[发明专利]基于多目标量子粒子群算法的无人机协同任务分配方法

摘要

本发明提供了一种基于多目标量子粒子群算法的无人机协同任务分配方法，建立了无人机协同任务分配的模型，将无人机协同任务分配问题中的目标前期任务执行成功概率、无人机生存概率以及任务完成时间这三种指标分别作为多目标任务分配问题的优化目标函数，实现了这三种指标的同时优化。本发明针对无人机协同任务分配的问题的特点，设计了针对前期任务约束的修复算子和针对任务时序约束的修复算子，提高了种群中解的质量，设计了新的种群变异机制，有效提高了算法的收敛速度。

主权项

一种基于多目标量子粒子群算法的无人机协同任务分配方法，其特征在于包括下述步骤：步骤1，输入无人机数量Nv、任务目标数量Nt、无人机速度VUAV、任务目标坐标位置Post＝[post1,…,postNt]、无人机初始坐标位置Posu＝[posu1,…,posuNv]和无人机初始种群的规模P，其中post1代表第一个目标的坐标，posu1代表第一架无人机初始坐标位置；步骤2，根据双层编码规则生成多个初始种群，具体内容如下：2.1编码code＝[x1,…,xNv,y1,…,yNt]，其中x代表前期任务层编码，x1代表前期任务层第一个编码，前期任务层编码共Nv维，且均是在[0,Nt]内的整数，若为0则代表不进行前期任务；y代表评估任务层，y1代表评估任务层第一个编码，评估任务层共Nt维，且均是在(1,Nv+1)内的实数，实数的整数位是执行对应目标任务的无人机序号，整数相同的基因位实数的小数位大小代表对目标的执行顺序；2.2采用Kent混沌映射对种群初始化，Kent混沌映射公式为Rk+1=Rk/α0<Rk≤α(1-Rk)/(1-α)α<Rk≤1]]>其中，R代表所产生的随机数序列，Rk代表序列中的第k个数，α＝0.4；在初始化种群时，首先采用Kent映射产生分布在[0,1]的随机数序列，然后通过解的取值范围将随机数序列转为个体解，第s个个体的初始解的产生如下所示：xs1＝round(xmin+Rs(xmax‑xmin))ys1＝ymin+Rs(ymax‑ymin)其中，xs1代表第s个个体的前期任务层的第1个编码，ys1代表第s个个体的评估任务层的第1个编码，xmin＝0，xmax＝Nt，ymin＝1，ymax＝Nv+1；步骤3，计算所有个体的适应度函数fitness，具体计算方法如下：3.1将无人机对目标执行探测、识别、干扰和搜索任务统称为前期任务，无人机对目标前期任务执行成功概率矩阵其中pd11表示第1架无人机对第1个目标前期任务执行成功概率；假设第i架无人机Ui所携带任务载荷对第j个目标Tj的任务执行成功概率是Pdij；如果对于目标Tj只有无人机Ui对其进行前期任务，那么对于目标Tj的任务执行成功概率PDj＝Pdij；如果对于目标Tj分配nj架无人机执行任务，则其前期任务执行成功概率多无人机协同任务分配的目标前期任务执行成功概率指标其中，Pj表示对第j个目标的最小前期任务执行成功概率要求；3.2计算无人机生存概率矩阵其中ps11表示第1架无人机对第1个目标执行任务的生存概率；假设第i架无人机Ui在对第j个目标Tj执行任务时的生存概率是Psij，如果Ui对目标执行任务是在目标确定生存的情况时，Ui的生存概率PSi＝Psij；如果对目标执行评估任务，即目标已经被执行前期任务，则Ui的生存概率PSi＝Psij(1‑PDj)+PDj；多无人机协同任务分配的无人机生存概率指标3.3设第i架无人机Ui完成自身所分配的任务时间为ti，计算任务完成时间3.4计算个体适应度fitness，其中，f1是关于目标前期任务执行成功概率指标，f2是关于无人机生存概率的指标，f3是关于任务完成时间的指标，其中K为ftime取值区间的最小正整数，constrains为个体违背约束的个数，对于个体，要求满足以下约束条件，即：约束1：约束2：约束3：t(Tj(A))＜t(Tj(V)),j＝1,2,...,Nt；约束4：PDj≥Pj,j＝1,2,...,Nt；约束5：约束6：约束7：其中，表示无人机Ui是否对目标Tj执行前期任务，表示执行，表示不执行；表示无人机Ui是否对目标Tj执行评估任务，表示执行，表示不执行；t(Tj(A))和t(Tj(V))分别表示对第j个目标执行前期任务和评估任务的时间；步骤4，计算当前种群的所有非支配解，并用所有非支配解构成外部种群NP，外部种群NP的规模为N；步骤5，将初始种群内第w个个体本身作为其最优解Xpbest,w，w＝1,2,…,P，根据非支配解距原点的距离越近越优秀的原则，采用轮盘赌方法进行选择，确定群体最优Xgbest；步骤6，判断当前迭代次数step是否等于最大迭代次数maxstep，若step＝maxstep则停止算法，输出外部种群NP作为问题最终的解；若step≠maxstep则执行步骤7；步骤7，根据量子粒子群优化算法，更新全部粒子，其中，和u都是在(0,1)中的随机数，代表第r次