CN116542468A - 一种无人机集群任务规划方法 - Google Patents
一种无人机集群任务规划方法 Download PDFInfo
- Publication number
- CN116542468A CN116542468A CN202310504179.3A CN202310504179A CN116542468A CN 116542468 A CN116542468 A CN 116542468A CN 202310504179 A CN202310504179 A CN 202310504179A CN 116542468 A CN116542468 A CN 116542468A
- Authority
- CN
- China
- Prior art keywords
- individual
- unmanned aerial
- aerial vehicle
- offspring
- task planning
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007499 fusion processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 122
- 239000013598 vector Substances 0.000 claims description 87
- 210000000349 chromosome Anatomy 0.000 claims description 63
- 238000004891 communication Methods 0.000 claims description 36
- 230000005012 migration Effects 0.000 claims description 30
- 238000013508 migration Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000005265 energy consumption Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 22
- 108090000623 proteins and genes Proteins 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008485 antagonism Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 32
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 9
- 230000035772 mutation Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人机集群任务规划方法，包括：获取无人机集群信息和无人机任务信息；对所述无人机集群信息和无人机任务信息进行融合处理，得到所述无人机集群任务规划的目标函数集；利用协作演化模型，对所述无人机集群任务规划的目标函数集进行求解，得到适应度最优个体；利用所述无人机集群任务规划的目标函数集，对所述适应度最优个体进行计算处理，得到最优个体的任务规划目标函数值；对所述最优个体的任务规划目标函数值进行评估处理，得到无人机集群任务规划方案。本发明通过引入协作机制，有效地提高了演化模型的收敛速度和全局搜索能力，通过对多目标优化结果进行评估，有效提升了无人机集群任务规划方案的准确性。
Description
技术领域
本发明涉及无人机集群技术领域，尤其涉及一种无人机集群任务规划方法。
背景技术
近年来，无人机技术的快速发展，使得无人机集群成为了一个重要的技术领域。信息化战争条件下，无人机集群在作战中发挥越来越重要的作用。针对无人机集群的仿真也成为研究的热点。无人机集群可以被用来执行各种任务，如监视、搜索、搜救等。这些任务中的大部分都对实时性和高效性提出了较高要求，同时也需要考虑到多个技术指标之间的平衡。无人机集群任务规划是指确定一组最优的路径和行动方案，以使无人机集群能够在给定的时间内完成设定任务。然而，该目标的实现，通常涉及到多个相互冲突的目标，例如最大化任务完成率和最小化能源消耗等，因此需要在多个目标之间进行权衡取舍。
演化多目标优化算法是解决上述多目标优化问题的一种有效方法，其通过模拟演化过程，利用种群的竞争和选择机制来搜索解决方案的最优集合，以使得多个目标都得到了满足。演化多目标优化算法已经在许多领域得到了广泛的应用，包括机器学习、图像处理和无人机集群任务规划等。现有方法虽然能够对无人机群任务进行规划，但同时存在规划目标单一、多目标优化算法难收敛、搜索过程容易陷入局部最优、多目标优化效果难以得到较好地评估等问题，导致现有方法难以很好地应用于无人机集群任务规划中。
发明内容
针对现有的无人机集群任务规划方法所存在的规划目标单一、多目标优化算法难收敛、搜索过程容易陷入局部最优、多目标优化效果难以得到较好地评估等问题，本发明公开了一种无人机集群任务规划方法，包括：
S1，获取无人机集群信息和无人机任务信息；所述无人机集群信息，包括无人机集群所包含的无人机总数和参与任务执行的无人机数目；所述无人机任务信息，包括无人机需要执行的任务数目m、无人机执行任务的能源消耗信息、无人机执行任务的覆盖面积信息、执行任务时无人机之间的距离信息、无人机执行任务的通信成本信息、任务需要覆盖的面积信息；
S2，对无人机集群所包含的无人机总数进行比例取整处理，得到参与任务执行的无人机数目n，利用所述数目n对无人机集群信息所包含的参与任务执行的无人机数目进行更新；
S3，对所述无人机集群信息和无人机任务信息进行融合处理，得到所述无人机集群任务规划的目标函数集；
S4，利用协作演化模型，对所述无人机集群任务规划的目标函数集进行求解，得到适应度最优个体；
S5，利用所述无人机集群任务规划的目标函数集，对所述适应度最优个体进行计算处理，得到最优个体的任务规划目标函数值；
S6，对所述最优个体的任务规划目标函数值进行评估处理，得到无人机集群任务规划方案。
所述无人机集群任务规划的目标函数集，包括：最小化集群任务子函数、最小化能源消耗子函数、最小化通信成本子函数、最大化覆盖率子函数和最小化无人机距离子函数；
所述最小化集群任务子函数f1(x)，其表达式为：
其中，tij表示第j架无人机完成第i个任务的时间信息，xij表示第j架无人机是否参与完成第i个任务，如果参与，则xij为1，否则xij为0；x为无人机集群任务规划矩阵，其元素为xij，i＝1,2,…,m，j＝1,2,…,n；
所述最小化能源消耗子函数f2(x)，其表达式为：
其中，eij表示第j架无人机完成第i个任务的能源消耗信息；
所述最小化通信成本子函数f3(x)，其表达式为：
其中，dij表示第j架无人机执行第i个任务的通信成本信息；
所述最大化覆盖率子函数f4(x)，其表达式为：
其中，oij表示第j架无人机完成第i个任务所覆盖的面积，ai表示第i个任务需要覆盖的面积。
所述最小化无人机距离子函数，其表达式为：
其中，dijk表示在完成第i个任务时，第j架无人机和第k架无人机之间的距离，xij和xik分别表示第j架无人机和第k架无人机是否参与完成第i个任务，如果参与，则其取值为1，否则，其取值为0。
所述步骤S4，包括：
S41，构建得到适应度函数；所述适应度函数，是利用加权向量对所述无人机集群任务规划的目标函数集的各个子函数进行加权处理得到；
所述适应度函数F(·)，其表达式为：
其中，λi为第i个子函数对应的加权变量，λ4<0，λ1、λ2、λ3、λ5<0；所有加权变量构成加权向量；
S42，构建并初始化个体集合和迭代次数，利用初始化得到的个体集合构建父代个体集合；所述父代个体集合，包括若干个父代个体；所述父代个体，包括相应的染色体向量和步长；所述染色体向量，是对加权向量和无人机集群任务规划向量进行拼接得到；所述无人机集群任务规划向量，是对无人机集群任务规划矩阵的所有行向量或所有列向量，按照行序号或列序号依次进行拼接得到；
