CN117008641B - 用于多个异构无人机协同低空突防的分配方法和装置 - Google Patents
用于多个异构无人机协同低空突防的分配方法和装置 Download PDFInfo
- Publication number
- CN117008641B CN117008641B CN202311277855.4A CN202311277855A CN117008641B CN 117008641 B CN117008641 B CN 117008641B CN 202311277855 A CN202311277855 A CN 202311277855A CN 117008641 B CN117008641 B CN 117008641B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- approximate
- task
- distribution
- 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 52
- 230000002265 prevention Effects 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000035772 mutation Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明涉及无人机协同决策领域，具体公开了一种用于多个异构无人机协同低空突防的分配方法和装置。包括根据无人机与任务点在仿真空间中的位置，结合威胁源空间高程值，构建无人机分配模型，构建并利用辅助近似航程代价方阵，按照主顺序匹配原则法，获得异构无人机分配方案集，基于无人机单约束条件和无人机之间协同约束条件，构造异构无人机协同任务分配加权混合适应度函数，确认异构无人机分配方案集中的每个分配方案的初始无人机分配方案适应度值，通过计算冗余率选择变异策略进行筛选评估，确认优选分配方案。旨在不同的分配模型中，合理规划无人机对任务点的执行任务，求解出最小的航程代价、规划时间、违背约束及避免无人机之间的分配冲突。
Description
技术领域
本发明涉及无人机协同决策领域，具体涉及一种用于多个异构无人机协同低空突防的分配方法和装置。
背景技术
多无人机协同任务分配是指根据复杂任务环境和不同任务需求，对多架无人机进行任务调度和划分，使得无人机编队任务效能最高，作战代价最小。随着执行任务的飞行器种类不断增加，任务需求越来越复杂，单架无人机有限的载荷很难独自完成敌方区域的侦查、饱和攻击等，而多无人机协同任务分配可以通过多无人机之间的配合处理各种复杂任务，提高任务完成的效率。
但多无人机协同任务分配也存在很多的难点，例如：在分配过程中，多无人机协同任务分配不但需要考虑无人机之间性能的差异、仿真环境的复杂性和任务执行的优先次序，还要避免无人机分配冲突和规划时间较长等问题。因此，多无人机协同任务分配的研究仍然面临巨大的挑战。
目前，针对大规模无人机协同任务分配仍存在以下问题：
1)根据无人机与任务点的数量关系，多无人机协同任务分配可以划分为不同的分配模型，不同的分配模型具有不同的分配机制和映射策略。如果仍然选择相同的分配机制和映射策略，将导致无人机和任务点分配冲突，大大降低分配系统的效率。因此，如何根据不同的模型构建合理的分配机制和映射策略是避免分配失效的关键；
2)随着无人机和任务点数量的急剧增加，规划系统的计算复杂度将显著提高。同时，在多次迭代后，产生了大量的候选分配方案，在较短的时间内很难求解出最优分配方案。因此，在数据冗余的情况下，如何有效求解出最优分配方案仍然是多无人机协同任务分配的难点。
发明内容
针对上述问题，本发明的一个目的是提供一种用于多个异构无人机协同低空突防的分配方法。
本发明的第二个目的是提供一种用于多个异构无人机协同低空突防的分配装置。
本发明所采用的第一个技术方案是：S1、根据无人机与任务点在仿真空间中的位置，结合威胁源空间高程值，构建无人机分配模型；S2、根据所述无人机分配模型，将离散的所述无人机与任务点近似航程代价映射到连续空间，从而构建辅助近似航程代价方阵；S3、利用所述辅助近似航程代价方阵，按照主顺序匹配原则法，获得异构无人机分配方案集；S4、基于无人机单约束条件和无人机之间协同约束条件，构造异构无人机协同任务分配加权混合适应度函数，确认所述异构无人机分配方案集中的每个分配方案的初始无人机分配方案适应度值；S5、根据所述初始无人机分配方案适应度值，通过计算冗余率选择变异策略进行筛选，得到筛选后分配方案集；S6、构建指标体系，对所述筛选后分配方案集中的分配方案按照指标进行评估，确认优选分配方案。
可选的，所述S1包括：
S11、根据所述无人机与任务点在仿真空间中的位置，结合所述威胁源空间高程值，获得统一的威胁源空间威胁数据；
S12、建立所述无人机与所述任务点之间、所述任务点与所述任务点之间的垂直切面，并将三维空间中的所述无人机至所述任务点、所述任务点至所述任务点之间的所述近似航程映射到所述垂直切面；
S13、构造不同权重的近似航程代价函数算法并进行计算，得到近似航程代价值，其中，所述近似航程代价函数算法包括：
；
其中，和分别表示第个航迹点和第个航迹点，当时，表示无人
机的起点，表示任务点，和表示航迹点和的坐标，和分别表示
