CN115933633A - 基于量子绸鱼优化机制的机船协同任务分配方法 - Google Patents
基于量子绸鱼优化机制的机船协同任务分配方法 Download PDFInfo
- Publication number
- CN115933633A CN115933633A CN202211218920.1A CN202211218920A CN115933633A CN 115933633 A CN115933633 A CN 115933633A CN 202211218920 A CN202211218920 A CN 202211218920A CN 115933633 A CN115933633 A CN 115933633A
- Authority
- CN
- China
- Prior art keywords
- quantum
- silk
- ship
- fish
- navigation mark
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000007246 mechanism Effects 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 241000251468 Actinopterygii Species 0.000 claims abstract description 88
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000013507 mapping Methods 0.000 claims description 29
- 229940011871 estrogen Drugs 0.000 claims description 20
- 239000000262 estrogen Substances 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 8
- 239000002096 quantum dot Substances 0.000 claims description 6
- 230000009182 swimming Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims 1
- 238000004220 aggregation Methods 0.000 claims 1
- 238000003825 pressing Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000001174 ascending effect Effects 0.000 description 4
- 238000001727 in vivo Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005339 levitation Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
Landscapes
- Navigation (AREA)
Abstract
本发明提供一种基于量子绸鱼优化机制的机船协同任务分配方法,以某片海域及相应空域内全部目标的地理位置为先验知识,使用模糊C均值聚类方法来智能获取平台各既定航标。平台搭载多架无人机和无人船向既定航标航行,在既定航标处暂缓航行,考虑多种约束条件并基于量子绸鱼优化机制,多架搭载无人机升空协同对若干空域目标执行既定任务后归航,多艘无人船下海协同对若干海域目标执行既定任务后归航,平台向下一既定航标航行直至到达目的地。仿真实验证明了基于量子绸鱼优化机制的机船协同任务分配方法的有效性,可应用于工程实际。
Description
技术领域
本发明涉及一种基于量子绸鱼优化机制的机船协同任务分配方法,属于无人机与无人船协同控制领域。
背景技术
