CN116595864A - 一种基于均值漂移聚类算法优化的多无人机任务分配方法 - Google Patents
一种基于均值漂移聚类算法优化的多无人机任务分配方法 Download PDFInfo
- Publication number
- CN116595864A CN116595864A CN202310450223.7A CN202310450223A CN116595864A CN 116595864 A CN116595864 A CN 116595864A CN 202310450223 A CN202310450223 A CN 202310450223A CN 116595864 A CN116595864 A CN 116595864A
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned aerial
- aerial vehicle
- target
- reconnaissance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 32
- 230000015572 biosynthetic process Effects 0.000 claims description 18
- 238000005755 formation reaction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 108091026890 Coding region Proteins 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 108700026244 Open Reading Frames Proteins 0.000 claims description 3
- 230000001066 destructive effect Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000282461 Canis lupus Species 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008717 functional decline Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
Abstract
本发明公开了一种基于均值漂移聚类算法优化的多无人机任务分配方法该方法包括以下步骤:步骤1:采用均值漂移聚类算法将所有任务目标进行分簇和战场区域划分;步骤2:根据战场划分结果对无人机集群进行编队构建;步骤3:建立改进遗传算法的任务分配模型,包括任务模型、进化算子、适应度函数;步骤4:基于任务收益最大化原则,通过遗传算法确定无人机任务分配结果;本发明针对异构无人机集群多目标多约束任务规划问题,采用均值漂移聚类算法,将大范围多数量的任务目标分簇为多个相近的任务簇,并根据任务聚类结果构建异构无人机战术小队,采用分而治之的方式降低了求解空间的规模和算法求解成本。
Description
技术领域
本发明涉及无人机多任务分配技术领域,尤其涉及一种基于均值漂移聚类算法优化的多无人机任务分配方法。
背景技术
协同规划是指无人机集群系统根据战场环境、任务需求等信息,综合考虑无人机的性能、载荷、数量等约束条件,对无人机集群系统进行科学、高效的调度,达到作战目的。通常,无人机集群在执行作战任务之前仅了解区域的地理坐标和范围大小信息,而对于目标数量和位置信息则是不清楚的、不确定的。出于无人机成本和载荷限制考虑,通常采用多架单一载荷的异构无人机组成集群取代单架高成本无人机执行任务。无人机集群作战是指将多个不同任务载荷、性能的基础无人机作战单位编队组成一组无人机作战小队,由每个小队再去执行相应的任务。
刘重提出了一种未知环境下的异构多无人机协同搜索打击中的联盟组建方法。联盟组建问题是在对任务目标进行所需资源评估的基础上,对无人机执行任务的组合形式进行优化设计。该方法采用了竞价排名的方式组建联盟。周同乐提出了一种基于狼群算法的多无人机协同多目标攻防满意决策方法。通过狼群算法寻优满意决策的满意度因子,进而通过满意决策获得攻防决策的满意解。
在多目标多约束任务分配场景中,现有的任务分配算法往往采取直接对于整个问题求解的方式,算法的求解空间随目标数量以及任务需求增加而指数上升。因此无人机集群在面对多个任务目标多种需求时,其规划时间被大幅度延长,并且由于计算成本的增加对于集群中心节点的性能也提出了一定的要求。
