CN116126015A - 基于改进人工蜂群算法的动态环境多无人机任务分配方法 - Google Patents

Abstract

本发明提供基于改进人工蜂群算法的动态环境多无人机任务分配方法，包括以下步骤：构建多无人机动态目标分配信息集；根据无人机与任务之间分配关系结合实际环境变化与任务要求建立动态环境下的任务分配模型；将任务分配问题的任意一个可行解进行编码分组；采用改进的人工蜂群算法求解任务分配模型，通过匈牙利算法修正无人机蜂群策略，迭代更新得到任务分配最佳方案；针对环境与任务要求的改变更新信息集，采用动态调整策略调整蜂群中个体，迭代得到环境变化后的任务分配最佳方案。本发明处理动态环境下多无人机任务分配问题求解速度快、求解精度高，能够针对多种不同突发状况对任务分配方案快速调整，有利于提高无人机编队任务执行效率。

Description

基于改进人工蜂群算法的动态环境多无人机任务分配方法

技术领域

本发明涉及多无人机任务分配技术领域，具体而言，涉及一种基于改进人工蜂群算法的动态环境多无人机任务分配方法。

背景技术

无人机相较于有人机来说具有体积小、成本低、人员安全性高等优点，无需昂贵的人员训练费用和维护费用，同时无人机适用于多种起降环境，能够很好地适应不同的复杂地形。因此无人机在灾害管理、通信、协同作战等多个领域中得到广泛运用。

由于单架无人机能力有限，往往对于复杂的任务无法独自完成，需要多架同构或者异构无人机相互配合，组成无人机集群系统共同执行任务，如何进行合理的协同任务分配对无人机集群起着关键作用。当无人机集群处于动态战场环境中时情况会变得更加复杂，不仅需要考虑飞行器的性能差异、任务执行权重、可行的飞行代价及各种协同约束等因素，同时还需要针对目标改变、无人机故障、任务增加或减少等动态变化进行快速任务调整，使得无人机集群在整个动态作战中资源消耗少，任务完成度高。因此多无人机动态目标分配问题已经成为一个热点问题。

近年来，学者们对多无人机动态任务分配问题进行了大量的研究，并且取得了丰富的研究成果，相关研究工作主要使用数学规划法、协商法和群智能算法来解决任务协调问题，其中：

数学规划法在处理低维分配问题时具有简单灵活、求解速度快等优点，但是针对复杂的问题计算效率大幅降低；

协商法是通过协商的方式调整原有的分配方案使得无人机在环境改变之后仍然可以保持高效的任务执行效率，但是面对大规模问题鲁棒性较差；

群智能算法是模仿自然界觅食行为而提出的一类算法，例如粒子群优化算法、蚁群优化算法、人工蜂群优化算法等，具有较高的鲁棒性和广泛的适用性，但是这类群智能算法在处理动态分配问题时收敛速度较慢、效率较低。

发明内容

鉴于此，本发明的目的在于提出一种基于改进人工蜂群算法的快速、稳定且高效的动态环境下多无人机任务分配方法，获取任务分配的信息并构建合理的多无人机动态任务分配模型，将每个分配方案进行分组编码，对多无人机分配方案进行求解，从而能够更快地得到动态环境下优质方案，提高多无人机作战等任务的任务执行效率。

本发明提供基于改进人工蜂群算法的动态环境多无人机任务分配方法，包括以下步骤：

S1、根据无人机信息、目标点信息和环境信息，构建由架无人机组成，存在个目标点，每个所述目标点具有个任务，其中的多无人机动态目标分配信息集；

所述多无人机动态目标分配信息集包括：无人机信息、目标点信息、航程代价信息、环境变化信息；

其中，所述无人机信息包括：无人机的位置坐标、可执行的任务种类、可执行的各类任务的数量、最大航程和飞行速度范围；无人机信息的表达式为：

，其中是第架无人机的位置坐标；是第架无人机可执行第类任务的数量；是第架无人机最大飞行路程；，分别表示第架无人机的最小、最大飞行速度；

所述目标点信息包括：目标点的位置坐标、需执行的任务种类、任务执行优先级、任务的数量和目标点的价值；目标点信息的表达式为：

，其中是第个目标点的位置坐标；是第个目标点第类任务的数量，若该目标点不存在某种类型的任务，则该任务的数量设为0；是第个目标点第类任务的优先级；

对于不同的目标点，即使是相同的任务优先级也不一定相同，在一个目标点内值越大代表该任务的优先级越高，无人机不能首先执行优先级低的任务，如果同一目标点内两个任务优先级相同，则可先执行这两个任务中的任意一个；是第个目标点的总价值，在一个目标点内可能存在多个任务，当目标点内所有任务都完成时才能获得此目标点的价值；

