基于量子鸽群机制的无人机任务分配方法组成比例

本发明专利技术公开了基于量子鸽群机制的无人机任务分配方法，属于无人机资源分配领域。步骤为：建立无人机分阶段任务分配模型；确定需要执行的任务，初始化量子鸽群；计算每只量子鸽子的适应度值，选出局部最优位置和全局最优位置；更新量子旋转角矢量，来更新每只量子鸽子的量子速度，得到量子鸽子的位置；对每只量子鸽子进行适应度评价；确定局部最优位置和全局最优位置；判断是否达到最大迭代次数；输出全局最优位置；判断任务分配是否完成；获得任务分配方案。本发明专利技术实现了以较少的时间代价获取更高的收敛精度、更快的收敛速度和更合理的任务分配方案，能够有效解决对无人机多约束的要求，得到更加合理的无人机任务分配方案。

【技术实现步骤摘要】
基于量子鸽群机制的无人机任务分配方法
本专利技术属于无人机资源分配领域，具体涉及基于量子鸽群机制的无人机任务分配方法。
技术介绍
无人机通常指的是能够自主控制或由地面操作人员遥控的无人驾驶飞机。与载人飞机相比，它具有体积小、造价低、使用方便、对作战环境要求低、战场生存能力较强等优点，因此能够用来取代人类飞行员去执行危险、压力大、重复的任务。在军事领域，可用于完成战场的侦察和监视、定位校射，作为火炮、导弹的靶标等；在民用领域，可用于地图测绘、地质勘探、通信中继等方面。因此无论在军事还是在民用领域，无人机的研制都有着广阔的应用空间。无人机任务分配是无人机系统应用的一项关键技术，是无人机完成军事任务的重要保证。任务分配是根据既定的目标把需要完成的任务合理地分派给系统中的组员，达到高效率执行任务、优化无人机系统的目的。在无人机执行任务的过程中，合理的任务分配方法可以使无人机达到最大的任务效能，从而更好地完成各项任务。根据已有的技术文献发现，杨尚君等在《电光与控制》(2012，Vol.19，No.7，pp.32-36)上发表的“动态环境下的多UCAV协同任务分配研究”中所提出的任务分配模型，用动态规划方法寻找最优任务分配，但是算法模型复杂，计算量大，实时性也不够理想。随着智能启发式计算技术的发展，智能优化算法已大量用于无人机任务分配问题中，并提供了新的研究思路。王永泉等在《西北工业大学学报》(2014，Vol.32，No.3，pp.451-456)上发表的“基于多群体改进萤火虫算法的UCAV协同多目标分配”将改进萤火虫算法(MIGSO)应用于无人机任务分配问题中，虽然改进萤火虫算法有较快的收敛速度，但是容易陷入局部最优解。李俨等在《航空学报》(2010，Vol.31，No.3，pp.626-631)上发表的“基于SA-DPSO混合优化算法的协同空战火力分配”将模拟退火-离散粒子群混合优化算法应用于无人机任务分配问题，虽然结合了两种算法的特点，但是对于高维非线性问题寻优性能仍然不高。上述所提到的基于智能计算的无人机任务分配方法虽然取得了较好的效果，但是在无人机集群作战系统的任务分配上，不仅需要设计新的任务分配模型，还需要设计新的求解多约束非线性任务分配问题的方法，以在最短的时间获得最优的任务分配方案。因此，寻找新的任务分配方法对于提高无人机的性能是很有必要的。
技术实现思路
本专利技术的目的在于提供能解决离散优化问题、收敛速度快、收敛精度高、适用性更加广泛的基于量子鸽群机制的无人机任务分配方法。本专利技术的目的通过如下技术方案来实现：基于量子鸽群机制的无人机任务分配方法，包括如下步骤：步骤一：建立无人机分阶段执行任务的任务分配模型，假设有N架无人机执行T个目标的任务，其中第n架无人机执行任务时携带弹药数目为设第n架无人机的起点坐标为其中1≤n≤N，无人机第t个目标的坐标为无人机n与目标t的距离为其中1≤t≤T。目标t1与目标t2的距离为其中1≤t1,t2≤T。无人机任务分配矩阵可用N行T列分配矩阵A＝{an,t|an,t∈{0,1}}N×T表示，若无人机n执行目标t上的任务，则an,t＝1，否则an,t＝0。无人机分阶段执行每个目标上的任务。