CN116860002A - 基于流网络模型的无人机集群任务资源调度方法 - Google Patents
基于流网络模型的无人机集群任务资源调度方法 Download PDFInfo
- Publication number
- CN116860002A CN116860002A CN202310954303.6A CN202310954303A CN116860002A CN 116860002 A CN116860002 A CN 116860002A CN 202310954303 A CN202310954303 A CN 202310954303A CN 116860002 A CN116860002 A CN 116860002A
- Authority
- CN
- China
- Prior art keywords
- task
- nodes
- network
- node
- cluster
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 241000257303 Hymenoptera Species 0.000 claims description 28
- 230000008447 perception Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 239000003016 pheromone Substances 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 230000002195 synergetic effect Effects 0.000 claims description 4
- 125000002015 acyclic group Chemical group 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于流网络模型的无人机集群任务资源调度方法,首先对无人机集群的任务载荷实体进行抽象化、虚拟化,并分类管理,建立无人机集群资源池构建方法,然后将分类后的载荷通过集群内的任务关系进行连接,得到任务网络链路,进一步得到任务层网络模型。其次引入任务能力的概念,将任务能力赋予任务层网络节点作为节点能力属性,然后节点能力属性转换为任务链路流量属性。在无人机集群***层面,即是将集群对任务的完成情况进行流量化处理,任务层网络中流动的流量就是集群完成任务的能力流。最后在对集群任务能力进行有效评估的基础上,提出改进蚁群算法以实现寻找全局最优及快速收敛,实现最优集群资源调度策略。
Description
技术领域
本发明属于无人机集群技术领域,更具体地,涉及一种基于流网络模型的无人机集群任务资源调度方法。
背景技术
随着无人机***自主化、网络化通信技术以及群智能理论的发展,无人机集群的出现弥补了单机在感知范围、抗毁能力和环境适应性等方面的缺陷。无人机集群采用多架无人机协同方式执行任务,实现了单机能力提升以及集群***任务能力的拓展,并广泛应用于交通、地质探测和救援等领域。与此同时,广泛的应用领域和复杂的任务场景也对无人机集群的任务可靠性水平提出了较高的要求。
当前无人机集群的任务可靠性重点关注单机可靠性的设计,所以提高集群任务可靠性的方法为提高每一架单机的任务可靠性。然而无人机集群这种体系的任务可靠性不仅与单机可靠性有关,也与不同单机之间的组织与协作有关。在不同的复杂任务环境下,任务过程的组织与资源利用程度不同,无人机集群的任务可靠性水平会存在较大差异。例如无人机集群在执行任务过程中,任务顺序和执行不同任务时的无人机分配比均会影响任务可靠性。因此需要从最优的资源调度策略等方面开展研究,以提高任务可靠性水平。
由于无人机任务分配和资源调度的重要性以及其计算方法的非线性,目前的研究中主要使用智能算法来进行寻优。例如,Sabitri Poudel对迄今为止,针对无人机网络而设计的几种任务分配算法的主要思想、运行特点、优势和局限性进行了全面的综述,并且比较了这些任务分配算法的显著特征和性能因素;Duo Zheng将协同攻击问题转化为多目标任务分配和合作轨迹优化两个子问题,并使用基于搜索路径的多目标分配算法对无人机任务进行分配。在各类优化算法中,蚁群算法属于被广泛使用的算法之一。Hongji Liu针对云计算资源分配和调度效率存在的问题,设计了一种基于蚁群算法的云计算自适应任务调度算法,有效缩短了寻优时间;Lizhi Chen将异构无人机协同任务分配问题表述为包含三个优化目标的约束多目标优化问题,并使用所提出的一种多蚁群优化算法来进行求解。
