CN111191840B - 基于离散粒子群优化算法的多无人机动平台任务分配方法 - Google Patents

Abstract

本发明涉及无人机动平台任务分配技术领域，提供一种基于离散粒子群优化算法的多无人机动平台任务分配方法。首先获取每个无人机动平台及任务目标的位置；然后，通过对粒子的编码将任务分配方案映射为粒子，并随机生成初始粒子；接着综合考虑无人机动平台的自身能力、任务收益代价、路程代价、协同约束等因素构建多无人机动平台任务分配的适应度函数；接着采用变异算子和交叉算子实现粒子对极优值的学***台任务分配的效率。

Description

基于离散粒子群优化算法的多无人机动平台任务分配方法

技术领域

本发明涉及无人机动平台任务分配技术领域，特别是涉及一种基于离散粒子群优化算法的多无人机动平台任务分配方法。

背景技术

无人机动平台指能与环境感知交互、自主行驶并进行承载装备或人员(不搭载驾驶员)的移动机器设备。无人机动平台具有自主性强、荷载能力强、续航时间长、隐蔽性好、机动性高等特点，被广泛应用于民用和军用领域。任务分配根据既定任务设定约束条件，并结合数据进行评估，设计团队以最小代价完成最大收益的分配方案。任务分配减轻了决策人员和操纵人员的负担，能极大提高任务执行成功概率并降低成本，是多无人机动平台协同执行任务的基础。

近年来，已有部分研究开始关注多无人机动平台中任务分配方法的问题。目前研究无人机动平台任务分配时一般考虑多无人机动平台执行单个任务和多无人机动平台执行多个任务时的情况，通过对无人机动平台任务分配***进行分析，建立与之对应的数学模型，然后根据约束条件来求解实际问题。针对单任务与多任务两种情况已提出许多基于经典问题的任务分配模型。无人机动平台单任务分配的数学模型主要有：车辆路径问题模型；多旅行商问题模型；动态网络流优化模型；多无人机动平台协同任务分配模型。

针对多无人机动平台任务分配问题模型的优化求解算法，现阶段研究成果主要包括最优化方法、聚类法、合同网方法和启发式方法。最优化方法将任务分配问题简化为数学模型，在多项式时间内获得任务分配方案，常用的方法有全排列、分支定界和匈牙利算法等；该类方法在小规模的任务分配问题下，可以得到最优解，但随着任务数量的增大，计算量呈指数型增长，算法耗费时间长，所以不适用于大规模任务规划问题。聚类法以任务的距离作为度量将全局任务分成几类子任务集，常见的方法有K-Means聚类；该类方法在求解大规模任务分配问题上具有良好的效果，但该类方法无法满足任务分配的多约束条件，无法实现多无人机动平台之间的协商。合同网方法通过将代价过大的任务进行招标，从而转移给其他个体的方式实现任务分配；该方法实现了无人机动平台之间分布式的任务分配，但整体效率低；另外，该算法要求个体能够互相通信，对网络环境的要求高。启发式方法综合考虑分配效果和计算时间，求得近优解，具有性能优越、实时性好的特点，常用的方法有粒子群算法、神经网络等。该方法解决了复杂模型带来的计算效率差的问题，但粒子在速度和位置的更新方式上具有连续的性质，不适合求解多无人机动平台任务分配这类离散域问题。

目前常用任务分配方法在求解问题时，无法在时间上和全局最优解上取得令人满意的效果，并且对于大规模任务分配问题，会出现数据冗余程度大、求解效率低、实时性差的问题。

发明内容

针对现有技术存在的问题，本发明提供一种基于离散粒子群优化算法的多无人机动平台任务分配方法，能够提高多无人机动平台任务分配的效率。

本发明的技术方案为：

一种基于离散粒子群优化算法的多无人机动平台任务分配方法，其特征在于，包括下述步骤：

步骤1：获取无人机动平台的总数n、第i个无人机动平台的位置任务目标的总数m、第j个任务目标的位置/>其中，i＝1,2,...,n，j＝1,2,...,m；

步骤2：初始化更新次数t＝0，设定最大更新次数为T；

步骤3：将一种任务分配方案映射为一个粒子，随机生成K个初始粒子为{X₁(t),X₂(t),...,X_k(t),...,X_K(t)}；其中，X_k(t)为第t次更新中的第k个粒子，k∈{1,2,...,K}，X_k(t)＝(x_k1(t),x_k2(t),...,x_kj(t),...,x_km(t))，x_kj(t)∈{1,2,...,i,...,n}，x_kj(t)表示在粒子X_k(t)中第x_kj(t)个无人机动平台执行第j个任务；