第个雷达的圆心角和半径，和分别表示欧式距离和雷达弧长的权重，且的值远大于的值，E代表贴近山体折线的段数，A代表贴近雷达扫描区圆弧的段数，代表第j段弧段。
可选的，所述S2包括：S21、将所述离散的所述无人机与所述任务点的近似航程代价映射到连续空间；S22、根据所述无人机数量和所述任务点数量，构建不同模型下的所述辅助近似航程代价方阵，其中，所述辅助近似航程代价方阵为，由近似航程代价矩阵组成的辅助航程代价方阵。
可选的，所述S5包括：S51、根据所述初始无人机分配方案适应度值，选择所述变异策略；S52、将所述异构无人机分配方案集随机分为四份数量相同的分配方案，并构建保存四种不同特征的变异策略的档案库；S53、根据降低冗余数据规则，计算个体航程代价；S54、通过所述个体航程代价，判断所述分配方案冗余率是否超过规定的值；S55、若超过则更改选择的所述变异策略继续迭代更新，若未超过则输出方案得到所述筛选后分配方案集。
可选的，所述S6包括：S61、构建所述指标体系，包括指标：规划系统平均运行时间、规划系统平均航程代价、规划系统最优航程代价、规划系统约束违背、规划系统优解率、规划系统冗余率；S62、利用所述指标体系对所述筛选后分配方案集进行评估，得到所述优选分配方案。
本发明所采用的第二个技术方案是：模型构建模块，根据无人机与任务点在仿真空间中的位置，结合威胁源空间高程值，构建无人机分配模型；方阵构建模块，根据所述无人机分配模型，将离散的所述无人机与任务点近似航程代价映射到连续空间，从而构建辅助近似航程代价方阵；方案集获得模块，利用所述辅助近似航程代价方阵，按照主顺序匹配原则法，获得异构无人机分配方案集；适应度值确认模块，基于无人机单约束条件和无人机之间协同约束条件，构造异构无人机协同任务分配加权混合适应度函数，确认所述异构无人机分配方案集中的每个分配方案的初始无人机分配方案适应度值；筛选模块，根据所述初始无人机分配方案适应度值，通过计算冗余率选择变异策略进行筛选，得到筛选后分配方案集；评估模块，构建指标体系，对所述筛选后分配方案集中的分配方案按照指标进行评估，确认优选分配方案。
可选的，所述模型构建模块包括：
数据获取模块，根据所述无人机与任务点在仿真空间中的位置，结合所述威胁源空间高程值，获得统一的威胁源空间威胁数据；
切面建立模块，建立所述无人机与所述任务点之间、所述任务点与所述任务点之间的垂直切面，并将三维空间中的所述无人机至所述任务点、所述任务点至所述任务点之间的所述近似航程映射到所述垂直切面；
算法模块，构造不同权重的近似航程代价函数算法并进行计算，得到近似航程代价值，其中，所述近似航程代价函数算法包括：
；
其中，和分别表示第个航迹点和第个航迹点，当时，表示无人
机的起点，表示任务点，和表示航迹点和的坐标，和分别表示
第个雷达的圆心角和半径，和分别表示欧式距离和雷达弧长的权重，且的值远大于的值，E代表贴近山体折线的段数，A代表贴近雷达扫描区圆弧的段数，代表第j段弧段。
可选的，所述方阵构建模块包括：映射子模块，将所述离散的所述无人机与所述任务点的近似航程代价映射到连续空间；方阵构建子模块，根据所述无人机数量和所述任务点数量，构建不同模型下的所述辅助近似航程代价方阵，其中，所述辅助近似航程代价方阵为，由近似航程代价矩阵组成的辅助航程代价方阵。
可选的，所述筛选模块包括：策略选择子模块，根据所述初始无人机分配方案适应度值，选择所述变异策略；策略保存子模块，将所述异构无人机分配方案集随机分为四份数量相同的分配方案，并构建保存四种不同特征的变异策略的档案库；计算子模块，根据降低冗余数据规则，计算个体航程代价；判断子模块，通过所述个体航程代价，判断所述分配方案冗余率是否超过规定的值；筛选子模块，若超过则更改选择的所述变异策略继续迭代更新，若未超过则输出方案得到所述筛选后分配方案集。
可选的，所述评估模块包括：
指标构建子模块，构建所述指标体系，包括指标：规划系统平均运行时间、规划系统平均航程代价、规划系统最优航程代价、规划系统约束违背、规划系统优解率、规划系统冗余率；评估子模块，利用所述指标体系对所述筛选后分配方案集进行评估，得到所述优选分配方案。
上述技术方案的有益效果：
1）本发明不仅适用单一的分配场景，还适用另外两种不同的分配场景，同时明确了每种分配场景的分配机制和策略，从而为数量不同的无人机突防场景提供参考；
2）本发明考虑不同分配场景下无人机的单一约束和无人机之间的协同约束，考虑了无人机飞行高度的影响，同时考虑了多无人机协同任务分配的加权混合适应度函数，能够为异构多无人机协同低空突防分配决策方法提供有效技术支撑；
3）本发明提出了辅助航程代价和主顺序排序原则，可以为不同分配场景下无人机近似航程代价提供构建方阵的方法，同时主顺序排序法从根本上避免了分配冲突，能够为大规模异构多无人机避免冲突提供了一种新的思路。
附图说明
图1为本发明的一个实施例提供的用于多个异构无人机协同低空突防的分配方法的流程图；
图2为图1提供的步骤S5的流程图；
图3为本发明的一个实施例提供的用于多个异构无人机协同低空突防的分配装置的结构示意图；
图4为图3提供的筛选模块的结构示意图；
图5(a)为异构无人机协同任务分配的分配模型示意图一；
图5(b)为异构无人机协同任务分配的分配模型示意图二；
图5(c)为异构无人机协同任务分配的分配模型示意图三；
图6为异构无人机构建近似航程代价示意图；
图7为无人机数量等于任务点数量的辅助航程代价矩阵及主顺序排序法示意图；