S43，利用对抗样本比较操作，对所述父代个体的步长进行更新；
S44，对父代个体集合进行拆分，得到个体子集合；
S45，根据所述父代个体的步长，对每个个体子集合进行分级操作，得到相应的分层个体子集合；
S46，对属于不同个体子集合的、相同层级的分层个体子集合，进行基因交流操作，得到后代个体集合；
S47，对所述后代个体集合进行综合性能指标计算，得到综合性能指标；
S48，利用所述综合性能指标，对所述后代个体集合进行迁移操作，得到迁移后代个体集合和适应度最优个体；
S49，对所述综合性能指标和迭代次数进行迭代停止判断处理，得到迭代停止判断结果；
若所述迭代停止判断结果为是，执行步骤S5；
若所述迭代停止判断结果为否，增加迭代次数，利用迁移后代个体集合，构建得到父代个体集合，执行步骤S43。
所述利用对抗样本比较操作，对所述父代个体的步长进行更新，包括：
S431，对所述父代个体的染色体向量进行动态增噪处理，得到增噪后的染色体向量；所述动态增噪后的染色体向量的表达式p1为：
p1＝p0+δβ(t)，
其中，p0为增噪前的父代个体染色体值，δ为高斯噪声向量，β(t)为t时刻的动态权重；所述β(t)的表达式为：
其中，ti表示迭代次数，T0和T1分别表示第一转折迭代次数和第二转折迭代次数，β0和β1分别表示第一权重值和第二权重值。
S432，对每个父代个体，建立相应的对抗样本集合；所述对抗样本集合包括若干个对抗样本；所述对抗样本包括相应的染色体向量和步长；
所述对每个父代个体，建立相应的对抗样本集合，包括：
S4321，根据父代个体的染色体向量之间距离，搜寻得到与父代个体的距离小于设定距离阈值的近邻个体集合；
S4322，对父代个体与近邻个体集合进行染色体向量比例加权处理，构建得到对抗样本的染色体向量；对抗样本的步长随机生成；
S4323，对步骤S4322所得到的对抗样本进行合并处理，得到对抗样本集合；
S433，对父代个体和其相应的对抗样本集合，进行鲁棒指标判断处理，得到鲁棒指标判断结果；
若鲁棒指标判断结果大于0，使父代个体的步长减少1；
若鲁棒指标判断结果小于0，使父代个体的步长增加1；
所述对父代个体和其相应的对抗样本集合，进行鲁棒指标判断处理，得到鲁棒指标判断结果，包括:
S4331，计算父代个体和对抗样本的鲁棒性指标，其计算表达式为：
其中，表示父代个体pi的鲁棒性指标，f(pi)表示父代个体pi的适应度函数值，f(aij)表示父代个体pi的第j个对抗样本的适应度函数值，m1为对抗样本集合所包含的对抗样本的个数,α是对抗样本惩罚权重。f(aij)表示对抗样本aij的目标函数值。
S4332，判断所述鲁棒性指标是否大于0，得到鲁棒指标判断结果；
所述根据所述父代个体的步长，对每个个体子集合进行分级操作，得到相应的分层个体子集合，包括：
S451，设定与每个层级对应的步长取值范围；
S452，对所述父代个体的步长进行取值范围匹配，得到所述父代个体对应的步长取值范围；
S453，根据所述父代个体对应的步长取值范围，将所述父代个体划分入步长取值范围对应的层级中；
S454，对个体子集合中的属于同一层级的父代个体进行合并处理，得到所述个体子集合的分层个体子集合；
所述综合性能指标，其计算表达式为：
UM(x1)＝F(x1)+D(x1)
其中，UM()为综合性能指标计算函数，F()为适应度函数，D()为拥挤度距离指标函数，x1为后代个体的染色体向量所对应的无人机集群任务规划矩阵；所述拥挤度距离指标，其计算表达式为：
其中，N(x1)表示在所述后代个体集合中，与x1对应后代个体距离最近的k个后代个体的集合，y为集合N(x1)中的后代个体，k为预设的个体数目参数，D(y)表示x1对应后代个体与后代个体y的欧氏距离。
所述利用所述综合性能指标，对所述后代个体集合进行迁移操作，得到迁移后代个体集合和适应度最优个体，包括；
S481，根据后代个体的综合性能指标，对每个后代个体子集合，分别进行综合性能指标搜索操作，得到综合性能指标最优的后代个体和综合性能指标低于预设指标阈值的后代个体；对于所述后代个体子集合，将其综合性能指标最优的后代个体和综合性能指标低于预设指标阈值的后代个体，分别作为所述后代个体子集合的最优个体和劣级个体；
S482，在每个后代子集合中，将所述后代子集合的最优个体迁移到更高一层级的分层个体子集合中，并根据所迁移的分层个体子集合的步长取值范围，对所述最优个体的步长进行增加操作；
S483，在每个后代子集合中，将所述后代子集合的劣级个体迁移到更低一层级的分层个体子集合中，并根据所迁移的分层个体子集合的步长取值范围，对所述最优个体的步长进行减少操作；
S484，利用完成迁移的所有后代子集合，构建得到迁移后代个体集合；
S485，在迁移后代个体集合中，搜寻得到综合性能指标最优的后代个体，将所述后代个体作为适应度最优个体。
所述对所述综合性能指标和迭代次数进行迭代停止判断处理，得到迭代停止判断结果，包括：
判断所述适应度最优个体的综合性能指标是否优于预设优选指标阈值，以及所述迭代次数是否大于预设迭代次数阈值，若所述任一判断条件为是，确定所述迭代停止判断结果为是，若上述二个判断条件均为否，确定所述迭代停止判断结果为否。
所述利用所述无人机集群任务规划的目标函数集，对所述适应度最优个体进行计算处理，得到最优个体的任务规划目标函数值，包括：
S51，根据适应度最优个体的染色体向量值，确定对应的无人机集群任务规划矩阵；
S52，利用无人机集群任务规划的目标函数集，对所述无人机集群任务规划矩阵进行计算处理，得到最优个体的任务规划目标函数值；所述最优个体的任务规划目标函数值，包括集群任务子函数值能源消耗子函数值通信成本子函数值覆盖率子函数值和无人机距离子函数值
所述对所述最优个体的任务规划目标函数值进行评估处理，得到无人机集群任务规划方案，包括：
S61，对迁移后代个体集合中的每个后代个体，根据其染色体向量值确定对应的无人机集群任务规划矩阵；
S62，将所述无人机集群任务规划矩阵，输入无人机集群任务规划的目标函数集，计算得到所述每个后代个体的任务规划目标函数值；所述每个后代个体的任务规划目标函数值，包括集群任务子函数值、能源消耗子函数值、通信成本子函数值、覆盖率子函数值和无人机距离子函数值；
S63，对所有后代个体的任务规划目标函数值进行搜索，得到每类子函数的最大值和最小值；
S64，利用所述每类子函数的最大值和最小值，对所述最优个体的任务规划目标函数值进行归一化处理，得到归一化任务规划目标函数值；
S65，根据所述任务规划目标函数值的子函数类别，对归一化任务规划目标函数值和最优个体的任务规划目标函数值进行差异累积计算，得到多目标均方误差值；
S66，判断所述多目标均方误差值是否大于预设均方误差阈值，得到误差判别结果；
若所述误差判别结果为大于预设均方误差阈值，增加或减少所述参与任务执行的无人机数目，执行步骤S3；
若所述误差判别结果为不大于预设均方误差阈值，将所述适应度最优个体对应的无人机集群任务规划矩阵，作为无人机集群的任务规划方案。
本发明的有益效果为：
一、本发明设置5类无人机集群任务规划的目标函数，包括最小化集群任务完成时间、最小化能源消耗、最小化通信成本、最大化覆盖率、最小化无人机之间的距离，能够从多种角度和方位综合考量无人机群在执行任务时的各类因素。
二、本发明提出利用协作演化模型，对所述无人机集群任务规划的目标函数集进行求解，能够有效地提高演化模型的收敛速度和全局搜索能力，此外，该模型重新定义了个体的表现型，引入了对抗样本来增强算法的鲁棒性和泛化能力，并采用动态更新策略来优化算法的性能。所述协作演化模型，采用了基于协作机制的多层优化框架，可以有效提高演化模型的全局搜索能力和收敛速度，同时增加算法的稳健性和可靠性，同时引入可变步长演化模型，以增加个体的多样性和全局搜索能力，此外，为了更准确地评估个体的适应度和多样性，协作演化模型引入了一种改进的适应度评估方法和拥挤度距离指标，可以有效提高算法的收敛速度和搜索效果，同时增加算法的稳健性和可靠性。