所述航程代价信息包括：

各无人机的初始位置与各目标点之间的最短飞行距离，以及目标点与目标点之间的最短飞行距离；

当一架无人机需要执行多个任务时，默认无人机执行完前一个任务才能执行下一个任务，在执行下一个任务之前将无人机的位置处于前一个任务所在的目标点位置，提前计算得出目标点之间的距离，有利于节约任务分配时的航程计算时间；

所述环境变化信息包括以下几种情形：

出现部分无人机故障，无法继续执行任务；

目标点的位置发生改变；

出现新的威胁区，无人机无法按原定路线飞行；

增加新的目标点以及任务；

上述--的情形混合出现；

S2、根据所述多无人机动态目标分配信息集中无人机与任务之间的分配关系，结合实际战场中的环境变化与任务要求，建立动态环境下的多无人机任务分配模型；

S3、将所述多无人机任务分配模型的多无人机任务分配问题的任意一个可行解，采用分组编码的方式进行编码得到多个组，每个组中包含一架无人机所需执行的任务编号；

S4、采用改进的人工蜂群算法求解所述多无人机任务分配模型，对无人机蜂群策略通过匈牙利算法修正计算，迭代更新得到所述多无人机任务分配模型的最优解即多无人机任务分配的最佳方案；

S5、针对环境与任务要求的改变，更新所述多无人机动态目标分配信息集，同时采用动态调整策略调整所述多无人机任务分配模型中无人机蜂群中的个体，重新使用改进的人工蜂群算法对调整后的无人机蜂群进行迭代，得到每一次环境与任务要求变化后的多无人机任务分配的最佳方案。

进一步地，所述S2步骤的建立动态环境下的多无人机任务分配模型的方法包括：

 （1）

式（1）中为目标函数；表示目标点价值；表示任务执行代价，包括航程代价和时间代价；表示约束违背代价；α、β、γ为各项代价的权重系数；

对于存在多个任务的目标点，只有当所有任务均被完成时才能获取该目标点价值，目标点价值函数具体定义为：

         （2）

式（2）中，表示目标点处存在的任务个数；表示目标点价值系数，当第i个目标点处第j个任务被执行时，的值为1，否则的值为0；表示目标点的价值；

无人机系统的基于航程和时间执行代价为：

（3）

式（3）中为航程代价矩阵；表示任务分配决策变量；为无人机到目标点的时间；、为航程代价和时间代价的权重系数；

约束违背代价函数的表达式为：

         （4）

式（4）中， np为约束条件数量，表示约束惩罚值，表示惩罚决策变量，当分配方案违背相应的约束时，的值为1，否则为0。

进一步地，所述S2步骤的建立动态环境下的多无人机任务分配模型的方法还包括：

为保证任务分配结果的有效性，使用式（5）-（8）多个约束条件对任务分配方案进行约束，对于不满足条件的任务分配施加相应惩罚值，约束条件如下表达式：

              （5）

（6）

              （7）

             （8）

式（5）中表示多无人机动态目标分配信息集中的架无人机，表示每架无人机最大航程约束，无人机的实际航程不超过其最大航程；

式（6）中表示多无人机动态目标分配信息集中的架无人机，表示无人机速度约束，无人机的实际速度不小于该无人机最小速度且不大于最大速度；

式（7）中表示多无人机动态目标分配信息集中的架无人机，表示任务数量约束，无人机实际执行的任务数量不能执行超过其能够执行的数量的任务， 为分配方案中无人机执行第类任务的数量，为无人机能够执行第类任务的数量；

