CN116088586A - 一种无人机作战过程中的临机任务规划的方法 - Google Patents

Abstract

本发明公开了一种无人机作战过程中的临机任务规划的方法，包括：无人机出现故障或被敌方击落后，无法完成自身的任务；其他无人机在获取敌方所处环境的基础上，在保证自身任务完成的前提下，根据自身离敌方任务的远近、威胁代价等因素构建总代价函数；利用k‑means算法、贪婪算法以及蜉蝣算法对总代价函数进行优化，在所消耗最低能耗的情况下，得到无人机任务分配的新方案和航路规划的新路径。本发明利用机器学习技术结合贪婪算法以及进化算法，实现了无人机作战过程中的临机任务规划，在保障任务完成的基础上，还具有复杂度低和计算精度高、速度快等优点，可有效解决无人机在作战过程中的任务重分配问题。

Description

一种无人机作战过程中的临机任务规划的方法

技术领域

本发明涉及一种无人机任务规划的方法，特别是一种无人机作战过程中的临机任务规划的方法。

背景技术

无人机具有低成本、低损耗和高生存率等诸多优点，目前已经应用在军事侦察、灾情监测等诸多领域。随着战场环境日益复杂和多变，单个无人机的执行能力越来越无法满足实际任务需求，因此，无人机集群来完成任务成为了其完成任务的主要模式。

经过多机协同任务分配后，无人机按照任务分配方案依次去执行任务。而实际的战场环境是一个动态环境，整个战场的信息不是一成不变的，无人机或者任务点的状态随时都会发生改变，无人机任务分配的方案也要随之改变。因此，需要在实时作战时对无人机任务进行重分配。

通过任务重分配能让无人机更快的适应动态变化的环境，提升了无人机任务规划系统的稳定性和响应能力。所以任务重分配对实时性要求较高，希望在快速求解的基础上得到一个较优的重分配方案。

如果使用传统的多机协同任务分配模型和相应算法进行求解，则代价太大，显然是不合适的。所以要根据任务重分配的特点，简化重分配模型，提升算法的执行效率，对无人机机群内的局部无人机进行任务分配方案和任务执行次序的调整。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种无人机作战过程中的临机任务规划的方法。

为了解决上述技术问题，本发明公开了一种无人机作战过程中的临机任务规划的方法，包括如下步骤：

步骤1，在作战环境下，无人机群获取自身任务信息和敌方无人机信息；

步骤2，在保证无人机自身任务完成的前提下，根据敌方无人机信息建立无人机作战过程中的临机任务规划的总代价函数F；

所述的总代价函数，计算方法如下：

其中，和为权重系数；为重新任务分配时的能源消耗，为重新任务分配后航路规划的能源消耗。

所述的重新任务分配时的能源消耗的计算方法，包括：

战场环境中，设有 N架无人机，集合为U={ U ₁ ,U ₂ ,...,U _N }， U _N 表示第N架无人机，且各无人机均具有侦察和打击能力，无人机的目标集合为T ={ T ₁ ,...,T _NT }， T _NT 表示第NT个目标；无人机对目标执行侦察和打击任务时，具体收益包括：任务收益、任务执行代价以及任务执行时间；根据所述具体收益计算得到重新任务分配时的能源消耗。

所述任务收益是指成功执行任务所获取的目标价值收益；战场环境下，单架无人机 U _i 打击目标 T _j 的收益为：

其中，i为无人机编号，为无人机 U _i 成功摧毁 T _j 的概率，j为目标编号， V _j 为目标 T _j 的价值，表示 T _j 的战略重要程度。

所述任务执行代价是指无人机执行侦察和打击任务所付的代价；包括威胁代价与资源损耗代价；

其中，所述威胁代价根据无人机执行任务时被摧毁所损失的价值来计算，则单架无人机 U _i 的威胁代价为：

其中，为目标 T _j 对无人机 U _i 的毁伤概率；为无人机 U _i 的自身价值；

所述资源损耗代价等效为航程代价；假设所有无人机的单位距离的资源损耗相同，则无人机距离任务目标越近，相应的航程代价越小，从而将任务分配给无人机的概率越大；单架无人机 U _i 面临不同目标的同类型任务时，资源损耗代价为：