三、本发明提出一种基于均方根误差的多目标优化结果评估算法，可以更全面、客观地评估多目标优化结果的质量，避免了传统评估方法中可能出现的缺陷，同时，采用自适应权重调整和随机数引入的方式，可以更准确地评估多目标优化结果的质量，避免出现评估指标相等的情况。
附图说明
图1为本发明方法的实施流程图。
具体实施方式
为了更好的了解本发明内容，这里给出两个实施例。
实施例一：
本发明公开了一种基于演化多目标优化的无人机集群任务规划方法，其实施流程如图1所示，包括：
S1，获取无人机集群信息和无人机任务信息；所述无人机集群信息，包括无人机集群所包含的无人机总数和参与任务执行的无人机数目；所述无人机任务信息，包括无人机需要执行的任务数目m、无人机执行任务的能源消耗信息、无人机执行任务的覆盖面积信息、执行任务时无人机之间的距离信息、无人机执行任务的通信成本信息、任务需要覆盖的面积信息；
S2，对无人机集群所包含的无人机总数进行比例取整处理，得到参与任务执行的无人机数目n，利用所述数目n对无人机集群信息所包含的参与任务执行的无人机数目进行更新；
所述步骤S2，包括：
假设无人机集群所包含的无人机总数为n1，比例因子为nk，参与任务执行的无人机数目n为或者其中表示向上取整，表示向下取整，利用所得到参与任务执行的无人机数目n，对对无人机集群信息所包含的参与任务执行的无人机数目进行更新。比例因子nk的典型值，为0.7。
S3，对所述无人机集群信息和无人机任务信息进行融合处理，得到所述无人机集群任务规划的目标函数集；
S4，利用协作演化模型，对所述无人机集群任务规划的目标函数集进行求解，得到适应度最优个体；
S5，利用所述无人机集群任务规划的目标函数集，对所述适应度最优个体进行计算处理，得到最优个体的任务规划目标函数值；
S6，对所述最优个体的任务规划目标函数值进行评估处理，得到无人机集群任务规划方案。
所述无人机集群任务规划的目标函数集，包括：最小化集群任务子函数、最小化能源消耗子函数、最小化通信成本子函数、最大化覆盖率子函数和最小化无人机距离子函数；
所述最小化集群任务子函数f1(x)，其表达式为：
其中，tij表示第j架无人机完成第i个任务的时间信息，xij表示第j架无人机是否参与完成第i个任务，如果参与，则xij为1，否则xij为0；x为无人机集群任务规划矩阵，其元素为xij，i＝1,2,…,m，j＝1,2,…,n；
所述最小化能源消耗子函数f2(x)，其表达式为：
其中，eij表示第j架无人机完成第i个任务的能源消耗信息；
所述最小化通信成本子函数f3(x)，其表达式为：
其中，dij表示第j架无人机执行第i个任务的通信成本信息；
所述最大化覆盖率子函数f4(x)，其表达式为：
其中，oij表示第j架无人机完成第i个任务所覆盖的面积，ai表示第i个任务需要覆盖的面积。
所述最小化无人机距离子函数，其表达式为：
其中，dijk表示在完成第i个任务时，第j架无人机和第k架无人机之间的距离，xij和xik分别表示第j架无人机和第k架无人机是否参与完成第i个任务，如果参与，则其取值为1，否则，其取值为0。
所述步骤S4，包括：
S41，构建得到适应度函数；所述适应度函数，是利用加权向量对所述无人机集群任务规划的目标函数集的各个子函数进行加权处理得到；
所述适应度函数F(·)，其表达式为：
其中，λi为第i个子函数对应的加权变量，λ4<0，λ1、λ2、λ3、λ5<0；所有加权变量构成加权向量；
S42，构建并初始化个体集合和迭代次数，利用初始化得到的个体集合构建父代个体集合；所述父代个体集合，包括若干个父代个体；所述父代个体，包括相应的染色体向量和步长；所述染色体向量，是对加权向量和无人机集群任务规划向量进行拼接得到；所述无人机集群任务规划向量，是对无人机集群任务规划矩阵的所有行向量或所有列向量，按照行序号或列序号依次进行拼接得到；
所述利用初始化后的个体集合构建父代个体集合，可以是，将初始化后的个体集合，作为父代个体集合；所述初始化迭代次数，是将迭代次数设置为1。所述拼接，是在不改变每个向量中元素顺序和取值的前提下，将多个向量合并为一个行向量。
S43，利用对抗样本比较操作，对所述父代个体的步长进行更新；
S44，对父代个体集合进行拆分，得到个体子集合；
所述对父代个体集合进行拆分，可以是对父代个体进行随机拆分或均匀拆分或按照预设比例进行拆分，得到个体子集合；
S45，根据所述父代个体的步长，对每个个体子集合进行分级操作，得到相应的分层个体子集合；
S46，对属于不同个体子集合的、相同层级的分层个体子集合，进行基因交流操作，得到后代个体集合；
S47，对所述后代个体集合进行综合性能指标计算，得到综合性能指标；
S48，利用所述综合性能指标，对所述后代个体集合进行迁移操作，得到迁移后代个体集合和适应度最优个体；
S49，对所述综合性能指标和迭代次数进行迭代停止判断处理，得到迭代停止判断结果；
若所述迭代停止判断结果为是，执行步骤S5；
若所述迭代停止判断结果为否，增加迭代次数，利用迁移后代个体集合，构建得到父代个体集合，执行步骤S43。
所述利用对抗样本比较操作，对所述父代个体的步长进行更新，包括：
S431，对所述父代个体的染色体向量进行动态增噪处理，得到增噪后的染色体向量；所述动态增噪后的染色体向量的表达式p1为：
p1＝p0+δβ(t)，
其中，p0为增噪前的父代个体染色体值，δ为高斯噪声向量，β(t)为t时刻的动态权重，用于平衡个体评价中的目标函数和对抗样本的惩罚权重；所述β(t)的表达式为：
其中，ti表示迭代次数，T0和T1分别表示第一转折迭代次数和第二转折迭代次数，β0和β1分别表示第一权重值和第二权重值，其作用为增加个体的多样性，提高求解方法的全局搜索能力。
S432，对每个父代个体，建立相应的对抗样本集合；所述对抗样本集合包括若干个对抗样本；所述对抗样本包括相应的染色体向量和步长；
所述对每个父代个体，建立相应的对抗样本集合，包括：
S4321，根据父代个体的染色体向量之间距离，搜寻得到与父代个体的距离小于设定距离阈值的近邻个体集合；
S4322，对父代个体与近邻个体集合进行染色体向量比例加权处理，构建得到对抗样本的染色体向量；对抗样本的步长随机生成；
S4323，对步骤S4322所得到的对抗样本进行合并处理，得到对抗样本集合；
所述染色体向量比例加权处理，包括：建立相关的若干个对抗样本aij，其生成方式为比例加权的方式，即：
aij＝a1×pi+a2×pij,
其中，a1和a1为比例加权系数，二者之和为1，pi为第i个父代个体，pij为第i个父代个体的第j个近邻个体。
S433，对父代个体和其相应的对抗样本集合，进行鲁棒指标判断处理，得到鲁棒指标判断结果；
若鲁棒指标判断结果大于0，使父代个体的步长减少1；
若鲁棒指标判断结果小于0，使父代个体的步长增加1；
所述对父代个体和其相应的对抗样本集合，进行鲁棒指标判断处理，得到鲁棒指标判断结果，包括:
S4331，计算父代个体和对抗样本的鲁棒性指标，其计算表达式为：
其中，表示父代个体pi的鲁棒性指标，f(pi)表示父代个体pi的适应度函数值，f(aij)表示父代个体pi的第j个对抗样本的适应度函数值，m1为对抗样本集合所包含的对抗样本的个数,α是对抗样本惩罚权重，用于控制对抗样本的惩罚权重。f(aij)表示对抗样本aij的目标函数值。
S4332，判断所述鲁棒性指标是否大于0，得到鲁棒指标判断结果；
所述根据所述父代个体的步长，对每个个体子集合进行分级操作，得到相应的分层个体子集合，包括：
S451，设定与每个层级对应的步长取值范围；
S452，对所述父代个体的步长进行取值范围匹配，得到所述父代个体对应的步长取值范围；
S453，根据所述父代个体对应的步长取值范围，将所述父代个体划分入步长取值范围对应的层级中；
S454，对个体子集合中的属于同一层级的父代个体进行合并处理，得到所述个体子集合的分层个体子集合；