式（8）中表示多无人机动态目标分配信息集中的个目标点，表示任务时序约束，k值越小优先级越高，同一目标点内优先级为k的执行时间不晚于优先级为k+1的执行时间。

进一步地，所述S3步骤的将多无人机任务分配模型的多无人机任务分配问题的任意一个可行解采用分组编码的方式进行编码得到多个组的方法包括：

将多无人机分配问题的任意一个可行解编码分成组，每一组包含一架无人机需执行的所有任务的编号，任务在分组中的顺序代表任务被执行的顺序。

进一步地，所述S4步骤的采用改进的人工蜂群算法求解多无人机任务分配模型，对无人机蜂群策略通过匈牙利算法修正计算的方法包括以下步骤：

S41、在任务分配的分组编码的基础上随机生成个满足所有约束条件的初始蜜源，并在每个所述初始蜜源的附近生成一只引领蜂；

S42、计算所有只引领蜂的适应度，采用轮盘赌算法选择每只引领蜂吸引的原始跟随蜂的个数，其中；

S43、对每个所述原始跟随蜂进行一次变异生成变异跟随蜂，记录所述变异跟随蜂的变异次数为等于1，对所述变异跟随蜂进行匈牙利算法局部修正，计算变异跟随蜂的适应度与所述原始跟随蜂的适应度的差值d₁，如果d₁小于0则执行步骤S44，如果d₁大于或者等于0则执行步骤S45；

针对任务分配问题和编码的特殊性，本发明设计了三种快速变异算子，所述变异的方法包括如图3中a、b、c分别对应的三种不同的变异方式中随机选取一种：

a单个个体编码中选取随机两组，从每一组中随机选择一部分互相交换；

b单个个体编码中随机选择一组，随机改变组内任务顺序；

c单个个体编码中随机选择一组，随机选择组内一个任务编号进行改变；

S44、对所述变异跟随蜂进行再次变异，变异方法同步骤S43，记录变异次数为加1，并对变异跟随蜂采用匈牙利算法局部修正，计算此次变异后变异跟随蜂的适应度与原始跟随蜂的适应度的差值d₂，如果d₂小于0且变异次数小于最大变异次数，则重新执行步骤S44，如果d₂大于或者等于0则执行步骤S45；

S45、比较所述蜜源、引领蜂和跟随蜂的适应度，选择其中适应度最高的成为下一次迭代的初始蜜源；

所述跟随蜂包括原始跟随蜂和变异跟随蜂；

S46、根据S45步骤选择的下一次迭代的初始蜜源的位置生成下一次迭代的引领蜂，重复步骤S42至S46直到任务全部执行完成。

进一步地，所述S5步骤的采用动态调整策略调整所述多无人机任务分配模型中无人机蜂群中的个体的方法包括以下步骤：

S51、检测外部环境变化，判断环境变化类型，如果环境改变影响分配结果，则执行S52步骤；

如果环境改变不影响分配结果，则跳过S52-S53步骤执行步骤S54；

S52、更新所述多无人机动态目标分配信息集；

S53、将原有任务分配方案中因环境改变而失效的部分分配所涉及的任务从原有任务分配方案中剔除，利用贪婪算法将原有任务分配方案中有效的任务和新增加的任务重新添加到任务分配方案中；