无人机的任务可靠性水平往往通过评估集群的效能来表征,由于复杂网络具有良好的模型描述能力,为了更好的评估无人机集群的效能,研究无人机集群***中复杂的相互作用与动态关系,许多专家学者引入复杂网络理论,例如,林冰轩等人借助复杂网络理论,通过构建蜂群无人机复杂网络拓扑结构,分析了节点度、平均路径长度、聚类系数等典型统计特性参数和抗毁伤特性,从而达到对蜂群无人机网络效能进行评估的目的;王尔申等人应用复杂空间网络理论构建了无人机集群对抗双方的协同网络、对抗网络以及协同对抗网络,并验证了模型的有效性;Wang等人根据集群***组成以及功能,通过构建多层复杂网络模型对无人机集群进行有效评估。由此可知,复杂网络理论可以对无人机集群有较好的建模描述能力。同时,为了对无人机执行集群不同决策下的任务能力进行量化,需要在复杂网络理论的基础上添加属性值,得到更符合实际情况的流网络模型。目前已有许多学者在其他领域进行相关理论的结合,例如,李华华利用复杂网络理论任务过程网络的结构特征,得到过程网络具备无标度特性,并以工序为节点,工序资源冲突判断为边建立0-1流网络模型;Hossain将澳大利亚航空网络直接映射为复杂网络模型并对模型进行了分析,以客流量为属性值建立了流网络模型。
发明内容
提供了本发明以解决现有技术中存在的上述问题。因此,需要一种基于流网络模型的无人机集群任务资源调度方法,为了解决目前提高无人机集群的任务可靠性通过对单机任务可靠性进行提高、而忽略了不同单机之间的组织协作关系的问题,主要提出资源调度的思想,基于复杂网络以及流网络理论,通过资源池化、多层复杂网络建模、流网络模型以及智能算法等技术方法的结合应用,对无人机集群的任务能力进行了量化分析,从而达到提高任务可靠性的目的。
根据本发明的第一技术方案,提供一种基于流网络模型的无人机集群任务资源调度方法,所述方法包括:构建任务网络资源池;构建任务链路;构建任务层网络;建立考虑任务能力流动的流网络模型;利用蚁群算法对无人机集群任务资源调度进行优化。
进一步地,所述构建任务网络资源池,包括:
对各类型无人机提供统一的映射平台,即任务层网络,将物理设备实体映射接入任务层网络,将各无人机实体抽象为在复杂网络中表示的任务载荷节点,最后将任务载荷节点按节点类型聚类并将各聚类虚拟化为资源池。
进一步地,将无人机集群***中的执行不同功能的无人机分为3类:感知类、决策类和执行类;
将集群***组成分为三层网络G={G1,G2,G3},分别为通讯层网络G1、结构层网络G2和任务层网络G3,对应无人机集群组成中通讯数据链、无人机载机和任务载荷三部分;
对于结构层网络G2,根据结构层网络G2携带任务载荷种类对结构层网络G2进行分类,并将任务载荷抽象化为任务层网络G3中的节点;
基于OODA任务节点划分,在任务层网络G3中构建三类资源池,分别感知类资源池、决策类资源池和执行类资源池,并根据映射其中的任务载荷节点进行资源划分,同种类型任务载荷匹配对应资源池,构建资源池化的集群任务层网络。
4、根据权利要求1所述的方法,其特征在于,所述构建任务链路,包括:
考虑协同关系的广义OODA模型中存在4类连边关系:感知情报共享链路(S-S)、情报上传链路(S-D)、指控协同链路(D-D)与指令下达链路(D-I);
基于所述4类连边关系,对集群任务载荷的连边关系进行抽象提取:
1)初始化:根据集群载荷配置确定任务层网络的节点数量、位置分布,假设对任务层网络生成n个节点,任务载荷种类数对应上节资源池数,为3种,每种载荷下的节点个数为ni(i=1,2,3),其中n1+n2+n3=n;
2)连接:
a.规定各类型任务载荷的连接顺序,有以下三种:S→D→I、S→S→D→I与S→D→D→I;
b.不同种类任务载荷之间按照自由组合算法进行连接三种任务载荷对应的载荷数分别为n1*n2*n3,共有n1*n2*n3种可连接方式;
c.在感知类资源池与决策类资源池内部,同种任务载荷之间按照自由组合算法进行连接,对应集群的协同工作模式,两种任务载荷对应的载荷数分别为n1、n2,分别有n1!、n2!种可连接方式;
d.所有连接中均要求两节点之间不能有重边,也不能有自环;
3)结束:当网络中所有节点、连边都生成后,输出所构造的任务层链路。
5、根据权利要求4所述的方法,其特征在于,在任务层网络G3中节点具备对应任务载荷的任务能力作为其属性值,即C3={C31,C32,…,C3n},n为节点数量,通过如下方法构建任务层网络:
基于集群机体层网络的节点V2进行映射,将任务载荷抽象为任务层网络的节点V3,并基于资源池化思想进行聚合;
任务层网络节点按照任务链路的构成方法进行连接;
将任务载荷所对应的任务能力赋予对应节点。
进一步地,所述建立考虑任务能力流动的流网络模型,包括:
将任务层网络等效为流网络G'={V',E',F'},是连通无环的有向图。其中,V'为网络的节点集,E'={e1,e2,…,en}为网络的边集,F'={f1,f2,…,fn}为网络的流量函数,流量函数是定义在边集上的非负数值;
在集群网络内能力的流动依靠任务载荷节点之间的拓扑关系,能力从感知节点流向决策节点,再流向执行节点,不同节点间能力同时流动,共同构成集群整体的任务能力流,fi(1≤i≤n)对应于相应链路ei(1≤i≤n)上的任务能力流。
进一步地,所述利用蚁群算法对无人机集群任务资源调度进行优化,包括:
蚂蚁的初始位置分布设定为所有入度为0的节点,即感知类节点,基于任务层流网络进行分析,选择对应的网络能力流量作为节点启发式信息,建立节点转移公式:
ηi=[suc(Vi)+1]·Vi
其中,Vi表示节点对应的任务能力,suc(Vi)为节点i的后续节点数;
在算法的迭代过程中,结合集群任务层网络特性与任务模式,将任务链路中需要遍历的节点类型分为三种,对应三种资源池,保存在三类集合中,供节点遍历寻优选择:
感知类节点,即入度为0的节点,保存在集合T1中;
目标节点,即出度为0的节点,保存在集合T2中;