所述步骤S45，可以是，分层的依据为个体的步长取值，将满足步长<3的父代个体划分为一层，将满足3≤步长<10的父代个体划分为二层，将满足10≤步长为三层；所述层级，包括一层、二层和三层。
步骤S46所述基因交流操作，包括：
在同一层次的不同个体子集合中的分层个体子集合进行基因交流，通过不同分层个体子集合之间进行基因交流，以增加个体多样性和全局搜索能力。具体来说，对于每个分层个体子集合Pi，在其邻域内，随机选择若干个分层个体子集合，构建子集合Pi的邻近子集合N(Pi)，进行基因交流操作。分层个体子集合Pi的邻域，是指与分层个体子集合Pi中的父代个体的距离，均小于预设距离的其他分层个体子集合中的父代个体，所构成的范围。所述基因交流操作包括交叉操作和变异操作。
所述交叉操作，是在分层个体子集合Pi中的父代个体的染色体向量中随机选择一个变量作为交叉点，将分层个体子集合Pi的父代个体，与邻近子集合N(Pi)的父代个体的染色体向量，在交叉点处进行交换，生成交叉操作后的后代个体的染色体向量。具体实现方式如下：设分层个体子集合Pi的父代个体的染色体向量，与邻近子集合N(Pi)的父代个体的染色体向量，分别为P1和P2，它们的染色体长度均为L，随机选择交叉点i∈1,2,…,L-1，则可以得到两个交叉操作的父代个体C1和C2，其染色体向量由父代个体交叉而来：
C1＝[P1[1],P1[2],…,P1[i],P2[i+1],P2[i+2],…,P2[L]]
C2＝[P2[1],P2[2],…,P2[i],P1[i+1],P1[i+2],…,P1[L]]
其中，P1[j]表示父代个体P1的染色体向量的第j个值，也即第j个基因值，P2[j]表示父代个体P2的第j个基因值。
所述变异操作，是将交叉操作后的分层个体子集合Pi的父代个体的染色体向量，通过随机选择一个或多个向量，改变所述向量值，从而产生新的后代个体的染色体向量。具体实现方式如下：设一个父代个体为P，其染色体长度为L，随机选择一个或多个变异位点i∈1,2,…,L，并随机生成一个新的基因值g，则可以得到一个新的后代个体C，其染色体由父代个体变异而来：
C＝[P[1],P[2],…,P[i-1],g,P[i+1],…,P[L]]
其中，P[j]表示父代个体P的的染色体向量的第j个基因值。
利用所产生的后代个体，对父代个体集合中的对应父代个体进行替换，得到后代个体集合。相应的，利用所产生的后代个体，对父代个体子集合中的对应父代个体进行替换，得到后代个体子集合；利用所产生的后代个体，对父代分层个体子集合中的对应父代个体进行替换，得到后代分层个体子集合。
所述综合性能指标，其计算表达式为：
UM(x1)＝F(x1)+D(x1)
其中，UM()为综合性能指标计算函数，F()为适应度函数，D()为拥挤度距离指标函数，x1为后代个体的染色体向量所对应的无人机集群任务规划矩阵；所述拥挤度距离指标，其计算表达式为：
其中，N(x1)表示在所述后代个体集合中，与x1对应后代个体距离最近的k个后代个体的集合，y为集合N(x1)中的后代个体，k为预设的个体数目参数，D(y)表示x1对应后代个体与后代个体y的欧氏距离。
所述利用所述综合性能指标，对所述后代个体集合进行迁移操作，得到迁移后代个体集合和适应度最优个体，包括；
S481，根据后代个体的综合性能指标，对每个后代个体子集合，分别进行综合性能指标搜索操作，得到综合性能指标最优的后代个体和综合性能指标低于预设指标阈值的后代个体；对于所述后代个体子集合，将其综合性能指标最优的后代个体和综合性能指标低于预设指标阈值的后代个体，分别作为所述后代个体子集合的最优个体和劣级个体；
S482，在每个后代子集合中，将所述后代子集合的最优个体迁移到更高一层级的分层个体子集合中，并根据所迁移的分层个体子集合的步长取值范围，对所述最优个体的步长进行增加操作；
S483，在每个后代子集合中，将所述后代子集合的劣级个体迁移到更低一层级的分层个体子集合中，并根据所迁移的分层个体子集合的步长取值范围，对所述最优个体的步长进行减少操作；
特别的，如果所述最优个体已经处于最高层级的分层个体子集合，或者所述劣级个体已经处于最低层级的分层个体子集合，则不对所述个体进行迁移操作。
S484，利用完成迁移的所有后代子集合，构建得到迁移后代个体集合；
所述步骤S484，可以是，将完成迁移的所有后代子集合，作为迁移后代个体集合；
S485，在迁移后代个体集合中，搜寻得到综合性能指标最优的后代个体，将所述后代个体作为适应度最优个体。
所述对所述综合性能指标和迭代次数进行迭代停止判断处理，得到迭代停止判断结果，包括：
判断所述适应度最优个体的综合性能指标是否优于预设优选指标阈值，以及所述迭代次数是否大于预设迭代次数阈值，若所述任一判断条件为是，确定所述迭代停止判断结果为是，若上述二个判断条件均为否，确定所述迭代停止判断结果为否。
所述利用所述无人机集群任务规划的目标函数集，对所述适应度最优个体进行计算处理，得到最优个体的任务规划目标函数值，包括：
S51，根据适应度最优个体的染色体向量值，确定对应的无人机集群任务规划矩阵；
S52，利用无人机集群任务规划的目标函数集，对所述无人机集群任务规划矩阵进行计算处理，得到最优个体的任务规划目标函数值；所述最优个体的任务规划目标函数值，包括集群任务子函数值能源消耗子函数值通信成本子函数值覆盖率子函数值和无人机距离子函数值
所述对所述最优个体的任务规划目标函数值进行评估处理，得到无人机集群任务规划方案，包括：
S61，对迁移后代个体集合中的每个后代个体，根据其染色体向量值确定对应的无人机集群任务规划矩阵；
S62，将所述无人机集群任务规划矩阵，输入无人机集群任务规划的目标函数集，计算得到所述每个后代个体的任务规划目标函数值；所述每个后代个体的任务规划目标函数值，包括集群任务子函数值、能源消耗子函数值、通信成本子函数值、覆盖率子函数值和无人机距离子函数值；
S63，对所有后代个体的任务规划目标函数值进行搜索，得到每类子函数的最大值和最小值；
S64，利用所述每类子函数的最大值和最小值，对所述最优个体的任务规划目标函数值进行归一化处理，得到归一化任务规划目标函数值；
S65，根据所述任务规划目标函数值的子函数类别，对归一化任务规划目标函数值和最优个体的任务规划目标函数值进行差异累积计算，得到多目标均方误差值；
S66，判断所述多目标均方误差值是否大于预设均方误差阈值，得到误差判别结果；
若所述误差判别结果为大于预设均方误差阈值，增加或减少所述参与任务执行的无人机数目，执行步骤S3；
若所述误差判别结果为不大于预设均方误差阈值，将所述适应度最优个体对应的无人机集群任务规划矩阵，作为无人机集群的任务规划方案。
步骤S64所述的归一化处理，其计算表达式为：
其中，和分别是所述第i类子函数Fi的最小值和最大值，fi为归一化任务规划目标函数的第i类子函数值，i＝1,2,...,m。
步骤S65所述的差异累积计算，其可采用的第一种表达式为：
其中，MSE为多目标均方误差值；
步骤S65所述的差异累积计算，其可采用的第二种表达式为：
其中，MOMSE为加权多目标均方误差值，这里用其表征多目标均方误差值，wi表示第i类子函数Fi的权重，其根据第i类子函数Fi的重要性程度进行设置。
步骤S65所述的差异累积计算，其可采用的第三种表达式为：
其中，∈i为第i类子函数Fi的偏置值，其通过随机产生或预先设置得到，PMOMSE为加权偏置多目标均方误差值，这里用其表征多目标均方误差值。
实施例二：
本发明公开了一种基于演化多目标优化的无人机集群任务规划方法，包括：S1，获取无人机集群信息和无人机任务信息；所述无人机集群信息，包括无人机集群所包含的无人机总数和参与任务执行的无人机数目；所述无人机任务信息，包括无人机需要执行的任务数目m、无人机执行任务的能源消耗信息、无人机执行任务的覆盖面积信息、执行任务时无人机之间的距离信息、无人机执行任务的通信成本信息、任务需要覆盖的面积信息；
S2，对无人机集群所包含的无人机总数进行比例取整处理，得到参与任务执行的无人机数目n，利用所述数目n对无人机集群信息所包含的参与任务执行的无人机数目进行更新；
