和种群：为初始化粒子群基本参数和根据任务规模确定单个粒子位数。需要设置种群规模、最大迭代次数、粒子维数、速度和位置的上下界、学习因子、惯性权值的上下界以及目标的基本信息，并根据任务规模确定单个粒子位数，随机生成每个粒子的初始位置和初始速度；

S3：解码粒子：将随机生成粒子，通过解码或TL-VND得到任务序列，计算其适应度值；

S4：邻域搜索：基于粒子适应值和局部搜索起始概率准则，对前N-1个粒子采用局部随机搜索-变邻域搜索，对第N个粒子采用寻找最佳邻域进行邻域搜索，检验粒子是否满足局部搜索起始准则，即粒子是否陷入局部最优，如果是，启动LRS-VNS或FBN，寻找更好的解跳出局部最优；

S5：更新粒子的位置和速度，寻找历史最优解和全局最优解；

S6：判断是否终止迭代，确定迭代是否超过最大迭代次数，如果是，则保存全局最优值和任务序列，否则转到步骤S2。

本发明的有益效果是：

本发明是一种异构无人机群协同攻击任务分配方法，与现有技术相比，本发明具有如下技术效果：

①首先建立了考虑移动目标和威胁的目标函数，在求解移动目标与无人机汇合点的数学模型中，提出了结合粒子群和二分法的避障算法，此数学模型更贴近真实战场情况，根据此数学模型所产生的分配结果更有效。

②针对移动目标，提出了一种筛选局部最优的局部随机搜索算法(LRS)，在启动局部搜索的同时，筛选局部最优移动目标物任务执行序列最优解。

③将优化粒子群算法与TL-VND算法相结合，即采用TL-VND算法根据目标函数有导向性的产生任务序列，将其作为群中的一个粒子，提高粒子群的多样性，同时提高算法收敛速度。

④与VNS-PSO算法、SATL-VND算法和TL-VND-PSO算法，本文方法收敛速度更快，并保持了搜索精度。

附图说明

图1是本发明具体实施例的主流程图；

图2是本发明中“死锁”现象的示意图；

图3是本发明中针对同一子任务序列的邻域结构的示意图；

图4是本发明中无人机与移动目标的相遇点示意图；

图5是本发明中子任务序列间的邻域结构的示意图；

图6是本发明中TLVND-LRS-VNS-PSO任务分配结果分布图(适应值＝60.89)；

图7是本发明中TLVND-LRS-VNS-PSO任务分配结果分布图(适应值＝115.58)；

图8是本发明中平均适应值曲线对比图(迭代次数T＝100)；

图9是本发明中平均适应值曲线对比图(迭代次数T＝800)。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

如图1所示：本发明公开了一种禁忌列表-可变邻域下降和优化粒子群的异构无人机群协同攻击任务分配方法，包括步骤：

S1.初始化无人机、攻击目标和障碍物的基本属性，无人机属性包括编号、基地位置、攻击成功率、最大执行任务数、速度；攻击目标属性包括编号、位置、攻击价值、攻击时间窗口、攻击时间、攻击所需无人机数、速度；障碍物属性包括圆形位置、半径。根据无人机自身属性以及目标的攻击需求，建立异构无人机群协同攻击任务分配模型：

其中(1)为目标函数，D是距离成本，TW是时间偏差成本，I是攻击奖励，a₁,a₂,a₃是距离成本、时间窗口偏差成本和攻击奖励的权重，x_ij是决策变量。为均衡考虑收益与代价的影响，令a₁＝a₂＝a₃＝1。(2)-(4)为约束条件，(3)规定多打击目标物T_j∈T_m需要Nu_j架不同的UAV共同攻击。(4)规定U_i攻击目标数不能超过

S2.初始化算法参数和种群：为初始化粒子群基本参数和根据任务规模确定单个粒子位数。需要设置种群规模、最大迭代次数、粒子维数、速度和位置的上下界、学习因子、惯性权值的上下界以及目标的基本信息，并根据任务规模确定单个粒子位数，随机生成每个粒子的初始位置和初始速度。

S3.解码粒子：将随机生成粒子，通过解码或TL-VND得到任务序列，计算其适应度值。

首先初步解码形成任务序列，采用修正重复任务策略修正不满足任务约束条件的任务序列，其次采用检索修正“死锁”现象策略修正存在因为多无人机同时攻击同一目标而造成的任务序列“死锁”现象的任务序列。使用解码策略生成N-1个任务序列，使用禁忌列表-可变邻域下降(TL-VND)算法生成第N个任务序列。计算符合约束条件的任务序列的适应值，计算过程中需要考虑无人机经过障碍物追逐移动目标的任务场景，采用一种结合二分法和PSO避障算法的相遇点求解方法。

