一种多无人机应急救灾任务分配方法
【技术领域】
[0001] 本发明涉及无人机技术领域，具体设计多无人机任务分配方法，尤其涉及一种多 无人机应急救灾任务分配方法。
【背景技术】
[0002] 目前研究多无人机任务分配时一般考虑多UCAV执行单个任务和多UCAV执行多个 任务时的情况，通过对无人机任务分配系统进行分析，建立与之对应的数学模型，然后根据 约束条件来求解实际的问题，当系统发生变化，数学模型也要做相应的调整。针对这单任务 与多任务两种情况已提出许多基于经典问题的任务分配模型。无人机单任务分配的数学模 型主要有：车辆路径问题模型（VRP);多旅行商问题模型（MTSP)。多无人机多任务分配的数 学模型主要有：混合整数线性规划模型（MILP);动态网络流优化模型（NFO);多无人机协同 任务分配模型。
[0003] 针对多UCAV任务分配问题模型的优化求解算法，现阶段研究成果主要包括集中 式的求解算法和分布式控制中的求解算法。对于集中式控制的求解算法，又可分为启发式 方法和最优化方法两类。其中，前者因为算法本身具备不确定性和抽象性，对系统没有严 格的要求，被广泛运用于一些抽象问题的求解，主要有：遗传算法、禁忌搜索、粒子群优化算 法。禁忌搜索算法应用于任务分配时，用一个禁忌表记录已经到达过的局部最优点来避免 局部邻域陷入局部最优，然而其缺陷是对于初始解具有较强的依赖性，此外其搜索过程是 单操作，即在搜索过程中初始解智能有一个，在每代也智能把一个解移动到另一个解。遗传 算法应用于任务分配很好地克服了容易陷入局部极优这个缺点，是一种全局优化算法，但 其实现过程复杂，参数多并且难以选择，搜索速度比较慢，因此要得到比较精确的解需要较 多的训练时间。粒子群优化算法应用于任务分配具有简单易实现的特点，但全局粒子群算 法收敛速度快，但是容易陷入局部最优，局部粒子群算法收敛速度慢，但是很难陷入局部最 优。
[0004] 对于分布式控制的求解算法：基于合同网的市场拍卖机制已经成为多UCAV分布 式任务分配中应用最为广泛的方法。基于合同网模型的分布式任务分配方法对多UCAV进 行任务分配，通过模拟市场机制中的"任务招标、投标、中标、订立合同"进行协商合作，从而 在局部最优的基础上追求全局最优上的任务分配。合同网算法应用于任务分配时效率较 低，忽略了任务之间的联系，在耦合度上受较大的限制。
【发明内容】
[0005] 本发明所要解决的技术问题是针对【背景技术】中所涉及到的缺陷，提供一种多无人 机应急救灾任务分配方法。
[0006] 本发明为解决上述技术问题采用以下技术方案：
[0007] -种多无人机应急救灾任务分配方法，包括如下步骤：
[0008] 步骤1)，获取无人机数量与各个无人机的位置、目标的数量与各个目标的位置；
[0009] 步骤2)，随机获取NP种任务分配方案，NP为预先设定的初始任务方案数；
[0010] 步骤3)，建立目标函数，作为任务分配方案的评价准则；
[0011] 步骤4)，将目标函数作为适应度函数，计算初始时刻所有任务分配方案的适应度 值，并记录该适应度值与此时的任务分配方案、；
[0012] 步骤5)，判断任务分配方案的更新次数是否为G的倍数，如果是，则执行步骤6)， 否则转向执行步骤7)，其中，G为预先设定的大于1的自然数；
[0013] 步骤6)，将任务分配方案按照其适应度值从大到小进行排序，取前RN种任务分配 方案为主导任务分配方案，后CN种任务分配方案为从任务分配方案，中间NP-RN-CN种任务 分配方案为主任务分配方案，其中，RN与CN分别为预先设定的主导任务分配方案数与从任 务分配方案数；
[0014] 步骤7)，根据任务分配方案所属类别，更新NP种任务分配方案；
[0015] 步骤8)，计算所有更新后任务分配方案的适应度值；
[0016] 步骤9)，计算并记录任务分配方案适应度值的个体最优以及全局最优；
[0017] 步骤10)，判断任务分配方案更新次数是否小于预先设定的最大更新次数数，如果 是，则更新次数加1，同时转向执行步骤5)，否则继续执行步骤11);
[0018] 步骤11)，输出适应度值全局最优的多无人机应急救灾任务分配方案。
[0019] 作为本发明一种多无人机应急救灾任务分配方法进一步的优化方案，所述步骤3) 中的目标函数J为：
