一种基于离散鸽群算法的无人机任务分配方法组成比例

本发明专利技术公开了一种基于离散鸽群算法的无人机任务分配方法，包括如下步骤：步骤1、建立无人机任务分配问题的多耦合适应度函数数学模型；步骤2、设计适配问题数学模型的结合学习因子的离散鸽群寻优算法；步骤3、对迭代寻优的最优序列进行解码、修正并输出最优分配方案。本发明专利技术针对随机寻优过程出现的溢出约束情况，设计优化纠错算法进行修正并局部寻优，最终输出适应问题模型的最优分配结果，为工程实际提供好的技术支持。供好的技术支持。供好的技术支持。

A task allocation method of UAV Based on discrete pigeon swarm algorithm

【技术实现步骤摘要】
一种基于离散鸽群算法的无人机任务分配方法


[0001]本专利技术涉及无人机
，尤其是一种基于离散鸽群算法的无人机任务分配方法。

技术介绍

[0002]随着空战环境的日趋复杂，空中作战任务要求也越发困难和繁复，由此刺激了空战中越来越多高新技术的应用。现代空战由于各种信息技术地广泛应用，各种战机的机载航电系统愈发复杂，打击能力和机动能力提升的同时，空战成本及风险也伴随着作战效能的提升愈发提升，且机组操作人员是比战机更为宝贵的资源，一名合格战机飞行员的培养往往耗费国家巨大的资源，因而如何在保证空战作战效能的同时尽可能地降低成本，降低人员的安全风险，一直是空战革新的一大重要问题。经过长时间的探索，无人系统的应用为解决这一重要问题发挥了举足轻重的作用。
[0003]无人机任务分配系统，其意义在于建立复杂环境中无人机集群与作战任务之间的关联和映射关系，使无人机体系作战性能在一定条件下达到最优水平。任务规划系统的具体内容可归纳为：在一定的决策时间内，分配异构无人机对给定目标执行多个任务，形成配合，并使系统综合考察指标最小化，达到最优效率。...

