一种基于离散鸽群算法的无人机任务分配方法

技术领域

本发明涉及无人机技术领域，尤其是一种基于离散鸽群算法的无人机任务分配方法。

背景技术

随着空战环境的日趋复杂，空中作战任务要求也越发困难和繁复，由此刺激了空战中越来越多高新技术的应用。现代空战由于各种信息技术地广泛应用，各种战机的机载航电系统愈发复杂，打击能力和机动能力提升的同时，空战成本及风险也伴随着作战效能的提升愈发提升，且机组操作人员是比战机更为宝贵的资源，一名合格战机飞行员的培养往往耗费国家巨大的资源，因而如何在保证空战作战效能的同时尽可能地降低成本，降低人员的安全风险，一直是空战革新的一大重要问题。经过长时间的探索，无人系统的应用为解决这一重要问题发挥了举足轻重的作用。

无人机任务分配系统，其意义在于建立复杂环境中无人机集群与作战任务之间的关联和映射关系，使无人机体系作战性能在一定条件下达到最优水平。任务规划系统的具体内容可归纳为：在一定的决策时间内，分配异构无人机对给定目标执行多个任务，形成配合，并使系统综合考察指标最小化，达到最优效率。

发明内容

本发明所要解决的技术问题在于，提供一种基于离散鸽群算法的无人机任务分配方法，能够输出适应问题模型的最优分配结果，为工程实际提供好的技术支持。

为解决上述技术问题，本发明提供一种基于离散鸽群算法的无人机任务分配方法，包括如下步骤：

步骤1、建立无人机任务分配问题的多耦合适应度函数数学模型；

步骤2、设计适配问题数学模型的结合鸽群淘汰机制的离散粒子鸽群寻优算法；

步骤3、对迭代寻优的最优序列进行解码、修正并输出最优分配方案。

优选的，步骤1中，建立无人机任务分配问题的多耦合适应度函数数学模型具体包括如下步骤：

步骤11、将无人机自身性能参数数学化；其中包括无人机数量、机场出发点位置信息、无人机弹药携带量、无人机飞行速度、无人机最小转弯半径、无人机打击成功率系数、无人机的耗能系数；

步骤12、将任务目标点相关参数数学化；其中包括任务目标点数量、任务目标点位置信息、任务目标点打击需求、目标点成功攻击收益、任务目标点的自身代价系数；

步骤13、建立无人机性能参数信息到任务目标点的多适应度函数耦合数学模型。

优选的，步骤13中，建立无人机性能参数信息到任务目标点的多适应度函数耦合数学模型具体为：以步骤11、步骤12建立的无人机、任务目标点数学化模型为基础参数，建立多适应度函数；以无人机机场出发点位置信息及任务目标点位置信息建立路程代价适应度函数F

优选的，步骤2中，设计适配问题数学模型的结合学习因子的离散鸽群寻优算法具体包括如下步骤：

步骤21、以标准鸽群算法为寻优算法的算法框架；标准鸽群算法以鸽群的位置向量 X(k)与速度向量V(k)为迭代目标，以对全局最优鸽子X

步骤22、对改进鸽群算法进行离散化；将标准鸽群算法的位置向量X(k)及速度向量V(k)的连续寻优过程改进为适配任务分配序列对象的序列交叉过程。

优选的，步骤21中，以标准鸽群算法为寻优算法的算法框架，标准鸽群算法以鸽群的位置向量X(k)与速度向量V(k)为迭代目标，以对全局最优鸽子X

步骤21a、初始化鸽群参数；其中相关参数及其含义如下：

N

其中，全局寻优学习因子及局部寻优学习因子表达式如下：

e

步骤22b、对鸽群个体编码，采用两个序列编码的形式对个体进行编码，即无人机出发序列vehicle及任务目标序列target，每一个鸽群个体都包含一组序列，表现为其位置信息X(k)；

步骤21c、改进后的鸽群第一阶段迭代公式如下：

V(k+1)＝e

X(k+1)＝X(k)+V(k+1)

相关参数及其含义如下：

rand

步骤21d、改进后的鸽群第二阶段迭代公式如下：

相关参数及其含义如下：

N

第二阶段每次迭代之后，鸽群数量都会减少一半，通过设定阈值将适应度值更优的个体保留。

优选的，步骤22中，对改进鸽群算法进行离散化，将标准鸽群算法的位置向量X(k)及速度向量V(k)的连续寻优过程改进为适配任务分配序列对象的序列交叉过程，达到对全局最优目标的学习，同时满足离散目标对象要求具体包括如下步骤：

22a、将对连续变量位置向量X(k)与速度向量V(k)的求解过程转变为对任务序列target及vehicle的整数变化，实现对全局最优解及地标位置信息的学习迭代；

