面向有人/无人协同编队系统的任务分配方法及系统与流程

本发明涉及有人/无人系统技术领域，具体涉及一种面向有人/无人协同编队系统的任务分配方法、一种面向有人/无人协同编队系统的任务分配系统、一种电子设备以及一种计算机可读存储介质。

背景技术：

有人/无人编组协同作战已成为近年来各国研究的重点。有人/无人协同编队主要是指有人平台在完成对战场信息的综合处理和态势评估分析后，根据任务需求、战场态势、可用资源等多种要素科学规划协同作战方案，并将作战方案以指令形式发送至无人平台。无人机在有人战机的指挥控制下，可迅速完成目标攻击、毁伤评估等任务。随着战场态势越来越复杂，对有人平台规划任务提出了更高的要求，为减少有人平台的工作压力，急需一种辅助系统，帮助有人平台进行任务分析，并自动地将任务合理的分配给无人平台。

有人/无人平台任务分配的目的是在满足各项战术和技术指标的前提下，将不同位置、价值和威胁程度的目标合理地分配给不同的无人平台，并对无人平台进行编队和设计粗略路径，使得整个有人机/无人机编队的整体作战收益最大，代价最小。

相关技术一中，论文“有人/无人机编队打击时敏目标任务分配”，针对有人/无人机编队协同打击地面时敏目标的任务分配问题，利用有人/无人机编队系统总体框架和时敏特性函数，构建有人/无人机编队协同打击地面时敏目标的任务分配模型。采用改进的遗传算法，通过引入矩阵型编码提升任务效率，通过引入针对死锁问题的解码方法来解决任务分配的时序问题。

但是，该方法采用遗传算法解决任务分配问题，求解时效性差，对于任务数量多，变量空间大的问题计算复杂度高。

相关技术二中，论文“有人机/无人机编队协同攻击任务分配方法研究”，针对有人机/无人机编队协同空战的任务分配问题，给出时序约束下的任务分解方法，采用改进的合同网协议建立任务分配模型，通过引入熟人库来提高任务分配的效率，通过引入任务有效性和黑板机制来实现对时序任务的处理。

但是，该方法采用的合同网方法，由于引入熟人库，不能保证每次任务分配的回报最高，降低了该方法的任务分配的最终能效；

相关技术三中，论文“有人机/无人机编队协同任务分配方法”，以合同网协议(contractnetprotocol，cnp)和多智能体系统(multi-agentsystem，mas)理论为基础，建立了有人机/无人机编队mas结构和基于投标过程的任务分配模型，将任务优先权引入任务分配模型中，可以实现预先任务分配和执行过程中动态任务分配，保证动态环境下编队整体分配效能较优。

但是，该方法需要有人平台对新目标进行优先级排序，增加了有人平台的工作量，增加了有人平台的工作负荷；

相关技术四中，论文“有人/无人机混合编队协同任务分配方法”，在多无人机协同任务分配的基础上，分析了有人/无人机编队协同作战的突出特点，着重研究飞行员工作状态对参与任务分配的各无人机作战效能的影响，建立了基于飞行时间和工作负载的飞行员工作状态评价模型，并对传统无人机作战效能函数的数学模型进行改进，提出了有人机飞行员工作状态影响下的无人机效能评估模型。

但是，该方法考虑了有人平台任务处理能力对任务分配的影响，但任务评估效能还存在作者的主观特点，不能反映有人平台能力对任务分配的影响；

以上方法均基于传统的任务分配方法的改进，只能从作者主观的评价标准中对任务进行分配。随着人工智能技术的发展，可以采用数据驱动的方式减少模型设计者的主观影响。辅助系统主要是用来降低有人平台的工作负荷，不能增加任务量，并且直接从数据驱动的角度来进行任务分配可以提高任务分配的科学性，避免设计者的目标函数存在的不合理。模型是提前训练好的，实际应用中，无需进行两大运算，可以实时进行任务分配。

技术实现要素：

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种面向有人/无人协同编队系统的任务分配方法、一种面向有人/无人协同编队系统的任务分配系统、一种电子设备以及一种计算机可读存储介质。

