[发明专利]基于离散粒子群优化算法的多无人机动平台任务分配方法

说明书

本发明涉及无人机动平台任务分配技术领域，提供一种基于离散粒子群优化算法的多无人机动平台任务分配方法。首先获取每个无人机动平台及任务目标的位置；然后，通过对粒子的编码将任务分配方案映射为粒子，并随机生成初始粒子；接着综合考虑无人机动平台的自身能力、任务收益代价、路程代价、协同约束等因素构建多无人机动平台任务分配的适应度函数；接着采用变异算子和交叉算子实现粒子对极优值的学习，更新所有粒子，并采用贪婪策略选择选择适应度更优的粒子进化为下一代粒子，同时更新个体最优值和全局最优值，在达到最大更新次数时输出全局最优值为最佳任务分配方案。本发明能够提高多无人机动平台任务分配的效率。

技术领域

本发明涉及无人机动平台任务分配技术领域，特别是涉及一种基于离散粒子群优化算法的多无人机动平台任务分配方法。

背景技术

无人机动平台指能与环境感知交互、自主行驶并进行承载装备或人员(不搭载驾驶员)的移动机器设备。无人机动平台具有自主性强、荷载能力强、续航时间长、隐蔽性好、机动性高等特点，被广泛应用于民用和军用领域。任务分配根据既定任务设定约束条件，并结合数据进行评估，设计团队以最小代价完成最大收益的分配方案。任务分配减轻了决策人员和操纵人员的负担，能极大提高任务执行成功概率并降低成本，是多无人机动平台协同执行任务的基础。

近年来，已有部分研究开始关注多无人机动平台中任务分配方法的问题。目前研究无人机动平台任务分配时一般考虑多无人机动平台执行单个任务和多无人机动平台执行多个任务时的情况，通过对无人机动平台任务分配系统进行分析，建立与之对应的数学模型，然后根据约束条件来求解实际问题。针对单任务与多任务两种情况已提出许多基于经典问题的任务分配模型。无人机动平台单任务分配的数学模型主要有：车辆路径问题模型；多旅行商问题模型；动态网络流优化模型；多无人机动平台协同任务分配模型。

针对多无人机动平台任务分配问题模型的优化求解算法，现阶段研究成果主要包括最优化方法、聚类法、合同网方法和启发式方法。最优化方法将任务分配问题简化为数学模型，在多项式时间内获得任务分配方案，常用的方法有全排列、分支定界和匈牙利算法等；该类方法在小规模的任务分配问题下，可以得到最优解，但随着任务数量的增大，计算量呈指数型增长，算法耗费时间长，所以不适用于大规模任务规划问题。聚类法以任务的距离作为度量将全局任务分成几类子任务集，常见的方法有K-Means聚类；该类方法在求解大规模任务分配问题上具有良好的效果，但该类方法无法满足任务分配的多约束条件，无法实现多无人机动平台之间的协商。合同网方法通过将代价过大的任务进行招标，从而转移给其他个体的方式实现任务分配；该方法实现了无人机动平台之间分布式的任务分配，但整体效率低；另外，该算法要求个体能够互相通信，对网络环境的要求高。启发式方法综合考虑分配效果和计算时间，求得近优解，具有性能优越、实时性好的特点，常用的方法有粒子群算法、神经网络等。该方法解决了复杂模型带来的计算效率差的问题，但粒子在速度和位置的更新方式上具有连续的性质，不适合求解多无人机动平台任务分配这类离散域问题。

目前常用任务分配方法在求解问题时，无法在时间上和全局最优解上取得令人满意的效果，并且对于大规模任务分配问题，会出现数据冗余程度大、求解效率低、实时性差的问题。

发明内容

针对现有技术存在的问题，本发明提供一种基于离散粒子群优化算法的多无人机动平台任务分配方法，能够提高多无人机动平台任务分配的效率。

本发明的技术方案为：

一种基于离散粒子群优化算法的多无人机动平台任务分配方法，其特征在于，包括下述步骤：

步骤1：获取无人机动平台的总数n、第i个无人机动平台的位置任务目标的总数m、第j个任务目标的位置其中，i＝1,2,...,n，j＝1,2,...,m；

步骤2：初始化更新次数t＝0，设定最大更新次数为T；