S3，对所述无人机集群信息和无人机任务信息进行融合处理，得到所述无人机集群任务规划的目标函数集；
S4，利用协作演化模型，对所述无人机集群任务规划的目标函数集进行求解，得到适应度最优个体；
S5，利用所述无人机集群任务规划的目标函数集，对所述适应度最优个体进行计算处理，得到最优个体的任务规划目标函数值；
S6，对所述最优个体的任务规划目标函数值进行评估处理，得到无人机集群任务规划方案。
为了实现无人机集群任务规划，需要先明确集群任务的目标，以此来确定目标函数。本发明设置目标函数如下：
1、最小化集群任务时间成本
其中，tij表示第j架无人机在完成第i个任务时的时间，xij表示第j架无人机是否参与完成第i个任务，如果参与则为1，否则为0。
2、最小化能源消耗
其中，eij表示第j架无人机在完成第i个任务时的能源消耗，xij表示第j架无人机是否参与完成第i个任务，如果参与则为1，否则为0。
3、最小化通信成本
其中，dij表示第j架无人机与第i个任务之间的通信成本，xij表示第j架无人机是否参与完成第i个任务。
4.最大化覆盖率
其中，oij表示第j架无人机在完成第i个任务时所覆盖的面积，ai表示第i个任务所需要覆盖的面积。
5、最小化无人机之间的距离
其中，dijk表示第j架无人机和第k架无人机在完成第i个任务时之间的距离，xij和xik分别表示第j架无人机和第k架无人机是否参与完成第i个任务。
在步骤S4中，将目标函数f1(x)、f2(x)、f3(x)、f4(x)、f5(x)所对应的解集空间作为演化模型中个体的搜索空间，演化模型的搜索过程即为最优解集的寻找过程。
协作演化模型的目标是找到一组最优解，使得各目标函数之间达到平衡。具体来说，将多目标优化问题转化为单目标优化问题，以目标函数之间的权重向量λ为条件，定义一个新的适应度函数F(·)，即：
其中，x表示决策变量(xij)，m表示目标函数的数量，本发明步骤一中设置目标函数的数量为5，fi(x)表示第i个目标函数的值。
不同的权重向量可以得到不同的解，因此需要维护一个个体集合P，其中每个个体都对应一个权重向量λ和决策变量xij，所述权重向量λ和决策变量xij构成个体的染色体向量。同时，定义一个拥挤度距离指标D(x)，用于评估个体x与邻近个体的分布情况，从而避免过度聚集。具体来说，拥挤度距离指标可以表示为：
其中，N(x)表示与x距离最近的k个个体的集合，k为预先定义的参数，D(y)表示x与y个体的欧氏距离。
对于演化模型的搜索过程，其包括:
①层次划分：将个体集合P划分为k个子个体集合P1,P2,…,Pk(划分方式为均匀或随机)，并根据层次结构对各个子个体集合进行分层(分层方式为均匀或随机)。具体的，为了实现个体之间的信息共享和知识交流，协作演化模型将个体集合P分成多个子个体集合P1,P2,…,Pk，每个子个体集合对应一个权重向量集合W1,W2,…,Wk。不同子个体集合之间可以通过一定的协作方式进行交流和合作，从而提高全局搜索能力和优化效果。具体来说，协作演化多目标优化算法采用了一种分层式的协作机制，即将各子个体集合分为多层，并根据层次结构进行信息共享和知识交流。在每个层次中，各子个体集合之间可以进行基因交流和个体迁移，以促进个体的多样性和全局搜索能力。
②初始化操作：对每个子个体集合进行初始化操作，即随机生成一组初始解作为每个子个体的成员。得到初始化的父代个体；
③对父代个体进行对抗样本生成操作，以增加个体的多样性，提高算法的全局搜索能力。
对父代个体的染色体值增加噪声，将其表示为p：
p＝x+δβ(t)
其中，x为父代个体染色体值，δ为高斯噪声向量。β(t)为动态权重，用于平衡个体评价中的目标函数和对抗样本的惩罚权重，其更新方式如下：
其中，t表示迭代次数，T0和T1分别表示两个转折点，β0和β1分别表示两个阶段的权重。建立相关的若干个对抗样本aij，其生成方式为线性插值的方式，即：
aij＝Line(pi,pij)
其中，Line()函数为线性插值函数，pi为第i个父代个体，pij为第i个父代个体的第j个近邻个体。
计算对抗样本aij与个体pi的鲁棒性指标，对鲁棒性指标判断，得到判断结果，根据判断结果，对个体pi进行步长调整操作；个体的鲁棒性指标的计算公式为：
其中，表示个体的鲁棒性和泛化性指标，f(pi)表示个体pi的目标函数值，α是一个参数，用于控制对抗样本的惩罚权重。f(aij)表示对抗样本aij的目标函数值。m为根据个体pi生成对抗样本的数量。
如果f(pi)-f(aij)>0，则表明个体pi比对抗样本更具有优势，个体的步长减少1；否则，个体的步长增加1。
对所有子个体中的个体进行随机分层。例如，对包含10个个体的子个体集合，随机分为3层，第一层包括序号为1、3、5、7的个体，第二层包括序号为2、4、6的个体，第三层包括序号为8、9、10的个体。分层的依据为个体的步长，如：步长<3的个体划分为一层，3≤步长<10的个体划分为二层，10≤步长的个体划分为三层。
④基因交流：在同一层次的不同子个体之间进行基因交流，以增加个体多样性和全局搜索能力。具体来说，对于每个子个体Pi，随机选择若干个邻居子个体N(Pi)，并进行基因交流操作。基因交流操作可以通过交叉和变异操作来实现。其中，交叉操作和变异操作的方式如下：
1)交叉操作通过随机选择一个交叉点，将两个父代个体的染色体在该点处进行交换，生成两个新的后代个体。具体实现方式如下：
设两个父代个体为P1和P2，它们的染色体长度均为L，随机选择交叉点i∈1,2,…,L-1，则可以得到两个后代个体C1和C2，其染色体由父代个体交叉而来：
C1＝[P1[1],P1[2],…,P1[i],P2[i+1],P2[i+2],…,P2[L]]
C2＝[P2[1],P2[2],…,P2[i],P1[i+1],P1[i+2],…,P1[L]]
其中，P1[j]表示父代个体P1的染色体向量的第j个值，即第j个基因值，P2[j]表示父代个体P2的染色体向量的第j个基因值。
2)变异操作通过随机选择一个或多个位点，改变该位点上的基因值，从而产生新的后代个体。具体实现方式如下：
设一个父代个体为P，其染色体长度为L，随机选择一个或多个变异位点i∈1,2,…,L，并随机生成一个新的基因值g，则可以得到一个新的后代个体C，其染色体由父代个体变异而来：
C＝[P[1],P[2],…,P[i-1],g,P[i+1],…,P[L]]
其中，P[j]表示父代个体P的染色体向量的第j个基因值。
⑤计算个体的综合性能指标UM：
在每次演化操作中，需要重新计算每个个体的综合性能指标UM，以评估每个个体的性能和多样性。对每个个体，计算其性能指标：
UM＝F(x)+D(x)，
其中，F(x)为适应度函数，F(x)为拥挤度函数。
⑥个体迁移：根据UM的值，在不同层次的子个体之间进行个体迁移，以促进知识的交流和迁移。具体来说，对于每个子个体Pi，将其最优的一些个体迁移到更上一等级的子个体中，以共享知识和经验。
当迁移到更上一等级的子个体中时，其步长需重新调整，满足上一等级的步长要求，步长调整方式为随机设置，满足要求即可。
同时，也将一些较差的个体(综合性能指标低于设定阈值的个体)迁移到更低层次的子个体中，以增加个体多样性和全局搜索能力。
当迁移到更下一等级的子个体中时，其步长需重新调整，满足下一等级的步长要求，步长调整方式为随机设置，满足要求即可。
根据所得到子代个体，对父代个体进行更新，得到新的父代个体。
⑦迭代：重复步骤③到步骤⑥。
⑨停止条件：在达到预设的停止条件时，停止优化过程，输出最优解(个体适应度函数值最优个体所对应的染色体的值)。本发明中的预设条件为达到人为设置的最大迭代次数Nmax，或最优个体的综合性能指标超过阈值，即停止迭代。
步骤S6所述的多目标优化结果评估，是采用基于均方根误差的多目标优化结果评估算法来实现，该算法采用基于均方误差的方法，能够有效评估多目标优化结果，算法步骤如下：
1、假设有m个目标函数，本发明步骤一中设置目标函数的数量为5，最优个体所对应的染色体的值对应的每个目标函数值为
2、对于多目标优化的结果，将每个目标函数的优化值分别归一化到[0,1]之间，得到fi(i＝1,2,...,m)，归一化方法如下：
