CN116166048B - 一种无人机群容错任务规划方法 - Google Patents
一种无人机群容错任务规划方法 Download PDFInfo
- Publication number
- CN116166048B CN116166048B CN202310203621.9A CN202310203621A CN116166048B CN 116166048 B CN116166048 B CN 116166048B CN 202310203621 A CN202310203621 A CN 202310203621A CN 116166048 B CN116166048 B CN 116166048B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- task
- target
- population
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 34
- 230000035772 mutation Effects 0.000 claims description 18
- 230000001960 triggered effect Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 230000004083 survival effect Effects 0.000 claims description 14
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000000446 fuel Substances 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 38
- 238000004364 calculation method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000000295 fuel oil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种无人机群容错任务规划方法,首先,基于作战需求,设定任务最低执行成功率等约束,构造战前任务预分配模型。其次,采用多种群多目标进化算法对模型进行求解,得到问题的Pareto解集,并选出一个解作为作战方案。然后,基于预分配的设定构造战中任务重分配模型。最后,构造适用于多种突发情况下的实时任务重分配算法,提供当前战况下的任务重分配方案。本发明适用于考虑任务最低执行成功率的无人机群战前任务预分配多目标优化和战中突发情况下的实时任务重分配问题,在战前可基于作战需求为机群提供高质量的执行方案,同时在战中可针对突发情况为机群实时优化出适用于当前态势的任务执行方案,对无人机群协同任务规划的研究具有一定意义。
Description
技术领域
本发明属于无人机任务规划领域,涉及一种无人机群容错任务规划方法。
背景技术
为应对当前日益复杂的战场环境,提高作战效率,采用无人机机群协同作战是目前研究的主要方向之一。相较于单架无人机,无人机机群协同作战能够克服多种困难,例如弹药不足、无人机损毁后无法继续执行剩余任务、作战范围小等。使无人机机群协同作战优势被充分发挥的关键技术之一为协同任务预分配,即在充分考虑敌方目标信息、我方无人机资源等信息的基础上,根据当前战场态势进行战前的任务预分配以得到提高我方无人机机群作战效能的任务分配方案。在实际作战中,无人机执行任务时可能会被敌方发现并攻击,存在损毁风险,同时无人机不一定能成功执行任务,且不同的无人机对不同的目标执行任务时的成功率和自身的损毁率也不同。大部分研究中为简化模型,通常会忽略这些因素,这种处理方式会导致模型理想化,使得优化出的任务分配方案在实际作战中不能取得决策者期望的作战效能。同时,在实际作战中,决策者均希望以最小的作战代价(无人机损毁、航程代价等)获取最大的作战收益(被成功完成的任务价值等),而单目标优化不能够实现此类作战目标。
因此,综合考虑实际作战中可能发生的多种情况,基于当前的战场态势进行战前无人机机群协同任务分配的多目标优化的研究是有必要的。然而,综合考虑各种因素会使得任务分配的模型复杂、问题规模较大,这给使用传统的优化方法带来了困难。对于该类问题,对模型依赖小的启发式算法被广泛使用,该类方法对大规模问题的求解效率更高。当无人机机群依照优化得到的任务分配方案进行作战时,很大概率下会遇到使当前作战方案的部分分配不可行的各类突发情况,例如无人机被击毁、任务未被完成等。此时,面对凶险的作战环境,无人机机群需要快速做出响应,在最短的时间内根据突发情况和当前态势进行任务重分配,以得到适用于当前态势的任务分配方案。启发式算法虽能被用于大规模问题,但还无法做到实时的任务重分配。因此,综合考虑作战中可能存在的多种突发情况,基于侦查到的敌方信息、我方无人机信息等,研究战前的作战任务预分配的多目标优化和战中面对突发情况下的实时任务重分配对提高无人机机群协同作战效能和实时应变能力具有重要的价值。
发明内容
为了在综合考虑多种突发情况的基础上开展战前的无人机机群协同任务预分配和战中的实时任务重分配,本发明提出了一种无人机群容错任务规划方法。本方法通过给定目标被成功执行的最低概率,构建了在给定执行次数之内给目标分配最少的执行量并达到最低概率要求的任务预分配模型,并基于多种群进化思想构造了无人机机群协同任务预分配算法,同时基于战前任务预分配阶段的指标构造了重分配模型,以多类作战突发情况作为任务重分配触发条件,基于拍卖思想构造了无人机机群战中任务重分配算法,两种算法的综合使用构成了多无人机容错任务预规划与实时任务重规划方法。战前任务预分配阶段,该方法中根据问题的特点设计了合适的个体编码方式和高效的算子,构造了适用于该问题的多种群的多目标优化算法;战中任务重分配阶段,该方法中以多种突发情况作为触发条件,基于预分配阶段的问题设定和拍卖思想设计了高效的任务重分配算法,能实时的处理突发情况,使得作战方案适用于当前的战场态势。综合考虑战前任务预分配和战中任务重分配的各种因素来设计容错任务预规划与实时任务重规划方法能更好的让无人机机群适应实际作战,其可为无人机机群在战前提供高效的作战方案,同时能在战中根据实际情况实时调整作战方案,以使无人机机群适应战场态势的同时达到决策者希望的作战指标。
为了达到上述目的,本发明采用的技术方案为:
一种无人机群容错任务规划方法,首先,根据侦查到的目标信息、我方无人机的资源等信息,基于决策者期望的作战需求,设定目标函数和约束条件以构造战前任务预分配模型。其次,利用该方法中基于进化思想构造的多种群多目标进化算法对战前任务预分配模型进行求解,以得到该问题的Pareto最优解集,并利用选解方法从解集中选出一个解作为具体实施的作战方案。然后,根据任务预分配阶段的模型设定构造战中任务重分配的模型。最后,基于拍卖思想构造适用于多种突发情况下的实时任务重分配算法,为无人机机群提供适用于当前战况的剩余任务分配方案。本发明的计算流程图如图1所示,包括以下步骤:
步骤1:根据侦查到的目标信息、我方无人机的资源和协同作战的要求等信息,基于决策者期望的作战指标,设定目标函数和约束条件以构造战前任务预分配模型,具体如下:
步骤1-1:收集战前在战场中侦查到的目标和战前无人机机群的数据信息
假设战前在战场上共侦查到了NT个目标,令所有目标的集合记作其中Tj(j∈{1,2,…,NT})表示侦查到的第j个敌方目标,目标Tj的位置记作不同的目标对战场态势影响的程度不同,即对其打击获取的价值是不同的,令表示目标Tj的价值。无人机机群从机场起飞,执行完任务后再返回机场,令T0表示机场。假设我方无人机机群包含NU架无人机,令所有无人机的集合记作其中Ui(i∈{1,2,…,NU})表示第i架无人机。机群中可能包含多个类型的无人机,无人机之间由于型号的不同、装备不同等因素使得无人机的价值是不同的,令表示无人机Ui的价值。不同的无人机对不同的目标执行任务时,任务的成功率和无人机的生存率是不同的,令和分别表示无人机Ui对目标Tj执行任务时的成功率和无人机Ui的生存率。任务分配完成后,无人机会得到一个包含优先级关系的任务集合。令无人机Ui的任务集合记作其中表示分配给无人机Ui的任务数量,表示无人机Ui的任务集合中第i个被执行的目标的编号。
步骤1-2:构造任务预分配目标函数
为实现以最小的作战成本获得最大作战收益的目标,考虑两个目标函数,一是使无人机成功执行的目标的价值期望最大,二是使无人机作战的成本最小,其中,无人机的作战成本中包含两部分成本,分别是被损毁的无人机的价值和无人机的航程代价。令为决策变量,取值为1时表示无人机Ui从目标飞往目标执行的第l次任务,否则,表示不执行。
(1)最大化无人机机群执行成功的目标的价值期望
其中,表示对目标分配的最大任务数量,的表达式如下
上述目标函数可转化为最小化未被成功执行的目标的价值期望,如下
