一种复杂水环境下的多移动平台系统的协同任务分配方法技术方案

本发明专利技术公开了一种复杂水环境下的多移动平台系统的协同任务分配方法，本方法使鲸鱼群中每个个体所处的空间位置都包含了一组任务分配方案，通过代价函数的大小来衡量个体所处空间位置的优劣。同时在算法每次迭代过程中，根据粒子群算法得到的当代的最优粒子位置，替换掉最差的鲸鱼个体位置，鲸鱼再利用自身的觅食策略不断更新鲸鱼个体位置直至获取最佳鲸鱼位置，即获得最佳任务分配方案。本方法将粒子群算法引入到鲸鱼算法中共同求解优化问题，利用粒子群算法在每代循环中的得到最优粒子位置来替代鲸鱼群中的最差鲸鱼位置，避免了鲸鱼算法容易陷入到局部最优的问题，提高了算法搜索到更优解的可能性。搜索到更优解的可能性。搜索到更优解的可能性。

【技术实现步骤摘要】
一种复杂水环境下的多移动平台系统的协同任务分配方法


[0001]本专利技术涉及复杂水环境下任务分配领域，具体涉及种复杂水环境下的多移动平台系统的协同任务分配方法。

技术介绍

[0002]在求解目标分配的问题时，智能算法具备良好的适应性、启发性、高度灵活性等特点。典型的智能算法有以下几种:进化规划法、粒子群优化法、遗传算法，蚁群算法等。进化规划法扩展了原有的单目标优化方法，在多个平台进行协同任务分配的过程中，对有冲突的目标进化规划，并以最佳的适应度去搜索个体的方向，最终能很好的收敛到最优的任务分配结果，然而，这种规划方法具有易于陷入局部最优以及迭代周期过长的缺点，由此许多有效的优化的算法相继被提出，典型的有免疫进化算法和差分进化算法。粒子群算法主要依据群体的协作能力进行寻优问题的优化搜索，体现出了高效和简单的群体智能化决策。粒子在进行每一代搜索的过程当中，其在受到种群中较优粒子影响的同时，也会被其它相邻粒子个体所影响，所以，粒子最终所确定的飞行方向不仅要考虑到粒子的个体经验，还要考虑整个种群的群体经验。粒子群算法对比于遗传进化算法，其不需要进行交叉和变异的步骤，因此粒子群算法的优化效率相对较高。但是粒子群算法的精确搜索能力比较弱，特别是当求解离散问题的时候，粒子群算法可能会过早地收敛陷入局部最优的状态中。蚁群算法主要是根据蚂蚁在移动过程中释放的某种信息素传递环境信息，通过信息素量的引导蚂蚁的搜索能够朝着信息素积累较多的路径方向发展。蚁群算法的显著特征包括启发式搜索、分布计算以及信息正反馈作用，但是受算法自身因素的影响也存在一些缺陷，如算法收敛到全局最优的时间过长且容易陷入停滞的状态。群智能算法的群体之中每个单体都是独立的，问题最终的求解不会受单个个体变化带来的影响，所以群智能算法在解决多移动平台多目标任务分配的问题上非常合适，以往针对群智能算法存在的一些问题也已经有了优化的策略，大多数都成功运用到了一些多陆地和多空中机器人的协同搜索问题当中，但面向水环境监测的多移动平台系统协同任务分配研究相对较少。
[0003]伴随着科技的进步和人们对多移动平台系统知识的深入学习和丰富，多移动平台系统逐渐应用到越来越多的环境中，随之而来的，系统对算法的要求也变得越来越高，理想状态下的多移动平台任务分配方法已经远远不能满足对需求的应用，需要我们进行更加深入的探索和研究。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种复杂水环境下的多移动平台系统的协同任务分配方法解决了鲸鱼算法容易陷入局部最优的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]提供一种复杂水环境下的多移动平台系统的协同任务分配方法，其包括以下步骤：
[0007]S1、采用栅格分解法进行水环境模型的搭建，确定障碍物在水环境模型中的位置；采用鲸鱼群算法中的鲸鱼个体代替各个移动平台；采用粒子群算法中的粒子代替各个移动平台并初始化各个粒子的位置和速度；
[0008]S2、获取所要执行的任务，并随机初始化鲸鱼群位置，使鲸鱼群中每个个体所处空间位置包含一组任务分配方案；
[0009]S3、根据鲸鱼群完成所有任务时总的路径距离和总能耗构建多移动平台任务分配的代价函数；
[0010]S4、根据多移动平台任务分配的代价函数获取鲸鱼群的个体适应度值，记录最优鲸鱼个体位置和最差鲸鱼个体位置；
[0011]S5、更新鲸鱼个体位置，获取鲸鱼算法当代全局最差解；
[0012]S6、根据多移动平台任务分配的代价函数获取粒子的适应度值，记录每个粒子的位置和适应度值，并将每个粒子的最优位置和最优适应度值进行提取得到全局最优值；
[0013]S7、更新粒子位置，获取粒子位置更新后的当代全局最优值；将鲸鱼算法当代全局最差解替换为粒子群算法的当代全局最优值；
[0014]S8、判断是否达到预设的迭代次数，若是则将当前的鲸鱼算法全局最优值对应的任务分配方案进行输出，结束任务分配；否则返回步骤S4。
[0015]进一步地，步骤S3的具体方法包括以下子步骤：
[0016]S3
‑
1、根据公式：
[0017][0018]获取鲸鱼群完成所有任务时总的路径距离D
totel
；其中D
i
表示第i个鲸鱼个体运动路线的距离；d表示第i个鲸鱼个体在其运动路线{S,p
i1
,p
i2
,
…
,p
iO
}移动过程中的路径，S为鲸鱼个体的出发位置，P
i
＝{p
i1
,p
i2
,
…
,p
iO
}表示该任务分配方案中鲸鱼个体执行具有优先顺序的任务集合，O为鲸鱼个体执行任务的总数，N为在执行任务分配的时候总的运动路线；
[0019]S3
‑
2、根据公式：
[0020][0021]获取鲸鱼群完成所有任务时总能耗E
totel
；其中E
i
表示第i个鲸鱼个体执行任务分配过程中所产生的能耗；e表示第i个鲸鱼个体在其运动路线{S,p
i1
,p
i2
,
…
,p
iO
}上移动过程中的能耗；
[0022]S3
‑
3、根据公式：
[0023]fitness＝min[λD
totel
+(1
‑
λ)E
totel
][0024]构建多移动平台任务分配的代价函数fitness；其中λ为权重系数，min[
·
]为求最小值函数。
[0025]进一步地，步骤S5的具体方法包括以下子步骤：
[0026]S5
‑
1、根据公式：
[0027]a＝2
‑
2t/t
max
[0028]更新参数a；其中t为当前迭代次数，t
max
为最大迭代数；
[0029]S5
‑
2、根据公式：
[0030]A＝2ar1‑
a
[0031]C＝2r2[0032]更新参数A和参数C，其中r1和r2均为[0,1]之间的随机数；
[0033]S5
‑
3、随机产生取值范围为[
‑
1,1]的数值p，判断p是否大于等于0.5，若是则进入步骤S5
‑
4；否则进入步骤S5
‑
5；
[0034]S5
‑
4、根据公式：
[0035][0036]使鲸鱼个体螺旋式朝着最优鲸鱼个体更新自己的位置，获取鲸鱼算法当代全局最差解，进入步骤S6；其中为鲸鱼个体在t+1次迭代后的位置；为第t次迭代后任务分配最优方案；表示鲸鱼个体和当前时刻任务分配最优方案之间的距离；l是[
‑...