其中，和分别是目标函数Fi在所有个体中的最小值和最大值。
3、定义多目标均方误差：
均方根误差的值越小，表示多目标优化结果越优秀，反之亦然。
为了进一步改进基于均方根误差的多目标优化结果评估算法的评估效果，引入一个权重向量W＝(w1,w2,...,wm)，(随机设置)，其中wi表示第i个目标函数的权重。在计算均方根误差时，使用以下公式：
通过调整权重向量，可以更好地评估多目标优化结果的质量。为了避免出现均方根误差相等的情况，引入一个小的随机数)，将上式修改为：
其中，∈i是在[0,∈]之间的随机数。
对多目标均方误差进行阈值判别，当小于等于设定阈值时，输出个体所对应的染色体值，作为无人机规划方案；当大于设定阈值时，增加或减少无人机的数量，重新进行基于演化模型的多目标优化操作，直至满足条件为止。
该评估算法具有以下优势和创新点：
①基于均方根误差的多目标优化结果评估算法采用基于均方误差的方法，可以更全面、客观地评估多目标优化结果的质量，避免了传统评估方法中可能出现的缺陷。
②基于均方根误差的多目标优化结果评估算法采用自适应权重调整和随机数引入的方式，可以更准确地评估多目标优化结果的质量，避免出现评估指标相等的情况。
根据得到的优化结果，生成无人机集群的任务规划。根据多目标优化算法的结果，可以得到一组具有良好平衡性的解集。在此基础上，根据实际需求选择一个最优解，生成无人机集群的任务规划。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种无人机集群任务规划方法，其特征在于，包括：
S1，获取无人机集群信息和无人机任务信息；所述无人机集群信息，包括无人机集群所包含的无人机总数和参与任务执行的无人机数目；所述无人机任务信息，包括无人机需要执行的任务数目m、无人机执行任务的能源消耗信息、无人机执行任务的覆盖面积信息、执行任务时无人机之间的距离信息、无人机执行任务的通信成本信息、任务需要覆盖的面积信息；
S2，对无人机集群所包含的无人机总数进行比例取整处理，得到参与任务执行的无人机数目n，利用所述数目n对无人机集群信息所包含的参与任务执行的无人机数目进行更新；
S3，对所述无人机集群信息和无人机任务信息进行融合处理，得到所述无人机集群任务规划的目标函数集；
S4，利用协作演化模型，对所述无人机集群任务规划的目标函数集进行求解，得到适应度最优个体；
S5，利用所述无人机集群任务规划的目标函数集，对所述适应度最优个体进行计算处理，得到最优个体的任务规划目标函数值；
S6，对所述最优个体的任务规划目标函数值进行评估处理，得到无人机集群任务规划方案。
2.如权利要求1所述的无人机集群任务规划方法，其特征在于，所述无人机集群任务规划的目标函数集，包括：最小化集群任务子函数、最小化能源消耗子函数、最小化通信成本子函数、最大化覆盖率子函数和最小化无人机距离子函数；
所述最小化集群任务子函数f1(x)，其表达式为：
其中，tij表示第j架无人机完成第i个任务的时间信息，xij表示第j架无人机是否参与完成第i个任务，如果参与，则xij为1，否则xij为0；x为无人机集群任务规划矩阵，其元素为xij，i＝1,2,…,m，j＝1,2,…,n；
所述最小化能源消耗子函数f2(x)，其表达式为：
其中，eij表示第j架无人机完成第i个任务的能源消耗信息；
所述最小化通信成本子函数f3(x)，其表达式为：
其中，dij表示第j架无人机执行第i个任务的通信成本信息；
所述最大化覆盖率子函数f4(x)，其表达式为：
其中，oij表示第j架无人机完成第i个任务所覆盖的面积，ai表示第i个任务需要覆盖的面积；
所述最小化无人机距离子函数，其表达式为：
其中，dijk表示在完成第i个任务时，第j架无人机和第k架无人机之间的距离，xij和xik分别表示第j架无人机和第k架无人机是否参与完成第i个任务，如果参与，则其取值为1，否则，其取值为0。
3.如权利要求2所述的无人机集群任务规划方法，其特征在于，所述利用协作演化模型，对所述无人机集群任务规划的目标函数集进行求解，得到适应度最优个体，包括：
S41，构建得到适应度函数；所述适应度函数，是利用加权向量对所述无人机集群任务规划的目标函数集的各个子函数进行加权处理得到；
所述适应度函数F(·)，其表达式为：
其中，λi为第i个子函数对应的加权变量，λ4<0，λ1、λ2、λ3、λ5<0；所有加权变量构成加权向量；
S42，构建并初始化个体集合和迭代次数，利用初始化得到的个体集合构建父代个体集合；所述父代个体集合，包括若干个父代个体；所述父代个体，包括相应的染色体向量和步长；所述染色体向量，是对加权向量和无人机集群任务规划向量进行拼接得到；所述无人机集群任务规划向量，是对无人机集群任务规划矩阵的所有行向量或所有列向量，按照行序号或列序号依次进行拼接得到；
S43，利用对抗样本比较操作，对所述父代个体的步长进行更新；
S44，对父代个体集合进行拆分，得到个体子集合；
S45，根据所述父代个体的步长，对每个个体子集合进行分级操作，得到相应的分层个体子集合；
S46，对属于不同个体子集合的、相同层级的分层个体子集合，进行基因交流操作，得到后代个体集合；
S47，对所述后代个体集合进行综合性能指标计算，得到综合性能指标；
S48，利用所述综合性能指标，对所述后代个体集合进行迁移操作，得到迁移后代个体集合和适应度最优个体；
S49，对所述综合性能指标和迭代次数进行迭代停止判断处理，得到迭代停止判断结果；
若所述迭代停止判断结果为是，执行步骤S5；
若所述迭代停止判断结果为否，增加迭代次数，利用迁移后代个体集合，构建得到父代个体集合，执行步骤S43。
4.如权利要求3所述的无人机集群任务规划方法，其特征在于，所述利用对抗样本比较操作，对所述父代个体的步长进行更新，包括：
S431，对所述父代个体的染色体向量进行动态增噪处理，得到增噪后的染色体向量；所述动态增噪后的染色体向量的表达式p1为：
p1＝p0+δβ(t)，
其中，p0为增噪前的父代个体染色体值，δ为高斯噪声向量，β(t)为t时刻的动态权重；所述β(t)的表达式为：
其中，ti表示迭代次数，T0和T1分别表示第一转折迭代次数和第二转折迭代次数，β0和β1分别表示第一权重值和第二权重值；
S432，对每个父代个体，建立相应的对抗样本集合；所述对抗样本集合包括若干个对抗样本；所述对抗样本包括相应的染色体向量和步长；
S433，对父代个体和其相应的对抗样本集合，进行鲁棒指标判断处理，得到鲁棒指标判断结果；
若鲁棒指标判断结果大于0，使父代个体的步长减少1；
若鲁棒指标判断结果小于0，使父代个体的步长增加1。
5.如权利要求4所述的无人机集群任务规划方法，其特征在于，所述对每个父代个体，建立相应的对抗样本集合，包括：
S4321，根据父代个体的染色体向量之间距离，搜寻得到与父代个体的距离小于设定距离阈值的近邻个体集合；
S4322，对父代个体与近邻个体集合进行染色体向量比例加权处理，构建得到对抗样本的染色体向量；对抗样本的步长随机生成；
S4323，对步骤S4322所得到的对抗样本进行合并处理，得到对抗样本集合。
6.如权利要求4所述的无人机集群任务规划方法，其特征在于，所述对父代个体和其相应的对抗样本集合，进行鲁棒指标判断处理，得到鲁棒指标判断结果，包括:
S4331，计算父代个体和对抗样本的鲁棒性指标，其计算表达式为：
其中，表示父代个体pi的鲁棒性指标，f(pi)表示父代个体pi的适应度函数值，f(aij)表示父代个体pi的第j个对抗样本的适应度函数值，m1为对抗样本集合所包含的对抗样本的个数,α是对抗样本惩罚权重；f(aij)表示对抗样本aij的目标函数值；
S4332，判断所述鲁棒性指标是否大于0，得到鲁棒指标判断结果。
7.如权利要求3所述的无人机集群任务规划方法，其特征在于，所述根据所述父代个体的步长，对每个个体子集合进行分级操作，得到相应的分层个体子集合，包括：
S451，设定与每个层级对应的步长取值范围；
S452，对所述父代个体的步长进行取值范围匹配，得到所述父代个体对应的步长取值范围；
