CN107229285B - 无人机编队信息分发重规划方法、计算机可读存储介质 - Google Patents
无人机编队信息分发重规划方法、计算机可读存储介质 Download PDFInfo
- Publication number
- CN107229285B CN107229285B CN201710415126.9A CN201710415126A CN107229285B CN 107229285 B CN107229285 B CN 107229285B CN 201710415126 A CN201710415126 A CN 201710415126A CN 107229285 B CN107229285 B CN 107229285B
- Authority
- CN
- China
- Prior art keywords
- distributed
- information
- task information
- node
- task
- 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 71
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 17
- 210000000349 chromosome Anatomy 0.000 claims description 73
- 230000005540 biological transmission Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 24
- 108090000623 proteins and genes Proteins 0.000 claims description 20
- 230000035772 mutation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种无人机编队信息分发重规划方法、计算机可读存储介质和计算机设备,方法包括在无人机编队中调用重规划模型;对任务池中的待分发任务信息的属性初始化,得到初始解;对重规划模型进行求解,得到重规划方案;按照重规划方案对待分发任务信息进行分发与传递。本发明在无人机编队***的任务池中的四级任务信息被分发完成,或者,基于初始的信息分发预案,不包括四级任务信息的任务池中三级任务信息的收益之和大于扰动成本之和时,调用预先建立的重规划模型,利用重规划模型确定重规划方案,以保证任务池中优先级别较高的三级任务信息和二级任务信息的总收益最大,实现对任务池中待分发任务信息的合理安排。
Description
技术领域
本发明涉及无人机-有人机信息处理技术领域,尤其是涉及一种无人机编队信息分发重规划方法、计算机可读存储介质和计算机设备。
背景技术
在无人-有人机协同执行任务的过程中,在不同的阶段对所需要处理的信息类型、信息需求量,以及信息的本身的重要程度具有一定的差别,因此在对任务信息进行有效的分发与传递过程中,需要考虑任务信息可能具有不同的优先等级,例如强制性任务信息、重要级任务信息、一般级任务信息和低优先级任务信息。其中:
强制性任务信息是指因其本身的时序要求、重要程度或者在整个协同执行任务过程中起到关键作用的任务信息,需要在无人-有人机***中立即进行分发处理,是优先等级最高的任务信息。
重要级任务信息是指对整个协同过程具有重要影响、任务完成收益明显高于一般级和低优先级任务的任务信息,例如:侦察任务。在现代战争中战场侦察决定战争的走势,精准及时的战场信息能够左右战争的成败,由于无人机执行侦察任务具有无人员伤亡风险、部署灵活、响应及时等特点,备受各国关注,使侦察任务成为无人机当前最重要的任务模式之一。
一般级任务信息是指需求预测和指控中心发出的常规性任务指令,例如:空中预警任务。事先将无人机部署在靠近敌方的上空,再把无人机获得的信息通过通信链路传递给停在安全地带的有人机,再由有人机适时将信息传递给控制中心,进行拦截任务。
低优先级任务是指完成时间和是否执行对于这个协同过程效能影响不大的任务,例如日常巡航任务等。
在无人-有人机协同执行任务的过程中,不同阶段对任务的需求可能是变化的,事前的规划方案可能难以适应变化多端的任务环境,以及对强制性任务信息的优先分发与传递对原有的规划方案会有一定影响。在这样的情况下,需要对无人机编队内的信息分发方案进行重规划,使信息分发规划方案更加合理已经适应当前执行任务环境。
目前,在无人-有人机协同执行任务过程中,没有一种方案能够对任务池中待分发的任务信息进行合理的重规划安排,形成最优的信息分发与传递序列。
发明内容
(一)解决的技术问题
本发明提供一种无人机编队信息分发重规划方法及装置,可以解决现有技术中没有一种方案能够对无人机编队任务池中待分发的任务信息进行合理的重规划安排,形成最优的信息分发与传递序列。
(二)技术方案
第一方面,本发明提供的无人机编队信息分发重规划方法包括:
当任务池中的四级任务信息被分发完成,或者,基于初始的信息分发预案,不包括四级任务信息的任务池中三级任务信息的收益之和大于扰动成本之和时,调用预先建立的重规划模型;所述重规划模型的优化目标为在预设约束条件下最大化任务池中的三级任务信息和二级任务信息的总收益;
采用编码方法对任务池中的待分发任务信息的分发与传递属性初始化,得到初始解;
基于所述初始解,采用遗传算法对所述重规划模型进行求解,得到对所述待分发任务信息分发与传递的重规划方案;
按照所述重规划方案对所述待分发任务信息进行分发与传递;
其中,所述四级任务信息、所述三级任务信息和所述二级任务信息的重要程度依次降低,且所述四级任务信息为强制性任务信息。
可选的,所述初始的信息分发预案为以最大化不包括四级任务信息的任务池中各个待分发任务信息的权重值之和为目标而建立的分发方案。
可选的,所述采用编码方法对任务池中的待分发任务信息的分发与传递属性初始化,得到初始解,包括:
采用编码方法将所述重规划模型的解编码为染色体,所述染色体上包括与任务池中待分发任务信息一一对应的基因;
将染色体上每个基因的第一标识置为1,置为1的第一标识表征该基因对应的待分发任务信息为可被分发与传递;
获取各个待分发任务信息的宿节点、优先级值、收益值和扰动成本值,并针对每一个待分发任务信息随机生成一个与其宿节点不同的源节点;
判断各个待分发任务信息是否需要转发;对于需要转发的待分发任务信息,随机生成多个不同的转发节点,形成转发路径;对于不需要转发的待分发任务信息,将其转发节点置为-1;
读取各个待分发任务信息的时间窗;对于每一个待分发任务信息,在所述时间窗内随机生成一个时刻点,并将该时刻点作为该待分发任务信息到达所述宿节点的时刻;对于需要转发的待分发任务信息,根据转发路径推算出待分发任务信息到达各个转发节点的时刻以及从源节点发出的时刻;对于不需要转发的待分发任务信息,推算出待分发任务信息从源节点发出的时刻,并将各个转发节点的转发时刻置为-1;
将每个待分发任务信息的第一标识、源节点、转发节点、宿节点、从源节点发出的时刻、到达各个转发节点的时刻、到达所述宿节点的时刻、优先级值、收益值以及扰动成本值作为该待分发任务信息的分发与传递属性,各个待分发任务信息的分发与传递属性形成初始解。
可选的,所述采用遗传算法对所述重规划模型进行求解,包括:
S1、设置迭代次数k的初始值为1;
S2、将所述重规划模型的目标函数为适应度函数,计算初始种群中染色体的适应度函数值;
S3、采用轮盘赌选择法从父代群体中选择中适应度函数值最高的预设数量的染色体遗传到子代群体中;
S4、对种群中的染色体进行两两单点交叉操作;
S5、对交叉操作得到的染色体进行重置变异处理;
S6、对重置变异处理得到的染色体进行更新操作,具体为将子代群体中适应度最低的第一预设数量的染色体和子代群体中适应度最低的第二预设数量的染色体组合,形成新的种群;
S7、判断当前的迭代次数是否达到预设的最大迭代次数kmax;
若是,则将最后一次迭代过程中得到的新的种群对应的解作为所述重规划方案;
否则,将所述新的种群作为初始种群,迭代次数加1,并返回S2。
可选的,在所述对重置变异处理得到的染色体进行更新操作之前,所述方法还包括:对重置变异处理后的染色体上基因对应的分发与传递属性是否满足所述预设约束条件;若是,则执行所述更新操作;否则,对重置变异处理后染色体的适应度函数值进行调整后执行所述更新操作。
可选的,所述对交叉操作得到的染色体进行重置变异处理,包括:生成一个介于0和1之间的随机数,若所述随机数小于预设的变异概率,则根据所述初始解的生成方法生成一条染色体;在子代群体中随机选择一条染色体,并用根据所述初始解的生成的染色体替代随机选择的染色体,其他染色体保持不变。
可选的,所述重规划模型的目标函数为:
式中,Z为任务池中的三级任务信息和二级任务信息的总收益;t表示任意一个待分发信息;Tb表示三级任务信息集合;Tc表二级任务信息集合;决策变量取1或0,取1表示待分发信息t从节点i发送到节点j,取0表示待分发信息t不从节点i发送到节点j;Ht表示完成待分发信息t的任务后可获得的收益。
可选的,所述预设约束条件包括:
ETt≤lt,t∈T
ETt≥et,t∈T
ETt-STt≤D,t∈T
式中,ETt表示待分发信息t实际到达信息宿的时刻;STt表示待分发信息t从信息源实际开始分发时刻;V={1,2,…,m}表示通信网络拓扑中节点集合,m表示通信网络拓扑总节点数;表示待分发信息t从节点i传递到节点j发生的传输时延;表示待分发信息t从节点i传递到节点j发生的传播时延;T为待分发任务信息集合,该集合中不包括四级任务信息;lt表示待分发信息t最迟到达信息宿的时间;et表示待分发信息t最早信息宿到达时间;D表示通信网络拓扑中可接受的最大时延;TWt表示待分发信息t所需要的带宽;NWij表示通信网络拓扑中有向边<i,j>所能承受的最大带宽;Bv表示节点v所能提供的最大数据量,v表示通信网络拓扑中的任一节点,v∈V;决策变量取1或0,其中,取1表示待分发信息t从节点i发送到节点j,取0表示待分发信息t不从节点i发送到节点j;Ta表示四级任务信息。
