[发明专利]一种复杂水环境下的多移动平台系统的协同任务分配方法

说明书

本发明公开了一种复杂水环境下的多移动平台系统的协同任务分配方法，本方法使鲸鱼群中每个个体所处的空间位置都包含了一组任务分配方案，通过代价函数的大小来衡量个体所处空间位置的优劣。同时在算法每次迭代过程中，根据粒子群算法得到的当代的最优粒子位置，替换掉最差的鲸鱼个体位置，鲸鱼再利用自身的觅食策略不断更新鲸鱼个体位置直至获取最佳鲸鱼位置，即获得最佳任务分配方案。本方法将粒子群算法引入到鲸鱼算法中共同求解优化问题，利用粒子群算法在每代循环中的得到最优粒子位置来替代鲸鱼群中的最差鲸鱼位置，避免了鲸鱼算法容易陷入到局部最优的问题，提高了算法搜索到更优解的可能性。

技术领域

本发明涉及复杂水环境下任务分配领域，具体涉及种复杂水环境下的多移动平台系统的协同任务分配方法。

背景技术

在求解目标分配的问题时，智能算法具备良好的适应性、启发性、高度灵活性等特点。典型的智能算法有以下几种:进化规划法、粒子群优化法、遗传算法，蚁群算法等。进化规划法扩展了原有的单目标优化方法，在多个平台进行协同任务分配的过程中，对有冲突的目标进化规划，并以最佳的适应度去搜索个体的方向，最终能很好的收敛到最优的任务分配结果，然而，这种规划方法具有易于陷入局部最优以及迭代周期过长的缺点，由此许多有效的优化的算法相继被提出，典型的有免疫进化算法和差分进化算法。粒子群算法主要依据群体的协作能力进行寻优问题的优化搜索，体现出了高效和简单的群体智能化决策。粒子在进行每一代搜索的过程当中，其在受到种群中较优粒子影响的同时，也会被其它相邻粒子个体所影响，所以，粒子最终所确定的飞行方向不仅要考虑到粒子的个体经验，还要考虑整个种群的群体经验。粒子群算法对比于遗传进化算法，其不需要进行交叉和变异的步骤，因此粒子群算法的优化效率相对较高。但是粒子群算法的精确搜索能力比较弱，特别是当求解离散问题的时候，粒子群算法可能会过早地收敛陷入局部最优的状态中。蚁群算法主要是根据蚂蚁在移动过程中释放的某种信息素传递环境信息，通过信息素量的引导蚂蚁的搜索能够朝着信息素积累较多的路径方向发展。蚁群算法的显著特征包括启发式搜索、分布计算以及信息正反馈作用，但是受算法自身因素的影响也存在一些缺陷，如算法收敛到全局最优的时间过长且容易陷入停滞的状态。群智能算法的群体之中每个单体都是独立的，问题最终的求解不会受单个个体变化带来的影响，所以群智能算法在解决多移动平台多目标任务分配的问题上非常合适，以往针对群智能算法存在的一些问题也已经有了优化的策略，大多数都成功运用到了一些多陆地和多空中机器人的协同搜索问题当中，但面向水环境监测的多移动平台系统协同任务分配研究相对较少。

伴随着科技的进步和人们对多移动平台系统知识的深入学习和丰富，多移动平台系统逐渐应用到越来越多的环境中，随之而来的，系统对算法的要求也变得越来越高，理想状态下的多移动平台任务分配方法已经远远不能满足对需求的应用，需要我们进行更加深入的探索和研究。

发明内容

针对现有技术中的上述不足，本发明提供的一种复杂水环境下的多移动平台系统的协同任务分配方法解决了鲸鱼算法容易陷入局部最优的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种复杂水环境下的多移动平台系统的协同任务分配方法，其包括以下步骤：

S1、采用栅格分解法进行水环境模型的搭建，确定障碍物在水环境模型中的位置；采用鲸鱼群算法中的鲸鱼个体代替各个移动平台；采用粒子群算法中的粒子代替各个移动平台并初始化各个粒子的位置和速度；

S2、获取所要执行的任务，并随机初始化鲸鱼群位置，使鲸鱼群中每个个体所处空间位置包含一组任务分配方案；

S3、根据鲸鱼群完成所有任务时总的路径距离和总能耗构建多移动平台任务分配的代价函数；

S4、根据多移动平台任务分配的代价函数获取鲸鱼群的个体适应度值，记录最优鲸鱼个体位置和最差鲸鱼个体位置；

S5、更新鲸鱼个体位置，获取鲸鱼算法当代全局最差解；