迭代的粒子w的个体极值的第d维；代表第r次迭代的群体极值的第d维；代表第r+1次迭代的粒子w的第d维，β是惯性权值，步骤8，对粒子采用修复算子进行修复，并计算各粒子的适应度，具体方法如下：8.1采用针对前期任务约束的修复算子进行修复，具体操作步骤如下：8.1.1判断粒子编码所代表的任务分配结果中的目标是否全被执行前期任务，若是则结束修复进行步骤8.2，否则进行步骤8.1.2；8.1.2确定粒子编码所代表的任务分配结果中未被执行前期任务的目标序号Tq以及被指派无人机最多的目标Tp，其对应无人机有Up1,Up2,...,Upn，n为分配到Tp的无人机数量；8.1.3判断编码所代表的任务分配结果中是否有未分配前期任务的无人机，若有，则在未分配前期任务的无人机U01,U02,...,U0m中，以对目标Tq前期任务执行成功概率越高越好为原则，采用轮盘赌的方式选择一架无人机去对Tq执行前期任务，结束修复并进行步骤8.2，否则进行步骤8.1.4；8.1.4在分配至目标Tp的无人机Up1,Up2,...,Upn中，以对目标Tp前期任务执行成功概率越低越好为原则，采用轮盘赌的方式选择一架无人机对Tq执行前期任务，结束修复并进行步骤8.2；8.2采用针对任务时序约束的修复算子，具体操作步骤如下：8.2.1判断粒子编码所代表的任务分配结果中是否有无人机被分配执行同一目标TI上的前期任务和评估任务，若有则进行步骤8.2.2，否则进行步骤8.2.3；8.2.2保持被分配执行同一目标TI上的前期任务和评估任务的无人机所执行的前期任务目标不变，并将在该前期任务目标上执行评估任务的无人机随机改为其他无人机；8.2.3确定存有时序冲突的目标TI，并计算前期任务层结束后，未对目标TI进行前期任务的各无人机前往目标TI的累计航行距离；8.2.4以离TI的累计航行距离越大越好为原则，采用轮盘赌的方式选取一架无人机对目标TI进行评估；8.2.5计算修复后粒子的适应度fitness′，若修复后粒子适应度fitness′小于未修复之前的适应度则保留，否则维持原粒子编码不变；步骤9，判断当前种群个体是否支配个体极值，即X′w＞Xpbest,w，其中X′w代表当前种群第w个个体，若支配个体极值，则令Xpbest,w＝X′w，否则维持Xpbest,w不变；步骤10，将迭代产生的新解与外部种群的解进行比较，根据算法中的外部种群添加策略判断是否将新解加入外部种群，外部种群添加策略如下：第e个粒子经过迭代更新后为Xe，迭代过程中的外部种群NP＝(Xnp1,Xnp2,...,XnpN)，将Xe与NP中的非支配解进行比较，若存在XnpS＞Xe，S＝1,2,...,N，则维持NP不变；若Xe＞XnpS，则将XnpS从NP中删除，并添加Xe进入NP；否则，直接添加Xe进入NP；步骤11，若外部种群NP规模超出设定值，从拥挤距离最小的粒子进行裁剪，直至恢复外部种群规模，以保持所设定的规模N，第e个粒子的拥挤距离Dcrowde计算公式如下：Dcrowde,1=f1,e+1-f1,e-1f1,max-f1,min]]>Dcrowde,2=f2,e+1-f2,e-1f2,max-f2,min]]>Dcrowde,3=f3,e+1-f3,e-1f3,max-f3,min]]>Dcrowde＝Dcrowde,1+Dcrowde,2+Dcrowde,3其中，f1,e‑1为f1的第e‑1个数的值，e＞1且e＜|f1|，|f1|为f1中数据的个数，且f1,e‑1＜f1,e＜f1,e+1，f1,max为f1中最大的数，f1,min为f1中最小的数；当e＝1或e＝|f1|时，Dcrowde,1＝∞；步骤12，将当前外部种群中最优粒子作为群体最优粒子Xgbest；步骤13，判断是否满足种群变异的指标，若是，则进行变异操作，否则进行步骤14，具体方法如下：13.1判断是否满足种群变异条件，判断方法如下：Judge＝Con·DisCon＝(minf1)2+(minf2)2+(minf3)2Dis=13((maxf1-minf1)+(maxf2-minf2)+(maxf3-minf3))]]>13.2种群变异操作步骤如下：13.2.1设定种群变异迭代次数Nmute，种群更新过程中，计算Judge参数，判断其是否在Nmute次迭代更新中未发生变化，若是则进行步骤13.2.2，否则放弃变异操作；13.2.2设定种群变异的重构规模Nrebuild，并判断当前种群中受支配粒子数Ndominate；13.2.3若Ndominate≥Nrebuild，则在当前种群的所有受支配粒子中选择Nrebuild个并删除，否则，进行步骤13.2.4；13.2.4若Ndominate＜Nrebuild，则删除当前种群中所有受支配粒子，并在所有非支配粒子中随机选择(Nrebuild‑Ndominate)个进行删除；13.2.5按步骤2重新构建Nrebuild个粒子，恢复种群规模；步骤14，使当前代数step增加1，返回步骤6。