S31.初步解码粒子形成任务序列：粒子初步解码基于粒子位置元素的整数部分和小数部分的大小。将相同整数部分的位置要素对应的任务分配给同一无人机。无人机执行任务的顺序对应于位置元素小数部分从大到小的顺序。

S32.修正重复任务策略：由于粒子的随机性，解码得到的解不一定满足约束条件，修正重复任务策略通过删除多打击任务序列再随机插入来得到满足约束条件的任务序列。

S33.检索修正“死锁”现象策略：修正算法得到的任务分配解可能会出现“死锁”，即不同无人机同时执行攻击任务时，存在循环等待现象，导致任务无法进一步执行。图2中的红框表示“死锁”现象。本发明将任务序列转换成有向图，若图中存在强联通分量，则存在“死锁”现象，将有向图中的强联通分量的任意一边反向，并循环检索直至不存在强联通分量。采用以上步骤解码前N-1个粒子。

S34.使用禁忌列表-可变邻域下降(TL-VND)算法生成第N个任务序列：在得到无人机i的任务分配方案Δ_i后，根据任务的位置和时间窗口，在单个无人机调度阶段采用TL-VND策略，形成新的任务序列Δ_i'。其中针对同一子任务序列，本发明构造了两种插入和交换邻域结构，如下图3所示。

①插入操作Π₁₁：选出已计划的任务序列中所有开始时间晚于已挑选出未计划任务的任务序号p，得到插入未计划任务的候选位置，并随机插入位置m，Δ_i'＝Π₁₁(Δ_i,p,m)。

②交换操作Π₁₂：选出已计划的任务序列中所有开始时间晚于已挑选出未计划任务的任务序号p，得到交换未计划任务和已计划任务的候选位置m，并随机确定位置，进行交换，Δ_i'＝Π₁₂(Δ_i,p,m)。

通过子任务序列内邻域搜索，得到调度方案，为避免一开始重复安排同一个任务，本发明采用禁忌列表记录之前被计划的任务。TL-VND算法步骤如下：

Step 1:挑选任务：任务被分为已规划任务和未规划任务。在进行邻域搜索前，我们需要根据距离远近从未计划任务中挑选出一个距离前一个任务最近的任务，若为第一个任务，则挑选一个距离无人机基地最近的任务。

Step 2:根据任务时间窗口确定插入位置。

Step 3:根据产生的随机数，选择邻域结构。

Step 4:进行邻域搜索，并更新禁忌列表、已计划任务集合和未计划任务集合。

Step 5:判断未计划任务集合是否为空，若为空，则结束；若不为空，转至Step 1。

S35.计算适应值：根据所建立的数学模型计算任务分配结果的适应值。考虑无人机经过障碍物追逐移动目标的任务场景，采用一种结合二分法和PSO避障算法的相遇点求解方法，相遇点示意图如图4所示。本发明假设移动目标的移动方向固定且速度已知，当目标处于运动状态时，目标位置不断变化，寻求最短的飞机避障路径可以大大缩短移动目标的不确定性引起的附加距离，同时节省燃料，缩短任务完成时间。所提出的方法的思想是先确定无人机与移动目标相遇时间的下界限，在此基础上暂定相遇点的位置，将其作为PSO避障算法的目标点，推算出无人机飞行距离与飞行时间，确定为无人机与移动目标相遇时间的上界限，再采用二分法不断逼近真实飞行时间与相遇点。

S4.邻域搜索：基于粒子适应值和局部搜索起始概率准则，对前N-1个粒子采用局部随机搜索-变邻域搜索(LRS-VNS)，对第N个粒子采用寻找最佳邻域(FBN)进行邻域搜索。检验粒子是否满足局部搜索起始准则，即粒子是否陷入局部最优。如果是，启动LRS-VNS或FBN，寻找更好的解跳出局部最优。

S41.局部搜索起始概率准则

S42.启动VNS：是在搜索过程中改变邻域结构集，从而拓展搜索范围，获得最优解。本方法采用3种邻域结构，修改粒子位置向量

寻找更好的邻域解，粒子k的新位置向量为

S43.启动LRS：启动LRS包括判断是否进行LRS、实行LRS。判断VNS产生的新粒子是否小于原粒子的适应值，若小于，启动LRS。针对移动目标的存在，移动目标的实时位置会对粒子适应值产生影响，所以本方法采用了一种局部随机搜索LRS最优策略，算法步骤如下：

