CN117270571B

CN117270571B - 面向异构多无人机集群作业的控制方法和装置

Info

Publication number: CN117270571B
Application number: CN202311423483.1A
Authority: CN
Inventors: 万施霖; 张裕汉; 金鑫
Original assignee: Guangdong Eagleview Information Technology Co ltd
Current assignee: Guangdong Eagleview Information Technology Co ltd
Priority date: 2023-10-30
Filing date: 2023-10-30
Publication date: 2024-05-07
Anticipated expiration: 2043-10-30
Also published as: CN117270571A

Abstract

本发明提供了一种面向异构多无人机集群作业的控制方法和装置，涉及无人机应用的技术领域，包括：根据任务场景模型确定每个周期开始时的无人机状态和每个周期开始时每个任务的随机需求完成状态，以及每个周期结束时每个任务的完成状态，并计算无人机总投入成本与任务总延迟成本；基于无人机总投入成本与任务总延迟成本的贴现值之和，确定异构多无人机集群作业的个数与任务分配模型；根据蒙特卡罗模拟和遗传算法对异构多无人机集群作业的个数与任务分配模型进行求解，确定无人机最优个数与任务分配结果，以缓解了对于复杂性多需求随机场景的多无人机集群作业任务的分配并不能保证作业效率最优的技术问题。

Description

面向异构多无人机集群作业的控制方法和装置

技术领域

本发明涉及无人机应用的技术领域，尤其是涉及一种面向异构多无人机集群作业的控制方法和装置。

背景技术

无人机是一种无需载人驾驶的飞行器，它可以在远程或自主控制下执行各种任务，如测绘、搜救、安防、电力巡检等。无人机具有灵活性高、成本低、安全性强等优点，因此在各个领域得到了广泛的应用和发展。

单一类型的无人机往往难以满足复杂多变的作业需求，因此多种异构无人机配合作业的技术应运而生。多种异构无人机配合作业是指不同类型、功能或规格的无人机通过协同控制和通信，实现对某一目标或区域的联合作业。这种技术可以充分发挥各种无人机的优势，提高作业效率和质量，降低作业风险和难度。

然而经发明人研究发现，当前多无人机集群作业的任务往往分配集中于单一和确定的需求场景，对于如何将多无人机集群作业的任务分配到多个随机需求对应的随机场景，并无最优的分配方案，影响无人机集群作业的效率。

发明内容

本发明的目的在于提供一种面向异构多无人机集群作业的控制方法和装置，以缓解了对于复杂性多需求随机场景的多无人机集群作业任务的分配并不能保证作业效率最优的技术问题。

第一方面，本发明实施例提供了一种面向异构多无人机集群作业的控制方法，包括：

预先建立任务场景模型，根据所述任务场景模型确定每个周期开始时的无人机状态和每个周期开始时每个任务的随机需求完成状态，以及每个周期结束时每个任务的完成状态；

根据每个周期开始时的无人机状态和每个周期开始时每个任务的随机需求完成状态，以及每个周期结束时每个任务的完成状态，计算无人机总投入成本与任务总延迟成本；

基于所述无人机总投入成本与所述任务总延迟成本的贴现值之和，确定异构多无人机集群作业的个数与任务分配模型；

根据蒙特卡罗模拟和遗传算法对所述异构多无人机集群作业的个数与任务分配模型进行求解，确定无人机最优个数与任务分配结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，预先建立任务场景模型，根据所述任务场景模型确定每个周期开始时的无人机状态和每个任务的随机需求完成状态，以及每个周期结束时每个任务的完成状态的步骤，包括：

基于无人机类型的数目、任务类型的数目、每个类型无人机的价值、每个无人机的故障概率、每个任务所需的无人机数目、每个任务所需的作业周期、每个任务在每个周期的随机需求和每个任务的单位时间延迟成本，建立任务场景模型；

