一种无人机群行动方案自动生成方法技术

本发明专利技术公开一种无人机群行动方案自动生成方法：一、确定任务核心和场景信息；二、子任务分解模块，使用遗传算法将任务核心分解为若干子任务；三、子任务优先级自动排序模块——和声种群生成；四、资源调度模块进行和声评价；五、子任务优先级自动排序模块——和声记忆库更新；六、输出优秀方案。本发明专利技术摆脱人为参与，实现高度自动化、快速响应率和智能协同化；生成的方案保证优秀性、多样性，可按优秀程度排序供选用；生成的行动方案执行时效率更高、目的更明确；搜索时效率更高，不需遍历所有排列即可达到优秀解；可同时进行最优调度和最佳优先级序列和声个体的评价，同时保证时序和资源调度的准确性，增加了计算效率；模块化算法兼容性更高。

【技术实现步骤摘要】
一种无人机群行动方案自动生成方法
本专利技术涉及一种无人机群行动方案自动生成方法，尤其是一种基于子任务分解遗传算法、子任务优先级排序和声搜索算法、资源调度多维动态列表规划算法的无人机群行动方案自动生成方法，可以快速、有效、并且无人为干预完全自动的生成无人机群行动方案，属于智能算法模块和无人机群任务指挥调度领域。
技术介绍
在复杂无人机群的智能化、协同行动方案生成过程中，为了增加生成效率以及方案的优秀及多样性，往往引入各种智能算法使用计算机进行自动化的生成。近年来，随着无人机技术的发展，无人机在各个领域都得到广泛的应用。而单架无人机局限性较强，在大型任务执行过程中，无人机往往以无人机群的形式编队列装。无人机群具有快速响应、高效协同、任务执行准确等特点，而若以人作为指挥官手动指挥，无疑无法发挥其特色优势。故无人机群行动方案自动生成方法的研究是必要的。优秀的自动生成方法可以使无人机群执行任务更加快速、高效，开放性强，反应速度快，并可以快于人类指挥的速度进行任务的修正以及面对更多样化、更复杂的任务。所以无人机群行动方案自动生成方法具有良好的发展前景和实际应用价值。目前，无人机群行动方案生成多是以人为划分的子任务，按经验手动排列优先级，以子任务为输入使用算法进行行动方案的生成。而这种生成方法，由于在子任务分解与优先级生成阶段，有人为的参与，所以无法称为自动生成方法，有很大的局限性，无法脱离人为的因素。目前学界尚无一类完全自动的行动方案生成方法，有学者使用CS(布谷鸟搜索)算法与MPDLS(多优先级列表动态规划)算法结合，在优先级程度上有了一定的自动性，但由于还需要人为的分解子任务以及优先级设定，远远还达不到无人机群行动方案自动生成所要求的自动化精度。故为了满足无人机群行动方案生成的需要，一种无人机群行动方案自动生成的方法的提出是很有意义的。
技术实现思路
本专利技术针对传统的无人机群行动方案生成方法进行改进，提出了一种无人机群行动方案自动生成方法。本专利技术方法基于三个模块，每个模块基于一种算法，即子任务分解模块、子任务优先级排序模块、资源调度模块，分别对应子任务分解遗传算法，优先级序列布谷鸟搜索算法和多维列表动态规划算法。本专利技术方法能够实现给定任务核心，即一个总任务，如取得物品、消灭目标、到达指定位置或救护目标等，经过模块化运算，自动生成执完成任务核心的行动方案，即无人机群各个平台的执行特定行动的时间序列。该专利技术方法重点在于提出子任务分解模块和子任务优先级自动排序模块，无人为的参与，能够高效快速地生成多样的优秀方案。本专利技术的基本思路为：(1)子任务分解模块本专利技术方法的输入即为一任务核心，通过此任务核心将确定各个任务目标的收益值。首先,需要根据任务环境进行建模。将我方无人机建模为资源平台，即携带具有不同能力的资源的平台，一个无人机群就是一个平台组。平台所需移动距离和收益值加权形成的函数为综合收益度，该子任务分解模块按综合收益度使用遗传算法进行聚类，将综合收益度相距较近的任务目标聚类到一起成为同一个子任务。(2)子任务优先级自动排序模块本专利技术方法的第二个模块为子任务优先级自动排序模块，使用和声搜索算法，生成若干个和声种群，每一个和声种群代表一个优先级序列，生成的各个优先级序列进入资源调度模块中进行最优调度后返回一个和声评价，再迭代求出最优和声个体。