CN113313360B - 一种基于模拟退火-撒点混合算法的协同任务分配方法 - Google Patents
一种基于模拟退火-撒点混合算法的协同任务分配方法 Download PDFInfo
- Publication number
- CN113313360B CN113313360B CN202110489830.5A CN202110489830A CN113313360B CN 113313360 B CN113313360 B CN 113313360B CN 202110489830 A CN202110489830 A CN 202110489830A CN 113313360 B CN113313360 B CN 113313360B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- solution
- task allocation
- simulated annealing
- equal
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于模拟退火‑撒点混合算法的协同任务分配方法,包括以下步骤:在模拟退火算法的“判断新解是否被接受”的步骤中,若判断结果为“否”,则加入撒点算法,重新在全局搜索邻域方案,并以概率判断是否接受新的邻域方案产生的解作为新解。优选的,包括以下步骤:S1,计算目标函数值;S2,计算退火温度;S3,执行恒温迭代;S4,执行邻域搜索;S5,判断新解是否被接受;S6,执行撒点算法;S7,更新最优解;S8,输出最优任务分配方案。本发明解决了现有任务分配技术存在的易陷入局部最优、难以搜索全局最优解的问题,提高了效率。
Description
技术领域
本发明涉及任务规划技术领域,具体是一种基于模拟退火-撒点混合算法的协同任务分配方法。
背景技术
任务分配是典型的组合优化类问题。任务分配因具备多约束多优化目标等特征,是典型的NP难问题。传统的任务分配方法有枚举法、线性规划、动态网络流等,方法简单但不善于处理高维复杂约束问题。随着人工智能技术的发展,遗传算法、模拟退火算法、蚁群算法和粒子群算法等智能优化算法也在任务分配中有着大量的应用。
模拟退火算法源于统计物理学,其利用问题的求解过程与熔化物体退火过程的相似性,采用随机模拟物体退火过程来完成问题的求解。
传统模拟退火算法的步骤可见图5、图6所示,步骤如下:
传统模拟退火算法新解的产生和接受可分为如下四个步骤:
第一步是由一个产生函数从当前解产生一个位于解空间的新解;为便于后续的计算和接受,减少算法耗时,通常选择由当前新解经过简单地变换即可产生新解的方法,如对构成新解的全部或部分元素进行置换、互换等,注意到产生新解的变换方法决定了当前新解的邻域结构,因而对冷却进度表的选取有一定的影响。
第二步是计算与新解所对应的目标函数差。因为目标函数差仅由变换部分产生,所以目标函数差的计算最好按增量计算。事实表明,对大多数应用而言,这是计算目标函数差的最快方法。
第三步是判断新解是否被接受:若Δf<0则接受S′作为新的当前解S;否则,依据Metropolis接受准则,以概率exp(-Δf/T)接受S′作为新的当前解S,其中,Δf表示目标函数差(在目标函数值越大则得到的解越优的情形下,Δf=当前目标函数值-邻域的目标函数值),T表示退火温度。
第四步是当新解被确定接受时,用新解代替当前解,这只需将当前解中对应于产生新解时的变换部分予以实现,同时修正目标函数值即可。此时,当前解实现了一次迭代。可在此基础上开始下一轮试验。而当新解被判定为舍弃时,则在原当前解的基础上继续下一轮试验。
模拟退火算法在理论上有完备的证明,可以达到全局极小值,因算法的完备性,算法应用备受专家与学者的青睐。在任务分配问题中,模拟退火算法已有很多成功应用,但相关文献或工程应用中的模型或算法大都存在陷入局部最优,难以搜索全局最优解的问题。
为了改善模拟退火算法在任务分配应用中存在的问题,本发明提出了一种模拟退火-撒点混合算法,用于提高算法全局寻优能力,以求更高效的求解任务分配问题。
发明内容
为克服现有技术的不足,本发明提供了一种基于模拟退火-撒点混合算法的协同任务分配方法,解决现有技术存在易陷入局部最优、难以搜索全局最优解的问题,能够高效完成任务分配任务等。
本发明解决上述问题所采用的技术方案是:
一种基于模拟退火-撒点混合算法的协同任务分配方法,包括以下步骤:
在模拟退火算法的“判断新解是否被接受”的步骤中,若判断结果为“否”,则加入撒点算法,重新在全局搜索邻域方案,并以概率判断是否接受新的邻域方案产生的解作为新解。
传统的模拟退火算法中,仅根据当前编码选取一个邻域解作为候选点,不仅搜索空间有限,而且候选点数量很少,加入撒点算法后,邻域搜索范围扩展到了整个寻优空间,不局限于邻域,即跳出了邻域局部空间的束缚,便于跳出局部最优。
