[发明专利]基于改进人工蜂群算法的动态环境多无人机任务分配方法

权利要求书

1.基于改进人工蜂群算法的动态环境多无人机任务分配方法，其特征在于，包括以下步骤：

s1、根据无人机信息、目标点信息和环境信息，构建由N_u架无人机组成，存在N_g个目标点，每个所述目标点具有个任务，其中i＝1，2，…，N_g的多无人机动态目标分配信息集；

S2、根据所述多无人机动态目标分配信息集中无人机与任务之间的分配关系，结合实际战场中的环境变化与任务要求，建立动态环境下的多无人机任务分配模型；

S3、将所述多无人机任务分配模型的多无人机任务分配问题的任意一个可行解，采用分组编码的方式进行编码得到多个组，每个组中包含一架无人机所需执行的任务编号；

S4、采用改进的人工蜂群算法求解所述多无人机任务分配模型，对无人机蜂群策略通过匈牙利算法修正计算，迭代更新得到所述多无人机任务分配模型的最优解即多无人机任务分配的最佳方案；

S5、针对环境与任务要求的改变，更新所述多无人机动态目标分配信息集，同时采用动态调整策略调整所述多无人机任务分配模型中无人机蜂群中的个体，重新使用改进的人工蜂群算法对调整后的无人机蜂群进行迭代，得到每一次环境与任务要求变化后的多无人机任务分配的最佳方案；所述S2步骤的建立动态环境下的多无人机任务分配模型的方法包括：

式(1)中f为目标函数；表示目标点价值；表示任务执行代价，包括航程代价和时间代价；C^p表示约束违背代价；α、β、γ为各项代价的权重系数；

对于存在多个任务的目标点，只有当所有任务均被完成时才能获取该目标点价值，目标点价值函数具体定义为：

式(2)中，表示目标点处存在的任务个数；x_ij表示目标点价值系数，当第i个目标点处第j个任务被执行时，x_ij的值为1，否则x_ij的值为0；表示目标点的价值；

无人机系统的基于航程和时间执行代价为：

式(3)中M_(i，j)为航程代价矩阵；D_(i，j)表示任务分配决策变量；t_(i，j)为无人机i到目标点J的时间；w₁、w₂为航程代价和时间代价的权重系数；

约束违背代价函数的表达式为：

式(4)中，np为约束条件数量，表示约束惩罚值，表示惩罚决策变量，当分配方案违背相应的约束时，的值为1，否则为0；

所述S4步骤的采用改进的人工蜂群算法求解多无人机任务分配模型，对无人机蜂群策略通过匈牙利算法修正计算的方法包括以下步骤：

S41、在任务分配的分组编码的基础上随机生成NP个满足所有约束条件的初始蜜源，并在每个所述初始蜜源的附近生成一只引领蜂；

S42、计算所有NP只引领蜂的适应度，采用轮盘赌算法选择每只引领蜂吸引的原始跟随蜂的个数N_f，其中

S43、对每个所述原始跟随蜂进行一次变异生成变异跟随蜂，记录所述变异跟随蜂的变异次数为v等于1，对所述变异跟随蜂进行匈牙利算法局部修正，计算变异跟随蜂的适应度与所述原始跟随蜂的适应度的差值d₁，如果d₁小于0则执行步骤S44，如果d₁大于或者等于0则执行步骤S45；

S44、对所述变异跟随蜂进行再次变异，变异方法同步骤S43，记录变异次数为v加1，并对变异跟随蜂采用匈牙利算法局部修正，计算此次变异后变异跟随蜂的适应度与原始跟随蜂的适应度的差值d₂，如果d₂小于0且变异次数小于最大变异次数，则重新执行步骤S44，如果d₂大于或者等于0则执行步骤S45；

S45、比较所述蜜源、引领蜂和跟随蜂的适应度，选择其中适应度最高的成为下一次迭代的初始蜜源；

所述跟随蜂包括原始跟随蜂和变异跟随蜂；

S46、根据S45步骤选择的下一次迭代的初始蜜源的位置生成下一次迭代的引领蜂，重复步骤S42至S46直到任务全部执行完成；

所述S5步骤的采用动态调整策略调整所述多无人机任务分配模型中无人机蜂群中的个体的方法包括以下步骤：

S51、检测外部环境变化，判断环境变化类型，如果环境改变影响分配结果，则执行S52步骤；

如果环境改变不影响分配结果，则跳过S52-S53步骤执行步骤S54；

S52、更新所述多无人机动态目标分配信息集；

S53、将原有任务分配方案中因环境改变而失效的部分分配所涉及的任务从原有任务分配方案中剔除，利用贪婪算法将原有任务分配方案中有效的任务和新增加的任务重新添加到任务分配方案中；

S54、将修改完成的任务分配方案作为S41步骤中的初始蜜源，重新执行步骤S41至S46。