[发明专利]基于蚁群智能的无人作战飞机多机协同任务分配方法

说明书

(一)技术领域

随着现代科技的发展，无人机(Unmanned Aerial Vehicle，UAV)在现代军事领域发挥了越来越重要的作用。无人作战飞机(Unmanned CombatAerial Vehicle，简称UCAV)便是UAV进一步发展，所诞生的一种武器系统。它可执行空对空、空对地(海)作战任务，由指挥部下达决策命令。

UCAV多机协同任务分配是任务规划中的一个重要组成部分。相比任务规划中的航路规划部分，国内对UCAV任务分配问题的研究还处于起步阶段。UCAV的任务分配主要指：空战中，在满足各项技战术指标的前提下，为了使已方损失最小并使敌方损失最大，为每架UCAV分配目标，即确定哪个UCAV攻击哪个目标。可见，在空战中，UCAV任务分配是空战的核心问题。

蚁群算法是新兴的人工智能算法，应用蚁群算法已经很好的解决的许多NP类问题。考虑到多UCAV实际上也属于NP类问题之一，本发明涉及一种基于蚁群智能解决UCAV多机协同任务分配问题的方法，该方法是解决复杂动态环境下UCAV多机协同任务分配问题的有效技术途径，同时，本发明也可应用于复杂环境下机器人任务分配、多目标协同任务分配等技术领域。

(二)背景技术

至上世纪九十年代，多UCAV协同的任务规划成为一个研究重点。UCAV多机协同任务分配和路径规划是实现多UCAV协同任务规划的两个必不可少的功能，因此目前关于多UCAV协同任务规划的研究主要集中在多UCAV协同的任务分配和路径规划。

UCAV多机协同任务分配方法目前主要有基于市场竞拍机制的方法、网路流量优化方法、基于割图的任务分配方法、基于MAS(Multi-AgentSystem)满意决策的任务分配方法以及混合整数线性规划方法。

基于市场竞拍机制的任务分配方法，将任务分配看作一个交易过程。该方法假设已经形成初始编队和目标分配，并赋予UCAV编队执行任务一个评估值，将目标和UCAV作为可以在各个编队之间交换的资源，当一个编队放弃目标或UCAV时，其评估值的降低就是目标或UCAV的卖价，当一个编队接收一个目标或UCAV时，则其评估值的增加就是目标或UCAV的买价。通过在编队之间交易目标或者UCAV来改善多UCAV整体作战效能。基于市场竞拍机制的任务分配方法原理简单，便于分布式求解，其局限在于同一个编队的各个交易之间必须相互独立且线性。并且应用该方法时必须有一个初始解，而初始解的确定对于大规模问题来说并不容易。

网络流量优化方法将多UCAV任务分配问题看作一个商业供需网络物流优化问题，以UCAV为离散的供应商，任务为在网络上的物流，任务分配的结果作为需求，UCAV执行任务的代价或者收益作为任务在网络中流动的代价，建立供需网络模型，通过对网络流量总代价最小化实现多UCAV任务分配。基于网络流量优化的任务分配方法能够有效求解简单任务分配问题，但是其鲁棒性较差，经常会给出性能非常差的结果，并且该方法局限于求解线性任务分配问题，即每一个UCAV只能执行一项任务，每一项任务只能由一个UCAV执行。

基于割图法的任务分配是通过连接UCAV起点到各个目标而建立一个有向图，将任务分配问题看作一个有向收益图划分成子图的过程，即先将每一个图的节点包含在且只能包含在一个子图中，在保证子图的任何两个边都没有共同起点和终点的前提下，使得所有子图中的所有边的增益最大。但是割图法囿于其过于庞大的计算量，在任务分配中应用受限。

基于MAS满意决策的任务分配方法，首先依据UCAV个体执行任务的代价和效能评估，确定UCAV个体可以接受的任务集合，然后在个体满意基础上通过联合满意度对多UCAV进行任务分配，实现UCAV个体与多UCAV整体任务代价、效能之间的折中。基于MAS满意决策的最大困难在于UCAV个体满意度以及联合满意度的建立非常困难。

美国麻省理工学院针对UCAV机群的任务分配和轨迹优化问题提出了基于混合整数线性规划(Mixed Integer Linear Programming，MTLP)的求解方法，主要考虑UCAV能力、障碍以及时间信息，将离散和连续决策变量集成到统一的优化问题模型中，利用商业软件CPLEX对模型求解得到任务分配结果。该模型的优点在于将任务分配和轨迹优化进行了部分解藕，使得轨迹优化可以在并行的平台上分布式进行，不足之处在于由于需要计算所有路径点的排列组合，因而计算量非常巨大，仿真实验中所解决的最大规模问题为8架UCAV对4个目标的任务分配问题。