第二方面,本发明提供的计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述方法的步骤。
第三方面,本发明提供的计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述方法的步骤。
(三)有益效果
本发明提供的无人机编队信息分发重规划方法、计算机可读存储介质和计算机设备,当无人机编队***的任务池中的四级任务信息被分发完成,或者,基于初始的信息分发预案,不包括四级任务信息的任务池中三级任务信息的收益之和大于扰动成本之和时,调用预先建立的重规划模型,利用重规划模型确定重规划方案,以保证任务池中优先级别较高的三级任务信息和二级任务信息的总收益最大,实现对任务池中待分发任务信息的合理安排,形成最优的信息分发与传递序列。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本公开的一些实施例,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,还可以根据这些图获得其他的附图。
图1示出了本发明一实施例中一条由5个基因构成的染色体的示意图;
图2示出了本发明一实施例中无人机编队信息分发重规划方法的部分流程示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
第一方面,本发明提供一种无人机编队信息分发重规划方法,该方法包括:
A、当任务池中的四级任务信息被分发完成,或者,基于初始的信息分发预案,不包括四级任务信息的任务池中三级任务信息的收益之和大于扰动成本之和时,调用预先建立的重规划模型;所述重规划模型的优化目标为在预设约束条件下最大化任务池中的三级任务信息和二级任务信息的总收益;
其中,所述四级任务信息、所述三级任务信息和所述二级任务信息的重要程度依次降低,且所述四级任务信息为强制性任务信息。
可理解的是,对于不包括四级任务信息的任务池,会设置一个初始的分发预案,如果在按照该分发预案对任务信息进行分发的过程中任务池接收到了四级任务信息,此时会暂停任务分发,而是对四级任务信息立即进行分发,当四级任务信息被分发完成后,需要对任务池中未被分发的任务信息继续进行分发,此时可以调用重规划模型,对未被分发的任务信息设计分发方案,即重规划方案。如果根据初始的分发预案,确定三级任务信息的收益之和大于扰动成本之和,此时也调用重规划模型,对任务池中的任务信息的分发设计分发方案,即重规划方案。以上为调用重规划模型的两个触发条件。
可理解的是,三级任务信息为重要级任务信息,二级任务信息为一般级任务信息。当然任务池中还可能包括一级任务信息,一级任务信息为低优先级任务。四级任务信息、三级任务信息、二级任务信息和一级任务信息的重要程度依次降低,优先级别依次降低。
B、采用编码方法对任务池中的待分发任务信息的分发与传递属性初始化,得到初始解;
C、基于所述初始解,采用遗传算法对所述重规划模型进行求解,得到对所述待分发任务信息分发与传递的重规划方案;
D、按照所述重规划方案对所述待分发任务信息进行分发与传递。
本发明提供的无人机编队信息分发重规划方法,当任务池中的四级任务信息被分发完成,或者,基于初始的信息分发预案,不包括四级任务信息的任务池中三级任务信息的收益之和大于扰动成本之和时,调用预先建立的重规划模型,利用重规划模型确定重规划方案,以保证任务池中优先级别较高的三级任务信息和二级任务信息的总收益最大,实现对任务池中待分发任务信息的合理安排,形成最优的信息分发与传递序列。
为了清楚表述,下面对各式中涉及到的公式参数进行说明:
本文用有向图G(V,E,W)来表示无人机/有人机之间所有可用的通信网络拓扑,将无人机/有人机描述为通信网络拓扑中的节点,具体模型参数如下:
V={1,2,…,m}表示通信网络拓扑中节点集合,m表示通信网络拓扑总节点数。
E={<i,j>|i,j∈V,i≠j}表示有向边集合,其中<i,j>表示通信网络拓扑中节点i到节点j的有向边;
W={wij|i,j∈V}表示图中每条有向边的权值集合,其中wij表示节点i到节点j之间的欧式距离。
Bv表示节点v所能提供的最大数据量,其中,v表示通信网络拓扑中的任一节点,v∈V;
T表示待分发信息集合,n表示集合中元素的个数,t表示任意一个待分发信息,t∈T;其中Ta表示强制性任务信息,Tb表示重要级信息,Tc表示一般级信息,Td表示低优先级信息;
[et,lt]表示待分发信息t需要在此时间窗内到达信息宿,et表示最早到达时间,lt表示最迟到达时间;
STt表示待分发信息t从信息源实际开始分发时刻,ETt表示待分发信息t实际到达信息宿的时刻;
SNt表示待分发信息t的实际信息源,ENt表示需要接收待分发信息t的信息宿;
D表示通信网络拓扑中可接受的最大时延;
TWt表示待分发信息t所需要的带宽;
NWij表示通信网络拓扑中有向边<i,j>所能承受的最大带宽;
Pt表示待分发信息t的优先级,Pt=1表示低优先级任务,Pt=2表示一般级任务,Pt=3表示重要级任务,Pt=4表示中断级任务;