图8为无人机数量大于任务点数量的辅助航程代价矩阵及主顺序排序法示意图；
图9为无人机数量小于任务点数量的辅助航程代价矩阵及主顺序排序法示意图；
图10为规划系统减少冗余分配方案示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的优选实施例，本发明的范围由权利要求书限定。
在本发明的描述中，需要说明的是，除非另有说明，“多个”的含义是两个或两个以上；术语“第一”“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性；对于本领域的普通技术人员而言，可视具体情况理解上述术语在本发明中的具体含义。
实施例一
本发明的一个实施例提供了一种用于多个异构无人机协同低空突防的分配方法,如图1所示，包括S1、根据无人机与任务点在仿真空间中的位置，结合威胁源空间高程值，构建无人机分配模型；S2、根据所述无人机分配模型，将离散的所述无人机与任务点近似航程代价映射到连续空间，从而构建辅助近似航程代价方阵；S3、利用所述辅助近似航程代价方阵，按照主顺序匹配原则法，获得异构无人机分配方案集；S4、基于无人机单约束条件和无人机之间协同约束条件，构造异构无人机协同任务分配加权混合适应度函数，确认所述异构无人机分配方案集中的每个分配方案的初始无人机分配方案适应度值；S5、根据所述初始无人机分配方案适应度值，通过计算冗余率选择变异策略进行筛选，得到筛选后分配方案集；S6、构建指标体系，对所述筛选后分配方案集中的分配方案按照指标进行评估，确认优选分配方案。
S1、根据无人机与任务点在仿真空间中的位置，结合威胁源空间高程值，构建无人机分配模型；
S11、根据所述无人机与任务点在仿真空间中的位置，结合所述威胁源空间高程值，获得统一的威胁源空间威胁数据。
需要说明的是，威胁源空间威胁数据为山地数据及雷达侦测区数据。
S12、建立所述无人机与所述任务点之间、所述任务点与所述任务点之间的垂直切面，并将三维空间中的所述无人机至所述任务点、所述任务点至所述任务点之间的所述近似航程映射到所述垂直切面。
如图6所示，S13、构造不同权重的近似航程代价函数算法并进行计算，得到近似航程代价值，其中，所述近似航程代价函数算法包括：
；
其中，和分别表示第个航迹点和第个航迹点，当时，表示无人
机的起点，表示任务点，和表示航迹点和的坐标，和分别表示
第个雷达的圆心角和半径，和分别表示欧式距离和雷达弧长的权重，且的值远大于的值，E代表贴近山体折线的段数，A代表贴近雷达扫描区圆弧的段数，代表第j段弧段。
S2、根据所述无人机分配模型，将离散的所述无人机与任务点近似航程代价映射到连续空间，从而构建辅助近似航程代价方阵。
S21、将所述离散的所述无人机与所述任务点的近似航程代价映射到连续空间；
S22、根据所述无人机数量和所述任务点数量，构建不同模型下的所述辅助近似航程代价方阵，其中，所述辅助近似航程代价方阵为，由近似航程代价矩阵组成的辅助航程代价方阵。
将离散的无人机与任务点近似航程代价映射到连续空间，当无人机数量等于任务
点数量时，近似航程代价为方阵，但是当无人机数量小于或者大于任务点数量时，近似航程
代价为特殊矩阵（矩阵的行与列数量不等），因此，如图5(a)-图5(c)所示，需要构建不同模
型下辅助近似航程代价方阵、和。
S3、利用所述辅助近似航程代价方阵，按照主顺序匹配原则法，获得异构无人机分配方案集。
建立不同模型近似航程代价方阵后，通过主顺序匹配原则法依次获得各异构无人
机分配方案，即以近似航程代价矩阵的第一列与辅助航程代价第一列的航
程代价做差值，选择较小的航程代价作为的映射媒介并删除相应的行与列，然后依次求
解其它无人机的执行分配方案。该方法有效避免了已分配的执行关系重复映射，从数学角
度上避免了无人机分配冲突。
S4、基于无人机单约束条件和无人机之间协同约束条件，构造异构无人机协同任务分配加权混合适应度函数，确认所述异构无人机分配方案集中的每个分配方案的初始无人机分配方案适应度值。
需要说明的是，异构无人机考虑无人机单约束条件，包括：各无人机飞行距离、飞行速度、飞行时间、飞行高度。考虑无人机之间协同约束条件，包括：任务点之间的时序约束、多时窗约束、同时到达约束、等待时间约束。同时，建立了异构无人机协同任务分配加权混合适应度函数，包括近似航程代价、飞行时间和违反约束。
异构无人机协同任务分配加权混合适应度函数构造及约束公式如下：
根据不同的分配模型，构建相应的无人机决策变量：
；
其中，表示无人机数量，表示任务点数量。当时，表示无人机与任
务点一对一的对应关系。当时，是无人机和任务点多对一的关系，意味着无人
机可以攻击同一任务点。当，是无人机和任务点一对多关系，意味着单个无
人机可以攻击一组任务点，s和l分别表示N架无人机中第S架无人机和第l架无人机，p和q分
别表示M个任务点钟，第p个任务点和第q个任务点。
如图7所示，是模型下面向异构多无人机协同低空突防分配决策方法映射原
理图。根据模型分配机制，假设六架无人机[ ]分别打击分布在空间中
不同位置的六个任务点[ ]。首先，我们根据多无人机协同分配决策适应
度函数计算UAVs初始航程代价矩阵[ …]；然后，经过差分进化算法变异策略及交叉
策略获得参考航程代价。同时，引入辅助航程代价矩阵，通过参考航程代价矩阵和辅助航程代价矩阵计算每一列UAV航程代价差值获得最终的分配序列。
以无人机为例：参考航程代价矩阵中，第一列无人机的航程代价为
