多无人机任务分配与航迹规划联合优化方法及装置制造方法及图纸

本发明专利技术实施例公开了一种多无人机任务分配与航迹规划联合优化方法及装置。方法包括：获取多个无人机和目标点的位置信息、地速航向角离散度以及各无人机和风场的运动参数；根据位置信息、地速航向角离散度和预设遗传算法构建初始种群；根据初始种群和运动参数确定各无人机的飞行状态和完成对应Dubins飞行路径航迹段的航行时间，根据航迹段航行时间获取每个染色体对应的所有无人机完成任务时间；基于遗传算法对种群中染色体进行交叉、变异处理，在达到预定迭代次数后，选取最优Dubins飞行路径作为无人机联合优化的结果。本发明专利技术实施例将无人机航迹规划问题与无人机实际飞行环境相结合，使规划得到的最优飞行路径方案优于无人机速度恒定的方案。

Joint optimization method and device for task assignment and route planning of multiple UAVs

The embodiment of the invention discloses a method and a device for jointly optimizing the task allocation and route planning of a multiple unmanned aerial vehicle. A method includes: obtaining the position information of the UAV, and the target speed and heading angle dispersion of each UAV and wind field motion parameters; according to the position information and ground speed, heading angle dispersion and preset genetic algorithm to construct the initial population; according to the initial population and to determine the motion parameters of the UAV flight status and complete the corresponding Dubins flight path track segment sailing time, track segment sailing time for each chromosome corresponding to all UAVs to complete the task in time according to the genetic algorithm; crossover and chromosome variation in population based processing, at a predetermined number of iterations, selecting the optimal Dubins flight path as the UAV joint optimization results. The embodiment of the invention combines the UAV route planning problem with the actual flying environment of the UAV, so that the optimal flight path scheme obtained by the plan is better than the scheme with constant speed of the uav.