S54、将修改完成的任务分配方案作为S41步骤中的初始蜜源，重新执行步骤S41至S46。

进一步地，所述S44步骤中的对变异跟随蜂采用匈牙利算法局部修正的方法包括以下步骤：

S441、找到任务分配的每个分组中包含变异的任务部分，选择参与变异的分组中执行顺序最前的任务；

如果存在未参与变异的分组，则随机选择所述未参与变异的分组的某个任务；

S442、对于任务数量大于1的分组，将每个分组中排在被选择的任务之后的所有任务整合成一个新任务，选择所述新任务和其相邻的任务组成新的任务分配问题；

S443、根据所述新的任务分配问题构造代价矩阵，采用匈牙利算法求解得出最佳分配结果，将整合的任务进行展开，得到局部修正后的变异跟随蜂。

与现有技术相比，本发明的有益效果在于：

本发明基于改进的人工蜂群算法的动态环境下多无人机目标分配方法综合考虑了无人机编队总的航程代价、时间代价、完成任务所获得的价值以及多种约束条件，模拟多种可能发生的突发情形，相较于现有常见的任务分配算法，本发明建立的多无人机任务分配模型更加接近实际问题；采用改进的人工蜂群算法对任务分配问题进行求解，结合三种快速变异算子，能够快速获取新的分配方案提高迭代速度；在改进人工蜂群算法中，采用匈牙利算法进行局部修正，解决了快速变异算子带来的成功率不足的问题，从而提高了算法效率；在针对环境改变而导致原有任务分配方案失效的问题上，利用贪婪算法对失效分配方案进行快速调整，相较于现有的完全重分配算法，本发明采用的方法能够更加快速地获取新的任务分配方案，同时避免了新的任务分配方案与原有任务分配方案变化较大的问题；本发明对处理动态环境下多无人机任务分配问题具有求解速度快、求解精度高的优点，能够针对多种不同的突发状况对任务分配方案进行快速调整，有利于提高无人机编队的任务执行效率。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。

在附图中：

图1为本发明一种基于改进人工蜂群算法的动态环境多无人机任务分配方法的流程图；

图2为本发明实施例的动态环境下多无人机任务分配流程图；

图3为本发明实施例的分组编码示意图；

图4为本发明实施例的快速变异算子示意图；

图5为本发明实施例对无人机蜂群策略通过匈牙利算法修正计算的方法流程图；

图6为本发明实施例对变异跟随蜂采用匈牙利算法局部修正的方法流程图；

图7为本发明实施例采用动态调整策略调整所述多无人机任务分配模型中无人机蜂群中的个体的方法流程图。

具体实施方式

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公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和产品的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

下面结合附图对本发明实施例作进一步详细说明。

本发明实施例提供基于改进人工蜂群算法的动态环境多无人机任务分配方法，参见图1所示，包括如下步骤：

S1、根据无人机信息、目标点信息和环境信息，构建由架无人机组成，存在个目标点，每个所述目标点具有个任务，其中的多无人机动态目标分配信息集；

所述多无人机动态目标分配信息集包括：无人机信息、目标点信息、航程代价信息、环境变化信息；

其中，所述无人机信息包括：无人机的位置坐标、可执行的任务种类、可执行的各类任务的数量、最大航程和飞行速度范围；无人机信息的表达式为：

，其中是第架无人机的位置坐标；是第架无人机可执行第类任务的数量；是第架无人机最大飞行路程；，分别表示第架无人机的最小、最大飞行速度；

所述目标点信息包括：目标点的位置坐标、需执行的任务种类、任务执行优先级、任务的数量和目标点的价值；目标点信息的表达式为：

，其中是第个目标点的位置坐标；是第个目标点第类任务的数量，若该目标点不存在某种类型的任务，则该任务的数量设为0；是第个目标点第类任务的优先级；

对于不同的目标点，即使是相同的任务优先级也不一定相同，在一个目标点内值越大代表该任务的优先级越高，无人机不能首先执行优先级低的任务，如果同一目标点内两个任务优先级相同，则可先执行这两个任务中的任意一个；是第个目标点的总价值，在一个目标点内可能存在多个任务，当目标点内所有任务都完成时才能获得此目标点的价值；

所述航程代价信息包括：

各无人机的初始位置与各目标点之间的最短飞行距离，以及目标点与目标点之间的最短飞行距离；

当一架无人机需要执行多个任务时，默认无人机执行完前一个任务才能执行下一个任务，在执行下一个任务之前将无人机的位置处于前一个任务所在的目标点位置，提前计算得出目标点之间的距离，有利于节约任务分配时的航程计算时间；