S453，根据所述父代个体对应的步长取值范围，将所述父代个体划分入步长取值范围对应的层级中；
S454，对个体子集合中的属于同一层级的父代个体进行合并处理，得到所述个体子集合的分层个体子集合。
8.如权利要求3所述的无人机集群任务规划方法，其特征在于，所述综合性能指标，其计算表达式为：
UM(x1)＝F(x1)+D(x1)
其中，UM()为综合性能指标计算函数，F()为适应度函数，D()为拥挤度距离指标函数，x1为后代个体的染色体向量所对应的无人机集群任务规划矩阵；所述拥挤度距离指标，其计算表达式为：
其中，N(x1)表示在所述后代个体集合中，与x1对应后代个体距离最近的k个后代个体的集合，y为集合N(x1)中的后代个体，k为预设的个体数目参数，D(y)表示x1对应后代个体与后代个体y的欧氏距离。
9.如权利要求3所述的无人机集群任务规划方法，其特征在于，所述利用所述综合性能指标，对所述后代个体集合进行迁移操作，得到迁移后代个体集合和适应度最优个体，包括；
S481，根据后代个体的综合性能指标，对每个后代个体子集合，分别进行综合性能指标搜索操作，得到综合性能指标最优的后代个体和综合性能指标低于预设指标阈值的后代个体；对于所述后代个体子集合，将其综合性能指标最优的后代个体和综合性能指标低于预设指标阈值的后代个体，分别作为所述后代个体子集合的最优个体和劣级个体；
S482，在每个后代子集合中，将所述后代子集合的最优个体迁移到更高一层级的分层个体子集合中，并根据所迁移的分层个体子集合的步长取值范围，对所述最优个体的步长进行增加操作；
S483，在每个后代子集合中，将所述后代子集合的劣级个体迁移到更低一层级的分层个体子集合中，并根据所迁移的分层个体子集合的步长取值范围，对所述最优个体的步长进行减少操作；
S484，利用完成迁移的所有后代子集合，构建得到迁移后代个体集合；
S485，在迁移后代个体集合中，搜寻得到综合性能指标最优的后代个体，将所述后代个体作为适应度最优个体。
10.如权利要求3所述的无人机集群任务规划方法，其特征在于，所述利用所述无人机集群任务规划的目标函数集，对所述适应度最优个体进行计算处理，得到最优个体的任务规划目标函数值，包括：
S51，根据适应度最优个体的染色体向量值，确定对应的无人机集群任务规划矩阵；
S52，利用无人机集群任务规划的目标函数集，对所述无人机集群任务规划矩阵进行计算处理，得到最优个体的任务规划目标函数值；所述最优个体的任务规划目标函数值，包括集群任务子函数值能源消耗子函数值通信成本子函数值覆盖率子函数值和无人机距离子函数值
所述对所述最优个体的任务规划目标函数值进行评估处理，得到无人机集群任务规划方案，包括：
S61，对迁移后代个体集合中的每个后代个体，根据其染色体向量值确定对应的无人机集群任务规划矩阵；
S62，将所述无人机集群任务规划矩阵，输入无人机集群任务规划的目标函数集，计算得到所述每个后代个体的任务规划目标函数值；所述每个后代个体的任务规划目标函数值，包括集群任务子函数值、能源消耗子函数值、通信成本子函数值、覆盖率子函数值和无人机距离子函数值；
S63，对所有后代个体的任务规划目标函数值进行搜索，得到每类子函数的最大值和最小值；
S64，利用所述每类子函数的最大值和最小值，对所述最优个体的任务规划目标函数值进行归一化处理，得到归一化任务规划目标函数值；
S65，根据所述任务规划目标函数值的子函数类别，对归一化任务规划目标函数值和最优个体的任务规划目标函数值进行差异累积计算，得到多目标均方误差值；
S66，判断所述多目标均方误差值是否大于预设均方误差阈值，得到误差判别结果；
若所述误差判别结果为大于预设均方误差阈值，增加或减少所述参与任务执行的无人机数目，执行步骤S3；
若所述误差判别结果为不大于预设均方误差阈值，将所述适应度最优个体对应的无人机集群任务规划矩阵，作为无人机集群的任务规划方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310504179.3A CN116542468B (zh) | 2023-05-06 | 2023-05-06 | 一种无人机集群任务规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310504179.3A CN116542468B (zh) | 2023-05-06 | 2023-05-06 | 一种无人机集群任务规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116542468A true CN116542468A (zh) | 2023-08-04 |
| CN116542468B CN116542468B (zh) | 2023-10-20 |
Family
ID=87449985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310504179.3A Active CN116542468B (zh) | 2023-05-06 | 2023-05-06 | 一种无人机集群任务规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116542468B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442135A (zh) * | 2019-08-06 | 2019-11-12 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
| CN111461464A (zh) * | 2020-05-06 | 2020-07-28 | 农业农村部南京农业机械化研究所 | 一种植保无人飞机集群作业任务分配方法和装置 |
| CN112327923A (zh) * | 2020-11-19 | 2021-02-05 | 中国地质大学（武汉） | 一种多无人机协同路径规划方法 |
| CN112801540A (zh) * | 2021-02-24 | 2021-05-14 | 中国人民解放军国防科技大学 | 基于无人集群的智能协同架构设计 |
| CN114021914A (zh) * | 2021-10-22 | 2022-02-08 | 北京市农林科学院信息技术研究中心 | 一种无人机集群飞防调度方法及装置 |
| CN114139631A (zh) * | 2021-12-03 | 2022-03-04 | 华北电力大学 | 一种面向多目标训练对象可选择的灰盒的对抗样本生成方法 |
| CN114595871A (zh) * | 2022-02-18 | 2022-06-07 | 中国人民解放军总参谋部第六十研究所 | 一种多无人机任务规划方法 |
| CN115202400A (zh) * | 2022-08-04 | 2022-10-18 | 西安电子科技大学 | 基于自适应惩罚taea的无人机集群任务规划方法 |
| CN115422776A (zh) * | 2022-09-30 | 2022-12-02 | 西北工业大学 | 一种多基异构无人集群多波次统一协同任务分配方法和系统 |
| CN115730700A (zh) * | 2022-09-29 | 2023-03-03 | 中国人民解放军海军航空大学 | 基于参考点的自适应多目标任务规划方法、系统和设备 |
| CN115903896A (zh) * | 2022-11-22 | 2023-04-04 | 中国人民解放军国防科技大学 | 一种基于代理模型优化的多无人机路径规划方法 |
| CN116009569A (zh) * | 2021-10-19 | 2023-04-25 | 南京航空航天大学 | Sead任务场景下一种基于多类型基因染色体遗传算法的异构多无人机任务规划方法 |
-
2023