作为一种优选的技术方案,在可读存储介质上运行程序实现所述模拟退火-撒点混合算法,应用于协同任务分配过程中求取最优任务分配方案。
作为一种优选的技术方案,包括以下步骤:
在可读存储介质上运行程序实现所述模拟退火-撒点混合算法,用于多无人机协同任务分配过程中求取最优任务分配方案。
作为一种优选的技术方案,包括以下步骤:
在模拟退火算法的“判断新解是否被接受”的步骤中,若判断结果为“否”,则加入撒点算法,重新在全局搜索邻域方案,以更新“判断新解是否被接受”的步骤后的解,根据更新后的解计算出新的目标函数值,再通过比较新的目标函数值与原目标函数值的大小决定是否接受经撒点后的新的解和新的目标函数。
本发明克服传统模拟退火算法在全局寻优和任务分配应用中的不足,提供一种新的改进的模拟退火-撒点算法用高效求解多任务分配问题,通过在传统模拟退火算法的基础上,引入撒点策略,用于寻优过程中跳出局部最优,提高算法全局寻优能力。本发明提出的算法模型在任务分配中具备良好的适用性,可以改进传统算法陷入局部最优的缺点,提高算法全局寻优能力,高效完成任务分配任务。
作为一种优选的技术方案,包括以下步骤:
S1,计算目标函数值:
随机给出任务分配初始解X,并记录分配结果xik,按以下公式计算目标函数值f:
令f1=f以f1作为f的初始值,最优解bestX=X,fbest=f1;其中,i表示己方承载体的编号,i为正整数且i≤m,k表示任务目标的编号,k为正整数且k≤n,
表示第i架己方承载体对第k个任务目标的毁伤概率,
表示第i架己方承载体相对第k个任务目标的生存概率,
0<wS≤I,wR+wS=1,
m为己方承载体数量、n为任务目标数量、Wi为第i架己方承载体最多携带的武器数量、PR为己方承载体攻击任务目标成功的毁伤概率、PS为己方承载体的生存概率、wR为己方承载体的毁伤效果权重系数,wS为己方承载体的自我损伤程度权重系数;若第k个任务目标分配给了第i架己方承载体,则记xik=1,否则xik=0,其中,k为正整数且k≤n,X为xik=1的i的集合,
S2,计算退火温度:退火温度根据公式(2)计算:
T=αT0 (2)
若T>Te,则跳转至步骤S3;否则,跳转至步骤S8,其中,T0为起始温度,Te为终止温度,α为降温系数,0≤α≤1;
S3,执行恒温迭代:令iter=iter+1以更新iter;若更新后iter<loop,执行步骤S4;否则,返回至步骤S2;其中,iter为计数值,iter≥0且iter为正整数,iter的初始值为0;loop为常温迭代次数,loop>0且loop为整数;
S4,执行邻域搜索:随机选取编码X中的s个元素,依次将s个元素重新随机赋予一个新的1到m的正整数值,更新xik,且需要满足
的约束;更新后的编码记为X’,而后根据公式(1),重新用新的编码X’计算目标函数值f,记f2=f,其中,s为邻域搜索位置数目,s为正整数,1≤s<n;
S5,判断新解是否被接受:令Δ=f1-f2,若Δ<0,则接受新解X=X’,f1=f2,并跳转至步骤S7,否则随机生成一个0到1间的数p,r=exp(-Δ/T);再判断p>r是否成立,若是,进入步骤S6;否则跳转至步骤S7;
S6,执行撒点算法:随机生成pop组编码,分别记为X1、X2…Xpop,每一组编码需要满足
的约束,对每一组编码,根据公式(1)计算目标函数值,选取其中目标函数值最大的值记为f3,f3对应的编码记为X”,并接受新解令X=X”,f1=f3,然后进入步骤S7;其中,pop为撒点算子规模,pop>0且pop为整数;
S7,更新最优解:若fbest<f1,令bestX=X,fbest=f1;若fbest≥f1,bestX和fbest的值不变;
S8,输出最优任务分配方案:输出最优解bestX,fbest。
步骤S6是本发明的关键步骤,本发明用撒点算法对传统方法进行了改进,其基本原理是,在整个搜索空间随机选取若干候选编码,通过目标函数值计算,选取最优编码为更新后编码。传统的模拟退火算法中,仅根据当前编码选取一个邻域解作为候选点,不仅搜索空间有限,而且候选点数量很少,加入撒点算法后,首先邻域搜索范围扩展到了整个寻优空间,不局限于邻域,即跳出了邻域局部空间的束缚,其次撒点操作一次性并行地搜索多个候选点,有利于提高搜索效率,尽快找到更优的候选点。通过随机撒点,可以尽快跳出局部最优,提高传统算法的全局寻优能力。随机生成编码的操作,可以包含不同概率分布、不同准则设计的取值操作,这里不一一列举,所有准则的随机生成行为,都在本发明保护范围。
作为一种优选的技术方案,选取起始温度的范围为T0≥80,选取终止温度的范围为10≤Te≤30。
起始温度过低,则不能保证算法成功的有效率,这样设置便于提高本发明成功运行的几率,可靠性提高。将终止温度设置在合适范围,有利于降温系数α的选取,使降温系数α有一个便于调节设置的合适范围,避免了调整降温系数α数值的范围过大或过小而带来的操作麻烦。