根据所述任务场景模型，确定任务初始每个任务对应的无人机数目，每个周期开始时每个无人机的可用状态和故障状态，每个周期开始时每个任务对应随机需求的完成状态，以及每个周期结束时每个任务的完成状态。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，根据每个周期开始时的无人机状态和每个周期开始时每个任务的随机需求完成状态，以及每个周期结束时每个任务的完成状态，计算无人机总投入成本与任务总延迟成本的步骤，包括：

获取无人机的个数、每个周期每个任务的随机需求完成状态、每个周期开始时呈可用状态的无人机的个数、每个周期开始时无故障且呈可用状态的无人机的个数以及概率分布；

建立每个周期随机需求呈完成状态的个数不能超过每个周期开始时无故障且呈可用状态的无人机的个数的第一约束；

建立每个周期呈完成状态的随机需求数量不能超过呈未完成状态的随机需求数量的第二约束；

基于所述第一约束和所述第二约束计算每个周期的任务延迟成本和无人机总投入成本。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，基于所述无人机总投入成本与所述任务总延迟成本的贴现值之和，确定异构多无人机集群作业的个数与任务分配模型的步骤，包括：

根据所述任务延迟成本和所述无人机总投入成本的贴现值之和的最小值，确定异构多无人机集群作业的最优个数与任务分配模型。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，根据蒙特卡罗模拟和遗传算法对所述异构多无人机集群作业的个数与任务分配模型进行求解，确定无人机最优个数与任务分配结果的步骤，包括：

采用蒙特卡罗模拟统计无人机对应的每种任务类型的延迟时间；

根据所述延迟时间确定每种任务类型的优先级；

在所述优先级作用下，使用遗传算法对所述异构多无人机集群作业的个数与任务分配模型求解得到无人机最优个数与任务分配结果。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，根据所述延迟时间确定每种任务类型的优先级的步骤，包括：

根据所述延迟时间，确定每个任务的重要性；

按照所述重要性将所述每个任务进行优先级排序。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述遗传算法采用自然数编码算法。

第二方面，本发明实施例还提供一种面向异构多无人机集群作业的控制装置，包括：

建模模块，预先建立任务场景模型，根据所述任务场景模型确定每个周期开始时的无人机状态和每个周期开始时每个任务的随机需求完成状态，以及每个周期结束时每个任务的完成状态；

计算模块，根据每个周期开始时的无人机状态和每个周期开始时每个任务的随机需求完成状态，以及每个周期结束时每个任务的完成状态，计算无人机总投入成本与任务总延迟成本；

确定模块，基于所述无人机总投入成本与所述任务总延迟成本的贴现值之和，确定异构多无人机集群作业的个数与任务分配模型；

分配模块，根据蒙特卡罗模拟和遗传算法对所述异构多无人机集群作业的个数与任务分配模型进行求解，确定无人机最优个数与任务分配结果。

第三方面，实施例提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述前述实施方式任一项所述的方法的步骤。

第四方面，实施例提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现前述实施方式任一项所述的方法的步骤。

本发明实施例带来了一种面向异构多无人机集群作业的控制方法和装置，针对不同类型任务需要多种不同价值与故障概率的无人机配合作业，且具有不同的随机需求对应的过程与重要性的场景，利用无限周期随机规划对任务场景进行建模，求解使得无人机总投入成本与任务总延迟成本的贴现值之和最小得到的最优个数与任务分配结果，即可保证多无人机集群作业任务的分配和作业效率最优。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种面向异构多无人机集群作业的控制方法流程图；

图2为本发明实施例提供的一种面向异构多无人机集群作业实施场景示意图；

图3为本发明实施例提供的一种面向异构多无人机集群作业的控制方法的应用原理图之一；

图4为本发明实施例提供的一种面向异构多无人机集群作业的控制方法的应用原理图之二；

图5为本发明实施例提供的一种面向异构多无人机集群作业的控制装置的功能模块示意图；

图6为本发明实施例提供的电子设备的硬件架构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着无人机技术的发展，将多无人机集群作业的任务分配到的单一和确定的需求场景可能无法满足人们对无人机应用的需要。

