一种多无人机测绘任务分配方法和装置与流程

本发明涉及无人机技术领域，具体涉及一种多无人机任务计划构建方法。

背景技术：

当前，无人机技术得到迅猛发展，其已广泛应用于农业、地质、气象、电力、测绘等民用领域和侦察探测、通信中继、电子干扰和目标攻击等军用领域。以无人机执行测绘任务为例，随着测绘环境复杂性、任务要求多样性的不断提高，单架无人机受传感器数量、性能的限制，已难以满足测绘任务；此外，单架无人机执行测绘任务的鲁棒性较差，即在测绘任务需求发生变化、无人机平台出现故障时，单架无人机无法继续执行测绘任务，造成任务执行失败。

多无人机协同执行测绘任务是未来无人机执行测绘任务的重要模式，多无人机协同执行测绘任务是指在无人机应急测绘资源调度问题中，装备有不同类型遥感系统的异构无人机被应用于灾后应急测绘，在此过程中，需要对空间离散的任务区域制定相应的无人机资源调度方案，即在满足测绘任务需求、任务执行数量约束、决策变量关系约束等条件下，为无人机分配具体测绘任务方案。如图1所示，多测绘无人机按照资源调度方案依次完成各自测绘任务。

在多无人机测绘任务计划构建方法中，由于多无人机协同执行测绘任务决策变量为离散数值，传统的最优化理论和方法无法求解这种离散整数规划问题，目前主要有以下几种求解方案：

(1)若为无人机和任务数量较少的测绘任务计划构建问题，可采用枚举法列出所有的任务计划方案，从中选出使得聚合目标函数值最大的可行方案。

(2)若为无人机和任务数量较少的测绘任务计划构建问题，可先根据传统最优化方法对对应得连续问题进行求解，随后采用分支定界或割平面方法进行离散化处理。

(3)采用智能规划方法，借鉴基因遗传、蚂蚁觅食、蜜蜂采蜜等仿真原理，通过构建适应度函数和设计种群更新方法等，实现自组织迭代求解。

枚举法仅适用于无人机和任务数量较少的测绘任务问题，分支定界和割平面方法要求求解问题具有线性特性，且计算复杂度较高，不适用于无人机和任务数量较多的测绘任务计划构建问题。目前，遗传算法方法被广泛应用于各个研究领域的任务计划生成与调整方面，但利用遗传算法方法求解任务计划生成与调整问题时，存在以下不足：在求解测绘任务计划构建问题时，算法设计不针对特定问题，虽然具有通用性强的特点，但同时容易导致盲目搜索，造成搜索最优解的效率低下；遗传算法一般只能进行集中式求解，缺乏交互机制，难以实现分布式求解，造成实时性较差；遗传算法方法缺乏约束处理机制，每次迭代过程中，当产生违反约束情况时，一般采用罚函数法，但其设计方法过于繁琐。

技术实现要素：

为了克服现有技术的不足，本发明提供一种多无人机测绘任务分配方法，包括：

步骤一：获取多无人机测绘系统属性信息；

步骤二：根据获取的多无人机测绘系统属性信息，确定多无人机协同执行测绘任务模型；

步骤三：建立无人机集合对应异质蚁群系统；

步骤四：求解异质蚁群系统，得到异质蚁群在当前迭代次数下的最优路径；

步骤五：更新启发式异质蚁群的信息素，通过迭代求解得到任务分配方案。

进一步的，步骤一中的多无人机系统属性信息包括：无人机数量为nv，无人机位置lui，无人机价值vui，无人机任务负载tli，无人机速度veli，无人机传感器价值vai，任务数量为nt，任务位置ltj，任务价值vtj；

步骤二中数学模型为：

假定有nv架无人机和nt个任务，资源调度矩阵定义为x＝(xij)nv×nt，其中资源调度决策变量xij为：

定义无人机ui执行任务tj的任务完成质量teqij为：

其中，atij为无人机ui执行任务tj的成功率，在多无人机执行任务时，任务执行收益g为资源调度决策变量xij和任务完成质量teqij的函数，即有：

若无人机ui执行任务tj的危险系数为daij，则无人机ui执行任务tj的危险代价c1为无人机ui的平台价值vui和无人机ui执行任务tj的危险系数daij的函数，即有：