作为一种优选的技术方案,选取撒点算子规模pop的范围为1≤pop≤10*n。
撒点算子规模的范围的设置兼顾了迭代处理寻求全局最优解的能力,在保证准确度的同时兼顾了计算机处理能力。
作为一种优选的技术方案,选取邻域搜索位置数目s范围为1≤s<n/3。
s的大小关系到邻域搜索范围的大小,根据仿真分析,s较为合适的取值范围为1≤s<n/3。这有利于跳出局部最优能力得到充分体现,也兼顾了计算机内部运行能力的负担。
作为一种优选的技术方案,选取wR=wS=0.5。
使用均等的权重,这便于克服主观性偏好,而客观进行无人机协同任务分配,使分配结果能进一步客观用于其他方面参数的分析。
作为一种优选的技术方案,己方承载体的毁伤概率给出方式为随机、计算、或根据己方承载体及任务目标性能评估。
作为优选,己方承载体的生存概率给出方式为随机、计算、或根据己方承载体及任务目标性能评估。
以上关于己方承载体的毁伤概率给出方式、己方承载体的生存概率给出方式,可以根据对己方承载体、目标任务的研究和了解情况作出不同的区分。比如,若了解很少,则可以选择随机给出,克服了解较少而不便进行任务分配的不足;若有一定资料,则可以通过计算、统计等方式给出;若了解状况较多,则可以根据所拥有的资料进行综合性的性能评估而更便于分配结果的准确性。
本发明相比于现有技术,具有以下有益效果:
(1)本发明在传统模拟退火算法的基础上,引入撒点策略,用于寻优过程中跳出局部最优,提高算法全局寻优能力;本发明提出的算法模型在任务分配中具备良好的适用性,可以改进传统算法陷入局部最优的缺点,提高算法全局寻优能力,高效完成任务分配任务;
(2)本发明常温迭代次数的范围、撒点算子规模的范围的设置兼顾了迭代处理寻求全局最优解的能力,在保证准确度的同时兼顾了计算机处理能力;
(3)本发明起始温度的设置便于提高本发明成功运行的几率,可靠性提高;
(4)本发明将终止温度设置在合适范围,有利于降温系数的选取,使降温系数有一个便于调节设置的合适范围,避免了调整降温系数数值的范围过大或过小而带来的操作麻烦;
(5)本发明邻域搜索位置数目的设置有利于跳出局部最优能力得到充分体现,也兼顾了计算机内部运行能力的负担;
(6)本发明设置wR=wS=0.5,这便于克服主观性偏好,而客观进行己方承载体协同任务分配,使分配结果能进一步客观用于其他方面参数的分析;
(7)本发明关于己方承载体的毁伤概率给出方式、己方承载体的生存概率给出方式,可以根据对己方承载体、目标任务的研究和了解情况作出不同的区分,适用于更广泛的任务分配应用场景。
附图说明
图1为本发明的步骤图;
图2为本发明实施例2的状态编码示例图;
图3为本发明实施例2的流程示意图;
图4为实施例2中不同优化算法的收敛过程对比图;
图5为传统的模拟退火算法的流程图之一;
图6为图5的一个进一步细化的流程图。
具体实施方式
下面结合实施例及附图,对本发明作进一步的详细说明,但本发明的实施方式不限于此。
实施例1
本实施例将本发明的技术方案应用于协同任务分配中。本发明所述己方承载体包括坦克、无人机等,本发明适用于执行不同目标任务的协同场景,尤其是适用于多组坦克、无人机等攻击多任务目标,与任务目标对战等情形的协同任务分配。作为一种技术启示,还可以应用于除攻击目标之外的其余的应用场景,只要需要进行“多对多”的目标匹配的应用场景,均应包含在本发明的发明构思中。本发明所述的可读存储介质包括计算机等能构建模拟退火-撒点混合算法模型、执行程序的介质和载体。
如图1至图6所示,一种基于模拟退火-撒点混合算法的协同任务分配方法,包括以下步骤:
在模拟退火算法的“判断新解是否被接受”的步骤中,若判断结果为“否”,则加入撒点算法,重新在全局搜索邻域方案,并以概率判断是否接受新的邻域方案产生的解作为新解。
传统的模拟退火算法中,仅根据当前编码选取一个邻域解作为候选点,不仅搜索空间有限,而且候选点数量很少,加入撒点算法后,邻域搜索范围扩展到了整个寻优空间,不局限于邻域,即跳出了邻域局部空间的束缚,便于跳出局部最优。
作为一种优选的技术方案,在可读存储介质上运行程序实现所述模拟退火-撒点混合算法,应用于协同任务分配过程中求取最优任务分配方案。
作为一种优选的技术方案,包括以下步骤:
在可读存储介质上运行程序实现所述模拟退火-撒点混合算法,用于多无人机协同任务分配过程中求取最优任务分配方案。
作为一种优选的技术方案,包括以下步骤:
在模拟退火算法的“判断新解是否被接受”的步骤中,若判断结果为“否”,则加入撒点算法,重新在全局搜索邻域方案,以更新“判断新解是否被接受”的步骤后的解,根据更新后的解计算出新的目标函数值,再通过比较新的目标函数值与原目标函数值的大小决定是否接受经撒点后的新的解和新的目标函数。
本发明克服传统模拟退火算法在全局寻优和任务分配应用中的不足,提供一种新的改进的模拟退火-撒点算法用高效求解多任务分配问题,通过在传统模拟退火算法的基础上,引入撒点策略,用于寻优过程中跳出局部最优,提高算法全局寻优能力。本发明提出的算法模型在任务分配中具备良好的适用性,可以改进传统算法陷入局部最优的缺点,提高算法全局寻优能力,高效完成任务分配任务。
