CN117389300A - 一种城市战争无人机编队侦察任务分配方法 - Google Patents

Abstract

本发明涉及无人机侦察任务分配技术领域，尤其是指一种城市战争无人机编队侦察任务分配方法，该方法基于所述城市战争环境模型和所述无人机编队侦察任务分配问题模型，搭建侦察任务分配模型；基于所述抗体自适应进化的人工免疫算法得到全局分配结果，所述无人机编队根据所述全局分配结果执行任务，在新增任务或无人机损坏时采用所述货郎合同网算法对无人机编队进行实时动态任务重分配。本发明利用抗体自适应进化的人工免疫算法的全局最优性和货郎合同网算法的灵活性、鲁棒性，通过将两者混合，可以使得无人机编队侦察任务分配问题更加高效、准确，有效地解决了现有城市战争无人机编队侦察任务分配方法不能兼顾全局性和时效性的问题。

Description

一种城市战争无人机编队侦察任务分配方法

技术领域

本发明涉及无人机侦察任务分配技术领域，尤其是指一种城市战争无人机编队侦察任务分配方法。

背景技术

在现代的战争和紧急救援等场景中，由于无人机具有低成本、零伤亡、高机动性和高智能等优势，因此被广泛应用。但随着环境日益复杂，当需要完成大面积区域的搜索排查任务时，单个无人机受限于荷载资源和任务能力，很难单独完成任务要求，从而导致执行效率的大幅降低。因此，无人机编队以其高灵活性和高容错性逐渐成为未来战争的趋势。在无人机编队中，任务分配问题显得尤为重要，它可以提高整个编队的任务执行效率、减少资源浪费。

无人机编队任务分配是一种基于协同控制的技术。该技术通常采用集中式或分布式的方法进行相互通信和资源共享，以协同完成复杂的飞行任务。一般情况下，集中式方法会将无人机的状态信息和任务信息都交由地面站处理，地面站会综合考虑全局信息并制定最佳的任务方案，常见的集中式方法有最优化方法以及启发式方法，其中启发式方法包括聚类算法、群智能算法以及人工智能算法等。由于战场的动态性和不确定性，分布式方法因其适应性强同样成为研究热点，在分布式方法中，各无人机作为独立的、具有一定智能化的个体，通过对自身信息和任务信息的共享、协商以及决策，获得任务分配方案。

由于集中式方法是从全局出发，因此生成的分配方案通常具有较好的全局性和求解质量，但也会导致时效性、灵活性和鲁棒性较低的问题。而分布式方法具有时效好、灵活性强和鲁棒性高等优点，但全局性较差，解的质量不高。

发明内容

为此，本发明所要解决的技术问题在于克服现有城市战争无人机编队侦察任务分配方法不能兼顾全局性和时效性的问题。

为解决上述技术问题，本发明提供了一种城市战争无人机编队侦察任务分配方法，包括以下步骤：

S1：创建城市战争环境模型和无人机编队侦察任务分配问题模型；

S2：基于所述城市战争环境模型和所述无人机编队侦察任务分配问题模型，搭建侦察任务分配模型；其中，所述侦察任务分配模型由抗体自适应进化的人工免疫算法和货郎合同网算法组合构成；

S3：根据所述侦察任务分配模型对无人机编队分配侦察任务，包括：基于所述抗体自适应进化的人工免疫算法得到全局分配结果，所述无人机编队根据所述全局分配结果执行任务，在新增任务或无人机损坏时采用所述货郎合同网算法对无人机编队进行实时动态任务重分配。

在本发明的一个实施例中，步骤S1中，所述城市战争环境模型包括：侦察任务点、飞行起始点、建筑体及山体障碍物、空中威胁体。

在本发明的一个实施例中，创建所述无人机编队侦察任务分配问题模型包括：

定义待执行任务集合T＝{T₁,T₂,…,T_M}，其中M为任务量，无人机编队集合U＝{U₁,U₂,…,U_N}，其中N为无人机的数量，无人机的速度为v，并构建一个有向图G＝(V,A)，其中V是M个顶点的集合，A是弧的集合；x_ij表示弧(i,j)是否被选择，如果被选择，则x_ij＝1，否则x_ij＝0；

