一种基于改进Q_Learning算法的协同无人机集群资源调度方法技术

本发明专利技术属于物联网和强化学习的交叉技术领域，公开了一种基于改进Q_Learning算法的协同无人机集群资源调度方法，通过两个阶段的强化学习任务调度框架实现，强化学习任务调度框架包括两个阶段：第一阶段实现外界任务从中心到中继的分配和第二阶段实现任务从中继到终端的调度。本发明专利技术结合了无人机集群组网优化、能量补给和强化学习任务调度，实现了多模态协同无人机集群中的智能任务分配、资源优化管理、能量持续补给，能够实现高效、均衡的任务调度，具有调度精度高、响应速度快、资源利用率高、可扩展性强等优点，显著提高无人机集群任务调度的效率和质量，为无人机领域的发展提供了技术支持和创新方向。

【技术实现步骤摘要】

本专利技术属于物联网和强化学习的交叉，具体的说是涉及一种基于改进q_learning算法的协同无人机集群资源调度方法。

技术介绍

1、无人机（unmanned aerial vehicle，uav）技术在近年来取得了巨大的进展，广泛应用于军事、民用和商业领域,在许多应用场景中，需要使用无人机集群来执行任务，例如搜索救援、农业监测、环境监测和物流配送等。随着无人机数量的增多和应用领域的拓展，无人机资源调度技术成为了一个备受关注的领域。无人机任务调度旨在有效地管理和分配无人机的任务、能源、时间等资源，以最大化任务完成效率、降低成本、提高系统鲁棒性。

2、随着无人机应用的增多，无人机任务调度面临着多样化和高度动态性的挑战。现有无人机任务调度面临的问题主要包括：（1）任务分配不均衡：任务可能被分配给某几架无人机，而其他无人机处于空闲状态，导致资源利用不均衡，降低了整体效率；（2）任务实时性要求问题： 在某些任务中，需要无人机实时响应，例如紧急搜救任务或突发事件应对，因此需要实时性较高的资源分配算法；（3）能源限制问题：无人机的续航时间通常受限，需要有效本文档来自技高网...

【技术保护点】

1.一种基于改进Q_Learning算法的协同无人机集群资源调度方法，其特征在于：所述协同无人机集群资源调度方法通过两个阶段的强化学习任务调度框架实现，所述强化学习任务调度框架包括两个阶段：第一阶段实现外界任务从中心到中继的分配和第二阶段实现任务从中继到终端的调度，具体的所述协同无人机集群资源调度方包括以下步骤：

2.根据权利要求1所述的一种基于改进Q_Learning算法的协同无人机集群资源调度方法，其特征在于：所述步骤1中心无人机、中继无人机、终端无人机和充电无人机飞抵目标位置，无人机集群网络初始化具体包括以下步骤：

3.根据权利要求2所述的一种基于改进Q_L...

【技术特征摘要】

1.一种基于改进q_learning算法的协同无人机集群资源调度方法，其特征在于：所述协同无人机集群资源调度方法通过两个阶段的强化学习任务调度框架实现，所述强化学习任务调度框架包括两个阶段：第一阶段实现外界任务从中心到中继的分配和第二阶段实现任务从中继到终端的调度，具体的所述协同无人机集群资源调度方包括以下步骤：

2.根据权利要求1所述的一种基于改进q_learning算法的协同无人机集群资源调度方法，其特征在于：所述步骤1中心无人机、中继无人机、终端无人机和充电无人机飞抵目标位置，无人机集群网络初始化具体包括以下步骤：

3.根据权利要求2所述的一种基于改进q_learning算法的协同无人机集群资源调度方法，其特征在于：在所述步骤1.4中，所述status表中包含以下四项信息：

4.根据权利要求1所述的一种基于改进q_learning算法的协同无人机集群资源调度方法，其特征在于：所述...

【专利技术属性】
技术研发人员：王玉贵，李鹏，王汝传，徐鹤，杨林，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：