作为一种优选的技术方案,包括以下步骤:
S1,计算目标函数值:
随机给出任务分配初始解X,并记录分配结果xik,按以下公式计算目标函数值f:
令f1=f以f1作为f的初始值,最优解bestX=X,fbest=f1;其中,i表示己方承载体的编号,i为正整数且i≤m,k表示任务目标的编号,k为正整数且k≤n,
表示第i架己方承载体对第k个任务目标的毁伤概率,
表示第i架己方承载体相对第k个任务目标的生存概率,
0<wS≤1,WR+wS=1,
m为己方承载体数量、n为任务目标数量、Wi为第i架己方承载体最多携带的武器数量、PR为己方承载体攻击任务目标成功的毁伤概率、PS为己方承载体的生存概率、wR为己方承载体的毁伤效果权重系数,wS为己方承载体的自我损伤程度权重系数;若第k个任务目标分配给了第i架己方承载体,则记xik=1,否则xik=0,其中,k为正整数且k≤n,X为xik=1的i的集合,
S2,计算退火温度:退火温度根据公式(2)计算:
T=αT0 (2)
若T>Te,则跳转至步骤S3;否则,跳转至步骤S8,其中,T0为起始温度,Te为终止温度,α为降温系数,0≤α≤1;
S3,执行恒温迭代:令iter=iter+1以更新iter;若更新后iter<loop,执行步骤S4;否则,返回至步骤S2;其中,iter为计数值,iter≥0且iter为正整数,iter的初始值为0;loop为常温迭代次数,loop>0且loop为整数;
S4,执行邻域搜索:随机选取编码X中的s个元素,依次将s个元素重新随机赋予一个新的1到m的正整数值,更新xik,且需要满足
的约束;更新后的编码记为X’,而后根据公式(1),重新用新的编码X’计算目标函数值f,记f2=f,其中,s为邻域搜索位置数目,s为正整数,1≤s<n;
S5,判断新解是否被接受:令Δ=f1-f2,若Δ<0,则接受新解X=X’,f1=f2,并跳转至步骤S7,否则随机生成一个0到1间的数p,r=exp(-Δ/T);再判断p>r是否成立,若是,进入步骤S6;否则跳转至步骤S7;
S6,执行撒点算法:随机生成pop组编码,分别记为X1、X2…Xpop,每一组编码需要满足
的约束,对每一组编码,根据公式(1)计算目标函数值,选取其中目标函数值最大的值记为f3,f3对应的编码记为X”,并接受新解令X=X”,f1=f3,然后进入步骤S7;其中,pop为撒点算子规模,pop>0且pop为整数;
S7,更新最优解:若fbest<f1,令bestX=X,fbest=f1;若fbest≥f1,bestX和fbest的值不变;
S8,输出最优任务分配方案:输出最优解bestX,fbest。
步骤S6是本发明的关键步骤,本发明用撒点算法对传统方法进行了改进,其基本原理是,在整个搜索空间随机选取若干候选编码,通过目标函数值计算,选取最优编码为更新后编码。传统的模拟退火算法中,仅根据当前编码选取一个邻域解作为候选点,不仅搜索空间有限,而且候选点数量很少,加入撒点算法后,首先邻域搜索范围扩展到了整个寻优空间,不局限于邻域,即跳出了邻域局部空间的束缚,其次撒点操作一次性并行地搜索多个候选点,有利于提高搜索效率,尽快找到更优的候选点。通过随机撒点,可以尽快跳出局部最优,提高传统算法的全局寻优能力。随机生成编码的操作,可以包含不同概率分布、不同准则设计的取值操作,这里不一一列举,所有准则的随机生成行为,都在本发明保护范围。
表示第i架己方承载体对第k个任务目标的毁伤概率,(即第i架己方承载体将第k个任务目标摧毁的概率为
表示第i架己方承载体相对第k个任务目标的生存概率(即第i架己方承载体被第k个任务目标摧毁的概率为1-
和
由专家根据经验给出具体数值,wR和wS由用户根据偏好定义,比如,若相比较于己方承载体被攻击目标攻击而受损伤,用户更加在意己方承载体毁伤攻击目标的效果,则可以将wR的值设置较大,将wS的值设置较小。
一般而言,算法迭代次数越多,表示搜索次数越多,越利于寻找最优解,因此理论上来说,α、loop和T0-Te的值越大越好,具体数值需要根据计算能力和问题规模,由用户根据偏好给出。根据仿真分析可知pop的数值越大,寻优规模越大,算法寻优效果越好,因此在可接受的计算量范围内,pop数值设置越大越好。
作为优选,元素i在集合X内按k的从小到大顺序排列,这样设置的好处在于方便查看和识别。
作为一种优选的技术方案,选取起始温度的范围为T0≥80,选取终止温度的范围为10≤Te≤30。
起始温度过低,则不能保证算法成功的有效率,这样设置便于提高本发明成功运行的几率,可靠性提高。将终止温度设置在合适范围,有利于降温系数α的选取,使降温系数α有一个便于调节设置的合适范围,避免了调整降温系数α数值的范围过大或过小而带来的操作麻烦。