所有的任务点有且仅被分配一次，所述无人机编队侦察任务分配问题模型如下：

t_s＝max{t_i},i∈{1,2,3,…,N}

P＝d_s·μ+W

其中，i表示无人机序号，t_s表示任务执行总时间，d_s表示任务执行总路程，P表示任务代价，μ表示油耗系数，W表示无人机因被击落或失去控制的无人机损耗，t_i表示单架无人机执行任务时间，d_i表示单架无人机执行任务路径的总长度，且d_i≤MaxD，MaxD为预设的无人机最大航程；

所述单架无人机执行任务时间其中，/>表示i号无人机需要执行的任务数量，且/>MaxT表示预设的无人机最大任务量；m表示无人机在到达任务点位置后的悬停时间。

在本发明的一个实施例中，步骤S3中，得到全局分配结果的具体步骤为：

步骤1：生成初始抗体种群，种群规模为NP，设置种群迭代次数G，克隆次数为K，初始化迭代计数器gen＝1；

步骤2：判断gen≤G：当gen＞G时，输出全局分配结果；当gen≤G时，则进入如下步骤：

步骤21：计算每个抗体的期望选择值，并按照所述期望选择值对抗体从大到小排序，选择排名中前10％的抗体作为免疫选择的父代抗体，对所述免疫选择的父代抗体进行克隆操作，得到克隆操作产生的抗体；

步骤22：对克隆操作产生的抗体进行交叉操作和变异操作，得到交叉操作产生的子代抗体和变异操作产生的子代抗体；

步骤23：将免疫选择的父代抗体、所述交叉操作产生的子代抗体和所述变异操作产生的子代抗体组成临时种群，并计算每个抗体的亲和度，依据亲和度进行排序，选取临时种群中前10％的抗体替换父代种群最后10％的抗体，完成一次种群的更新，得到更新后的种群，即为全局分配结果，则迭代计数器gen加1；

其中，抗原为无人机编队侦察任务分配的目标问题，抗体为分配方案，抗体亲和度为分配方案与目标问题的匹配程度，抗体浓度为分配方案的多样性。

在本发明的一个实施例中，所述抗体的期望选择值的计算公式如下：

其中，f(a_i)表示抗体i与目标问题的亲和度，con(a_i)表示抗体i的浓度；

所述抗体与目标问题的亲和度的计算方式为：

其中，α,β,γ均为权重系数，t_s表示任务执行总时间，d_s表示任务执行总路程，P表示任务代价。

在本发明的一个实施例中，所述抗体的浓度的计算方法为：

其中，S(a_i,a_j)表示抗体间相似度，i,j∈{1,2,…,NP}，其可表示为

其中，是相似度阈值，fa(a_i,a_j)为抗体i和抗体j之间的亲和度，且以无人机序列为x轴，任务序列为y轴建立二维坐标系，A_i和A_j分别表示抗体i和抗体j在二维坐标系中的点集合，A_i∩A_j表示它们的交集，A_i∪A_j表示它们的并集，||代表集合内的元素个数。

在本发明的一个实施例中，得到交叉操作产生的子代抗体的方法为：设置交叉位置，采用自适应交叉算子对克隆操作产生的抗体进行交叉操作；其中，所述自适应交叉算子基于抗体浓度自主调整交叉概率P_c，其定义为：

P_c＝tanh(2con(a_i))

其中，P_c取值范围为[0,1]，所述交叉位置选取两抗体之间相似程度最高的位置，定义如下：

S＝min{(A_i∩A_j)_Y}

E＝max{(A_i∩A_j)_Y}

其中，S表示交叉开始位置，E表示交叉结束位置，(A_i∩A_j)_Y是A_i与A_j交集中纵坐标。

在本发明的一个实施例中，得到变异操作产生的子代抗体的方法为：采用自适应变异算子对克隆操作产生的抗体进行变异操作，所述自适应变异算子的变异概率P_m取交叉概率P_c的十分之一，其定义为：