为了解决上述技术问题，本发明一方面提供一种面向有人/无人协同编队系统的任务分配方法，包括：

设置影响任务分配的影响因素；

对各所述影响因素进行归一化处理；

收集待训练数据并设计支持向量机模型，将所述待训练数据输入至所述支持向量机模型中，以训练所述支持向量机模型；

利用训练好的支持向量机模型进行任务分配。

可选地，所述影响因素包括：

操作员的任务处理频率r、任务请求频率s、任务执行能力a、任务类型f、任务复杂度c、任务价值v以及任务完成概率p。

可选地，所述对各所述影响因素进行归一化处理，包括：

设任务i的任务分配相关影响因素为{ri,si,ai,fi,ci,vi,pi}，将其转化为{x’i,1,x’i,2,x’i,3,x’i,4,x’i,5,x’i,6,x’i,7}；

根据下述关系式对各影响因素进行归一化处理，得到任务i的归一化属性{xi,1,xi,2,xi,3,xi,4,xi,5,xi,6,xi,7}；

其中，max(ej)是影响因素j取值范围的中最大值；

min(ej)是影响因素j取值范围的中最小值；

x’i,j是任务i影响因素j的值；

xi,j是任务i影响因素j归一化的值。

可选地，所述收集待训练数据，包括：

从以往的有人/无人平台协同任务分配的实验中统计数据，并将影响任务分配的影响因素进行归一化处理，并将归一化后的数据作为输入x，将分类结果作为输出y，获得n组(x，y)数据，作为所述支持向量机模型的训练数据。

可选地，所述支持向量机模型如下述关系式：

yi＝sign(w·xi+b)；

其中，yi为xi的类别，xi＝{xi,1,xi,2,xi,3,xi,4,xi,5,xi,6,xi,7}。

可选地，所述训练所述支持向量机模型，包括：

设无人平台数量为4，则k＝4，分别用u1，u2，u3，u4表示四个类别；

训练时选择u1，u2；u1，u3；u1，u4；u2，u3；u2，u4；u3，u4所对应的向量作为训练集；

采用经典sss方法训练模型，得到六个训练模型(ui，uj)-classifier，其中i，j＝1，2，3，4；i≠j。

可选地，所述利用训练好的支持向量机模型进行任务分配，包括：

将待分配任务对应的向量分别带入所述六个训练模型，得到六个结果，然后采取投票形式，得到一组结果，选择最大的分类项为分配结果。

本发明的另一方面，提供一种面向有人/无人协同编队系统的任务分配系统，包括：

设置模块，用于设置影响任务分配的影响因素；

归一化模块，用于对各所述影响因素进行归一化处理；

训练模块，用于收集待训练数据并设计支持向量机模型，将所述待训练数据输入至所述支持向量机模型中，以训练所述支持向量机模型；

分配模块，利用训练好的支持向量机模型进行任务分配。

可选地，所述影响因素包括：

操作员的任务处理频率r、任务请求频率s、任务执行能力a、任务类型f、任务复杂度c、任务价值v以及任务完成概率p。

可选地，所述归一化模块，具体用于：

设任务i的任务分配相关影响因素为{ri,si,ai,fi,ci,vi,pi}，将其转化为{x’i,1,x’i,2,x’i,3,x’i,4,x’i,5,x’i,6,x’i,7}；

根据下述关系式对各影响因素进行归一化处理，得到任务i的归一化属性{xi,1,xi,2,xi,3,xi,4,xi,5,xi,6,xi,7}；

其中，max(ej)是影响因素j取值范围的中最大值；

min(ej)是影响因素j取值范围的中最小值；

x’i,j是任务i影响因素j的值；

xi,j是任务i影响因素j归一化的值。

可选地，所述训练模块，具体用于：

从以往的有人/无人平台协同任务分配的实验中统计数据，并将影响任务分配的影响因素进行归一化处理，并将归一化后的数据作为输入x，将分类结果作为输出y，获得n组(x，y)数据，作为所述支持向量机模型的训练数据。