多无人机系统的航行代价c2为：

其中，dij表示无人机ui执行任务tj的航程，dmax为所有dij的最大值；

多无人机系统的传感器运用代价c3为传感器价值vai、无人机执行任务成功率atij和资源调度决策变量xij的函数，即有：

测控任务集完成时间阈值为texp，任务完成时间系数为aftime：

其中，tj为任务tj的完成时间，λ∈(0,1)为时间因子；

多无人机协同执行任务的优化目标函数值f为

其中，任务收益代价为c，c＝c1+c2+c3，ω1为任务执行收益权重，ω2为任务执行代价权重；

步骤三中人工蚁群子群数量为nsg＝nv，对于无人机ui，子群sgi中的蚂蚁数量为m，所有子群构成异质蚁群系统g＝{sgi,i＝1,2,…,nsg}，对于g中第j列的所有蚂蚁，为蚂蚁簇scj，其负责构建无人机集合u的第j个满足所有约束的任务计划；归属于不同子群sgi和sgi'(i≠i')的蚂蚁antij和anti'j通过交互机制交换任务计划方案，建立基于交互的m个禁忌表tabu＝{tabu1,tabu2,…,tabum}，各蚂蚁通过读写禁忌表内容，并在与其他蚂蚁不产生冲突的前提下进行当前解更新进化；

步骤四中异质蚁群的求解包括基于随机顺序的平台选取、基于约束条件的任务选取、基于目标函数的状态转移、基于交叉算子的局部搜索四个步骤；

步骤五中更新启发式异质蚁群的信息素采用蚁密更新方法，更新公式为：

τjj'(itecur+1)＝(1-ρglo)·τjj'(itecur)+q(15)

其中，τjj'(itecur)为从执行任务j到执行任务j'的蚂蚁信息素值，迭代次数为itecur，ρglo为全局更新的蚂蚁信息素挥发因子，q为蚂蚁信息素释放因子；

当更新局部信息素时，采用蚁量更新方法，e(t)为蚂蚁簇scj的任务完成时间归一值，更新公式为：

其中，ρloc为局部更新的蚂蚁信息素挥发因子，为蚂蚁簇scj的任务完成时间，为所有蚂蚁簇任务完成时间最小值。

进一步的，步骤四中任务计划构建约束主要包括：

无人机负载约束：

其中，xij为资源调度决策变量，nt为测绘任务数量，nv为无人机数量，tli为无人机ui的任务负载；

任务必须执行约束：

其中，xij为资源调度决策变量，nt为测绘任务数量，nv为无人机数量；

无人机执行任务数量约束：

其中，xij为资源调度决策变量，nt为测绘任务数量，nv为无人机数量；

当蚂蚁antij在任务集t中选取候选任务时，需要满足两个条件：(1)当前无人机执行任务数未超过其任务负载；(2)所选取任务未被蚂蚁簇内其他蚂蚁选取过。

进一步的，步骤四中基于目标函数的状态转移采用伪随机比例规则下的选取方法，选取任务编号y定义为：

其中，τjj'(itecur)为第itecur次迭代中从状态j到状态j'的蚂蚁信息素值，ηjj'(itecur)为第itecur次迭代中从状态j到状态j'的启发式信息值，α为信息素值权重，β为启发式信息值权重，y为按照轮盘赌方式选取的任务编号；

根据公式(12)，蚂蚁以概率阈值q0选取状态转移的最优路径，以概率1-q0采用轮盘赌方式选取非最优路径，选取执行路径为tj→tj'的概率计算公式如下：

其中，pjj'(itecur)为第itecur次迭代，从执行任务j到执行任务j'的转移概率值；τjj'(itecur)为第itecur次迭代，从执行任务j到执行任务j'的蚂蚁信息素值；ηjj'(itecur)为第itecur次迭代，从执行任务j到执行任务j'的启发式信息值；α和β分别为信息素值权重和启发式信息素值权重。