其中，P_m取值范围为[0,1]。

在本发明的一个实施例中，步骤S3中，采用所述货郎合同网算法对无人机编队进行实时动态任务重分配的具体方法为：最先接收到新增任务信息的无人机作为货郎向编队内的其他无人机展示任务清单，新增任务同时存入所述任务清单中，其他无人机作为顾客向货郎发送报价单，货郎依据价格评估函数选取最佳方案，最佳方案中满足接受任务条件的顾客与货郎签约，开始执行任务；

其中，所述接受任务条件为：每架无人机接受的动态任务数目与该无人机未完成任务数目之和不超过无人机最大任务量，并且新的任务方案所要求的航行距离不超过无人机的剩余续航。

在本发明的一个实施例中，所述价格评估函数如下：

式中，α,β,γ均为价格评估函数的权重系数，t_s表示任务执行总时间，d_s表示任务执行总路程，P表示任务代价。

本发明的上述技术方案相比现有技术具有以下优点：

本发明在人工免疫算法中设计基于抗体浓度的自适应交叉、变异算子；然后在免疫选择和克隆的过程中引入免疫记忆算子，避免算法过早收敛的同时，提高解的质量；最后，在整体规划的基础上，采用引入货郎规则的合同网算法对无人机编队进行实时动态任务分配，保证任务执行方案的时效性。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1是本发明所述方法流程图；

图2是本发明实施例中所述任务分配方法的具体流程图；

图3是本发明实施例中城市战场环境建模效果图；

图4是本发明实施例中抗体编码；

图5是本发明实施例中抗体交叉操作示意图；

图6是本发明实施例中抗体变异操作示意图；

图7是本发明实施例中传统合同网算法流程；

图8(a)～(c)依次是设置实验1，采用AAEAIA算法、蚁群算法和Q学习算法分配任务结果；

图9(a)～(c)依次是设置实验2，采用AAEAIA算法、蚁群算法和Q学习算法分配任务结果；

图10(a)和(b)分别是实验1中的最佳亲和度、时间和距离的收敛曲线；

图11(a)和(b)分别是设置实验3，无人机编队实际执行任务中遇到新增任务和无人机损毁情况下货郎合同网算法的重分配任务方案。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

参照图1～2所示，本发明提供一种城市战争无人机编队侦察任务分配方法，包括以下步骤：

S1：创建城市战争环境模型和无人机编队侦察任务分配问题模型；

S2：基于所述城市战争环境模型和所述无人机编队侦察任务分配问题模型，搭建侦察任务分配模型；其中，所述侦察任务分配模型由抗体自适应进化的人工免疫算法(Antibody Adaptive Evolution Artificial Immune Algorithm,AAEAIA)和货郎合同网模型组合构成；

S3：根据所述侦察任务分配模型对无人机编队分配侦察任务，包括：基于所述改进的人工免疫模型得到全局分配结果，所述无人机编队根据所述全局分配结果执行任务，在新增任务或无人机损坏时采用所述货郎合同网模型对无人机编队进行实时动态任务分配。

在步骤S1中，所述城市战争环境模型包括：侦察任务点、飞行起始点、建筑体及山体障碍物、空中威胁体；其中，如图3所示，Start所在位置为飞行起始点，T_i,i∈[1,7]所在位置为侦察任务点，任务空间内存在城市以及山体障碍物，两个椭球体表示空中威胁体，其他区域表示无人机可以自由行驶的区域。无人机编队从起始点出发，执行被分配的任务。

无人机编队侦察任务分配问题可以被定义为：根据一定的环境知识和任务需求，为无人机编队中的每个无人机分配一个或一组有序的空间位置点(目标)，以达到无人机编队完成任务的整体代价值最小，或者任务收益最优的目的。

本发明以无人机编队协同侦察城市战区为背景，采用非参量方法对无人机编队侦察任务分配问题进行数学建模，创建所述无人机编队侦察任务分配问题模型包括：

定义待执行任务集合T＝{T₁,T₂,…,T_M}，其中M为任务量，无人机编队集合U＝{U₁,U₂,…,U_N}，其中N为无人机的数量，无人机的速度为v，并构建一个有向图G＝(V,A)，其中V是M个顶点的集合，A是弧的集合；x_ij表示弧(i,j)是否被选择，如果被选择，则x_ij＝1，否则x_ij＝0；