其中，为同类型任务中无人机 U _i 与目标 T _j 的欧氏距离；为同类型任务中所有无人机相对目标 T _j 的最大欧氏距离。

所述任务执行时间，指无人机到达目标位置所用时间，单架无人机 U _i 任务执行时间为：

其中，表示无人机 U _i 与目标 T _j 之间的距离， v为无人机 U _i 的速度。

所述根据所述具体收益计算得到重新任务分配时的能源消耗的方法包括：

假设每架无人机任务载荷最大为 U _max ，飞行速度为 v，任务集合 M中的任务均被执行一次，则所述重新任务分配时的能源消耗 E _task 的计算方法包括：

约束条件为：

其中，表示无人机 U _i 是否执行任务 T _j ；=1则表示执行该任务 T _j ，=0则表示不执行此任务 T _j ；，，以及为权重系数。

所述的重新任务分配后航路规划的能源消耗的计算方法，包括：计算威胁代价和能耗代价；

其中，所述威胁代价包括地形威胁和武器威胁，对于无人机 U _i 和其对应的航迹，威胁代价的计算方法为：

其中，表示的是航迹段的威胁代价的值，表示无人机数量；

所述能耗代价和无人机的飞行距离即航程直接相关，假设无人机的能耗代价和航程成正比，对于无人机 U _i 和其对应的航迹，能耗代价的计算方法为：

其中，表示航迹段的长度；

无人机综合航路规划代价的计算方法如下：

其中，，分别为威胁代价和能耗代价的权重系数，满足；

则重新任务分配后航路规划的能源消耗为：

且 。

步骤3，利用k-means算法和贪婪算法来优化总代价函数F中的重新任务分配时的能源消耗，得到无人机任务规划；

所述的贪婪算法是基于无人机的位置的方法，具体为：

利用k-means算法来把无人机任务分割成不同的簇，完成同一个簇内的任务的无人机在优先保证自身的任务完成的情况下，根据距离远近辅助其他本簇内的无人机完成任务；如果待完成的无人机任务的价值与同一个簇内的其他任务的价值差超过阈值，则离该待完成任务最近的无人机舍弃当前任务，优先处理该待完成的任务；

所述的得到无人机任务规划的方法为：结合k-means和贪婪算法来解决临机任务分配，得到无人机任务规划，其具体步骤包括：

步骤3-1，初始化k-means算法的参数；

步骤3-2，随机选择k个任务作为初始聚类中心；

步骤3-3，针对任务集中每个任务计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；

步骤3-4，针对每个类别，重新计算它的聚类中心；

步骤3-5，如果达到终止条件则停止，否则重复步骤3-2和3-3；

步骤3-6，找出同簇中离失败任务中距离最近的任务；

步骤3-7，从最近的任务中原先分配好的无人机中调用无人机来完成失败的任务；

步骤3-8，输出当前的任务分配规划。

步骤4，依据得到的无人机任务规划，利用蜉蝣算法进一步优化总代价函数F中的重新任务分配后航路规划的能源消耗，得到无人机的航路轨迹，具体方法包括：

步骤4-1，初始化蜉蝣算法的参数；

步骤4-2，随机在搜索空间产生蜉蝣作为初始种群；

步骤4-3，雄性蜉蝣移动位置；

步骤4-4，雌性蜉蝣移动位置；

步骤4-5，雌雄蜉蝣交配产生子代；

步骤4-6，通过选择策略选择合适的蜉蝣进入下一次迭代；

步骤4-7，判断是否达到停止条件，如果达到则停止；否则则转到步骤4-3；

步骤4-8，输出最优的蜉蝣作为最终解决方案；

步骤4-9，根据无人机和其执行任务的位置确定航路轨迹的开始和结束位置；

步骤4-10，根据开始和结束位置以及最优的蜉蝣组成最终的无人机轨迹。

步骤5，若完成所有任务，则完成无人机作战过程中的临机任务规划，否则返回步骤1。

有益效果

（1）本发明一种无人机作战过程中的临机任务规划的方法，能够实现无人机群在复杂环境下的高效地任务重分配和航路重规划，进一步协同完成后续任务，为无人机群的临机任务规划问题提供了一个全新的解决方案。

（2）本发明一种无人机作战过程中的临机任务规划的方法，从提高任务的完整性和高效性两方面出发，开展无人机作战过程中的临机任务规划方法研究，确保无人机完成自身任务的前提下，进一步的辅助完成未完成的任务，提高无人机群的使用效率。

