[发明专利]一种基于改进遗传算法的多无人机协同任务分配方法

说明书

本发明提供了一种基于改进遗传算法的多无人机协同任务分配方法，该方法包括以下三个步骤：建立无人机最小转弯半径、目标所需任务数目等约束方程和基于Dubins航迹路径代价下的多无人机协同任务分配模型；生成符合模型约束条件的预定规模的初始种群；以无人机Dubins航迹路径代价为适应度函数，利用改进遗传算法的精英策略、选择、交叉、变异等遗传操作对初始种群进行迭代更新，产生固定迭代次数中使目标函数最小的可行解，并将其作为多无人机协同任务分配和航迹规划的结果。本发明在多无人机协同任务作战上有广泛的应用价值，有利于实现多无人机多目标的协同任务执行，提高任务的完成效能。对多无人机协同控制领域有重要的意义。

技术领域

本发明属于无人机控制与决策技术领域，具体涉及一种基于改进遗传算法的多无人机协同任务分配方法。

背景技术

随着现代战场中电磁环境的日益复杂化、攻击武器的日益集成化，有人机的任务执行受到了前所未有的威胁。相对于有人机，无人机在现代战场的危险环境下，有低伤亡率甚至零伤亡率的优势。由于不用考虑机载生命，无人机的机动性、低可探测性以及持续作战能力得到了提高，同时无人机的研发、制造、使用和维护成本低，因此无人机契合时代的需求，可以执行复杂战场中枯燥、恶劣、危险、隐蔽的任务。然而，即使单无人机集成度增强，因其自身的燃料、重量和尺寸等限制，单无人机仍然无法实现对任务区域的多维度、大范围覆盖，也不能保证系统的容错性。因此，多无人机的协同工作有利于提高任务的完成效能，满足现代战场需求。本发明主要涉及多无人机协同任务规划技术，研究多无人机系统执行多目标多任务协同作战时，考虑无人机Dubins航迹模型情况下的多无人机协同任务分配方法。

多无人机协同任务分配是指，考虑无人机执行任务的Dubins航迹路径代价(Dubins路径是指在恒定速度和限定曲率的条件下，由给定位置与姿态角的初始点到达给定位置与姿态角的目标点的最短路径，该最短路径的存在性最早由Dubins用几何学方法证明，并推出其构成形式只可能为直线段或以无人机最小转弯半径为半径的圆弧段。由于Dubins路径是考虑了运动学约束后的路径，其比直线路径更加接近无人机飞行的真实路径。)，将多架无人机分配给多个静止目标并执行多类任务(目标确认、目标攻击、毁伤评估)的资源分配问题。由于需要同时考虑多无人机航迹、目标及目标任务的数目与种类，多无人机协同分配方法属于组合优化问题。而随着无人机及目标数目的增加，多无人机协同分配的计算量呈指数增长，演变成一个NP-hard问题，难以用传统的最优化算法(如枚举法、分支界定法、梯度法)求解。因此，快速且有效的优化算法是多无人机协同任务分配的难点。随着智能优化算法的提出与发展，多无人机协同任务分配得到了解决。

遗传算法是模拟自然界生物进化机制(适者生存，优胜劣汰)的随机优化搜索方法，因其特有的内在并行性和全局优化能力，适用于多无人机协同任务分配方案的求取。

目前，国内外学者在利用遗传算法进行多无人机协同任务分配方面进行了一定的研究。公开号为CN106529674A的专利提出了一种多无人机协同多目标分配方法，通过无人机和目标的关系及无人机飞行代价参数构造飞行代价模型，然后利用遗传算法来进行多无人机协同多目标分配求取，但是，飞行代价模型的建立只适用于无人机和目标数量少的情况，当无人机和目标数量增加时会急剧增加算法的计算量，难以保证算法的实时性。《Computers and Operations Research》期刊中，由Eugene Edison撰写的“Integratedtask assignment and path optimization for cooperating uninhabited aerialvehicles using genetic algorithms”一文中，首先对无人机航向角进行离散化来实现无人机Dubins 航迹计算，然后利用图论建立多无人机协同任务分配图，再通过遗传算法求取最佳的多无人机协同任务分配方案，但是无人机航向角的离散化程度决定了多无人机协同任务分配可行图的大小，当离散化程度增大时算法计算量迅速增加，不利于实现算法的有效求解。

发明内容