目前随机采样路径规划算法的主要改进方向在于集中采样节点位置、加快可行路径的收敛速度、获取全局空间最优的可行路径。但是获得最优解往往增加了求解时间,而对于提高求解速度的相关研究相对较少,研究思路主要集中在通过将采样空间逐渐变小或扩大的方式提高采样节点的利用率,对于采样空间的几何形状或特征是固定不变的。
发明内容
本发明的目的在于解决现有技术中存在的技术问题,提供一种基于均值漂移聚类算法优化的多无人机任务分配方法。
为实现上述目的,本发明提供的技术方案是:一种基于均值漂移聚类算法优化的多无人机任务分配方法,该方法包括以下步骤:
步骤1:采用均值漂移聚类算法将所有任务目标进行分簇和战场区域划分;
步骤2:根据战场划分结果对无人机集群进行编队构建;
步骤3:建立改进遗传算法的任务分配模型,包括任务模型、进化算子、适应度函数;
步骤4:基于任务收益最大化原则,通过遗传算法确定无人机任务分配结果。
优选的,在步骤1中的均值漂移聚类算法,包括定义任务目标中任务点集合X={x1,x2,...,xd}为d维欧式空间,滑动窗口中心点x与集合X中距离小于r的点xi的均值漂移向量为:
Sr={y:(y-x)T(y-x)<r2,y∈X}
滑动窗口Sr的滑动过程就是计算均值漂移向量,不断更新中心点位置,更新公式为:
x=x+Mr
设定窗口终止迭代的阈值为c,任务点归类公式为:
Cr(xi)={xi|xi∈Mr,||Mr||<c}
滑动窗口区域趋于一致时,可以将不同窗口的任务点进行合并,任务点类别合并公式为:
C=C(xi)∪C(xj),|xi-xj|<c。
优选的,在步骤2中,假设存在Ntar个随机分布的任务点,已知在远离作战区域的指挥中心机场存在Na架侦察型无人机、Nb架攻击型无人机、Nc架评估型无人机,令Cm、Cn、Cp分别表示聚类中心数量、类内任务点数量及聚类中心位置,上述具体数值由均值漂移聚类算法自动收敛确定,定义无人机编队数量为Fn,编队内无人机集合为F,无人机集群编队构建划分规则如下所示:
Fn=Cn
进一步的,在步骤3中,对无人机任务分配模型进行建模:
首先,设定目标集合G={1,2,...,NG},其中NG为目标数目,设定任务集合D={1,2,3}分别对应侦察、打击以及评估任务;令则在目标j上完成任务k所需要的时间为/>定于无人机完成目标j的时间范围为[stj,etj],其中stj是执行任务j的最早时间,etj是完成任务j的最晚时间,pj表示打击目标j的最小毁伤度要求,且pj∈(0,1)。
定义机场集合B={NG+1,NG+2,...,NG+Nb},其中Nb为机场数目;无人机集合V={1,2,...,Nv},Nv为UAV数目,将无人机类型分别划分为侦察型、攻击型和毁伤评估型,并用一个五元组<Bv,Tv,Sv,Kv,Pv>来描述每种无人机的属性,包括所在机场、最大续航时长、飞行速度、任务载荷和作战毁伤能力,设定攻击型无人机的作战毁伤能力Pv∈[0,1),侦察型与毁伤评估型无人机的Pv设定为0;
令i∈{1,2,...,Nb+NG},dij为无人机从目标i飞行至目标j的距离,且dij=dji;设首架无人机的起飞时间为t0,最后一架无人机返回机场的着陆时间为tf,分别设无人机在目标j上执行侦察、攻击以及评估任务的起始时间为定义任务变量/>和/>当UAV从目标i到达目标j执行任务k时/>否则/>当UAV从目标j执行完成任务后返回机场i时/>否则/>因此无人机协同任务分配问题的数学表述为:
min J=w1J1+(1-w1)J2
J2=tf-t0
其中J1和J2分别表示无人机集群的航程代价和时间代价,w1为加权系数,对问题分析可知,协同任务分配问题模型的约束条件为:
a)每个目标被侦察且仅被侦察一次;
b)每个目标被评估且仅被评估一次;
c)对每个目标的毁伤满足其最小毁伤要求;
d)仅考虑无人机不发生战斗损耗的情况,无人机均可返回机场;
e)任务执行顺序应当满足时间顺序约束;
f)单架无人机的航程应当小于其最大航程;
将上述各约束条件以数学公式形式进行表示,公式如式至所示:
在侦察层中以最小化时间为主要目标,优化计算出侦察型无人机执行任务的顺序,并确定每个目标的侦察开始时间令/>为无人机对目标j进行攻击的开始时间,其计算公式如下:
为了最小化打击层的航程代价,利用侦察层的优化结果,把约束条件替换为下式:
通过打击层的优化计算、得到每个攻击型无人机的需要进行打击的目标,并确定目标的攻击开始时间设毁伤评估型无人机最早执行任务的时间为/>可得以下计算公式:
在评估层中以时间代价最小为主要目标,,引入打击层优化结果后,约束条件转化为如下形式:
进一步的,在步骤3中构建进化算子:
基因采用实数编码,单个进化算子的空间大小为[2,3NG],单个算子的上下两行分别代表无人机和任务点的编号,将无人机依次编号为(1,2,...,ia,....,ib,....ic),其中1~ia为侦察型无人机、ia~ib为打击型无人机,ib~ic为评估型无人机。在单个任务段编码区域内,无人机编号仅为符合当前任务类型的无人机,且编号可重复。任务点编号在每个任务段编码区域为1~NG的无重复数字随机组合,其中同架无人机执行任务的时序由算子当前位置顺序决定。
进一步的,在步骤3中设计适应度函数:
根据算法给出的参战无人机编号、数量、作战顺序、打击目标信息,计算获得每架无人机完成任务节点的时间J1'和返回基地时间J1以及总航程J2,计算每代种群的适应度函数为:
f=f1+f2+f3
基于侦察评估耗时代价最小以及打击航程代价最小的思想设计无人机各层任务适应度函数,其中f1为侦察层无人机的适应度函数、f2为打击层无人机的适应度函数、f3为评估层位无人机的适应度函数:
f1=0.8J1+0.2J2
f2=0.2J1+0.8J2
f3=0.8J1+0.2J2。
本发明有益效果:
1.本发明针对异构无人机集群多目标多约束任务规划问题,采用均值漂移聚类算法,将大范围多数量的任务目标分簇为多个相近的任务簇,并根据任务聚类结果构建异构无人机战术小队,采用分而治之的方式降低了求解空间的规模和算法求解成本。
2.本发明通过对于异构任务分配问题进行分析建模,设计符合约束条件的遗传进化算子对可行解空间进行寻优探索。任务规划结果表明,所提的任务分配算法能够在一定的迭代次数收敛至最优解附近。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明中均值漂移聚类算法原理图;
图2是本发明进化算子编码设计图;
图3是本发明算法流程图;
图4是本发明实验仿真场景图;
图5是本发明均值漂移聚类算法对全部任务点的聚类分析图;
图6是本发明适应度函数下降曲线。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1-图3,一种基于均值漂移聚类算法优化的多无人机任务分配方法,该方法包括以下步骤:
步骤1:采用均值漂移聚类算法将所有任务目标进行分簇和战场区域划分;
步骤2:根据战场划分结果对无人机集群进行编队构建;
步骤3:建立改进遗传算法的任务分配模型,包括任务模型、进化算子、适应度函数;
步骤4:基于任务收益最大化原则,通过遗传算法确定无人机任务分配结果。
本实施例中,在步骤1中的均值漂移聚类算法,包括定义任务目标中任务点集合X={x1,x2,...,xd}为d维欧式空间,滑动窗口中心点x与集合X中距离小于r的点xi的均值漂移向量为:
Sr={y:(y-x)T(y-x)<r2,y∈X}
滑动窗口Sr的滑动过程就是计算均值漂移向量,不断更新中心点位置,更新公式为:
x=x+Mr
设定窗口终止迭代的阈值为c,任务点归类公式为:
Cr(xi)={xi|xi∈Mr,||Mr||<c}
滑动窗口区域趋于一致时,可以将不同窗口的任务点进行合并,任务点类别合并公式为:
C=C(xi)∪C(xj),|xi-xj|<c。
本实施例中,在步骤2中,假设存在Ntar个随机分布的任务点,已知在远离作战区域的指挥中心机场存在Na架侦察型无人机、Nb架攻击型无人机、Nc架评估型无人机,令Cm、Cn、Cp分别表示聚类中心数量、类内任务点数量及聚类中心位置,上述具体数值由均值漂移聚类算法自动收敛确定,定义无人机编队数量为Fn,编队内无人机集合为F,无人机集群编队构建划分规则如下所示:
Fn=Cn
本实施例中,在步骤3中,对无人机任务分配模型进行建模:
首先,设定目标集合G={1,2,...,NG},其中NG为目标数目,设定任务集合D={1,2,3}分别对应侦察、打击以及评估任务;令则在目标j上完成任务k所需要的时间为/>定于无人机完成目标j的时间范围为[stj,etj],其中stj是执行任务j的最早时间,etj是完成任务j的最晚时间,pj表示打击目标j的最小毁伤度要求,且pj∈(0,1)。
定义机场集合B={NG+1,NG+2,...,NG+Nb},其中Nb为机场数目;无人机集合V={1,2,...,Nv},Nv为UAV数目,将无人机类型分别划分为侦察型、攻击型和毁伤评估型,并用一个五元组<Bv,Tv,Sv,Kv,Pv>来描述每种无人机的属性,包括所在机场、最大续航时长、飞行速度、任务载荷和作战毁伤能力,设定攻击型无人机的作战毁伤能力Pv∈[0,1),侦察型与毁伤评估型无人机的Pv设定为0;