（3）本发明一种无人机作战过程中的临机任务规划的方法，能够处理大量无人机的临机任务规划问题，使得某些无人机不能完成自身任务后能够快速分配其他无人机来辅助完成。算法复杂度低，计算精度高，可以有效解决作战环境下的无人机群临机任务规划问题。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为本发明实施例提供的一种无人机作战过程中的临机任务规划的方法流程示意图。

具体实施方式

本发明提供的技术方案，具体为，一种无人机作战过程中的临机任务规划的方法，包括：

步骤一: 在作战环境下，无人机群获取自身任务信息和敌方无人机的信息；

步骤二: 在保证自身任务完成的前提下，根据敌方无人机信息建立无人机作战过程中临机任务规划的总代价函数；

总代价函数的计算公式如下：

其中和为权重系数。为重新任务分配时的能源消耗，为重新任务分配后航路规划的能源消耗；

步骤三: 利用k-means算法（参考：基于K-means聚类的麻雀搜索算法研究[J].计算机仿真,2022,39(09):403-409.）和贪婪算法来优化总代价函数F中的，得到无人机任务规划；

k-means算法的步骤如下：

（1）选择初始化的k个样本作为初始聚类中心；

（2）针对数据集中每个样本计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；

（3）针对每个类别，重新计算它的聚类中心（即属于该类的所有样本的质心）；

（4）重复上面（2）-（3）两步操作，直到达到设置的终止条件。

贪婪算法是基于无人机的位置的，其具体为：

利用k-means算法来把任务分割成一个个簇，完成同一个簇内的任务的无人机根据距离远近在保证自身的任务完成的情况下可以辅助其他本簇内的无人机完成任务。当然，如果此未完成的任务的价值远远高于同一个簇内的其他任务，那么离该任务最近的无人机的可以舍弃当前它处理的任务，进而来处理此任务获得更大的报酬。显然，最坏的情况是如果同簇内的所有无人机都被摧毁，那么离该簇最近的其他簇内的无人机来帮助其完成任务。

步骤四: 依据得到无人机任务规划，利用蜉蝣算法（偏移进化蜉蝣优化算法[J].计算机系统应用,2022,31(03):150-158.）进一步优化总代价函数F中的，得到无人机的航路轨迹。

蜉蝣在搜索空间中位置的更新公式如下：

其中，表示蜉蝣在维度时刻的速度，表示蜉蝣在搜索空间中的位置，为种群学习系数，为个体学习系数，为能见度系数，为动态惯性权重，为舞蹈系数；代表当前位置与的笛卡尔距离，代表当前位置与的笛卡尔距离；为之间的随机数。

优选地，步骤一所述的自身任务信息包括每个无人机当前的位置、目标无人机的位置和周围敌方无人机的位置。敌方无人机信息包括：敌方无人机的位置以及该无人机的价值。

优选地，步骤二所述总代价函数包括任务重新规划的能源消耗和航路重新规划的能源消耗，具体为：

任务重新规划的能源消耗：

战场环境中，假设 N架UAV，集合为U={ U ₁ ,U ₂ ,...,U _N }，，且各无人机均具有侦察和打击能力，目标集合为T ={ T ₁ ,...,T _NT }，要对各目标执行侦察和打击任务，因此具体收益如下：

（1）任务收益

任务收益是指成功执行任务所获取的目标价值收益。战场环境下，目标具有一定物理价值。单架无人机 U _i 打击目标 T _j 的收益为

其中为无人机 U _i 成功摧毁 T _j 的概率， V _j 为目标 T _j 的价值，表示 T _j 的战略重要程度。

（2）任务执行代价

UAV执行侦察和打击任务所付代价主要包括威胁代价(毁伤)与资源损耗代价(时间等)。其中，UAV执行任务的威胁代价可根据UAV执行任务时被摧毁所损失的价值来计算，则单架无人机 U _i 的威胁代价为

其中 d _i,j 为 T _j 对 U _i 的毁伤概率; V ^U _i 为 U _i 的自身价值。

UAV执行任务的资源代价可等效为航程代价。假设所有UAV单位距离的资源损耗相同，则UAV距离任务目标越近，相应的时间代价越小，从而将该任务分配给UAV的概率也就越大．因此，单架无人机 U _i 面临不同目标的同类型任务时，资源代价为