可选地，所述支持向量机模型如下述关系式：

yi＝sign(w·xi+b)；

其中，yi为xi的类别，xi＝{xi,1,xi,2,xi,3,xi,4,xi,5,xi,6,xi,7}。

可选地，所述训练模块，具体用于：

设无人平台数量为4，则k＝4，分别用u1，u2，u3，u4表示四个类别；

训练时选择u1，u2；u1，u3；u1，u4；u2，u3；u2，u4；u3，u4所对应的向量作为训练集；

采用经典sss方法训练模型，得到六个训练模型(ui，uj)-classifier，其中i，j＝1，2，3，4；i≠j。

可选地，所述分配模块，具体用于：

将待分配任务对应的向量分别带入所述六个训练模型，得到六个结果，然后采取投票形式，得到一组结果，选择最大的分类项为分配结果。

本发明的另一方面，提供一种电子设备，包括：

一个或多个处理器；

存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的任务分配方法。

本发明的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的任务分配方法。

本发明的面向有人/无人协同编队系统的任务分配方法及系统，对比已有技术，可以灵活选择影响任务分配的因素，增加了辅助系统的鲁棒性，可以根据用户关心的点进行修改；从数据驱动的角度进行任务分配，减少了算法设计者对任务分配目标函数设置的片面性；采用一对一法的支持向量机可以提高任务分配的高可靠性，相比一对多法，一对一法的多分类方法可以减小一对多带来的偏重；模型在训练过程中占据了大部分时间，在实际应用中，模型都是训练好的，不需要大量的计算，可以提供良好的实时效果。

附图说明

图1为本发明实施例面向有人/无人协同编队系统的任务分配方法的流程图；

图2为本发明实施例面向有人/无人协同编队系统的任务分配系统的结构示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

如图1所示，一种面向有人/无人协同编队系统的任务分配方法s100，包括：

s110、设置影响任务分配的影响因素。

具体地，在本步骤中，影响因素主要包括三个方面：一是有人平台，影响任务分配的主要因素为操作员的任务处理频率，用符号r表示；二是无人平台，主要有任务请求频率，用符号s表示，任务执行能力，用符号a表示；三是任务本身属性，包括任务类型，用符号f表示，任务复杂度，用符号c表示，任务价值，用符号v表示，任务完成概率，用符号p表示。以上为本实施例列举的影响任务分配的因素，但不仅限于这些因素，本领域技术人员还可以根据实际需要，具体另行设置一些其他相关影响因素。

s120、对各所述影响因素进行归一化处理。

具体地，在本步骤中，针对任务分配，影响其分配效果的因素很多，各个因素的范围尺度各不相同，为平衡各因素的影响水平，需要对各因素进行归一化处理。根据步骤s110的设置，设任务i的任务分配相关影响因素为{ri,si,ai,fi,ci,vi,pi}，将其转化为{x’i,1,x’i,2,x’i,3,x’i,4,x’i,5,x’i,6,x’i,7}；

根据下述关系式对各影响因素进行归一化处理，得到任务i的归一化属性{xi,1,xi,2,xi,3,xi,4,xi,5,xi,6,xi,7}；

其中，max(ej)是影响因素j取值范围的中最大值；

min(ej)是影响因素j取值范围的中最小值；

x’i,j是任务i影响因素j的值；

xi,j是任务i影响因素j归一化的值。

s130、收集待训练数据并设计支持向量机模型，将所述待训练数据输入至所述支持向量机模型中，以训练所述支持向量机模型。

具体地，在本步骤中，可以从以往的有人/无人平台协同任务分配的实验中统计数据，按照步骤s120将影响任务分配的影响因素进行归一化处理，并将归一化后的数据作为输入x，将分类结果作为输出y，获得n组(x，y)数据，作为支持向量机svm的训练数据。

k个类别需要设计k(k-1)/2个svm，根据步骤s120可得输入为xi＝{xi,1,xi,2,xi,3,xi,4,xi,5,xi,6,xi,7}。

所述支持向量机模型如下述关系式：

yi＝sign(w·xi+b)；

其中，yi为xi的类别。

设无人平台数量为4，则k＝4，分别用u1，u2，u3，u4表示四个类别；

训练时选择u1，u2；u1，u3；u1，u4；u2，u3；u2，u4；u3，u4所对应的向量作为训练集；

采用经典sss方法训练模型，得到六个训练模型(ui，uj)-classifier，其中i，j＝1，2，3，4；i≠j。

s140、利用训练好的支持向量机模型进行任务分配。

具体地，在本步骤中，将待分配任务对应的向量分别带入所述六个训练模型，得到六个结果，然后采取投票形式，得到一组结果，选择最大的分类项为分配结果。

具体地，投票过程如下：

(1)初始化u1＝u2＝u3＝u4＝0；

(2)将待分配任务对应的向量带入六个训练模型，得到结果；

(3)(u1，u2)-classifier如果是u1win，则u1＝u1+1；否则，u2＝u2+1；

(u1，u3)-classifier如果是u1win，则u1＝u1+1；否则，u3＝u3+1；

...

