本发明涉及一种无人机群任务分配方法，特别是一种基基于量子乌鸦群搜索机制的无人机群任务分配方法，属于无人机自主控制领域。
背景技术：
无人机又称为无人驾驶飞行器(Unmanned Aerial Vehicle，UAV)，在其使用过程中，不需要搭载操作人员，以空气动力提供升力，能够通过远程遥控飞行或在预定程序的控制下进行自主飞行，通过搭载任务设备执行特定任务。无人机具有体积小巧、使用灵活、隐蔽性好、适应性强等优点，能够在各种恶劣、危险和极限环境下，完成一些人类无法到达和从事的特定工作和任务。无人机的研制、生产和使用成本均远低于有人驾驶飞机，因此在军事和民用领域都有着广阔的应用空间。
无人机任务分配是无人机自主控制的关键技术之一，是无人机实现智能化、自主飞行与任务执行的重要因素。无人机任务分配是指在任务执行的整个过程中，通过一定的任务分配方法为无人机确定是否执行任务及执行何种任务，合理的任务分配一方面能够保证无人机的代价最小，另一方面又能最好的完成各项任务。
经对现有技术文献的检索发现，唐传林等在《电光与控制》
(2011,Vol.18,No.10,pp.28–31)上发表的“基于博弈论的多UCAV对地攻击目标分配”中提出了任务分配模型，用博弈论算法寻求最优任务分配，但是算法模型复杂，精度不够高且计算量大。Mehmet等在《Information Sciences》(2014,Vol.255，No.10,pp.28–31)上发表的“Approximating the optimal mapping for weapon target assignment by fuzzy reasoning”用模糊推理的方法解决武器-目标分配问题，但是推理过程复杂，计算量大，实用性不高。随着智能启发式计算技术的发展，智能优化技术已经应用于多无人机的任务分配问题中。李炜等在《控制与决策》(2010,Vol.25,No.9,pp.1359–1364)上发表的“基于粒子群算法的多无人机任务分配方法”将粒子群算法应用于多无人机的任务分配问题，但是粒子群算法容易陷入局部最优，收敛精度有待提高。李俨等在《航天学报》(2014,Vol.25,No.9,pp.1626–631)上提出的“基于SA-DPSO混合优化算法的协同空战火力分配”将模拟退火算法和粒子群算法相结合进行无人机任务分配，这种方法有较好的收敛速度，但是容易陷入维数灾，寻优性能不够。
因为上述无人机任务分配方法都是非线性求解方法，所以在求解的过程中非常容易陷入局部极值，很难得到全局最优解。而现有的无人机任务分配方法在进行无人机群的任务分配中很少综合考虑各种评价指标和约束，故其应用范围受限。由此看来，寻找新的任务分配方法用以提高无人机作战的性能，是很有价值的。
技术实现要素：
针对上述现有技术，本发明解决的技术问题是提供了一种考虑多起点多终点且适合于离散问题的基于量子乌鸦群搜索机制的无人机群任务分配方法。
为解决上述技术问题，本发明一种基于量子乌鸦群搜索机制的无人机群任务分配方法，包括以下步骤：
步骤一：初始化最大迭代代数为Tmax，建立从多个起点到多个任务的无人机群任务分配模型：假设有U种型号的无人机从M个起点执行Q个任务；
设无人机第m个起点的坐标为其中1≤m≤M,无人机第q个任务的坐标为其中1≤q≤Q，对所有无人机按照起点和型号分成L个类型，其中L＝U×M,即同一类型无人机具有相同的起点且属于同一型号；
根据第l型无人机的型号的起点,得到第l型无人机的起点坐标为其中l＝1,2,...,L，则第l型无人机的起点与第q个任务的距离为Dl,q且满足：
无人机群的任务分配矩阵用L行Q列分配矩阵A＝{al,q|al,q∈{0,1}}L×Q表示，若第l个型号的无人机执行第q个任务，则al,q＝1，否则al,q＝0；
