[发明专利]一种基于离散鸽群算法的无人机任务分配方法

说明书

本发明公开了一种基于离散鸽群算法的无人机任务分配方法，包括如下步骤：步骤1、建立无人机任务分配问题的多耦合适应度函数数学模型；步骤2、设计适配问题数学模型的结合学习因子的离散鸽群寻优算法；步骤3、对迭代寻优的最优序列进行解码、修正并输出最优分配方案。本发明针对随机寻优过程出现的溢出约束情况，设计优化纠错算法进行修正并局部寻优，最终输出适应问题模型的最优分配结果，为工程实际提供好的技术支持。

技术领域

本发明涉及无人机技术领域，尤其是一种基于离散鸽群算法的无人机任务分配方法。

背景技术

随着空战环境的日趋复杂，空中作战任务要求也越发困难和繁复，由此刺激了空战中越来越多高新技术的应用。现代空战由于各种信息技术地广泛应用，各种战机的机载航电系统愈发复杂，打击能力和机动能力提升的同时，空战成本及风险也伴随着作战效能的提升愈发提升，且机组操作人员是比战机更为宝贵的资源，一名合格战机飞行员的培养往往耗费国家巨大的资源，因而如何在保证空战作战效能的同时尽可能地降低成本，降低人员的安全风险，一直是空战革新的一大重要问题。经过长时间的探索，无人系统的应用为解决这一重要问题发挥了举足轻重的作用。

无人机任务分配系统，其意义在于建立复杂环境中无人机集群与作战任务之间的关联和映射关系，使无人机体系作战性能在一定条件下达到最优水平。任务规划系统的具体内容可归纳为：在一定的决策时间内，分配异构无人机对给定目标执行多个任务，形成配合，并使系统综合考察指标最小化，达到最优效率。

发明内容

本发明所要解决的技术问题在于，提供一种基于离散鸽群算法的无人机任务分配方法，能够输出适应问题模型的最优分配结果，为工程实际提供好的技术支持。

为解决上述技术问题，本发明提供一种基于离散鸽群算法的无人机任务分配方法，包括如下步骤：

步骤1、建立无人机任务分配问题的多耦合适应度函数数学模型；

步骤2、设计适配问题数学模型的结合鸽群淘汰机制的离散粒子鸽群寻优算法；

步骤3、对迭代寻优的最优序列进行解码、修正并输出最优分配方案。

优选的，步骤1中，建立无人机任务分配问题的多耦合适应度函数数学模型具体包括如下步骤：

步骤11、将无人机自身性能参数数学化；其中包括无人机数量、机场出发点位置信息、无人机弹药携带量、无人机飞行速度、无人机最小转弯半径、无人机打击成功率系数、无人机的耗能系数；

步骤12、将任务目标点相关参数数学化；其中包括任务目标点数量、任务目标点位置信息、任务目标点打击需求、目标点成功攻击收益、任务目标点的自身代价系数；

步骤13、建立无人机性能参数信息到任务目标点的多适应度函数耦合数学模型。

优选的，步骤13中，建立无人机性能参数信息到任务目标点的多适应度函数耦合数学模型具体为：以步骤11、步骤12建立的无人机、任务目标点数学化模型为基础参数，建立多适应度函数；以无人机机场出发点位置信息及任务目标点位置信息建立路程代价适应度函数F_distance；以无人机飞行速度、路程代价函数及无人机耗能系数建立耗时及耗能代价适应度函数F_{time_energy}；以无人机打击成功率系数、目标点成功攻击收益及任务目标点的自身代价系数建立打击收益适应度函数F_profit；以无人机弹药携带量及任务目标点打击需求建立打击弹药判断系数I_ammo；根据上述步骤建立的多适应度函数，建立无人机到目标点的总体适应度函数F_total。

优选的，步骤2中，设计适配问题数学模型的结合学习因子的离散鸽群寻优算法具体包括如下步骤：