Step 1判断变邻域搜索算法产生的新粒子适应值

是否小于原粒子

若不是，结束算法；

Step 2设置初始搜索次数和最大搜索次数；

Step 3判断是否小于最大搜索次数，若不是，结束算法；

Step 4在包含移动目标的任务序列中产生一个随机位置i，将移动目标移至位置i，搜索次数加1，计算随机搜索产生的新粒子的适应值

Step 5判断

是否小于

若是，粒子k”代替粒子k'，结束算法；若不是，转至Step 3。

S44.启动FBN：针对第N个粒子的任务序列Δ，本发明采用寻找最佳邻域(FBN)形成新的任务序列Δ'，当所有任务为已计划任务后，进行子任务序列之间的邻域搜索。针对子任务序列之间，本发明构造了转移和交换两种邻域结构，如下图5所示。

①转移操作Π₂₁：无人机i将它的任务序列转移给无人机j，Δ'＝Π₂₁(Δ,i,j)。

②交换操作Π₂₂：将无人机i₁的第j₁个任务与无人机i₂的第j₂个任务互相交换，Δ'＝Π₂₂(Δ,i₁,j₁,i₂,j₂)。

FBN算法步骤如下：

Step 1:设置初始搜索次数和最大搜索次数；

Step 2:判断是否小于最大搜索次数，若不是，结束算法；

Step 3:根据产生的随机概率的大小判断进行转移或交换操作；

Step 4:判断新粒子k'的适应值是否小于原粒子k，若是，粒子代替粒子，搜索次数置为1；若不是，搜索次数加1，并转至Step 2。

S5.更新粒子的位置和速度，寻找历史最优解和全局最优解。只根据粒子群(PSO)算法的更新机制更新前N-1个粒子的位置、速度和历史最优解，更新全局最优解时需要考虑第N个粒子。更新粒子速度和位置中改进学习因子，使得粒子更新前期由局部最优引导，后期由全局最优引导。第t代粒子k的速度位置迭代公式如下所示:

其中ω是惯性权重，Iter是当前迭代次数，Iter_max是最大迭代次数，

是当前粒子k的位置和速度，

Xg^t为历史最优位置和全局最优位置，

f_gb分别为粒子k，粒子k的历史最优，全局最优的适应值，c₁,c₂分别是历史最优和全局最优学习因子，反映了粒子间信息交换的程度，r₁,r₂为0-1之间的随机数。

S6.判断是否终止迭代。确定迭代是否超过最大迭代次数。如果是，则保存全局最优值和任务序列，否则转到步骤2。

实施例1

本实施例提供一种可变邻域下降和优化粒子群的异构无人机群协同攻击任务分配方法，包括初始化无人机、攻击目标和障碍物的基本属性，根据无人机自身属性以及目标的攻击需求，建立异构无人机群协同攻击任务分配模型；初始化算法参数和种群；解码粒子，并计算其适应度值；对陷入局部最优的粒子启动LRS-VNS或FBN，寻找更好的解；更新粒子的位置和速度，寻找历史最优解和全局最优解，重复迭代直至满足迭代结束条件，得到的全局最优解即为异构无人机群协同攻击任务分配目标函数的解。

本实施例设置5架无人机协同攻击20个地面目标，其中有2个圆形障碍物。无人机、目标物、障碍物的参数设置如表1、表2、表4所示。移动目标物的速度如表3所示。

表1无人机参数表

表2目标物参数表

表3移动目标物速度表

表4障碍物参数表

设置种群规模为20个、最大迭代次数为800、速度的上下界为[-5,5],位置的上下界为[1,6)、学习因子c₁＝c₂＝1.5、惯性权值的上下界为[0.4,0.8]，禁忌列表长度设置为2。由于目标物中有7个多打击任务，需要两架无人机攻击，所以单个粒子个数为13+7*2＝27，随机生成每个粒子的初始位置和初始速度。

为验证本发明所提的方法及其嵌套的避障算法的有效性，用本算法进行任务分配的结果如表5所示，其适应度为本算法所能搜索到的最小值。不同适应度下的任务分配结果示意图如图6、7所示。