其中 r _i,j 为同类型任务 U _i 与目标 T _j 的欧氏距离; r _max 为同类型任务所有UAV相对目标 T _j 的最大欧氏距离。

（3）任务执行时间

UAV的任务执行时间主要为到达目标位置所用时间，单架无人机 U _i 任务执行时间为

其中 r( U _i , T _j ) 表示 U _i 与 T _j 之间的距离， v为 U _i 的速度。

（4）任务分配模型

假设每架UAV 任务载荷最大为 U _max ，飞行速度为 v，任务集合 M中的任务均被执行一次。综上所述，模型可以形式化为：

E _task =

约束条件为：

其中表示无人机 U _i 是否执行任务 T _j 。=1则表示执行该任务，=0则表示不执行此任务。，，以及为权重系数。

航路重新规划的能源消耗：

（1）威胁代价

威胁代价包括了地形威胁和武器威胁，对于 U _i 和其对应的航迹，其威胁代价的计算方法为：

其中表示的是航迹段的威胁代价的值。

（2）能耗代价

飞行器的能耗代价和它的飞行距离（航程）是直接相关的，假设飞行器的能耗代价和航程成正比，对于 U _i 和其对应的航迹，其能耗代价的计算方法为：

其中表示航迹段的长度。

因此，多机综合航路规划代价的可以计算如下：

其中，，分别为威胁代价和能耗代价的权重系数，应满足。

综上所述，重新任务分配后航路规划的能源消耗可以形式化为：

E _route  =

且

优选地，步骤三所述利用k-means算法和贪婪算法来优化总代价函数F中的，具体为：

首先，根据敌方无人机的位置利用k-means算法将敌方无人机分成不同的簇。相应地，来攻击各个簇内的敌方无人机的我方无人机也属于一个簇。

然后，同一个簇内的任务的我方无人机根据距离远近在保证自身的任务完成的情况下可以辅助其他本簇内的无人机（被击落或出现故障）完成任务。当然，如果此未完成的任务的价值远远高于同一个簇内的其他任务，那么离该任务最近的无人机的可以舍弃当前它处理的任务，进而来处理此任务获得更大的奖励。显然，最坏的情况是如果同簇内的所有无人机都被摧毁，那么离该簇最近的其他簇内的无人机来帮助其完成任务。

优选地，步骤四所述利用蜉蝣算法来优化总代价函数F中的，具体为：

首先，无人机和其执行任务的位置确定航路轨迹的开始和结束位置，然后根据开始和结束位置以及最优的蜉蝣（蜉蝣算法迭代求解后的最优解）组成最终的无人机轨迹。

实施例：

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是本发明的一些方面相一致的系统的例子。

现有技术中，针对无人机作战过程中临机规划大多数采用多机协同任务分配模型和相应算法进行求解，但是这些算法代价太大，且不能快速的重新进行任务分配。这种情况在瞬息万变的战场上显然是不合适的。所以要根据任务重分配的特点，简化重分配模型，提升算法的执行效率，对无人机机群内的局部无人机进行任务分配方案和任务执行次序的调整。针对上述问题，本实施方案提供了一种无人机作战过程中的临机任务规划的方法，通过机器学习算法和进化算法相结合，使得无人机可以快速地进行任务重分配和航路重规划，进而保证任务的高效完成。

如图1所示，所述一种无人机作战过程中的临机任务规划的方法，包括如下步骤：

步骤一: 在作战环境下，无人机群获取自身任务信息和敌方无人机的信息；自身任务信息包括每个无人机当前的位置、目标无人机的位置和周围敌方无人机的位置。敌方无人机信息包括：敌方无人机的位置以及该无人机的价值。

步骤二: 在保证自身任务完成的前提下，根据敌方无人机信息建立无人机作战过程中临机任务规划的总代价函数；

总代价函数的计算公式如下：

F=

其中和为权重系数。为重新任务分配时的能源消耗，为重新任务分配后航路规划的能源消耗；

总代价函数包括任务重新规划的能源消耗和航路重新规划的能源消耗，具体为：

任务重新规划的能源消耗：

战场环境中，假设 N架UAV，集合为U={ U ₁ ,U ₂ ,...,U _N }，，且各无人机均具有侦察和打击能力，目标集合为T ={ T ₁ ,...,T _NT }，要对各目标执行侦察和打击任务，因此具体收益如下：