机船协同是将可移动性控制平台作为无人机与无人船的升降和后勤平台,将搭载无人机与无人船作为可移动性控制平台的辅助侦察、打击、追踪或评估手段,在保证无人机与无人船的作业和生存能力的同时,通过三种平台的高度协作以实现机船协同作业效能的最大化。在某片海域及相应空域内存有若干目标,平台搭载多架无人机与无人船从起始位置航行,当其航行至既定航标处暂缓航行,多架搭载无人机升空协同对空域目标执行既定任务,多艘无人船下海协同对海域目标执行既定任务,当所有搭载无人机与无人船返航后,平台向下一既定航标处航行,直至到达目的位置。机船协同包含多机协同和多船协同,仍需考虑任务时间、任务时序、机船性能、航路可行和多机/多船协同五项基本约束。
近年来,已有学者对机船协同任务分配方法进行了一定的研究。马华伟等(马华伟,朱益民,胡笑旋.基于粒子群算法的无人机舰机协同任务规划[J].系统工程与电子技术,2016,38(07):1583-1588.)以多机协同为研究背景,构建多机协同任务分配模型及相应代价函数,最后使用自适应粒子群算法求解各既定航标处的多机协同任务分配方案,值得注意的是,该模型中的全部既定航标需预先设定,而非智能获取。鹿丰玲(鲁丰玲.基于蚁群算法的无人机舰机协同任务规划[J].舰船科学技术,2019,41(18):67-69.)同样以多机协同为研究背景,主要解决搭载无人机返航过程中的路径寻优问题。王树朋等(王树朋,徐旺,刘湘德,邓小龙.基于自适应遗传算法的多无人机协同任务分配[J].电子信息对抗技术,2021,36(01):59-64.)使用自适应遗传算法求解多无人机协同任务分配方案。周菁(周菁.多无人船协同海战中的目标分配算法研究[J].现代导航,2021,12(03):210-212.)使用经典匈牙利算法求解多无人船协同打击时的目标分配方案。已有文献的检索结果表明,现与机船协同任务分配相关的研究成果相对较少,而与多无人机或多无人船协同任务分配相关的研究成果相对较多。此外,现有的多机协同和多船协同方法中所使用的群智能优化算法仍然存在着收敛速度慢、收敛精度差和易于陷入局部极值等问题。
发明内容
针对现有方法的缺点和不足,本发明设计了一种基于量子绸鱼优化机制的机船协同任务分配方法。以某片海域及相应空域内全部目标的地理位置为先验知识,使用模糊C均值聚类方法来智能获取平台各既定航标。平台搭载多架无人机和无人船向既定航标航行,在既定航标处暂缓航行,考虑多种约束条件并基于量子绸鱼优化机制,多架搭载无人机升空协同对若干空域目标执行既定任务后归航,多艘无人船下海协同对若干海域目标执行既定任务后归航,平台向下一既定航标航行直至到达目的地。
本发明的目的是这样实现的:步骤一:建立机船协同任务分配模型。
设定平台的属性集合其中,为平台起始位置,为平台目的位置,且满足即平台始终保持在海平面上航行,Nuav和Nuuv分别为搭载无人机和无人船数量,Muav和Muuv分别为空域和海域目标数量,Kuav和Kuuv分别为空域和海域任务数量。设定搭载无人机n′的属性集合其中,为搭载无人机n′的航行速度,为搭载无人机n′的任务载荷,n′=1,2,...,Nuav;设定搭载无人船的属性集合其中,为搭载无人船的航行速度,为搭载无人船的任务载荷,设定空域目标m′的属性集合其中,为空域目标m′的地理位置,且满足m′=1,2,...,Muav;设定海域目标的属性集合其中,为海域目标的地理位置,且满足 设定空域任务k′的属性集合其中,为空域任务k′被搭载无人机执行所需固定时间,由搭载无人机性能硬性决定,为空域任务时间间隔限制,k′=1,2,...,Kuav;设定海域任务的属性集合其中,为海域任务被搭载无人船执行所需固定时间,由搭载无人船性能硬性决定,为海域任务时间间隔限制,
步骤二:基于模糊C均值聚类方法智能获取海平面全部既定航标。
(2)初始化模糊C均值聚类方法并设定参数。设定最大迭代次数为P,迭代次数标号为整数p,迭代收敛因子为λfcm。第p次迭代时,聚类中心φ的位置目标对聚类中心φ的隶属度且满足隶属约束φ=1,2,...,Mbea,p=1,2,...,P。初次迭代时p=1,各聚类中心初始位置在作业区域内随机生成,各初始隶属度在隶属约束下随机生成。
(3)定义并计算模糊C均值聚类方法目标函数。目标函数可以表示为υ∈[1,+∞),其中,υ为模糊因子,为第p次迭代时目标与聚类中心φ的欧式距离。需注意,在计算某空域或海域目标与聚类中心的欧式距离时,所使用的是目标向海平面投影后的位置。
(5)更新聚类中心。定义聚类中心φ的位置更新公式为
(7)获取海平面全部既定航标。首先,用数值0填充各聚类中心位置的第3维度以构成海平面航标位置;其次,按位置第1维度升序排序和第2维度升序排序两种方式编排航标编号,并计算两种编排方式下平台从起始位置到目的位置的总航程;最后,按总航程最小原则确定航标编排方式,定义航标τ的位置