剩余节点,即为决策类与执行类节点,保存在集合T3中;
在蚂蚁进行节点选择时,分为三步:
1)、当蚂蚁由集合T1中的节点向集合T3或集合T1中的节点进行转移时,节点选择概率如下式:
其中,τij(t)代表从i到j的对应时刻对应路径信息素值,ηij为从i到j的对应路径的启发式信息,α和β反应信息素与启发式信息对蚂蚁选择路径的影响程度,称其为信息素与启发式因子,T表示蚂蚁还未待经过的路径;
2)、当蚂蚁由集合T3中的节点向集合T3中的节点进行转移时,也按照转移概率进行计算;
3)、当蚂蚁由集合T3中的节点向集合T2中的节点进行转移时,按照节点之间的距离与执行范围要素参数,制定就近执行策略;
当蚂蚁均处于集合T2中的节点时,遍历结束。
根据本发明的第二技术方案,提供一种基于流网络模型的无人机集群任务资源调度装置,所述装置包括;第一构建模块,被配置为构建任务网络资源池;第二构建模块,被配置为构建任务链路;第三构建模块,被配置为构建任务层网络;第四构建模块,被配置为建立考虑任务能力流动的流网络模型;优化模块,被配置为利用蚁群算法对无人机集群任务资源调度进行优化。
进一步地,所述第一构建模块被进一步配置为:
对各类型无人机提供统一的映射平台,即任务层网络,将物理设备实体映射接入任务层网络,将各无人机实体抽象为在复杂网络中表示的任务载荷节点,最后将任务载荷节点按节点类型聚类并将各聚类虚拟化为资源池。
根据本发明的第三技术方案,提供一种可读存储介质,所述可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的方法。
本发明至少具有以下有益效果:
(1)将基于任务过程的集群分析方法和复杂网络理论有效结合,充分融合集群宏观***特征和无人机个体任务能力要素,构建了集群流网络模型,并基于此模型与网络化集群任务能力指标体系提出了集群任务能力评估方法,解决了传统评估方法忽略了无人机集群中组织调度关系对任务可靠性影响的问题;
(2)基于集群网络模型改进智能优化算法,面向复杂多变的任务过程与集群复杂动态的机理特点优化了算法的状态转移规则与并行策略,实现了任务策略的快速寻优迭代,能够迅速找到适合任务场景的最优任务调度策略,最大限度地发挥集群任务能力、减少任务损失。
附图说明
图1示出了根据本发明实施例的集群资源池化示意图;
图2示出了根据本发明实施例的任务层网络链路示意图;
图3示出了根据本发明实施例所提出的任务网络流量示意图;
图4示出了根据本发明实施例的资源调度模型示意图;
图5示出了根据本发明实施例的结合任务层网络的并行策略示意图;
图6示出了根据本发明实施例的改进算法流程图;
图7示出了根据本发明实施例的一种基于流网络模型的无人机集群任务资源调度装置的结构图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合附图和具体实施方式对本发明作详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述,但不作为对本发明的限定。本文中所描述的各个步骤,如果彼此之间没有前后关系的必要性,则本文中作为示例对其进行描述的次序不应视为限制,本领域技术人员应知道可以对其进行顺序调整,只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
本发明实施例提供一种基于流网络模型的无人机集群任务资源调度方法,包括以下步骤:
步骤1:构建任务网络资源池。
无人机集群资源池是一种对任务载荷实体进行抽象化、虚拟化后的聚合调度***。首先需要对各类型无人机设备提供统一的映射平台,即任务层网络,将物理设备实体映射接入任务层网络,将各无人机实体抽象为可以在复杂网络中表示的任务载荷节点,最后将任务载荷节点按节点类型聚类并将各聚类虚拟化为资源池。
借助任务过程OODA分析,我们将无人机集群***中的执行不同功能的无人机分为3类:感知类(S)、决策类(D)和执行类(I)。根据集群***组成以及功能,将其分为三层网络G={G1,G2,G3},分别为通讯层网络G1、结构层网络G2和任务层网络G3,对应无人机集群组成中通讯数据链、无人机载机和任务载荷三部分。
因此,对于无人机集群机体层G2来说,可根据其携带任务载荷种类对其进行分类,并将任务载荷抽象化为任务层G3中的节点。同时基于OODA任务节点划分,在任务层中可构建三类资源池,即感知类资源池、决策类资源池和执行类资源池,并根据映射其中的任务载荷节点进行资源划分,同种类型任务载荷匹配对应资源池,构建资源池化的集群任务层网络。
步骤2:构建任务链路。
对于标准OODA模型,存在2类连接关系:情报上传链路(S-D)与指令下达链路(D-I);考虑协同关系的广义OODA模型中存在4类连边:感知情报共享链路(S-S)、情报上传链路(S-D)、指控协同链路(D-D)与指令下达链路(D-I)。
基于此4类连边关系,对集群任务载荷的连边关系进行抽象提取,其连边构建规则如下所示:
1、初始化:根据集群载荷配置确定任务层网络的节点数量、位置分布,假设对任务层网络生成n个节点,其任务载荷种类数对应上节资源池数,为3种,每种载荷下的节点个数为ni(i=1,2,3),其中n1+n2+n3=n。
2、连接:
a.规定各类型任务载荷的连接顺序,有以下三种:S→D→I、S→S→D→I与S→D→D→I;
b.不同任务资源池,即不同种类任务载荷之间按照自由组合算法进行连接,即三种任务载荷对应的载荷数分别为n1*n2*n3,则共有n1*n2*n3种可连接方式;
c.在感知类资源池与决策类资源池内部,同种任务载荷之间也按照自由组合算法进行连接,对应集群的协同工作模式。两种任务载荷对应的载荷数分别为n1、n2,则分别有n1!、n2!种可连接方式;
d.所有连接中均要求两节点之间不能有重边,也不能有自环。
3、结束:当网络中所有节点、连边都生成后,输出所构造的任务层链路模型如图2所示,图中虚线代表可连接的任务链路。
步骤3:构建任务层网络。
无人机载荷在任务过程中发挥的作用即是其任务能力的体现,因此在任务层网络模型G3中节点需具备对应任务载荷的任务能力作为其属性值,即C3={C31,C32,…,C3n},n为节点数量。
具体来说,任务层网络模型的构建过程可以被描述如下:
1、基于集群机体层网络的节点V2进行映射,将任务载荷抽象为任务层网络的节点V3,并基于资源池化思想进行聚合;
2、任务层网络节点按照任务链路的构成规则进行连接;
3、将任务载荷所对应的任务能力赋予对应节点。
步骤4:建立考虑任务能力流动的流网络模型。
在实际任务过程中,任务链路中每个节点的能力发挥不仅取决于自身能力值,也会受同一链路中其他节点能力的限制,导致其能力无法完全发挥。对于有向容量网络而言,一般会对其进行流量化处理,即将节点能力属性转换为任务链路流量属性。在无人机集群***层面,即是将集群对任务的完成情况进行流量化处理,任务层网络中流动的流量就是集群完成任务的能力流。
因此,任务层网络模型可等效为流网络G'={V',E',F'},是连通无环的有向图。其中,V'为网络的节点集,E'={e1,e2,…,en}为网络的边集,F'={f1,f2,…,fn}为网络的流量函数,流量函数是定义在边集上的非负数值。在集群网络内能力的流动依靠任务载荷节点之间的拓扑关系,能力从感知节点流向决策节点,再流向执行节点,不同节点间能力同时流动,共同构成集群整体的任务能力流,fi(1≤i≤n)对应于相应链路ei(1≤i≤n)上的任务能力流,其传递关系如图3所示。
步骤5:使用蚁群算法对无人机集群能力资源调度方法进行优化。
对应真实的任务场景,还需在任务层流网络的基础上加入任务节点,构成由感知-决策-执行-目标组成的完整OODA任务链路,如图4所示,其中任务链路的连接方式决定了无人机集群的网络结构与整体任务流量情况,也是集群资源调度策略的网络表现形式。另外,根据实际情况下无人机感知***所能侦察到的情况,将目标节点所对应的任务能力视为两部分构成:执行距离与紧急等级,分别代表目标节点距离搭载执行载荷无人机的距离与目标节点在整体任务中的紧急程度。
根据蚁群算法,我们将路径的选择等效为无人机集群任务层网络中每一条任务链的选择,算法的状态转移概率即为选择下一个节点的概率,从而将资源调度问题转化为网络节点的遍历问题。并且考虑到网络中的能力特性,我们考虑基于任务链路中能力流动关系优化转移规则。
首先,蚂蚁的初始位置分布设定为所有入度为0的节点,即感知类节点,基于任务层流网络进行分析,选择对应的网络能力流量作为节点启发式信息,建立节点转移公式:
ηi=[suc(Vi)+1]·Vi
其中,Vi表示节点对应的任务能力。suc(Vi)为节点i的后续节点数。将suc(Vi)修正为[suc(Vi)+1]是没有后续节点时,避免出现节点转移概率为0从而无法开始下次迭代转移的现象。
在算法的迭代过程中,结合集群任务层网络特性与任务模式,将任务链路中需要遍历的节点类型分为三种,对应三种资源池,保存在三类集合中,供节点遍历寻优选择:
1、感知类节点,即入度为0的节点,保存在集合T1中;
2、目标节点,即出度为0的节点,保存在集合T2中;
3、剩余节点,即为决策类与执行类节点,保存在集合T3中。
因此,在蚂蚁进行节点选择时,也分为三步:
1、当蚂蚁由集合T1中的节点向集合T3或集合T1中的节点进行转移时,节点选择概率如下式:
其中,τij(t)代表从i到j的对应时刻对应路径信息素值,ηij为从i到j的对应路径的启发式信息,α和β反应信息素与启发式信息对蚂蚁选择路径的影响程度,称其为信息素与启发式因子,T表示蚂蚁还未待经过的路径;
2、当蚂蚁由集合T3中的节点向集合T3中的节点进行转移时,也按照转移概率进行计算;
3、当蚂蚁由集合T3中的节点向集合T2中的节点进行转移时,按照节点之间的距离与执行范围要素参数,制定就近执行策略。
当蚂蚁均处于集合T2中的节点时,遍历结束。通过蚁群算法实现对无人机集群任务层网络模型的遍历,并根据此时的链路连接关系进行任务可靠度的计算,并以此为目标函数进行评估,判断此次迭代结果的优劣。
蚁群算法由于其自身的并行性导致蚁群可分为多个组,同时对一模型进行寻优求解,不同蚂蚁组之间并不相互干扰,而是通过信息素的更新进行信息交互,从而实现算法运算速度的提升。
本发明实施例还提供一种基于流网络模型的无人机集群任务资源调度装置,如图7所示,所述装置700包括;
第一构建模块701,被配置为构建任务网络资源池;
第二构建模块702,被配置为构建任务链路;
第三构建模块703,被配置为构建任务层网络;
第四构建模块704,被配置为建立考虑任务能力流动的流网络模型;
