基于离散粒子群优化算法的多无人机动平台任务分配方法组成比例

本发明专利技术涉及无人机动平台任务分配技术领域，提供一种基于离散粒子群优化算法的多无人机动平台任务分配方法。首先获取每个无人机动平台及任务目标的位置；然后，通过对粒子的编码将任务分配方案映射为粒子，并随机生成初始粒子；接着综合考虑无人机动平台的自身能力、任务收益代价、路程代价、协同约束等因素构建多无人机动平台任务分配的适应度函数；接着采用变异算子和交叉算子实现粒子对极优值的学习，更新所有粒子，并采用贪婪策略选择选择适应度更优的粒子进化为下一代粒子，同时更新个体最优值和全局最优值，在达到最大更新次数时输出全局最优值为最佳任务分配方案。本发明专利技术能够提高多无人机动平台任务分配的效率。

Task allocation method of multiple unmanned mobile platforms based on discrete particle swarm optimization

【技术实现步骤摘要】
基于离散粒子群优化算法的多无人机动平台任务分配方法
本专利技术涉及无人机动平台任务分配
，特别是涉及一种基于离散粒子群优化算法的多无人机动平台任务分配方法。
技术介绍
无人机动平台指能与环境感知交互、自主行驶并进行承载装备或人员(不搭载驾驶员)的移动机器设备。无人机动平台具有自主性强、荷载能力强、续航时间长、隐蔽性好、机动性高等特点，被广泛应用于民用和军用领域。任务分配根据既定任务设定约束条件，并结合数据进行评估，设计团队以最小代价完成最大收益的分配方案。任务分配减轻了决策人员和操纵人员的负担，能极大提高任务执行成功概率并降低成本，是多无人机动平台协同执行任务的基础。近年来，已有部分研究开始关注多无人机动平台中任务分配方法的问题。目前研究无人机动平台任务分配时一般考虑多无人机动平台执行单个任务和多无人机动平台执行多个任务时的情况，通过对无人机动平台任务分配系统进行分析，建立与之对应的数学模型，然后根据约束条件来求解实际问题。针对单任务与多任务两种情况已提出许多基于经典问题的任务分配模型。无人机动平台单任务分配的数学模型主要有：车辆本文档来自技高网...

【技术保护点】
1.一种基于离散粒子群优化算法的多无人机动平台任务分配方法，其特征在于，包括下述步骤：/n步骤1：获取无人机动平台的总数n、第i个无人机动平台的位置

【技术特征摘要】
1.一种基于离散粒子群优化算法的多无人机动平台任务分配方法，其特征在于，包括下述步骤：
步骤1：获取无人机动平台的总数n、第i个无人机动平台的位置任务目标的总数m、第j个任务目标的位置其中，i＝1,2,...,n，j＝1,2,...,m；
步骤2：初始化更新次数t＝0，设定最大更新次数为T；
步骤3：将一种任务分配方案映射为一个粒子，随机生成K个初始粒子为{X1(t),X2(t),...,Xk(t),...,XK(t)}；其中，Xk(t)为第t次更新中的第k个粒子，k∈{1,2,...,K}，Xk(t)＝(xk1(t),xk2(t),...,xkj(t),...,xkm(t))，xkj(t)∈{1,2,...,i,...,n}，xkj(t)表示在粒子Xk(t)中第xkj(t)个无人机动平台执行第j个任务；
步骤4：构建适应度函数为
f(Xk(t))＝e1·f1(Xk(t))+e2·f2(Xk(t))
s.tC1,C2,C3
其中，f(Xk(t))为粒子Xk(t)的适应度函数值；e1、e2均为修正系数；
f1(Xk(t))为粒子Xk(t)的任务收益代价
f1(Xk(t))＝1-Pv(Xk(t))
其中，Pv(Xk(t))为粒子Xk(t)的任务收益



其中，Pi为第i个无人机动平台的任务执行效率，Vj为第j个任务的价值；ak-ij为决策变量，当粒子Xk(t)中第i个无人机动平台执行第j个任务时ak-ij＝1，当粒子Xk(t)中第i个无人机动平台不执行第j个任务时ak-ij＝0；Vmax为所有任务的最大价值，Vmax＝max{V1,V2,...,Vj,...,Vm}；
f2(Xk(t))为粒子Xk(t)的路程代价



其中，Di为第i个无人机动平台的最大行驶距离，dij为第i个无人机动平台与第j个任务目标间的距离，
C1、C2、C3为多无人机动平台协同执行任务的约束条件：
约束C1：任意一个任务只能被执行一次：



约束C2：无人机动平台路径长约束：



约束C3：无人机动平台最大执行任务数量约束：



其中，ri为第i个无人机...

【专利技术属性】
技术研发人员：张德慧，吕艳辉，盛丽丽，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：辽宁;21