(u3，u4)-classifier如果是u3win，则u3＝u3+1；o否则，u4＝u4+1；

(4)最后任务分配结果为max(u1，u2，u3，u4)。

本实施例的面向有人/无人协同编队系统的任务分配方法，对比已有技术，可以灵活选择影响任务分配的因素，增加了辅助系统的鲁棒性，可以根据用户关心的点进行修改；从数据驱动的角度进行任务分配，减少了算法设计者对任务分配目标函数设置的片面性；采用一对一法的支持向量机可以提高任务分配的高可靠性，相比一对多法，一对一法的多分类方法可以减小一对多带来的偏重；模型在训练过程中占据了大部分时间，在实际应用中，模型都是训练好的，不需要大量的计算，可以提供良好的实时效果。

本发明的另一方面，如图2所示，提供一种面向有人/无人协同编队系统的任务分配系统100，包括：

设置模块110，用于设置影响任务分配的影响因素；

归一化模块120，用于对各所述影响因素进行归一化处理；

训练模块130，用于收集待训练数据并设计支持向量机模型，将所述待训练数据输入至所述支持向量机模型中，以训练所述支持向量机模型；

分配模块140，利用训练好的支持向量机模型进行任务分配。

可选地，所述影响因素包括：

操作员的任务处理频率r、任务请求频率s、任务执行能力a、任务类型f、任务复杂度c、任务价值v以及任务完成概率p。

可选地，所述归一化模块120，具体用于：

设任务i的任务分配相关影响因素为{ri，si，ai，fi，ci，vi,pi}，将其转化为{x’i，1，x’i，2，x’i,3,x’i,4，x’i,5,x’i，6，x’i,7}；

根据下述关系式对各影响因素进行归一化处理，得到任务i的归一化属性{xi，1，xi，2,xi,3,xi,4,xi,5,xi,6，xi，7}；

其中，max(ej)是影响因素j取值范围的中最大值；

min(ej)是影响因素j取值范围的中最小值；

x’i，j是任务i影响因素j的值；

xi，j是任务i影响因素j归一化的值。

可选地，所述训练模块130，具体用于：

从以往的有人/无人平台协同任务分配的实验中统计数据，并将影响任务分配的影响因素进行归一化处理，并将归一化后的数据作为输入x，将分类结果作为输出y，获得n组(x，y)数据，作为所述支持向量机模型的训练数据。

可选地，所述支持向量机模型如下述关系式：

yi＝sign(w·xi+b)；

其中，yi为xi的类别，xi＝{xi,1,xi,2,xi,3,xi，4，xi，5，xi，6，xi，7}。

可选地，所述训练模块130，具体用于：

设无人平台数量为4，则k＝4，分别用u1，u2，u3，u4表示四个类别；

训练时选择u1，u2；u1，u3；u1，u4；u2，u3；u2，u4；u3，u4所对应的向量作为训练集；

采用经典sss方法训练模型，得到六个训练模型(ui，uj)-classifier，其中i，j＝1，2，3，4；i≠j。

可选地，所述分配模块140，具体用于：

将待分配任务对应的向量分别带入所述六个训练模型，得到六个结果，然后采取投票形式，得到一组结果，选择最大的分类项为分配结果。

本实施例的面向有人/无人协同编队系统的任务分配系统，对比已有技术，可以灵活选择影响任务分配的因素，增加了辅助系统的鲁棒性，可以根据用户关心的点进行修改；从数据驱动的角度进行任务分配，减少了算法设计者对任务分配目标函数设置的片面性；采用一对一法的支持向量机可以提高任务分配的高可靠性，相比一对多法，一对一法的多分类方法可以减小一对多带来的偏重；模型在训练过程中占据了大部分时间，在实际应用中，模型都是训练好的，不需要大量的计算，可以提供良好的实时效果。

本发明的另一方面，提供一种电子设备，包括：

一个或多个处理器；

存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的任务分配方法。

本发明的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的任务分配方法。

其中，计算机可读介质可以是本发明的装置、设备、系统中所包含的，也可以是单独存在。

其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件，或它们任意合适的组合。

其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。