（1）任务收益

任务收益是指成功执行任务所获取的目标价值收益。战场环境下，目标具有一定物理价值。单架无人机 U _i 打击目标 T _j 的收益为

其中为无人机 U _i 成功摧毁 T _j 的概率， V _j 为目标 T _j 的价值，表示 T _j 的战略重要程度。

（2）任务执行代价

UAV执行侦察和打击任务所付代价主要包括威胁代价(毁伤)与资源损耗代价(时间等)。其中，UAV执行任务的威胁代价可根据UAV执行任务时被摧毁所损失的价值来计算，则单架无人机 U _i 的威胁代价为

其中 d _i,j 为 T _j 对 U _i 的毁伤概率; V ^U _i 为 U _i 的自身价值。

UAV执行任务的资源代价可等效为航程代价。假设所有UAV单位距离的资源损耗相同，则UAV距离任务目标越近，相应的时间代价越小，从而将该任务分配给UAV的概率也就越大．因此，单架无人机 U _i 面临不同目标的同类型任务时，资源代价为

其中 r _i,j 为同类型任务 U _i 与目标 T _j 的欧氏距离; r _max 为同类型任务所有UAV相对目标 T _j 的最大欧氏距离。

（3）任务执行时间

UAV的任务执行时间主要为到达目标位置所用时间，单架无人机 U _i 任务执行时间为

其中 r( U _i , T _j ) 表示 U _i 与 T _j 之间的距离， v为 U _i 的速度。

（4）任务分配模型

假设每架UAV 任务载荷最大为 U _max ，飞行速度为 v，任务集合 M中的任务均被执行一次。综上所述，模型可以形式化为：

E _task =

约束条件为：

其中表示无人机 U _i 是否执行任务 T _j 。=1则表示执行该任务，=0则表示不执行此任务。，，以及为权重系数。

航路重新规划的能源消耗：

（1）威胁代价

威胁代价包括了地形威胁和武器威胁，对于 U _i 和其对应的航迹，其威胁代价的计算方法为：

其中表示的是航迹段的威胁代价的值。

（2）能耗代价

飞行器的能耗代价和它的飞行距离（航程）是直接相关的，假设飞行器的能耗代价和航程成正比，对于 U _i 和其对应的航迹，其能耗代价的计算方法为：

其中表示航迹段的长度。

因此，多机综合航路规划代价的可以计算如下：

其中，，分别为威胁代价和能耗代价的权重系数，应满足。

综上所述，重新任务分配后航路规划的能源消耗可以形式化为：

E _route =

且 

步骤三: 利用k-means算法和贪婪算法来优化总代价函数F中的，得到无人机任务规划；

k-means算法的步骤如下：

（1）随机从给定的任务集中选择k个任务作为初始聚类中心；

（2）针对任务集中每个任务计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的任务集中；

（3）针对每个任务集，重新计算它的聚类中心（即属于该类的所有样本的中心）；

（4）重复上面（2）-（3）两步操作，直到达到设置的终止条件。

贪婪算法是基于无人机的位置的，其具体为：

利用k-means算法来把任务分割成一个个簇，完成同一个簇内的任务的无人机根据距离远近在保证自身的任务完成的情况下可以辅助其他本簇内的无人机完成任务。当然，如果此未完成的任务的价值远远高于同一个簇内的其他任务，那么离该任务最近的无人机的可以舍弃当前它处理的任务，进而来处理此任务获得更大的报酬。显然，最坏的情况是如果同簇内的所有无人机都被摧毁，那么离该簇最近的其他簇内的无人机来帮助其完成任务。

结合k-means和贪婪算法来解决临机任务分配，其具体步骤如下：

输入任务集合及其位置、无人机集合及其位置，，

输出任务分配情况以及无人机轨迹

步骤1 初始化系统、k-means算法以及蜉蝣算法的参数

步骤2 从任务集中随机选择k个任务作为初始聚类中心

步骤3 针对任务集中每个任务计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的任务集中

步骤4 针对每个任务集，重新计算它的聚类中心

步骤5 如果达到终止条件则停止，否则重复步骤2和3

步骤6 找出同任务集中离失败任务距离最近的任务

步骤7 从最近的任务中原先分配好的无人机中调用无人机来完成失败的任务

步骤8 输出当前的任务分配规划

步骤四: 依据得到无人机任务规划，利用蜉蝣算法进一步优化总代价函数F中的，得到无人机的航路轨迹。

蜉蝣在搜索空间中位置的更新公式如下：

其中，表示蜉蝣在维度时刻的速度，表示蜉蝣在搜索空间中的位置，为种群学习系数，为个体学习系数，为能见度系数，为动态惯性权重，为舞蹈系数；代表当前位置与的笛卡尔距离，代表当前位置与的笛卡尔距离；为之间的随机数。