22b、鸽群算法第一阶段的鸽群迭代为对全局最优解的全局寻优迭代，且随着迭代进行，地图罗盘算子e

(1)C

(2)e

22c、鸽群算法第二阶段的迭代主要为快速收敛的地表信息学习迭代，即对第一阶段末期收敛的局部进行快速寻优，通过计算鸽群当前适应度中位值F

(1)对当前鸽群进行排序，得到适应度值由高到低的降序排列鸽群，同时计算当前鸽群数量的中位值N

(2)对当前的鸽群进行地标计算及局部寻优，将当前鸽群的地标中心X

其中，N

通过上述计算得到三个迭代更新序列，对其适应度值进行计算、比较，得出适应度值最小的序列，将其输出，如果rand

优选的，步骤3中，对迭代寻优的最优序列进行解码、修正并输出最优分配方案具体包括如下步骤：

步骤31、将算法寻优输出的target目标任务序列及vehicle无人机出发序列进行解码，令其与具体任务一一对应，并数学化相关性能参数，输入检验修正环节；

步骤32、对输入检验环节无人机出发序列vehicle进行约束检验，检测当前序列的性能参数，判断是否满足任务约束要求，输出满足任务约束要求的序列，将不满足任务约束要求的序列输入修正环节；

步骤33、修正环节中对不满足任务要求的序列进行遍历，提取序列中的异常数组，修改，输出满足任务要求的数组；

步骤34、将检验修正环节输出的target、vehicle序列进行一对一解码，输出无人机具体任务分配结果。

优选的，步骤33中，修正环节中对不满足任务要求的序列进行遍历，提取序列中的异常数组，修改，输出满足任务要求的数组具体包括如下步骤：

步骤33a、定义修正过程存储数组：无人机出发序列正常数组A

步骤33b、对序列vehicle进行遍历，遍历约束为严格单任务出发机制，即任务序列中，一架无人机只能执行一个对应目标的任务，其公式表达如下：

sum(Vehicle＝＝i)＝1

即第i架无人机在无人机出发序列vehicle中只出现一次，根据此筛查公式，将满足该公式的无人机正常序列存储入无人机序列正常数组A

步骤33c、根据无人机序列正常数组地址id

步骤33d、由于目标任务与无人机为一一对应关系，因而异常数组A

步骤33e、按照提取的地址信息id

本发明的有益效果为：本发明针对随机寻优过程出现的溢出约束情况，设计优化纠错算法进行修正并局部寻优，最终输出适应问题模型的最优分配结果，为工程实际提供好的技术支持。

附图说明

图1是本发明的方法流程示意图。

图2是本发明多适应度耦合函数建模流程示意图。

图3是本发明结合学习因子的改进鸽群算法流程示意图。

图4是本发明离散化的改进鸽群算法第一阶段对全局最优序列的交叉学习示意图。

图5是本发明离散化的改进鸽群算法第一阶段对自身信息的交叉学习示意图。

图6是本发明离散化的改进鸽群算法第二阶段对地标信息的交叉学习示意图。

图7是本发明离散化的改进鸽群算法第二阶段对局部最优信息的交叉学习示意图。

图8是本发明根据迭代结果设计的检验修正算法流程示意图。

图9是本发明结合学习因子的改进离散鸽群算法整体流程示意图。

图10是本发明的寻优收敛曲线图。

图11是本发明的仿真曲线图。

具体实施方式

如图1所示，一种基于离散鸽群算法的无人机任务分配方法，包括如下步骤：

步骤1、建立无人机任务分配问题的多耦合适应度函数数学模型；

步骤2、设计适配问题数学模型的结合学习因子的离散鸽群寻优算法；

步骤3、对迭代寻优的最优序列进行解码、修正并输出最优分配方案。

步骤1中，建立无人机任务分配问题的多耦合适应度函数数学模型具体包括如下步骤：

步骤11、将无人机自身性能参数数学化；其中包括无人机数量、机场出发点位置信息、无人机弹药携带量、无人机飞行速度、无人机最小转弯半径、无人机打击成功率系数、无人机的耗能系数；

步骤12、将任务目标点相关参数数学化；其中包括任务目标点数量、任务目标点位置信息、任务目标点打击需求、目标点成功攻击收益、任务目标点的自身代价系数；

步骤13、建立无人机性能参数信息到任务目标点的多适应度函数耦合数学模型。

步骤13中，建立无人机性能参数信息到任务目标点的多适应度函数耦合数学模型具体为：以步骤11、步骤12建立的无人机、任务目标点数学化模型为基础参数，建立多适应度函数；以无人机机场出发点位置信息及任务目标点位置信息建立路程代价适应度函数F

步骤2中，设计适配问题数学模型的结合学习因子的离散鸽群寻优算法具体包括如下步骤：

步骤21、以标准鸽群算法为寻优算法主要算法框架；标准鸽群算法以鸽群的位置向量X(k)与速度向量V(k)为主要迭代目标，以对全局最优鸽子X

步骤22、对改进鸽群算法进行离散化；将标准鸽群算法的位置向量X(k)及速度向量V(k)的连续寻优过程改进为适配任务分配序列对象的序列交叉过程，达到对全局最优目标的学习，同时满足离散目标对象要求。