作为一种优选的技术方案,选取撒点算子规模pop的范围为1≤pop≤10*n。
撒点算子规模的范围的设置兼顾了迭代处理寻求全局最优解的能力,在保证准确度的同时兼顾了计算机处理能力。
作为一种优选的技术方案,选取邻域搜索位置数目s范围为1≤s<n/3。
s的大小关系到邻域搜索范围的大小,根据仿真分析,s较为合适的取值范围为1≤s<n/3。这有利于跳出局部最优能力得到充分体现,也兼顾了计算机内部运行能力的负担。
作为一种优选的技术方案,选取wR=wS=0.5。
使用均等的权重,这便于克服主观性偏好,而客观进行无人机协同任务分配,使分配结果能进一步客观用于其他方面参数的分析。
作为一种优选的技术方案,己方承载体的毁伤概率给出方式为随机、计算、或根据己方承载体及任务目标性能评估。
作为优选,己方承载体的生存概率给出方式为随机、计算、或根据己方承载体及任务目标性能评估。
以上关于己方承载体的毁伤概率给出方式、己方承载体的生存概率给出方式,可以根据对己方承载体、目标任务的研究和了解情况作出不同的区分。比如,若了解很少,则可以选择随机给出,克服了解较少而不便进行任务分配的不足;若有一定资料,则可以通过计算、统计等方式给出;若了解状况较多,则可以根据所拥有的资料进行综合性的性能评估而更便于分配结果的准确性。
优选的,作为一种优选的技术方案,选取常温迭代次数loop范围为1~100。
常温迭代次数的范围的设置兼顾了迭代处理寻求全局最优解的能力,在保证准确度的同时兼顾了计算机处理能力。
实施例2
如图1至图6所示,在实施例1的基础上,本实施例包含了实施例1的全部技术特征,本实施例提供一种更为具体的实施方法,将所述协同任务分配方法应用于多无人机协同任务分配。
附表中,表1为无人机的毁伤概率表;表2为无人机的生存概率表;表3为模拟退火-撒点混合算法参数设置表;表4为邻域搜索位置数目-目标函数表,用于展示邻域搜索参数对优化结果的影响;表5为撒点算子规模-目标函数表,用于展示撒点规模对优化结果的影响;表6为最优任务分配结果表。
其中,附表中,Tar表示目标任务编号,UAV表示无人机编号,RUN表示本发明方法执行的次数编号。图4的横轴的迭代次数指执行降温迭代的次数。
具体地,按以下步骤执行:
(1)确定任务分配任务具体参数,无人机数量m=6,任务目标数量为n=10,每架无人机携带的最大武器数量为Wi=4(i=1…m),无人机的毁伤概率和生存概率随机给出,具体数值见表1和表2,设置wR=wS=0.5。关于编码的定义,为了便于解释,比如,如图2中,所示编码为X=[2,1,3,2,1],表示任务分配情况为:将任务目标编号为1、2、3、4、5的任务目标分别分配给无人机编号为2、1、3、2、1的无人机。
(2)确定模拟退火-撒点混合算法具体参数,参数列表见表3。
(3)设置撒点算子规模pop为50,改变邻域搜索过程中元素位置搜索数目,连续运行5次本发明的方法,其优化结果如表4所示。从表4中可以看出,邻域搜索位置数目s设置为1,3,5,10,算法的搜索结果都相对稳定,总体上趋于较好的优化结果,且优化结果的方差不大。表4中还可看出,邻域搜索的位置数目并不是越多越好,当搜索数目为1和3时,都能够得到最优解4.025,当搜索数目变大时,虽然也能得到较好的优化结果,但不容易得到相对最优的结果。这是由于随着搜索数目的增大,邻域搜索空间也增大,在有限的搜索次数内,并不能保证搜到邻域的最优值。从表4可以推断出,当编码有10个值时,邻域搜索位置数目设置在3比较合适,即s较为合适的取值范围为1≤s<n/3。
(4)将邻域搜索位置数目设为3,改变撒点算子规模,连续运行5次本发明的方法,优化结果如表5所示。撒点的设计,是为了解决模拟退火算法容易陷入局部最优的问题。从表5可以看出,随着撒点规模的增加,算法的寻优效果越来越好。这是由于撒点规模越大,表示搜索的空间点越多,则跳出局部最优的概率越大。
(5)从表4和表5中选取最优的一组优化结果(目标函数值为4.0250,即fbest=4.0250),解析出对应的bestX,即得到最优任务分配结果,如表6所示。
图4给出了本发明算法与传统模拟退火算法以及粒子群优化算法的收敛对比,验证本算法的高效性。从图4可以看出,本文提出的改进模拟退火算法(改进SA)收敛效果最好,传统模拟退火算法(传统SA)次之,传统粒子群算法(粒子群)最差。粒子群算法更善于处理连续优化问题,传统编码对组合优化问题的适应性不强,且迭代次数较少,导致其优化效果较差。改进的模拟退火算法由于设计了跳出局部最优的撒点操作,因此优化效果优于传统模拟退火算法。
附表如下:
表1无人机的毁伤概率表
表2无人机的生存概率表
表3模拟退火-撒点混合算法参数设置表
表4邻域搜索位置数目-目标函数表
表5撒点算子规模-目标函数表
表6最优任务分配结果表
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (6)
1.一种基于模拟退火-撒点混合算法的协同任务分配方法,其特征在于,