(2)最小化无人机机群的作战代价
其中,表示目标和之间的距离,使用欧式距离表示。如果同一无人机对同一个目标连续执行多次任务,那么此时
令f=(f1,f2)Τ,其中,f1=J2,f2=J3。
步骤1-3:给出任务预分配约束条件
基于实际作战中无人机资源受限等实际情况以及决策者根据需求设定的最小执行成功率等人为设定的条件等因素,在战前任务预分配中考虑如下的约束条件。
(1)资源约束。每架无人机的载弹量是有限的,分配给无人机的任务量不能超过无人机的载弹量。
其中,Ai表示无人机Ui的最大载弹量。
(2)最大攻击次数约束。对每一个目标分配的任务量不能超过给定的值。
(3)最小概率约束。对目标的执行成功率要高于设定的最小值。
其中,表示对目标设定的最低成功率。
(4)航程约束。单架无人机执行任务的总航程不能超过该无人机的最大航程。
其中,MRi表示无人机Ui的最大航程。
(5)优先级约束。单架无人机执行其任务集合中的任务时,需按照任务被分配的顺序执行。
其中,表示中任务的执行时间。
步骤1-4:构建无人机机群战前任务预分配多目标优化模型
在满足约束(5)-(9)的前提下,最小化向量函数f。
min f=(f1,f2)Τ
s.t.(5)-(9)
步骤2:利用该方法中构造的多种群多目标进化算法对模型进行求解,以得到该问题的Pareto最优解集,并利用选解方法从解集中选出一个解作为具体实施的作战方案,具体如下:
步骤2-1:设定多种群多目标优化算法参数
给定种群数量PN、每个种群的规模Si、使用移民算子的间隔进化代数IG、最大迭代次数G、每个种群的交叉概率每个种群的变异概率
步骤2-2:初始化种群
个体编码采用只包含被分配的目标相关信息的离散编码方式。每一个目标的其中一次分配信息以列的形式呈现,即每一列的第一行表示被分配的目标编号,第二行表示为该目标分配的无人机的编号。如果一个目标的多次任务都被分配给了同一架无人机,那么令该无人机统一执行完该目标的任务后再对其他目标执行任务,即该无人机对该目标执行的任务中间不穿插其他任务。按照上述编码方式随机生成PN个规模分别为Si(i=1,2,…,PN)的初始种群生成种群时采用串行的方法,即一个种群初始化完成后再依次生成下一个种群。下面给出多个种群的初始化方法。
步骤2-2-1:输入无人机、敌方目标和种群参数并初始化当前种群数量
输入无人机的参数,包括无人机的集合U、每架无人机的载弹量Ai、最大航程MRi、初始位置输入目标的信息,包括目标集合T、每个目标能被分配的最大任务量mj、最低执行成功率位置输入种群的参数,包括种群数量PN、每个种群的规模Sl,其中,i=1,2,…,NU,j=1,2,…,NT,l=1,2,…,PN。初始化当前种群数量,令当前每个种群的种群规模为0。从第l(l=1)个种群开始初始化。
步骤2-2-2:判断当前初始化完的种群数量
若初始化完成的种群数量等于PN,即l=PN+1,则多个种群的初始化完成,退出当前初始化过程,转步骤2-3,否则,执行步骤2-2-3。
步骤2-2-3:初始化第l个种群
步骤2-2-3-1:判断当前种群的染色体数量
若种群中个体数量等于Sl,则种群初始化完成,完成初始化的种群数量加1,转步骤2-2-2。否则,执行步骤2-2-3-2。
步骤2-2-3-2:编码个体
步骤2-2-3-2-1:从目标集合T中随机选择一个目标,令并生成一个空集合DT
步骤2-2-3-2-2:为选择的目标分配无人机
从无人机集合中随机选择一架无人机,计算将选择的无人机分配给该目标后该无人机目前的实际航程是否满足航程约束。若满足航程约束,则将选择的无人机添加到集合DT中,否则,从集合删掉选择的无人机,重复该过程直到选择一架满足航程约束的无人机。若没有无人机能够满足航程约束,则令从中删掉该目标,并转步骤2-2-3-2-3。若匹配到了满足航程约束的无人机,则继续按下面的过程处理。
计算对当前选择的目标的攻击成功率是否高于最低概率,若满足最小概率约束,则首先将DT中的无人机都分配给选择的目标,其次从集合删掉选择的目标,然后更新集合中无人机的弹药,接着将弹药为0的无人机从集合中删掉,并转步骤2-2-3-2-3。若不满足最小概率约束,那么更新集合中无人机的弹药并将弹药为0的无人机从中删掉,若集合不为空集,则重复步骤2-2-3-2-2,否则转步骤2-2-3-2-3。
步骤2-2-3-2-3:判断集合T和U否为空集
令若集合T和集合U只要有一个集合为空集,则令生成的个体数加1,并转步骤2-2-3-1,否则,转步骤2-2-3-2-1。
步骤2-3:令l=0
步骤2-4:判断多少个种群生成了子种群
若已经生成子种群的种群个数为PN,即l=PN+1,则转步骤2-6,否则,执行步骤2-5。
步骤2-5:对第l个种群通过交叉和变异生成子种群SPl
步骤2-5-1:使用轮盘赌算法从种群中选择两个交叉父代,记作F1,F2
步骤2-5-2:随机生成一个0至1间的数,若其小于则对F1,F2进行交叉操作,否则,转步骤2-5-1步骤2-5-3:选择交叉点
从F1,F2之间维度小的个体中随机选择两个交叉点p2>p1,对交叉点之间的片段进行交叉。令n=1,表示从第一个交叉点位开始交叉操作。下面以父代F1为例给出具体的交叉过程。
步骤2-5-3-1:从两个交叉父代F1,F2中分别找出有剩余能力的无人机集合和个体中的无人机集合
找出父代F1中有剩余弹药的无人机集合,记作RMUAV1,F2交叉点内片段中执行任务的无人机集合,记作APUAV2,F2中执行任务的无人机集合,记作EUAV2。
步骤2-5-3-2:判断对F1的交叉操作是否结束
若已经对n个交叉点位进行了交叉操作,即n=p2-p1+2,则得到了父代F1的交叉子代O1,转步骤2-5-4,否则转步骤2-5-3-3。
步骤2-5-3-3:对第n个交叉点位进行交叉
步骤2-5-3-3-1:随机选择一架无人机
首先,判断集合RMUAV1是否为空集。若为空集,则转步骤2-5-3-3-4,如果不为空集,那么对集合APUAV2和RMUAV1取交集。若APUAV2和RMUAV1的交集不为空集,则从交集中随机选择一架无人机;如果交集为空集,接着对集合EUAV2和RMUAV1取交集,若EUAV2和RMUAV1的交集不为空集,则从交集中随机选择一架无人机;如果新得到的交集为空集,从RMUAV1中随机选择一架无人机。
步骤2-5-3-3-2:判断将选择的无人机分配给交叉点位的目标是否满足最小概率约束
如果满足概率约束,转步骤2-5-3-3-3;如果不满足概率约束,则从集合RMUAV1中删掉该无人机,转步骤2-5-3-3-1。
步骤2-5-3-3-3:判断选择的无人机是否满足航程约束
判断选择的无人机若被分配给当前交叉点位的目标是否满足航程约束,如果满足,则使用该无人机替换当前交叉点位的无人机,转步骤2-5-3-4,否则,从集合RMUAV1中删掉该无人机,并转步骤2-5-3-3-1。
步骤2-5-3-3-4:交换对应交叉点位的无人机信息
找出父代F2第n个交叉点位的无人机Ui,从父代F1中无人机Ui的任务集合中随机选择一个任务,用F1第n个交叉点位的无人机Uj替换选择的任务的无人机,并用Ui替换F1第n个交叉点位的无人机Uj。
判断交叉后F1中对应的两个目标是否满足概率约束,以及对应的两架无人机是否满足航程约束,如果两类约束均满足,则做上述交叉操作,否则,取消对F1第n个交叉点位的交叉操作,转步骤2-5-3-4。
步骤2-5-3-4:更新集合RMUAV1,令n=n+1,并转步骤2-5-3-2
步骤2-5-4:随机生成一个0至1间的数,若其小于则对O1进行如下变异操作,否则,转步骤2-5-5步骤2-5-4-1:在O1中随机选择两个变异点
步骤2-5-4-2:交换两个变异点处分配信息的位置
判断交换位置后,无人机是否满足航程约束,若满足,则完成变异操作,转步骤2-5-5。若不满足,转步骤2-5-4-3。
步骤2-5-4-3:交换两个变异点处无人机或目标信息
首先交换两个变异点处的无人机信息,并对相应的两个目标分配判断是否满足概率约束,若满足概率约束,再判断两架无人机是否满足航程约束。若满足航程约束,则完成变异,否则,交换当前两个变异点处分配信息的位置,并判断此时两架无人机是否满足航程约束,若仍不满足,则取消对该染色体的变异操作,并转步骤2-5-5。
步骤2-5-5:对父代F2依据与步骤2-5-3-1至步骤2-5-4-3类似的过程进行交叉和变异操作
步骤2-5-6:生成的子代数量加2,判断当前生成的子代数量是否为Sl,若是,则l=l+1,转步骤2-4,否则,转步骤2-5-1
步骤2-6:分别将每一个种群与其子种群SPl组合为一个2Sl的种群,记作
步骤2-7:依据(3)和(4)分别计算出每个种群中个体的适应度值,并基于非支配快速排序方法和精英保留策略分别从中选择出Sl个个体组成新的父代种群,记作
步骤2-8:令g=g+1,g1=g。若g<G,则转步骤2-9,否则,转步骤2-10
步骤2-9:判断g是否为IG的整数倍,若是,则进行如下的移民操作,否则,转步骤2-3