优化模块705,被配置为利用蚁群算法对无人机集群任务资源调度进行优化。
在一些实施例中,所述第一构建模块被进一步配置为:
对各类型无人机提供统一的映射平台,即任务层网络,将物理设备实体映射接入任务层网络,将各无人机实体抽象为在复杂网络中表示的任务载荷节点,最后将任务载荷节点按节点类型聚类并将各聚类虚拟化为资源池。
在一些实施例中,所述第一构建模块被进一步配置为:
将无人机集群***中的执行不同功能的无人机分为3类:感知类、决策类和执行类;
将集群***组成分为三层网络G={G1,G2,G3},分别为通讯层网络G1、结构层网络G2和任务层网络G3,对应无人机集群组成中通讯数据链、无人机载机和任务载荷三部分;
对于结构层网络G2,根据结构层网络G2携带任务载荷种类对结构层网络G2进行分类,并将任务载荷抽象化为任务层网络G3中的节点;
基于OODA任务节点划分,在任务层网络G3中构建三类资源池,分别感知类资源池、决策类资源池和执行类资源池,并根据映射其中的任务载荷节点进行资源划分,同种类型任务载荷匹配对应资源池,构建资源池化的集群任务层网络。
在一些实施例中,所述第二构建模块被进一步配置为:
考虑协同关系的广义OODA模型中存在4类连边关系:感知情报共享链路(S-S)、情报上传链路(S-D)、指控协同链路(D-D)与指令下达链路(D-I);
基于所述4类连边关系,对集群任务载荷的连边关系进行抽象提取:
1)初始化:根据集群载荷配置确定任务层网络的节点数量、位置分布,假设对任务层网络生成n个节点,任务载荷种类数对应上节资源池数,为3种,每种载荷下的节点个数为ni(i=1,2,3),其中n1+n2+n3=n;
2)连接:
a.规定各类型任务载荷的连接顺序,有以下三种:S→D→I、S→S→D→I与S→D→D→I;
b.不同种类任务载荷之间按照自由组合算法进行连接三种任务载荷对应的载荷数分别为n1*n2*n3,共有n1*n2*n3种可连接方式;
c.在感知类资源池与决策类资源池内部,同种任务载荷之间按照自由组合算法进行连接,对应集群的协同工作模式,两种任务载荷对应的载荷数分别为n1、n2,分别有n1!、n2!种可连接方式;
d.所有连接中均要求两节点之间不能有重边,也不能有自环;
3)结束:当网络中所有节点、连边都生成后,输出所构造的任务层链路。
在一些实施例中,在任务层网络G3中节点具备对应任务载荷的任务能力作为其属性值,即C3={C31,C32,…,C3n},n为节点数量,所述第三构建模块被进一步配置为:
基于集群机体层网络的节点V2进行映射,将任务载荷抽象为任务层网络的节点V3,并基于资源池化思想进行聚合;
任务层网络节点按照任务链路的构成方法进行连接;
将任务载荷所对应的任务能力赋予对应节点。
在一些实施例中,所述第四构建模块被进一步配置为:
将任务层网络等效为流网络G'={V',E',F'},是连通无环的有向图。其中,V'为网络的节点集,E'={e1,e2,…,en}为网络的边集,F'={f1,f2,…,fn}为网络的流量函数,流量函数是定义在边集上的非负数值;
在集群网络内能力的流动依靠任务载荷节点之间的拓扑关系,能力从感知节点流向决策节点,再流向执行节点,不同节点间能力同时流动,共同构成集群整体的任务能力流,fi(1≤i≤n)对应于相应链路ei(1≤i≤n)上的任务能力流。
在一些实施例中,所述优化模块被进一步配置为:
蚂蚁的初始位置分布设定为所有入度为0的节点,即感知类节点,基于任务层流网络进行分析,选择对应的网络能力流量作为节点启发式信息,建立节点转移公式:
ηi=[suc(Vi)+1]·Vi
其中,Vi表示节点对应的任务能力,suc(Vi)为节点i的后续节点数;
在算法的迭代过程中,结合集群任务层网络特性与任务模式,将任务链路中需要遍历的节点类型分为三种,对应三种资源池,保存在三类集合中,供节点遍历寻优选择:
感知类节点,即入度为0的节点,保存在集合T1中;
目标节点,即出度为0的节点,保存在集合T2中;
剩余节点,即为决策类与执行类节点,保存在集合T3中;
在蚂蚁进行节点选择时,分为三步:
1)、当蚂蚁由集合T1中的节点向集合T3或集合T1中的节点进行转移时,节点选择概率如下式:
其中,τij(t)代表从i到j的对应时刻对应路径信息素值,ηij为从i到j的对应路径的启发式信息,α和β反应信息素与启发式信息对蚂蚁选择路径的影响程度,称其为信息素与启发式因子,T表示蚂蚁还未待经过的路径;
2)、当蚂蚁由集合T3中的节点向集合T3中的节点进行转移时,也按照转移概率进行计算;
3)、当蚂蚁由集合T3中的节点向集合T2中的节点进行转移时,按照节点之间的距离与执行范围要素参数,制定就近执行策略;
当蚂蚁均处于集合T2中的节点时,遍历结束。
需要说明的是,本实施例所描述的装置与在先阐述的方法属于同一技术思路,其能起到相同的技术效果,此处不赘述。