进一步的，步骤四中采用任务数量动态控制方法，具体步骤如下：

(4.3.1)在对信息素值和启发式信息值进行信息集结的基础上，对antij的候选任务集，即ta(antij)中所有任务的信息集结值从高到低依次排序；

(4.3.2)判断当前迭代次数itecur是否已达到预先设定最大迭代次数itemax一半，即有itecur≥0.5·itemax，若是，则令σ＝σ1＝0.5，反之，令σ＝σ2＝0.9，σ1为当前迭代次数不到最大迭代次数一半时的候选任务集裁剪系数，σ2为当前迭代次数超过最大迭代次数一半时的候选任务集裁剪系数，σ为动态候选任务集裁剪系数，根据当前迭代次数与最大迭代次数关系设定为相应值；

(4.3.3)如果antij的候选任务集中任务数量为1，即有|ta(antij)|＝1成立，则直接选取该任务，若|ta(antij)|＞1，则根据公式(14)设定候选任务集中任务数量，从前至后进行选取：

|ta(antij)|←[σ·|ta(antij)|](14)

其中，σ为动态候选任务集裁剪系数，ta(antij)为antij的候选任务集，为向上取整算子。

进一步的，步骤四中当所有蚂蚁子群完成一轮搜索后，形成可行解空间接下来采用局部启发式信息进行局部搜索，具体搜索流程如下：

(4.4.1)令局部搜索方法中迭代次数n＝1，确定u-t分配矩阵中满足第i架无人机ui执行第j个测绘任务tj，即有xij＝1成立的元素位置，将其对应的目标函数值进行排序，找到对应其中最小目标函数值的ui-tj对；

(4.4.2)若n≤n，n为局部搜索方法中迭代次数最大值，确定无人机集合u中除ui以外满足剩余任务负载大于0的所有无人机，将这些无人机依次加入集合fy；

(4.4.3)将任务tj随机分配给fy中的任一无人机判断采用交叉算子后的目标函数变化值大于零，若是，则将tj的执行平台由ui转移到否则，保持不变；

(4.4.4)更新fy，并且重复执行n次步骤(4.4.1)至步骤(4.4.3)。

进一步的,本发明还提供一种多无人机任务分配装置，包括：

获取模块，用于获取多无人机测绘系统属性信息；

任务处理模块，用于根据获取的多无人机测绘系统属性信息，确定多无人机协同执行测绘任务模型；

异质蚁群构建模块，建立无人机集合对应异质蚁群系统；

异质蚁群求解模块，用于求解异质蚁群系统，得到异质蚁群在当前迭代次数下的最优路径；

异质蚁群信息素更新模块，用于更新启发式异质蚁群的信息素。

进一步的，获取模块获取多无人机测绘系统属性信息包括：无人机数量、位置、价值、任务负载、速度、测绘传感器价值；测绘任务数量、位置、价值；任务处理模块中的多无人机协同执行测绘任务模型包括：资源调度决策变量、任务完成质量、任务执行收益、无人机执行测绘任务的：危险代价、航行代价、传感器运用代价，多无人机协同执行测绘任务的优化目标为使得目标函数值最大；异质蚁群构建模块的异质蚁群为一架无人机拥有一个蚂蚁子群为其构建任务计划，不同子群的蚂蚁通过交互机制交换测绘任务计划方案；异质蚁群求解模块求解方法包括：基于随机顺序的平台选取、基于约束条件的任务选取、基于目标函数的状态转移、基于交叉算子的局部搜索；异质蚁群信息素更新模块更新启发式异质蚁群的信息素采用蚁量更新方法。

