[发明专利]基于量子乌鸦群搜索机制的无人机群任务分配方法

说明书

本发明涉及一种基于量子乌鸦群搜索机制的无人机群任务分配方法，包括：建立从多个起点到多个任务的无人机群任务分配模型，包括无人机型号数、起点终点和分配模型；初始化量子乌鸦群；根据适应度函数对每只量子乌鸦进行适应度计算，计算出的适应度函数最小值对应的量子乌鸦的位置存为全局最优食物位置；更新每只量子乌鸦的量子位置和位置；根据适应度函数对每只量子乌鸦进行适应度计算，确定每只量子乌鸦的隐藏的食物位置，同时找到迄今为止的最优食物位置,若达到最大迭代代数则输出全局最优食物位置，映射为任务分配矩阵。本发明解决了离散多约束目标函数求解问题，并设计离散量子乌鸦算法作为演进策略，具有收敛速度快，收敛精度高的优点。

技术领域

本发明涉及一种无人机群任务分配方法，特别是一种基基于量子乌鸦群搜索机制的无人机群任务分配方法，属于无人机自主控制领域。

背景技术

无人机又称为无人驾驶飞行器(Unmanned Aerial Vehicle，UAV)，在其使用过程中，不需要搭载操作人员，以空气动力提供升力，能够通过远程遥控飞行或在预定程序的控制下进行自主飞行，通过搭载任务设备执行特定任务。无人机具有体积小巧、使用灵活、隐蔽性好、适应性强等优点，能够在各种恶劣、危险和极限环境下，完成一些人类无法到达和从事的特定工作和任务。无人机的研制、生产和使用成本均远低于有人驾驶飞机，因此在军事和民用领域都有着广阔的应用空间。

无人机任务分配是无人机自主控制的关键技术之一，是无人机实现智能化、自主飞行与任务执行的重要因素。无人机任务分配是指在任务执行的整个过程中，通过一定的任务分配方法为无人机确定是否执行任务及执行何种任务，合理的任务分配一方面能够保证无人机的代价最小，另一方面又能最好的完成各项任务。

经对现有技术文献的检索发现，唐传林等在《电光与控制》

(2011,Vol.18,No.10,pp.28–31)上发表的“基于博弈论的多UCAV对地攻击目标分配”中提出了任务分配模型，用博弈论算法寻求最优任务分配，但是算法模型复杂，精度不够高且计算量大。Mehmet等在《Information Sciences》(2014,Vol.255，No.10,pp.28–31)上发表的“Approximating the optimal mapping for weapon targetassignment by fuzzy reasoning”用模糊推理的方法解决武器-目标分配问题，但是推理过程复杂，计算量大，实用性不高。随着智能启发式计算技术的发展，智能优化技术已经应用于多无人机的任务分配问题中。李炜等在《控制与决策》(2010,Vol.25,No.9,pp.1359–1364)上发表的“基于粒子群算法的多无人机任务分配方法”将粒子群算法应用于多无人机的任务分配问题，但是粒子群算法容易陷入局部最优，收敛精度有待提高。李俨等在《航天学报》(2014,Vol.25,No.9,pp.1626–631)上提出的“基于SA-DPSO混合优化算法的协同空战火力分配”将模拟退火算法和粒子群算法相结合进行无人机任务分配，这种方法有较好的收敛速度，但是容易陷入维数灾，寻优性能不够。

因为上述无人机任务分配方法都是非线性求解方法，所以在求解的过程中非常容易陷入局部极值，很难得到全局最优解。而现有的无人机任务分配方法在进行无人机群的任务分配中很少综合考虑各种评价指标和约束，故其应用范围受限。由此看来，寻找新的任务分配方法用以提高无人机作战的性能，是很有价值的。

发明内容

针对上述现有技术，本发明解决的技术问题是提供了一种考虑多起点多终点且适合于离散问题的基于量子乌鸦群搜索机制的无人机群任务分配方法。

为解决上述技术问题，本发明一种基于量子乌鸦群搜索机制的无人机群任务分配方法，包括以下步骤：

步骤一：初始化最大迭代代数为T_max，建立从多个起点到多个任务的无人机群任务分配模型：假设有U种型号的无人机从M个起点执行Q个任务；