步骤三:平台搭载多架无人机和无人船从起始位置向既定航标处航行。
步骤四:构建此既定航标处的多机和多船协同任务分配代价函数。
定义既定航标τ处的多机协同任务分配代价函数定义既定航标τ处的多船协同任务分配代价函数其中,为航标τ处多机协同任务分配矩阵,为航标τ处多船协同任务分配矩阵,为整数域,和分别为多机和多船协同任务分配矩阵的第k′和第列矩阵,和分别为航标τ处搭载无人机n′和搭载无人船的作业时间,和分别为航标τ处空域任务k′和海域任务在空域目标m′τ和海域目标处的执行时间,λt和λc分别为任务时间和任务载荷约束惩罚因子。为数值修正函数,数值非负时不修正,数值为负时修正为0;Γn′(·)和为矩阵元素个数提取函数,且分别满足元素值为n′和根据多机或多船协同任务分配矩阵和各搭载无人机或无人船的属性可确定搭载无人机或无人船的作业时间,具体步骤如下。为简略表示,只给出多机协同的情况,多船协同同理可得。
(1)规定空域任务按照编号由1到Kuav的顺序依次被搭载无人机协同执行,初始时k′=1;初始化航标τ处搭载无人机n′的初位置标识末位置标识航行时间滞留时间执行空域任务时间作业时间初始化航标τ处空域目标m′τ的受制时间初始化航标τ处空域任务k′在空域目标m′τ处的执行时间
(2)规定搭载无人机按照编号由1到Nuav的顺序依次执行当前空域任务k′,初始时n′=1。
(3)判断是否满足n′≤Nuav。若满足,则继续执行;否则,则转至第(7)步。
(4)判断该搭载无人机n′是否需要执行当前空域任务k′,即判断是否满足若满足,则初始化该搭载无人机n′对于当前空域任务k′的执行次数继续执行;否则,更新搭载无人机编号,令n′=n′+1,返回第(3)步。
(5)令该搭载无人机n′的末位置标识令该搭载无人机n′的航行更新时间令该搭载无人机n′的滞留更新时间令该搭载无人机n′的执行空域任务更新时间令该搭载无人机n′的作业更新时间令该搭载无人机n′的初位置标识令该搭载无人机n′的相应空域目标受制时间令当前空域任务k′在相应空域目标处的执行时间其中,为矩阵元素行值提取函数,且满足元素值为n′,元素按行第次出现;d(·)为矢量间欧式距离。
(6)判断该搭载无人机n′是否执行完当前全部空域任务,即判断是否满足若满足,则更新搭载无人机编号,令n′=n′+1, 返回第(3)步;否则,更新该搭载无人机n′对于当前空域任务k′的执行次数,令返回第(5)步。
(7)全部搭载无人机返航判断,即判断是否满足k′=Kuav。若满足,则全部搭载无人机返航,令搭载无人机n′的航行更新时间令搭载无人机n′的作业更新时间n′=1,2,...,Nuav;否则,更新空域任务编号,令k′=k′+1,返回第(2)步。
步骤五:初始化量子绸鱼群并设定参数。
设定量子绸鱼群规模为h,绸鱼群可分为单条雄性和多条雌性,最大迭代次数迭代次数标号第g次迭代时,第i条量子绸鱼在u维搜索空间中的量子位置其量子位置的第j维量子比特j=1,2,...,u,g=1,2,...,G。应用量子绸鱼优化机制求解航标τ处多机协同任务分配矩阵时令u=M′τKuav,求解多船协同任务分配矩阵时令初代时g=1,初代量子绸鱼量子位置的每一维量子比特均初始化为[0,1]区间内的均匀随机数。
步骤六:定义并计算量子绸鱼体内的雌激素水平。
第g次迭代时,将全部量子绸鱼量子位置的每一维映射到离散解空间范围内,得到量子绸鱼量子位置的映射态映射方程定义为其中,ceil(·)为数值向上取整函数,为映射度。应用量子绸鱼优化机制求解航标τ处多机协同任务分配矩阵时令并将第i条量子绸鱼量子位置的映射态进行维度变换后代入航标τ处多机协同任务分配代价函数中得到代价值求解多船协同任务分配矩阵时令并将第i条量子绸鱼量子位置的映射态进行维度变换后代入航标τ处多船协同任务分配代价函数中得到代价值其中,上标特指矩阵按M′τ×Kuav维重构,上标°特指矩阵按维重构,重构方式为先行后列。规定量子绸鱼量子位置映射态所对应的代价值越低,量子绸鱼在该量子位置处体内雌激素水平就越低。
步骤七:根据量子绸鱼体内雌激素水平对全部量子绸鱼排序并确定雄性量子绸鱼。
步骤八:量子绸鱼依次进行确定性和随机性游动,并在游动过程中使用模拟量子旋转门演化量子绸鱼量子态。