进一步的，任务处理模块中资源调度决策变量xij为：

任务完成质量teqij为：

其中，atij为无人机ui执行测绘任务tj的成功率；

任务执行收益g为：

其中xij为资源调度决策变量teqij为任务完成质量，nt为测绘任务数量，nv为无人机数量；无人机执行测绘任务的危险代价c1为：

多无人机测绘系统的航行代价c2为：

其中，dij表示无人机ui执行测绘任务tj的航程，dmax为所有dij的最大值；

多无人机测绘系统的传感器运用代价c3为传感器价值vai、无人机执行测绘任务成功率atij和资源调度决策变量xij的函数：

测控任务集完成时间阈值为texp，任务完成时间系数aftime为：

其中，tj为测绘任务tj的完成时间，λ∈(0,1)为时间因子；

多无人机协同执行测绘任务的优化目标为使得目标函数值f最大,f为：

f＝(ω1g-ω2c)·aftime(8)

其中，任务收益代价为c，c＝c1+c2+c3，ω1为测绘任务执行收益权重，ω2为测绘任务执行代价权重；

异质蚁群求解模块构中约束条件主要包括无人机负载约束、任务必须执行约束、无人机执行任务数量约束；异质蚁群求解模块中状态转移采用伪随机比例规则下的选取方法，动态控制任务数量；

异质蚁群信息素更新模块蚁密更新公式为：

τjj'(itecur+1)＝(1-ρglo)·τjj'(itecur)+q(15)

其中，ρglo为全局更新的蚂蚁信息素挥发因子，q为蚂蚁信息素释放因子；

当更新局部信息素时，为了引导蚁群在任务完成时间较小解附近进行搜索，主要采用蚁量更新方法，更新公式为：

其中，ρloc为局部更新的蚂蚁信息素挥发因子，为蚂蚁簇scj的任务完成时间，为所有蚂蚁簇任务完成时间最小值，e(t)为蚂蚁簇scj的任务完成时间归一值。

进一步的，异质蚁群求解模块中无人机负载约束为：

其中，xij为资源调度决策变量，nt为测绘任务数量，nv为无人机数量，tli为无人机ui的任务负载；

任务必须执行约束为：

其中，xij为资源调度决策变量，nt为测绘任务数量，nv为无人机数量；

无人机执行任务数量约束为：

其中，xij为资源调度决策变量，nt为测绘任务数量，nv为无人机数量。

本发明采用智能规划方法对多无人机测绘任务计划构建问题进行求解，在方法中引入启发式信息，提高搜索过程方向性；采用异质蚁群技术将求解任务分解到多个平台，通过信息交互机制实现分布式求解，提高求解时效性；采用基于约束条件的测绘任务选取方法，减少不可行解的出现概率；在当前最优解基础上以一定搜索范围进行局部搜索，避免陷入局部最优。本发明克服了现有遗传算法方法的缺陷，提高无人机测绘任务计划构建的有效性、时效性和稳定性。

附图说明

图1为多无人机执行测绘任务示意图；

图2为本发明方法流程图；

图3为分工机制下的蚁群系统图；

图4为任务选取流程图；

图5为任务数量动态控制机制流程图；

图6为基于交叉算子的局部搜索流程图；

图7为多无人机任务分配装置组成图；

图8为有/无任务负载约束下目标函数值对比；

图9为有/无任务负载约束下测绘任务完成时间对比图；

图10为有/无任务负载约束下所有无人机航行距离对比图；

图11为在无人机3架、任务数量8个的条件下测绘任务计划求解收敛过程图。

具体实施方式

为使本发明的目的、技术方案以及优势更加明晰，下面结合附图和实施例，对本发明进行进一步详细说明。

如图2所示，本发明基于启发式异质蚁群技术，给出多无人机对多测绘任务的资源调度方法：首先，确定包括无人机、任务在内的测绘系统属性信息；其次，给出决策变量、资源调度测度值定义方法，并分析优化目标和约束条件，建立资源调度模型；随后，基于异质分工蚁群技术，构建无人机集合对应的异质蚁群系统；然后，求解异质蚁群系统，得到异质蚁群在当前迭代次数下的最优路径；最后，更新启发式异质蚁群算法的信息素。通过迭代求解，通过迭代求解得到任务分配方案，其具体过程如下：