步骤4：构建适应度函数为

f(X_k(t))＝e₁·f₁(X_k(t))+e₂·f₂(X_k(t))

s.t C₁,C₂,C₃

其中，f(X_k(t))为粒子X_k(t)的适应度函数值；e₁、e₂均为修正系数；

f₁(X_k(t))为粒子X_k(t)的任务收益代价

f₁(X_k(t))＝1-P_v(X_k(t))

其中，P_v(X_k(t))为粒子X_k(t)的任务收益

其中，P_i为第i个无人机动平台的任务执行效率，V_j为第j个任务的价值；a_k-ij为决策变量，当粒子X_k(t)中第i个无人机动平台执行第j个任务时a_k-ij＝1，当粒子X_k(t)中第i个无人机动平台不执行第j个任务时a_k-ij＝0；V_max为所有任务的最大价值，V_max＝max{V₁,V₂,...,V_j,...,V_m}；

f₂(X_k(t))为粒子X_k(t)的路程代价

其中，D_i为第i个无人机动平台的最大行驶距离，d_ij为第i个无人机动平台与第j个任务目标间的距离，

C₁、C₂、C₃为多无人机动平台协同执行任务的约束条件：

约束C₁：任意一个任务只能被执行一次：

约束C₂：无人机动平台路径长约束：

约束C₃：无人机动平台最大执行任务数量约束：

其中，r_i为第i个无人机动平台最多完成的任务数量；

步骤5：更新所有粒子，得到K个更新后的粒子{X₁(t+1),X₂(t+1),...,X_k(t+1),...,X_K(t+1)}；

步骤6：计算所有更新后的粒子的适应度值{f(X₁(t+1)),f(X₂(t+1)),...,f(X_k(t+1)),...,f(X_K(t+1))}；

步骤7：进一步更新所有粒子，得到进一步更新后的第k∈{1,2,...,K}个粒子为

步骤8：更新个体最优值为

其中，p_k(t)为个体最优值，即单个粒子所经历过的最好位置，p_k(t)＝argmin{f(X_k(0)),f(X_k(1)),…,f(X_k(t))}；

步骤9：更新全局最优值为

步骤10：令t＝t+1，若t＜T则转至步骤5，若t≥T则执行步骤11；

步骤11：输出全局最优值为最佳任务分配方案。

进一步地，所述步骤5中，更新所有粒子，得到第k∈{1,2,...,K}个更新后的粒子为

其中，ω_p为个体变异因子，l₁为个体学习因子，l₂为群体学习因子；

F₁(X_k(t))为粒子X_k(t)的个体变异函数值，

其中，r、s为从{1,2,...,K}中随机选取的两个数，r≠s≠k；

设ψ_k(t)为临时变量，

其中，k₁为区间[0,1]上的一个随机数；

F₂(ψ_k(t),p_k(t))为粒子对个体极值的学习操作：在{1,2,...,m}中随机选取两个不同的数a和b，将ψ_k(t)的a位置与b位置之间的数用p_k(t)的a位置与b位置之间的数进行替换；

设φ_k(t)为临时变量，

其中，k₂为区间[0,1]上的一个随机数；

F₃(φ_k(t),p_g(t))为粒子对全体极值的学习操作：在{1,2,...,m}中随机选取两个不同的数a和b，将φ_k(t)的a位置与b位置之间的数用p_g(t)的a位置与b位置之间的数进行替换；

其中，k₃为区间[0,1]上的一个随机数。

本发明的有益效果为：

本发明在粒子群优化算法的基础上，通过对粒子进行顺序编码，实现任务分配方案到粒子位置的映射，群体中的每个粒子通过向同代粒子的学***台任务分配的效率。

附图说明

图1为本发明的基于离散粒子群优化算法的多无人机动平台任务分配方法的流程图。

图2为具体实施方式中粒子的示意图。

图3为本发明的基于离散粒子群优化算法的多无人机动平台任务分配方法中粒子学习个体最优值的操作示意图。

图4为本发明的基于离散粒子群优化算法的多无人机动平台任务分配方法中粒子学习全局最优值的操作示意图。

具体实施方式

下面将结合附图和具体实施方式，对本发明作进一步描述。

如图1所示，本发明的基于离散粒子群优化算法的多无人机动平台任务分配方法，包括下述步骤：

步骤1：获取无人机动平台的总数n、第i个无人机动平台的位置任务目标的总数m、第j个任务目标的位置/>其中，i＝1,2,...,n，j＝1,2,...,m。

步骤2：初始化更新次数t＝0，设定最大更新次数为T。

步骤3：将一种任务分配方案映射为一个粒子，随机生成K个初始粒子为{X₁(t),X₂(t),...,X_k(t),...,X_K(t)}；其中，X_k(t)为第t次更新中的第k个粒子，k∈{1,2,...,K}，X_k(t)＝(x_k1(t),x_k2(t),...,x_kj(t),...,x_km(t))，x_kj(t)∈{1,2,...,i,...,n}，x_kj(t)表示在粒子X_k(t)中第x_kj(t)个无人机动平台执行第j个任务。如图2所示，将5个任务目标分配给4个无人机动平台，生成一个随机粒子，该随机粒子表示：第1个无人机动平台执行第3个任务，第2个无人机动平台执行第1个任务，第3个无人机动平台执行第2个和第5个任务，第4个无人机动平台执行第4个任务。