此外,尽管已经在本文中描述了示例性实施例,其范围包括任何和所有基于本发明的具有等同元件、修改、省略、组合(例如,各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释,并不限于在本说明书中或本申请的实施期间所描述的示例,其示例将被解释为非排他性的。因此,本说明书和示例旨在仅被认为是示例,真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如,上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外,在上述具体实施方式中,各种特征可以被分组在一起以简单化本发明。这不应解释为一种不要求保护的发明的特征对于任一权利要求是必要的意图。相反,本发明的主题可以少于特定的发明的实施例的全部特征。从而,以下权利要求书作为示例或实施例在此并入具体实施方式中,其中每个权利要求独立地作为单独的实施例,并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
Claims (10)
1.一种基于流网络模型的无人机集群任务资源调度方法,其特征在于,所述方法包括:
构建任务网络资源池;
构建任务链路;
构建任务层网络;
建立考虑任务能力流动的流网络模型;
利用蚁群算法对无人机集群任务资源调度进行优化。
2.根据权利要求1所述的方法,其特征在于,所述构建任务网络资源池,包括:
对各类型无人机提供统一的映射平台,即任务层网络,将物理设备实体映射接入任务层网络,将各无人机实体抽象为在复杂网络中表示的任务载荷节点,最后将任务载荷节点按节点类型聚类并将各聚类虚拟化为资源池。
3.根据权利要求2所述的方法,其特征在于,将无人机集群***中的执行不同功能的无人机分为3类:感知类、决策类和执行类;
将集群***组成分为三层网络G={G1,G2,G3},分别为通讯层网络G1、结构层网络G2和任务层网络G3,对应无人机集群组成中通讯数据链、无人机载机和任务载荷三部分;
对于结构层网络G2,根据结构层网络G2携带任务载荷种类对结构层网络G2进行分类,并将任务载荷抽象化为任务层网络G3中的节点;
基于OODA任务节点划分,在任务层网络G3中构建三类资源池,分别感知类资源池、决策类资源池和执行类资源池,并根据映射其中的任务载荷节点进行资源划分,同种类型任务载荷匹配对应资源池,构建资源池化的集群任务层网络。
4.根据权利要求1所述的方法,其特征在于,所述构建任务链路,包括:
考虑协同关系的广义OODA模型中存在4类连边关系:感知情报共享链路(S-S)、情报上传链路(S-D)、指控协同链路(D-D)与指令下达链路(D-I);
基于所述4类连边关系,对集群任务载荷的连边关系进行抽象提取:
1)初始化:根据集群载荷配置确定任务层网络的节点数量、位置分布,假设对任务层网络生成n个节点,任务载荷种类数对应上节资源池数,为3种,每种载荷下的节点个数为ni(i=1,2,3),其中n1+n2+n3=n;
2)连接:
a.规定各类型任务载荷的连接顺序,有以下三种:S→D→I、S→S→D→I与S→D→D→I;
b.不同种类任务载荷之间按照自由组合算法进行连接三种任务载荷对应的载荷数分别为n1*n2*n3,共有n1*n2*n3种可连接方式;
c.在感知类资源池与决策类资源池内部,同种任务载荷之间按照自由组合算法进行连接,对应集群的协同工作模式,两种任务载荷对应的载荷数分别为n1、n2,分别有n1!、n2!种可连接方式;
d.所有连接中均要求两节点之间不能有重边,也不能有自环;
3)结束:当网络中所有节点、连边都生成后,输出所构造的任务层链路。
5.根据权利要求4所述的方法,其特征在于,在任务层网络G3中节点具备对应任务载荷的任务能力作为其属性值,即C3={C31,C32,…,C3n},n为节点数量,通过如下方法构建任务层网络:
基于集群机体层网络的节点V2进行映射,将任务载荷抽象为任务层网络的节点V3,并基于资源池化思想进行聚合;
任务层网络节点按照任务链路的构成方法进行连接;
将任务载荷所对应的任务能力赋予对应节点。
6.根据权利要求1所述的方法,其特征在于,所述建立考虑任务能力流动的流网络模型,包括:
将任务层网络等效为流网络G'={V',E',F'},是连通无环的有向图。其中,V'为网络的节点集,E'={e1,e2,…,en}为网络的边集,F'={f1,f2,…,fn}为网络的流量函数,流量函数是定义在边集上的非负数值;
在集群网络内能力的流动依靠任务载荷节点之间的拓扑关系,能力从感知节点流向决策节点,再流向执行节点,不同节点间能力同时流动,共同构成集群整体的任务能力流,fi(1≤i≤n)对应于相应链路ei(1≤i≤n)上的任务能力流。
7.根据权利要求1所述的方法,其特征在于,所述利用蚁群算法对无人机集群任务资源调度进行优化,包括:
蚂蚁的初始位置分布设定为所有入度为0的节点,即感知类节点,基于任务层流网络进行分析,选择对应的网络能力流量作为节点启发式信息,建立节点转移公式:
ηi=[suc(Vi)+1]·Vi
其中,Vi表示节点对应的任务能力,suc(Vi)为节点i的后续节点数;
在算法的迭代过程中,结合集群任务层网络特性与任务模式,将任务链路中需要遍历的节点类型分为三种,对应三种资源池,保存在三类集合中,供节点遍历寻优选择:
感知类节点,即入度为0的节点,保存在集合T1中;
目标节点,即出度为0的节点,保存在集合T2中;
剩余节点,即为决策类与执行类节点,保存在集合T3中;
在蚂蚁进行节点选择时,分为三步:
1)、当蚂蚁由集合T1中的节点向集合T3或集合T1中的节点进行转移时,节点选择概率如下式:
其中,τij(t)代表从i到j的对应时刻对应路径信息素值,ηij为从i到j的对应路径的启发式信息,α和β反应信息素与启发式信息对蚂蚁选择路径的影响程度,称其为信息素与启发式因子,T表示蚂蚁还未待经过的路径;
2)、当蚂蚁由集合T3中的节点向集合T3中的节点进行转移时,也按照转移概率进行计算;
3)、当蚂蚁由集合T3中的节点向集合T2中的节点进行转移时,按照节点之间的距离与执行范围要素参数,制定就近执行策略;
当蚂蚁均处于集合T2中的节点时,遍历结束。
8.一种基于流网络模型的无人机集群任务资源调度装置,其特征在于,所述装置包括;
第一构建模块,被配置为构建任务网络资源池;
第二构建模块,被配置为构建任务链路;
第三构建模块,被配置为构建任务层网络;
第四构建模块,被配置为建立考虑任务能力流动的流网络模型;
优化模块,被配置为利用蚁群算法对无人机集群任务资源调度进行优化。
9.如权利要求8所述的装置,其特征在于,所述第一构建模块被进一步配置为:
对各类型无人机提供统一的映射平台,即任务层网络,将物理设备实体映射接入任务层网络,将各无人机实体抽象为在复杂网络中表示的任务载荷节点,最后将任务载荷节点按节点类型聚类并将各聚类虚拟化为资源池。
10.一种可读存储介质,其特征在于,所述可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310954303.6A CN116860002B (zh) | 2023-08-01 | 2023-08-01 | 基于流网络模型的无人机集群任务资源调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310954303.6A CN116860002B (zh) | 2023-08-01 | 2023-08-01 | 基于流网络模型的无人机集群任务资源调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116860002A true CN116860002A (zh) | 2023-10-10 |
CN116860002B CN116860002B (zh) | 2023-12-22 |
Family
ID=88232262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310954303.6A Active CN116860002B (zh) | 2023-08-01 | 2023-08-01 | 基于流网络模型的无人机集群任务资源调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116860002B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017080406A1 (zh) * | 2015-11-11 | 2017-05-18 | 刘晓阳 | 一种系留无人旋翼飞行器集群平台***及液体连续喷洒*** |
US20210312818A1 (en) * | 2020-04-06 | 2021-10-07 | Honeywell International Inc. | Traffic management systems and methods for unmanned aerial vehicles |
CN113759975A (zh) * | 2021-09-15 | 2021-12-07 | 北京航空航天大学 | 基于任务能力的无人机集群的建模方法及模型*** |
CN114281104A (zh) * | 2021-12-16 | 2022-04-05 | 成都戎星科技有限公司 | 一种基于改进蚁群算法的多无人机协同调控方法 |
CN114995521A (zh) * | 2022-08-08 | 2022-09-02 | 中国科学院自动化研究所 | 多无人机分布式编队控制方法、装置及电子设备 |
CN116016206A (zh) * | 2022-12-07 | 2023-04-25 | 北京航空航天大学 | 开放环境下无人集群***的弹性评估方法及*** |
-
2023
- 2023-08-01 CN CN202310954303.6A patent/CN116860002B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017080406A1 (zh) * | 2015-11-11 | 2017-05-18 | 刘晓阳 | 一种系留无人旋翼飞行器集群平台***及液体连续喷洒*** |
US20210312818A1 (en) * | 2020-04-06 | 2021-10-07 | Honeywell International Inc. | Traffic management systems and methods for unmanned aerial vehicles |
CN113759975A (zh) * | 2021-09-15 | 2021-12-07 | 北京航空航天大学 | 基于任务能力的无人机集群的建模方法及模型*** |
