System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无人系统集群任务规划领域,特别是涉及一种无人系统集群启发式协同任务规划方法、系统及电子设备。
技术介绍
1、无人系统集群凭借其规模优势,能够完成复杂任务,相较于载荷单一、能力有限的单个无人系统,集群可以通过多个无人系统之间的能力互补与行动协调,实现整个系统的效能提升。任务规划是无人系统集群协同控制技术中的顶层规划,是一种根据环境态势、任务需求、以及无人系统自身特性等要求进行的综合调度。任务规划建立了无人系统集群与任务之间的合理映射关系,维持了无人系统间合理协同合作关系,决定了无人系统集群的应用效能。因此,无人系统集群协同任务规划受到了广泛关注。
2、无人系统集群的任务规划问题可以分解为任务分配和路径规划两个基本子问题,其中,任务分配子问题需要确定集群中每个无人系统待执行的任务以及任务的执行顺序;路径规划子问题需要按照每个无人系统的任务执行序列规划出满足约束的运动路径。然而,任务分配与路径规划之间是强相互耦合的,这种耦合主要表现在二者会以对方的输出作为自身的输入。耦合关系的存在会严重影响任务规划的精度与性能。此外,任务分配子问题需要考虑无人系统数量与特性约束、任务数量与特性约束和无人系统的行程代价约束,因此,该问题是一个包含复杂约束的np难优化问题。这种子问题的复杂性会极大增加任务规划过程的计算负载,进而降低任务规划效率。
技术实现思路
1、为解决现有技术存在的上述问题,本专利技术提供了一种无人系统集群启发式协同任务规划方法、系统及电子设备。
2
3、一种无人系统集群启发式协同任务规划方法,包括:
4、构建无人系统集群耦合任务规划问题的数学模型;任务规划数学模型为考虑无人系统数量与特性约束、任务数量与特性约束、无人系统行程代价约束和任务执行环境约束的数学模型;所述数学模型包括任务分配数学模型和路径规划数学模型;
5、采用图文法和树分支结构对所述任务分配数学模型的求解过程进行结构化处理,得到所述任务分配数学模型的解空间;
6、基于图神经网络对所述任务分配数学模型的解空间进行寻优,并根据最优任务分配解求解所述路径规划数学模型,使得无人系统集群在满足约束条件的前提下,能够以总收益值最大的方式完成所有待执行任务。
7、可选地,所述任务分配数学模型表述为满足约束条件的优化问题,其中,优化问题是指最大化目标函数
8、式中,i为无人系统的编号,j为待执行任务的编号;u为无人系统的数量,k为待执行任务的数量,aij为任务分配矩阵a的第i行第j列的元素;si为无人系统i的任务执行序列,rij为无人系统i执行任务j所获得的收益。
9、可选地,所述路径规划数学模型包括约束条件和优化目标函数;
10、所述约束条件包括无人系统的动力学约束、拒止区约束以及碰撞约束;其中,所述动力学约束,为:
11、
12、式中,为无人系统i当前位置的横坐标对时间的导数,为无人系统i当前位置的纵坐标对时间的导数,vi为无人系统i的运动速度,κi为无人系统i的方向角,mi为无人系统i的方向角变化率的上界;
13、所述拒止区约束为:
14、
15、式中,xi(t)为t时刻无人系统i所处位置的横坐标,yi(t)为t时刻无人系统i所处位置的纵坐标,o为拒止区中所有点的集合;
16、所述碰撞约束为:
17、
18、式中,为t时刻无人系统i1所处位置的横坐标,为t时刻无人系统i2所处位置的横坐标,为t时刻无人系统i1所处位置的纵坐标,为t时刻无人系统i2所处位置的纵坐标,dmin表示两个无人系统之间的最小安全距离。
19、可选地,所述优化目标函数是指最小化目标函数
20、
21、式中,ψ(*)为无人系统编号到位置坐标的映射;φ(*)为任务编号到位置坐标的映射;为起点坐标到终点坐标之间的规划路径,为规划路径的长度,w为无人系统i待执行任务在任务执行序列中的序号,bi为任务执行序列中待执行任务总数。
22、可选地,采用图文法和树分支结构对所述任务分配数学模型的求解过程进行结构化处理,得到所述任务分配数学模型的解空间,具体包括:
23、采用五元组表示所述图文法;所述五元组为g:
24、
25、式中,为终结符集,终结符集中的符号与所有无人系统和任务一一对应;为非终结符集,非终结符集中的符号用于表示尚未进行分配的无人系统和任务;为由终结符集中某些终结符的属性构成的集合;为产生式规则,产生式规则与任务的分配过程相对应;为图文法起始符,是非终结符集中的一个元素;
26、采用中间图结构h和最终图结构e组织形成所述树分支结构;