设定每个目标上有三个任务需要完成，分别是侦察、攻击和毁伤评估，所有无人机首先执行侦察任务，当侦察任务完成后再对目标执行攻击任务，攻击任务完成后，无人机再执行毁伤评估任务。这样分阶段地执行任务可以确保目标上的每一个任务都顺利地执行，每执行一个任务后，无人机可以交流任务完成情况，方便下一个任务的部署，使得任务分配方案更加合理。设每个目标上有三个任务需要执行，分别是侦察、攻击和毁伤评估。目标t的价值为Valuet，无人机n对目标t的侦察确认概率为无人机n对目标t的杀伤概率为无人机n对目标t攻击后的生存概率为无人机n对目标t的正确评估概率为其中1≤n≤N,1≤t≤T。无人机任务分配模型由执行任务的效能来表示，Un,t表示无人机n执行目标t上的任务效能，任务效能Un,t包括无人机n执行目标t上任务的收益Rn,t与代价Cn,t，则任务效能可表示为Un,t＝Rn,t-Cn,t，其中1≤n≤N,1≤t≤T。三种任务的收益代价函数分别为：(1)侦察任务：无人机n完成目标t上侦察任务的收益函数为为无人机n对目标t的侦察确认概率，1≤n≤N,1≤t≤T。无人机n完成目标t上侦察任务的代价函数为其中an,t为任务分配矩阵A中的元素，A＝{an,t|an,t∈{0,1}}N×T。Dn,t为无人机n执行目标t的任务飞行的距离，Dmax为无人机n执行所有任务中最大的距离。为了保持函数的量纲一致，此处进行了归一化处理。(2)攻击任务：无人机n完成目标t上攻击任务的收益函数为其中，为无人机n执行目标t上的攻击任务时对目标的杀伤概率，为无人机n执行目标t上的攻击任务后无人机的生存概率。无人机n完成目标t上攻击任务的代价函数包括距离代价和风险代价两个部分，可表示为两个代价函数的加权和。距离代价函数为风险代价函数为则总的代价函数为其中β1和β2为两个因素的权重，且β1+β2＝1，β1,β2≥0。(3)毁伤评估任务：无人机n完成目标t上毁伤评估任务的收益函数为为无人机n对目标t的正确评估概率。无人机n完成目标t上毁伤评估任务的代价函数包括距离代价和风险代价两个部分，用两个函数的加权和表示。距离代价函数为风险代价函数为总的代价函数表示为其中λ1,λ2为两个因素的权重，且λ1+λ2＝1，λ1,λ2≥0。除此之外，还应满足如下的约束条件：(1)任务执行数目约束。即每个目标上的每项任务只能被一架无人机执行一次。(2)无人机弹药数目约束。即每架无人机攻击任务数目不超过所携带弹药总数。三种任务分配的目标函数可统一表达为其中，k∈{CF,KL,PG}。在侦察任务中，在攻击任务中，在毁伤评估任务中，其中函数当括号中两变量相等时返回0，不相等时返回1。令量子鸽群的种群规模Np，问题的维数按n和t递增的方式排列无人机任务分配矩阵A＝{an,t|an,t∈{0,1}}N×T中的元素，用对应记录无人机任务分配矩阵A中的元素，其中ε为迭代次数，是该向量的最大维度。实际使用时，可根据任务要求依次选择k∈{CF,KL,PG}，也可根据需要随机选择任务。步骤二：根据任务需要确定k的取值，初始化量子鸽群。对所有的i＝1,2,…,Np，将第i只量子鸽子的量子速度记为并将量子速度所有的量子位初始化为对第i只量子鸽子进行测量得到的位置为其中初始令ε＝0。量子鸽群中的第i只量子鸽子的位置对应一个维的行向量对鸽群中的第i只量子鸽子的量子速度的所有量子位进行测量得到Np个位置，对应Np个分配方案i＝1,2,…,Np。测量方法为其中，为均匀分布在[0,1]间的随机数。步骤三：根据适应度函数对每只量子鸽子的位置进行适应度计算，确定局部最优位置和全局最优位置适应度值按照来计算。步骤四：更新每只量子鸽子的量子速度和位置。在量子鸽群中，第i只量子鸽子第j维的量子旋转角的更新方程为其中为第i只量子鸽子的局部最优位置的第j维，为量子鸽群的全局最优位置的第j维，c1和c2为常数，分别决定局部最优位置和全局最优位置对量子鸽子的影响，和为均匀分布在[0,1]之间的随机数，R为地图和指本文档来自技高网...