设每个无人机有D种武器,第l型无人机使用第d种武器的概率为第l型无人机使用第d种武器的造价为δl,d，其中1≤d≤D,1≤l≤L，第d种武器对第q个任务的杀伤率为其中1≤d≤D,1≤q≤Q,设无人机的毁伤概率矩阵P＝{Pl,q,d|Pl,q,d∈[0,1]}L×Q×D，Pl,q,d是第l型无人机使用第d种武器对第q个任务的毁伤度且满足：第q个任务的毁伤度阈值为Wq，其中1≤q≤Q，设第q个任务的价值为Vq，拥有第l型无人机的数量为Bl，对第q个任务攻击的无人机最大编队数目为Cq,第l型无人机的最大航程为Rl，全部无人机的最大航程为Omax，第l型无人机的飞行速度为Zl，全部无人机的最大飞行时间为Zmax；
无人机任务分配模型分别由目标价值收益函数、飞行距离函数、耗弹量成本函数和目标覆盖率函数表示：
(1)归一化目标价值收益函数为：其中A为任务分配矩阵，A＝{al,q|al,q∈{0,1}}L×Q，Pl,q,d为第l型无人机使用d种武器对第q个任务的毁伤概率，d为使用武器的种类，第l型的无人机使用的武器的类型需要提前设定，Vq为第q个任务的价值，N为任务分配中实际参与任务的无人机数目，为最大任务价值，max为求取最大值函数；
(2)归一化飞行距离函数为：其中λ1，λ2为两个因素的权重，λ1+λ2＝1，λ1,λ2≥0，为最长路径的长度，Rl为第l型无人机的最大航程；
(3)归一化耗弹成本函数为：其中第l型的无人机使用的武器的类型需要提前设定，δmax为最大成本，
(4)归一化目标覆盖度函数为：
所述无人机群任务分配模型满足如下约束条件：
(1)任务兵力约束：每一种类型的无人机出动数目不能超过拥有该类型无人机数目，
(2)无人机作战半径约束：保证无人机的飞行距离在其作战半径之内，al,q×(Dl,q-Rl)≤0(l＝1,2,...,L；q＝1,2,...,Q)；
(3)对目标毁伤度的约束：执行任务q的无人机对任务q的毁伤度不小于该任务的毁伤度阈值，Pl,q,d为第l型无人机使用d种武器对第q个任务的毁伤概率，d为使用武器的种类，第l型的无人机使用的武器的类型需要提前设定；
(4)攻击目标的无人机数目的约束：对第q个任务攻击的无人机数目不超过其最大编队数目,即
(5)攻击目标的航程的约束：即攻击任务的航程不超过给定的最大航程，Omax为所有无人机的最大航程；
(6)攻击目标的时间的约束：攻击任务的时间不超过给定的最大时间，Zmax为所有无人机的最大飞行时间；
确定量子乌鸦群的种群规模K,优化问题的维数J＝L×Q,按照l递增，q递增的方式排列无人机群任务分配矩阵A＝{al,q|al,q∈{0,1}}L×Q中的元素，用对应记录无人机群任务分配矩阵A中的元素；
步骤二：初始化量子乌鸦群：
将第i只量子乌鸦的量子位置的每一维设为其中1≤i≤K,1≤j≤J,并对第i只量子乌鸦的量子位置进行测量，得到第i只量子乌鸦的位置初始化第i只量子乌鸦的隐藏的食物位置为其中1≤i≤K，t为迭代次数，初时设t＝0；
对第i只量子乌鸦的量子位置的第j维进行测量，得到第i只量子乌鸦的位置的第j维其中1≤i≤K,1≤j≤J，是满足均匀分布的随机数；
步骤三：根据适应度函数对每只量子乌鸦进行适应度计算，计算出的适应度函数最小值对应的量子乌鸦的位置存为全局最优食物位置
步骤四：更新每只量子乌鸦的量子位置和位置:
第i只量子乌鸦随机选取量子乌鸦群中的另一个量子乌鸦s，然后跟随量子乌鸦s来发现被量子乌鸦s隐藏的食物位置,量子乌鸦s发现被跟随的感知概率为μ,若量子乌鸦i通过策略1进行量子位置的更新，否则量子乌鸦i通过策略2进行量子位置的更新；
策略1满足：第i只量子乌鸦根据量子乌鸦s隐藏的食物位置来进行位置的更新，第i只量子乌鸦的第j维的量子旋转角的更新方程为其中e1为常数，决定了指引该量子乌鸦的位置对该量子乌鸦演化的影响程度，H为飞行长度；
策略2满足：第i只量子乌鸦根据自身隐藏的食物位置和最优食物位置来进行位置的更新,第i只量子乌鸦的第j维的量子旋转角的更新方程为其中e2,e3为常数，决定了指引该量子乌鸦的位置对该量子乌鸦演化的影响程度；
量子位置的演进过程如下：