Ht表示完成待分发信息t的任务后可获得的收益;
Gt表示待分发信息t的权重值;
Ct表示待分发信息t的可能产生的扰动成本;
在具体实施是,步骤A中重规划模型的目标函数和约束条件可以根据需要设置,例如:
重规划模型的目标函数为:
式中,Z为任务池中的三级任务信息和二级任务信息的总收益。
预设约束条件包括时间窗约束、时延约束、带宽约束、信源约束、访问唯一性约束等,其中所谓的时间窗约束为强制性任务信息需在预设时间窗内完成分发传递,时延约束为所述强制性任务信息的传输时延和传播时延均不超过通信网络拓扑的最大时延,带宽约束为通信链路中同时能够传递的强制性任务信息数据量之和不超出通信网络拓扑所能承受的最大带宽,信源约束为信息源发出的强制性任务信息数据量不超出信息源的供应能力,访问唯一性约束为每个强制性任务信息只有一个信息源、每个强制性任务信息只有一个信息宿、任意一个节点转发同一个强制性任务信息的次数小于等于1。当然,约束条件还包括任务池中没有强制性任务信息。
上述约束条件可以用以下公式表示:
ETt≤lt,t∈T
ETt≥et,t∈T
ETt-STt≤D,t∈T
在上式中的各个参量的含义已在上文中详细说明。
在具体实施时,初始的分发预案的设计标准可以根据实际情况选择,例如,初始的信息分发预案为以最大化不包括四级任务信息的任务池中各个待分发任务信息的权重值之和为目标而建立的分发方案。
在具体实施时,上述步骤B中采用编码方法对任务池中的待分发任务信息的分发与传递属性初始化得到初始解的具体过程可以包括:
B1、采用编码方法将所述重规划模型的解编码为染色体,所述染色体上包括与任务池中待分发任务信息一一对应的基因;
可理解的是,待分发任务信息的数量与染色体上基因的个数相同,一个基因对应一条待分发任务信息。
举例来说,将待分发信息的数量n作染色体内基因的数量,基因采用多元组的方式进行编码,m表示通信网络拓扑中的节点总数量,基本的编码方式如下:
Gene=(Flag,Node1,Node2,...,Nodem,Time1,Time2,…,Timem,Priority,Profit,Cost)
其中,Flag表示待分发信息是否可被分发,Node1,Node2,...Nodem表示待分发信息转发时经过的节点,Node1表示待分发信息的信息源,Nodem表示待分发信息的信息宿,Time1,Time2,…,Timem表示待分发信息在对应节点的转发时间,Time1表示待分发信息从信息源开始分发时刻,Timem表示待分发信息际到达信息宿的时刻;Priority表示待分发任务信息的优先级别,Profit表示完成待分发任务信息的分发与传递之后可以获得的利益;Cost表示未完成的待分发任务信息的分发与传递任务所产生的扰动成本。
B2、将染色体上每个基因的第一标识置为1,置为1的第一标识表征该基因对应的待分发任务信息为可被分发与传递;
可理解的是,这里的第一标识即为上述的Flag,将第一标识置为1标识对应的待分发任务信息可以被分配和传递。
B3、获取各个待分发任务信息的宿节点、优先级值、收益值和扰动成本值,并针对每一个待分发任务信息随机生成一个与其宿节点不同的源节点;
可理解的是,由于宿节点与源节点不同,因此Node1≠Nodem。
B4、判断各个待分发任务信息是否需要转发;对于需要转发的待分发任务信息,随机生成多个不同的转发节点,形成转发路径;对于不需要转发的待分发任务信息,将其转发节点置为-1;
可理解的是,对于不需要转发的待分发任务信息,令Node2=Node3=…=Nodem-1=-1。
可理解的是,对于需要转发的待分发任务信息,随机转发次数c<=m-2,将随机生成的c个转发节点的编号记录至Node2…,Nodem-1,且保证Node1≠Node2≠…≠Nodem。
B5、读取各个待分发任务信息的时间窗;对于每一个待分发任务信息,在所述时间窗内随机生成一个时刻点,并将该时刻点作为该待分发任务信息到达所述宿节点的时刻;对于需要转发的待分发任务信息,根据转发路径推算出待分发任务信息到达各个转发节点的时刻以及从源节点发出的时刻;对于不需要转发的待分发任务信息,推算出待分发任务信息从源节点发出的时刻,并将各个转发节点的转发时刻置为-1;
B6、将每个待分发任务信息的第一标识、源节点、转发节点、宿节点、从源节点发出的时刻、到达各个转发节点的时刻、到达所述宿节点的时刻、优先级值、收益值以及扰动成本值作为该待分发任务信息的分发与传递属性,各个待分发任务信息的分发与传递属性形成初始解。
举例来说,如图1所示,由5个基因形成一个染色体,以第一个基因为例,(1,1,-1,2,9.5,-1,12.5,3,10,5)表示第一个待分发信息优先级别为3,从编号为1的信息源发往编号为2的信息宿,中间不经过转发。发送时间为第9.5秒到达时间为第12.5秒。完成分发与传递后获得的收益为10,若任务未完成,需要支付的扰动成本为5。
在具体实施时,如图2所示,上述步骤C中采用遗传算法对所述重规划模型进行求解的具体过程可以包括:
S1、设置迭代次数k的初始值为1;