(3)资源调度模块本专利技术方法的第三个模块为资源调度模块，使用多维动态列表规划算法按第二个模块中的优先级序列的优先级进行资源调度，并将此时对最优调度方案进行评价，返回第二个模块作为和声评价。最优和声个体对应的最优调度方案即为最优行动方案，并可按需要保留次优秀方案。本专利技术的一种无人机群行动方案自动生成方法，包括如下步骤：步骤一：确定任务核心和场景信息。步骤二：子任务分解模块，使用遗传算法将任务核心分解为若干子任务。(1)遗传算法染色体表示遗传算法的染色体表示采用二进制编码形式，基于步骤一确定的场景信息，每个染色体由矩阵F组成，其中n是子任务的个数，m是已知目标的数目。F矩阵中每一个元素的取值由如下式子决定，F矩阵编码情况如表1所示。表1当确定了目标分配方案矩阵F以后，位于战场环境下的各个敌方目标就可以按照F矩阵结果分别分配给不同级别的子任务。则遗传算法的每一条染色体即为一个F矩阵。(2)子任务分解遗传算法的适应度函数首先在将敌方现有的感知目标进行任务规划时，要根据目标的位置和收益程度加权得到它的“综合收益指标”weight：weight＝location×α+gain×(1-α)其中系数α权重由方法使用者给出，含义为方法使用者对于位置指标和收益指标的优先考虑程度。将每一个目标与子任务所匹配得的综合收益指标整理成矩阵W。将矩阵W与矩阵F点乘，得到分配后的综合收益指标矩阵A。计算综合收益指标矩阵A中每一行的方差，再将综合收益指标矩阵A各行方差相加，若方差之和越小，则认为个体的适应度越高。因此，适应度函数的具体形式为：式中，weight(fik)为矩阵F中元素(即目标)的综合收益指标，E(weightn)为综合收益指标矩阵A中一行数据的期望。(3)子任务分解算法的选择操作本专利技术方法采用轮盘法，即采用适应度比例选择方式来进行个体的选择，每个个体的选择概率与其适应度成正比。设种群规模为N，种群中第i(i＝1,2,...,N)个个体的适应度为fi，则第i个个体的选择概率pi，如下式子所示：(4)子任务分解算法的交叉操作由于子任务分解算法操作的对象和输出的结果是一个个目标分配方案，即每个个体中“1”的个数等于所分配的目标数，所以在交叉过程中如果改变了原有个体的结构而使个体中“1”的个数变多或变少，将导致算法给出的任务分界方案出现目标闲置或出现多余目标等问题，这显然不是期望看到的结果。为确保交叉操作后每行个体中“1”的个数固定不变，提出一种调整措施对遗传算法的基本交叉操作加以改进。具体步骤如下：假设A和B是两个待交叉父体，并且有一个后进先出的堆栈，As、Bs代表两个父体染色体的第s位上的数值，若As、Bs两位相异，则暂时先不互换这两位，而是把它们放到堆栈中存储起来，然后继续搜索A和B的后续位，若发现还存在Ai、Bi这对相异位，且Ai和Bi也是相异的，则同时交换As、Bs和Ai、Bi两组基因位，这样就可以确保A和B两个个体在交叉操作以后仍能保证个体中“1”的个数固定不变。(5)子任务分解算法的变异操作同样，这里也不希望遗传算法的变异操作破坏原有方案个体的稳定性，为确保变异操作后每个个体中“1”的个数固定不变，就必须采用特殊的变异方法。具体步骤如下：根据给定的变异概率决定一行个体基因序列的某一位s是否发生变异，如果是，则在同一行选取另外一个随机位i，假设这两位也是相异的，就将s和i直接交换，否则不交换，从而达到变异的效果。(6)遗传终止条件指定遗传代数就停止遗传算法的进行。通过改进的遗传算法，可以根据现有的场景信息(主要是已知目标的地理位置坐标以及收益程度)将任务核心分解成为不同级别的子任务。步骤三：子任务优先级自动排序模块——和声种群生成。使用和声搜索算法生成和声种群。本步骤为子任务优先级自动排序模块和步骤四的资源调度模块的嵌套的第一步。嵌套模块实现功能为：使用子任务优先级自动排序和声搜索算法本文档来自技高网...