步骤1：获取多无人机测绘系统属性信息；

(1.1)无人机集合为其中，无人机数量为nv；

(1.2)第i架无人机ui的属性值为无人机位置lui，无人机价值vui，无人机任务负载tli，无人机速度veli，无人机测绘传感器价值vai；

(1.3)测绘任务集合为其中，测绘任务数量为nt；

(1.4)第j个测绘任务tj的属性值为任务位置ltj，任务价值vtj。

步骤2：根据获取的多无人机测绘系统属性信息，确定多无人机协同执行测绘任务模型；

(2.1)假定有nv架无人机和nt个测绘任务，资源调度矩阵定义为其中资源调度决策变量xij为：

(2.2)定义无人机ui执行测绘任务tj的任务完成质量为：

其中，atij为无人机ui执行测绘任务tj的成功率。在多无人机执行测绘任务时，任务执行收益g为资源调度决策变量xij和任务完成质量teqij的函数，即有：

(2.3)无人机ui执行测绘任务tj的危险系数为daij，无人机ui执行测绘任务tj的危险代价c1为无人机ui的平台价值vui和无人机ui执行测绘任务tj的危险系数daij的函数，多无人机测绘系统的危险代价c1为：

多无人机测绘系统的航行代价c2为：

其中，dij表示无人机ui执行测绘任务tj的航程，dmax为所有dij的最大值。

多无人机测绘系统的传感器运用代价c3为传感器价值vai、无人机执行测绘任务成功率atij和资源调度决策变量xij的函数，即有：

测控任务集完成时间阈值为texp，任务完成时间系数aftime为：

其中，tj为测绘任务tj的完成时间，λ∈(0,1)为时间因子。

多无人机协同执行测绘任务的优化目标为使得目标函数值f最大,f为：

f＝(ω1g-ω2c)·aftime(8)

其中，任务收益代价为c，c＝c1+c2+c3，ω1为测绘任务执行收益权重，ω2为测绘任务执行代价权重。

步骤3：建立无人机集合对应的异质分工蚁群；

为求解步骤2中建立的多无人机协同测绘任务模型，采用群智能算法进行求解，蚁群算法具有寻优能力强、鲁棒性优、本质并行性、易引入启发式信息的特点，可在改进后有效解决多无人机测绘任务计划构建这一具有并行性、协作性和后效性等特点的问题。

令人工蚁群子群数量为nsg＝nv，即一架无人机拥有一个蚂蚁子群为其构建任务计划，对于无人机ui，子群sgi中的蚂蚁数量为m，即有sgi＝{antij,j＝1,2,…,m}，所有子群构成异质蚁群系统g＝{sgi,i＝1,2,…,nsg}。对于g中第j列的所有蚂蚁，称为蚂蚁簇scj，其负责构建无人机集合u的第j个满足所有约束的任务计划。归属于不同子群sgi和sgi'(i≠i')的蚂蚁antij和anti'j通过交互机制交换测绘任务计划方案，因此，需要建立基于交互的m个禁忌表tabu＝{tabu1,tabu2,…,tabum}，各蚂蚁通过读写禁忌表内容，并在与其他蚂蚁不产生冲突的前提下进行当前解更新进化。如图3所示，为分工机制下的蚁群系统示意图。

步骤4：求解步骤3中建立的异质蚁群，得到异质蚁群在当前迭代次数下的最优路径；

在步骤3建立无人机集合异质分工种群模型基础上，需要采用相应求解方法进行模型求解，具体包括基于随机顺序的平台选取、基于约束条件的任务选取、基于目标函数的状态转移、基于交叉算子的局部搜索四个步骤。

(4.1)基于随机顺序选取无人机平台；

在测绘任务计划构建过程中，当选取特定无人机执行测绘任务时，采用确定性选取方法易导致搜索算法陷入局部最优解。因此，为了保证方法求解过程中解的多样性，本发明采用随机顺序选取候选无人机执行相应测绘任务；同时，为了避免冲突，已经达到最大测绘任务负载的无人机并不会成为候选无人机。