【技术保护点】
1.基于量子鸽群机制的无人机任务分配方法，其特征在于，包括如下步骤：(1)建立无人机分阶段执行任务的任务分配模型，假设有N架无人机执行T个目标的任务，其中第n架无人机执行任务时携带弹药数目为

【技术特征摘要】
1.基于量子鸽群机制的无人机任务分配方法，其特征在于，包括如下步骤：(1)建立无人机分阶段执行任务的任务分配模型，假设有N架无人机执行T个目标的任务，其中第n架无人机执行任务时携带弹药数目为1≤n≤N；设第n架无人机的起点坐标为其中1≤n≤N，无人机第t个目标的坐标为无人机n与目标t的距离为其中1≤t≤T，目标t1与目标t2的距离为其中1≤t1,t2≤T；无人机任务分配矩阵可用N行T列分配矩阵A＝{an,t|an,t∈{0,1}}N×T表示，若无人机n执行目标t上的任务，则an,t＝1，否则an,t＝0；(2)根据任务需要确定k的取值，初始化量子鸽群，对所有的i＝1,2,L,Np，将第i只量子鸽子的量子速度记为并将量子速度所有的量子位初始化为对第i只量子鸽子进行测量得到的位置为i＝1,2,L,Np，其中i＝1,2,L,Np，初始令ε＝0；量子鸽群中的第i只量子鸽子的位置对应一个维的行向量i＝1,2,L,Np，对鸽群中的第i只量子鸽子的量子速度的所有量子位进行测量得到Np个位置，对应Np个分配方案i＝1,2,L,Np；测量方法为i＝1,2,K,Np,其中，为均匀分布在[0,1]间的随机数；(3)根据适应度函数对每只量子鸽子的位置进行适应度计算，确定局部最优位置和全局最优位置适应度值按照来计算；(4)更新每只量子鸽子的量子速度和位置；(5)对每只量子鸽子新生成的位置根据适应度函数进行适应度计算，将第i只量子鸽子的位置映射为任务分配矩阵A，利用适应度函数进行适应度计算；(6)更新每只量子鸽子的局部最优位置和全局最优位置，计算每只量子鸽子位置的适应度值，并且与其局部最优位置的适应度值比较，若大于局部最优位置，则用量子鸽子的位置替换局部最优位置；将每只量子鸽子位置的适应度值与全局最优位置比较，若大于全局最优位置，则用量子鸽子的位置替换全局最优位置；(7)判断是否达到最大迭代次数M，如果达到最大迭代次数，则迭代终止，执行步骤八；否则，令ε＝ε+1，返回步骤(4)继续执行；(8)输出量子鸽群的全局最优位置，映射为该任务分配矩阵；(9)判断所有任务分配是否完成，如果所有任务分配都完成，则执行步骤(10)；否则，执行下一任务，返回步骤(2)继续；(10)所有任务执行完毕，获得无人机侦察、攻击和毁伤评估的任务分配方案。2.根据权利要求1所述的基于量子鸽群机制的无人机任务分配方法，其特征在于，所述的步骤(1)具体包括：(1.1)设定每个目标上有三个任务需要完成，分别是侦察、攻击和毁伤评估，所有无人机首先执行侦察任务，当侦察任务完成后再对目标执行攻击任务，攻击任务完成后，无人机再执行毁伤评估任务，每执行一个任务后，无人机反馈任务完成情况，进行下一个任务的部署，设每个目标上有三个任务需要执行，分别是侦察、攻击和毁伤评估，目标t的价值为...

【专利技术属性】
技术研发人员：高洪元，马雨微，苏雪，刁鸣，李晋，张世铂，候阳阳，苏雨萌，孙贺麟，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23