S2、将所述重规划模型的目标函数为适应度函数,计算初始种群中染色体的适应度函数值;
S3、采用轮盘赌选择法从父代群体中选择中适应度函数值最高的预设数量的染色体遗传到子代群体中;
可理解的是,所谓的轮盘赌选择法的基本思想是:各染色体被选中的概率与其适应度函数值大小成正比。根据适应度函数计算出染色体的适应度函数值fitness,计算染色体个体在种群的个体的适应度总和所占的比例relativefitness=fitness./sum(fitness),即为被选中遗传至下一代的概率,比值越大,则被选择遗传至下一代的概率就越大。
S4、对种群中的染色体进行两两单点交叉操作;
可理解的是,采用单点交叉方式,即随机产生一个交叉点,依次将种群中相邻两个染色***于该点后的部分进行相互交换,生成两个新的染色体。
S5、对交叉操作得到的染色体进行重置变异处理;
S6、对重置变异处理得到的染色体进行更新操作,具体为将子代群体中适应度最低的第一预设数量的染色体和子代群体中适应度最低的第二预设数量的染色体组合,形成新的种群;
举例来说,对变异后的子代群体按适应度值的升序进行排列,取出前SonNum个染色体,对父代群体按适应度值的降序进行排列,取出后FatherNum个染色体,组成新的种群。
S7、判断当前的迭代次数是否达到预设的最大迭代次数kmax;
若是,则将最后一次迭代过程中得到的新的种群对应的解作为所述重规划方案;
否则,将所述新的种群作为初始种群,迭代次数加1,并返回S2。
这里,通过对染色体进行选择、交叉、变异等操作,将得到的染色体作为重规划方案。上述过程为一个迭代过程,只有迭代次数达到预设迭代次数,才会退出,系那个最后一次迭代过程中新的种群对应的解作为重规划方案。
在具体实施时,在S6中对重置变异处理得到的染色体进行更新操作之前,所述方法还包括:
对重置变异处理后的染色体上基因对应的分发与传递属性是否满足所述预设约束条件;
若是,则执行所述更新操作;
否则,对重置变异处理后染色体的适应度函数值进行调整后执行所述更新操作。
考虑到待分发信息需要满足通信网络拓扑的带宽、时延、时间窗和信息源等约束,因此这里还对染色体进行约束校验。对于未能通过约束校验的染色体,在其适应度函数值上按需增加或减去惩罚因子,使其适应度函数值变小或变大,在选择操作中以去除不满足给定约束的染色体。
在具体实施时,上述S5中对交叉操作得到的染色体进行重置变异处理的具体过程可以包括:
生成一个介于0和1之间的随机数,若所述随机数小于预设的变异概率,则根据所述初始解的生成方法生成一条染色体Newchrom;
其中,预设的变异概率在0和1之间。
生成一个介于0和1之间的随机数,若所述随机数小于预设的变异概率,则根据所述初始解的生成方法生成一条染色体Newchrom;
第二方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述方法的步骤。
第三方面,本发明还提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述方法的步骤。
可理解的是,本发明提供的计算机可读存储介质、计算机设备的有益效果与本发明提供的无人机编队信息分发重规划方法的有益效果相同,这里不再赘述。
综上所述,本发明提供的无人机编队信息分发重规划方法、计算机可读存储介质和计算机设备,当任务池中的四级任务信息被分发完成,或者,基于初始的信息分发预案,不包括四级任务信息的任务池中三级任务信息的收益之和大于扰动成本之和时,调用预先建立的重规划模型,利用重规划模型确定重规划方案,以保证任务池中优先级别较高的三级任务信息和二级任务信息的总收益最大,实现对任务池中待分发任务信息的合理安排,形成最优的信息分发与传递序列。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (9)
1.一种无人机编队信息分发重规划方法,其特征在于,包括:
当任务池中的四级任务信息被分发完成,或者,基于初始的信息分发预案,不包括四级任务信息的任务池中三级任务信息的收益之和大于扰动成本之和时,调用预先建立的重规划模型;所述重规划模型的优化目标为在预设约束条件下最大化任务池中的三级任务信息和二级任务信息的总收益;
采用编码方法对任务池中的待分发任务信息的分发与传递属性初始化,得到初始解;
基于所述初始解,采用遗传算法对所述重规划模型进行求解,得到对所述待分发任务信息分发与传递的重规划方案;
按照所述重规划方案对所述待分发任务信息进行分发与传递;
其中,所述四级任务信息、所述三级任务信息和所述二级任务信息的重要程度依次降低,且所述四级任务信息为强制性任务信息;
其中,得到初始解的方法包括:
采用编码方法将所述重规划模型的解编码为染色体,所述染色体上包括与任务池中待分发任务信息一一对应的基因;
将染色体上每个基因的第一标识置为1,置为1的第一标识表征该基因对应的待分发任务信息为可被分发与传递;
获取各个待分发任务信息的宿节点、优先级值、收益值和扰动成本值,并针对每一个待分发任务信息随机生成一个与其宿节点不同的源节点;
