基于改进全局最优头脑风暴算法的多无人机任务分配方法组成比例

本发明专利技术涉及无人机系统技术领域，具体涉及一种基于改进全局最优头脑风暴算法的多无人机任务分配方法，包括以下步骤：初始化侦查无人机对不同目标的侦查能力，以及攻击无人机对不同目标的打击能力和目标威胁值；根据无人机的自身属性以及目标的攻击需求，设计目标任务协同分配模型，以最大化摧毁敌方目标的价值成本函数为目标函数；初始化任务分配方案种群，以无人机与目标的分配关系为优化变量；通过改进全局最优头脑风暴算法以所述的价值成本函数为目标进行迭代寻优。本发明专利技术以作战收益最大化为目标函数，将侦查无人机、目标、攻击无人机结合起来统一考虑，采用协同分配模型，实现了多无人机任务的快速高效分配。多无人机任务的快速高效分配。多无人机任务的快速高效分配。

【技术实现步骤摘要】
基于改进全局最优头脑风暴算法的多无人机任务分配方法


[0001]本专利技术属于无人机系统
，具体涉及一种基于改进全局最优头脑风暴算法的多无人机任务规划方法。

技术介绍

[0002]科学技术的进步带来新颖的工具和方法，其中无人系统正逐步地替代人工操作。无人机因其具有成本低廉、低风险、可靠灵活等优点，越来越多的运用于军事和民用领域。在无人系统的发展过程中，无人系统的任务规划已然成为关注的问题之一。其中三维复杂敌对场景下的任务规划是无人机面临的一项重要问题。多任务规划是一个相互过程，在设计中一方面要考虑无人机自身属性(单侦察Reconnaissance unmanned aerial vehicle,RUAV、单攻击unmanned combat aerial vehicle,UCAV、察打一体机等)，另一方面要满足决策者对目标的任务需求(侦察、攻击、察打任务)。如何快速、有效地分配RUAVs和UCAVs实现对大规模目标进行监测以及攻击是目前作战规划中一项极具挑战性的热点问题。
[0003]传统的无人机系统任务规划方法研究，大多将侦察无人机对目标(RUAVs
‑
Target,RUAVs
‑
T)的侦察任务分配问题以及攻击无人机对目标(UCAVs
‑
Target,UCAVs
‑
T)的打击任务分为两个单独问题进行考虑，鲜显有将二者结合起来进行统一规划。现有任务分配方法主要包含数学规划、合同网以及智能优化方法三大类。
[0004]整数规划或者混合整数规划方法作为一种确定性算法，其对小规模任务分配问题可在短时间内取得最优解。求解大规模任务分配时，该方法很难在有限时间内给出满意的规划结果；采用合同网的方法进行任务分配时，买卖双方以出价的方式竞争获取任务的执行权。但该方法需经过多次协商，在大规模任务分配时势必造成通信量增大以及耗时增加的问题，其次基于合同网的任务分配方法是以一组任务主体进行协商的，当出现任务主体数量不一致时，很难取得理想的作战效能。
[0005]以遗传算法、蚁群算法等进行的任务规划方法，其在优化过程中存有大量随机性搜索尝试，致使在求解任务分配问题时会出现效率和精度不高的现象。但该类智能优化方法由于其不要求目标函数的连续性以及可导性，在任务分配方面引起了许多学者的研究兴趣。