【技术保护点】

【技术特征摘要】
1.一种基于离散鸽群算法的无人机任务分配方法，其特征在于，包括如下步骤：步骤1、建立无人机任务分配问题的多耦合适应度函数数学模型；步骤2、设计适配问题数学模型的结合学习因子的离散鸽群寻优算法；步骤3、对迭代寻优的最优序列进行解码、修正并输出最优分配方案。2.如权利要求1所述的基于离散鸽群算法的无人机任务分配方法，其特征在于，步骤1中，建立无人机任务分配问题的多耦合适应度函数数学模型具体包括如下步骤：步骤11、将无人机自身性能参数数学化；其中包括无人机数量、机场出发点位置信息、无人机弹药携带量、无人机飞行速度、无人机最小转弯半径、无人机打击成功率系数、无人机的耗能系数；步骤12、将任务目标点相关参数数学化；其中包括任务目标点数量、任务目标点位置信息、任务目标点打击需求、目标点成功攻击收益、任务目标点的自身代价系数；步骤13、建立无人机性能参数信息到任务目标点的多适应度函数耦合数学模型。3.如权利要求2所述的基于离散鸽群算法的无人机任务分配方法，其特征在于，步骤13中，建立无人机性能参数信息到任务目标点的多适应度函数耦合数学模型具体为：以步骤11、步骤12建立的无人机、任务目标点数学化模型为基础参数，建立多适应度函数；以无人机机场出发点位置信息及任务目标点位置信息建立路程代价适应度函数F
distance
；以无人机飞行速度、路程代价函数及无人机耗能系数建立耗时及耗能代价适应度函数F
time_energy
；以无人机打击成功率系数、目标点成功攻击收益及任务目标点的自身代价系数建立打击收益适应度函数F
profit
；以无人机弹药携带量及任务目标点打击需求建立打击弹药判断系数I
ammo
；根据上述步骤建立的多适应度函数，建立无人机到目标点的总体适应度函数F
total
。4.如权利要求1所述的基于离散鸽群算法的无人机任务分配方法，其特征在于，步骤2中，设计适配问题数学模型的结合学习因子的离散鸽群寻优算法具体包括如下步骤：步骤21、以标准鸽群算法为寻优算法的算法框架；标准鸽群算法以鸽群的位置向量X(k)与速度向量V(k)为迭代目标，以对全局最优鸽子X
gbest
的学习为更新手段，结合地图罗盘算子和地标算子分两个阶段对鸽群迭代得出最优解；结合学习因子的鸽群算法第一阶段采用地图罗盘算子e
‑
Rk
结合粒子群算法中全局寻优学习因子C1的方式完成对鸽群的全局搜索；第二阶段采用地标算子结合对局部最优解X
pbest
学习过程对鸽群寻优过程进行针对性改良；步骤22、对结合学习因子的鸽群算法进行离散化；将标准鸽群算法的位置向量X(k)及速度向量V(k)的连续寻优过程改进为适配任务分配序列对象的序列交叉过程。5.如权利要求4所述的基于离散鸽群算法的无人机任务分配方法，其特征在于，步骤21中，以标准鸽群算法为寻优算法的算法框架，标准鸽群算法以鸽群的位置向量X(k)与速度向量V(k)为迭代目标，以对全局最优鸽子X
gbest
的学习为更新手段，结合地图罗盘算子和地标算子分两个阶段对鸽群迭代得出最优解具体包括如下步骤：步骤21a、初始化鸽群参数；其中相关参数及其含义如下：N
p
为鸽群数目，N
k
为总迭代次数，N
k1max
为第一阶段最大迭代次数，N
k2max
为第二阶段最大迭代次数，C1为全局寻优学习因子，C2为局部寻优学习因子；其中，全局寻优学习因子及局部寻优学习因子表达式如下：
e1、e2为线性变化因数；步骤22b、对鸽群个体编码，采用两个序列编码的形式对个体进行编码，即无人机出发序列vehicle及任务目标序列target，每一个鸽群个体都包含一组序列，表现为其位置信息X(k)；步骤21c、改进后的鸽群第一阶段迭代公式如下：V(k+1)＝e
‑
Rk
·
V(k)+C1·
rand1·
(X
gbest
(k)
‑
X(k))X(k+1)＝X(k)+V(k+1)相关参数及其含义如下：rand1为区间(0,1)上随机数，e
‑
Rk
为地图罗盘算子，rand1表示对全局最优解的随机学习程度，地图罗盘算子e
‑
Rk
与全局寻优学习因子C1对第一阶段的鸽群迭代进行调控，达到最优的全局搜索效果；步骤21d、改进后的鸽群第二阶段迭代公式如下：步骤21d、改进后的鸽群第二阶段迭代公式如下：步骤21d、改进后的鸽群第二阶段迭代公式如下：相关参数及其含义如下：N
p
(k+1)为第k+1代的鸽群数量，X
c
(k)为第k次迭代时鸽群的中心地标，由鸽群的加权平均组成，F
total
为鸽群的总适应度函数，X
i
(k)为第k次迭代中，第i个鸽群个体的位置信息，X
ipbest
(k)为第i个鸽群个体在第k代迭代时的个体历史最优，为局部寻优权重因子；第二阶段每次迭代之后，鸽群数量都会减少一半，通过设定阈值将适应度值更优的个体保留。6.如权利要求4所述的基于离散鸽群算法的无人机任务分配方法，其特征在于，步骤22中，对结合学习因子的鸽群算法进行离散化，将鸽群算法中位置向量X(k)及速度向量V(k)的连续寻优过程改进为适配任务分配序列对象的序列交叉过程，达到对全局最优目标的学习，同时满足离散目标对象对寻优算法的要求具体包括如下步骤：22a、将对连续变量位置向量X(k)与速度向量V(k)的求解过程转变为对任务序列target及vehicle的整数变化，实现对全局最优解及地标位置信息的学习迭代；22b、鸽群算法第一阶段的鸽群迭代为对全局最优解的全局寻优迭代，且随着迭代进行，地图罗盘算子e
‑
Rk
及全局学习因子C1改变算法的全局搜索能力，在第一阶段末端得以收敛至局部寻优，由于鸽群个体的编码信息为两个离散的任务序列target及vehicle，因而将其学习过程转变为对鸽群最优解的序列交换过程，其按照以下步骤进行：
(1)C1·
rand1结果为区间(0,1)上的一个值，表示个体对鸽群全局最优值X
gbest
(k)的学习程度，将两个数的相乘操作在离散问题中定义为以C1为阈值，概率为rand1的交换操作，第k次迭代中对第i个鸽群个体X
i
(k)迭代时，产生(0,1)上的随机数rand1，如果rand1＜C1，则将在区间[1,N
u
]生成两个不同的随机整数a、b(a＜b,b
‑
a＜10
·
C1)，然后将X
i
(k)中两个序列t...

【专利技术属性】
技术研发人员：刘燕斌，魏云聪，都延丽，布雨浓，徐文钰，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：