判断各个待分发任务信息是否需要转发;对于需要转发的待分发任务信息,随机生成多个不同的转发节点,形成转发路径;对于不需要转发的待分发任务信息,将其转发节点置为-1;
读取各个待分发任务信息的时间窗;对于每一个待分发任务信息,在所述时间窗内随机生成一个时刻点,并将该时刻点作为该待分发任务信息到达所述宿节点的时刻;对于需要转发的待分发任务信息,根据转发路径推算出待分发任务信息到达各个转发节点的时刻以及从源节点发出的时刻;对于不需要转发的待分发任务信息,推算出待分发任务信息从源节点发出的时刻,并将各个转发节点的转发时刻置为-1;
将每个待分发任务信息的第一标识、源节点、转发节点、宿节点、从源节点发出的时刻、到达各个转发节点的时刻、到达所述宿节点的时刻、优先级值、收益值以及扰动成本值作为该待分发任务信息的分发与传递属性,各个待分发任务信息的分发与传递属性形成初始解。
2.根据权利要求1所述的方法,其特征在于,所述初始的信息分发预案为以最大化不包括四级任务信息的任务池中各个待分发任务信息的权重值之和为目标而建立的分发方案。
3.根据权利要求1所述的方法,其特征在于,所述采用遗传算法对所述重规划模型进行求解,包括:
S1、设置迭代次数k的初始值为1;
S2、将所述重规划模型的目标函数为适应度函数,计算初始种群中染色体的适应度函数值;
S3、采用轮盘赌选择法从父代群体中选择中适应度函数值最高的预设数量的染色体遗传到子代群体中;
S4、对种群中的染色体进行两两单点交叉操作;
S5、对交叉操作得到的染色体进行重置变异处理;
S6、对重置变异处理得到的染色体进行更新操作,具体为将子代群体中适应度最低的第一预设数量的染色体和子代群体中适应度最低的第二预设数量的染色体组合,形成新的种群;
S7、判断当前的迭代次数是否达到预设的最大迭代次数kmax;
若是,则将最后一次迭代过程中得到的新的种群对应的解作为所述重规划方案;
否则,将所述新的种群作为初始种群,迭代次数加1,并返回S2。
4.根据权利要求3所述的方法,其特征在于,在所述对重置变异处理得到的染色体进行更新操作之前,所述方法还包括:对重置变异处理后的染色体上基因对应的分发与传递属性是否满足所述预设约束条件;若是,则执行所述更新操作;否则,对重置变异处理后染色体的适应度函数值进行调整后执行所述更新操作。
5.根据权利要求3所述的方法,其特征在于,所述对交叉操作得到的染色体进行重置变异处理,包括:生成一个介于0和1之间的随机数,若所述随机数小于预设的变异概率,则根据所述初始解的生成方法生成一条染色体;在子代群体中随机选择一条染色体,并用根据所述初始解的生成的染色体替代随机选择的染色体,其他染色体保持不变。
7.根据权利要求1~5任一所述的方法,其特征在于,所述预设约束条件包括:
ETt≤lt,t∈T
ETt≥et,t∈T
ETt-STt≤D,t∈T
式中,ETt表示待分发信息t实际到达信息宿的时刻;STt表示待分发信息t从信息源实际开始分发时刻;V={1,2,…,m}表示通信网络拓扑中节点集合,m表示通信网络拓扑总节点数;表示待分发信息t从节点i传递到节点j发生的传输时延;表示待分发信息t从节点i传递到节点j发生的传播时延;T为待分发任务信息集合,该集合中不包括四级任务信息;lt表示待分发信息t最迟到达信息宿的时间;et表示待分发信息t最早信息宿到达时间;D表示通信网络拓扑中可接受的最大时延;TWt表示待分发信息t所需要的带宽;NWij表示通信网络拓扑中有向边<i,j>所能承受的最大带宽;Bv表示节点v所能提供的最大数据量,v表示通信网络拓扑中的任一节点,v∈V;决策变量取1或0,其中,取1表示待分发信息t从节点i发送到节点j,取0表示待分发信息t不从节点i发送到节点j;Ta表示四级任务信息。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~7任一所述方法的步骤。
9.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710415126.9A CN107229285B (zh) | 2017-06-05 | 2017-06-05 | 无人机编队信息分发重规划方法、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710415126.9A CN107229285B (zh) | 2017-06-05 | 2017-06-05 | 无人机编队信息分发重规划方法、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107229285A CN107229285A (zh) | 2017-10-03 |
CN107229285B true CN107229285B (zh) | 2020-03-31 |
Family