表5任务分配结果

为验证本发明所提可变邻域下降和优化粒子群的异构无人机群协同攻击任务分配算法的寻优能力，将其与其他集中式算法VNS-PSO、SATL-VND和TL-VND-PSO进行了比较，为保证对比仿真实验的公平性，粒子种群个数和最大迭代次数与本发明中所提算法一致，每种算法单独运行20次，4种算法的平均适应度值曲线如图8和图9所示。

由于SATL-VND的迭代机制采用模拟退火算法，适应值不是一致性下降迭代次数不固定，计算SATL-VND的平均适应值时，若已经提前结束迭代，则将最终适应值作为其之后的适应值，且SATL-VND的最大迭代次数不超过100，所以将四种算法的适应值前100代单独列在图8，可以更清晰的看到四种算法在初始迭代阶段适应值的变化情况。

从图8、图9中可以看出，SATL-VND的最大迭代次数为80次，模拟退火的迭代机制决定了SATL-VND的最大迭代次数的限制性，使得算法提前结束搜索，产生的解决方案的平均适应值接近400，过大。从图9中可以看出，由于另外三种方法的迭代方式基于基本粒子群，他们的全局寻优能力相似，平均适应值曲线的最终值相近，但可以明显发现所提算法的收敛速度快于VNS-PSO和TL-VND-PSO，所提算法的平均适应值曲线收敛至适应值220以下仅需165代，VNS-PSO算法需要224代，TL-VND-PSO算法需要542代，VNS-PSO和TL-VND-PSO的迭代次数要比所提算法多35.76％和228.48％。TL-VND-PSO算法采用TL-VND根据影响适应值的因素有导向的生成任务序列，粒子的生成方式缺乏随机性，容易陷入局部最优，收敛速度较慢；VNS-PSO算法在PSO的框架上加入邻域搜索，提高算法的全局搜索能力，收敛速度次之；所提出的算法结合以上两种算法的优点，在采用随机粒子提高算法全局搜索的能力，又在每次迭代过程中加入有导向生成的任务序列，提高算法收敛速度。

为了证明所提算法能够在跳出局部收敛和计算开销之间取得平衡，我们进行了10次实验，统计了4种算法每次迭代的平均时间，对比实验结果如表6所示。

表6仿真结果对比

寻优能力方面，所提算法的寻优能力最强，所得最优解的适应值最低，VNS-PSO次之，这是因为所提算法不仅在每次迭代过程中加入有导向产生的粒子，同时针对移动目标加入局部搜索算法LRS；而VNS-PSO频繁收敛至3个解中，这几个解所对应的适应值为66.7、198.97、317.65，所以VNS-PSO仅具有一定的跳出局部最优的能力，但还有所欠缺；VNS-PSO、TL-VND-PSO、所提算法的平均适应值相差不远，SATL-VND的平均适应值与其他三个算法相差较多，首先是因为该算法产生的都是有导向的粒子，粒子种群多样性有所欠缺，适应值收敛较慢，同时由于SA迭代机制限制了算法的最大迭代次数，所以该算法的平均适应值较大。

时间效率方面，VNS-PSO每代迭代时间最短，所提算法与之相差不远，TL-VND-PSO的每次迭代时间则比所提算法高33.32％，SATL-VND则是所提算法的19.32倍。因为所提算法在VNS-PSO的基础上，在每次迭代过程中加入了有导向的粒子，会增加一定的计算时间成本，而TL-VND-PSO和SATL-VND产生任务序列的方式都是TL-VND，进行邻域搜索时需要不断计算适应值比较备选任务序列的优劣，计算成本会随之上升，而SATL-VND算法还包括了寻找最佳邻域，耗时更长。

综上所述，所提算法在不明显增加计算时间成本的情况下，显著提高了收敛速度，同时在收敛过程中集中于挖掘全局搜索空间，可以较好解决复杂评价体系下的存在威胁情况下的无人机群攻击移动目标的任务分配问题。

本发明针对存在障碍情况下的移动目标的无人机群协同攻击问题，建立了综合考虑飞行航程、时间窗口和攻击收益的多任务分配模型，并提出了TLVND-LRS-VNS-PSO任务分配算法,在保证算法全局寻优能力的情况下提高收敛速度。在传统PSO迭代框架的基础上，结合针对移动目标的邻域搜索保证算法搜索精度，同时加入TL-VND算法在每次迭代过程中加入有导向产生的粒子，保证算法收敛速度。通过数值实验结果可知，所提算法搜寻到的解的适应值最低，且其平均适应值曲线收敛至适应值220时，仅需165代，其他两种基于PSO迭代机制的算法VNS-PSO和TL-VND-PSO的迭代次数要比所提算法多35.76％和228.48％，验证了所提算法在保证寻找全局最优解的能力的同时，大幅度提高了算法收敛速度。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (8)