所有的任务点有且仅被分配一次，所述无人机编队侦察任务分配问题模型如下：

t_s＝max{t_i},i∈{1,2,3,…,N}

P＝d_s·μ+W

其中，i表示无人机序号，t_s表示任务执行总时间，d_s表示任务执行总路程，P表示任务代价，μ表示油耗系数，W表示无人机因被击落或失去控制的无人机损耗，t_i表示单架无人机执行任务时间，d_i表示单架无人机执行任务路径的总长度，且d_i≤MaxD，MaxD为预设的无人机最大航程；

所述单架无人机执行任务时间其中，/>表示i号无人机需要执行的任务数量，且/>MaxT表示预设的无人机最大任务量；m表示无人机在到达任务点位置后的悬停时间。

人工免疫算法是受生物免疫系统的启发而推出的一种新型的智能搜索算法，具有学习、记忆和模式识别能力。无人机编队侦察任务分配问题与免疫系统有着许多相似之处。在人工免疫算法中，抗原对应无人机编队侦察任务分配的目标问题，抗体对应分配方案，抗体亲和度对应分配方案与目标问题的匹配程度，抗体浓度对应分配方案的多样性。

根据对无人机编队侦察任务分配问题的建模分析，免疫抗体采取十进制编码，编码长度为M+N，其中前M个数字代表个待执行的任务编号和执行顺序，后N个数字代表N架无人机各自执行任务的数目，值得注意的是，每架无人机至少执行一项任务，后N个数字必须大于等于1。具体编码方式以5个任务目标和3架无人机为例，如图4所示。

在图4中，免疫抗体被竖线分为左右两部分，竖线左侧部分表示5个任务目标的排列，竖线右侧部分表示各架无人机需要执行的任务数目。根据左右编码的对应关系得知，1号无人机将执行1、5号任务目标，执行顺序固定，2、3号无人机目标任务及任务顺序以此类推。

步骤S3中，得到全局分配结果的具体步骤为：

步骤1：生成初始抗体种群Pop，种群规模为NP，设置种群迭代次数G，克隆次数为K，初始化迭代计数器gen＝1；

步骤2：判断gen≤G：当gen>G时，输出全局分配结果；当gen≤G时，则进入如下步骤：

步骤21：计算每个抗体的期望选择值，并按照所述期望选择值对抗体从大到小排序，选择排名中前10％的抗体作为免疫选择的父代抗体，对所述免疫选择的父代抗体进行克隆操作，得到克隆操作产生的抗体；免疫克隆是用来增加优秀抗体的数目，从而提高算法的搜索效率和收敛速度。克隆数值越大，局部搜索能力越好，全局搜索能力也随之提高，但算法整体的计算量也就更大了。

步骤22：对克隆操作产生的抗体进行交叉操作和变异操作，得到交叉操作产生的子代抗体和变异操作产生的子代抗体；

步骤23：由于克隆数值越大，局部搜索能力越好，全局搜索能力也随之提高，但算法整体的计算量也就更大了，因此需要对免疫克隆提出一些限制：将免疫选择的父代抗体、所述交叉操作产生的子代抗体和所述变异操作产生的子代抗体组成临时种群，并计算每个抗体的亲和度，依据亲和度进行排序，选取临时种群中前10％的抗体替换父代种群最后10％的抗体，完成一次种群的更新，得到更新后的种群，即为全局分配结果，则迭代计数器gen加1；

在步骤21中，所述抗体的期望选择值的计算公式如下：

其中，f(a_i)表示抗体i与目标问题的亲和度，con(a_i)表示抗体i的浓度。依据Ch(a_i)的值对种群内的抗体从大到小排序，选择种群的前10％抗体。通过选择公式，使得算法优先选择新的信息，遗忘旧的信息，避免选择大量相似度高的抗体，防止算法过早收敛。

所述抗体与目标问题的亲和度的计算方式为：

其中，α,β,γ均为权重系数，t_s表示任务执行总时间，d_s表示任务执行总路程，P表示任务代价。

所述抗体的浓度的计算方法为：

其中，S(a_i,a_j)表示抗体间相似度，i,j∈{1,2,…,NP}，其可表示为

其中，是相似度阈值，f_a(a_i,a_j)为抗体i和抗体j之间的亲和度，且/>以无人机序列为x轴，任务序列为y轴建立二维坐标系，A_i和A_j分别表示抗体i和抗体j在二维坐标系中的点集合，A_i∩A_j表示它们的交集，A_i∪A_j表示它们的并集，||代表集合内的元素个数。