(1)确定性移动:定义确定性移动下第i条量子绸鱼第j维量子位置的更新方程为其中,为确定性移动下第i条量子绸鱼的第j维模拟量子旋转角,为[0,1]区间内的均匀随机数,为标准正态随机数,i=1,2,...,h,j=1,2,...,u。第i条量子绸鱼进行确定性游动后所产生的新量子位置
(2)随机性移动:定义随机性移动下第i条量子绸鱼第j维量子位置的更新方程为其中,为随机性移动下第i条量子绸鱼的第j维模拟量子旋转角,为[0,1]区间内的均匀随机数,μ1和μ2为随机量子绸鱼标签,i=1,2,...,h,j=1,2,...,u。第i条量子绸鱼进行随机性游动后所产生的新量子位置
步骤九:应用贪心选择策略,确定下一代量子绸鱼的量子位置。
步骤十:演进终止判断,输出多机或多船协同任务分配矩阵。
判断是否达到最大迭代次数G,若未达到,则令g=g+1,返回步骤七;否则,终止机制演进,将最优一代量子绸鱼群雄性量子绸鱼量子位置映射态进行相应维度变换后作为多机或多船协同任务分配矩阵输出。
步骤十一:在此既定航标处多架搭载无人机协同升空,多艘搭载无人船协同下海。
平台在航标τ处暂缓航行,基于多机协同任务分配矩阵,至多Nuav架搭载无人机升空对航标τ处M′τ个空域目标协同执行Kuav项空域任务后返航;基于多船协同任务分配矩阵,至多Nuuv艘搭载无人船下海对航标τ处个海域目标协同执行Kuuv项海域任务后返航。
步骤十二:平台航向目的位置判断。
与现有技术相比,本发明的有益效果是:本发明以机船协同为背景,以某片海域及相应空域内全部目标的地理位置为先验知识,使用模糊C均值聚类方法来智能获取平台各既定航标。平台搭载多架无人机和无人船向既定航标航行,在既定航标处暂缓航行,考虑多种约束条件并基于量子绸鱼优化机制,多架搭载无人机升空协同对若干空域目标执行既定空域任务后返航,多艘无人船下海协同对若干海域目标执行既定海域任务后返航,平台向下一既定航标航行直至到达目的地。本发明所设计的量子绸鱼优化机制,其仿生于绸鱼变性体质及种群“一夫多妻”制,并使用模拟量子旋转门来演化量子绸鱼量子态,收敛速度快,收敛精度高。仿真实验证明了基于量子绸鱼优化机制的机船协同任务分配方法的有效性,可应用于工程实际。
附图说明
图1是本发明所设计的基于量子绸鱼优化机制的机船协同任务分配方法示意图。
图2是空域目标、海域目标与既定航标分布图。
图3是多机协同任务分配代价函数值与量子绸鱼优化机制演进次数关系曲线。
图4是多船协同任务分配代价函数值与量子绸鱼优化机制演进次数关系曲线。
图5是多机协同任务分配代价函数值与不同优化机制演进次数关系曲线。
图6是多船协同任务分配代价函数值与不同优化机制演进次数关系曲线。
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。
如图1所示,本发明设计了一种基于量子绸鱼优化机制的机船协同任务分配方法,所述方法包括以下步骤:
步骤一:建立机船协同任务分配模型。
设定平台的属性集合其中,为平台起始位置,为平台目的位置,且满足即平台始终保持在海平面上航行,Nuav和Nuuv分别为搭载无人机和无人船数量,Muav和Muuv分别为空域和海域目标数量,Kuav和Kuuv分别为空域和海域任务数量。设定搭载无人机n′的属性集合其中,为搭载无人机n′的航行速度,为搭载无人机n′的任务载荷,n′=1,2,...,Nuav;设定搭载无人船的属性集合其中,为搭载无人船的航行速度,为搭载无人船的任务载荷,设定空域目标m′的属性集合其中,为空域目标m′的地理位置,且满足设定海域目标的属性集合其中,为海域目标的地理位置,且满足 设定空域任务k′的属性集合其中,为空域任务k′被搭载无人机执行所需固定时间,由搭载无人机性能硬性决定,为空域任务时间间隔限制,k′=1,2,...,Kuav;设定海域任务的属性集合其中,为海域任务被搭载无人船执行所需固定时间,由搭载无人船性能硬性决定,为海域任务时间间隔限制,
步骤二:基于模糊C均值聚类方法智能获取海平面全部既定航标。
(2)初始化模糊C均值聚类方法并设定参数。设定最大迭代次数为P,迭代次数标号为整数p,迭代收敛因子为λfcm。第p次迭代时,聚类中心φ的位置目标对聚类中心φ的隶属度且满足隶属约束 初次迭代时p=1,各聚类中心初始位置在作业区域内随机生成,各初始隶属度在隶属约束下随机生成。
