【技术实现步骤摘要】
本专利技术涉及集群任务分配，尤其是涉及一种适用于大规模异构集群任务分配问题的快速求解方法。
技术介绍
1、异构集群的任务规划是指将任务合理地分配给不同的无人平台，提高任务资源投入的均衡性，并充分发挥异构平台之间能相互协同、能力互补的优点，提升集群整体任务效能。任务分配算法的优劣直接影响到整个系统协作的效率，目前常见的无人集群任务规划方法有：
2、最优化方法：对于简单的无人集群任务规划问题，可以将其简化为与数学规划相关的模型，然后采用穷举法、线性规划、动态规划等方法进行求解，能得到评价指标下最优的分配方案。
3、遗传算法：遗传算法是一种基于达尔文生物进化论中的遗传和自然选择的原理的启发式优化算法，通过模拟自然界中物种进化的过程，从而找到较优解。遗传算法的主要步骤包括个体编码、适应度评估、选择、交叉和变异。个体编码将优化问题中的参数转化为个体的染色体编码，一种染色体编码代表一个对应的优化问题的解。适应度评估要求根据问题具体要求以及编码方式设定一个适应度函数，对每个染色体进行评价。选择操作是依据染色体的适应度值而选取优秀染色体作为下一代的父母，或在代际之间依据适应度值保留较优的个体。选择操作能逐渐提高整个种群的适应度水平。交叉操作是指通过对两个或多个个体的染色体片断进行互换，产生新的个体的过程。变异操作是指在个体染色体中进行随机变化的过程。这种随机变化有助于跳出局部最优解，以期望找到更优的解，也可以用于保持多样性，避免过早收敛。遗传算法经过多轮迭代能逐渐提高整个种群的适应度水平并生成最终的解。
4、
5、以拍卖算法为代表的分布式算法在无人集群的任务分配中缺乏全局视角，其资源利用效率较最优化方法和遗传算法等集中式方法更低。而随着无人机数量、目标数量、任务数量等规模的增大，以及约束条件的增加使得问题更加复杂化，采用最优化方法求解集群任务分配问题的求解难度呈指数级增长。遗传算法的缺陷在于其局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低。
6、因此，有必要提供一种适用于大规模异构集群任务分配问题的快速求解方法，来解决上述问题。
技术实现思路
1、本专利技术的目的是提供一种适用于大规模异构集群任务分配问题的快速求解方法，能够增强遗传算法的局部搜索能力，在不增大种群规模与迭代次数的前提下保障最终分配方法的优越性，减小计算耗时。
2、为实现上述目的，本专利技术提供了一种适用于大规模异构集群任务分配问题的快速求解方法，通过一种不完全的最优化算法，生成一个异构集群任务分配问题的次优初始解，利用初始解优化遗传算法，加快遗传算法收敛速度，包括模型提取、单平台转移优化、初始种群生成和遗传算法迭代四个步骤；
3、s1：模型提取：根据获得的任务信息，对n个不同地点的任务进行分解，将其划分为p个部分；
4、s2：单平台转移优化：将所有无人平台平均分配去执行n个任务，得到无人平台任务分配矩阵upa0；
5、s3：初始种群生成：制定遗传算法染色体编码方式并确定初始种群，将单平台转移优化策略得到的初始解进行编码，在该编码的可行领域内随机取popsize·0.3个染色体，在全局可行解空间内随机取popsize·0.7个染色体，将两者混合组成遗传算法的初始种群；
6、s4：遗传算法迭代：通过步骤s3中得到的初始解优化遗传算法，遗传算法包括交叉运算、变异运算和选择运算。
7、优选的，在步骤s1中，对这n个任务的p个部分进行评价，得到任务资源需求矩阵trd＝(dij)n×p和任务价值矩阵tv＝(vij)n×p，其中dij和vij分别代表完成任务i的第j个部分的预估资源需求量与任务收益；
8、评定异构集群内的u种无人平台的资源携带量矩阵urc＝(cij)u×p，其中cij代表无人平台类型i携带的用于完成任务第j个部分的资源数量；根据特定的任务分配方案，对无人平台进行任务分配，确定无人平台任务分配矩阵upa＝(aij)n×u，其中aij代表执行任务i的j类型无人平台数量；同一无人平台只能且必须执行一项任务，无人平台任务分配矩阵upa满足无人平台数量约束mj是异构集群内第j种无人平台的数量；
9、确定任务资源实际供给矩阵trs＝(sij)n×p和该分配方案的适应度f(upa)，其中trs＝upa×urc，表示任务i的第j个部分的任务资源实际供给量为参与执行该任务的所有无人平台所携带的对应任务资源之和；g(·)是任务资源实际供给比例到任务收益获取比例的函数，g(·)是非线性的。
10、优选的，在步骤s2中，若分配结果中存在小数，则随机舍入，保证分配矩阵满足无人平台数量约束，以无人平台任务分配矩阵为起点，按单平台转移优化方法进行迭代优化；单平台转移优化方法内容如下：
11、对无人平台类型u的分配结果进行优化时，从任务1到任务n，记录执行该任务的无人平台类型u的数量增加1导致的任务总体适应度的增加值记录执行该任务的无人平台类型u的数量减少1导致的任务总体适应度的减小值的绝对值
12、若适应度增加值的最大值大于适应度减小值的最大值：
13、
14、则将一台类型u的无人平台从参与任务k的执行转为参与任务j的执行；
15、记aab为变换矩阵，
16、
17、则，
18、从无人平台类型1到无人平台类型u，依次按上述方法对任务分配矩阵执行单平台转移优化，若执行完一轮优化后，任务总适应度值增大，则继续进行下一轮优化，直到总适应度停止增长，此时分配方案为最优分配方案，记作upaopt。
19、优选的，在步骤s3中，染色体编码方式涉及将任务分配方案转换为染色体形式，将任务分配矩阵upa用一维染色体表示，在异构集群任务分配场景中，存在n个位置分布不同的任务，参与执行这些任务的无人平台类型总数为u，种群内个体的染色体长度为n×u，染色体上的每个基因代表着执行任务i的j型无人平台数量，将无人平台任务分配矩阵upa按行分段并连接，得到对应的染色体编码。染色体上的第(i-1)×u+j个基因对应着任务分配矩阵upa的元素aij，代表着参与执行第i个任务的j型无人平台的数量；
20、随机赋值生成任务分配矩阵upa，对分配矩阵的每一列，选取可增删修改的元素列表，在该列表中随机挑选元素增加或减少元素的值使该列满足无人平台数量约束，将符合无人平台数量约束的任务分配矩阵按行拆分拼接为相应的染色体个体。
21、优选的，在步骤s3中，将符合无人平台数量约束的全局随机分配矩阵和邻域随机分配矩阵混合，得到本文档来自技高网...
【技术保护点】
1.一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：通过一种不完全的最优化算法，生成一个异构集群任务分配问题的次优初始解，利用初始解优化遗传算法，加快遗传算法收敛速度，包括模型提取、单平台转移优化、初始种群生成和遗传算法迭代四个步骤；
2.根据权利要求1所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤S1中，对这N个任务的P个部分进行评价，得到任务资源需求矩阵TRD＝(dij)N×P和任务价值矩阵TV＝(vij)N×P，其中dij和vij分别代表完成任务i的第j个部分的预估资源需求量与任务收益；
3.根据权利要求2所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤S2中，若分配结果中存在小数，则随机舍入，保证分配矩阵满足无人平台数量约束，以无人平台任务分配矩阵为起点，按单平台转移优化方法进行迭代优化；单平台转移优化方法内容如下：
4.根据权利要求3所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤S3中，染色体编码方式涉及将任务分配方案转换为染色体形
5.根据权利要求4所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤S3中，将符合无人平台数量约束的全局随机分配矩阵和邻域随机分配矩阵混合，得到基于单平台转移优化的遗传算法初始种群；
6.根据权利要求5所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤S4中，交叉操作：依次取初始种群中每一个染色体为父本，随机取另一染色体为母本，两者进行算数平均并进行随机舍入，要求染色体满足无人平台数量约束，得到对应的子代染色体；
...【技术特征摘要】
1.一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：通过一种不完全的最优化算法，生成一个异构集群任务分配问题的次优初始解，利用初始解优化遗传算法，加快遗传算法收敛速度，包括模型提取、单平台转移优化、初始种群生成和遗传算法迭代四个步骤；
2.根据权利要求1所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤s1中，对这n个任务的p个部分进行评价，得到任务资源需求矩阵trd＝(dij)n×p和任务价值矩阵tv＝(vij)n×p，其中dij和vij分别代表完成任务i的第j个部分的预估资源需求量与任务收益；
3.根据权利要求2所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤s2中，若分配结果中存在小数，则随机舍入，保证分配矩阵满足无人平台数量约束，以无人平台任务分配矩阵为起点，按单平台转移优化方法进行迭代优化；单平台转移优化方法内容如下：
4.根据权利要求3所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤s3中，...
【专利技术属性】
技术研发人员：杨东晓，李娟，黎宏林，李亿俍，刘畅，
申请(专利权)人：北京理工大学，
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。