得到交叉操作产生的子代抗体的方法为：设置交叉位置，采用自适应交叉算子对克隆操作产生的抗体进行交叉操作；其中，所述自适应交叉算子基于抗体浓度自主调整交叉概率P_c，其定义为：

P_c＝tanh(2con(a_i))

其中，P_c取值范围为[0,1]，所述交叉位置选取两抗体之间相似程度最高的位置，定义如下：

S＝min{(A_i∩A_j)_Y}

E＝max{(A_i∩A_j)_Y}

其中，S表示交叉开始位置，E表示交叉结束位置，(A_i∩A_j)_Y是A_i与A_j交集中纵坐标。

在进行交叉操作时，由于编码的右侧部分代表着编队中无人机的架数，并且编码值的和是任务总数，这部分编码参与交叉易发生编码逻辑错误的情况，因此不考虑无人机序列编码的交叉操作。以5个任务目标和3架无人机为例，交叉操作具体变换如图5所示。

图5中，初始抗体1和抗体2分别是a₁＝1,5,2,4,3,2,1,2和a₂＝5,4,1,3,2,3,1,1，假设交叉位置是2和4(交叉位置必须在1～M之间，后N位数字不参与交叉操作)，则a2的交叉片段为“4,1,3”，首先将“4,1,3”移到a1前，这个时候抗体1编码是a1＝4,1,3,1,5,2,4,3,2,1,2；然后从左至右遍历抗体，删除第二个位置的重复元素，形成新的抗体a₁′＝4,1,3,5,2,2,1,2。同理，也产生新的抗体a₂′＝5,2,4,1,3,3,1,1。

得到变异操作产生的子代抗体的方法为：采用自适应变异算子对克隆操作产生的抗体进行变异操作，所述自适应变异算子的变异概率P_m取交叉概率P_c的十分之一，其定义为：

其中，P_m取值范围为[0,1]。不同于交叉操作，变异操作随机选取变异位置，并且不排除后N位数字，无人机序列编码也可以参与到免疫抗体的变异操作中。以5个任务目标和3架无人机为例，变异操作具体变换如图6所示。

图6中，初始抗体3编码为a₃＝2,4,1,3,5,3,1,1，假设先对抗体3的无人机任务序列部分进行变异操作，变异位置为2和4(任务序列变异时，变异位置在1～M之间)，则a₃的变异片段为“4,1,3”,将变异片段逆序为“3,1,4”，重新插入编码的原位置处，形成新的抗体a₃′＝2,3,1,4,5,3,1,1。变异抗体3的无人机序列编码时，假设变异位置为6和7(无人机序列变异位置在M+1～M+N之间)，此时抗体的变异片段为“3,1”，将变异片段逆序为“1,3”，重新插入编码的原位置处，形成新的抗体a₃”＝2,4,1,3,5,1,3,1。

在无人机编队实际执行侦察任务的过程中，由于战场环境的动态性、不确定性，很可能出现如新增任务点、无人机失控或损坏等动态情况。本发明基于合同网算法提出一种货郎规则对实际任务执行过程进行动态重分配。

合同网算法源自人类商业模式中的“招标-竞标-中标”机制，算法主体分为招标者和竞标者。在处理无人机编队侦察任务的动态分配时，每架无人机都被视为处于同等地位的自主代理，代理之间可以进行通信交流。当有任务需要执行时，一组代理将形成一个契约网络，由一个代理扮演招标者的角色，通过招标选取能够最好地完成任务的代理，即中标者，然后执行任务。传统合同网算法流程如图7所示。

从图7可以看出，招标者负责发布每一项待执行任务的信息给相关竞标者；竞标者接受任务信息后生成投标书发送给招标者；招标者接受各竞标者的投标书并进行评估，选取最优投标方案；竞标者中标后接受任务信息，执行任务；双方签约。