(3)定义并计算模糊C均值聚类方法目标函数。目标函数可以表示为其中,υ为模糊因子,为第p次迭代时目标与聚类中心φ的欧式距离。需注意,在计算某空域或海域目标与聚类中心的欧式距离时,所使用的是目标向海平面投影后的位置。
(5)更新聚类中心。定义聚类中心φ的位置更新公式为
(7)获取海平面全部既定航标。首先,用数值0填充各聚类中心位置的第3维度以构成海平面航标位置;其次,按位置第1维度升序排序和第2维度升序排序两种方式编排航标编号,并计算两种编排方式下平台从起始位置到目的位置的总航程;最后,按总航程最小原则确定航标编排方式,定义航标τ的位置
步骤三:平台搭载多架无人机和无人船从起始位置向既定航标处航行。
步骤四:构建此既定航标处的多机和多船协同任务分配代价函数。
定义既定航标τ处的多机协同任务分配代价函数定义既定航标τ处的多船协同任务分配代价函数其中,为航标τ处多机协同任务分配矩阵,为航标τ处多船协同任务分配矩阵,为整数域,和分别为多机和多船协同任务分配矩阵的第k′和第列矩阵,和分别为航标τ处搭载无人机n′和搭载无人船的作业时间,和分别为航标τ处空域任务k′和海域任务在空域目标m′τ和海域目标处的执行时间,λt和τc分别为任务时间和任务载荷约束惩罚因子。为数值修正函数,数值非负时不修正,数值为负时修正为0;Γn′(·)和为矩阵元素个数提取函数,且分别满足元素值为n′和根据多机或多船协同任务分配矩阵和各搭载无人机或无人船的属性可确定搭载无人机或无人船的作业时间,具体步骤如下。为简略表示,只给出多机协同的情况,多船协同同理可得。
(1)规定空域任务按照编号由1到Kuav的顺序依次被搭载无人机协同执行,初始时k′=1;初始化航标τ处搭载无人机n′的初位置标识末位置标识航行时间滞留时间执行空域任务时间作业时间初始化航标τ处空域目标m′τ的受制时间初始化航标τ处空域任务k′在空域目标m′τ处的执行时间
(2)规定搭载无人机按照编号由1到Nuav的顺序依次执行当前空域任务k′,初始时n′=1。
(3)判断是否满足n′≤Nuav。若满足,则继续执行;否则,则转至第(7)步。
(4)判断该搭载无人机n′是否需要执行当前空域任务k′,即判断是否满足若满足,则初始化该搭载无人机n′对于当前空域任务k′的执行次数继续执行;否则,更新搭载无人机编号,令nHn′+1,返回第(3)步。
(5)令该搭载无人机n′的末位置标识令该搭载无人机n′的航行更新时间令该搭载无人机n′的滞留更新时间令该搭载无人机n′的执行空域任务更新时间令该搭载无人机n′的作业更新时间令该搭载无人机n′的初位置标识令该搭载无人机n′的相应空域目标受制时间令当前空域任务k′在相应空域目标处的执行时间其中,为矩阵元素行值提取函数,且满足元素值为n′,元素按行第次出现;d(·)为矢量间欧式距离。
(6)判断该搭载无人机n′是否执行完当前全部空域任务,即判断是否满足若满足,则更新搭载无人机编号,令n′=n′+1, 返回第(3)步;否则,更新该搭载无人机n′对于当前空域任务k′的执行次数,令返回第(5)步。
(7)全部搭载无人机返航判断,即判断是否满足k′=Kuav。若满足,则全部搭载无人机返航,令搭载无人机n′的航行更新时间令搭载无人机n′的作业更新时间n′=1,2,...,Nuav;否则,更新空域任务编号,令k′=k′+1,返回第(2)步。
步骤五:初始化量子绸鱼群并设定参数。
设定量子绸鱼群规模为h,绸鱼群可分为单条雄性和多条雌性,最大迭代次数迭代次数标号第g次迭代时,第i条量子绸鱼在u维搜索空间中的量子位置其量子位置的第j维量子比特j=1,2,...,u,g=1,2,...,G。应用量子绸鱼优化机制求解航标τ处多机协同任务分配矩阵时令u=M′τKuav,求解多船协同任务分配矩阵时令初代时g=1,初代量子绸鱼量子位置的每一维量子比特均初始化为[0,1]区间内的均匀随机数。
步骤六:定义并计算量子绸鱼体内的雌激素水平。
第g次迭代时,将全部量子绸鱼量子位置的每一维映射到离散解空间范围内,得到量子绸鱼量子位置的映射态映射方程定义为其中,ceil(·)为数值向上取整函数,为映射度。应用量子绸鱼优化机制求解航标τ处多机协同任务分配矩阵时令并将第i条量子绸鱼量子位置的映射态进行维度变换后代入航标τ处多机协同任务分配代价函数中得到代价值求解多船协同任务分配矩阵时令并将第i条量子绸鱼量子位置的映射态进行维度变换后代入航标τ处多船协同任务分配代价函数中得到代价值其中,上标特指矩阵按M′τ×Kuav维重构,上标°特指矩阵按维重构,重构方式为先行后列。规定量子绸鱼量子位置映射态所对应的代价值越低,量子绸鱼在该量子位置处体内雌激素水平就越低。