624.2，与辅助航程代价矩阵中执行任务点的近似航程代价629.0差值较小，因此输
出近似航程代价629.0所对应的UAV与任务点序列[-]，同时将所对应的列和所
对应的行删除，然后按顺序排序原则依次计算无人机[ ]的任务点序列，最终
得出模型下多无人机协同低空突防分配决策方案。
如图8所示，是模型下面向异构多无人机协同低空突防分配决策方法映射原
理图，与分配模型不同的是，图中假设六架无人机[ ]分别打击分布在
空间中不同位置的四个任务点[ ]。我们需要分别引入辅助近似航程代价矩阵，，其中仍为最初的辅助近似航程代价矩阵库。首先，通过参考航程代价矩
阵和辅助航程代价矩阵计算每一列UAV航程代价差值获得无人机[ ]打
击任务点序列。然后，通过辅助航程代价矩阵计算[ ]的执行任务点序列。
以无人机为例：根据模型分配方法获得[ ]执行任务点的分配
序列，此时，无人机[ ]并未获得任务点的分配序列，参考航程代价矩阵中，第五列
无人机的航程代价为562.5，与辅助航程代价矩阵中第五行第五列航程代价553.6
差值较小，因此输出航程代价553.6所对应的UAV与任务点序列[-]，同时将所对应
的列和所对应的行删除。以此类推，得出模型的多无人机协同低空突防分配决策
方案。
如图9所示，是模型下面向异构多无人机协同低空突防分配决策方法映射原
理图，图中假设四架无人机[ ]分别打击分布在空间中不同位置的六个任务点[ ]。我们需要引入辅助近似航程代价矩阵和，其中表示任
务点与任务点之间的航程代价，航程代价计算方法与相似。
以无人机为例，首先，通过参考航程代价矩阵和辅助航程代价矩阵获
得无人机[ ]打击任务点的序列。然后，通过辅助航程代价矩阵计算获得其
它任务点被执行的无人机序列。其中需要注意的是，无人机首先执行任务点，然后执
行任务点，在执行的第一阶段，任务点的权重未发生变化，在执行第二阶段，任务点不再具备权重信息，仅视为无人机必须经过的航程点。
根据以下公式计算表示异构无人机最大航程约束。最大航程约束：不同的分配模型下，最大航程代价指所有分配关系近似航程代价的总和，该约束体现了无人机自身性能，比如油耗、有效通信等：
；
其中，表示第k架无人机限定的航程距离；表示第i架无人机执行第j个任务
点的航程距离；
根据以下公式计算表示无人机最小/最大速度约束：。
其中，表示无人机i的最小速度，表示无人机i的最大速度。
根据以下公式计算表示无人机最大航行时间约束：表示协同分配结果中无人
机执行任务耗费时间最大值：
；
表示第k架无人机限定的飞行时间；表示第i架无人机执行第j个任务点的最
大飞行时间。
根据以下公式计算表示无人机最大飞行高度约束：为了保证无人机的飞行安全，要求其在适当的高度飞行。一方面，如果无人机飞得离地面太高，它将增加被雷达发现的机会。应充分利用地形，以降低探测的风险。另一方面，如果无人机飞得太低，很可能会与山脉或障碍物相撞：
其中，代表无人机航路在第航路点的高度值。和表示无人机与山地和
地面最大和最小的距离，表示无人机航路在第航路点可调节高度值。
根据以下公式计算表示任务点之间的时序约束：该约束体现了任务点之间的
执行顺序，重要的任务点必须优先执行，其它任务点根据其约束依次执行：
；
其中，任务点j必须晚于任务点执行,为正整数；
根据以下公式计算表示多时窗约束：按不同时窗对任务进行分组，组内任务点不
能超过该组时窗范围执行：
；
根据以下公式计算表示等待时间约束：为了确保模型一与模型二中无人机同
时到达指定目标，允许部分无人机等待一段时间后再出发：
其中，表示第i个无人机等待时间，表示第i个无人机最大等待时间；
根据以下公式计算表示异构无人机协同任务分配加权混合适应度函数：
；
其中是无人机到任务点的近似航程代价，是任务的权重且，的值越大，表示目标越重要，是无人机到任务点的时间，是与约束相对应的惩
罚。、和是用于保持多项式的平衡比例因子，该因子使得航程代价、航程时间、约束违
背保持在同一个量级；
根据以下公式计算表示异构无人机协同与任务决策变量约束，当无人机数量大于等于任务的数量时，此时每架无人机必须执行一个任务，每个任务点必须被一架无人机执行。当无人机数量小于任务的数量时，此时每个任务必须分配一架无人机，单架无人机可以巡游执行空间中的任务；
；
；
如图2和图10所示，S5、根据所述初始无人机分配方案适应度值，通过计算冗余率选择变异策略进行筛选，得到筛选后分配方案集。
S51、根据所述初始无人机分配方案适应度值，选择所述变异策略。
根据初始无人机分配方案适应度值自适应选择变异策略降低初始分配方案的冗余率
S52、将所述异构无人机分配方案集随机分为四份数量相同的分配方案，并构建保存四种不同特征的变异策略的档案库。
将整个初始无人机分配方案随机分成四个数量相同分配方案，构建变异策略档案库保存四种具有不同特征的变异策略。
其中，变异策略I：DE/current-rand/1偏向于个体探索性；变异策略II：DE/rand/2有利于增强个体探索性；变异策略III：DE/best/2有利于增强个体开发性；变异策略IV：DE/current-best/1偏向于个体开发性。
S53、根据降低冗余数据规则，计算个体航程代价；
S54、通过所述个体航程代价，判断所述分配方案冗余率是否超过规定的值；
S55、若超过则更改选择的所述变异策略继续迭代更新，若未超过则输出方案得到所述筛选后分配方案集。