步骤4：构建适应度函数为

f(X_k(t))＝e₁·f₁(X_k(t))+e₂·f₂(X_k(t))

s.t C₁,C₂,C₃

其中，f(X_k(t))为粒子X_k(t)的适应度函数值；e₁、e₂均为修正系数，用于调整不同指标之间的数量级差别，并反映每个子目标的重要程度；

f₁(X_k(t))为粒子X_k(t)的任务收益代价

f₁(X_k(t))＝1-P_v(X_k(t))

其中，P_v(X_k(t))为粒子X_k(t)的任务收益

其中，P_i为第i个无人机动平台的任务执行效率，V_j为第j个任务的价值；a_k-ij为决策变量，当粒子X_k(t)中第i个无人机动平台执行第j个任务时a_k-ij＝1，当粒子X_k(t)中第i个无人机动平台不执行第j个任务时a_k-ij＝0；V_max为所有任务的最大价值，V_max＝max{V₁,V₂,...,V_j,...,V_m}；

f₂(X_k(t))为粒子X_k(t)的路程代价

其中，D_i为第i个无人机动平台的最大行驶距离，d_ij为第i个无人机动平台与第j个任务目标间的距离，

C₁、C₂、C₃为多无人机动平台协同执行任务的约束条件：

约束C₁：任意一个任务只能被执行一次：

约束C₂：无人机动平台路径长约束：

约束C₃：无人机动平台最大执行任务数量约束：

其中，r_i为第i个无人机动平台最多完成的任务数量。

步骤5：更新所有粒子，得到K个更新后的粒子{X₁(t+1),X₂(t+1),...,X_k(t+1),...,X_K(t+1)}。

本实施例中，所述步骤5中，更新所有粒子，得到第k∈{1,2,...,K}个更新后的粒子为

其中，ω_p为个体变异因子，l₁为个体学习因子，l₂为群体学习因子；p_k(t)为个体最优值，即单个粒子所经历过的最好位置，p_k(t)＝argmin{f(X_k(0)),f(X_k(1)),…,f(X_k(t))}；p_g(t)为全局最优值，表示群体中所有粒子经历过的最好位置。

F₁(X_k(t))为粒子X_k(t)的个体变异函数值，

其中，r、s为从{1,2,...,K}中随机选取的两个数，r≠s≠k。粒子个体通过对群体中其他粒子X_r(t)和X_s(t)的位置进行学习，实现个体粒子的变异，增强粒子的多样性。

设ψ_k(t)为临时变量，

其中，k₁为区间[0,1]上的一个随机数。ψ_k(t)是一个概率为ω_p的个体变异操作，它的具体实现过程如下：如果k₁＜ω_p，则对粒子进行变异操作F₁(X_k(t))；如果k₁≥ω_p，则ψ_k(t)＝X_k(t)，即粒子保持当前位置状态。

F₂(ψ_k(t),p_k(t))为粒子对个体极值的学***台全部用个体极值p_k(t)中执行第a个任务到第b个任务的无人机动平台替换。

设φ_k(t)为临时变量，

其中，k₂为区间[0,1]上的一个随机数。φ_k(t)表示粒子对自身经验的学习，是一个概率为l₁的学习操作，它的具体实现过程如下：如果k₂＜l₁，则粒子进行与个体极值p_k(t)的交叉操作，使粒子对个体经过的最好位置进行学习；如果k₂≥l₁，则φ_k(t)＝ψ_k(t)，即粒子保持当前位置状态。

F₃(φ_k(t),p_g(t))为粒子对全体极值的学***台全部用全体极值p_g(t)中执行第a个任务到第b个任务的无人机动平台替换。

其中，k₃为区间[0,1]上的一个随机数。这部分表示粒子对群体中最优位置的学习，是一个概率为l₂的交叉操作。粒子之间通过信息共享和互相作用，根据全体极值p_g(t)调整自身位置。它的实现方法如下：如果k₃＜l₂，则X_k(t+1)＝F₃(φ_k(t),p_g(t))，对粒子进行与全体极值p_g(t)的交叉操作，使粒子对全体粒子经过的最好位置进行学习；如果k₃≥l₂，则X_k(t+1)＝φ_k(t)，粒子保持当前位置状态。