其具体步骤如下：

输入任务集合及其位置、无人机集合及其位置

输出执行各个任务的无人机飞行轨迹

步骤1 初始化系统和蜉蝣算法的参数

步骤2 随机在搜索空间产生蜉蝣作为初始种群（每个蜉蝣代表一个飞行轨迹）

步骤3 雄性蜉蝣移动位置（更新飞行轨迹）

步骤4 雌性蜉蝣移动位置（更新飞行轨迹）

步骤5 雌雄蜉蝣交配产生子代（更新飞行轨迹）

步骤6 通过选择策略选择合适的蜉蝣进入下一次迭代

步骤7 判断是否达到停止条件，如果达到则停止；否则则转到步骤3

步骤8 输出最优的蜉蝣（能源消耗最小的飞行轨迹）作为最终解决方案

步骤9 根据无人机和其执行任务的位置确定航路轨迹的开始和结束位置

步骤10根据开始和结束位置以及最优的蜉蝣组成最终的无人机轨迹

本实施方案所提供的一种无人机作战过程中的临机任务规划的方法，针对无人机作战过程中我方无人机因为故障或者被击落而无法继续完成任务这种情况。通过机器学习和进化计算相结合的方法来对无人机在作战过程中进行临机任务规划。

具体实现中，本申请提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的一种无人机作战过程中的临机任务规划的方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（read-only memory，ROM）或随机存储记忆体（random access memory，RAM）等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的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计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备（可以是个人计算机，服务器，单片机。MUU或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。

本发明提供了一种无人机作战过程中的临机任务规划的方法的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (10)

1.一种无人机作战过程中的临机任务规划的方法，其特征在于，包括如下步骤：

步骤1，在作战环境下，无人机群获取自身任务信息和敌方无人机信息；

步骤2，在保证无人机自身任务完成的前提下，根据敌方无人机信息建立无人机作战过程中的临机任务规划的总代价函数F；

步骤3，利用k-means算法和贪婪算法来优化总代价函数F中的重新任务分配时的能源消耗，得到无人机任务规划；

步骤4，依据得到的无人机任务规划，利用蜉蝣算法进一步优化总代价函数F中的重新任务分配后航路规划的能源消耗，得到无人机的航路轨迹；

步骤5，若完成所有任务，则完成无人机作战过程中的临机任务规划，否则返回步骤1。

2.根据权利要求1所述的一种无人机作战过程中的临机任务规划的方法，其特征在于，步骤2中所述的总代价函数，计算方法如下：

；

其中，和为权重系数；为重新任务分配时的能源消耗，为重新任务分配后航路规划的能源消耗。

3.根据权利要求2所述的一种无人机作战过程中的临机任务规划的方法，其特征在于，步骤2中所述的重新任务分配时的能源消耗的计算方法，包括：

战场环境中，设有N架无人机，集合为U={U ₁ ,U ₂ ,...,U _N }，U _N 表示第N架无人机，且各无人机均具有侦察和打击能力，无人机的目标集合为T ={T ₁ ,...,T _NT }，T _NT 表示第NT个目标；无人机对目标执行侦察和打击任务时，具体收益包括：任务收益、任务执行代价以及任务执行时间；根据所述具体收益计算得到重新任务分配时的能源消耗。

4.根据权利要求3所述的一种无人机作战过程中的临机任务规划的方法，其特征在于，步骤2中所述任务收益是指成功执行任务所获取的目标价值收益；战场环境下，单架无人机U _i 打击目标T _j 的收益为：

；

其中，i为无人机编号，为无人机U _i 成功摧毁T _j 的概率，j为目标编号，V _j 为目标T _j 的价值，表示T _j 的战略重要程度。

5.根据权利要求4所述的一种无人机作战过程中的临机任务规划的方法，其特征在于，步骤2中所述任务执行代价是指无人机执行侦察和打击任务所付的代价；包括威胁代价与资源损耗代价；