然后，根据降低冗余数据规则，计算每个个体航程代价，通过航程代价判断分配方案冗余率是否超过规定的值(30% or 40%)，如果冗余率超过其规则的值，则更改相应的变异策略继续迭代更新，否则输出符合条件的个体组合新的分配方案集合，并通过变异策略III提高规划系统的收敛速度。该方法既保证了分配方案的多样性，同时也能快速收敛到较优的分配方案。
S6、构建指标体系，对所述筛选后分配方案集中的分配方案按照指标进行评估，确认优选分配方案。
S61、构建所述指标体系，包括指标：规划系统平均运行时间、规划系统平均航程代价、规划系统最优航程代价、规划系统约束违背、规划系统优解率、规划系统冗余率；
S62、利用所述指标体系对所述筛选后分配方案集进行评估，得到所述优选分配方案。
根据以下公式计算表示异构无人机协同分配规划系统的平均时间：
其中，表示迭代的次数，表示第i架无人机执行的时间。
根据以下公式计算表示异构无人机协同分配规划系统的平均航程代价：
其中，表示迭代的次数，表示第i架无人机航程代价。
根据以下公式计算表示异构无人机协同分配规划系统的最优航程代价：
其中，表示迭代的次数，表示n架无人机各自的航程代价。
根据以下公式计算表示异构无人机协同分配规划系统的约束违背：
表示第N架无人机的约束违背值。
根据陷入局部最优的次数和当前优于平均代价的次数占实验总次数的百分比计算系统的优解率。
迭代完成后，通过自适应度进行排序，计算重复适应度值的次数占总次数的百分比。
本实施例为一种用于多个异构无人机协同低空突防的分配方法，包括根据无人机与任务点在仿真空间中的位置，结合威胁源空间高程值，构建无人机分配模型，根据所述无人机分配模型，将离散的所述无人机与任务点近似航程代价映射到连续空间，从而构建辅助近似航程代价方阵，利用所述辅助近似航程代价方阵，按照主顺序匹配原则法，获得异构无人机分配方案集，基于无人机单约束条件和无人机之间协同约束条件，构造异构无人机协同任务分配加权混合适应度函数，确认所述异构无人机分配方案集中的每个分配方案的初始无人机分配方案适应度值，根据所述初始无人机分配方案适应度值，通过计算冗余率选择变异策略进行筛选，得到筛选后分配方案集，构建指标体系，对所述筛选后分配方案集中的分配方案按照指标进行评估，确认优选分配方案。本发明旨在不同的分配模型中，合理规划无人机对任务点的执行任务，求解出最小的航程代价、规划时间、违背约束及避免无人机之间的分配冲突。
实施例二
本发明的一个实施例提供了一种用于多个异构无人机协同低空突防的分配装置200，如图3所示，包括：
模型构建模块201，根据无人机与任务点在仿真空间中的位置，结合威胁源空间高程值，构建无人机分配模型；
方阵构建模块202，根据所述无人机分配模型，将离散的所述无人机与任务点近似航程代价映射到连续空间，从而构建辅助近似航程代价方阵；
方案集获得模块203，利用所述辅助近似航程代价方阵，按照主顺序匹配原则法，获得异构无人机分配方案集；
适应度值确认模块204，基于无人机单约束条件和无人机之间协同约束条件，构造异构无人机协同任务分配加权混合适应度函数，确认所述异构无人机分配方案集中的每个分配方案的初始无人机分配方案适应度值；
筛选模块205，根据所述初始无人机分配方案适应度值，通过计算冗余率选择变异策略进行筛选，得到筛选后分配方案集；
评估模块206，构建指标体系，对所述筛选后分配方案集中的分配方案按照指标进行评估，确认优选分配方案。
进一步的，模型构建模块201包括：
数据获取模块2011，根据所述无人机与任务点在仿真空间中的位置，结合所述威胁源空间高程值，获得统一的威胁源空间威胁数据；
切面建立模块2012，建立所述无人机与所述任务点之间、所述任务点与所述任务点之间的垂直切面，并将三维空间中的所述无人机至所述任务点、所述任务点至所述任务点之间的所述近似航程映射到所述垂直切面；
算法模块2013，构造不同权重的近似航程代价函数算法并进行计算，得到近似航程代价值，其中，所述近似航程代价函数算法包括：
其中，和分别表示第个航迹点和第个航迹点，当时，表示无人
机的起点，表示任务点，和表示航迹点和的坐标，和分别表示
第个雷达的圆心角和半径，和分别表示欧式距离和雷达弧长的权重，且的值远大于的值，E代表贴近山体折线的段数，A代表贴近雷达扫描区圆弧的段数，代表第j段弧段。
进一步的，方阵构建模块202包括：
映射子模块2021，将所述离散的所述无人机与所述任务点的近似航程代价映射到连续空间；
方阵构建子模块2022，根据所述无人机数量和所述任务点数量，构建不同模型下的所述辅助近似航程代价方阵，其中，所述辅助近似航程代价方阵为，由近似航程代价矩阵组成的辅助航程代价方阵。
进一步的，如图4所示，筛选模块205包括：
策略选择子模块2051，根据所述初始无人机分配方案适应度值，选择所述变异策略；
策略保存子模块2052，将所述异构无人机分配方案集随机分为四份数量相同的分配方案，并构建保存四种不同特征的变异策略的档案库；
计算子模块2053，根据降低冗余数据规则，计算个体航程代价；
判断子模块2054，通过所述个体航程代价，判断所述分配方案冗余率是否超过规定的值；
筛选子模块2055，若超过则更改选择的所述变异策略继续迭代更新，若未超过则输出方案得到所述筛选后分配方案集。
进一步的，评估模块206包括：
指标构建子模块2061，构建所述指标体系，包括指标：规划系统平均运行时间、规划系统平均航程代价、规划系统最优航程代价、规划系统约束违背、规划系统优解率、规划系统冗余率；