(4.2)基于约束条件选取测绘任务；

测绘任务计划构建约束主要包括无人机负载约束、任务必须执行约束、无人机执行任务数量约束，分别为：

其中，xij为资源调度决策变量，nt为测绘任务数量，nv为无人机数量，tli为无人机ui的任务负载。

其中，xij为资源调度决策变量，nt为测绘任务数量，nv为无人机数量。

其中，xij为资源调度决策变量，nt为测绘任务数量，nv为无人机数量。

为了避免搜索算法产生非可行解从而降低算法性能，当蚂蚁antij在任务集t中选取候选任务时，需要排除不符合约束条件的任务，即满足两个条件：(1)当前无人机执行测绘任务数未超过其任务负载；(2)所选取任务未蚂蚁簇内其他蚂蚁选取过。对于蚂蚁antij而言，任务选取流程如图4所示，具体步骤如下：

(4.2.1)输入参数，主要包括任务全集t，scj中除antij外所有其他蚂蚁已执行任务集antij的可执行候选任务集ui的任务负载tli，j＝1；

(4.2.2)判断是否有|ta(antij)|＜tli成立，若成立，转至步骤4.2.3，若否，转至步骤4.2.5；

(4.2.3)判断是否有成立，若成立，则令ta(antij)＝ta(antij)∪{tj}，若否，则转至步骤4.2.4；

(4.2.4)令j＝j+1，若j≤nt，则返回步骤4.2.2，若否，则转至步骤4.2.5；

(4.2.5)结束选取，输出任务选取结果。

(4.3)基于目标函数进行状态转移；

所谓状态转移，是指无人机在执行某一任务后再执行另一任务的执行对象转换，当antij在ta(antij)中选取下一测绘任务时，选取哪个测绘任务以及如何选取是其中的关键问题。本发明采用伪随机比例选取方法，选取测绘任务编号定义为：

其中，itecur为当前迭代次数，τjj'(itecur)为第itecur次迭代中从状态j到状态j'的蚂蚁信息素值，ηjj'(itecur)为第itecur次迭代中从状态j到状态j'的启发式信息值，α和β分别为信息素值和启发式信息值的权重，y为按照轮盘赌方式选取的测绘任务编号。

因此，根据公式(12)，蚂蚁以概率阈值q0选取状态转移的最优路径，以概率1-q0采用轮盘赌方式选取非最优路径保证解的多样性，选取执行路径为tj→tj'的概率计算公式如下：

其中，pjj'(itecur)为第itecur次迭代，从执行任务j到执行任务j'的转移概率值；τjj'(itecur)为第itecur次迭代，从执行任务j到执行任务j'的蚂蚁信息素值；ηjj'(itecur)为第itecur次迭代，从执行任务j到执行任务j'的启发式信息值；α和β分别为信息素值权重和启发式信息素值权重。

此外，本发明提出候选测绘任务集中任务数量的动态控制机制，即在迭代求解的初始阶段，为了提高算法收敛性，需要设置较小的候选测绘任务数量；而在算法迭代求解的后期，为了保证解的多样性，需要设置较大的候选测绘任务数量。因此，引入选取窗口概念，从而在算法收敛性和解的多样性之间取得平衡，即当antij以一定概率选取特定路径进行状态转移时，并不意味着候选任务集ta(antij)中的所有测绘任务都有机会被选取。本发明的任务数量动态控制方法流程如图5所示，具体步骤如下：

(4.3.1)在对信息素值和启发式信息值进行信息集结的基础上，对antij的候选任务集，即ta(antij)中所有测绘任务的信息集结值从高到低依次排序。

(4.3.2)判断当前迭代次数itecur是否已达到预先设定最大迭代次数itemax一半，即有itecur≥0.5·itemax，若是，则令σ＝σ1＝0.5，反之，令σ＝σ2＝0.9。其中，σ1为当前迭代次数不到最大迭代次数一半时的候选任务集裁剪系数，σ2为当前迭代次数超过最大迭代次数一半时的候选任务集裁剪系数，σ为动态候选任务集裁剪系数，根据当前迭代次数与最大迭代次数关系设定为相应值。

(4.3.3)如果antij的候选任务集中任务数量为1，即有|ta(antij)|＝1成立，则直接选取该测绘任务，若|ta(antij)|＞1，则根据公式(14)设定候选测绘任务集中任务数量，从前至后进行选取：

|ta(antij)|←[σ·|ta(antij)|](14)