本发明在合同网算法对无人机编队执行任务时的动态分配中不考虑通信的范围限制，所有无人机均可对动态任务发起竞标，但依然有以下接受任务条件限制：

(1)每架无人机接受的动态任务数目T_D与该无人机未完成任务数目之和不超过无人机最大任务量MaxT；

(2)新的任务方案所要求的航行距离d_i′不超过无人机的剩余续航MaxD′。

本发明基于传统合同网算法提出一种货郎规则，货郎(招标者)不再是基于每一个商品(任务)进行招标，而是将所有商品的信息存入货架(任务清单)展示给所有顾客(竞标者)，顾客可自由选取多个商品并给出一份利益最大(价格最高)的报价单交给货郎，货郎寻找可以售出所有剩余商品的报价单组合，当存在多个分配组合时，选取最优的整体任务方案。货郎规则使得原本需要进行多回合的拍卖变成单回合，重规划时间缩短，通信负荷减少，算法效率提高。

根据货郎规则，合同网算法可以高效地处理任务执行过程中的动态情况。故在步骤S3中，采用所述货郎合同网算法对无人机编队进行实时动态任务重分配的具体方法为：最先接收到新增任务信息的无人机作为货郎向编队内的其他无人机展示任务清单，新增任务同时存入所述任务清单中，其他无人机作为顾客向货郎发送报价单，货郎依据价格评估函数选取最佳方案，最佳方案中满足接受任务条件的顾客与货郎签约，开始执行任务。货郎对价格的评估函数与上文人工免疫算法中亲和度公式一致，所述价格评估函数如下：

式中，α,β,γ均为价格评估函数的权重系数，t_s表示任务执行总时间，d_s表示任务执行总路程，P表示任务代价。

为了验证本发明提出的任务分配方法的有效性，将MATLAB作为实验平台，并按图3所述搭建模型进行仿真实验。实验分为3组，实验1和2从算法预规划能力方面验证算法的有效性及先进性，实验3则验证算法的重规划能力。AAEAIA算法的具体实验参数如表1所示，实验中起始点和任务点坐标如表2所示。

表1

表2

第1组和第2组实验对比AAEAIA算法、蚁群算法和Q学习算法在城市战场环境下无人机编队侦察任务分配问题的表现，三种算法采用相同的三维避障算法以及相同的方案价值评价函数。为了验证AAEAIA算法在各类任务条件下的表现，设定实验1无人机数量3，任务数量7，其对比结果如图8所示；设定实验2无人机数量4，任务数量11，其对比结果如图9所示；实验1算法收敛曲线图以及最佳方案结果对比图如图10所示。

结合图8和图9，可以看出AAEAIA算法用于无人机编队侦察任务分配问题的优越表现，其规划的整体方案根据无人机编队的数量及任务位置将任务环境清晰地划分为几个区域，从而降低执行时间和执行距离，并找到全局最优解。AAEAIA算法能够自适应的调整空间大小，适应复杂的任务需求，与另外两种算法相比，该算法更强调对全局信息的利用，在保证更好的局部最优解和全局最优解前提下，提高整体性。此外，AAEAIA算法能够根据任务环境以及任务要求进行动态调整，因此在处理规模性大、复杂性高的任务时表现更加出色。

图10(a)显示出AAEAIA算法相较于蚁群算法及Q学习算法，在收敛速度方面具有显著的优势，并展现出了该算法在效率方面的出众表现。同时，与蚁群算法和Q学习算法相比，该算法达到的最佳亲和度值明显更高。图10(b)则呈现了三种算法每次迭代对时间和路程的最佳方案，从图中可以明显看出AAEAIA算法能够找到全局性更高的解决方案，且在时间和路程的收敛值上均优于另外两种算法，并呈现出更快的收敛速度。这些结果表明，在需要处理大型或复杂问题时，该算法具有更好的准确性和更强的鲁棒性。总之，AAEAIA算法的优越性质为复杂问题的求解提供了一种有力的选择，其跳出局部最优解的特性能够让其找到更加优质的解决方案。