评估子模块2062，利用所述指标体系对所述筛选后分配方案集进行评估，得到所述优选分配方案。
本实施例为一种用于多个异构无人机协同低空突防的分配装置，通过包括模型构建模块，根据无人机与任务点在仿真空间中的位置，结合威胁源空间高程值，构建无人机分配模型；方阵构建模块，根据所述无人机分配模型，将离散的所述无人机与任务点近似航程代价映射到连续空间，从而构建辅助近似航程代价方阵；方案集获得模块，利用所述辅助近似航程代价方阵，按照主顺序匹配原则法，获得异构无人机分配方案集；适应度值确认模块，基于无人机单约束条件和无人机之间协同约束条件，构造异构无人机协同任务分配加权混合适应度函数，确认所述异构无人机分配方案集中的每个分配方案的初始无人机分配方案适应度值；筛选模块，根据所述初始无人机分配方案适应度值，通过计算冗余率选择变异策略进行筛选，得到筛选后分配方案集；评估模块，构建指标体系，对所述筛选后分配方案集中的分配方案按照指标进行评估，确认优选分配方案。本发明旨在不同的分配模型中，合理规划无人机对任务点的执行任务，求解出最小的航程代价、规划时间、违背约束及避免无人机之间的分配冲突。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种用于多个异构无人机协同低空突防的分配方法，其特征在于，包括：
S1、根据无人机与任务点在仿真空间中的位置，结合威胁源空间高程值，构建无人机分配模型；
S2、根据所述无人机分配模型，将离散的所述无人机与任务点近似航程代价映射到连续空间，从而构建辅助近似航程代价方阵；
S3、利用所述辅助近似航程代价方阵，按照主顺序匹配原则法，获得异构无人机分配方案集；
S4、基于无人机单约束条件和无人机之间协同约束条件，构造异构无人机协同任务分配加权混合适应度函数，确认所述异构无人机分配方案集中的每个分配方案的初始无人机分配方案适应度值；
S5、根据所述初始无人机分配方案适应度值，通过计算冗余率选择变异策略进行筛选，得到筛选后分配方案集；
S6、构建指标体系，对所述筛选后分配方案集中的分配方案按照指标进行评估，确认优选分配方案；
所述S1包括：
S11、根据所述无人机与任务点在仿真空间中的位置，结合所述威胁源空间高程值，获得统一的威胁源空间威胁数据；
S12、建立所述无人机与所述任务点之间、所述任务点与所述任务点之间的垂直切面，并将三维空间中的所述无人机至所述任务点、所述任务点至所述任务点之间的所述近似航程映射到所述垂直切面；
S13、构造不同权重的近似航程代价函数算法并进行计算，得到近似航程代价值，其中，所述近似航程代价函数算法包括：
其中，Kij和Ki,j+1分别表示第j个航迹点和第j+1个航迹点，当j＝0时，K0表示无人机的起点，(xj,yj)和(xj+1,yj+1)表示航迹点Kj和Kj+1的坐标，nj和rj分别表示第j个雷达的圆心角和半径，θ1和θ2分别表示欧式距离和雷达弧长的权重，且θ1的值远大于θ2的值，E代表贴近山体折线的段数，A代表贴近雷达扫描区圆弧的段数，Lj代表第j段弧段。
2.根据权利要求1所述的用于多个异构无人机协同低空突防的分配方法，其特征在于，所述S2包括：
S21、将所述离散的所述无人机与所述任务点的近似航程代价映射到连续空间；
S22、根据所述无人机数量和所述任务点数量，构建不同模型下的所述辅助近似航程代价方阵，其中，所述辅助近似航程代价方阵为，由近似航程代价矩阵组成的辅助航程代价方阵。
3.根据权利要求1所述的用于多个异构无人机协同低空突防的分配方法，其特征在于，所述S5包括：
S51、根据所述初始无人机分配方案适应度值，选择所述变异策略；
S52、将所述异构无人机分配方案集随机分为四份数量相同的分配方案，并构建保存四种不同特征的变异策略的档案库；
S53、根据降低冗余数据规则，计算个体航程代价；
S54、通过所述个体航程代价，判断所述分配方案冗余率是否超过规定的值；
S55、若超过则更改选择的所述变异策略继续迭代更新，若未超过则输出方案得到所述筛选后分配方案集。
4.根据权利要求3所述的用于多个异构无人机协同低空突防的分配方法，其特征在于，所述S6包括：
S61、构建所述指标体系，包括指标：规划系统平均运行时间、规划系统平均航程代价、规划系统最优航程代价、规划系统约束违背、规划系统优解率、规划系统冗余率；
S62、利用所述指标体系对所述筛选后分配方案集进行评估，得到所述优选分配方案。
5.一种用于多个异构无人机协同低空突防的分配装置，其特征在于，包括：
模型构建模块，根据无人机与任务点在仿真空间中的位置，结合威胁源空间高程值，构建无人机分配模型；
方阵构建模块，根据所述无人机分配模型，将离散的所述无人机与任务点近似航程代价映射到连续空间，从而构建辅助近似航程代价方阵；
方案集获得模块，利用所述辅助近似航程代价方阵，按照主顺序匹配原则法，获得异构无人机分配方案集；
适应度值确认模块，基于无人机单约束条件和无人机之间协同约束条件，构造异构无人机协同任务分配加权混合适应度函数，确认所述异构无人机分配方案集中的每个分配方案的初始无人机分配方案适应度值；
筛选模块，根据所述初始无人机分配方案适应度值，通过计算冗余率选择变异策略进行筛选，得到筛选后分配方案集；
评估模块，构建指标体系，对所述筛选后分配方案集中的分配方案按照指标进行评估，确认优选分配方案；
所述模型构建模块包括：
数据获取模块，根据所述无人机与任务点在仿真空间中的位置，结合所述威胁源空间高程值，获得统一的威胁源空间威胁数据；