步骤七:根据量子绸鱼体内雌激素水平对全部量子绸鱼排序并确定雄性量子绸鱼。
步骤八:量子绸鱼依次进行确定性和随机性游动,并在游动过程中使用模拟量子旋转门演化量子绸鱼量子态。
(1)确定性移动:定义确定性移动下第i条量子绸鱼第j维量子位置的更新方程为其中,为确定性移动下第i条量子绸鱼的第j维模拟量子旋转角,为[0,1]区间内的均匀随机数,为标准正态随机数,i=1,2,...,h,j=1,2,...,u。第i条量子绸鱼进行确定性游动后所产生的新量子位置
(2)随机性移动:定义随机性移动下第i条量子绸鱼第j维量子位置的更新方程为其中,为随机性移动下第i条量子绸鱼的第j维模拟量子旋转角,为[0,1]区间内的均匀随机数,μ1和μ2为随机量子绸鱼标签,i=1,2,...,h,j=1,2,...,u。第i条量子绸鱼进行随机性游动后所产生的新量子位置
步骤九:应用贪心选择策略,确定下一代量子绸鱼的量子位置。
步骤十:演进终止判断,输出多机或多船协同任务分配矩阵。
判断是否达到最大迭代次数G,若未达到,则令g=g+1,返回步骤七;否则,终止机制演进,将最优一代量子绸鱼群雄性量子绸鱼量子位置映射态进行相应维度变换后作为多机或多船协同任务分配矩阵输出。
步骤十一:在此既定航标处多架搭载无人机协同升空,多艘搭载无人船协同下海。
平台在航标τ处暂缓航行,基于多机协同任务分配矩阵,至多Nuav架搭载无人机升空对航标τ处M′τ个空域目标协同执行Kuav项空域任务后返航;基于多船协同任务分配矩阵,至多Nuuv艘搭载无人船下海对航标τ处个海域目标协同执行Kuuv项海域任务后返航。
步骤十二:平台航向目的位置判断。
如图2所示,平台搭载5架无人机和5艘无人船从起始位置处开始航行,途径若干既定航标后航向目的位置并在此期间,对50个空域目标执行侦察、打击、追踪、和评估4项空域任务,对50个海域目标执行侦察、打击和评估3项海域任务。设定Nuav=5、Nuuv=5、Muav=50、Muuv=50、Kuav=4、Kuuv=3、λbea=4、λt=1、λc=5、υ=2。搭载无人机属性设置如表1所示,搭载无人船属性设置如表2所示,空域和海域任务属性如表3所示。
表1
表2
表3
在图5和图6中,基于量子绸鱼优化机制的机船协同任务分配方法记作QSF;基于量子灰狼优化机制的机船协同任务分配方法记作QGWA。图5(a)和图5(b)分别对应航标1和航标3处多机协同任务分配代价函数值与不同优化机制演进次数关系曲线,图6(a)和图6(b)分别对应航标1和航标3处多船协同任务分配代价函数值与不同优化机制演进次数关系曲线。在QSF中,设定h=20、G=100;在QGWA中,设定量子灰狼群规模为20,最大迭代次数为100。实验次数为50,实验结果作统计平均呈现。从图2-图6中可以看出,本发明所设计的基于量子绸鱼优化机制的机船协同任务分配方法是有效的,可以应用于工程实际。
Claims (7)
1.基于量子绸鱼优化机制的机船协同任务分配方法,其特征在于,步骤如下:
步骤一:建立机船协同任务分配模型;
步骤二:基于模糊C均值聚类方法智能获取海平面全部既定航标;
步骤四:构建此既定航标处的多机和多船协同任务分配代价函数;
步骤五:初始化量子绸鱼群并设定参数;
步骤六:定义并计算量子绸鱼体内的雌激素水平;
步骤七:根据量子绸鱼体内雌激素水平对全部量子绸鱼排序并确定雄性量子绸鱼;将全部量子绸鱼按照体内雌激素水平由低到高的顺序排列,规定量子绸鱼群中体内雌激素水平最低的量子绸鱼为雄性量子绸鱼,其余为雌性量子绸鱼;
步骤八:量子绸鱼依次进行确定性和随机性游动,并在游动过程中使用模拟量子旋转门演化量子绸鱼量子态;
步骤九:应用贪心选择策略,确定下一代量子绸鱼的量子位置;计算全部量子绸鱼在原量子位置和新产生量子位置处体内雌激素水平,在量子位置集合中贪婪选择雌激素水平较低的量子位置作为下一代量子绸鱼的量子位置;
步骤十:演进终止判断,输出多机或多船协同任务分配矩阵;
判断是否达到最大迭代次数G,若未达到,则令g=g+1,返回步骤七;否则,终止机制演进,将最优一代量子绸鱼群雄性量子绸鱼量子位置映射态进行相应维度变换后作为多机或多船协同任务分配矩阵输出;
步骤十一:在此既定航标处多架搭载无人机协同升空,多艘搭载无人船协同下海;