所述环境变化信息包括以下几种情形：

出现部分无人机故障，无法继续执行任务；

目标点的位置发生改变；

出现新的威胁区，无人机无法按原定路线飞行；

增加新的目标点以及任务；

上述--的情形混合出现；

S2、根据所述多无人机动态目标分配信息集中无人机与任务之间的分配关系，结合实际战场中的环境变化与任务要求，建立动态环境下的多无人机任务分配模型；

所述建立动态环境下的多无人机任务分配模型的方法包括：

 （1）

式（1）中为目标函数；表示目标点价值；表示任务执行代价，包括航程代价和时间代价；表示约束违背代价；α、β、γ为各项代价的权重系数；

对于存在多个任务的目标点，只有当所有任务均被完成时才能获取该目标点价值，目标点价值函数具体定义为：

         （2）

式（2）中，表示目标点处存在的任务个数；表示目标点价值系数，当第i个目标点处第j个任务被执行时，的值为1，否则的值为0；表示目标点的价值；

无人机系统的基于航程和时间执行代价为：

（3）

式（3）中为航程代价矩阵；表示任务分配决策变量；为无人机到目标点的时间；、为航程代价和时间代价的权重系数；

约束违背代价函数的表达式为：

         （4）

式（4）中， np为约束条件数量，表示约束惩罚值，表示惩罚决策变量，当分配方案违背相应的约束时，的值为1，否则为0；

为保证任务分配结果的有效性，使用式（5）-（8）多个约束条件对任务分配方案进行约束，对于不满足条件的任务分配施加相应惩罚值，约束条件如下表达式：

             （5）

（6）

              （7）

             （8）

式（5）中表示多无人机动态目标分配信息集中的架无人机，表示每架无人机最大航程约束，无人机的实际航程不超过其最大航程；

式（6）中表示多无人机动态目标分配信息集中的架无人机，表示无人机速度约束，无人机的实际速度不小于该无人机最小速度且不大于最大速度；

式（7）中表示多无人机动态目标分配信息集中的架无人机，表示任务数量约束，无人机实际执行的任务数量不能执行超过其能够执行的数量的任务， 为分配方案中无人机执行第类任务的数量，为无人机能够执行第类任务的数量；

式（8）中表示多无人机动态目标分配信息集中的个目标点，表示任务时序约束，k值越小优先级越高，同一目标点内优先级为k的执行时间不晚于优先级为k+1的执行时间；

S3、将所述多无人机任务分配模型的多无人机任务分配问题的任意一个可行解，采用分组编码的方式进行编码得到多个组，每个组中包含一架无人机所需执行的任务编号；

所述将多无人机任务分配模型的多无人机任务分配问题的任意一个可行解采用分组编码的方式进行编码得到多个组的方法包括：

参见图3所示，将多无人机分配问题的任意一个可行解编码分成组，每一组包含一架无人机需执行的所有任务的编号，任务在分组中的顺序代表任务被执行的顺序；

S4、采用改进的人工蜂群算法求解所述多无人机任务分配模型，对无人机蜂群策略通过匈牙利算法修正计算，迭代更新得到所述多无人机任务分配模型的最优解即多无人机任务分配的最佳方案；

所述采用改进的人工蜂群算法求解多无人机任务分配模型，对无人机蜂群策略通过匈牙利算法修正计算的方法，参见图5所示包括以下步骤：

S41、在任务分配的分组编码的基础上随机生成个满足所有约束条件的初始蜜源，并在每个所述初始蜜源的附近生成一只引领蜂；

S42、计算所有只引领蜂的适应度，采用轮盘赌算法选择每只引领蜂吸引的原始跟随蜂的个数，其中；

S43、对每个所述原始跟随蜂进行一次变异生成变异跟随蜂，记录所述变异跟随蜂的变异次数为等于1，对所述变异跟随蜂进行匈牙利算法局部修正，计算变异跟随蜂的适应度与所述原始跟随蜂的适应度的差值d₁，如果d₁小于0则执行步骤S44，如果d₁大于或者等于0则执行步骤S45；

针对任务分配问题和编码的特殊性，本发明设计了三种快速变异算子，所述变异的方法包括如图4中a、b、c分别对应的三种不同的变异方式中随机选取一种：

a单个个体编码中选取随机两组，从每一组中随机选择一部分互相交换；

b单个个体编码中随机选择一组，随机改变组内任务顺序；

c单个个体编码中随机选择一组，随机选择组内一个任务编号进行改变；

S44、对所述变异跟随蜂进行再次变异，变异方法同步骤S43，记录变异次数为加1，并对变异跟随蜂采用匈牙利算法局部修正，计算此次变异后变异跟随蜂的适应度与原始跟随蜂的适应度的差值d₂，如果d₂小于0且变异次数小于最大变异次数，则重新执行步骤S44，如果d₂大于或者等于0则执行步骤S45；