其中，所述威胁代价根据无人机执行任务时被摧毁所损失的价值来计算，则单架无人机U _i 的威胁代价为：

；

其中，为目标T _j 对无人机U _i 的毁伤概率；为无人机U _i 的自身价值；

所述资源损耗代价等效为航程代价；假设所有无人机的单位距离的资源损耗相同，则无人机距离任务目标越近，相应的航程代价越小，从而将任务分配给无人机的概率越大；单架无人机U _i 面临不同目标的同类型任务时，资源损耗代价为：

；

其中，为同类型任务中无人机U _i 与目标T _j 的欧氏距离；为同类型任务中所有无人机相对目标T _j 的最大欧氏距离。

6.根据权利要求5所述的一种无人机作战过程中的临机任务规划的方法，其特征在于，步骤2中所述任务执行时间，指无人机到达目标位置所用时间，单架无人机U _i 任务执行时间为：

；

其中，表示无人机U _i 与目标T _j 之间的距离，v为无人机U _i 的速度。

7.根据权利要求6所述的一种无人机作战过程中的临机任务规划的方法，其特征在于，步骤2中所述根据所述具体收益计算得到重新任务分配时的能源消耗的方法包括：

假设每架无人机任务载荷最大为U _max ，飞行速度为v，任务集合M中的任务均被执行一次，则所述重新任务分配时的能源消耗E _task 的计算方法包括：

；

约束条件为：

；

其中，表示无人机U _i 是否执行任务T _j ；=1则表示执行该任务T _j ，=0则表示不执行此任务T _j ；，，以及为权重系数。

8.根据权利要求7所述的一种无人机作战过程中的临机任务规划的方法，其特征在于，步骤2中所述的重新任务分配后航路规划的能源消耗的计算方法，包括：计算威胁代价和能耗代价；

其中，所述威胁代价包括地形威胁和武器威胁，对于无人机U _i 和其对应的航迹，威胁代价的计算方法为：

；

其中，表示的是航迹段的威胁代价的值，表示无人机数量；

所述能耗代价和无人机的飞行距离即航程直接相关，假设无人机的能耗代价和航程成正比，对于无人机U _i 和其对应的航迹，能耗代价的计算方法为：

；

其中，表示航迹段的长度；

无人机综合航路规划代价的计算方法如下：

；

其中，，分别为威胁代价和能耗代价的权重系数，满足；

则重新任务分配后航路规划的能源消耗为：

；

且 。

9.根据权利要求8所述的一种无人机作战过程中的临机任务规划的方法，其特征在于，步骤3中所述的贪婪算法是基于无人机的位置的方法，具体为：

利用k-means算法来把无人机任务分割成不同的簇，完成同一个簇内的任务的无人机在优先保证自身的任务完成的情况下，根据距离远近辅助其他本簇内的无人机完成任务；如果待完成的无人机任务的价值与同一个簇内的其他任务的价值差超过阈值，则离该待完成任务最近的无人机舍弃当前任务，优先处理该待完成的任务；

所述的得到无人机任务规划的方法为：结合k-means和贪婪算法来解决临机任务分配，得到无人机任务规划，其具体步骤包括：

步骤3-1，初始化k-means算法的参数；

步骤3-2，随机选择k个任务作为初始聚类中心；

步骤3-3，针对任务集中每个任务计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；

步骤3-4，针对每个类别，重新计算它的聚类中心；

步骤3-5，如果达到终止条件则停止，否则重复步骤3-2和3-3；

步骤3-6，找出同簇中离失败任务中距离最近的任务；

步骤3-7，从最近的任务中原先分配好的无人机中调用无人机来完成失败的任务；

步骤3-8，输出当前的任务分配规划。

10.根据权利要求9所述的一种无人机作战过程中的临机任务规划的方法，其特征在于，步骤4中所述的得到无人机的航路轨迹的方法包括：

步骤4-1，初始化蜉蝣算法的参数；

步骤4-2，随机在搜索空间产生蜉蝣作为初始种群；

步骤4-3，雄性蜉蝣移动位置；

步骤4-4，雌性蜉蝣移动位置；

步骤4-5，雌雄蜉蝣交配产生子代；

步骤4-6，通过选择策略选择合适的蜉蝣进入下一次迭代；

步骤4-7，判断是否达到停止条件，如果达到则停止；否则则转到步骤4-3；

步骤4-8，输出最优的蜉蝣作为最终解决方案；

步骤4-9，根据无人机和其执行任务的位置确定航路轨迹的开始和结束位置；

步骤4-10，根据开始和结束位置以及最优的蜉蝣组成最终的无人机轨迹。

Images