平台在航标τ处暂缓航行,基于多机协同任务分配矩阵,至多Nuav架搭载无人机升空对航标τ处M′τ个空域目标协同执行Kuav项空域任务后返航;基于多船协同任务分配矩阵,至多Nuuv艘搭载无人船下海对航标τ处个海域目标协同执行Kuuv项海域任务后返航;
步骤十二:平台航向目的位置判断;
2.根据权利要求1所述的基于量子绸鱼优化机制的机船协同任务分配方法,其特征在于,步骤一具体包括:平台的属性集合其中,为平台起始位置,为平台目的位置,且满足Nuav和Nuuv分别为搭载无人机和无人船数量,Muav和Muuv分别为空域和海域目标数量,Kuav和Kuuv分别为空域和海域任务数量;搭载无人机n′的属性集合其中,为搭载无人机n′的航行速度,为搭载无人机n′的任务载荷,n′=1,2,...,Nuav;搭载无人船的属性集合其中,为搭载无人船的航行速度,为搭载无人船的任务载荷,空域目标m′的属性集合其中,为空域目标m′的地理位置,且满足 海域目标的属性集合其中,为海域目标的地理位置,且满足空域任务k′的属性集合其中,为空域任务k′被搭载无人机执行所需固定时间,由搭载无人机性能硬性决定,为空域任务时间间隔限制,k′=1,2,...,Kuav;设定海域任务的属性集合其中,为海域任务被搭载无人船执行所需固定时间,由搭载无人船性能硬性决定,为海域任务时间间隔限制,
3.根据权利要求1所述的基于量子绸鱼优化机制的机船协同任务分配方法,其特征在于,步骤二具体包括:
(5)更新聚类中心,聚类中心φ的位置更新公式为
4.根据权利要求1所述的基于量子绸鱼优化机制的机船协同任务分配方法,其特征在于,步骤四具体包括:既定航标τ处的多机协同任务分配代价函数其中,为航标τ处多机协同任务分配矩阵,为航标τ处多船协同任务分配矩阵,为整数域,和分别为多机和多船协同任务分配矩阵的第k′和第列矩阵,和分别为航标τ处搭载无人机n′和搭载无人船的作业时间,和分别为航标τ处空域任务k′和海域任务在空域目标m′τ和海域目标处的执行时间,λt和λc分别为任务时间和任务载荷约束惩罚因子;为数值修正函数,数值非负时不修正,数值为负时修正为0;Γn′(·)和为矩阵元素个数提取函数,且分别满足元素值为n′和根据多机或多船协同任务分配矩阵和各搭载无人机或无人船的属性可确定搭载无人机或无人船的作业时间。
6.根据权利要求1所述的基于量子绸鱼优化机制的机船协同任务分配方法,其特征在于,步骤六具体包括:第g次迭代时,将全部量子绸鱼量子位置的每一维映射到离散解空间范围内,得到量子绸鱼量子位置的映射态映射方程定义为其中,ceil(·)为数值向上取整函数,为映射度;
7.根据权利要求1所述的基于量子绸鱼优化机制的机船协同任务分配方法,其特征在于,步骤八具体包括:
(1)确定性移动:确定性移动下第i条量子绸鱼第j维量子位置的更新方程为其中,为确定性移动下第i条量子绸鱼的第j维模拟量子旋转角,为[0,1]区间内的均匀随机数,为标准正态随机数,i=1,2,...,h,j=1,2,...,u;第i条量子绸鱼进行确定性游动后所产生的新量子位置
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211218920.1A CN115933633A (zh) | 2022-10-07 | 2022-10-07 | 基于量子绸鱼优化机制的机船协同任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211218920.1A CN115933633A (zh) | 2022-10-07 | 2022-10-07 | 基于量子绸鱼优化机制的机船协同任务分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115933633A true CN115933633A (zh) | 2023-04-07 |
Family
ID=86556551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211218920.1A Pending CN115933633A (zh) | 2022-10-07 | 2022-10-07 | 基于量子绸鱼优化机制的机船协同任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115933633A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116481546A (zh) * | 2023-04-26 | 2023-07-25 | 大连海事大学 | 一种无人机航标巡检的路径规划方法 |
