[发明专利]多无人机协同目标分配方法

说明书

本发明公开了多无人机协同目标分配方法，通过仿真环境预处理，设置近似聚类双策略差分进化算法的基本参数，初始化种群，计算父代个体的适应度值，父代种群个体分类，选择变异策略，交叉算子，在算子中选择更好的个体进入下一代，结合代间变异率与归档技术替代代间变异随机重置，计算最优的适应度值，并计算UAVs与目标点的对应关系。解决了目前进化过程中存在的探索性和开发性平衡的问题，保证了收敛个体不会随着迭代次数消亡。最后扩展约束条件，增加了UAVs的载弹量约束，限制UAVs可执行的目标个数。能有效快速地解决多无人机协同目标分配问题，且协同能力强。

技术领域

本发明涉及无人机协同控制技术，特别涉及一种类似新的近似聚类双策略差分进化算法的多无人机协同目标分配方法。

背景技术

多无人机协同目标分配问题是指在复杂任务环境中，为无人机编队分配一个或一组有序任务，即对有限的UAV资源进行合理的分配，同时编队整体效率达到最优。多机协同目标分配问题具有协同性较高、计算难度大、复杂度高等特点。在目标分配过程中，既要考虑飞行器的性能差异、战场势态的复杂性、任务执行权重等因素；还需要考虑可行的飞行代价、合理的分配算法及各种协同约束条件。多无人机协同算法通常分成三类：

(1)基于数学规划法的协同目标分配：

数学规划法是解决集中式分配问题的经典方法。例如：柳毅等人提出了基于匈牙利算法的多目标分配处理方法,Jonathan P.How等人提出了混合数学线性规划(MILP)研究协同任务分配；这两种方法在处理维数较低的分配情况时，方法简单灵活，求解速度较快；但在处理维数较高的情况时，求解的难度呈指数级增长，因此很难找到最优解；而且该方法要求已知研究对象所有的信息，将复杂作战环境信息过度简化，因此仅适合低维的简单任务环境问题求解。

(2)基于协商法的协同目标分配：

协商法能够有效解决分布式目标分配问题。例如肖玉杰等人提出了基于合同网的分布式动态任务分配算法(CNBNA),该类算法计算灵活，可以将不同层次的分配问题在各个节点上进行分布处理。但在复杂任务环境中，随着分配规模的增大，系统的鲁棒性较差；同时，对协同约束的处理能力较差，致使其实现效果偏差较大。

(3)基于进化算法的协同目标分配：

该类算法是建立在自然选择与群体遗传基础上的寻优算法，实质上遵循“优胜劣汰”和“适者生存”的思想，用于解决数学或者传统建模效果不佳的复杂多约束问题，具有灵活、自适应、计算复杂低等优点。但是该类算法容易出现局部最优解，收敛速度较慢，以及停滞等现象。例如遗传算法、粒子群算法、蚁群算法、差分进化算法等。

由于人们对无人机系统需求不断提高，尤其是三维真实环境和异构多无人机体系构建，使该领域的研究更注重复杂高精，密切贴合实际等要求。数学规划法与协商法在目标分配过程中都简化了三维真实环境。进化算法灵活的编码结构适合复杂三维问题的建模和求解。近年来，进化算法逐渐成为多机协同目标分配研究趋势之一。其中差分进化算法(DE)运行稳定、收敛速度较快、空间复杂度较低，在处理高维问题中显示出较好的结果。

尽管DE算法已经很好地处理多无人机协同目标分配问题，但在处理高维复杂环境下的多机协同目标分配仍然存在如下难点：

(1)在解决多机协同目标分配时，如何根据实际的任务代价值指导种群的进化，因为种群中的个体即为备选解，备选解的优劣直接影响搜索算法寻优效率的高低。因此在进化之前需要对种群进行有效地划分。划分方法有两种：随机和自选；不同的问题采用不用的划分方法产生的效果也不一样。

(2)现用的进化策略进行目标分配求解时，往往只关注优化的某一个方面，选择适合探索(寻找更多全局最优区域)和开发(在全局最优区域中的找出最优解)的适当繁衍方案非常困难。例如，高随机性的变异方案侧重于探索，贪婪的变异方案侧重于开发，这就导致了在解决组合优化问题时存在不足。因此针对不同策略的改进和混合，以平衡探索性与开发性也是目前的一个难点。