多无人机集群无人机可能应用的复杂场景包括不同类型的多种需求随机而来的场景、在一段时间内出现多个需求的场景和存在跨周期任务分配的应用场景等等。

多种随机需求下的无人机个数以及跨周期的任务分配是一个高复杂性的多周期随机规划问题，因此需要研究有针对性的求解算法，减少优化迭代的时间。

基于此，本发明实施例提供的一种面向异构多无人机集群作业的控制方法和装置，可以缓解了对于复杂性多需求随机场景的多无人机集群作业任务的分配并不能保证作业效率最优的技术问题。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种面向异构多无人机集群作业的控制方法进行详细介绍，该方法可应用于控制器、上位机、服务器等智能控制设备中。

图1为本发明实施例提供的一种面向异构多无人机集群作业的控制方法流程图。

参照图1，该方法主要包括以下方法：

步骤S102，预先建立任务场景模型，根据任务场景模型确定每个周期开始时的无人机状态和每个周期开始时每个任务的随机需求完成状态，以及每个周期结束时每个任务的完成状态。

在异构多无人机集群作业任务中，不同的作业任务需要不同的无人机清单，且具有不同的随机需求到来过程与重要性的场景，不同类型的无人机具有不同价值与故障概率。

步骤S104，根据每个周期开始时的无人机状态和每个周期开始时每个任务的随机需求完成状态，以及每个周期结束时每个任务的完成状态，计算无人机总投入成本与任务总延迟成本。

其中，针对不同类型任务需要多种不同价值与故障概率的无人机配合作业，且具有不同的随机需求到来过程与重要性的场景，利用无限周期随机规划建模无人机总投入成本与任务总延迟成本的贴现值之和最小的最优个数与任务分配方案。

步骤S106，基于无人机总投入成本与任务总延迟成本的贴现值之和，确定异构多无人机集群作业的个数与任务分配模型。

其中，可以无人机总投入成本与任务总延迟成本的贴现值之和最小化设置目标函数来确定异构多无人机集群作业的个数与任务分配模型。

步骤S108，根据蒙特卡罗模拟和遗传算法对异构多无人机集群作业的个数与任务分配模型进行求解，确定无人机最优个数与任务分配结果。

这里，遗传算法采用自然数编码算法。其中，通过对模型求解，能够得到各个无人机的任务类型分配结果和每个任务对应的无人机种类和数量分配结果，具体可如图2所示。

在实际应用的优选实施例中，针对不同类型任务需要多种不同价值与故障概率的无人机配合作业，且具有不同的随机需求对应的过程与重要性的场景，利用无限周期随机规划对任务场景进行建模，求解使得无人机总投入成本与任务总延迟成本的贴现值之和最小得到的最优个数与任务分配结果，即可保证多无人机集群作业任务的分配和作业效率最优。

在一些实施例中，可通过对无人机集群作业的各类数据的获取，进而建立任务场景模型，步骤S102可通过以下步骤实现，包括：

步骤1.1)，基于无人机类型的数目、任务类型的数目、每个类型无人机的价值、每个无人机的故障概率、每个任务所需的无人机数目、每个任务所需的作业周期、每个任务在每个周期的随机需求和每个任务的单位时间延迟成本，建立任务场景模型。

其中，通过对无人机集群作业信息的采集，可建立无人机集群作业的个数和任务分配的场景模型，具体包括：

1、无人机类型的序号集：

U＝{1,2,...,n,...,N} (1)，

式(1)中，U表示N种无人机的序号构成的集合。在本发明实施例中，若N＝3，则U由图3中的3个圆形所示，每个圆形中均标识了无人机类型所对应的序号1/2/3；

2、任务类型的序号集：

R＝{1,2,...,m,...,M} (2)，

式(2)中，R表示M种任务的序号构成的集合。在本发明实施例中，M＝3，R由图3中的3个正方形所示，每个正方形中标识了任务类型的序号1/2/3；

3、离散周期的序号集：

Γ＝{1,2,...} (3)，

式(3)中，Γ表示离散周期的序号构成的集合。在本发明实施例中，一个周期的长度为半天；

4、无人机的单件价值集：

Q＝{q₁,q₂,...,q_n,...,q_N} (4)，

式(4)中，Q表示N种无人机的单件价值构成的集合。其中，q_n表示每件无人机n的价值。在本发明实施例中，q₁＝100，q₂＝q₃＝50，由图3中圆形下方的数字表示；