步骤2-9-1:依据(3)和(4)分别计算出每个种群中个体的适应度值,并基于非支配快速排序方法找出每个种群的Pareto解集
步骤2-9-2:使用第l+1个种群的Pareto前沿中非支配解对应的个体替换第l(l=1,2,…,PN-1)个种群中Pareto最优前沿之外的相应个数的个体,使用第PN个种群的Pareto前沿中非支配解对应的个体替换第1个种群中Pareto最优前沿之外的相应个数的个体,转步骤2-3
步骤2-10:将PN个种群合成一个种群,输出该种群的Pareto解集并退出。
步骤2-11:从Pareto解集中选解
步骤2-11-1:基于对目标函数的偏好,输入权重α1和α2,其中,0<α1,α2<1,α1+α2=1
步骤2-11-2:对Pareto最优前沿中每一个非支配解的目标函数进行加权求和
步骤2-11-3:选择上一步中得到的数组中最小的数值对应的Pareto解
步骤3:根据任务预分配阶段的模型设定构造战中任务重分配的模型
步骤3-1:收集触发重分配时无人机的信息和被重分配的目标的信息
收集触发重分配时无人机机群中各无人机的位置、各无人机当前还未执行的任务集合、被竞标的目标的编号信息。令表示无人机Ui当前的位置;表示无人机Ui当前还未执行的任务集合,其中表示无人机Ui剩余目标的编号;表示需要被重分配的无人机编号。
步骤3-2:构造任务重分配的目标函数
基于任务预分配阶段构造的最小化未被执行的目标的价值和作战代价的思想,构造任务重分配的目标函数。令为决策变量,取值为1时表示无人机Ui中标目标并将目标分配在剩余任务集合RMi第l个位置,否则,表示未分配。为了能够实现以小的作战代价获得大的作战收益的目标,构造一个目标函数,如下
其中,表示无人机Ui将目标分配到RMi第l个位置后的航程改变量,表达式如下
步骤3-3:构造任务重分配的约束条件
在战中任务重分配阶段,考虑航程约束和资源约束,如下
(1)航程约束。无人机被分配新任务后,无人机的航程改变量不能超过该无人机当前的剩余航程。
其中,RVi表示无人机Ui被分配任务之前执行完RMi中所有任务后的剩余航程。
(2)资源约束。无人机需要满足资源约束。
其中,RAi表示无人机Ui被分配任务之前执行完RMi中所有任务后的剩余弹药。
步骤3-4:构造任务重分配模型
在满足约束(11)-(12)的前提下,最小化J4。
min J4
s.t.(11)-(12)
步骤4:基于拍卖思想构造适用于多种突发情况下的实时任务重分配算法,为无人机机群提供适用于当前战况的剩余任务分配方案
触发任务重分配的条件包括:1)无人机成功执行了当前目标,该目标还存在其它未被执行的任务;2)无人机未成功执行当前目标,无人机存活,且该目标不存在其他未被执行的任务;3)无人机未成功执行当前目标,无人机坠毁,且无人机的剩余任务集合中出现没有无人机对一些目标执行任务的情况。
步骤4-1:输入战前任务预规划方案,设定权重α1和α2的值,并给出无人机的航速
步骤4-2:计算出无人机执行任务到达的先后顺序
设定0时刻从机场出发,计算出每架无人机到达其任务集合中每一个目标的时刻,以此得到无人机执行任务到达的先后顺序。从无人机机群中第一架到达目标点的无人机开始,依次执行步骤4-3,直到所有的目标都被执行或者无人机资源不足了(没有弹药、没有燃油)停止。
步骤4-3:判断无人机执行任务的情况和生存情况
步骤4-3-1:随机生成一个0至1之间的数,判断其是否大于当前无人机Unow执行当前任务Tnow时的生存率,若大于,记录下当前无人机Unow当前的剩余任务集合并转步骤4-4,否则,转步骤4-3-2
步骤4-3-2:随机生成一个0至1之间的数,判断其是否大于当前无人机Unow执行当前任务Tnow的成功率,若大于,转步骤4-5,否则,转步骤4-6
步骤4-4:判断无人机损毁是否触发重分配,若触发,则进行重分配
步骤4-4-1:判断当前无人机Unow当前的剩余任务集合是否存在没有被分配给其他无人机的目标,若存在,则触发重分配,从找出所有此类目标,其集合记作RTnow,转步骤4-4-2
步骤4-4-2:对集合RTnow中的每一个任务依据步骤4-5-2的过程执行,遍历完RTnow中所有任务后退出任务重分配过程
步骤4-5:判断无人机存活但任务失败是否触发任务重分配,若触发,则进行重分配
步骤4-5-1:判断Tnow是否还有其他未被执行的任务,若有,则不触发重分配,否则,转步骤4-5-2
步骤4-5-2:对Tnow进行重分配
步骤4-5-2-1:找出当前所有具有剩余弹药的无人机集合RAUnow
步骤4-5-2-2:判断集合RAUnow是否为空集,若为空集,退出重分配过程,否则,执行下述过程
RAUnow中的每一架无人机对Tnow投标,投标的方式为:每一架无人机将Tnow依次插入到其任务集合的两两任务之间,计算每一种新的任务序列下的无人机的航程改变量,若存在任务序列对应的无人机航程改变量满足约束(12),则对满足约束(12)的任务组合依据(10)计算出每一种任务组合下的目标函数值,选择值最小对应的任务排序方案作为其投标的方案。从所有无人机投标的方案中,选择出目标函数(10)的值最小的投标方案作为中标方案,同时相应的无人机为中标无人机。更新中标无人机的剩余任务集合、剩余弹药量以及执行剩余任务的到达时刻。若所有任务组合都不满足约束(12),则该架无人机不参与投标。若所有的无人机都不满足约束(11)-(12),则不能够对目标Tnow重分配。退出任务重分配过程。
步骤4-6:判断无人机存活且任务成功是否触发任务重分配,若触发,则进行重分配
步骤4-6-1:判断当前任务Tnow是否还存在其它未被执行的任务,若不存在,则不触发重分配,否则,转步骤4-6-2
步骤4-6-2:对Tnow进行重分配
遍历所有无人机的剩余任务集合,删掉对于Tnow的任务,并更新相应无人机的剩余任务集合、剩余弹药和到达任务集合中每一任务的时刻。退出任务重分配过程。
本发明的有益效果为:
本发明提供得到战前的容错任务预分配方案和战中触发重分配后的任务重分配方案的方法,该方法能够综合考虑无人机的航程以及弹药等资源信息、无人机损毁以及任务未被完成等风险在战前协助决策者同时优化多个作战目标并根据决策者的需求选择出具体的作战任务分配方案,同时能够在战中发生突发情况使得当前的任务分配方案不适用于实际战况时,实时的根据战况进行任务重分配,在最短的时间内优化出既符合战况又符合作战需求的任务重分配方案,使得无人机机群在面对突发情况时能更好的协同作战。综合考虑战前任务预分配阶段和战中任务重分配阶段,能够为无人机机群提高作战效能提供更加完善的方案。
附图说明
图1为本发明的计算流程图。
图2为本发明实施例中战前任务预分配阶段优化得到的Pareto最优前端。
图3为从Pareto最优前端选择的解对应的无人机路径图。图3(a)为预分配方案中无人机U1的路径图;图3(b)为预分配方案中无人机U2的路径图;图3(c)为预分配方案中无人机U3的路径图;图3(d)为预分配方案中无人机U4的路径图;图3(e)为预分配方案中无人机U5的路径图;图3(f)为预分配方案中无人机U6的路径图。
图4为使用任务预分配多种群多目标优化方法进行20次实验的CPU运行时间。
图5为第一次触发重分配后重规划的任务分配方案和无人机飞行路径。图5(a)为任务重分配后无人机U1的路径图;图5(b)为任务重分配后无人机U2的路径图;图5(c)为任务重分配后无人机U3的路径图;图5(d)为任务重分配后无人机U4的路径图;图5(e)为任务重分配后无人机U5的路径图;图5(f)为任务重分配后无人机U6的路径图。
图6为第二次触发重分配后重规划的任务分配方案和无人机飞行路径。图6(a)为任务重分配后无人机U1的路径图;图6(b)为任务重分配后无人机U2的路径图;图6(c)为任务重分配后无人机U3的路径图;图6(d)为任务重分配后无人机U4的路径图;图6(e)为任务重分配后无人机U5的路径图;图6(f)为任务重分配后无人机U6的路径图。
图7为无人机机群的最终实际的飞行路径。图7(a)为无人机U1最终实际飞行路径图;图7(b)为无人机U2最终实际飞行路径图;图7(c)为无人机U3最终实际飞行路径图;图7(d)为无人机U4最终实际飞行路径图;图7(e)为无人机U5最终实际飞行路径图;图7(f)为无人机U6最终实际飞行路径图。
图8为20次触发重分配后重分配实验的CPU运行时间。
具体实施方式
以下结合具体实施例对本发明做进一步说明。
一种无人机群容错任务规划方法,首先,根据侦查到的目标信息、我方无人机的资源等信息,基于决策者期望的作战需求,设定目标函数和约束条件以构造战前任务预分配模型。其次,利用该方法中基于进化思想构造的多种群多目标进化算法对战前任务预分配模型进行求解,以得到该问题的Pareto最优解集,并利用选解方法从解集中选出一个解作为具体实施的作战方案。然后,根据任务预分配阶段的模型设定构造战中任务重分配的模型。最后,基于拍卖思想构造适用于多种突发情况下的实时任务重分配算法,为无人机机群提供适用于当前战况的剩余任务分配方案。本发明的计算流程图如图1所示,具体实施案例如下:
考虑6架无人机对11个目标协同执行任务的任务分配和重分配问题。所有目标的集合记作T={T1,T2,…,T11},目标Tj的位置记作目标Tj的价值记作机场位置记作所有无人机的集合记作U={U1,U2,…,U6},无人机Ui的价值记作令和分别表示无人机Ui对目标Tj执行任务时的成功率和无人机Ui的生存率;无人机Ui的任务集合记作其中表示分配给无人机Ui的任务数量,表示无人机Ui的任务集合中第i个被执行的目标的编号。
步骤1:根据侦查到的目标信息、我方无人机的资源和协同作战的要求等信息,基于决策者期望的作战指标,设定目标函数和约束条件以构造战前任务预分配模型,具体如下:
步骤1-1:收集战前在战场中侦查到的目标和战前无人机机群的数据信息
我方无人机所在机场位置战前收集的目标的位置和目标的价值如表1所示,无人机价值最大航程Voyage和时速Speed如表2所示,和的值如表3所示。
表1无人机信息
表2目标信息
表3无人机执行任务的成功率和死亡率信息
步骤1-2:构造任务预分配目标函数
令为决策变量,取值为1时表示无人机Ui从目标飞往目标执行的第l次任务,否则,表示不执行。构造如下的目标函数。
(1)最小化未被成功执行的目标的价值期望
其中,的表达式如下
(2)最小化无人机机群的作战代价
步骤1-3:给出任务预分配约束条件
基于实际作战中无人机资源受限等实际情况以及决策者根据需求设定的最小执行成功率等人为设定的条件等因素,在战前任务预分配中考虑如下的约束条件。
(6)资源约束。分配给无人机的任务量不能超过当前无人机的载弹量。
其中,Ai的取值见表1。
(7)最大攻击次数约束。对每一个目标分配的任务量不能超过给定的值3。
(8)最小概率约束。对目标的执行成功率要高于设定的最小值0.8。
(9)航程约束。单架无人机执行任务的总航程不能超过该无人机的最大航程。
其中,MRi的取值见表1。
(10)优先级约束。单架无人机执行其任务集合中的任务时,需按照任务被分配的顺序执行。
步骤1-4:构建如下无人机机群战前任务预分配多目标优化模型
min f=(J5,J6)Τ
s.t.(16)-(20)
步骤2:利用该方法中构造的多种群多目标进化算法对模型进行求解,以得到该问题的Pareto最优解集,并利用选解方法从解集中选出一个解作为具体实施的作战方案,具体如下:
步骤2-1:设定多种群多目标优化算法参数
给定种群数量PN=3、每个种群的规模Si=60、使用移民算子的间隔进化代数IG=10、最大迭代次数G=200、每个种群的交叉概率每个种群的变异概率
步骤2-2:初始化种群
依据给定的编码方式随机生成3个规模分别为Si=60(i=1,2,3)的初始种群生成种群时采用串行的方法,即一个种群初始化完成后再依次生成下一个种群。下面给出多个种群的初始化方法。
步骤2-2-1:输入无人机、敌方目标和种群参数并初始化当前种群数量
基于表1-表3,输入目标和无人机信息以及无人机的生存概率和任务的成功率。令当前每个种群的种群数量为0。从第l(l=1)个种群开始初始化。
步骤2-2-2:判断当前初始化完的种群数量
若初始化完成的种群数量等于3,即l=4,则多个种群的初始化完成,退出当前初始化过程,转步骤2-3,否则,执行步骤2-2-3。
步骤2-2-3:初始化第l个种群
步骤2-2-3-1:判断当前种群的染色体数量
若种群中个体数量等于60,则种群初始化完成,完成初始化的种群数量加1,转步骤2-2-2。否则,执行步骤2-2-3-2。
步骤2-2-3-2:编码个体
步骤2-2-3-2-1:从目标集合T中随机选择一个目标,令并生成一个空集合DT
步骤2-2-3-2-2:为选择的目标分配无人机
从无人机集合中随机选择一架无人机,计算将选择的无人机分配给该目标后该无人机目前的实际航程是否满足航程约束。若满足航程约束,则将选择的无人机添加到集合DT中,否则,从集合删掉选择的无人机,重复该过程直到选择一架满足航程约束的无人机。若没有无人机能够满足航程约束,则令从中删掉该目标,并转步骤2-2-3-2-3。若匹配到了满足航程约束的无人机,则继续按下面的过程处理。
判断当前选择的目标是否满足约束(18),若满足,则首先将DT中的无人机都分配给选择的目标,其次从集合删掉选择的目标,然后更新集合中无人机的弹药,接着将弹药为0的无人机从集合中删掉,并转步骤2-2-3-2-3。若不满足(18),那么更新集合中无人机的弹药并将弹药为0的无人机从中删掉,若集合不为空集,则重复步骤2-2-3-2-2,否则转步骤2-2-3-2-3。
步骤2-2-3-2-3:判断集合T和U否为空集
令若集合T和集合U只要有一个集合为空集,则令生成的个体数加1,并转步骤2-2-3-1,否则,转步骤2-2-3-2-1。
步骤2-3:令l=0
步骤2-4:判断多少个种群生成了子种群
若已经生成子种群的种群个数为3,即l=4,则转步骤2-6,否则,执行步骤2-5。
步骤2-5:对第l个种群通过交叉和变异生成子种群SPl
步骤2-5-1:使用轮盘赌算法从种群中选择两个交叉父代,记作F1,F2
步骤2-5-2:随机生成一个0至1间的数,若其小于则对F1,F2进行交叉操作,否则,转步骤2-5-1步骤2-5-3:选择交叉点
从F1,F2之间维度小的个体中随机选择两个交叉点p2>p1,对交叉点之间的片段进行交叉。令n=1,表示从第一个交叉点位开始交叉操作。下面以父代F1为例给出具体的交叉过程。
步骤2-5-3-1:从两个交叉父代F1,F2中分别找出有剩余能力的无人机集合和个体中的无人机集合
找出父代F1中有剩余弹药的无人机集合,记作RMUAV1,F2交叉点内片段中执行任务的无人机集合,记作APUAV2,F2中执行任务的无人机集合,记作EUAV2。
步骤2-5-3-2:判断对F1的交叉操作是否结束
若已经对n个交叉点位进行了交叉操作,即n=p2-p1+2,则得到了父代F1的交叉子代O1,转步骤2-5-4,否则转步骤2-5-3-3。
步骤2-5-3-3:对第n个交叉点位进行交叉
步骤2-5-3-3-1:随机选择一架无人机
首先,判断集合RMUAV1是否为空集。若为空集,则转步骤2-5-3-3-4,如果不为空集,那么对集合APUAV2和RMUAV1取交集。若APUAV2和RMUAV1的交集不为空集,则从交集中随机选择一架无人机;如果交集为空集,接着对集合EUAV2和RMUAV1取交集,若EUAV2和RMUAV1的交集不为空集,则从交集中随机选择一架无人机;如果新得到的交集为空集,从RMUAV1中随机选择一架无人机。
步骤2-5-3-3-2:判断将选择的无人机分配给交叉点位的目标是否满足最小概率约束
如果满足概率约束,转步骤2-5-3-3-3;如果不满足概率约束,则从集合RMUAV1中删掉该无人机,转步骤2-5-3-3-1。
步骤2-5-3-3-3:判断选择的无人机是否满足航程约束
判断选择的无人机若被分配给当前交叉点位的目标是否满足航程约束,如果满足,则使用该无人机替换当前交叉点位的无人机,转步骤2-5-3-4,否则,从集合RMUAV1中删掉该无人机,并转步骤2-5-3-3-1。
步骤2-5-3-3-4:交换对应交叉点位的无人机信息
找出父代F2第n个交叉点位的无人机Ui,从父代F1中无人机Ui的任务集合中随机选择一个任务,用F1第n个交叉点位的无人机Uj替换选择的任务的无人机,并用Ui替换F1第n个交叉点位的无人机Uj。
判断交叉后F1中对应的两个目标是否满足概率约束,以及对应的两架无人机是否满足航程约束,如果两类约束均满足,则做上述交叉操作,否则,取消对F1第n个交叉点位的交叉操作,转步骤2-5-3-4。
步骤2-5-3-4:更新集合RMUAV1,令n=n+1,并转步骤2-5-3-2
步骤2-5-4:随机生成一个0至1间的数,若其小于则对O1进行如下变异操作,否则,转步骤2-5-5步骤2-5-4-1:在O1中随机选择两个变异点
步骤2-5-4-2:交换两个变异点处分配信息的位置
判断交换位置后,无人机是否满足航程约束,若满足,则完成变异操作,转步骤2-5-5。若不满足,转步骤2-5-4-3。
步骤2-5-4-3:交换两个变异点处无人机或目标信息
首先交换两个变异点处的无人机信息,并对相应的两个目标分配判断是否满足概率约束,若满足概率约束,再判断两架无人机是否满足航程约束。若满足航程约束,则完成变异,否则,交换当前两个变异点处分配信息的位置,并判断此时两架无人机是否满足航程约束,若仍不满足,则取消对该染色体的变异操作,并转步骤2-5-5。
步骤2-5-5:对父代F2依据与步骤2-5-3-1至步骤2-5-4-3类似的过程进行交叉和变异操作
步骤2-5-6:生成的子代数量加2,判断当前生成的子代数量是否为60,若是,则l=l+1,转步骤2-4,否则,转步骤2-5-1
步骤2-6:分别将每一个种群与其子种群SPl组合为一个规模为120的种群,记作
步骤2-7:依据(13)和(15)分别计算出每个种群中个体的适应度值,并基于非支配快速排序方法和精英保留策略分别从中选择出60个个体组成新的父代种群,记作