【技术实现步骤摘要】
多无人机任务分配与航迹规划联合优化方法及装置
本专利技术实施例涉及无人机
，具体涉及一种多无人机任务分配与航迹规划联合优化方法及装置。
技术介绍
当前，无人机UAV(UnmannedAerialVehicle)在军民领域有着广泛的应用，可完成目标侦察、目标跟踪、情报收集、震后救援和地质勘探等多种类型任务。例如在多架UAV协同侦察目标时，既要最合理地为每架UAV分配其所需侦察的目标，还要为其规划最优的飞行航迹。该问题是一个受多因素约束的任务分配与航迹规划联合优化问题，也是非确定性问题。随着UAV研究的深入，环境因素被逐渐纳入问题的研究，特别是UAV任务分配、航迹规划和飞行控制等问题中，在环境因素的影响下如何降低耗能、控制UAV的飞行状态从而使UAV消耗最少的燃料执行最多的任务、具备更好的任务执行状态和更高的安全性是当前UAV研究的主要工作。当前常用于解决UAV任务分配与任务规划问题的模型有：TSP模型，TOP模型和VRP模型，其中，TSP模型是在只有单一旅行者的条件下，使得旅行者通过所有给定的目标点之后，从而使其路径成本最小的模型；TOP模型是在存在多个成员的条件下，使得每个成员尽可能访问更多的目标点，从而使得所有成员的总收益最大的模型；VRP模型是在车辆数量固定的条件下，使得车辆访问一定数量目标点，且在此过程中每个目标点只能被访问一次，最终使得UAV航行的总距离或总时间最短的模型。在实现本专利技术实施例的过程中，专利技术人发现现有的技术方案在实际操作中，一般是假设模型中在恒定时间内无人机的速度是恒定的。然而这个假设显然是不现实的，导致模型无法精确模拟出无人机的实际运动状态，进而无法进行最优的航迹规划。
技术实现思路
本专利技术实施例的一个目的是解决现有技术由于在进行航迹规划是设定无人机的速度是恒定的，导致模型无法精确模拟出无人机的实际运动状态，进而无法给出的最优的航迹规划。本专利技术实施例提出了一种多无人机任务分配与航迹规划联合优化方法，包括：S1、获取多个无人机和多个目标点的位置信息、无人机地速航向角离散度以及各无人机和风场的运动参数；S2、根据多个无人机和多个目标点的位置信息、无人机地速航向角离散度和预设遗传算法，构建初始种群，所述初始种群中的每个染色体均包括与无人机数量相同的Dubins飞行路径且各条Dubins飞行路径均由不同无人机完成；S3、根据所述初始种群、各无人机和风场的运动参数确定各无人机的飞行状态和各无人机完成对应Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和MUAV-VS-DVRP模型获取初始种群中每个染色体对应的所有无人机完成任务时间；S4、基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取所有无人机完成任务时间最短的染色体对应的Dubins飞行路径作为所述无人机联合优化的任务分配与航迹规划方案。可选的，根据多个无人机和多个目标点的位置信息、无人机地速航向角离散度和预设遗传算法，构建初始种群包括：根据预设遗传算法的编码方式进行染色体编码生成预定规模的初始种群；所述染色体由目标点信息、无人机地速航向角信息和无人机信息组成；其中所述目标点属于集合T0表示UAVs的起点，无人机地速航向角属于集合Ng表示无人机地速航向角离散度，无人机属于集合NU表示无人机数量；其中，所述染色体第一行为所述目标点的随机全排列，第二行为根据无人机航向角离散度为每个目标点随机选取对应的地速航向角，第三行为根据无人机集合为每个目标点随机选取对应的无人机，且需保证无人机集合中的无人机全部至少被选择一次。