其中，σ为动态候选任务集裁剪系数，ta(antij)为antij的候选任务集，为向上取整算子。

(4.4)基于交叉算子进行局部搜索；

传统蚁群算法具有较强的全局搜索性能，然而搜索效率较低，因此，引入局部优化算子以提高求解收敛速度。当所有蚂蚁子群完成一轮搜索后，即形成可行解空间接下来采用局部启发式信息进行局部搜索。本发明采用的局部搜索流程如图6所示，具体搜索如下：

(4.4.1)令局部搜索步骤中迭代次数n＝1，确定u-t分配矩阵中满足第i架无人机ui执行第j个测绘任务tj，即有xij＝1成立的元素位置，将其对应的目标函数值进行排序，找到对应其中最小目标函数值的ui-tj对。

(4.4.2)若n≤n，确定无人机集合u中除ui以外满足剩余任务负载大于0的所有无人机，将这些无人机依次加入集合fy。

(4.4.3)将测绘任务tj随机分配给fy中的任一无人机判断通过这样的操作，是否有成立，若是，则将tj的执行平台由ui转移到否则，保持不变。

(4.4.4)更新fy，并且重复执行n次步骤4.4.1至步骤4.4.3。

步骤5：更新启发式异质蚁群的信息素，通过迭代求解得到任务分配方案；

在启发式异质蚁群方法中，信息素浓度与状态转移路径优劣程度具有相关性，每个蚂蚁根据状态转移路径上的信息素值分布情况确定下一次迭代的路径选择，通过每次迭代过程中信息素的更新，引导异质蚁群寻求最优路径，从而最终确定最优任务执行计划。每次迭代寻优过程中，异质蚁群寻找到当前迭代次数下的最优路径，再基于信息素更新进行下一轮寻优，直至迭代结束生成最终结果。

在多异质蚁群搜索系统中，只有取得最优目标函数的蚂蚁能够更新全局信息素，更新目标是使得搜索更具方向性，因此，主要采用蚁密更新方法，更新公式为：

τjj'(itecur+1)＝(1-ρglo)·τjj'(itecur)+q(15)

其中，ρglo为全局更新的蚂蚁信息素挥发因子，q为蚂蚁信息素释放因子，τjj'(itecur)为第itecur次迭代，从执行任务j到执行任务j'的蚂蚁信息素值。

当更新局部信息素时，为了引导蚁群在任务完成时间较小解附近进行搜索，主要采用蚁量更新方法，更新公式为：

其中，ρloc为局部更新的蚂蚁信息素挥发因子，为蚂蚁簇scj的任务完成时间，为所有蚂蚁簇任务完成时间最小值，e(t)为蚂蚁簇scj的任务完成时间归一值。从公式(16)和(17)可以看出，局部信息素的更新机制中引入了关于任务完成时间的启发式信息，上能够引导蚂蚁搜索任务完成时间小的转移路径，最终通过迭代求解得到任务分配方案。

如图7所示，本发明还提供一种多无人机任务分配装置，包括：

获取模块，用于获取多无人机测绘系统属性信息；

任务处理模块，用于根据获取的多无人机测绘系统属性信息，确定多无人机协同执行测绘任务模型；

异质蚁群构建模块，建立无人机集合对应异质蚁群系统；

异质蚁群求解模块，用于求解异质蚁群系统，得到异质蚁群在当前迭代次数下的最优路径；

异质蚁群信息素更新模块，用于更新启发式异质蚁群的信息素。

获取模块获取多无人机测绘系统属性信息包括：无人机数量、位置、价值、任务负载、速度、测绘传感器价值；测绘任务数量、位置、价值；任务处理模块中的多无人机协同执行测绘任务模型包括：资源调度决策变量、任务完成质量、任务执行收益、无人机执行测绘任务的：危险代价、航行代价、传感器运用代价，多无人机协同执行测绘任务的优化目标为使得目标函数值最大；异质蚁群构建模块的异质蚁群为一架无人机拥有一个蚂蚁子群为其构建任务计划，不同子群的蚂蚁通过交互机制交换测绘任务计划方案；异质蚁群求解模块求解方法包括：基于随机顺序的平台选取、基于约束条件的任务选取、基于目标函数的状态转移、基于交叉算子的局部搜索；异质蚁群信息素更新模块更新启发式异质蚁群的信息素采用蚁量更新方法。