步骤2-8:令g=g+1,g1=g。若g<200,则转步骤2-9,否则,转步骤2-10
步骤2-9:判断g是否为10的整数倍,若是,则进行如下的移民操作,否则,转步骤2-3
步骤2-9-1:依据(13)和(15)分别计算出每个种群中个体的适应度值,并基于非支配快速排序方法找出每个种群的Pareto解集
步骤2-9-2:使用第l+1个种群的Pareto前沿中非支配解对应的个体替换第l(l=1,2,3)个种群中Pareto最优前沿之外的相应个数的个体,使用第3个种群的Pareto前沿中非支配解对应的个体替换第1个种群中Pareto最优前沿之外的相应个数的个体,转步骤2-3
步骤2-10:将3个种群合成一个种群,输出该种群的Pareto最优前沿并退出。
步骤2-11:从Pareto解集中选解
步骤2-11-1:基于对目标函数的偏好,输入权重α1=0.5和α2=0.5
步骤2-11-2:对Pareto最优前沿中每一个非支配解的目标函数进行加权求和
步骤2-11-3:选择上一步中得到的数组中最小的数值对应的Pareto解
步骤3:根据任务预分配阶段的模型设定构造战中任务重分配的模型
步骤3-1:收集触发重分配时无人机的信息和被重分配的目标的信息
收集触发重分配时无人机机群中各无人机的位置、各无人机当前还未执行的任务集合、被竞标的目标的编号信息。令表示无人机Ui当前的位置;表示无人机Ui当前还未执行的任务集合,其中表示无人机Ui剩余目标的编号;表示需要被重分配的无人机编号。
步骤3-2:构造任务重分配的目标函数
令为决策变量,取值为1时表示无人机Ui中标目标并将目标分配在剩余任务集合RMi第l个位置,否则,表示未分配。构造如下目标函数
其中,表达式如下
步骤3-3:构造任务重分配的约束条件
在战中任务重分配阶段,考虑航程约束和资源约束,如下
(1)航程约束。无人机被分配新任务后,其航程改变量不能超过该无人机当前的剩余航程。
(2)资源约束。无人机需要满足资源约束。
步骤3-4:构造任务重分配模型
min J7
s.t.(22)-(23)
步骤4:基于拍卖思想构造适用于多种突发情况下的实时任务重分配算法,为无人机机群提供适用于当前战况的剩余任务分配方案
步骤4-1:输入战前任务预规划方案,输入权重α1=α2=0.5,并给出无人机的航速
步骤4-2:计算出无人机执行任务到达的先后顺序
设定0时刻从机场出发,计算出每架无人机到达其任务集合中每一个目标的时刻,以此得到无人机执行任务到达的先后顺序。从无人机机群中第一架到达目标点的无人机开始,依次执行步骤4-3,直到所有的目标都被执行或者无人机资源不足了(没有弹药、没有燃油)停止。
步骤4-3:判断无人机执行任务的情况和生存情况
步骤4-3-1:随机生成一个0至1之间的数,判断其是否大于当前无人机Unow执行当前任务Tnow时的生存率,若大于,记录下当前无人机Unow当前的剩余任务集合并转步骤4-4,否则,转步骤4-3-2
步骤4-3-2:随机生成一个0至1之间的数,判断其是否大于当前无人机Unow执行当前任务Tnow的成功率,若大于,转步骤4-5,否则,转步骤4-6
步骤4-4:判断无人机损毁是否触发重分配,若触发,则进行重分配
步骤4-4-1:判断当前无人机Unow当前的剩余任务集合是否存在没有被分配给其他无人机的目标,若存在,则触发重分配,从找出所有此类目标,其集合记作RTnow,转步骤4-4-2
步骤4-4-2:对集合RTnow中的每一个任务依据步骤4-5-2的过程执行,遍历完RTnow中所有任务后退出任务重分配过程
步骤4-5:判断无人机存活但任务失败是否触发任务重分配,若触发,则进行重分配
步骤4-5-1:判断Tnow是否还有其他未被执行的任务,若有,则不触发重分配,否则,转步骤4-5-2
步骤4-5-2:对Tnow进行重分配
步骤4-5-2-1:找出当前所有具有剩余弹药的无人机集合RAUnow
步骤4-5-2-2:判断集合RAUnow是否为空集,若为空集,退出重分配过程,否则,执行下述过程
RAUnow中的每一架无人机对Tnow投标,投标的方式为:每一架无人机将Tnow依次插入到其任务集合的两两任务之间,计算每一种新的任务序列下的无人机的航程改变量,若存在任务序列对应的无人机航程改变量满足约束(12),则对满足约束(12)的任务组合依据(10)计算出每一种任务组合下的目标函数值,选择值最小对应的任务排序方案作为其投标的方案。最后从所有无人机投标的方案中,选择出目标函数(10)的值最小的投标方案作为中标方案,同时相应的无人机为中标无人机。更新中标无人机的剩余任务集合、剩余弹药量以及执行剩余任务的到达时刻。若所有任务组合都不满足约束(12),则该架无人机不参与投标。若所有的无人机都不满足约束(11)-(12),则不能够对目标Tnow重分配。退出任务重分配过程。
步骤4-6:判断无人机存活且任务成功是否触发任务重分配,若触发,则进行重分配
步骤4-6-1:判断当前任务Tnow是否还存在其它未被执行的任务,若不存在,则不触发重分配,否则,转步骤4-6-2
步骤4-6-2:对Tnow进行重分配
依据上述步骤,在战前任务预分配阶段优化得到的Pareto最优前沿如图2所示,从Pareto解集中选择的解的具体方案如表4所示,无人机对应的路径图如图3所示。使用任务预分配多种群多目标优化方法进行20次实验,实验的CPU运行时间如图4所示。
表4从Pareto解集选择的解的相关信息
无人机机群依据预分配阶段得到的表4中的任务分配方案执行作战任务。利用实线表示无人机飞过的路径,虚线表示无人机未飞行的路径。通过计算,无人机U6首先到达目标T8,执行情况为无人机死亡。通过判断,发现目标T5和目标T1没有其余未完成的任务,因此触发重分配,招标结果为无人机U2中标目标T5,无人机U3中标目标T1,重分配后的任务分配方案与无人机的路径如图5所示。无人机U2到达目标T5,执行情况为无人机存活,目标被成功攻击。通过判断,发现目标T5没有其余的攻击任务,因此没有触发重分配。无人机U1到达目标T3,执行情况为无人机存活,目标被成功攻击。通过判断,发现目标T3没有其余的攻击任务,因此没有触发重分配。无人机U3到达目标T1,执行情况为无人机存活,目标被成功攻击。通过判断,发现目标T1没有其余的攻击任务,因此没有触发重分配。无人机U4到达目标T2,执行情况为无人机死亡。通过判断,发现目标T2和T7没有其余的攻击任务,因此触发重分配,重分配结果为无人机U2中标,其从机场出发去执行两个任务,重分配后的任务分配方案与无人机的路径如图6所示。无人机U3到达目标T9,执行情况为无人机死亡。通过判断,发现目标T9没有其余的未完成的任务,但没有无人机有能力参与投标,因此没有触发重分配。无人机U1到达目标T6,执行情况为无人机存活,目标被成功攻击。通过判断,发现目标T6没有其余的攻击任务,因此没有触发重分配。无人机U5到达目标T4,执行情况为无人机死亡。通过判断,发现目标T4,T10和T8没有其余的攻击任务,但没有无人机有能力参与投标,因此没有触发重分配。无人机U2到达目标T2,执行情况为无人机存活,目标被成功攻击。通过判断,发现T2没有其余未完成的任务,因此没有触发重分配。无人机U1到达目标T11,执行情况为无人机存活,目标被成功攻击。通过判断,发现目标T11没有其余的攻击任务,因此没有触发重分配。无人机U2到达目标T7,执行情况为无人机存活,目标被成功攻击。通过判断,发现目标T7没有其余的攻击任务,因此没有触发重分配。无人机机群执行完了任务,无人机机群的最终实际的飞行路径如图7所示。图8为统计的20次触发重分配后重分配过程的CPU运行时间,每次重分配的平均时间仅需0.0009s左右,可满足重分配阶段对实时性的要求。
本发明提出了一种无人机群容错任务规划方法。基于此方法,可以为提高无人机机群协同作战效能提供战前任务预分配方案,同时可为无人机机群在战中提供实时任务重分配以应对战场突发情况。此外支持在战前为决策者同时优化多个作战指标,为无人机机群协同作战提供一个Pareto最优解集,决策者可根据对目标函数的偏好程度从Pareto解集中选出最适宜的作战任务分配方案。综合考虑作战前的任务预分配阶段和战中的任务重分配阶段,能够为提高无人机机群的协同作战效率和在战场中的应变力提供有力的保障。
以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (3)
1.一种无人机群容错任务规划方法,其特征在于,包括以下步骤:
步骤1,根据侦查到的目标信息、我方无人机的资源信息,基于决策者期望的作战需求,设定目标函数和约束条件以构造战前任务预分配模型;具体如下:
步骤1-1:收集战前在战场中侦查到的目标和战前无人机机群的数据信息