CN114281104A (zh) * | 2021-12-16 | 2022-04-05 | 成都戎星科技有限公司 | 一种基于改进蚁群算法的多无人机协同调控方法 |
CN114995521A (zh) * | 2022-08-08 | 2022-09-02 | 中国科学院自动化研究所 | 多无人机分布式编队控制方法、装置及电子设备 |
CN116016206A (zh) * | 2022-12-07 | 2023-04-25 | 北京航空航天大学 | 开放环境下无人集群***的弹性评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116860002B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113282368B (zh) | 一种用于变电站巡视的边缘计算资源调度方法 | |
CN109818786A (zh) | 一种云数据中心应用可感知的分布式多资源组合路径最优选取方法 | |
CN102945283B (zh) | 一种语义Web服务组合方法 | |
CN108563863B (zh) | 城市轨道交通***的能耗计算与调度方法 | |
CN112866015A (zh) | 一种基于数据中心网络流量预测与学习的智能节能控制方法 | |
CN116016206B (zh) | 开放环境下无人集群***的弹性评估方法及*** | |
CN113285831A (zh) | 网络行为知识智能学习方法、装置、计算机设备及存储介质 | |
Guo et al. | Traffic engineering in hybrid software defined network via reinforcement learning | |
Rahbari et al. | Fast and fair computation offloading management in a swarm of drones using a rating-based federated learning approach | |
Jahani et al. | Green virtual network embedding with supervised self-organizing map | |
Li et al. | Network topology optimization via deep reinforcement learning | |
Goel et al. | Improved multi-ant-colony algorithm for solving multi-objective vehicle routing problems | |
CN116860002B (zh) | 基于流网络模型的无人机集群任务资源调度方法 | |
CN103559538A (zh) | Bp神经网络结构优化方法 | |
WO2024036909A1 (zh) | 一种面向边缘服务网络的负载公平卸载与迁移方法 | |
CN114065457A (zh) | 一种电力通信网最优安全链路配置方法与*** | |
CN117034100A (zh) | 基于分层池化架构自适应图分类方法、***、设备和介质 | |
CN115809751A (zh) | 一种基于强化学习的两阶段多机器人环境覆盖方法及*** | |
Malandrino et al. | Energy-efficient Training of Distributed DNNs in the Mobile-edge-cloud Continuum | |
Luo et al. | AN EFFICIENT INTELLIGENT ALGORITHM BASED ON WSNs OF THE DRUG CONTROL SYSTEM. | |
Goudarzi et al. | A GA-based fuzzy rate allocation algorithm | |
Modi et al. | Enhanced routing using recurrent neural networks in software defined‐data center network | |
Samanta et al. | Energy management in hybrid electric vehicles using optimized radial basis function neural network | |
Gu et al. | A new perspective of link prediction in complex network for improving reliability | |
Pina Contini | Decentralized Federated Learning for Object Detection Tasks-A Routing Approach to the Reduction of the Communication Overhead |
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 |