5、无人机的故障概率集：

Φ＝{φ₁,φ₂,...,φ_n,...,φ_N} (5)，

式(5)中，Φ表示N种无人机的故障概率构成的集合。其中，φ_n表示每件无人机n的故障概率。在本发明实施例中，φ₁＝φ₂＝φ₃＝0.05，由图3中圆形左边的数字表示；

6、任务的无人机清单集：

式(6)中，A^m表示任务m的无人机清单构成的集合。其中，表示完成任务m所需要的无人机n的个数。在本发明实施例中，/> 任务的无人机清单由图3中圆形和正方形连线上的数字表示；

7、任务的作业周期集：

L＝{l¹,l²,...,l^m,...,l^M} (7)，

式(7)中，L表示M种任务的作业周期构成的集合。其中，l^m表示完成任务m所需要的作业周期数。在本发明实施例中，l¹＝3，l²＝l³＝2，由图3中正方形右边的箭头的下方的数字表示；

8、任务的随机需求集：

D(t)＝{d¹(t),d²(t),...,d^m(t),...,d^M(t)},t∈Γ (8)，

式(8)中，D(t)表示M种任务的周期t开始时到来的随机需求数构成的集合。其中，d^m(t)为表示任务m在周期t的需求数的随机变量。在本发明实施例中，任务类型1、任务类型2和任务类型3在每个周期内的随机需求分别服从参数为0.5、0.5和1的泊松分布，由图3中正方形右边的箭头的上方的数字表示；

9、任务的单位时间延迟成本集：

B＝{b¹,b²,...,b^m,...,b^M} (9)，

式(9)中，B表示M种任务的单位时间延迟成本构成的集合。其中，b^m表示任务m的单位时间延迟成本。在本发明实施例中，b¹＝4，b²＝1.5，b¹＝2，由图3中正方形下方的数字表示；

步骤1.2)，根据任务场景模型，确定任务初始每个任务对应的无人机数目，每个周期开始时每个无人机的可用状态和故障状态，每个周期开始时每个任务对应随机需求的完成状态，以及每个周期结束时每个任务的完成状态。

这里，根据建立的任务场景模型能够按照相应顺序对上述信息进行获取，例如：在周期0时决策每种无人机的个数；在周期t开始时，已完成任务的无人机变为可用；全体可用无人机中一部分为故障；在周期t开始时，每种作业任务的随机需求得以实现；决策每种作业任务的满足个数。

在一些实施例中，可根据前述实施例步骤中建立的场景模型获取到相应的无人机集群作业和任务分配信息，并基于此信息计算无人机的总投入成本和任务延迟成本；具体该步骤S104可通过以下步骤实现，包括：

步骤2.1)，获取无人机的个数、每个周期每个任务的随机需求完成状态、每个周期开始时呈可用状态的无人机的个数、每个周期开始时无故障且呈可用状态的无人机的个数以及概率分布。