所述对变异跟随蜂采用匈牙利算法局部修正的方法，参见图6所示包括以下步骤：

S441、找到任务分配的每个分组中包含变异的任务部分，选择参与变异的分组中执行顺序最前的任务；

如果存在未参与变异的分组，则随机选择所述未参与变异的分组的某个任务；

S442、对于任务数量大于1的分组，将每个分组中排在被选择的任务之后的所有任务整合成一个新任务，选择所述新任务和其相邻的任务组成新的任务分配问题；

S443、根据所述新的任务分配问题构造代价矩阵，采用匈牙利算法求解得出最佳分配结果，将整合的任务进行展开，得到局部修正后的变异跟随蜂；

S45、比较所述蜜源、引领蜂和跟随蜂的适应度，选择其中适应度最高的成为下一次迭代的初始蜜源；

所述跟随蜂包括原始跟随蜂和变异跟随蜂；

S46、根据S45步骤选择的下一次迭代的初始蜜源的位置生成下一次迭代的引领蜂，重复步骤S42至S46直到任务全部执行完成；

S5、针对环境与任务要求的改变，更新所述多无人机动态目标分配信息集，同时采用动态调整策略调整所述多无人机任务分配模型中无人机蜂群中的个体，重新使用改进的人工蜂群算法对调整后的无人机蜂群进行迭代，得到每一次环境与任务要求变化后的多无人机任务分配的最佳方案；

所述采用动态调整策略调整所述多无人机任务分配模型中无人机蜂群中的个体的方法，参见图7所示包括以下步骤：

S51、检测外部环境变化，判断环境变化类型，如果环境改变影响分配结果，则执行S52步骤；

如果环境改变不影响分配结果，则跳过S52-S53步骤执行步骤S54；

S52、更新所述多无人机动态目标分配信息集；

S53、将原有任务分配方案中因环境改变而失效的部分分配所涉及的任务从原有任务分配方案中剔除，利用贪婪算法将原有任务分配方案中有效的任务和新增加的任务重新添加到任务分配方案中；

S54、将修改完成的任务分配方案作为S41步骤中的初始蜜源，重新执行步骤S41至S46。

参见图2所示为本发明实施例的动态环境下多无人机任务分配流程。

本发明实施例基于改进的人工蜂群算法的动态环境下多无人机目标分配方法综合考虑了无人机编队总的航程代价、时间代价、完成任务所获得的价值以及多种约束条件，模拟多种可能发生的突发情形，相较于现有常见的任务分配算法，本发明建立的多无人机任务分配模型更加接近实际问题；采用改进的人工蜂群算法对任务分配问题进行求解，结合三种快速变异算子，能够快速获取新的分配方案提高迭代速度；在改进人工蜂群算法中，采用匈牙利算法进行局部修正，解决了快速变异算子带来的成功率不足的问题，从而提高了算法效率；在针对环境改变而导致原有任务分配方案失效的问题上，利用贪婪算法对失效分配方案进行快速调整，相较于现有的完全重分配算法，本发明采用的方法能够更加快速地获取新的任务分配方案，同时避免了新的任务分配方案与原有任务分配方案变化较大的问题；本发明对处理动态环境下多无人机任务分配问题具有求解速度快、求解精度高的优点，能够针对多种不同的突发状况对任务分配方案进行快速调整，有利于提高无人机编队任务执行效率。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于改进人工蜂群算法的动态环境多无人机任务分配方法，其特征在于，包括以下步骤：

S1、根据无人机信息、目标点信息和环境信息，构建由架无人机组成，存在个目标点，每个所述目标点具有个任务，其中的多无人机动态目标分配信息集；

S2、根据所述多无人机动态目标分配信息集中无人机与任务之间的分配关系，结合实际战场中的环境变化与任务要求，建立动态环境下的多无人机任务分配模型；

S3、将所述多无人机任务分配模型的多无人机任务分配问题的任意一个可行解，采用分组编码的方式进行编码得到多个组，每个组中包含一架无人机所需执行的任务编号；

S4、采用改进的人工蜂群算法求解所述多无人机任务分配模型，对无人机蜂群策略通过匈牙利算法修正计算，迭代更新得到所述多无人机任务分配模型的最优解即多无人机任务分配的最佳方案；