可选的，根据所述初始种群、各无人机和风场的运动参数确定各无人机的飞行状态和各无人机完成对应Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和MUAV-VS-DVRP模型获取初始种群中每个染色体对应的所有无人机完成任务时间：对每个染色体对应的Dubins飞行路径根据其目标点被访问顺序将所述飞行路径分为多个航迹段；根据每个航迹段对应的起始点的坐标和航向角以及终止点的坐标和航向角，结合风场参数确定无人机飞行状态，进而获取所述无人机完成所述航迹段的航行时间；根据每个航迹段对应的航行时间获取所述染色体对应的所有无人机完成任务时间。可选的，根据每个航迹段对应的起始点的坐标和航向角以及终止点的坐标和航向角，结合风场参数确定无人机飞行状态，进而获取所述无人机完成所述航迹段的航行时间包括：采用以下公式计算获取无人机Ui以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk航迹段的航行时间：其中，Ui表示执行上述任务的无人机，U表示无人机集合，Tj为起始点，βgj为无人机在起始点的航向角，Tk为终止点，βgk为无人机在终止点的航向角，T表示目标点的集合，rmin为无人机最小转弯半径，Vgi为无人机Ui的地速；采用以下公式计算获取无人机的地速：其中，表示空速大小，βai表示空速航向角，Vgi表示地速的大小，βgi表示地速航向角，表示风速大小，表示风向。可选的，根据所述航迹段的航行时间和MUAV-VS-DVRP模型获取初始种群中每个染色体对应的所有无人机完成任务时间包括：根据MUAV-VS-DVRP模型获取航行时间：其约束条件为：其中，βgj、βgk分别表示在Tj、Tk两目标点的航向角；表示无人机Ui以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk的航行时间；是一个二元决策变量，若以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk时，否则NT表示目标点的数量,Ng表示无人机地速航向角离散度。可选的，基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取所有无人机完成任务时间最短的染色体对应的Dubins飞行路径作为所述无人机联合优化的任务分配与航迹规划方案包括：步骤1、使用所述编码方法生成初始解，并生成预定规模的初始种群并根据种群中每个染色体完成任务时间计算其适应度；步骤2、使用轮盘赌方法选择父代种群中的两个个体(A,B)进行交叉，交叉规则为先随机选择个体A中交叉位置，然后查找个体B中与个体A交叉位置第一行相同的基因，将染色体A和B中交叉位置基因进行替换得到新的染色体C和D，判断染色体C和D是否满足MUAV-VS-DVRP模型的约束条件，若满足则利用染色体C和D替换种群中染色体A和B，否则对不满足约束条件的染色体进行约束校验，即检验染色体A和B中无人机数量不满足约束条件时，针对不满足条件的染色体，随机选取一个基因位并判断该基因位上的无人机编码是否存在两个及两个以上，若是，则将缺失的无人机编码放入该基因位，否则重新选取基因位，生成满足约束条件的染色体替换种群中染色体A和B，然后不断迭代更新步骤1种群，得到新的子代种群；步骤3、使用轮盘赌方法选择步骤2种群中一条染色体进行变异，对所述染色体进行变异的方式为下述变异方式中的至少一种，包括：对染色体第一行进行目标点变异；对染色体第二行进行无人机地速航向角变异；对染色体第三行进行无人机变异；整个染色体变异的步骤包括：首先，若染色体的第一行顺序变异，则随机选取当前染色体的两个基因位并交换对应基因位的目标点编码；再选择第二行是否变异及变异位置，若变异则随机生成变异的本文档来自技高网...