令i∈{1,2,...,Nb+NG},dij为无人机从目标i飞行至目标j的距离,且dij=dji;设首架无人机的起飞时间为t0,最后一架无人机返回机场的着陆时间为tf,分别设无人机在目标j上执行侦察、攻击以及评估任务的起始时间为定义任务变量/>和/>当UAV从目标i到达目标j执行任务k时/>否则/>当UAV从目标j执行完成任务后返回机场i时/>否则/>因此无人机协同任务分配问题的数学表述为:
min J=w1J1+(1-w1)J2
J2=tf-t0
其中J1和J2分别表示无人机集群的航程代价和时间代价,w1为加权系数,对问题分析可知,协同任务分配问题模型的约束条件为:
a)每个目标被侦察且仅被侦察一次;
b)每个目标被评估且仅被评估一次;
c)对每个目标的毁伤满足其最小毁伤要求;
d)仅考虑无人机不发生战斗损耗的情况,无人机均可返回机场;
e)任务执行顺序应当满足时间顺序约束;
f)单架无人机的航程应当小于其最大航程;
将上述各约束条件以数学公式形式进行表示,公式如式至所示:
在侦察层中以最小化时间为主要目标,优化计算出侦察型无人机执行任务的顺序,并确定每个目标的侦察开始时间令/>为无人机对目标j进行攻击的开始时间,其计算公式如下:
为了最小化打击层的航程代价,利用侦察层的优化结果,把约束条件替换为下式:
通过打击层的优化计算、得到每个攻击型无人机的需要进行打击的目标,并确定目标的攻击开始时间设毁伤评估型无人机最早执行任务的时间为/>可得以下计算公式:
在评估层中以时间代价最小为主要目标,,引入打击层优化结果后,约束条件转化为如下形式:
本实施例中,在步骤3中构建进化算子:
基因采用实数编码,单个进化算子的空间大小为[2,3NG],单个算子的上下两行分别代表无人机和任务点的编号,将无人机依次编号为(1,2,...,ia,....,ib,....ic),其中1~ia为侦察型无人机、ia~ib为打击型无人机,ib~ic为评估型无人机。在单个任务段编码区域内,无人机编号仅为符合当前任务类型的无人机,且编号可重复。任务点编号在每个任务段编码区域为1~NG的无重复数字随机组合,其中同架无人机执行任务的时序由算子当前位置顺序决定。
本实施例中,在步骤3中设计适应度函数:
根据算法给出的参战无人机编号、数量、作战顺序、打击目标信息,计算获得每架无人机完成任务节点的时间J′1和返回基地时间J1以及总航程J2,计算每代种群的适应度函数为:
f=f1+f2+f3
基于侦察评估耗时代价最小以及打击航程代价最小的思想设计无人机各层任务适应度函数,其中f1为侦察层无人机的适应度函数、f2为打击层无人机的适应度函数、f3为评估层位无人机的适应度函数:
f1=0.8J1+0.2J2
f2=0.2J1+0.8J2
f3=0.8J1+0.2J2。
目前随机采样路径规划算法的主要改进方向在于集中采样节点位置、加快可行路径的收敛速度、获取全局空间最优的可行路径。但是获得最优解往往增加了求解时间,而对于提高求解速度的相关研究相对较少,研究思路主要集中在通过将采样空间逐渐变小或扩大的方式提高采样节点的利用率,对于采样空间的几何形状或特征是固定不变的。
参照图1,首先确定滑动窗口半径r,以随机选取的中心点C半径为r的圆形滑动窗口开始滑动。其次,每一次滑动到新的区域,计算滑动窗口内的均值来作为中心点,滑动窗口内的点的数量为窗口内的密度。在每一次移动中,窗口会想密度更高的区域移动。最后,计算窗口内的中心点以及窗口内的密度,直到没有方向在窗口内可以容纳更多的点,即一直移动到圆内密度不再增加为止。
在上述步骤中会产生很多个滑动窗口,当多个滑动窗口重叠时,保留包含最多点的窗口,然后根据数据点所在的滑动窗口进行聚类。下图演示了均值漂移聚类的计算步骤:下面显示了所有滑动窗口从头到尾的整个过程。每个十字符号代表滑动窗口的质心,每个圆点代表一个数据点,其中不同颜色的实心圆点表示各自窗口内的数据点。
参照图2,采用实数编码,单个进化算子的空间大小为[2,3NG],其中NG为任务点数量。单个算子的上下两行分别代表无人机和任务点的编号。将无人机依次编号为(1,2,...,ia,....,ib,....ic),其中1~ia为侦察型无人机、ia~ib为打击型无人机,ib~ic为评估型无人机。在单个任务段编码区域内。无人机编号仅为符合当前任务类型的无人机,且编号可重复。任务点编号在每个任务段编码区域为1~NG的无重复数字随机组合。其中同架无人机执行任务的时序由算子当前位置顺序决定。
参照图3,首先采用聚类算法将单个大范围分散分布任务点的作战场景分解为多个少量任务点的小型作战场景。无人机集群作战指挥中心再根据无人机的载荷约束、航程约束以及任务场景数量将无人机集群构建为多个战术小队,其中每个小型任务场景对应一个无人机战术编队。其次,当无人机编队到达任务场景中心时,各无人机根据任务分配算法,按照侦察-打击-评估的任务时序完成当前任务区域的作战任务。