步骤2.2)，建立每个周期随机需求呈完成状态的个数不能超过每个周期开始时无故障且呈可用状态的无人机的个数的第一约束。

步骤2.3)，建立每个周期呈完成状态的随机需求数量不能超过呈未完成状态的随机需求数量的第二约束。

步骤2.4)，基于第一约束和第二约束计算每个周期的任务延迟成本和无人机总投入成本。

示例性地，上述步骤中的各类信息的获取可具体通过以下过程实现：

1、无人机n的个数决策变量取值范围：

x_n∈N(10)，

式(10)中，x_n表示无人机n的个数；

2、周期t的任务m需求满足个数决策变量取值范围：

y^m(t)∈N,t∈Γ(11)，

式(11)中，y^m(t)表示周期t的任务m需求满足个数；

3、定义周期t开始时无人机的可用个数集合：

H(t)＝{h₁(t),h₂(t),...,h_n(t),...,h_N(t)},t∈Γ (12)，

式(12)中，h_n(t)表示周期t开始时无人机n的可用个数。其中，h_n(1)＝x_n,n＝1,2,...,N；

4、建立无人机n的可用个数状态转移方程：

式(13)中，当t≤0时，h_n(t)＝0；

5、定义周期t开始时无人机的无故障可用个数集合：

G(t)＝{g₁(t),g₂(t),...,g_n(t),...,g_N(t)},t∈Γ (14)，

式(14)中，g_n(t)表示周期t开始时无人机n的无故障可用个数；

6、计算周期t开始时无人机的无故障可用个数的概率分布：

7、周期t的需求满足个数不能超过该周期无人机n的无故障可用个数约束，即第一约束：

8、定义周期t开始时任务m的未满足需求数：

F(t)＝{f¹(t),f²(t),...,f^m(t),...,f^M(t)},t∈Γ (17)，

式(17)中，f^m(t)表示周期t开始时任务m的未满足需求数。其中，f^m(1)＝d^m(1),m＝1,2,...,M；

9、建立任务m的未满足需求数状态转移方程：

f^m(t+1)＝f^m(t)-y^m(t)+d^m(t+1),t∈Γ (18)；

10、周期t的需求满足个数不能超过该周期的未满足需求数约束，即第二约束：

y^m(t)≤f^m(t),t∈Γ (19)；

11、计算周期t的任务延迟成本：

式(20)中，C₁(t)表示周期t的任务延迟成本；

12、计算无人机的总投入成本：

式(21)中，C₂表示无人机的总投入成本。

在前述实施例的基础上，步骤S106中可基于无人机总投入成本与任务总延迟成本确定异构多无人机集群作业的个数与任务分配模型，包括：

步骤3.1)，根据任务延迟成本和无人机总投入成本的贴现值之和的最小值，确定异构多无人机集群作业的最优个数与任务分配模型。

具体地，以无人机总投入成本与任务总延迟成本的贴现值之和最小化设置目标函数：

式(22)中，C表示无人机总投入成本与任务总延迟成本的贴现值之和，α表示贴现率。在本发明实施例中，α＝0.96；

将式(10)—式(22)汇总，得到不同类型任务需要多种不同价值与故障概率的无人机配合作业，且具有不同的随机需求到来过程与重要性的无人机总投入成本与任务总延迟成本的贴现值之和最小化的最优个数与任务分配模型。

在一些实施例中，将前述步骤确定出的异构多无人机集群作业的个数与任务分配模型进行求解，以确定出最优的分配结果；具体地，该步骤S108，包括：

步骤4.1)，采用蒙特卡罗模拟统计无人机对应的每种任务类型的延迟时间。

步骤4.2)，根据延迟时间确定每种任务类型的优先级。

其中，根据延迟时间，确定每个任务的重要性；按照重要性将每个任务进行优先级排序。

步骤4.3)，在优先级作用下，使用遗传算法对异构多无人机集群作业的个数与任务分配模型求解得到无人机最优个数与任务分配结果。

作为一种示例，上述步骤4.1)-4.3)具体可包括以下过程实现：

1、计算任务m的初始重要性：

式(23)中，β^m(1)表示任务m的初始重要性；

4、对于迭代数k＝1,2,..,k_max，该迭代数的最大值，即K_max基于试验经验和时间进行预算得到；例如根据实验获知超过迭代次数x，该投入应用的无人机最佳个数不会发生变化，即将该迭代次数x确定为K_max；具体地重复下述步骤5-8；