步骤6：计算所有更新后的粒子的适应度值{f(X₁(t+1)),f(X₂(t+1)),...,f(X_k(t+1)),...,f(X_K(t+1))}。

步骤7：进一步更新所有粒子，得到进一步更新后的第k∈{1,2,...,K}个粒子为

步骤8：更新个体最优值为

步骤9：更新全局最优值为

步骤10：令t＝t+1，若t＜T则转至步骤5，若t≥T则执行步骤11。

步骤11：输出全局最优值为最佳任务分配方案。

显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (1)

1.一种基于离散粒子群优化算法的多无人机动平台任务分配方法，其特征在于，包括下述步骤：

步骤1：获取无人机动平台的总数n、第i个无人机动平台的位置任务目标的总数m、第j个任务目标的位置/>其中，i＝1,2,…,n，j＝1,2,…,m；

步骤2：初始化更新次数t＝0，设定最大更新次数为T；

步骤3：将一种任务分配方案映射为一个粒子，随机生成K个初始粒子为{X₁(t),X₂(t),…,X_k(t),…,X_K(t)}；其中，X_k(t)为第t次更新中的第k个粒子，k∈{1,2,…,K}，X_k(t)＝(x_k1(t),x_k2(t),…,x_kj(t),…,x_km(t))，x_kj(t)∈{1,2,…,i,…,n}，x_kj(t)表示在粒子X_k(t)中第x_kj(t)个无人机动平台执行第j个任务；

步骤4：构建适应度函数为

f(X_k(t))＝e₁·f₁(X_k(t))+e₂·f₂(X_k(t))

s.t C₁,C₂,C₃

其中，f(X_k(t))为粒子X_k(t)的适应度函数值；e₁、e₂均为修正系数；

f₁(X_k(t))为粒子X_k(t)的任务收益代价

f₁(X_k(t))＝1-P_v(X_k(t))

其中，P_v(X_k(t))为粒子X_k(t)的任务收益

其中，P_i为第i个无人机动平台的任务执行效率，V_j为第j个任务的价值；a_k-ij为决策变量，当粒子X_k(t)中第i个无人机动平台执行第j个任务时a_k-ij＝1，当粒子X_k(t)中第i个无人机动平台不执行第j个任务时a_k-ij＝0；V_max为所有任务的最大价值，V_max＝max{V₁,V₂,…,V_j,…,V_m}；

f₂(X_k(t))为粒子X_k(t)的路程代价

其中，D_i为第i个无人机动平台的最大行驶距离，d_ij为第i个无人机动平台与第j个任务目标间的距离，

C₁、C₂、C₃为多无人机动平台协同执行任务的约束条件：

约束C₁：任意一个任务只能被执行一次：

约束C₂：无人机动平台路径长约束：

约束C₃：无人机动平台最大执行任务数量约束：

其中，r_i为第i个无人机动平台最多完成的任务数量；

步骤5：更新所有粒子，得到K个更新后的粒子{X₁(t+1),X₂(t+1),…,X_k(t+1),…,X_K(t+1)}；

所述步骤5中，更新所有粒子，得到第k∈{1,2,…,K}个更新后的粒子为

其中，ω_p为个体变异因子，l₁为个体学习因子，l₂为群体学习因子；

F₁(X_k(t))为粒子X_k(t)的个体变异函数值，

其中，r、s为从{1,2,…,K}中随机选取的两个数，r≠s≠k；

设ψ_k(t)为临时变量，

其中，k₁为区间[0,1]上的一个随机数；

F₂(ψ_k(t),p_k(t))为粒子对个体极值的学习操作：在{1,2,…,m}中随机选取两个不同的数a和b，将ψ_k(t)的a位置与b位置之间的数用p_k(t)的a位置与b位置之间的数进行替换；

设φ_k(t)为临时变量，

其中，k₂为区间[0,1]上的一个随机数；

F₃(φ_k(t),p_g(t))为粒子对全体极值的学习操作：在{1,2,…,m}中随机选取两个不同的数a和b，将φ_k(t)的a位置与b位置之间的数用p_g(t)的a位置与b位置之间的数进行替换；

其中，k₃为区间[0,1]上的一个随机数；

步骤6：计算所有更新后的粒子的适应度值{f(X₁(t+1)),f(X₂(t+1)),…,f(X_k(t+1)),…,f(X_K(t+1))}；

步骤7：进一步更新所有粒子，得到进一步更新后的第k∈{1,2,…,K}个粒子为

步骤8：更新个体最优值为

其中，p_k(t)为个体最优值，即单个粒子所经历过的最好位置，p_k(t)＝argmin{f(X_k(0)),f(X_k(1)),…,f(X_k(t))}；

步骤9：更新全局最优值为

步骤10：令t＝t+1，若t<T则转至步骤5，若t≥T则执行步骤11；

步骤11：输出全局最优值为最佳任务分配方案。