一种基于蜂群遗传混合算法的AUV系统任务分配方法技术方案

本发明专利技术公开了一种基于蜂群遗传混合算法的AUV系统任务分配方法，针对一致任务信息的静态环境中各AUV携带资源有限的情况，利用不同的群智能优化方法，分别从资源层面以及整体系统层面出发，设计异构多AUV系统任务分配方法。为了避免人工蜂群算法IABC发生“早熟”停滞现象以及该算法在进化后期最优解变化不明显问题，将算法与小生境遗传技术NGA结合以优化全局搜索性能，提高了系统协作能力并改善单个AUV能力不足的情况。仿真结果表明：本发明专利技术方法在保证任务分配合理的同时，能够得到在多约束条件下系统整体效能最优的任务分配以及资源配置结果。配置结果。配置结果。

【技术实现步骤摘要】
一种基于蜂群遗传混合算法的AUV系统任务分配方法


[0001]本专利技术属于水下航行器控制
，具体涉及一种多任务路径规划方法。

技术介绍

[0002]自主水下航行器(Autonomous Underwater Vehicle,以下简称AUV)是一种重要的工具，常用于海洋资源的勘探与研究。海洋环境复杂多变，为了确保AUV的安全导航，其路径规划技术非常重要。AUV任务分配通过构建科学健壮的数学模型，设计优化算法完成任务配置，使个体的资源得到充分利用，高效地完成任务，体现了多AUV系统的高层组织形式与运行机制。因此，针对异构多AUV系统和海洋环境的特殊性，为提升多AUV系统的智能化水平，开展多AUV系统协同任务分配方法的研究具有重要的意义。
[0003]由于异构多AUV任务分配系统所具有的复杂性、非线性、约束性以及任务多态性等特点，传统的优化方法(如牛顿法、单纯形法)无法在短时间内遍历整个搜索空间得到最优解，而且非常容易产生搜索的“组合爆炸”。针对复杂环境的规划研究，已有的方法很难同时满足系统对结构稳定和敏捷适应的需求。因此，从分析任务、资源、环境等的关系入手，抛开理想状态下的规划，构建具有更强描述能力、更细粒度的任务分配数学模型，针对一致任务信息的静态环境中各AUV携带资源有限的情况，利用不同的群智能优化方法，分别从资源层面以及整体系统层面出发，研究异构多AUV系统任务分配方法。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提供了一种基于蜂群遗传混合算法的AUV系统任务分配方法，针对一致任务信息的静态环境中各AUV携带资源有限的情况，利用不同的群智能优化方法，分别从资源层面以及整体系统层面出发，设计异构多AUV系统任务分配方法。为了避免人工蜂群算法IABC发生“早熟”停滞现象以及该算法在进化后期最优解变化不明显问题，将算法与小生境遗传技术NGA结合以优化全局搜索性能，提高了系统协作能力并改善单个AUV能力不足的情况。仿真结果表明：本专利技术方法在保证任务分配合理的同时，能够得到在多约束条件下系统整体效能最优的任务分配以及资源配置结果。
[0005]本专利技术解决其技术问题所采用的技术方案包括如下步骤：
[0006]步骤1：初始化IABC算法参数与NGA算法参数，设定任务集合；
[0007]步骤2：利用IABC算法得到每只蜜蜂满足约束条件的任务分配矩阵；
[0008]步骤2
‑
1：为每只蜜蜂从任务集合中随机选择一个任务，然后依据IABC算法的概率公式选择执行任务的AUV；
[0009]定义任务约束为：
[0010][0011][0012][0013][0014]式中，N表示AUV数量，M表示任务总数；x
(i，j)
表示AUV
i
是否执行Task
j
，x
(i，j)
＝1表示AUV
i
执行Task
j
，x
(i，j)
＝0表示AUV
i
不执行Task
j
，AUV
i
表示第i个AUV，Task
j
表示第j个任务；O
i
为AUV
i
的最大负荷任务数，m表示AUV执行同一任务的次数；(1)式表示任意一个AUV执行任务的个数不超过该AUV最大负荷任务数；(2)式表示同一AUV对某个任务最多执行一次；(3)式表示每个任务至少需要一个AUV执行；(4)式表示所有任务需全部被AUV执行；
[0015]当遍历完所有蜜蜂后，如果能够同时满足任务约束式(1)到式(4)就进入步骤2
‑
2，否则重新开始步骤2
‑
1；
[0016]步骤2
‑
2：判断执行任务的AUV是否满足航程、通信、资源约束：
[0017]航程与通信约束为：
[0018]d(AUV
i
，Task
j
)＜Max(AUV
i
)
ꢀꢀ
(5)
[0019][0020]dis(AUV
i
，AUV
g
)＜min[M(AUV
i
)，M(AUV
g
)]ꢀꢀ