5、根据任务m的重要性对其优先度进行排序，重要性越大优先度越高。在每个周期，优先满足优先级高的任务；

6、在上述优先级排序下，使用遗传算法求解最优无人机个数；

7、在上述优先级排序和最优无人机个数下，使用蒙特卡罗模拟统计任务m的平均延迟时间w^m；

8、计算任务m的重要性：

式(24)中，β^m表示任务m的重要性。其中， λ为权重参数。在本发明实施例中，λ＝1.5；

9、到达最大迭代数k_max后，输出此时的无人机个数与任务优先级排序，做为最优个数与任务分配方案。在本发明实施例中，k_max＝25，可解得目标函数的最小值为839.64，以及如图4所示的无人机最优个数与任务分配，其中圆形上方的数字表示该类无人机的个数，正方形上方的数字表示该类任务的排序，数字越大排序越低。

如图5所示，本发明实施例提供一种面向异构多无人机集群作业的控制装置，包括：

在一些实施例中，建模模块还具体用于，基于无人机类型的数目、任务类型的数目、每个类型无人机的价值、每个无人机的故障概率、每个任务所需的无人机数目、每个任务所需的作业周期、每个任务在每个周期的随机需求和每个任务的单位时间延迟成本，建立任务场景模型；根据所述任务场景模型，确定任务初始每个任务对应的无人机数目，每个周期开始时每个无人机的可用状态和故障状态，每个周期开始时每个任务对应随机需求的完成状态，以及每个周期结束时每个任务的完成状态。

在一些实施例中，计算模块还具体用于，获取无人机的个数、每个周期每个任务的随机需求完成状态、每个周期开始时呈可用状态的无人机的个数、每个周期开始时无故障且呈可用状态的无人机的个数以及概率分布；建立每个周期随机需求呈完成状态的个数不能超过每个周期开始时无故障且呈可用状态的无人机的个数的第一约束；建立每个周期呈完成状态的随机需求数量不能超过呈未完成状态的随机需求数量的第二约束；基于所述第一约束和所述第二约束计算每个周期的任务延迟成本和无人机总投入成本。

在一些实施例中，确定模块还具体用于，根据所述任务延迟成本和所述无人机总投入成本的贴现值之和的最小值，确定异构多无人机集群作业的最优个数与任务分配模型。

在一些实施例中，分配模块还具体用于，采用蒙特卡罗模拟统计无人机对应的每种任务类型的延迟时间；根据所述延迟时间确定每种任务类型的优先级；在所述优先级作用下，使用遗传算法对所述异构多无人机集群作业的个数与任务分配模型求解得到无人机最优个数与任务分配结果。

在一些实施例中，分配模块还具体用于，根据所述延迟时间，确定每个任务的重要性；按照所述重要性将所述每个任务进行优先级排序。

在一些实施例中，所述遗传算法采用自然数编码算法。

本发明实施例提供的用于实现一种电子设备，本实施例中，所述电子设备可以是，但不限于，个人电脑(Personal Computer，PC)、笔记本电脑、监控设备、服务器等具备分析及处理能力的计算机设备。

作为一种示范性实施例，可参见图6，电子设备110，包括通信接口111、处理器112、存储器113以及总线114，处理器112、通信接口111和存储器113通过总线114连接；上述存储器113用于存储支持处理器112执行上述方法的计算机程序，上述处理器112被配置为用于执行该存储器113中存储的程序。

本文中提到的机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。

非易失性介质可以是非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、dvd等)，或者类似的非易失性存储介质，或者它们的组合。

可以理解的是，本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述，在此不再重复赘述。

本发明实施例所提供计算机可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序代码被执行时可实现上述任一实施例所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。

Claims

1.一种面向异构多无人机集群作业的控制方法，其特征在于，包括：

预先建立任务场景模型，根据所述任务场景模型确定每个离散周期开始时的无人机状态和每个离散周期开始时每个任务的随机需求完成状态，以及每个离散周期结束时每个任务的完成状态；其中，所述随机需求为每个任务在每个离散周期的需求数量的随机变量；