实施例1
1、假设战场环境存在30个任务点不均匀的随机分布于10000m*10000m范围内,根据当前任务点的分布情况、无人机类型以及飞行成本,无人机集群系统对当前战场环境进行分割处理,根据聚类场景组建无人机作战编队。当作战编队到达作战区域时,无人机根据侦察-打击-评估的时序要求,对当前区域内的任务节点进行任务分配,实现无人机集群空对地察打一体化作战任务。如图4所示。
2、无人机集群包含36架次不同类型的无人机,无人机集群作战指挥中心位于远离战场区域的[14000,2000]。初始状态下无人机处于作战指挥中心的机场,由指挥作战中心根据任务点的分布情况给出作战指令。仿真环境具体参数如下表所示:
3、均值漂移聚类算法对全部任务点的聚类分析结果如图5所示:
任务点分簇具体数据如下表所示:
4、基于无人机集群编队构建划分规则可得组建编队如下表所示:
无人机型号 | 编队1 | 编队2 | 编队3 |
无人机数量 | 12 | 12 | 12 |
5、各无人机战术编队到达任务点聚类中心后,根据多目标协同分配算法,按照侦察-打击-评估的时序,对于作战区域所有任务进行分配。设定算法迭代优化次数为500,适应度函数下降曲线如图6所示。
6、根据遗传算法分配结果可得无人机战术小队的最优作战序列如下表所示:
本发明针对异构无人机集群多目标多约束任务规划问题,采用均值漂移聚类算法,将大范围多数量的任务目标分簇为多个相近的任务簇,并根据任务聚类结果构建异构无人机战术小队,采用分而治之的方式降低了求解空间的规模和算法求解成本。本发明通过对于异构任务分配问题进行分析建模,设计符合约束条件的遗传进化算子对可行解空间进行寻优探索。任务规划结果表明,所提的任务分配算法能够在一定的迭代次数收敛至最优解附近。
在不出现冲突的前提下,本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。
以上所述仅为本发明的优先实施方式,只要以基本相同手段实现本发明目的的技术方案都属于本发明的保护范围之内。
Claims (6)
1.一种基于均值漂移聚类算法优化的多无人机任务分配方法,其特征在于:该方法包括以下步骤:
步骤1:采用均值漂移聚类算法将所有任务目标进行分簇和战场区域划分;
步骤2:根据战场划分结果对无人机集群进行编队构建;
步骤3:建立改进遗传算法的任务分配模型,包括任务模型、进化算子、适应度函数;
步骤4:基于任务收益最大化原则,通过遗传算法确定无人机任务分配结果。
2.根据权利要求1所述的一种基于均值漂移聚类算法优化的多无人机任务分配方法,其特征在于:在步骤1中的均值漂移聚类算法,包括定义任务目标中任务点集合X={x1,x2,...,xd}为d维欧式空间,K为窗口内数据点数量,滑动窗口中心点x与集合X中距离小于r的点xi的均值漂移向量为:
Sr={y:(y-x)T(y-x)<r2,y∈X}
滑动窗口Sr的滑动过程就是计算均值漂移向量,不断更新中心点位置,更新公式为:
x=x+Mr
设定窗口终止迭代的阈值为c,任务点归类公式为:
Cr(xi)={xi|xi∈Mr,||Mr||<c}
滑动窗口区域趋于一致时,可以将不同窗口的任务点进行合并,任务点类别合并公式为:
C=C(xi)∪C(xj),|xi-xj|<c。
3.根据权利要求1所述的一种基于均值漂移聚类算法优化的多无人机任务分配方法,其特征在于:在步骤2中,假设存在Ntar个随机分布的任务点,已知在远离作战区域的指挥中心机场存在Na架侦察型无人机、Nb架攻击型无人机、Nc架评估型无人机,令Cm、Cn、Cp分别表示聚类中心数量、类内任务点数量及聚类中心位置,上述具体数值由均值漂移聚类算法自动收敛确定,定义无人机编队数量为Fn,编队内无人机集合为F,无人机集群编队构建划分规则如下所示:
Fn=Cn
4.根据权利要求1所述的一种基于均值漂移聚类算法优化的多无人机任务分配方法,其特征在于:在步骤3中,对无人机任务分配模型进行建模:
首先,设定目标集合G={1,2,...,NG},其中NG为目标数目,设定任务集合D={1,2,3}分别对应侦察、打击以及评估任务;令则在目标j上完成任务k所需要的时间为定于无人机完成目标j的时间范围为[stj,etj],其中stj是执行任务j的最早时间,etj是完成任务j的最晚时间,pj表示打击目标j的最小毁伤度要求,且pj∈(0,1)。