【技术保护点】
1.一种无人机群行动方案自动生成方法，其特征在于：该方法包括如下步骤：步骤一：确定任务核心和场景信息；步骤二：子任务分解模块，使用遗传算法将任务核心分解为若干子任务；步骤三：子任务优先级自动排序模块——和声种群生成；使用和声搜索算法生成和声种群：使用子任务优先级自动排序和声搜索算法生成若干个和声个体，每个和声个体代表一种子任务优先级排序方式，将每一个子任务优先级排序方式进入步骤四的资源调度模块的多维动态列表规划算法中进行资源调度，得到的资源利用率和任务完成时间即为该和声个体的和声评价；步骤四：资源调度模块——和声评价对于每一个和声个体，即HM中的行Xi，使用多维动态列表规划MDLS算法来实现给定优先级对任务的资源调度；步骤五：子任务优先级自动排序模块——和声记忆库更新步骤六：输出优秀方案；在步骤五和声记忆库更新重复次数达到Tmax后所得和声库HM中，检测和声评价f(X)最大的和声个体Xi，则第i个子任务优先级排序为最优排序；其所在步骤四资源调度模块中Xi对应的资源调度即为最优资源调度，也就是最优行动方案。

【技术特征摘要】
1.一种无人机群行动方案自动生成方法，其特征在于：该方法包括如下步骤：步骤一：确定任务核心和场景信息；步骤二：子任务分解模块，使用遗传算法将任务核心分解为若干子任务；步骤三：子任务优先级自动排序模块——和声种群生成；使用和声搜索算法生成和声种群：使用子任务优先级自动排序和声搜索算法生成若干个和声个体，每个和声个体代表一种子任务优先级排序方式，将每一个子任务优先级排序方式进入步骤四的资源调度模块的多维动态列表规划算法中进行资源调度，得到的资源利用率和任务完成时间即为该和声个体的和声评价；步骤四：资源调度模块——和声评价对于每一个和声个体，即HM中的行Xi，使用多维动态列表规划MDLS算法来实现给定优先级对任务的资源调度；步骤五：子任务优先级自动排序模块——和声记忆库更新步骤六：输出优秀方案；在步骤五和声记忆库更新重复次数达到Tmax后所得和声库HM中，检测和声评价f(X)最大的和声个体Xi，则第i个子任务优先级排序为最优排序；其所在步骤四资源调度模块中Xi对应的资源调度即为最优资源调度，也就是最优行动方案。2.根据权利要求1所述的一种无人机群行动方案自动生成方法，其特征在于：所述步骤二的具体过程如下：(1)遗传算法染色体表示遗传算法的染色体表示采用二进制编码形式，基于步骤一确定的场景信息，每个染色体由矩阵F组成，其中n是子任务的个数，m是已知目标的数目；F矩阵中每一个元素的取值由如下式子决定：当确定了目标分配方案矩阵F以后，位于战场环境下的各个敌方目标就可以按照F矩阵结果分别分配给不同级别的子任务；则遗传算法的每一条染色体即为一个F矩阵；(2)子任务分解遗传算法的适应度函数首先在将敌方现有的感知目标进行任务规划时，要根据目标的位置和收益程度加权得到它的“综合收益指标”weight：weight＝location×α+gain×(1-α)其中系数α权重由方法使用者给出，含义为方法使用者对于位置指标和收益指标的优先考虑程度；将每一个目标与子任务所匹配得的综合收益指标整理成矩阵W；将矩阵W与矩阵F点乘，得到分配后的综合收益指标矩阵A；计算综合收益指标矩阵A中每一行的方差，再将综合收益指标矩阵A各行方差相加，若方差之和越小，则认为个体的适应度越高；因此，适应度函数的具体形式为：式中，weight(fik)为矩阵F中元素(即目标)的综合收益指标，E(weightn)为综合收益指标矩阵A中一行数据的期望；(3)子任务分解算法的选择操作采用轮盘法，即采用适应度比例选择方式来进行个体的选择，每个个体的选择概率与其适应度成正比；设种群规模为N，种群中第i(i＝1,2,...,N)个个体的适应度为fi，则第i个个体的选择概率pi，如下式子所示：(4)子任务分解算法的交叉操作为确保交叉操作后每行个体中“1”的个数固定不变，提出一种调整措施对遗传算法的基本交叉操作加以改进，具体步骤如下：假设A和B是两个待交叉父体，并且有一个后进先出的堆栈，As、Bs代表两个父体染色体的第s位上的数值，若As、Bs两位相异，则暂时先不互换这两位，而是把它们放到堆栈中存储起来，然后继续搜索A和B的后续位，若发现还存在Ai、Bi这对相异位，且Ai和Bi也是相异的，则同时交换As、Bs和Ai、Bi两组基因位，这样就可以确保A和B两个个体在交叉操作以后仍能保证个体中“1”的个数固定不变；(5)子任务分解算法的变异操作同样，这里也不希望遗传算法的变异操作破坏原有方案个体的稳定性，为确保变异操作后每个个体中“1”的个数固定不变，就必须采用特殊的变异方法；具体步骤如下：根据给定的变异概率决定一行个体基因序列的某一位s是否发生变异，如果是，则在同一行选取另外一个随机位i，假设这两位也是相异的，就将s和i直接交换，否则不交换，从而达到变异的效果；(6)遗传终止条件指定遗传代数就停止遗传算法的进行。3.根据权利要求1所述的一种无人机群行动方案自动生成方法，其特征在于：所述步骤三的具体过程如下：(1)初始参数，需初始化以下参数：和声记忆库的大小HMS：为和声种群的大小；和声记忆库取值概率HMCR：从现有种群即HM和声库中拿出一个和声的概率；音调微调概率PAR：对拿出的和声进行微调的概率；音调微调带...

【专利技术属性】
技术研发人员：周尧明，赵浩然，陈俊锋，郑江安，李昊，姜晓爱，
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