27、所述树分支结构以所述图文法起始符为根节点,按照产生式规则形成的分支不断演进到各个中间图结构h,最终到达最终图结构e所构成的叶子节点,得到所述任务分配数学模型的所有可行解,以得到所述任务分配数学模型的解空间。
28、可选地,基于图神经网络对所述任务分配数学模型的解空间进行寻优,并根据最优任务分配解求解所述路径规划数学模型,使得无人系统集群在满足约束条件的前提下,能够以总收益值最大的方式完成所有待执行任务,具体包括:
29、初始化结构与参数;所述结构包括图神经网络模型和数据集;所述参数包括最大迭代次数、图神经网络权重、分支选择策略相关参数、最优任务规划方案qbest和完成所有待执行任务的总收益值rbest;
30、对所述树分支结构进行搜索,得到一个图结构集合所述图结构集合包括一个最终图结构e和一系列中间图结构h;
31、对最终图结构e所代表的任务分配的可行解进行路径规划,得到任务规划可行方案qnew,确定所述任务规划可行方案qnew的总收益值rnew;
32、比较总收益值rnew与总收益值rbest,当总收益值rnew大于总收益值rbest时,将最优任务规划方案qbest和总收益值rbest分别更新为任务规划可行方案qnew和总收益值rnew;当总收益值rnew小于等于总收益值rbest时,保持最优任务规划方案qbest和总收益值rbest不变;
33、将图结构集合中每个图结构与总收益值rnew进行绑定,形成有序对;
34、根据数据集的更新规则,将所述有序对更新至所述数据集中;
35、采用数据集对图神经网络模型进行训练以更新网络权重,直至达到最大迭代次数,将当前最优任务规划方案作为完成所有待执行任务的规划方案,以总收益值最大的方式完成所有待执行任务。
36、可选地,在对所述树分支结构进行搜索的过程中,对于任意中间图结构h,以概率ε按照随机方式做出分支选择,以概率1-ε按照图神经网络评估方式做出分支选择。
37、可选地,数据集的更新规则为:
38、对于有序对,判断有序对本文档来自技高网...
【技术保护点】
1.一种无人系统集群启发式协同任务规划方法,其特征在于,包括:
2.根据权利要求1所述的无人系统集群启发式协同任务规划方法,其特征在于,所述任务分配数学模型表述为满足约束条件的优化问题,其中,优化问题是指最大化目标函数
3.根据权利要求1所述的无人系统集群启发式协同任务规划方法,其特征在于,所述路径规划数学模型包括约束条件和优化目标函数;
4.根据权利要求3所述的无人系统集群启发式协同任务规划方法,其特征在于,所述优化目标函数是指最小化目标函数
5.根据权利要求1所述的无人系统集群启发式协同任务规划方法,其特征在于,采用图文法和树分支结构对所述任务分配数学模型的求解过程进行结构化处理,得到所述任务分配数学模型的解空间,具体包括:
6.根据权利要求1所述的无人系统集群启发式协同任务规划方法,其特征在于,基于图神经网络对所述任务分配数学模型的解空间进行寻优,并根据最优任务分配解求解所述路径规划数学模型,使得无人系统集群在满足约束条件的前提下,能够以总收益值最大的方式完成所有待执行任务,具体包括:
7.根据权利要求
8.根据权利要求6所述的无人系统集群启发式协同任务规划方法,其特征在于,数据集的更新规则为:
9.一种无人系统集群启发式协同任务规划系统,其特征在于,所述系统用于实施如权利要求1-8任意一项所述的无人系统集群启发式协同任务规划方法;所述系统包括:
10.一种电子设备,其特征在于,包括:
...【技术特征摘要】
1.一种无人系统集群启发式协同任务规划方法,其特征在于,包括:
2.根据权利要求1所述的无人系统集群启发式协同任务规划方法,其特征在于,所述任务分配数学模型表述为满足约束条件的优化问题,其中,优化问题是指最大化目标函数
3.根据权利要求1所述的无人系统集群启发式协同任务规划方法,其特征在于,所述路径规划数学模型包括约束条件和优化目标函数;
4.根据权利要求3所述的无人系统集群启发式协同任务规划方法,其特征在于,所述优化目标函数是指最小化目标函数
5.根据权利要求1所述的无人系统集群启发式协同任务规划方法,其特征在于,采用图文法和树分支结构对所述任务分配数学模型的求解过程进行结构化处理,得到所述任务分配数学模型的解空间,具体包括:
6.根据权利要求1所述的无人系统集群启发式协同任务规划方法,...
【专利技术属性】
技术研发人员:辛立明,周鑫,谢少荣,姚蔚然,彭进霖,戴华东,刘月华,盛斌,
申请(专利权)人:上海大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。