一种基于贝叶斯程序学习算法的无人系统资源分配方法技术方案

本发明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，步骤一、建立任务环境场景模型：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，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。本发明专利技术方法可根据专家方案知识生成大量资源分配方案，实现资源分配方案的由少到多；能够举一反三，生成与专家资源分配方案不同的资源分配方案，有利于提高无人系统自主性和资源分配方案多样性。

An Unmanned System Resource Allocation Method Based on Bayesian Programming Learning Algorithms

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，实现由少量人类专家的资源分配方案学习专家知识，实现生成更多的资源分配方案并且生成不同于专家资源分配方案的方案，即实现举一反三，对于无人系统自主协同能力的提升具有重要意义。
技术实现思路
本专利技术的目的在于提供一种基于贝叶斯程序学习算法的无人系统资源分配方法，该方法通过学习少量人类专家的资源分配方案知识，举一反三实现生成更多的资源分配方案。本专利技术思路为，首先建立任务环境模型，该场景包含无人系统资源、任务和资源分配方案。任务环境模型主要实现对资源分配方案进行细化和拆分为实现后续的资源分配方案生成提供支撑。然后学习专家资源分配方案知识，包括学习专家资源分配方案中的任务划分知识和无人平台协同任务知识。最后根据所学专家方案知识生成资源分配方案。一种基于贝叶斯程序学习算法的无人系统资源分配方法，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。其中，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。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。具体如下：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taskiE中任务信息和子任务总数I，统计几个专家方案中的taskiE分布并计算分布函数F(TaskE),其中i≤m；b)根据专家资源分配方案中无人系统集群FleetkE统计几个专家方集群元素fleetiE中包含的无人平台及无人平台总数量Ni，并计算集群元素平均个数M，然后分别计算每个fleetiE中的无人平台分布函数Fi(usjE)其中i≤M,j≤Ni。c)根据专家方案中连接关系RkE统计几个专家方案中的riE信息并计算p(riE|taskjE,fleetiE),i≤n,j≤m。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。生成资源分配方案具体如下：方案生成过程中加入随机扰动，调整从专家资源分配方案中获取的知识信息。一次资源分配方案流程如下：1、生成子任务taskia)根据提取的分布函数F(TaskE)计算出p(taskE)，然后生成子任务,taski←p(taskE)；b)储存taski，如果i<I，返回步骤a)；2、生成无人平台组合fleetmc)根据提取的Fi(usjE)计算出pi(usjE)信息生成集群元素fleeti,fleetm←pi(usjE)；d)如果j≤Ni,返回步骤c)；e)储存fleeti，如果i≤M返回步骤c)；3、生成关系R：f)根据提取的p(riE|taskjE,fleetiE),i≤n,j≤m信息生成连接关系,rj←p(riE|taskjE,fleetiE)；g)如果j<M(表示连接关系总数)，返回步骤g)；4、生成资源分配方案重复子步骤1、2、3、4可生成大量资源分配方案。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，其优点在于：1)学习专家资源分配方案知识，根据专家方案知识生成大量资源分配方案，实现资源分配方案的由少到多；2)能够举一反三，生成与专家资源分配方案不同的资源分配方案，有利于提高无人系统自主性和资源分配方案多样性；附图说明图1是本专利技术方法的流程框图；具体实施方式本专利技术基于贝叶斯程序学习算法，提取并学习输入的专家资源分配方案方案信息。然后对输入任务进行划分生成对应的子任务，并根据学习获得的关于无人平台的相关信息生成平台集合，最后生成平台集合与子任务间的关系集合实现资源分配方案生成。如图1所示，为具体实施步骤：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。其中，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。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。具体如下：专家资源分配方案为其中本文档来自技高网...

【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