切面建立模块，建立所述无人机与所述任务点之间、所述任务点与所述任务点之间的垂直切面，并将三维空间中的所述无人机至所述任务点、所述任务点至所述任务点之间的所述近似航程映射到所述垂直切面；
算法模块，构造不同权重的近似航程代价函数算法并进行计算，得到近似航程代价值，其中，所述近似航程代价函数算法包括：
其中，Kij和Ki,j+1分别表示第j个航迹点和第j+1个航迹点，当j＝0时，K0表示无人机的起点，(xj,yj)和(xj+1,yj+1)表示航迹点Kj和Kj+1的坐标，nj和rj分别表示第j个雷达的圆心角和半径，θ1和θ2分别表示欧式距离和雷达弧长的权重，且θ1的值远大于θ2的值，E代表贴近山体折线的段数，A代表贴近雷达扫描区圆弧的段数，Lj代表第j段弧段。
6.根据权利要求5所述的用于多个异构无人机协同低空突防的分配装置，其特征在于，所述方阵构建模块包括：
映射子模块，将所述离散的所述无人机与所述任务点的近似航程代价映射到连续空间；
方阵构建子模块，根据所述无人机数量和所述任务点数量，构建不同模型下的所述辅助近似航程代价方阵，其中，所述辅助近似航程代价方阵为，由近似航程代价矩阵组成的辅助航程代价方阵。
7.根据权利要求5所述的用于多个异构无人机协同低空突防的分配装置，其特征在于，所述筛选模块包括：
策略选择子模块，根据所述初始无人机分配方案适应度值，选择所述变异策略；
策略保存子模块，将所述异构无人机分配方案集随机分为四份数量相同的分配方案，并构建保存四种不同特征的变异策略的档案库；
计算子模块，根据降低冗余数据规则，计算个体航程代价；
判断子模块，通过所述个体航程代价，判断所述分配方案冗余率是否超过规定的值；
筛选子模块，若超过则更改选择的所述变异策略继续迭代更新，若未超过则输出方案得到所述筛选后分配方案集。
8.根据权利要求7所述的用于多个异构无人机协同低空突防的分配装置，其特征在于，所述评估模块包括：
指标构建子模块，构建所述指标体系，包括指标：规划系统平均运行时间、规划系统平均航程代价、规划系统最优航程代价、规划系统约束违背、规划系统优解率、规划系统冗余率；
评估子模块，利用所述指标体系对所述筛选后分配方案集进行评估，得到所述优选分配方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311277855.4A CN117008641B (zh) | 2023-10-07 | 2023-10-07 | 用于多个异构无人机协同低空突防的分配方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311277855.4A CN117008641B (zh) | 2023-10-07 | 2023-10-07 | 用于多个异构无人机协同低空突防的分配方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117008641A CN117008641A (zh) | 2023-11-07 |
| CN117008641B true CN117008641B (zh) | 2024-01-16 |
Family
ID=88565805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311277855.4A Active CN117008641B (zh) | 2023-10-07 | 2023-10-07 | 用于多个异构无人机协同低空突防的分配方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117008641B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019041874A1 (zh) * | 2017-08-29 | 2019-03-07 | 深圳市道通智能航空技术有限公司 | 飞行器控制方法及装置 |
| CN112733421A (zh) * | 2020-12-01 | 2021-04-30 | 南京航空航天大学 | 一种针对有人无人机协同对地作战的任务规划方法 |
| CN113220033A (zh) * | 2021-05-17 | 2021-08-06 | 大连大学 | 基于改进多元宇宙优化算法的多异构无人机任务分配方法 |
| WO2022063520A1 (en) * | 2020-09-25 | 2022-03-31 | Ruag Ag | Method to navigate an unmanned aerial vehicle to avoid collisions |
| CN115239204A (zh) * | 2022-09-19 | 2022-10-25 | 中国电子科技集团公司第十四研究所 | 一种多平台无人机载射频系统的协同任务规划方法 |
| CN116301031A (zh) * | 2023-02-13 | 2023-06-23 | 中国人民解放军战略支援部队航天工程大学 | 基于自适应差分进化算法的多无人机协同航迹规划方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110673635B (zh) * | 2019-09-30 | 2021-10-26 | 华南理工大学 | 一种基于无线能量传输网络的无人机三维轨迹的设计方法 |