假设战前在战场上共侦查到了NT个目标,令所有目标的集合记作其中Tj,其中j∈{1,2,…,NT}表示侦查到的第j个敌方目标,目标Tj的位置记作不同的目标对战场态势影响的程度不同,即对其打击获取的价值是不同的,令表示目标Tj的价值;无人机机群从机场起飞,执行完任务后再返回机场,令T0表示机场;假设我方无人机机群包含NU架无人机,令所有无人机的集合记作其中Ui,其中i∈{1,2,…,NU},表示第i架无人机;令表示无人机Ui的价值,令和分别表示无人机Ui对目标Tj执行任务时的成功率和无人机Ui的生存率;任务分配完成后,无人机会得到一个包含优先级关系的任务集合;令无人机Ui的任务集合记作其中表示分配给无人机Ui的任务数量,表示无人机Ui的任务集合中第i个被执行的目标的编号;
步骤1-2:构造任务预分配目标函数
为实现以最小的作战成本获得最大作战收益的目标,考虑两个目标函数,一是使无人机成功执行的目标的价值期望最大,二是使无人机作战的成本最小,其中,无人机的作战成本中包含两部分成本,分别是被损毁的无人机的价值和无人机的航程代价;令为决策变量,取值为1时表示无人机Ui从目标飞往目标执行的第l次任务,其中j1,j2∈{1,2,…,NT};否则,表示不执行;
步骤1-3:给出任务预分配约束条件
基于实际作战中的实际情况以及决策者根据需求人为设定的条件因素,在战前任务预分配中考虑如下的约束条件;
(1-3-1)资源约束;每架无人机的载弹量是有限的,分配给无人机的任务量不能超过无人机的载弹量;
其中,Ai表示无人机Ui的最大载弹量;
(1-3-2)最大攻击次数约束;对每一个目标分配的任务量不能超过给定的值;
(1-3-3)最小概率约束;对目标的执行成功率要高于设定的最小值;
其中,表示对目标设定的最低成功率;
(1-3-4)航程约束;单架无人机执行任务的总航程不能超过该无人机的最大航程;
其中,MRi表示无人机Ui的最大航程;
(1-3-5)优先级约束;单架无人机执行其任务集合中的任务时,需按照任务被分配的顺序执行;
其中,表示中任务的执行时间;
步骤1-4:构建无人机机群战前任务预分配多目标优化模型
在满足公式(5)-(9)所示的约束的前提下,最小化向量函数f;
步骤2:利用该方法中构造的多种群多目标进化算法对模型进行求解,以得到Pareto最优解集,并利用选解方法从解集中选出一个解作为具体实施的作战方案;具体如下:
步骤2-1:设定多种群多目标优化算法参数
给定种群数量PN、每个种群的规模Si、使用移民算子的间隔进化代数IG、最大迭代次数G、每个种群的交叉概率每个种群的变异概率其中i=1,2,…,PN;
步骤2-2:初始化种群
个体编码采用只包含被分配的目标相关信息的离散编码方式;每一个目标的其中一次分配信息以列的形式呈现,即每一列的第一行表示被分配的目标编号,第二行表示为该目标分配的无人机的编号;如果一个目标的多次任务都被分配给了同一架无人机,那么令该无人机统一执行完该目标的任务后再对其他目标执行任务,即该无人机对该目标执行的任务中间不穿插其他任务;按照上述编码方式随机生成PN个规模分别为Si其中i=1,2,…,PN的初始种群其中g=0,l=1,2,…,PN;生成种群时采用串行的方法,即一个种群初始化完成后再依次生成下一个种群;
步骤2-2-1:输入无人机、敌方目标和种群参数并初始化当前种群数量
输入无人机的参数,包括无人机的集合U、每架无人机的载弹量Ai、最大航程MRi、初始位置输入目标的信息,包括目标集合T、每个目标能被分配的最大任务量mj、最低执行成功率位置输入种群的参数,包括种群数量PN、每个种群的规模Sl,其中,i=1,2,…,NU,j=1,2,…,NT,l=1,2,…,PN;初始化当前种群数量,令当前每个种群的种群规模为0;从第l个种群开始初始化,其中l=1;
步骤2-2-2:判断当前初始化完的种群数量
若初始化完成的种群数量等于PN,即l=PN+1,则多个种群的初始化完成,退出当前初始化过程,转步骤2-3,否则,执行步骤2-2-3;
步骤2-2-3:初始化第l个种群
步骤2-2-3-1:判断当前种群的染色体数量
若种群中个体数量等于Sl,则种群初始化完成,完成初始化的种群数量加1,转步骤2-2-2;否则,执行步骤2-2-3-2;
步骤2-2-3-2:编码个体
步骤2-2-3-2-1:从目标集合T中随机选择一个目标,令并生成一个空集合DT
步骤2-2-3-2-2:为选择的目标分配无人机
从无人机集合中随机选择一架无人机,计算将选择的无人机分配给该目标后该无人机目前的实际航程是否满足航程约束;若满足航程约束,则将选择的无人机添加到集合DT中,否则,从集合删掉选择的无人机,重复该过程直到选择一架满足航程约束的无人机;若没有无人机能够满足航程约束,则令从中删掉该目标,并转步骤2-2-3-2-3;若匹配到了满足航程约束的无人机,则继续按下面的过程处理;
计算对当前选择的目标的攻击成功率是否高于最低概率,若满足最小概率约束,则首先将DT中的无人机都分配给选择的目标,其次从集合删掉选择的目标,然后更新集合中无人机的弹药,接着将弹药为0的无人机从集合中删掉,并转步骤2-2-3-2-3;若不满足最小概率约束,那么更新集合中无人机的弹药并将弹药为0的无人机从中删掉,若集合不为空集,则重复步骤2-2-3-2-2,否则转步骤2-2-3-2-3;
步骤2-2-3-2-3:判断集合T和U否为空集
令若集合T和集合U只要有一个集合为空集,则令生成的个体数加1,并转步骤2-2-3-1,否则,转步骤2-2-3-2-1;
步骤2-3:令l=0
步骤2-4:判断多少个种群生成了子种群
若已经生成子种群的种群个数为PN,即l=PN+1,则转步骤2-6,否则,执行步骤2-5;
步骤2-5:对第l个种群通过交叉和变异生成子种群SPl
步骤2-5-1:使用轮盘赌算法从种群中选择两个交叉父代,记作F1,F2
步骤2-5-2:随机生成一个0至1间的数,若其小于则对F1,F2进行交叉操作,否则,转步骤2-5-1
步骤2-5-3:选择交叉点
从F1,F2之间维度小的个体中随机选择两个交叉点p2>p1,对交叉点之间的片段进行交叉;令n=1,表示从第一个交叉点位开始交叉操作;
步骤2-5-4:随机生成一个0至1间的数,若其小于则对O1进行如下变异操作,否则,转步骤2-5-5
步骤2-5-4-1:在O1中随机选择两个变异点
步骤2-5-4-2:交换两个变异点处分配信息的位置
判断交换位置后,无人机是否满足航程约束,若满足,则完成变异操作,转步骤2-5-5;若不满足,转步骤2-5-4-3;
步骤2-5-4-3:交换两个变异点处无人机或目标信息
首先交换两个变异点处的无人机信息,并对相应的两个目标分配判断是否满足概率约束,若满足概率约束,再判断两架无人机是否满足航程约束;若满足航程约束,则完成变异,否则,交换当前两个变异点处分配信息的位置,并判断此时两架无人机是否满足航程约束,若仍不满足,则取消对该染色体的变异操作,并转步骤2-5-5;
步骤2-5-5:对父代F2依据与步骤2-5-3-1至步骤2-5-4-3类似的过程进行交叉和变异操作
步骤2-5-6:生成的子代数量加2,判断当前生成的子代数量是否为Sl,若是,则l=l+1,转步骤2-4,否则,转步骤2-5-1
步骤2-6:分别将每一个种群与其子种群SPl组合为一个2Sl的种群,记作
步骤2-7:分别计算出每个种群中个体的适应度值,并基于非支配快速排序方法和精英保留策略分别从中选择出Sl个个体组成新的父代种群,记作
步骤2-8:令g=g+1,g1=g;若g<G,则转步骤2-9,否则,转步骤2-10
步骤2-9:判断g是否为IG的整数倍,若是,则进行如下的移民操作,否则,转步骤2-3
步骤2-9-1:计算出每个种群中个体的适应度值,并基于非支配快速排序方法找出每个种群的Pareto解集
步骤2-9-2:使用第l+1个种群的Pareto前沿中非支配解对应的个体替换第l个种群中Pareto最优前沿之外的相应个数的个体,其中l=1,2,…,PN-1,使用第PN个种群的Pareto前沿中非支配解对应的个体替换第1个种群中Pareto最优前沿之外的相应个数的个体,转步骤2-3
步骤2-10:将PN个种群合成一个种群,输出该种群的Pareto解集并退出;
步骤2-11:从Pareto解集中选解
步骤2-11-1:基于对目标函数的偏好,输入权重α1和α2,其中,0<α1,α2<1,α1+α2=1
步骤2-11-2:对Pareto最优前沿中每一个非支配解的目标函数进行加权求和
步骤2-11-3:选择上一步中得到的数组中最小的数值对应的Pareto解;步骤3:根据任务预分配阶段的模型设定构造战中任务重分配的模型;具体如下:
步骤3-1:收集触发重分配时无人机的信息和被重分配的目标的信息
收集触发重分配时无人机机群中各无人机的位置、各无人机当前还未执行的任务集合、被竞标的目标的编号信息;令表示无人机Ui当前的位置;表示无人机Ui当前还未执行的任务集合,其中表示无人机Ui剩余目标的编号;表示需要被重分配的无人机编号;
步骤3-2:构造任务重分配的目标函数