1.一种异构无人机群协同攻击任务分配方法，其特征在于，包括以下步骤：

S1：初始化无人机、攻击目标和障碍物的基本属性，根据无人机自身属性以及目标的攻击需求，建立异构无人机群协同攻击任务分配模型；

S2：初始化算法参数和种群：为初始化粒子群基本参数和根据任务规模确定单个粒子位数。需要设置种群规模、最大迭代次数、粒子维数、速度和位置的上下界、学习因子、惯性权值的上下界以及目标的基本信息，并根据任务规模确定单个粒子位数，随机生成每个粒子的初始位置和初始速度；

S3：解码粒子：将随机生成粒子，通过解码或TL-VND得到任务序列，计算其适应度值；

S4：邻域搜索：基于粒子适应值和局部搜索起始概率准则，对前N-1个粒子采用局部随机搜索-变邻域搜索，对第N个粒子采用寻找最佳邻域进行邻域搜索，检验粒子是否满足局部搜索起始准则，即粒子是否陷入局部最优，如果是，启动LRS-VNS或FBN，寻找更好的解跳出局部最优；

S5：更新粒子的位置和速度，寻找历史最优解和全局最优解；

S6：判断是否终止迭代，确定迭代是否超过最大迭代次数，如果是，则保存全局最优值和任务序列，否则转到步骤S2。

2.根据权利要求1所述的异构无人机群协同攻击任务分配方法，其特征在于：所述步骤S1中无人机属性包括编号、基地位置、攻击成功率、最大执行任务数、速度；攻击目标属性包括编号、位置、攻击价值、攻击时间窗口、攻击时间、攻击所需无人机数、速度；障碍物属性包括圆形位置、半径；异构无人机群协同攻击任务分配模型为：

其中(1)为目标函数，D是距离成本，TW是时间偏差成本，I是攻击奖励，a₁,a₂,a₃是距离成本、时间窗口偏差成本和攻击奖励的权重，x_ij是决策变量；为均衡考虑收益与代价的影响，令a₁＝a₂＝a₃＝1；(2)-(4)为约束条件，(3)规定多打击目标物T_j∈T_m需要Nu_j架不同的UAV共同攻击；(4)规定U_i攻击目标数不能超过

3.根据权利要求1所述的异构无人机群协同攻击任务分配方法，其特征在于：所述步骤S3具体为：

S31：初步解码粒子形成任务序列：粒子初步解码基于粒子位置元素的整数部分和小数部分的大小；将相同整数部分的位置要素对应的任务分配给同一无人机；无人机执行任务的顺序对应于位置元素小数部分从大到小的顺序；

S32：修正重复任务策略：由于粒子的随机性，解码得到的解不一定满足约束条件，修正重复任务策略通过删除多打击任务序列再随机插入来得到满足约束条件的任务序列；

S33：检索修正“死锁”现象策略：修正算法得到的任务分配解可能会出现“死锁”，即不同无人机同时执行攻击任务时，存在循环等待现象，导致任务无法进一步执行；将任务序列转换成有向图，若图中存在强联通分量，则存在“死锁”现象，将有向图中的强联通分量的任意一边反向，并循环检索直至不存在强联通分量；采用以上步骤解码前N-1个粒子；

S34.使用禁忌列表-可变邻域下降(TL-VND)算法生成第N个任务序列：在得到无人机i的任务分配方案Δ_i后，根据任务的位置和时间窗口，在单个无人机调度阶段采用TL-VND策略，形成新的任务序列Δ_i'；其中针对同一子任务序列，构造了两种插入和交换邻域结构；

插入操作Π₁₁：选出已计划的任务序列中所有开始时间晚于已挑选出未计划任务的任务序号p，得到插入未计划任务的候选位置，并随机插入位置m，Δ_i'＝Π₁₁(Δ_i,p,m)；

交换操作Π₁₂：选出已计划的任务序列中所有开始时间晚于已挑选出未计划任务的任务序号p，得到交换未计划任务和已计划任务的候选位置m，并随机确定位置，进行交换，Δ_i'＝Π₁₂(Δ_i,p,m)；

