[发明专利]一种无人机群协作打击目标分配方法

说明书

技术领域

本发明涉及一种无人机群协作打击目标分配方法，属于实时嵌入式技术领域。

背景技术

随着新军事变革的不断推进，基于实时嵌入式的无人机已经向高智能，高精度，协作化方向发展。作为协作化的关键技术之一的合作式攻击，是指两架或多架无人机之间通过战场信息网络和制导网络进行相互合作，完成武器打击，对超远距空中目标、中/远距目标和地面目标等进行打击的新型攻击方式。

目前无人机的火力控制及目标分配方法要求具有很高的实时性，在尽可能短的时间内完成对目标的攻击。遗传算法、蚁群算法也被广泛应用在无人机目标分配问题上，但其在解算的过程中容易产生不满足约束条件的解，虽然可以利用约束中的启发式信息对解进行检查，但却增加了算法的时间消耗，不利于实时性任务的及时响应，并局限于解决单机针对单目标的问题，不能实现单机多目标的求解。

发明内容

本发明提供了一种无人机群协作打击目标分配方法，以用于解决无人机群对目标的分配问题，算法简便，耗时短，并实现单机对多目标打击，方法实现简单便捷。

本发明无人机群协作打击目标分配方法是这样实现的：所述方法的具体步骤如下：

Step1、初始化粒子群，将无人机群与目标之间的关系转化为粒子矩阵形式作为一个粒子，并按照约束条件进行随机初始化；

Step2、根据评价标准制定适应度函数f(x)，并计算每个粒子的适应度值；

Step3、保存每个粒子的适应度值，并从所有的粒子适应度值中选择初始个体最佳适应度值和全局最佳适应度值进行保存；

Step4、判断是否达到最优的目标分配方案，即MAXf(x)，MAXf(x)为攻击收益与战损之差的最大值，若没有计算得到适应度函数f(x)的最大值MAXf(x)，则进行步骤Step5，如果计算得到适应度函数f(x)的最大值MAXf(x)，计算出该最大值MAXf(x)的粒子即为目标分配的最优方法；

Step5、分别用随机函数、认知函数和社会函数对粒子进行更新，并计算当前粒子的适应度值；

Step6、更新个体最佳适应度的粒子或全局最佳适应度的粒子；用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较；

若更新后的粒子的适应度值超过初始保存的个体适应度值，则用更新后的粒子的适应度值替换初始的个体适应度值并保存，

若更新后的粒子群中选择出的一个适应度值超过了初始的整体适应度值，则用更新后的粒子群适应度值替换初始的整体适应度值并保存；

Step7、所有粒子更新完后进化至下一代，并转步骤Step4重新判断是否达到最优的目标分配方案。

所述步骤Step1中的粒子，采用粒子矩阵构成。

所述步骤Step2中的适应度函数为f(x)＝αT-βG；其中α,β为可调节参数，用来调整进攻和存活的权重，α∈(0,1),β∈(0,1)，T为总有益指标，G为总战损指标。

本发明的有益效果是：本发明建立无人机群和目标之间的粒子矩阵，通过不断的自我学习，能够快速高效的解决无人机群对目标的分配问题，并实现单机对多目标打击，方法实现简单便捷。

附图说明

图1为本发明中的流程图；

图2为本发明与遗传算法的对比曲线图。

具体实施方式

实施例1：如图1所示，一种无人机群协作打击目标分配方法，所述方法的具体步骤如下：

Step1、初始化粒子群，将无人机群与目标之间的关系转化为粒子矩阵形式作为一个粒子，并按照约束条件进行随机初始化；

Step2、根据评价标准制定适应度函数f(x)，并计算每个粒子的适应度值；

Step3、保存每个粒子的适应度值，并从所有的粒子适应度值中选择初始个体最佳适应度值和全局最佳适应度值进行保存；

Step4、判断是否达到最优的目标分配方案，即MAXf(x)，MAXf(x)为攻击收益与战损之差的最大值，若没有计算得到适应度函数f(x)的最大值MAXf(x)，则进行步骤Step5，如果计算得到适应度函数f(x)的最大值MAXf(x)，计算出该最大值MAXf(x)的粒子即为目标分配的最优方法；

Step5、分别用随机函数、认知函数和社会函数对粒子进行更新，并计算当前粒子的适应度值；

Step6、更新个体最佳适应度的粒子或全局最佳适应度的粒子；用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较；