基于任务预分配阶段构造的最小化未被执行的目标的价值和作战代价的思想,构造任务重分配的目标函数;令为决策变量,取值为1时表示无人机Ui中标目标并将目标分配在剩余任务集合RMi第l个位置,否则,表示未分配;为了能够实现以小的作战代价获得大的作战收益的目标,构造一个目标函数,如下
其中,表示无人机Ui将目标分配到RMi第l个位置后的航程改变量,表达式如下
步骤3-3:构造任务重分配的约束条件
在战中任务重分配阶段,考虑航程约束和资源约束,如下
(1)航程约束;无人机被分配新任务后,无人机的航程改变量不能超过该无人机当前的剩余航程;
其中,RVi表示无人机Ui被分配任务之前执行完RMi中所有任务后的剩余航程;
(2)资源约束;无人机需要满足资源约束;
其中,RAi表示无人机Ui被分配任务之前执行完RMi中所有任务后的剩余弹药;
步骤3-4:构造任务重分配模型
在满足约束(11)-(12)的前提下,最小化J4;
步骤4:基于拍卖思想构造适用于多种突发情况下的实时任务重分配算法,为无人机机群提供适用于当前战况的剩余任务分配方案;具体如下:
触发任务重分配的条件包括:1)无人机成功执行了当前目标,该目标还存在其它未被执行的任务;2)无人机未成功执行当前目标,无人机存活,且该目标不存在其他未被执行的任务;3)无人机未成功执行当前目标,无人机坠毁,且无人机的剩余任务集合中出现没有无人机对一些目标执行任务的情况;
步骤4-1:输入战前任务预规划方案,设定权重α1和α2的值,并给出无人机的航速
步骤4-2:计算出无人机执行任务到达的先后顺序
设定0时刻从机场出发,计算出每架无人机到达其任务集合中每一个目标的时刻,以此得到无人机执行任务到达的先后顺序;从无人机机群中第一架到达目标点的无人机开始,依次执行步骤4-3,直到所有的目标都被执行或者无人机资源不足停止,此处资源不足指没有弹药、没有燃油;
步骤4-3:判断无人机执行任务的情况和生存情况
步骤4-3-1:随机生成一个0至1之间的数,判断其是否大于当前无人机Unow执行当前任务Tnow时的生存率,若大于,记录下当前无人机Unow当前的剩余任务集合并转步骤4-4,否则,转步骤4-3-2
步骤4-3-2:随机生成一个0至1之间的数,判断其是否大于当前无人机Unow执行当前任务Tnow的成功率,若大于,转步骤4-5,否则,转步骤4-6
步骤4-4:判断无人机损毁是否触发重分配,若触发,则进行重分配
步骤4-4-1:判断当前无人机Unow当前的剩余任务集合是否存在没有被分配给其他无人机的目标,若存在,则触发重分配,从找出所有此类目标,其集合记作RTnow,转步骤4-4-2
步骤4-4-2:对集合RTnow中的每一个任务依据步骤4-5-2的过程执行,遍历完RTnow中所有任务后退出任务重分配过程
步骤4-5:判断无人机存活但任务失败是否触发任务重分配,若触发,则进行重分配
步骤4-5-1:判断Tnow是否还有其他未被执行的任务,若有,则不触发重分配,否则,转步骤4-5-2
步骤4-5-2:对Tnow进行重分配
步骤4-5-2-1:找出当前所有具有剩余弹药的无人机集合RAUnow
步骤4-5-2-2:判断集合RAUnow是否为空集,若为空集,退出重分配过程,否则,执行下述过程
RAUnow中的每一架无人机对Tnow投标,投标的方式为:每一架无人机将Tnow依次插入到其任务集合的两两任务之间,计算每一种新的任务序列下的无人机的航程改变量,若存在任务序列对应的无人机航程改变量满足约束(12),则对满足约束(12)的任务组合依据(10)计算出每一种任务组合下的目标函数值,选择值最小对应的任务排序方案作为其投标的方案;从所有无人机投标的方案中,选择出目标函数(10)的值最小的投标方案作为中标方案,同时相应的无人机为中标无人机;更新中标无人机的剩余任务集合、剩余弹药量以及执行剩余任务的到达时刻;若所有任务组合都不满足约束(12),则该架无人机不参与投标;若所有的无人机都不满足约束(11)-(12),则不能够对目标Tnow重分配;退出任务重分配过程;
步骤4-6:判断无人机存活且任务成功是否触发任务重分配,若触发,则进行重分配
步骤4-6-1:判断当前任务Tnow是否还存在其它未被执行的任务,若不存在,则不触发重分配,否则,转步骤4-6-2
步骤4-6-2:对Tnow进行重分配
遍历所有无人机的剩余任务集合,删掉对于Tnow的任务,并更新相应无人机的剩余任务集合、剩余弹药和到达任务集合中每一任务的时刻;退出任务重分配过程。
2.根据权利要求1所述的一种无人机群容错任务规划方法,其特征在于,所述的步骤1-2中构造任务预分配目标函数如下:
(1)最大化无人机机群执行成功的目标的价值期望
其中,表示对目标分配的最大任务数量,的表达式如下
上述目标函数可转化为最小化未被成功执行的目标的价值期望,如下
(2)最小化无人机机群的作战代价
其中,表示目标和之间的距离,使用欧式距离表示;如果同一无人机对同一个目标连续执行多次任务,那么此时
令f=(f1,f2)T,其中,f1=J2,f2=J3。
3.根据权利要求1所述的一种无人机群容错任务规划方法,其特征在于,所述的步骤2-5-3中,以父代F1给出具体的交叉过程;
步骤2-5-3-1:从两个交叉父代F1,F2中分别找出有剩余能力的无人机集合和个体中的无人机集合
找出父代F1中有剩余弹药的无人机集合,记作RMUAV1,F2交叉点内片段中执行任务的无人机集合,记作APUAV2,F2中执行任务的无人机集合,记作EUAV2;
步骤2-5-3-2:判断对F1的交叉操作是否结束
若已经对n个交叉点位进行了交叉操作,即n=p2-p1+2,则得到了父代F1的交叉子代O1,转步骤2-5-4,否则转步骤2-5-3-3;
步骤2-5-3-3:对第n个交叉点位进行交叉
步骤2-5-3-3-1:随机选择一架无人机
首先,判断集合RMUAV1是否为空集;若为空集,则转步骤2-5-3-3-4,如果不为空集,那么对集合APUAV2和RMUAV1取交集;若APUAV2和RMUAV1的交集不为空集,则从交集中随机选择一架无人机;如果交集为空集,接着对集合EUAV2和RMUAV1取交集,若EUAV2和RMUAV1的交集不为空集,则从交集中随机选择一架无人机;如果新得到的交集为空集,从RMUAV1中随机选择一架无人机;
步骤2-5-3-3-2:判断将选择的无人机分配给交叉点位的目标是否满足最小概率约束
如果满足概率约束,转步骤2-5-3-3-3;如果不满足概率约束,则从集合RMUAV1中删掉该无人机,转步骤2-5-3-3-1;
步骤2-5-3-3-3:判断选择的无人机是否满足航程约束
判断选择的无人机若被分配给当前交叉点位的目标是否满足航程约束,如果满足,则使用该无人机替换当前交叉点位的无人机,转步骤2-5-3-4,否则,从集合RMUAV1中删掉该无人机,并转步骤2-5-3-3-1;
步骤2-5-3-3-4:交换对应交叉点位的无人机信息
找出父代F2第n个交叉点位的无人机Ui,从父代F1中无人机Ui的任务集合中随机选择一个任务,用F1第n个交叉点位的无人机Uj替换选择的任务的无人机,并用Ui替换F1第n个交叉点位的无人机Uj;
判断交叉后F1中对应的两个目标是否满足概率约束,以及对应的两架无人机是否满足航程约束,如果两类约束均满足,则做上述交叉操作,否则,取消对F1第n个交叉点位的交叉操作,转步骤2-5-3-4;
步骤2-5-3-4:更新集合RMUAV1,令n=n+1,并转步骤2-5-3-2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203621.9A CN116166048B (zh) | 2023-03-06 | 2023-03-06 | 一种无人机群容错任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203621.9A CN116166048B (zh) | 2023-03-06 | 2023-03-06 | 一种无人机群容错任务规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116166048A CN116166048A (zh) | 2023-05-26 |
CN116166048B true CN116166048B (zh) | 2023-12-22 |
Family
ID=86413207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310203621.9A Active CN116166048B (zh) | 2023-03-06 | 2023-03-06 | 一种无人机群容错任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116166048B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116437372B (zh) * | 2023-06-13 | 2023-08-29 | 四川腾盾科技有限公司 | 一种任意任务构型无约束随机重组的群拓扑控制方法 |