下面通过具体实施例对本发明进行说明：

首先所有的仿真实验均是在3g内存、3.06ghzcpu的硬件上，在matlab2014a的环境中运行的，具体说明如下：设置texp＝10，α＝3，β＝8，λ＝0.85，m＝50，q0＝0.75，ρglo＝0.05，ρloc＝0.02，q＝3。itemax取值在不同场景下不同，其中，无人机和任务数量较少时(3架和8个)，itemax＝1000；而无人机和任务数量较多时(6架和18个)，itemax＝600。测绘任务的位置及价值信息如表1所示；无人机的位置、价值、速度、测绘传感器价值信息如表2所示。

表1

表2

一、有效性验证

设置无人机数量为6，测绘任务数量为18，则无人机对测绘任务的测绘成功率矩阵at取值如表3所示，无人机执行测绘任务危险系数矩阵da取值如表4所示：

表3

表4

设置仿真迭代次数为600，无人机任务负载向量tl＝[222228]，分别对比测绘任务负载受限和不受限情况下的测绘任务计划构建情况，如表5所示。

表5

图8给出了测绘任务负载受限和不受限两种情况下的目标函数值对比示意图，图9给出了测绘任务负载受限和不受限两种情况下测绘任务完成时间对比示意图，图10给出了测绘任务负载受限和不受限两种情况下所有无人机航行距离的对比示意图。

从图8可以看出，若无人机的测绘任务负载不受限，则其最终目标函数值高于测绘任务负载受限情况下的目标函数值，这是因为前者的可行解空间更大，更容易搜索到更好可行解，但是收敛速度相对较慢。从图9和图10可以看出，测绘任务负载不受限情况下，其任务完成总时间相对较小，而无人机总航行距离较长，这是因为在测绘任务负载受限时，任务在无人机间分配并不平衡，主要由u6执行，因此，其完成总时间相对较长。

二、时效性验证

设定仿真方案为无人机的测绘任务负载受限，令无人机任务负载向量为tl＝[454343]，仿真时间为50s，对本发明方法和遗传算法方法各运行10次取平均值后进行对比。本发明方法和遗传算法方法在50s内目标函数值对比情况如表6所示。

表6

从表6可以看出，虽然在相同仿真时间内，本发明方法虽然迭代次数低于遗传算法方法，但是在目标函数初始值和最终值上都要优于遗传算法方法，因此，在相同时间内本发明方法要取得比遗传算法方法更好的优化效果，反过来说明本发明方法时效性更优。

三、稳定性验证

为了证明本发明方法在稳定性方面的优势，设计两种场景：(1)在无人机和任务数量较少(3架无人机，8个测绘任务)的测绘任务计划构建问题中，本发明方法能够快速收敛到固定值(该值很大可能为全局最优值)；(2)在无人机和任务数量较多(6架无人机，18个测绘任务)的任务计划构建问题中，与遗传算法方法相比，本发明方法各次仿真目标函数值的方差较小。

如图11所示，为本发明方法仿真10次的目标函数值收敛情况，可以看出，在无人机和任务数量较少(3架无人机，8个测绘任务)的测绘任务计划构建问题中，选取测绘任务为表1中的t1～t8，选取无人机为表2中的u1～u3，则本发明方法目标函数值总能收敛到188.74，这证明了本发明方法具有较好的收敛性能。

而在无人机和任务数量较多(6架无人机，18个测绘任务)的测绘任务计划构建问题中，我们选取测绘任务和无人机分别如表1和表2所示(即6架无人机，18个测绘任务)。经过计算，10次仿真后，本发明方法目标函数值的方差为17.56，而遗传算法方法目标函数值的方差为135.40，因此，本发明方法较为稳定。