实验3针对无人机编队实际执行任务中可能遇到的两种动态情况考察任务执行过程中货郎合同网算法的表现，新增任务以及无人机损毁时算法结果如图11所示。

图11(a)展示了在实际任务执行过程中出现新增任务点的动态情况，无人机编队应用货郎合同网算法选取最佳重分配方案，使得1号无人机放弃原本的任务方案，先执行新增任务点，从而保证了整体任务能够顺利进行。在图11(b)展示了在实际任务执行过程中出现无人机损坏的动态情况，由于1号无人机意外损毁，无法继续执行任务，但无人机编队通过货郎合同网算法的重分配方案，2号无人机接替了1号无人机未完成的任务，完成了整体任务执行过程。可以看出，货郎合同网算法充分考虑了动态情况下的处理方式，不但保证了算法的实时性，也提高了算法的灵活性。

综上，本发明提出的AAEAIA算法由于抗体能够自适应交叉、变异，有着良好的种群多样性，同时，抗体采取记忆算子，保证优秀抗体信息，减少冗余的信息存储，这使得算法能够很好地找到全局最优解，从而提高任务分配质量，获得更好的执行结果；货郎合同网算法基于传统合同网算法加入货郎规则，缩短任务拍卖流程，算法分配效率显著提高。当任务过程遇到动态情况时，货郎合同网算法可以实时地进行重分配，保证了整体算法的时效性。货郎合同网算法实现任务分配过程的分散化和资源利用最优化,较好地加强了AAEAIA算法的灵活性、鲁棒性。综合两种算法的优点，即AAEAIA算法的全局最优性和货郎合同网算法的灵活性、鲁棒性，通过将两者混合，可以使得无人机编队侦察任务分配方法更加高效、准确。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种城市战争无人机编队侦察任务分配方法，其特征在于，包括步骤：

S1：创建城市战争环境模型和无人机编队侦察任务分配问题模型；

S2：基于所述城市战争环境模型和所述无人机编队侦察任务分配问题模型，搭建侦察任务分配模型；其中，所述侦察任务分配模型由抗体自适应进化的人工免疫算法和货郎合同网算法组合构成；

S3：根据所述侦察任务分配模型对无人机编队分配侦察任务，包括：基于所述抗体自适应进化的人工免疫算法得到全局分配结果，所述无人机编队根据所述全局分配结果执行任务，在新增任务或无人机损坏时采用所述货郎合同网算法对无人机编队进行实时动态任务重分配。

2.根据权利要求1所述的城市战争无人机编队侦察任务分配方法，其特征在于，步骤S1中，所述城市战争环境模型包括：侦察任务点、飞行起始点、建筑体及山体障碍物、空中威胁体。

3.根据权利要求1所述的城市战争无人机编队侦察任务分配方法，其特征在于：创建所述无人机编队侦察任务分配问题模型包括：

定义待执行任务集合T＝{T₁,T₂,…,T_M}，其中M为任务量，无人机编队集合U＝{U₁,U₂,…,U_N}，其中N为无人机的数量，无人机的速度为v，并构建一个有向图G＝(V,A)，其中V是M个顶点的集合，A是弧的集合；x_ij表示弧(i,j)是否被选择，如果被选择，则x_ij＝1，否则x_ij＝0；

所有的任务点有且仅被分配一次，所述无人机编队侦察任务分配问题模型如下：

t_s＝max{t_i},i∈{1,2,3,…,N}

P＝d_s·μ+W

其中，i表示无人机序号，t_s表示任务执行总时间，d_s表示任务执行总路程，P表示任务代价，μ表示油耗系数，W表示无人机因被击落或失去控制的无人机损耗，t_i表示单架无人机执行任务时间，d_i表示单架无人机执行任务路径的总长度，且d_i≤MaxD，MaxD为预设的无人机最大航程；

所述单架无人机执行任务时间其中，/>表示i号无人机需要执行的任务数量，且/>MaxT表示预设的无人机最大任务量；m表示无人机在到达任务点位置后的悬停时间。

4.根据权利要求1所述的城市战争无人机编队侦察任务分配方法，其特征在于：步骤S3中，得到全局分配结果的具体步骤为：

步骤1：生成初始抗体种群，种群规模为NP，设置种群迭代次数G，克隆次数为K，初始化迭代计数器gen＝1；

步骤2：判断gen≤G：当gen＞G时，输出全局分配结果；当gen≤G时，则进入如下步骤：

步骤21：计算每个抗体的期望选择值，并按照所述期望选择值对抗体从大到小排序，选择排名中前10％的抗体作为免疫选择的父代抗体，对所述免疫选择的父代抗体进行克隆操作，得到克隆操作产生的抗体；