定义机场集合B={NG+1,NG+2,...,NG+Nb},其中Nb为机场数目;无人机集合V={1,2,...,Nv},Nv为UAV数目,将无人机类型分别划分为侦察型、攻击型和毁伤评估型,并用一个五元组<Bv,Tv,Sv,Kv,Pv>来描述每种无人机的属性,包括所在机场、最大续航时长、飞行速度、任务载荷和作战毁伤能力,设定攻击型无人机的作战毁伤能力Pv∈[0,1),侦察型与毁伤评估型无人机的Pv设定为0;
令i∈{1,2,...,Nb+NG},dij为无人机从目标i飞行至目标j的距离,且dij=dji;设首架无人机的起飞时间为t0,最后一架无人机返回机场的着陆时间为tf,分别设无人机在目标j上执行侦察、攻击以及评估任务的起始时间为定义任务变量/>和/>当UAV从目标i到达目标j执行任务k时/>否则/>当UAV从目标j执行完成任务后返回机场i时/>否则/>因此无人机协同任务分配问题的数学表述为:
min J=w1J1+(1-w1)J2
J2=tf-t0
其中J1和J2分别表示无人机集群的航程代价和时间代价,w1为加权系数,对问题分析可知,协同任务分配问题模型的约束条件为:
a)每个目标被侦察且仅被侦察一次;
b)每个目标被评估且仅被评估一次;
c)对每个目标的毁伤满足其最小毁伤要求;
d)仅考虑无人机不发生战斗损耗的情况,无人机均可返回机场;
e)任务执行顺序应当满足时间顺序约束;
f)单架无人机的航程应当小于其最大航程;
将上述各约束条件以数学公式形式进行表示,公式如式至所示:
在侦察层中以最小化时间为主要目标,优化计算出侦察型无人机执行任务的顺序,并确定每个目标的侦察开始时间令/>为无人机对目标j进行攻击的开始时间,Tj 1和Tj 2为无人机在目标j上进行侦察任务和打击任务所消耗的时间,其计算公式如下:
为了最小化打击层的航程代价,利用侦察层的优化结果,把约束条件替换为下式:
通过打击层的优化计算、得到每个攻击型无人机的需要进行打击的目标,并确定目标的攻击开始时间设毁伤评估型无人机最早执行任务的时间为/>可得以下计算公式:
在评估层中以时间代价最小为主要目标,,引入打击层优化结果后,约束条件转化为如下形式:
5.根据权利要求1所述的一种基于均值漂移聚类算法优化的多无人机任务分配方法,其特征在于:在步骤3中构建进化算子:
基因采用实数编码,单个进化算子的空间大小为[2,3NG],单个算子的上下两行分别代表无人机和任务点的编号,将无人机依次编号为(1,2,...,ia,....,ib,....ic),其中1~ia为侦察型无人机、ia~ib为打击型无人机,ib~ic为评估型无人机。在单个任务段编码区域内,无人机编号仅为符合当前任务类型的无人机,且编号可重复。任务点编号在每个任务段编码区域为1~NG的无重复数字随机组合,其中同架无人机执行任务的时序由算子当前位置顺序决定。
6.根据权利要求1所述的一种基于均值漂移聚类算法优化的多无人机任务分配方法,其特征在于:在步骤3中设计适应度函数:
根据算法给出的参战无人机编号、数量、作战顺序、打击目标信息,计算获得每架无人机完成任务节点的时间J′1和返回基地时间J1以及总航程J2,计算每代种群的适应度函数为:
f=f1+f2+f3
基于侦察评估耗时代价最小以及打击航程代价最小的思想设计无人机各层任务适应度函数,其中f1为侦察层无人机的适应度函数、f2为打击层无人机的适应度函数、f3为评估层位无人机的适应度函数:
f1=0.8J1+0.2J2
f2=0.2J1+0.8J2
f3=0.8J1+0.2J2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310450223.7A CN116595864A (zh) | 2023-04-23 | 2023-04-23 | 一种基于均值漂移聚类算法优化的多无人机任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310450223.7A CN116595864A (zh) | 2023-04-23 | 2023-04-23 | 一种基于均值漂移聚类算法优化的多无人机任务分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116595864A true CN116595864A (zh) | 2023-08-15 |
Family