-
2023
- 2023-10-07 CN CN202311277855.4A patent/CN117008641B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019041874A1 (zh) * | 2017-08-29 | 2019-03-07 | 深圳市道通智能航空技术有限公司 | 飞行器控制方法及装置 |
| WO2022063520A1 (en) * | 2020-09-25 | 2022-03-31 | Ruag Ag | Method to navigate an unmanned aerial vehicle to avoid collisions |
| CN112733421A (zh) * | 2020-12-01 | 2021-04-30 | 南京航空航天大学 | 一种针对有人无人机协同对地作战的任务规划方法 |
| CN113220033A (zh) * | 2021-05-17 | 2021-08-06 | 大连大学 | 基于改进多元宇宙优化算法的多异构无人机任务分配方法 |
| CN115239204A (zh) * | 2022-09-19 | 2022-10-25 | 中国电子科技集团公司第十四研究所 | 一种多平台无人机载射频系统的协同任务规划方法 |
| CN116301031A (zh) * | 2023-02-13 | 2023-06-23 | 中国人民解放军战略支援部队航天工程大学 | 基于自适应差分进化算法的多无人机协同航迹规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117008641A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733421B (zh) | 一种针对有人无人机协同对地作战的任务规划方法 | |
| CN109254588B (zh) | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 | |
| CN106979784B (zh) | 基于混合鸽群算法的非线性航迹规划 | |
| CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
| CN107622327B (zh) | 基于文化蚁群搜索机制的多无人机航迹规划方法 | |
| CN110488859B (zh) | 一种基于改进Q-learning算法的无人机航路规划方法 | |
| Li et al. | Trajectory planning for UAV based on improved ACO algorithm | |
| CN114201925B (zh) | 无人机集群协同任务规划方法、电子设备及可读存储介质 | |
| CN111722643A (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
| 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 | |
| CN109917815A (zh) | 基于全局最优头脑风暴算法的无人机三维路径设计方法 | |
| CN110986960B (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
| CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
| CN114840020A (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
| CN112947592A (zh) | 一种基于强化学习的再入飞行器轨迹规划方法 | |
| CN115755963B (zh) | 一种考虑载具投递模式的无人机群协同任务规划方法 | |
| CN112947541A (zh) | 一种基于深度强化学习的无人机意图航迹预测方法 | |
| CN115202394A (zh) | 一种基于改进遗传算法的无人机全覆盖路径规划方法 | |
| CN111121784A (zh) | 一种无人侦察机航路规划方法 | |
| Yu et al. | Balanced multi-region coverage path planning for unmanned aerial vehicles | |
| CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 | |
| CN117008641B (zh) | 用于多个异构无人机协同低空突防的分配方法和装置 | |
| CN116088586B (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
| CN112034880A (zh) | 一种新型多无人机协同航路规划方法 | |
| CN115617071A (zh) | 一种量子雪豹机制的多无人机任务规划方法 |
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 |