- 2023-05-06 CN CN202310504179.3A patent/CN116542468B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442135A (zh) * | 2019-08-06 | 2019-11-12 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
| CN111461464A (zh) * | 2020-05-06 | 2020-07-28 | 农业农村部南京农业机械化研究所 | 一种植保无人飞机集群作业任务分配方法和装置 |
| CN112327923A (zh) * | 2020-11-19 | 2021-02-05 | 中国地质大学（武汉） | 一种多无人机协同路径规划方法 |
| CN112801540A (zh) * | 2021-02-24 | 2021-05-14 | 中国人民解放军国防科技大学 | 基于无人集群的智能协同架构设计 |
| CN116009569A (zh) * | 2021-10-19 | 2023-04-25 | 南京航空航天大学 | Sead任务场景下一种基于多类型基因染色体遗传算法的异构多无人机任务规划方法 |
| CN114021914A (zh) * | 2021-10-22 | 2022-02-08 | 北京市农林科学院信息技术研究中心 | 一种无人机集群飞防调度方法及装置 |
| CN114139631A (zh) * | 2021-12-03 | 2022-03-04 | 华北电力大学 | 一种面向多目标训练对象可选择的灰盒的对抗样本生成方法 |
| CN114595871A (zh) * | 2022-02-18 | 2022-06-07 | 中国人民解放军总参谋部第六十研究所 | 一种多无人机任务规划方法 |
| CN115202400A (zh) * | 2022-08-04 | 2022-10-18 | 西安电子科技大学 | 基于自适应惩罚taea的无人机集群任务规划方法 |
| CN115730700A (zh) * | 2022-09-29 | 2023-03-03 | 中国人民解放军海军航空大学 | 基于参考点的自适应多目标任务规划方法、系统和设备 |
| CN115422776A (zh) * | 2022-09-30 | 2022-12-02 | 西北工业大学 | 一种多基异构无人集群多波次统一协同任务分配方法和系统 |
| CN115903896A (zh) * | 2022-11-22 | 2023-04-04 | 中国人民解放军国防科技大学 | 一种基于代理模型优化的多无人机路径规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| 徐瑞莲;周新志;宁芊;: "基于改进差分进化算法的多无人机航迹规划", 火力与指挥控制, no. 01 * |
| 王维平;王涛;李小波;刘佳杰;: "一种基于模体的无人机集群智能任务规划方法", 系统仿真学报, no. 04 * |
| 王钦钊;程金勇;李小龙;: "多无人机协同任务规划方法", 火力与指挥控制, no. 03 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116542468B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A cluster-based competitive particle swarm optimizer with a sparse truncation operator for multi-objective optimization | |
| CN108399451A (zh) | 一种结合遗传算法的混合粒子群优化算法 | |
| Shang et al. | A multi-population cooperative coevolutionary algorithm for multi-objective capacitated arc routing problem | |
| CN105929690B (zh) | 一种基于分解多目标进化算法的柔性车间鲁棒调度方法 | |
| CN109085752B (zh) | 基于角度支配关系的铝电解偏好多目标优化算法 | |
| Madani et al. | Cooperative coevolutionary multi-guide particle swarm optimization algorithm for large-scale multi-objective optimization problems | |
| CN110473592A (zh) | 基于图卷积网络的有监督的多视角人类协同致死基因预测方法 | |
| CN115755954B (zh) | 巡检路径规划方法、系统、计算机设备及存储介质 | |
| CN112783210B (zh) | 无人机集群控制系统的多目标控制参数调优方法 | |
| CN110986960A (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
| CN111178485A (zh) | 基于双种群协同的多目标进化算法 | |
| CN110569959A (zh) | 基于协同变异方法的多目标粒子群优化算法 | |
| Zhang et al. | ABC-TLBO: A hybrid algorithm based on artificial bee colony and teaching-learning-based optimization | |
| CN113205172A (zh) | 一种基于自适应知识迁移的多任务演化算法 | |
| CN108596339A (zh) | 一种构建子种群和子问题的多目标优化遗传算法 | |
| Li et al. | Multi-ant colony optimization algorithm based on finite history archiving and boxed pigs game | |
| Han et al. | Robust multiobjective particle swarm optimization with feedback compensation strategy | |
| CN116542468B (zh) | 一种无人机集群任务规划方法 | |
| Niu et al. | Cloud resource scheduling method based on estimation of distirbution shuffled frog leaping algorithm | |
| Showalter et al. | Lamarckian inheritance in neuromodulated multiobjective evolutionary neurocontrollers | |
| CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
| CN113780146B (zh) | 基于轻量化神经架构搜索的高光谱图像分类方法及系统 | |
| CN115293430A (zh) | 一种基于合作型协同进化算法的无人节点协同方法及系统 | |
| CN115310654A (zh) | 基于强化学习-非支配排序遗传算法的作业车间调度方法 | |
| Duan | MCEDA: A novel many-objective optimization approach based on model and clustering |
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 |