[0021] 其中，k = 1，…，Nv;i = 1，…，NT;j = 1，…，NT;NV为无人机的架数，Nt为目标任 务的个数；.为二值决策变量，当编号为k的无人机从目标i到目标j执行任务时=1，否 则为0 表示第i个目标到第j个目标的直接距离表示无人机的最大航程。
[0022] 作为本发明一种多无人机应急救灾任务分配方法进一步的优化方案，所述步骤7) 中更新NP中任务分配方案的步骤如下：
[0023] 步骤7. 1)，若任务分配方案属于适应度值最好的RN种主导任务分配方案，将该方 案中的无人机位置根据下式更新：
[0026] 其中，4(0 (i, j e [1，…，NT], k e [1，…，Nv])表示在t次更新时，无人机k由 第i个目标向第j个目标方向运动中的位置；Randn(0, 〇 2)为一个均值为〇,标准差为σ 2 的高斯分布；ε用于避免除数为〇,为最小常数；f是X的适应值函数；
[0027] 步骤7. 2)，若任务分配方案属于NP-RN-CN种从任务分配方案之一，将该方案中的 无人机位置根据下式更新：
[0031] 式中Rand是[0，1]之间的标准随机数；abs表示取绝对值；rl e [1，."，RN] 为主导任务分配方案中随机抽取的编号，r2为其余任务分配方案中随机抽取的编号，且 rl 辛 r2 ;
[0032] 步骤7. 3)，若任务分配方案属于适应度值最差的CN种从任务分配方案，无人机位 置根据下式更新：
[0034] 式中，代表标号为k无人机所对应主任务分配方案中的编号为k无人机的位 置（m e [RN+1，…，NP-CN]);参数FL(FL e (〇, 2))表示从任务分配方案中的无人机跟随主 任务分配方案中的无人机搜索目标。
[0035] 作为本发明一种多无人机应急救灾任务分配方法进一步的优化方案，所述步骤9) 中个体极值pv k (t)为单架无人机所经过的具有最好适应度函数取值的位置，由下式确定：
[0037] 其中，k为无人机编号，f是适应度函数，Xk(t)为当前第k架无人机任务分配方案 中的空间坐标向量；
[0038] 全局极值gv(t)是所有任务分配方案中无人机经历过的最好位置，由下式确定：
[0039] gv (t) = min {f (Pv1 (t))，f (pv2 ⑴），…，f (pvNP ⑴）} 〇
[0040] 本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0041] 本发明融合了 PSO算法的快速收敛和CCO算法的遍历随机等特性，在PSO算法的 每一代挑选出的最优解附近的区域里，融合混沌算法进一步搜索，防止其陷入局部最优，很 好的反映了多无人机搜索多任务的过程且算法具有快速性与易实现性，同时不易陷入局部 最优。
【附图说明】
[0042] 图1是无人机搜寻任务的不意图；
[0043] 图2是无人机任务分配流程图。
【具体实施方式】
[0044] 下面结合附图对本发明的技术方案做进一步的详细说明：
[0045] 如图1和图2所示，本发明公开了一种多无人机应急救灾任务分配方法，包括如下 步骤：
[0046] 步骤1)，获取无人机数量与各个无人机的位置、目标的数量与各个目标的位置；
[0047] 步骤2)，随机获取NP种任务分配方案X = (X1, X2，…，XNP}，NP为预先设定的初始 任务方案数；
[0048] 步骤3)，建立目标函数J，作为任务分配方案的评价准则；
[0049] 步骤4)，将目标函数J作为适应度函数f，计算初始时刻所有任务分配方案的适应 度值，并记录该适应度值与此时的任务分配方案，同时将任务分配方案的更新次数t初始 化为零；
[0050] 步骤5)，判断任务分配方案的更新次数t是否为G的倍数，如果是，则执行步骤 6)，否则转向执行步骤7)，其中，G为预先设定的大于1的自然数；
[0051] 步骤6)，将任务分配方案按照其适应度值从大到小进行排序，取前RN种任务分配 方案为主导任务分配方案，后CN种任务分配方案为从任务分配方案，中间NP-RN-CN种任务 分配方案为主任务分配方案，其中，RN与CN分别为预先设定的主导任务分配方案数与从任 务分配方案数；
[0052] 步骤7)，根据任务分配方案所属类别，更新NP种任务分配方案；
[0053] 步骤8)，计算所有更新后任务分配方案的适应度值；
[0054] 步骤9)，计算并记录任务分配方案适应度值的个体最优