根据每个离散周期开始时的无人机状态和每个离散周期开始时每个任务的随机需求完成状态，以及每个离散周期结束时每个任务的完成状态，计算无人机总投入成本与任务总延迟成本；

根据蒙特卡罗模拟和遗传算法对所述异构多无人机集群作业的个数与任务分配模型进行求解，确定无人机最优个数与任务分配结果；

预先建立任务场景模型，根据所述任务场景模型确定每个离散周期开始时的无人机状态和每个任务的随机需求完成状态，以及每个离散周期结束时每个任务的完成状态的步骤，包括：

基于无人机类型的数目、任务类型的数目、每个类型无人机的价值、每个无人机的故障概率、每个任务所需的无人机数目、每个任务所需的作业周期、每个任务在每个离散周期的随机需求和每个任务的单位时间延迟成本，建立任务场景模型；

根据所述任务场景模型，确定任务初始每个任务对应的无人机数目，每个离散周期开始时每个无人机的可用状态和故障状态，每个离散周期开始时每个任务对应随机需求的完成状态，以及每个离散周期结束时每个任务的完成状态。

2.根据权利要求1所述的方法，其特征在于，根据每个离散周期开始时的无人机状态和每个离散周期开始时每个任务的随机需求完成状态，以及每个离散周期结束时每个任务的完成状态，计算无人机总投入成本与任务总延迟成本的步骤，包括：

获取无人机的个数、每个离散周期每个任务的随机需求完成状态、每个离散周期开始时呈可用状态的无人机的个数、每个离散周期开始时无故障且呈可用状态的无人机的个数以及概率分布；

建立每个离散周期随机需求呈完成状态的个数不能超过每个离散周期开始时无故障且呈可用状态的无人机的个数的第一约束；

建立每个离散周期呈完成状态的随机需求数量不能超过呈未完成状态的随机需求数量的第二约束；

基于所述第一约束和所述第二约束计算每个离散周期的任务延迟成本和无人机总投入成本。

3.根据权利要求2所述的方法，其特征在于，基于所述无人机总投入成本与所述任务总延迟成本的贴现值之和，确定异构多无人机集群作业的个数与任务分配模型的步骤，包括：

4.根据权利要求1所述的方法，其特征在于，根据蒙特卡罗模拟和遗传算法对所述异构多无人机集群作业的个数与任务分配模型进行求解，确定无人机最优个数与任务分配结果的步骤，包括：

根据所述延迟时间确定每种任务类型的优先级；

5.根据权利要求4所述的方法，其特征在于，根据所述延迟时间确定每种任务类型的优先级的步骤，包括：

根据所述延迟时间，确定每个任务的重要性；

按照所述重要性将所述每个任务进行优先级排序。

6.根据权利要求1所述的方法，其特征在于，所述遗传算法采用自然数编码算法。

7.一种面向异构多无人机集群作业的控制装置，其特征在于，包括：

建模模块，预先建立任务场景模型，根据所述任务场景模型确定每个离散周期开始时的无人机状态和每个离散周期开始时每个任务的随机需求完成状态，以及每个离散周期结束时每个任务的完成状态；其中，所述随机需求为每个任务在每个离散周期的需求数量的随机变量；

计算模块，根据每个离散周期开始时的无人机状态和每个离散周期开始时每个任务的随机需求完成状态，以及每个离散周期结束时每个任务的完成状态，计算无人机总投入成本与任务总延迟成本；

分配模块，根据蒙特卡罗模拟和遗传算法对所述异构多无人机集群作业的个数与任务分配模型进行求解，确定无人机最优个数与任务分配结果；

8.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并且能够在所述处理器上运行的程序，所述处理器执行所述程序时实现如权利要求1至6中任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1-6中任意一项所述的方法。