S5、针对环境与任务要求的改变，更新所述多无人机动态目标分配信息集，同时采用动态调整策略调整所述多无人机任务分配模型中无人机蜂群中的个体，重新使用改进的人工蜂群算法对调整后的无人机蜂群进行迭代，得到每一次环境与任务要求变化后的多无人机任务分配的最佳方案。

2.根据权利要求1所述的基于改进人工蜂群算法的动态环境多无人机任务分配方法，其特征在于，所述S2步骤的建立动态环境下的多无人机任务分配模型的方法包括：

 （1）

式（1）中为目标函数；表示目标点价值；表示任务执行代价，包括航程代价和时间代价；表示约束违背代价；α、β、γ为各项代价的权重系数；

对于存在多个任务的目标点，只有当所有任务均被完成时才能获取该目标点价值，目标点价值函数具体定义为：

         （2）

式（2）中，表示目标点处存在的任务个数；表示目标点价值系数，当第i个目标点处第j个任务被执行时，的值为1，否则的值为0；表示目标点的价值；

无人机系统的基于航程和时间执行代价为：

（3）

式（3）中为航程代价矩阵；表示任务分配决策变量；为无人机到目标点的时间；、为航程代价和时间代价的权重系数；

约束违背代价函数的表达式为：

         （4）

式（4）中， np为约束条件数量，表示约束惩罚值，表示惩罚决策变量，当分配方案违背相应的约束时，的值为1，否则为0。

3.根据权利要求1所述的基于改进人工蜂群算法的动态环境多无人机任务分配方法，其特征在于，所述S2步骤的建立动态环境下的多无人机任务分配模型的方法还包括：

使用式（5）-（8）多个约束条件对任务分配方案进行约束，对于不满足条件的任务分配施加相应惩罚值，约束条件如下表达式：

             （5）

（6）

              （7）

            （8）

式（5）中表示多无人机动态目标分配信息集中的架无人机，表示每架无人机最大航程约束，无人机的实际航程不超过其最大航程；

式（6）中表示多无人机动态目标分配信息集中的架无人机，表示无人机速度约束，无人机的实际速度不小于该无人机最小速度且不大于最大速度；

式（7）中表示多无人机动态目标分配信息集中的架无人机，表示任务数量约束，无人机实际执行的任务数量不能执行超过其能够执行的数量的任务， 为分配方案中无人机执行第类任务的数量，为无人机能够执行第类任务的数量；

式（8）中表示多无人机动态目标分配信息集中的个目标点，表示任务时序约束，k值越小优先级越高，同一目标点内优先级为k的执行时间不晚于优先级为k+1的执行时间。

4.根据权利要求1所述的基于改进人工蜂群算法的动态环境多无人机任务分配方法，其特征在于，所述S3步骤的将多无人机任务分配模型的多无人机任务分配问题的任意一个可行解采用分组编码的方式进行编码得到多个组的方法包括：

将多无人机分配问题的任意一个可行解编码分成组，每一组包含一架无人机需执行的所有任务的编号，任务在分组中的顺序代表任务被执行的顺序。

5.根据权利要求1所述的基于改进人工蜂群算法的动态环境多无人机任务分配方法，其特征在于，所述S4步骤的采用改进的人工蜂群算法求解多无人机任务分配模型，对无人机蜂群策略通过匈牙利算法修正计算的方法包括以下步骤：

S41、在任务分配的分组编码的基础上随机生成个满足所有约束条件的初始蜜源，并在每个所述初始蜜源的附近生成一只引领蜂；

S42、计算所有只引领蜂的适应度，采用轮盘赌算法选择每只引领蜂吸引的原始跟随蜂的个数，其中；

S43、对每个所述原始跟随蜂进行一次变异生成变异跟随蜂，记录所述变异跟随蜂的变异次数为等于1，对所述变异跟随蜂进行匈牙利算法局部修正，计算变异跟随蜂的适应度与所述原始跟随蜂的适应度的差值d₁，如果d₁小于0则执行步骤S44，如果d₁大于或者等于0则执行步骤S45；