步骤21中，以标准鸽群算法为寻优算法主要算法框架。标准鸽群算法以鸽群的位置向量X(k)与速度向量V(k)为主要迭代目标，以对全局最优鸽子X

步骤21a、结合分配问题实际，初始化鸽群参数。其中相关参数及其含义如下：

N

其中，全局寻优学习因子及局部寻优学习因子表达式如下：

e

步骤21b、对鸽群个体编码，由于任务数学模型为单任务离散模型，即无人机与目标一一对应，因而采用两个序列编码的形式对个体进行编码，即无人机出发序列vehicle及任务目标序列target。每一个鸽群个体都包含一组序列，表现为其位置信息X(k)；

步骤21c、改进后的鸽群第一阶段迭代公式如下：

V(k+1)＝e

X(k+1)＝X(k)+V(k+1)

相关参数及其含义如下：

rand

步骤21d、改进后的鸽群第二阶段迭代公式如下：

相关参数及其含义如下：

N

第二阶段每次迭代之后，鸽群数量都会减少一半，通过设定阈值将适应度值更优的个体保留，保留了鸽群的较优信息，同时提高了算法迭代效率，调整局部寻优因子C

步骤22中，对改进鸽群算法进行离散化。将标准鸽群算法的位置向量X(k)及速度向量V(k)的连续寻优过程改进为适配任务分配序列对象的序列交叉过程，达到对全局最优目标的学习，同时满足离散目标对象要求具体包括如下步骤：

22a、由于鸽群算法为连续性求解算法，任务分配问题为离散问题，因而对鸽群算法做针对性改进，将对连续变量位置向量X(k)与速度向量V(k)的求解过程转变为对任务序列target及vehicle的整数变化，实现对全局最优解及地标位置信息的学习迭代；

22b、由改进鸽群算法第一阶段更新公式可知，鸽群算法第一阶段的鸽群迭代主要为对全局最优解的全局寻优迭代，且随着迭代进行，地图罗盘算子e

(1)C

(2)e

22c、由改进鸽群算法第二阶段更新公式可知，鸽群算法第二阶段的迭代主要为快速收敛的地表信息学习迭代，即对第一阶段末期收敛的局部进行快速寻优，通过计算鸽群当前适应度中位值F

(1)对当前鸽群进行排序，得到适应度值由高到低的降序排列鸽群，同时计算当前鸽群数量的中位值N

(2)对当前的鸽群进行地标计算及局部寻优。结合实际问题，将当前鸽群的地标中心X

其中，N

通过上述计算得到三个迭代更新序列，对其适应度值进行计算、比较，得出适应度值最小的序列，将其输出。如果rand

步骤3中，对迭代寻优的最优序列进行解码、修正并输出最优分配方案具体包括如下步骤：

步骤31、将算法寻优输出的target目标任务序列及vehicle无人机出发序列进行解码，令其与具体任务一一对应，并数学化相关性能参数，输入检验修正环节。

步骤32、对输入检验环节无人机出发序列vehicle进行约束检验，检测当前序列的性能参数，判断是否满足任务约束要求。输出满足任务约束要求的序列，将不满足任务约束要求的序列输入修正环节。

步骤33、修正环节中对不满足任务要求的序列进行遍历，提取序列中的异常数组，修改，输出满足任务要求的数组。

步骤34、将检验修正环节输出的target、vehicle序列进行一对一解码，输出无人机具体任务分配结果。

步骤33中，修正环节中对不满足任务要求的序列进行遍历，提取序列中的异常数组，修改，输出满足任务要求的数组具体包括如下步骤：

步骤33a、定义修正过程存储数组：无人机出发序列正常数组A

步骤33b、对序列vehicle进行遍历，遍历约束为严格单任务出发机制，即任务序列中，一架无人机只能执行一个对应目标的任务，其公式表达如下：

sum(Vehicle＝＝i)＝1

即第i架无人机在无人机出发序列vehicle中只出现一次。根据此筛查公式，将满足该公式的无人机正常序列存储入无人机序列正常数组A

步骤33c、根据无人机序列正常数组地址id

步骤33d、由于目标任务与无人机为一一对应关系，因而异常数组A

步骤33e、按照提取的地址信息id

无人机信息及目标点信息初始化表格如表1-表3所示：

表1无人机信息表

表2目标点信息表

仿真结果如下：

任务序列：

vehicle：1 4 9 3 2 6 7 5 8 10

target：3 5 9 4 1 2 8 6 10 7

表3任务执行表

由图10和图11的仿真曲线可看出，鸽群迭代过程在第一阶段较快，快速收敛至一定范围内进行第二阶段的局部寻优，且结果满足模型约束条件，算法搜索速度快，对工程应用有很大价值。