【技术保护点】

【技术特征摘要】
1.一种复杂水环境下的多移动平台系统的协同任务分配方法，其特征在于，包括以下步骤：S1、采用栅格分解法进行水环境模型的搭建，确定障碍物在水环境模型中的位置；采用鲸鱼群算法中的鲸鱼个体代替各个移动平台；采用粒子群算法中的粒子代替各个移动平台并初始化各个粒子的位置和速度；S2、获取所要执行的任务，并随机初始化鲸鱼群位置，使鲸鱼群中每个个体所处空间位置包含一组任务分配方案；S3、根据鲸鱼群完成所有任务时总的路径距离和总能耗构建多移动平台任务分配的代价函数；S4、根据多移动平台任务分配的代价函数获取鲸鱼群的个体适应度值，记录最优鲸鱼个体位置和最差鲸鱼个体位置；S5、更新鲸鱼个体位置，获取鲸鱼算法当代全局最差解；S6、根据多移动平台任务分配的代价函数获取粒子的适应度值，记录每个粒子的位置和适应度值，并将每个粒子的最优位置和最优适应度值进行提取得到全局最优值；S7、更新粒子位置，获取粒子位置更新后的当代全局最优值；将鲸鱼算法当代全局最差解替换为粒子群算法的当代全局最优值；S8、判断是否达到预设的迭代次数，若是则将当前的鲸鱼算法全局最优值对应的任务分配方案进行输出，结束任务分配；否则返回步骤S4。2.根据权利要求1所述的复杂水环境下的多移动平台系统的协同任务分配方法，其特征在于，步骤S3的具体方法包括以下子步骤：S3
‑
1、根据公式：获取鲸鱼群完成所有任务时总的路径距离D
totel
；其中D
i
表示第i个鲸鱼个体运动路线的距离；d表示第i个鲸鱼个体在其运动路线{S,p
i1
,p
i2
,
…
,p
iO
}移动过程中的路径，S为鲸鱼个体的出发位置，P
i
＝{p
i1
,p
i2
,
…
,p
iO
}表示该任务分配方案中鲸鱼个体执行具有优先顺序的任务集合，O为鲸鱼个体执行任务的总数，N为在执行任务分配的时候总的运动路线；S3
‑
2、根据公式：获取鲸鱼群完成所有任务时总能耗E
totel
；其中E
i
表示第i个鲸鱼个体执行任务分配过程中所产生的能耗；e表示第i个鲸鱼个体在其运动路线{S,p
i1
,p
i2
,
…
,p
iO
}上移动过程中的能耗；S3
‑
3、根据公式：fitness＝min[λD
totel
+(1
‑
λ)E
totel
]构建多移动平台任务分配的代价函数fitness；其中λ为权重系数，min[
·
]为求最小值函数。
3.根据权利要求1所述的复杂水环境下的多移动平台系统的协同任务分配方法，其特征在于，步骤S5的具体方法包...

【专利技术属性】
技术研发人员：沈艳，陈司南，陈姣，金耀，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：