(7)
[0021]式中，d(AUV
i
，Task
j
)为AUV
i
执行Task
j
的航行距离，Max(AUV
i
)为AUV
i
的最大航行距离；p为AUV
i
执行的任务数量，dis(AUV
i
，AUV
g
)为AUV
i
到AUV
g
的通信距离，M(AUV
i
)为AUV
i
的最大通讯距离；(5)式为单个AUV的航行距离约束；(6)式为多AUV系统的航行距离约束；(7)式为AUV
i
与AUV
g
之间的通讯距离约束；
[0022]资源约束为：
[0023][0024][0025]式中，r
ai
为AUV
i
负载的资源种类，r
tj
为Task
j
所需要的资源种类；为AUV
i
负载的资源数量，k为资源种类，为Task
j
所需要的资源的数量；(8)式表示对于单个AUV
i
负载的资源种类与数量要满足Task
j
所需的资源量；(9)式表示对于多AUV系统的所有资源种类和数量之和应满足所有任务所需的资源量；
[0026]当任务所需要的资源种类大于等于设定阈值时，该任务被定义为复杂任务；当任务所需要的资源种类小于设定阈值时，该任务被定义为简单任务；
[0027]如果执行任务的AUV同时满足式(5)到式(9)的航程、通信、资源约束，则形成任务与执行该任务的AUV之间的关联关系，如果不能同时满足式(5)到式(9)的航程、通信、资源约束，则重新开始步骤2
‑
1；所有任务与执行该任务的AUV之间的关联关系构成任务分配矩阵；
[0028]步骤3：计算步骤2得到的任务分配矩阵的效能函数U
t
；
[0029]效能函数即完成所有任务的目标函数：
[0030]U
t
＝α1*Ben*x
(i，j)
‑
α2*D*x
(i，j)
‑
α3*Time*x
(i，j)
‑
α4*A
k
[0031]其中，为完成所有任务所获效益，f(.)表示单个任务所获收益，Typ(Task
j
)表示任务类型，Sta(Task
j
)表示任本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于蜂群遗传混合算法的AUV系统任务分配方法，其特征在于，包括如下步骤：步骤1：初始化IABC算法参数与NGA算法参数，设定任务集合；步骤2：利用IABC算法得到每只蜜蜂满足约束条件的任务分配矩阵；步骤2
‑
1：为每只蜜蜂从任务集合中随机选择一个任务，然后依据IABC算法的概率公式选择执行任务的AUV；定义任务约束为：定义任务约束为：定义任务约束为：定义任务约束为：式中，N表示AUV数量，M表示任务总数；x
(i,j)
表示AUV
i
是否执行Task
j
，x
(i,j)
＝1表示AUV
i
执行Task
j
，x
(i,j)
＝0表示AUV
i
不执行Task
j
，AUV
i
表示第i个AUV，Task
j
表示第j个任务；O
i
为AUV
i
的最大负荷任务数，m表示AUV执行同一任务的次数；(1)式表示任意一个AUV执行任务的个数不超过该AUV最大负荷任务数；(2)式表示同一AUV对某个任务最多执行一次；(3)式表示每个任务至少需要一个AUV执行；(4)式表示所有任务需全部被AUV执行；当遍历完所有蜜蜂后，如果能够同时满足任务约束式(1)到式(4)就进入步骤2
‑
2，否则重新开始步骤2
‑
1；步骤2
‑
2：判断执行任务的AUV是否满足航程、通信、资源约束：航程与通信约束为：d(AUV
i
,Task
j
)<Max(AUV
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)dis(AUV
i
,AUV
g
)<min[M(AUV
i
),M(AUV
g
)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中，d(AUV
i
,Task
j
)为AUV
i
执行Task
j
的航行距离，Max(AUV
i
)为AUV
i
的最大航行距离；p为AUV
i
执行的任务数量，dis(AUV
i
,AUV
g
)为AUV
i
到AUV
g
的通信距离，M(AUV
i
)为AUV
i
的最大通讯距离；(5)式为单个AUV的航行距离约束；(6)式为多AUV系统的航行距离约束；(7)式为AUV
i
与AUV
g
之间的通讯距离约束；资源约束为：资源约束为：式中，r
ai
为AUV
i
负载的资源种类，r
tj
...

【专利技术属性】
技术研发人员：王天泽，何军红，牛云，廉家伟，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：