ID=87610674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310450223.7A Pending CN116595864A (zh) | 2023-04-23 | 2023-04-23 | 一种基于均值漂移聚类算法优化的多无人机任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595864A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117348424A (zh) * | 2023-11-30 | 2024-01-05 | 南通大地测绘有限公司 | 一种基于自适应算法的无人机群协同测绘方法及系统 |
-
2023
- 2023-04-23 CN CN202310450223.7A patent/CN116595864A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117348424A (zh) * | 2023-11-30 | 2024-01-05 | 南通大地测绘有限公司 | 一种基于自适应算法的无人机群协同测绘方法及系统 |
CN117348424B (zh) * | 2023-11-30 | 2024-03-08 | 南通大地测绘有限公司 | 一种基于自适应算法的无人机群协同测绘方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110608743B (zh) | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 | |
CN110889625B (zh) | 一种用于蜂群无人机系统的任务规划方法 | |
CN106406346B (zh) | 一种多无人机协同快速覆盖搜索航迹规划方法 | |
CN112733421B (zh) | 一种针对有人无人机协同对地作战的任务规划方法 | |
CN110389595B (zh) | 双属性概率图优化的无人机集群协同目标搜索方法 | |
CN108632831B (zh) | 一种基于动态航迹的无人机群频谱资源分配方法 | |
CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
CN114172942B (zh) | 多无人机辅助物联网的协同任务分配与轨迹优化方法 | |
CN105700555A (zh) | 一种基于势博弈的多无人机协同搜索方法 | |
CN107392388A (zh) | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 | |
CN108549402A (zh) | 基于量子乌鸦群搜索机制的无人机群任务分配方法 | |
CN108882201B (zh) | 一种面向能量效率的无人机集群网络中继传输选择方法 | |
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 | |
CN111311049A (zh) | 一种基于收益最大化的多智能体任务分配方法 | |
CN109597839B (zh) | 一种基于航电作战态势的数据挖掘方法 | |
CN116595864A (zh) | 一种基于均值漂移聚类算法优化的多无人机任务分配方法 | |
CN112633654A (zh) | 基于改进聚类扩展一致性束算法的多无人机任务分配方法 | |
Sharma | Evolution of unmanned aerial vehicles (UAVs) with machine learning | |
CN113485409A (zh) | 一种面向地理公平性的无人机路径规划分配方法及系统 | |
CN114326827B (zh) | 一种无人机集群多任务动态分配方法及系统 | |
CN111121784A (zh) | 一种无人侦察机航路规划方法 | |
CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
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 | |
CN111797966B (zh) | 一种基于改进羊群算法的多机协同全局目标分配方法 | |
Peng et al. | Modeling and solving the dynamic task allocation problem of heterogeneous UAV swarm in unknown environment |
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 |