S44、对所述变异跟随蜂进行再次变异，变异方法同步骤S43，记录变异次数为加1，并对变异跟随蜂采用匈牙利算法局部修正，计算此次变异后变异跟随蜂的适应度与原始跟随蜂的适应度的差值d₂，如果d₂小于0且变异次数小于最大变异次数，则重新执行步骤S44，如果d₂大于或者等于0则执行步骤S45；

S45、比较所述蜜源、引领蜂和跟随蜂的适应度，选择其中适应度最高的成为下一次迭代的初始蜜源；

所述跟随蜂包括原始跟随蜂和变异跟随蜂；

S46、根据S45步骤选择的下一次迭代的初始蜜源的位置生成下一次迭代的引领蜂，重复步骤S42至S46直到任务全部执行完成。

6.根据权利要求1所述的基于改进人工蜂群算法的动态环境多无人机任务分配方法，其特征在于，所述S5步骤的采用动态调整策略调整所述多无人机任务分配模型中无人机蜂群中的个体的方法包括以下步骤：

S51、检测外部环境变化，判断环境变化类型，如果环境改变影响分配结果，则执行S52步骤；

如果环境改变不影响分配结果，则跳过S52-S53步骤执行步骤S54；

S52、更新所述多无人机动态目标分配信息集；

S53、将原有任务分配方案中因环境改变而失效的部分分配所涉及的任务从原有任务分配方案中剔除，利用贪婪算法将原有任务分配方案中有效的任务和新增加的任务重新添加到任务分配方案中；

S54、将修改完成的任务分配方案作为S41步骤中的初始蜜源，重新执行步骤S41至S46。

7.根据权利要求5所述的基于改进人工蜂群算法的动态环境多无人机任务分配方法，其特征在于，所述S43步骤的所述变异的方法包括以下三种快速变异方法中的随机选取一种：

a单个个体编码中选取随机两组，从每一组中随机选择一部分互相交换；

b单个个体编码中随机选择一组，随机改变组内任务顺序；

c单个个体编码中随机选择一组，随机选择组内一个任务编号进行改变。

8.根据权利要求7所述的基于改进人工蜂群算法的动态环境多无人机任务分配方法，其特征在于，所述S44步骤中的对变异跟随蜂采用匈牙利算法局部修正的方法包括以下步骤：

S441、找到任务分配的每个分组中包含变异的任务部分，选择参与变异的分组中执行顺序最前的任务；

如果存在未参与变异的分组，则随机选择所述未参与变异的分组的某个任务；

S442、对于任务数量大于1的分组，将每个分组中排在被选择的任务之后的所有任务整合成一个新任务，选择所述新任务和其相邻的任务组成新的任务分配问题；

S443、根据所述新的任务分配问题构造代价矩阵，采用匈牙利算法求解得出最佳分配结果，将整合的任务进行展开，得到局部修正后的变异跟随蜂。

9.根据权利要求1所述的基于改进人工蜂群算法的动态环境多无人机任务分配方法，其特征在于，所述多无人机动态目标分配信息集包括：无人机信息、目标点信息、航程代价信息、环境变化信息；

其中，所述无人机信息包括：无人机的位置坐标、可执行的任务种类、可执行的各类任务的数量、最大航程和飞行速度范围；无人机信息的表达式为：

，其中是第架无人机的位置坐标；是第架无人机可执行第类任务的数量；是第架无人机最大飞行路程；，分别表示第架无人机的最小、最大飞行速度；

所述目标点信息包括：目标点的位置坐标、需执行的任务种类、任务执行优先级、任务的数量和目标点的价值；目标点信息的表达式为：

，其中是第个目标点的位置坐标；是第个目标点第类任务的数量，若该目标点不存在某种类型的任务，则该任务的数量设为0；是第个目标点第类任务的优先级。

10.根据权利要求9所述的基于改进人工蜂群算法的动态环境多无人机任务分配方法，其特征在于，所述航程代价信息包括：

各无人机的初始位置与各目标点之间的最短飞行距离，以及目标点与目标点之间的最短飞行距离；

所述环境变化信息包括以下几种情形：

出现部分无人机故障，无法继续执行任务；

目标点的位置发生改变；

出现新的威胁区，无人机无法按原定路线飞行；

增加新的目标点以及任务；

上述--的情形混合出现。

Images