-
2022
- 2022-10-07 CN CN202211218920.1A patent/CN115933633A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116481546A (zh) * | 2023-04-26 | 2023-07-25 | 大连海事大学 | 一种无人机航标巡检的路径规划方法 |
CN116481546B (zh) * | 2023-04-26 | 2024-02-23 | 大连海事大学 | 一种无人机航标巡检的路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549402B (zh) | 基于量子乌鸦群搜索机制的无人机群任务分配方法 | |
CN107622327B (zh) | 基于文化蚁群搜索机制的多无人机航迹规划方法 | |
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 | |
CN113741508B (zh) | 基于改进狼群算法的无人机任务分配方法 | |
CN110348595A (zh) | 一种基于飞行数据的无人机混合推进系统能量管控方法 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN114442662A (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 | |
CN111045453A (zh) | 一种基于无人艇与多水下机器人的协同控制系统及方法 | |
CN113776532B (zh) | 一种基于分组混合优化群搜索算法的无人机巡检线路航迹规划方法 | |
CN115933633A (zh) | 基于量子绸鱼优化机制的机船协同任务分配方法 | |
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 | |
CN115562336B (zh) | 一种基于量子郊狼优化机制的多无人机协同任务分配方法 | |
CN109974708B (zh) | 一种无人船航迹规划方法、终端设备及存储介质 | |
Champasak et al. | Grid-based many-objective optimiser for aircraft conceptual design with multiple aircraft configurations | |
CN113608546A (zh) | 量子海狮机制的无人机群任务分配方法 | |
CN116088576A (zh) | 一种基于改进鲸鱼算法的无人机三维路径规划方法 | |
CN114815896B (zh) | 一种异构多无人机协同任务分配方法 | |
CN113324545A (zh) | 一种基于混合增强智能的多无人机协同任务规划方法 | |
CN115169517A (zh) | 一种改进的灰狼优化算法的方法 | |
CN117806346A (zh) | 一种基于自适应蜣螂优化器的无人机路径规划方法 | |
CN111429419B (zh) | 一种基于混合蚁群算法的绝缘子轮廓检测方法 | |
CN115574826B (zh) | 基于强化学习的国家公园无人机巡护路径优化方法 | |
CN116822883A (zh) | 一种基于k均值的自组织多艇协同任务规划方法及系统 | |
Gong et al. | A path planning method based on improved particle swarm optimization algorithm | |
CN116301031A (zh) | 基于自适应差分进化算法的多无人机协同航迹规划方法 |
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 |