通过子任务序列内邻域搜索，得到调度方案，为避免一开始重复安排同一个任务，本发明采用禁忌列表记录之前被计划的任务；

S35：计算适应值：根据所建立的数学模型计算任务分配结果的适应值；设移动目标的移动方向固定且速度已知，当目标处于运动状态时，目标位置不断变化，寻求最短的飞机避障路径可以大大缩短移动目标的不确定性引起的附加距离，同时节省燃料，缩短任务完成时间。

4.根据权利要求3所述的异构无人机群协同攻击任务分配方法，其特征在于：所述步骤S34中TL-VND算法步骤如下：

Step1：挑选任务：任务被分为已规划任务和未规划任务，在进行邻域搜索前，需要根据距离远近从未计划任务中挑选出一个距离前一个任务最近的任务，若为第一个任务，则挑选一个距离无人机基地最近的任务；

Step2：根据任务时间窗口确定插入位置；

Step3：根据产生的随机数，选择邻域结构；

Step4：进行邻域搜索，并更新禁忌列表、已计划任务集合和未计划任务集合；

Step5：判断未计划任务集合是否为空，若为空，则结束；若不为空，转至Step1。

5.根据权利要求1所述的异构无人机群协同攻击任务分配方法，其特征在于：所述步骤S4具体包括以下步骤：

S41：局部搜索起始概率准则；

S42：启动VNS：是在搜索过程中改变邻域结构集，从而拓展搜索范围，获得最优解，采用3种邻域结构，修改粒子位置向量

寻找更好的邻域解，粒子k的新位置向量为

S43：启动LRS：启动LRS包括判断是否进行LRS、实行LRS；判断VNS产生的新粒子是否小于原粒子的适应值，若小于，启动LRS；

S44：启动FBN：针对第N个粒子的任务序列Δ，采用寻找最佳邻域(FBN)形成新的任务序列Δ'，当所有任务为已计划任务后，进行子任务序列之间的邻域搜索，针对子任务序列之间，构造了转移和交换两种邻域结构：

转移操作Π₂₁：无人机i将它的任务序列转移给无人机j，Δ'＝Π₂₁(Δ,i,j)。

交换操作Π₂₂：将无人机i₁的第j₁个任务与无人机i₂的第j₂个任务互相交换，Δ'＝Π₂₂(Δ,i₁,j₁,i₂,j₂)。

6.根据权利要求5所述的异构无人机群协同攻击任务分配方法，其特征在于：所述步骤S43中采用了一种局部随机搜索LRS最优策略，算法步骤如下：

Step1：判断变邻域搜索算法产生的新粒子适应值

是否小于原粒子

若不是，结束算法；

Step2：设置初始搜索次数和最大搜索次数；

Step3：判断是否小于最大搜索次数，若不是，结束算法；

Step4：在包含移动目标的任务序列中产生一个随机位置i，将移动目标移至位置i，搜索次数加1，计算随机搜索产生的新粒子的适应值

Step5：判断

是否小于

若是，粒子k”代替粒子k'，结束算法；若不是，转至Step3。

7.根据权利要求5所述的异构无人机群协同攻击任务分配方法，其特征在于：所述步骤S43中FBN算法步骤如下：

Step1：设置初始搜索次数和最大搜索次数；

Step2：判断是否小于最大搜索次数，若不是，结束算法；

Step3：根据产生的随机概率的大小判断进行转移或交换操作；

Step4：判断新粒子k'的适应值是否小于原粒子k，若是，粒子代替粒子，搜索次数置为1；若不是，搜索次数加1，并转至Step2。

8.根据权利要求1所述的异构无人机群协同攻击任务分配方法，其特征在于：所述步骤S5中具体为：只根据粒子群算法的更新机制更新前N-1个粒子的位置、速度和历史最优解，更新全局最优解时需要考虑第N个粒子；更新粒子速度和位置中改进学习因子，使得粒子更新前期由局部最优引导，后期由全局最优引导；第t代粒子k的速度位置迭代公式如下:

其中ω是惯性权重，Iter是当前迭代次数，Iter_max是最大迭代次数，

是当前粒子k的位置和速度，

Xg^t为历史最优位置和全局最优位置，

f_gb分别为粒子k，粒子k的历史最优，全局最优的适应值，c₁,c₂分别是历史最优和全局最优学习因子，反映了粒子间信息交换的程度，r₁,r₂为0-1之间的随机数。

Images