ID=59934714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710415126.9A Active CN107229285B (zh) | 2017-06-05 | 2017-06-05 | 无人机编队信息分发重规划方法、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107229285B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108398958B (zh) * | 2018-03-14 | 2021-04-23 | 广州亿航智能技术有限公司 | 无人机编队路径匹配方法、装置和储存介质 |
CN111104561B (zh) * | 2019-11-05 | 2022-09-27 | 合肥工业大学 | 启发式的无人平台信息感知网络拓扑生成方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286071A (zh) * | 2008-04-24 | 2008-10-15 | 北京航空航天大学 | 基于微粒群优化和遗传算法的多无人机三维编队重构方法 |
CN102298329A (zh) * | 2011-08-19 | 2011-12-28 | 北京航空航天大学 | 一种基于自适应遗传算法的小型无人旋翼机动力学模型辨识方法 |
CN104359473A (zh) * | 2014-10-24 | 2015-02-18 | 南京航空航天大学 | 一种动态环境下无人机编队飞行的协同航迹智能规划方法 |
US9056679B1 (en) * | 2013-08-13 | 2015-06-16 | The United States Of America As Represented By The Secretary Of The Navy | System and method for airborne deployment of object designed for waterborne task |
CN105223964A (zh) * | 2015-09-28 | 2016-01-06 | 沈阳航空航天大学 | 一种用于无人机编队飞行的控制*** |
KR20160082627A (ko) * | 2014-12-26 | 2016-07-08 | 서울대학교산학협력단 | 무인기의 시장기반 분산형 임무 할당 방법 및 이를 수행하기 위한 프로그램이 기록된 기록매체 |
-
2017
- 2017-06-05 CN CN201710415126.9A patent/CN107229285B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286071A (zh) * | 2008-04-24 | 2008-10-15 | 北京航空航天大学 | 基于微粒群优化和遗传算法的多无人机三维编队重构方法 |
CN102298329A (zh) * | 2011-08-19 | 2011-12-28 | 北京航空航天大学 | 一种基于自适应遗传算法的小型无人旋翼机动力学模型辨识方法 |
US9056679B1 (en) * | 2013-08-13 | 2015-06-16 | The United States Of America As Represented By The Secretary Of The Navy | System and method for airborne deployment of object designed for waterborne task |
CN104359473A (zh) * | 2014-10-24 | 2015-02-18 | 南京航空航天大学 | 一种动态环境下无人机编队飞行的协同航迹智能规划方法 |
KR20160082627A (ko) * | 2014-12-26 | 2016-07-08 | 서울대학교산학협력단 | 무인기의 시장기반 분산형 임무 할당 방법 및 이를 수행하기 위한 프로그램이 기록된 기록매체 |
CN105223964A (zh) * | 2015-09-28 | 2016-01-06 | 沈阳航空航天大学 | 一种用于无人机编队飞行的控制*** |
Non-Patent Citations (4)
Title |
---|
Task Assignment for Multi-UAV under Severe Uncertainty by Using Stochastic Multicriteria Acceptability Analysis;Hu, Xiaoxuan .et;《MATHEMATICAL PROBLEMS IN ENGINEERING》;HINDAWI PUBLISHING CORPORATION;20150831;第1-12页 * |
动态环境下多UCAV分布式在线协同任务规划技术研究;苏菲;《中国博士学位论文全文数据库工程科技Ⅱ辑》;同方知网技术有限公司;20141015;第1-174页 * |