技术实现思路

[0006]为解决上述问题，本专利技术提供了一种基于改进全局最优头脑风暴算法的多无人机任务规划方法，将不同属性的无人机、目标结合起来统一考虑，采用协同分配模型，设计改进的全局最优头脑风暴算法对多无人机任务规划问题进行求解，实现了多无人机任务的协同高效分配。
[0007]为实现上述目的，本专利技术采取的技术方案为：
[0008]基于改进全局最优头脑风暴算法的多无人机任务分配方法，包括以下步骤：
[0009]S1、初始化侦查无人机对不同目标的侦查能力，以及攻击无人机对不同目标的打
击能力和目标威胁值等；根据无人机的自身属性以及目标的攻击需求，设计目标任务协同分配模型，以最大化摧毁敌方目标的价值成本函数为目标函数；所述的目标任务协同分配模型为：其中，R为分配方案对应收益值；v
k
表示目标k的威胁值(目标价值)；P
des
(k)表示目标k在RUAV引导下被UCAV摧毁的条件概率示。
[0010]S2、初始化任务分配方案种群，以无人机与目标的分配关系为优化变量，种群中每一个个体为一种分配方案，分为侦查无人机对目标分配关系以及攻击无人机与目标的分配关系两部分；
[0011]S3、通过改进全局最优头脑风暴算法以所述的价值成本函数为目标进行迭代寻优；
[0012]S4、根据循环代数对概率P
r
进行动态调整，在优化初期设置概率Pr较大，保持算法多样性；在优化后期重点关注算法的收敛性，设置概率Pr较小使算法尽快收敛到最优分配方案；
[0013]S5、判断是否停止优化过程，若否，转至步骤S3；若是进行步骤S6；
[0014]S6、输出最优分配方案。
[0015]进一步地，所述步骤S1中，假设在T时刻监测到有Nt个具有不同威胁程度的目标来袭，防御者拥有RUAVs和UCAVs拦截目标；Ns个RUAVs用来捕获跟踪目标，从而引导Nw个UCAVs对其进行摧毁；假设每个RUAV与UCAV同时只能侦查和攻击一个目标，且UAVs具有单一的侦查或者攻击功能，不同无人机对不同目标的侦查或者攻击能力有差异。
[0016]进一步地，所述的P
des
(k)通过以下公式计算所得：
[0017][0018]其中，p
ik
为目标k被第i个RUAV成功捕获追踪的概率；q
jk
表示目标k被第j个UCAV摧毁的概率。
[0019]进一步地，所述步骤S2包括如下步骤：
[0020]第一步：随机选择目标编号为分配侦查无人机；第二步：根据侦查无人机挑选中的目标进行攻击无人机攻击任务分配。确保挑选中的目标能被同时执行侦察和攻击，避免无效的算法尝试，缩短算法分配时间。
[0021]进一步地，所述步骤S3包括以下步骤：
[0022](1)对IGBSO算法的参数进行初始化，所述参数包括想法数量M1,聚类个数M2，在一个聚类中选择想法产生新想法的概率P
one
‑
cluster
,在聚类中心选择一个想法产生新想法的概率Pone
‑
center在聚类中心选择两个不同想法产生新想法概率Ptwo
‑
center，初始化时迭代次数设置为1；
[0023](2)进行循环优化迭代，产生新个体,改进的新个体产生方式具体内容为：
[0024]①
第一种产生方法：随机挑选一个想法的两个不同元素(即无人机执行任务的目标编号)进行交换产生新的想法；
[0025]②
第二种产生方法：随机选择两个想法中的某一位置元素产生一个新元素，检查该元素在这两个父代想法中是否出现，修正两个父代想法以产生新的想法；
[0026]③
若产生新的想法目标函数大于之前的目标函数，则保留该新想法，否则以概率P
r
保留该新想法。
[0027](3)计算新产生个体的适应度值，将适应度值高的经过选择操作代替之前产生的个体；
[0028](4)循环步骤(2)(3)直至满足终止条件,优选采用迭代次数为终止条件。
[0029]进一步地，所述第二种产生方法具体为：若新产生的元素在父代中并未出现，则选择父代中目标分配侦察和攻击无人机数量多的目标进行替换修正；若新产生的元素仅在父代中侦察任务或者攻击任务中出现，则选择父代中目标分配攻击或者侦察无人机数量多的目标进行替换修正。
[0030]上述方案具有以下有益效果：
[0031]1)将不同属性的无人机、目标结合起来统一考虑，采用设计的协同分配模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，包括以下步骤：S1、初始化侦查无人机对不同目标的侦查能力，以及攻击无人机对不同目标的打击能力和目标威胁值；根据无人机的自身属性以及目标的攻击需求，设计目标任务协同分配模型，以最大化摧毁敌方目标的价值成本函数为目标函数；S2、初始化任务分配方案种群，以无人机与目标的分配关系为优化变量，种群中每一个个体为一种分配方案，分为侦查无人机对目标分配关系以及攻击无人机与目标的分配关系两部分；S3、通过改进全局最优头脑风暴算法以所述的价值成本函数为目标进行迭代寻优；S4、根据循环代数对概率P
r
进行动态调整，在优化初期设置概率Pr较大，保持算法多样性；在优化后期重点关注算法的收敛性，设置概率Pr较小使算法尽快收敛到最优分配方案；S5、判断是否停止优化过程，若否，转至步骤S3；若是进行步骤S6；S6、输出最优分配方案。2.根据权利要求1所述的基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，所述步骤S1中，假设在T时刻监测到有Nt个具有不同威胁程度的目标来袭，防御者拥有RUAVs和UCAVs拦截目标；Ns个RUAVs用来捕获跟踪目标，从而引导Nw个UCAVs对其进行摧毁；假设每个RUAV与UCAV同时只能侦查和攻击一个目标，且UAVs具有单一的侦查或者攻击功能。3.根据权利要求1所述的基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，所述步骤S1中，不同无人机对不同目标的侦查或者攻击能力有差异。4.根据权利要求1所述的基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，所述步骤S1中，所述的目标任务协同分配模型为：其中，R为分配方案对应收益值；v
k
表示目标k的威胁值(目标价值)；P
des
(k)表示目标k在RUAV引导下被UCAV摧毁的条件概率示。5.根据权利要求4所述的基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，所述的P
des
(k)通过以下公式计算所得：其中，p
...

【专利技术属性】
技术研发人员：高朝晖，周谦，高怡，高广乐，韩璐，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：