1.在模拟退火算法的“判断新解是否被接受”的步骤中,若判断结果为“否”,则加入撒点算法,重新在全局搜索邻域方案,并以概率判断是否接受新的邻域方案产生的解作为新解;
包括以下步骤:
S1,计算目标函数值:
随机给出任务分配初始解X,并记录分配结果xik,按以下公式计算目标函数值f:
令f1=f以f1作为f的初始值,最优解bestX=X,fbest=f1;其中,i表示己方承载体的编号,i为正整数且i≤m,k表示任务目标的编号,k为正整数且k≤n,
表示第i架己方承载体对第k个任务目标的毁伤概率,
表示第i架己方承载体相对第k个任务目标的生存概率,
m为己方承载体数量、n为任务目标数量、Wi为第i架己方承载体最多携带的武器数量、PR为己方承载体攻击任务目标成功的毁伤概率、PS为己方承载体的生存概率、wR为己方承载体的毁伤效果权重系数,wS为己方承载体的自我损伤程度权重系数;若第k个任务目标分配给了第i架己方承载体,则记xik=1,否则xik=0,其中,k为正整数且k≤n,X为xik=1的i的集合,
S2,计算退火温度:退火温度根据公式(2)计算:
T=αT0 (2)
若T>Te,则跳转至步骤S3;否则,跳转至步骤S8,其中,T0为起始温度,Te为终止温度,α为降温系数,0≤α≤1;
S3,执行恒温迭代:令iter=iter+1以更新iter;若更新后iter<loop,执行步骤S4;否则,返回至步骤S2;其中,iter为计数值,iter≥0且iter为正整数,iter的初始值为0;loop为常温迭代次数,loop>0且loop为整数;
S4,执行邻域搜索:随机选取编码X中的s个元素,依次将s个元素重新随机赋予一个新的1到m的正整数值,更新xik,且需要满足
的约束;更新后的编码记为X’,而后根据公式(1),重新用新的编码X’计算目标函数值f,记f2=f,其中,s为邻域搜索位置数目,s为正整数,1≤s<n;
S5,判断新解是否被接受:令Δ=f1-f2,若Δ<0,则接受新解X=X’,f1=f2,并跳转至步骤S7,否则随机生成一个0到1间的数p,令r=exp(-Δ/T);再判断p>r是否成立,若是,进入步骤S6;否则跳转至步骤S7;
S6,执行撒点算法:随机生成pop组编码,分别记为X1、X2…Xpop,每一组编码需要满足
的约束,对每一组编码,根据公式(1)计算目标函数值,选取其中目标函数值最大的值记为f3,f3对应的编码记为X”,并接受新解令X=X”,f1=f3,然后进入步骤S7;其中,pop为撒点算子规模,pop>0且pop为整数;
S7,更新最优解:若fbest<f1,令bestX=X,fbest=f1;若fbest≥f1,bestX和fbest的值不变;
S8,输出最优任务分配方案:输出最优解bestX,fbest。
2.根据权利要求1所述的一种基于模拟退火-撒点混合算法的协同任务分配方法,其特征在于,选取起始温度的范围为T0≥80,选取终止温度的范围为10≤Te≤30。
3.根据权利要求1所述的一种基于模拟退火-撒点混合算法的协同任务分配方法,其特征在于,选取撒点算子规模pop的范围为1≤pop≤10*n。
4.根据权利要求1所述的一种基于模拟退火-撒点混合算法的协同任务分配方法,其特征在于,选取邻域搜索位置数目s范围为1≤s<n/3。
5.根据权利要求1所述的一种基于模拟退火-撒点混合算法的协同任务分配方法,其特征在于,选取wR=wS=0.5。
6.根据权利要求1所述的一种基于模拟退火-撒点混合算法的协同任务分配方法,其特征在于,己方承载体的毁伤概率给出方式为随机、计算、或根据己方承载体及任务目标性能评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110489830.5A CN113313360B (zh) | 2021-05-06 | 2021-05-06 | 一种基于模拟退火-撒点混合算法的协同任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110489830.5A CN113313360B (zh) | 2021-05-06 | 2021-05-06 | 一种基于模拟退火-撒点混合算法的协同任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313360A CN113313360A (zh) | 2021-08-27 |
CN113313360B true CN113313360B (zh) | 2022-04-26 |
Family