基于Agent的多无人机任务分配模型;罗贺等;《火力与指挥控制》;20140715;第 39 卷(第 7 期);第22-26页 * |
基于遗传算法的无人机航迹规划研究;张延松;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;同方知网技术有限公司;20110215;第1-53页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107229285A (zh) | 2017-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107168366B (zh) | 无人机编队自适应信息分发处理方法 | |
CN109544998B (zh) | 一种基于分布估计算法的航班时隙分配多目标优化方法 | |
CN113128761A (zh) | 一种基于遗传算法的弹性供应链网络优化方法 | |
CN109451012B (zh) | 一种端云协同负载均衡调度方法、***及存储介质 | |
CN105260785B (zh) | 一种基于改进布谷鸟算法的物流配送车辆路径优化方法 | |
CN107229285B (zh) | 无人机编队信息分发重规划方法、计算机可读存储介质 | |
Bahmani-Firouzi et al. | Scenario-based optimal bidding strategies of GENCOs in the incomplete information electricity market using a new improved prey—predator optimization algorithm | |
CN116166048B (zh) | 一种无人机群容错任务规划方法 | |
CN110503225B (zh) | 一种订单派单配送方法 | |
Zheng et al. | Supply-demand-aware deep reinforcement learning for dynamic fleet management | |
CN107203221B (zh) | 无人机和有人机混合编队内的在线信息分发方法和装置 | |
CN106980324B (zh) | 无人机编队动态自适应信息分发处理方法 | |
CN107168365B (zh) | 无人-有人机编队信息动态分发处理方法 | |
Qu et al. | Dynamic scheduling in modern processing systems using expert-guided distributed reinforcement learning | |
Xiao-Ting et al. | Flight path planning based on an improved genetic algorithm | |
CN107247461B (zh) | 考虑突发干扰的无人-有人机编队信息分发处理方法 | |
CN107229286B (zh) | 考虑人工干预的无人-有人机编队信息分发处理方法 | |
Rajeswary | A survey on efficient evolutionary algorithms for web service selection | |
CN114021914A (zh) | 一种无人机集群飞防调度方法及装置 | |
Dornberger et al. | Optimization of the picking sequence of an automated storage and retrieval system (AS/RS) | |
Żychowski et al. | A generic metaheuristic approach to sequential security games | |
CN114638145A (zh) | 一种基于粒子群算法多目标优化保障装备预留算法 | |
Pan et al. | A novel differential evolution approach to scheduling the freight trains in intervals of passenger trains | |
Ataka et al. | Optimal Design of Two‐stage Logistics Network Considered Inventory by Boltzmann Random Key‐based GA | |
Yen et al. | A multiobjective particle swarm optimizer for constrained optimization |
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 |