CN116910481B (zh) * | 2023-07-27 | 2024-02-02 | 中国舰船研究设计中心 | 一种基于遗传算法的船舶任务系统装载弹量优化方法 |
CN117539290B (zh) * | 2024-01-10 | 2024-03-12 | 南京航空航天大学 | 一种视距外集群无人机损毁后的处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222764A (zh) * | 2019-12-27 | 2020-06-02 | 西安羚控电子科技有限公司 | 一种基于分布协同拍卖的无人机蜂群任务分配算法 |
CN113009934A (zh) * | 2021-03-24 | 2021-06-22 | 西北工业大学 | 一种基于改进粒子群算法的多无人机任务动态分配方法 |
CN113536689A (zh) * | 2021-07-26 | 2021-10-22 | 南京邮电大学 | 基于混合遗传智能算法的多无人机任务分配执行控制方法 |
CN114399161A (zh) * | 2021-12-13 | 2022-04-26 | 西北工业大学 | 基于离散映射差分进化算法的多无人机协同任务分配方法 |
CN114417735A (zh) * | 2022-03-08 | 2022-04-29 | 大连理工大学 | 一种跨区域联合作战中的多无人机协同任务规划方法 |
CN114545975A (zh) * | 2022-03-08 | 2022-05-27 | 大连理工大学 | 融合多目标进化算法和合同网算法的多无人机系统任务分配方法 |
CN114594794A (zh) * | 2022-03-08 | 2022-06-07 | 大连理工大学 | 一种考虑子系统执行能力的多机协同任务规划方法 |
CN115145301A (zh) * | 2021-03-31 | 2022-10-04 | 王涵博 | 一种基于改进粒子群算法的多无人机任务分配方法 |
CN115471110A (zh) * | 2022-09-28 | 2022-12-13 | 大连理工大学 | 一种基于条件概率的考虑多目标进化算法的多异构无人机系统协同任务分配方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10203701B2 (en) * | 2015-11-06 | 2019-02-12 | Massachusetts Institute Of Technology | Dynamic task allocation in an autonomous multi-UAV mission |
US11334065B2 (en) * | 2020-01-10 | 2022-05-17 | Prince Sultan University | System, apparatus, and method for controlling unmanned aerial vehicles for search and rescue |
-
2023
- 2023-03-06 CN CN202310203621.9A patent/CN116166048B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222764A (zh) * | 2019-12-27 | 2020-06-02 | 西安羚控电子科技有限公司 | 一种基于分布协同拍卖的无人机蜂群任务分配算法 |
CN113009934A (zh) * | 2021-03-24 | 2021-06-22 | 西北工业大学 | 一种基于改进粒子群算法的多无人机任务动态分配方法 |
CN115145301A (zh) * | 2021-03-31 | 2022-10-04 | 王涵博 | 一种基于改进粒子群算法的多无人机任务分配方法 |
CN113536689A (zh) * | 2021-07-26 | 2021-10-22 | 南京邮电大学 | 基于混合遗传智能算法的多无人机任务分配执行控制方法 |
CN114399161A (zh) * | 2021-12-13 | 2022-04-26 | 西北工业大学 | 基于离散映射差分进化算法的多无人机协同任务分配方法 |
CN114417735A (zh) * | 2022-03-08 | 2022-04-29 | 大连理工大学 | 一种跨区域联合作战中的多无人机协同任务规划方法 |
CN114545975A (zh) * | 2022-03-08 | 2022-05-27 | 大连理工大学 | 融合多目标进化算法和合同网算法的多无人机系统任务分配方法 |
CN114594794A (zh) * | 2022-03-08 | 2022-06-07 | 大连理工大学 | 一种考虑子系统执行能力的多机协同任务规划方法 |
CN115471110A (zh) * | 2022-09-28 | 2022-12-13 | 大连理工大学 | 一种基于条件概率的考虑多目标进化算法的多异构无人机系统协同任务分配方法 |
Non-Patent Citations (3)
Title |
---|
A Unified Multi-Objective Optimization Framework for UAV Cooperative Task Assignment and Re-Assignment;Xiaohua Gao etal;《mathematics》;第1-24页 * |
无人机集群作战系统的群智能任务分配方法研究;马雨微;《万方数据知识服务平台》;第1-97页 * |
考虑子系统执行能力的多无人机协同任务规划;张鸿运;《系统工程与电子技术》;第45卷(第1期);第127-138页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116166048A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116166048B (zh) | 一种无人机群容错任务规划方法 | |
CN114545975B (zh) | 融合多目标进化算法和合同网算法的多无人机系统任务分配方法 | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN113009934A (zh) | 一种基于改进粒子群算法的多无人机任务动态分配方法 | |
CN107977743B (zh) | 多无人机协同任务分配方法及装置 | |
CN107330588B (zh) | 一种多基地异构无人机协同侦察的任务规划方法 | |
CN112766813A (zh) | 一种空天协同观测复杂任务调度方法及系统 | |
CN111311049B (zh) | 多智能体协同任务分配方法 | |
CN109409773B (zh) | 一种基于合同网机制的对地观测资源动态规划方法 | |
CN113885555B (zh) | 面向输电线路密集通道巡检的多机任务分配方法和系统 | |
CN105094970B (zh) | 一种求解分布式系统下可分任务多趟调度模型的方法 | |
CN109242290B (zh) | 一种无人机群行动方案自动生成方法 | |
CN108632831A (zh) | 一种基于动态航迹的无人机群频谱资源分配方法 | |
CN114417735B (zh) | 一种跨区域联合作战中的多无人机协同任务规划方法 | |
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 | |
CN112099522B (zh) | 多无人机协同对地攻击任务规划方法及终端设备 | |
CN105976122B (zh) | 一种多目标资源配置系统 | |
CN106022601B (zh) | 一种多目标资源配置方法 | |
CN114841055B (zh) | 一种基于生成对抗网络的无人机集群任务预分配方法 | |
CN112926825A (zh) | 基于多目标量子磷虾群机制的多无人机任务分配方法 | |
CN112685138A (zh) | 云环境下基于多种群混合智能优化的多工作流调度方法 | |
CN113190038A (zh) | 一种无人机集群空中区域侦察任务的分配方法 | |
CN113608546A (zh) | 量子海狮机制的无人机群任务分配方法 | |
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 | |
CN115494873A (zh) | 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |