【技术实现步骤摘要】
本专利技术属于无人机，具体涉及一种基于改进分布估计算法的多无人机任务分配方法。
技术介绍
1、近年来，无人机技术取得飞速发展，以其低成本、无人员伤亡风险及操作便捷性，在军事与民用领域展现出广泛应用前景。随着技术的不断发展，无人机单机的任务执行能力越来越强，但考虑到未来环境中的任务要求越来越复杂，单机的任务执行模式难以满足未来的军事需求。因此，高效利用无人机集群实现复杂任务分配已成为无人机技术的重要发展方向。
2、现有研究多聚焦于单一类型任务分配即每架无人机只能完成一种类型的任务，虽具成效，但在复杂环境当中会限制无人机处理任务时的灵活性，导致任务无法高效完成。相比之下，将同一工作细化为多种类型任务，并明确设定这些任务之间的优先顺序，随后分配给无人机集群进行并行处理，不仅确保了任务执行的有序性和高效性，还通过优化资源配置、减少等待时间，提升了整体效率。在应对军事作战、自然灾害救援等复杂多变的紧急任务时，无人机集群能够凭借这一分配模式，充分发挥其协同作战的优势，确保任务以更高的效率和更高的安全性顺利完成。
3、多无人机任务分配问题通常被分为两大类：集中式分配和分布式分配，相应的算法主要分为优化算法和启发式算法。其中，优化算法致力于通过数学模型的构建和求解来找到问题的最优解，其主要方法有用于问题精确求解的整数规划方法(integerprogramming，ip)。此外，启发式算法通常采用了一种适应性更强的策略，专注于合理定位在某些约束条件下近似最优的满意解。国内外学者提出了很多采用启发式算法对该问题进行求解。li
4、然而，由于多无人机任务分配问题往往涉及多个无人机、多个任务以及复杂的约束条件，这会导致搜索空间庞大使得传统的算法在解决该问题时效率低下，难以在合理的时间内找到满意解；同时，这些算法容易陷入局部最优，无法跳出当前搜索区域去探索可能存在的全局最优解，限制了全局最优解的搜索能力。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于改进分布估计算法的多无人机任务分配方法，在实现任务顺序约束的同时可在复杂的搜索空间中找到全局最优解或接近全局最优的满意解作为最终的多无人机任务分配方案。
2、本专利技术提供的一种基于改进分布估计算法的多无人机任务分配方法，包括以下步骤：
3、步骤1、对无人机集及任务集s＝{s1,1,s1,2,s1,3…,sa,b,sa,2,sa,3}的位置数据及订单数据进行数据预处理，其中，a为目标点的编号，b为在目标点a中任务的类型编号，sa,b为任务的编号，为第nv个无人机；
4、步骤2、评估各无人机的能力得到表示无人机执行任务能力的初始概率矩阵pl；
5、步骤3、初始化临时任务集z用于临时存储当前可被分配的任务，根据步骤2得到的无人机的初始概率矩阵pl将z中的任务分配到无人机，当z中的任务部分完成分配后即对z进行更新，直到z为空集为止，完成任务分配；
6、步骤4、生成个体编码，个体编码为各无人机的任务编号有序序列，采用下式计算个体适应度值：
7、
8、其中，为第k架无人机从任务i到任务j的飞行距离，为第k架无人机需原地等待的时间长度；
9、步骤5、对步骤4生成的个体编码进行变换，采用局部搜索方法将原个体编码替换为具有较小适应度值的个体编码，完成个体编码的首次更新；
10、步骤6、从个体编码中确定可移动任务，通过插入操作将可移动任务插入到其他无人机的可选位置处，形成新的个体编码，其中，可移动任务是指移动后不改变该任务所在目标点内任务执行顺序的任务，可选位置是指个体编码中替换为可移动任务后不改变目标点内任务执行顺序的空闲位置；再对新的个体编码计算个体适应度值，采用具有较小适应度值的个体编码替换原个体编码，完成个体编码的再次更新；
11、步骤7、根据个体编码生成初始种群，种群大小为m，在eda算法的基础上更新概率模型后，依据更新后的概率重新对任务进行分配得到新一代的种群，再计算该新一代种群的适应度值，当种群的适应度值的变化量小于阈值时完成迭代进化，当前的种群即为得到的多无人机任务分配方案。
