The invention provides an unmanned system resource allocation method based on Bayesian program learning algorithm. The first step is to establish a task environment scenario model, which includes unmanned system resources, tasks and resource allocation schemes; the second step is to learn expert resource allocation scheme knowledge: to learn expert resource allocation scheme knowledge in blocks, and to learn the task partition form in expert resource allocation scheme first, of course. After learning the expert resource allocation scheme, each sub-task of the unmanned platform allocation knowledge; Step 3: Generate the resource allocation scheme: According to the expert knowledge of Bayesian programming learning algorithm, first generate sub-task partition, and then allocate the corresponding unmanned platform for each sub-task. The method of the present invention can generate a large number of resource allocation schemes according to the knowledge of expert schemes, so as to realize the resource allocation schemes from fewer to more, and can generate different resource allocation schemes from expert resource allocation schemes, which is conducive to improving the autonomy and diversity of resource allocation schemes of unmanned systems.
【技术实现步骤摘要】
一种基于贝叶斯程序学习算法的无人系统资源分配方法
本专利技术一种基于贝叶斯程序学习算法的无人系统资源分配方法,涉及一种无人系统资源分配方法,它是一种基于贝叶斯程序学习算法的根据输入的专家方案、任务以及无人系统资源实现在输入的任务场景中由少量专家拟定的资源分配方案生成大量资源分配方案的方法。属于资源分配领域。
技术介绍
近年来无人装备性能持续提升并被广泛应用于各个领域,根据不同使用区域,无人系统可分为无人机系统(UAS)、无人地面平台(UGV)、无人海上系统(UMS),包括无人潜航器(UUV)、无人水面艇(USV)等。无人系统协同执行任务将是无人系统的应用趋势,随着无人系统应用逐渐广泛,无人系统任务环境也将更为复杂多样,这就要求无人系统的自主任务系统能够满足不同任务环境的任务规划能力,对无人任务规划系统的任务规划方案的多样性提出了更多要求。资源分配作为无人系统协同任务能力的关键部分主要实现在多无人系统协同情况下的协同任务规划。机器学习在处理海量信息、逻辑决策有着天然优势,因此运用机器学习方法实现无人系统自主资源分配对于提升无人系统的自主能力具有重要意义。众所周知,人类能够从很少甚至一个学习样本中学会知识。与人类学习能力不同,目前大多数的机器学习方法的知识获取都需要大量的样本数据支持。2015年Brenden.M.Lake等人提出了贝叶斯程序学习(BPL,BayesianProgramlearning),该方法模仿人类大脑学习能力来建立的一个学习模型,该模型能够像人一样去思考,具有举一反三的能力。因此将贝叶斯程序学习算法应用于无人系统资源分配系统,实现由少量人 ...
【技术保护点】
1.一种基于贝叶斯程序学习算法的无人系统资源分配方法,其特征在于:该方法步骤如下:步骤一、建立任务环境场景模型:任务环境场景模型包含无人系统资源、任务和资源分配方案;步骤二、学习专家资源分配方案知识:分块学习专家资源分配方案知识,首先学习专家资源分配方案中的任务划分形式,即将任务划分为多个子任务的形式;然后学习专家资源分配方案中每个子任务的无人平台分配知识;步骤三、生成资源分配方案:根据贝叶斯程序学习算法学的专家知识首先生成子任务划分,再为每个子任务分配相应的无人平台。
【技术特征摘要】
1.一种基于贝叶斯程序学习算法的无人系统资源分配方法,其特征在于:该方法步骤如下:步骤一、建立任务环境场景模型:任务环境场景模型包含无人系统资源、任务和资源分配方案;步骤二、学习专家资源分配方案知识:分块学习专家资源分配方案知识,首先学习专家资源分配方案中的任务划分形式,即将任务划分为多个子任务的形式;然后学习专家资源分配方案中每个子任务的无人平台分配知识;步骤三、生成资源分配方案:根据贝叶斯程序学习算法学的专家知识首先生成子任务划分,再为每个子任务分配相应的无人平台。2.根据权利要求1所述的一种基于贝叶斯程序学习算法的无人系统资源分配方法,其特征在于:所述步骤一中的无人系统资源由US表示,即US={us1,…,usi},usi表示无人平台;任务由Task表示,即Task={task1,…,taskm},taskm表示子任务;子任务可以分配给单个无人平台;资源分配方案模型为Fleet表示执行任务的无人系统集群Fleet={fleet1,…,fleetn},集群元素fleeti中包括组成机队的无人平台信息,以及无人平台配备的武器信息:fleeti={us1,…,usj},usj∈US,j<i;R={r1,...,rn}表示Fleet与Task的节点关系,即编队集合与任务集合元素间的映射关系;其中m≤n,无人系统集群中元素大于任务中子任务个数。3.根据权利要求1所述的一种基于贝叶斯程序学习算法的无人系统资源分配方法,其特征在于:所述步骤二具体过程如下:专家资源分配方案为其中上标E表示该方案和方案中元素为专家方案,下标k表示该方案为第几个专家方案;a)根据专家资源分配方案中的任务信息TaskkE提取子任务t...
【专利技术属性】
技术研发人员:周尧明,李少伟,郑江安,藏精,蒙志君,
申请(专利权)人:北京航空航天大学,中国航空系统工程研究所,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。