ID=77371516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110489830.5A Active CN113313360B (zh) | 2021-05-06 | 2021-05-06 | 一种基于模拟退火-撒点混合算法的协同任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313360B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114740883B (zh) * | 2022-03-09 | 2023-05-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种协同点侦察任务规划跨层联合优化方法 |
CN114861417B (zh) * | 2022-04-14 | 2024-04-19 | 中国人民解放军国防科技大学 | 基于变邻域搜索的多阶段武器目标分配方法 |
CN114880857B (zh) * | 2022-05-13 | 2024-04-30 | 中国人民解放军国防科技大学 | 基于混合智能搜索的武器资源多阶段优化分配方法 |
CN116862737A (zh) * | 2023-06-30 | 2023-10-10 | 数字宁波科技有限公司 | 一种基于模拟退火和蒙特卡洛方法的公共设施选址方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789493A (zh) * | 2012-07-06 | 2012-11-21 | 葛彦强 | 自适应双子和声优化方法 |
EP2800032A1 (en) * | 2013-05-02 | 2014-11-05 | BAE Systems PLC | Goal-based planning system |
CN109995403A (zh) * | 2019-04-10 | 2019-07-09 | 重庆邮电大学 | 大规模mimo***中基于模拟退火思想改进的las检测算法 |
CN110222890A (zh) * | 2019-05-31 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种车辆与无人机物流配送的双层路径优化方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010148238A2 (en) * | 2009-06-17 | 2010-12-23 | Board Of Regents, The University Of Texas System | System and method for solving multiobjective optimization problems |
IT201700056428A1 (it) * | 2017-05-24 | 2018-11-24 | Telespazio Spa | Innovativo metodo di scheduling satellitare basato su algoritmi genetici e simulated annealing e relativo pianificatore di missione |
CN110351679B (zh) * | 2019-04-22 | 2022-03-18 | 鲁东大学 | 一种基于改进模拟退火的无线传感器网络资源分配方法 |
CN110489907B (zh) * | 2019-08-27 | 2023-07-11 | 中车株洲电力机车有限公司 | 一种轨道交通车辆车体数字样机的优化设计方法 |
-
2021
- 2021-05-06 CN CN202110489830.5A patent/CN113313360B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789493A (zh) * | 2012-07-06 | 2012-11-21 | 葛彦强 | 自适应双子和声优化方法 |
EP2800032A1 (en) * | 2013-05-02 | 2014-11-05 | BAE Systems PLC | Goal-based planning system |
CN109995403A (zh) * | 2019-04-10 | 2019-07-09 | 重庆邮电大学 | 大规模mimo***中基于模拟退火思想改进的las检测算法 |
CN110222890A (zh) * | 2019-05-31 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种车辆与无人机物流配送的双层路径优化方法及*** |
Non-Patent Citations (4)
Title |
---|
多无人机协同任务分群方案研究;王毅;《舰船电子工程》;20181020;第38卷(第10期);第18-22页 * |