12、进一步地，所述步骤2中所述初始概率矩阵pl的计算方式为：
13、步骤2.1、采用下式计算无人机k完成任务j的能力kk,j：
14、
15、其中，d(k,g)为无人机k与任务g之间的距离，d(k,j)为无人机k与任务j之间的距离；
16、步骤2.2、采用下式将kk,j转化为能力阈值：θk,j＝1-kk,j；
17、步骤2.3、采用下式计算无人机执行任务的概率，其中stj为无人机在目标点检测到任务j的可能性，为无人机k在目标点检测到任务j并执行的概率：
18、
19、利用响应阈值生成表示出无人机执行任务能力的初始概率矩阵pl。
20、进一步地，所述步骤3中所述当z中的任务部分完成分配后即对z进行更新的方式为：
21、将临时任务集z中任务编号sa,b的b不能被b整除的任务记为第一类任务，当根据初始概率矩阵pl将第一类任务分配到无人机后，该第一类任务在临时任务集z中的位置将由该第一类任务所在目标点中的下一级任务所占据，以完成临时任务集的更新；
22、将临时任务集z中任务编号sa,b的b能被b整除的任务记为第二类任务，当根据初始概率矩阵pl将第二类任务分配到无人机后，将该第二类任务在临时任务集z中的位置删除。
23、进一步地，所述由无人机的飞行速度等效得到，即在相同的等待时间内，无人机若按原速度vk飞行可行驶的距离为如下式所示：
24、进一步地，所述步骤5中所述局部搜索方法为2-opt操作时，所述对步骤4生成的个体编码进行变换，采用局部搜索方法将原个体编码替换为具有较小适应度值的个体编码包括：
25、步骤5.1、对步骤4生成的每个个体编码，在保证任务执行顺序不被破坏的情况下，逐个交换任务编号有序序列中相邻的两个任务编号；
26、步骤5.2、重新计算个体适应度值；
27、步骤5.3、如果新的个体适应度值比原来的个体适应度值小，则采用交换后的个体编码代替原个体编码；否则保持原个体编码不变。
28、进一步地，所述步骤7中所述在eda算法的基础上更新概率模型的方式为：
29、步骤7.1、在种群中比较每个本文档来自技高网...
【技术保护点】
1.一种基于改进分布估计算法的多无人机任务分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多无人机任务分配方法，其特征在于，所述步骤2中所述初始概率矩阵Pl的计算方式为：
3.根据权利要求1所述的多无人机任务分配方法，其特征在于，所述步骤3中所述当Z中的任务部分完成分配后即对Z进行更新的方式为：
4.根据权利要求1所述的多无人机任务分配方法，其特征在于，所述由无人机的飞行速度等效得到，即在相同的等待时间内，无人机若按原速度vk飞行可行驶的距离为如下式所示：
5.根据权利要求1所述的多无人机任务分配方法，其特征在于，所述步骤5中所述局部搜索方法为2-opt操作时，所述对步骤4生成的个体编码进行变换，采用局部搜索方法将原个体编码替换为具有较小适应度值的个体编码包括：
6.根据权利要求1所述的多无人机任务分配方法，其特征在于，所述步骤7中所述在EDA算法的基础上更新概率模型的方式为：
【技术特征摘要】
1.一种基于改进分布估计算法的多无人机任务分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多无人机任务分配方法，其特征在于，所述步骤2中所述初始概率矩阵pl的计算方式为：
3.根据权利要求1所述的多无人机任务分配方法，其特征在于，所述步骤3中所述当z中的任务部分完成分配后即对z进行更新的方式为：
4.根据权利要求1所述的多无人机任务分配方法，其特征在于，所述由无人机的飞行速度等效...
【专利技术属性】
技术研发人员：吴楚格，杜欣悦，付兴昌，张若辰，孙中奇，夏元清，
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。