步骤22：对克隆操作产生的抗体进行交叉操作和变异操作，得到交叉操作产生的子代抗体和变异操作产生的子代抗体；

步骤23：将免疫选择的父代抗体、所述交叉操作产生的子代抗体和所述变异操作产生的子代抗体组成临时种群，并计算每个抗体的亲和度，依据亲和度进行排序，选取临时种群中前10％的抗体替换父代种群最后10％的抗体，完成一次种群的更新，得到更新后的种群，即为全局分配结果，则迭代计数器gen加1；

其中，抗原为无人机编队侦察任务分配的目标问题，抗体为分配方案，抗体亲和度为分配方案与目标问题的匹配程度，抗体浓度为分配方案的多样性。

5.根据权利要求4所述的城市战争无人机编队侦察任务分配方法，其特征在于：所述抗体的期望选择值的计算公式如下：

其中，f(a_i)表示抗体i与目标问题的亲和度，con(a_i)表示抗体i的浓度；

所述抗体与目标问题的亲和度的计算方式为：

其中，α,β,γ均为权重系数，t_s表示任务执行总时间，d_s表示任务执行总路程，P表示任务代价。

6.根据权利要求5所述的城市战争无人机编队侦察任务分配方法，其特征在于：所述抗体的浓度的计算方法为：

其中，S(a_i,a_j)表示抗体间相似度，i,j∈{1,2,…,NP}，其可表示为

其中，是相似度阈值，f_a(a_i,a_j)为抗体i和抗体j之间的亲和度，且/>以无人机序列为x轴，任务序列为y轴建立二维坐标系，A_i和A_j分别表示抗体i和抗体j在二维坐标系中的点集合，A_i∩A_j表示它们的交集，A_i∪A_j表示它们的并集，||代表集合内的元素个数。

7.根据权利要求6所述的城市战争无人机编队侦察任务分配方法，其特征在于：得到交叉操作产生的子代抗体的方法为：设置交叉位置，采用自适应交叉算子对克隆操作产生的抗体进行交叉操作；其中，所述自适应交叉算子基于抗体浓度自主调整交叉概率P_c，其定义为：

P_c＝tanh(2con(a_i))

其中，P_c取值范围为[0,1]，所述交叉位置选取两抗体之间相似程度最高的位置，定义如下：

S＝min{(A_i∩A_j)_Y}

E＝max{(A_i∩A_j)_Y}

其中，S表示交叉开始位置，E表示交叉结束位置，(A_i∩A_j)_Y是A_i与A_j交集中纵坐标。

8.据权利要求7所述的城市战争无人机编队侦察任务分配方法，其特征在于：得到变异操作产生的子代抗体的方法为：采用自适应变异算子对克隆操作产生的抗体进行变异操作，所述自适应变异算子的变异概率P_m取交叉概率P_c的十分之一，其定义为：

其中，P_m取值范围为[0,1]。

9.据权利要求1所述的城市战争无人机编队侦察任务分配方法，其特征在于：步骤S3中，采用所述货郎合同网算法对无人机编队进行实时动态任务重分配的具体方法为：最先接收到新增任务信息的无人机作为货郎向编队内的其他无人机展示任务清单，新增任务同时存入所述任务清单中，其他无人机作为顾客向货郎发送报价单，货郎依据价格评估函数选取最佳方案，最佳方案中满足接受任务条件的顾客与货郎签约，开始执行任务；

其中，所述接受任务条件为：每架无人机接受的动态任务数目与该无人机未完成任务数目之和不超过无人机最大任务量，并且新的任务方案所要求的航行距离不超过无人机的剩余续航。

10.根据权利要求9所述的城市战争无人机编队侦察任务分配方法，其特征在于：所述价格评估函数如下：

式中，α,β,γ均为价格评估函数的权重系数，t_s表示任务执行总时间，d_s表示任务执行总路程，P表示任务代价。