改进模拟退火遗传算法在协同空战中的应用;宋遐淦;《哈尔滨工程大学学报》;20171125;第38卷(第11期);第1762-1768页 * |
模拟退火算法及改进研究;石利平;《信息技术》;20130225(第02期);第176-178页 * |
求解TSP问题的自适应模拟退火蚁群算法;袁汪凰等;《计算机应用与软件》;20180215(第02期);第261-266页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113313360A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313360B (zh) | 一种基于模拟退火-撒点混合算法的协同任务分配方法 | |
CN108053119B (zh) | 一种求解零等待流水车间调度问题的改进粒子群优化方法 | |
Gaing | Discrete particle swarm optimization algorithm for unit commitment | |
Liu et al. | A multiobjective memetic algorithm based on particle swarm optimization | |
Nguyen et al. | Filter based backward elimination in wrapper based PSO for feature selection in classification | |
CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
WO2019184777A1 (zh) | 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质 | |
Gong et al. | An improved multiobjective differential evolution based on Pareto-adaptive ϵ-dominance and orthogonal design | |
CN112801540B (zh) | 基于无人集群的智能协同架构设计方法 | |
CN112862380B (zh) | 一种基于混合算法的项目型产品装配车间人员调度方法、设备及存储介质 | |
Liu et al. | A sphere-dominance based preference immune-inspired algorithm for dynamic multi-objective optimization | |
JP2007172306A (ja) | 多目的最適化装置、多目的最適化方法および多目的最適化プログラム | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和*** | |
CN114818915A (zh) | 数据聚类方法及装置、存储介质及电子装置 | |
CN112632615B (zh) | 基于混合云环境的科学工作流数据布局方法 | |
CN116993181A (zh) | 基于rbf-arx的综合能源***时序概率多元负荷预测方法及*** | |
CN110866586A (zh) | 用于受资源约束多项目调度的改进遗传规划算法优化方法 | |
Cordes et al. | Sports analytics: predicting athletic performance with a genetic algorithm | |
CN113188243B (zh) | 一种空调能耗的综合预测方法及*** | |
CN112308195B (zh) | 模拟局部代价来求解DCOPs的方法 | |
CN113141272A (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
Repický et al. | Automated Selection of Covariance Function for Gaussian process Surrogate Models. | |
Gerdelan et al. | A genetic‐fuzzy system for optimising agent steering | |
Chan et al. | Multiobjective optimization methods | |
Ma et al. | Multi-objective population-based incremental learning for community structure detection |
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 |