【技术保护点】
一种多无人机任务分配与航迹规划联合优化方法，其特征在于，包括：S1、获取多个无人机和多个目标点的位置信息、无人机地速航向角离散度以及各无人机和风场的运动参数；S2、根据多个无人机和多个目标点的位置信息、无人机地速航向角离散度和预设遗传算法，构建初始种群，所述初始种群中的每个染色体均包括与无人机数量相同的Dubins飞行路径且各条Dubins飞行路径均由不同无人机完成；S3、根据所述初始种群、各无人机和风场的运动参数确定各无人机的飞行状态和各无人机完成对应Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和MUAV‑VS‑DVRP模型获取初始种群中每个染色体对应的所有无人机完成任务时间；S4、基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取所有无人机完成任务时间最短的染色体对应的Dubins飞行路径作为所述无人机联合优化的任务分配与航迹规划方案。

【技术特征摘要】
1.一种多无人机任务分配与航迹规划联合优化方法，其特征在于，包括：S1、获取多个无人机和多个目标点的位置信息、无人机地速航向角离散度以及各无人机和风场的运动参数；S2、根据多个无人机和多个目标点的位置信息、无人机地速航向角离散度和预设遗传算法，构建初始种群，所述初始种群中的每个染色体均包括与无人机数量相同的Dubins飞行路径且各条Dubins飞行路径均由不同无人机完成；S3、根据所述初始种群、各无人机和风场的运动参数确定各无人机的飞行状态和各无人机完成对应Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和MUAV-VS-DVRP模型获取初始种群中每个染色体对应的所有无人机完成任务时间；S4、基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取所有无人机完成任务时间最短的染色体对应的Dubins飞行路径作为所述无人机联合优化的任务分配与航迹规划方案。2.根据权利要求1所述的方法，其特征在于，根据多个无人机和多个目标点的位置信息、无人机地速航向角离散度和预设遗传算法，构建初始种群包括：根据预设遗传算法的编码方式进行染色体编码生成预定规模的初始种群；所述染色体由目标点信息、无人机地速航向角信息和无人机信息组成；其中所述目标点属于集合T0表示UAVs的起点，无人机地速航向角属于集合Ng表示无人机地速航向角离散度，无人机属于集合NU表示无人机数量；其中，所述染色体第一行为所述目标点的随机全排列，第二行为根据无人机航向角离散度为每个目标点随机选取对应的地速航向角，第三行为根据无人机集合为每个目标点随机选取对应的无人机，且需保证无人机集合中的无人机全部至少被选择一次。3.根据权利要求1或2所述的方法，其特征在于，根据所述初始种群、各无人机和风场的运动参数确定各无人机的飞行状态和各无人机完成对应Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和MUAV-VS-DVRP模型获取初始种群中每个染色体对应的所有无人机完成任务时间：对每个染色体对应的Dubins飞行路径根据其目标点被访问顺序将所述飞行路径分为多个航迹段；根据每个航迹段对应的起始点的坐标和航向角以及终止点的坐标和航向角，结合风场参数确定无人机飞行状态，进而获取所述无人机完成所述航迹段的航行时间；根据每个航迹段对应的航行时间获取所述染色体对应的所有无人机完成任务时间。4.根据权利要求3所述方法，其特征在于，根据每个航迹段对应的起始点的坐标和航向角以及终止点的坐标和航向角，结合风场参数确定无人机飞行状态，进而获取所述无人机完成所述航迹段的航行时间包括：采用以下公式计算获取无人机Ui以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk航迹段的航行时间：其中，Ui表示执行上述任务的无人机，U表示无人机集合，Tj为起始点，βgj为无人机在起始点的航向角，Tk为终止点，βgk为无人机在终止点的航向角，T表示目标点的集合，rmin为无人机最小转弯半径，Vgi为无人机Ui的地速；采用以下公式计算获取无人机的地速：其中，表示空速大小，表示空速航向角，Vgi表示地速的大小，βgi表示地速航向角，表示风速大小，表示风向。5.根据权利要求3所述方法，其特征在于，根据所述航迹段的航行时间和MUAV-VS-DVRP模型获取初始种群中每个染色体对应的所有无人机完成任务时间包括：根据MUAV-VS-DVRP模型获取完成任务时间：其约束条件为：其中，βgj、βgk分别表示在Tj、Tk两目标点的航向角；表示无人机Ui以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk的航行时间；是一个二元决策变量，若以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk时，否则NT表示目标点的数量,Ng表示无人机地速航向角离散度。6.根据权利要求4所述方法，其特征在于，基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取所有无人机完成任务时间最短的染色体对应的Dubins飞行路径作为所述无人机联合优化的任务分配与航迹规划方案包括：步骤1、使用所述编码方法生成初始解，并生成预定规模的初始种群并根据种群中每个染色体完成任务时间计算其适应度；步骤2、使用轮盘赌方法选择父代种群中的两个个体(A,B)进行交叉，交叉规则为先随机选择个体A中交叉位置，然后查找个体B中与个体A交叉位置第一行相同的基因，将染色体A和B中交叉位置基因进行替换得到新的染色体C和D，判断染色体C和D是否满足MUAV-VS-DVRP模型的约束条件，若满足则利用染色体C和D替换种群中染色体A和B，否则对不满足约束条件的染色体进行约束校验，即检验染色体A和B中无人机数量不满足约束条件时，针对不满足条件的染色体，随机选取一个基因位并判断该基因位上的无人机编码是否存在两个及两个以上，若是，则将缺失的无人机编码放入该基因位，否则重新选取基因位，生成满足约束条件的染色体替换种群中染色体A和B，然后不断迭代更新步骤1种群，得到新的子代种群；步骤3、使用轮盘赌方法选择步骤2种群中一条染色体进行变异，对所述染色体进行变异的方式为下述变异方式中的至少一种，包括：对染色体第一行进行目标点变异；对染色体第二行进行无人机地速航向角变异；对染色体第三行进行无人机变异；整个染色体变异的步骤包括：首先，若染色体的第一行顺序变异，则随机选取当前染色体的两个基因位并交换对应基因位的目标点编码；再选择第二行是否变异及变异位置，若变异则随机生成变异的有异于当前位置无人机地速航向角编码的值替换原值；最后判断第三行是否变异及变异位置，若变异则随机生成变异的有异于当前位置无人机编码的值替换原值，并且在变异后判断染色体是否满足MUAV-VS-DVRP模型的约束条件，若满足则替换种群中染色体，否则对不满足约束条件的染色体进行约束校验，即检验染色体中无人机数量不满足约束条件时，针对不满足条件的...

【专利技术属性】
技术研发人员：罗贺，梁峥峥，胡笑旋，朱默宁，王国强，马华伟，靳鹏，夏维，牛艳秋，方向，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34