其中ζ＝0.15/J为变异概率，abs()为求取绝对值函数；
对量子乌鸦量子位置测量得到量子乌鸦的位置，测量规则如下：
其中1≤i≤K,1≤j≤J，是满足均匀分布的随机数；
步骤五：根据适应度函数对每只量子乌鸦进行适应度计算，确定每只量子乌鸦的隐藏的食物位置，同时找到至本次迭代代数的最优食物位置；
将第i只量子乌鸦的位置赋值给任务分配矩阵A，按照进行适应度计算；
采用贪婪选择策略选取量子乌鸦的隐藏的食物位置，若则否则
步骤六：如果达到最大迭代代数Tmax，算法终止，执行步骤七；否则，令t＝t+1，返回步骤四继续进行；
步骤七：输出全局最优食物位置，映射为任务分配矩阵。
本发明一种基于量子乌鸦群搜索机制的无人机群任务分配方法，还包括：
步骤三中适应度评价过程如下：首先将第t代第i只量子乌鸦的位置赋值给任务分配矩阵A，其中第t代第i只量子乌鸦的第j维赋值给al,q,按照进行适应度计算，其中
c1,c2,c3,c4,c5,c6为惩罚系数，ω1,ω2,ω3,ω4为加权因子，ω1+ω2+ω3+ω4＝1，0≤ω1,ω2,ω3,ω4≤1，max为求取最大值函数，min为求取最小值函数。
本发明的有益效果：本发明针对现有无人机群任务分配方法的不足，提出了一种考虑多起点多终点的无人机群任务分配模型，同时提出了一种适合于离散问题的量子乌鸦群搜索机制用于求解无人机群的任务分配问题。与现有技术相比，本发明充分考虑了无人机群任务分配的过程中遇到的从多个起点执行多个任务的情况，同时考虑了目标价值收益函数、飞行距离函数、耗弹量成本函数和目标覆盖率函数多个目标，具有以下优点：
(1)本发明解决了离散多约束目标函数求解问题，并设计新颖的离散量子乌鸦算法作为演进策略，利用线性权重对不同目标函数进行处理，所设计的方法具有收敛速度快，收敛精度高的优点。
(2)相对于现有的无人机群任务分配方法，本发明可以有效解决对无人机群多目标约束要求，说明本方法的适用性更广。
(3)仿真结果表明，本发明所提出的无人机群任务分配方法能够得到比粒子群优化(Particle Swarm Optimization,PSO)方法实现更合理的无人机任务分配方案，从而说明了本方法的有效性。
附图说明
图1为无人机群任务分配流程图；
图2为量子乌鸦位置更新的流程图；
图3为两种方法实现多无人机任务分配的收敛曲线。
具体实施方式
下面结合附图对本发明具体实施方式进行说明。
如图1所示，本发明技术方案包括如下步骤：
步骤一：建立从多个起点到多个任务的无人机群任务分配模型，假设这里有U种型号的无人机从M个起点执行Q个任务。
设无人机第m个起点的坐标为其中1≤m≤M,无人机第q个任务的坐标为其中1≤q≤Q。对所有无人机可按照其起点和型号分成L个类型，其中L＝U×M,即同一类型无人机具有相同的起点且属于同一型号。
根据第l型无人机的型号的起点,可得第l型无人机的起点坐标为其中l＝1,2,...,L，则第l型无人机的起点与第q个任务的距离Dl,q为
无人机群的任务分配矩阵可用L行Q列分配矩阵A＝{al,q|al,q∈{0,1}}L×Q表示，若第l个型号的无人机执行第q个任务，则al,q＝1，否则al,q＝0。
设每个无人机有D种武器,第l型无人机使用第d种武器的概率为第l型无人机使用第d种武器的造价为δl,d，其中1≤d≤D,1≤l≤L。第d种武器对第q个任务的杀伤率为其中1≤d≤D,1≤q≤Q,设无人机的毁伤概率矩阵P＝{Pl,q,d|Pl,q,d∈[0,1]}L×Q×D，Pl,q,d是第l型无人机使用第d种武器对第q个任务的毁伤度为第q个任务的毁伤度阈值为Wq，其中1≤q≤Q。设第q个任务的价值为Vq，拥有第l型无人机的数量为Bl，对第q个任务攻击的无人机最大编队数目为Cq,第l型无人机的最大航程为Rl，所有无人机的最大航程为Omax，第l型无人机的飞行速度为Zl，所有无人机的最大飞行时间为Zmax。
无人机任务分配模型可以由目标价值收益函数、飞行距离函数、耗弹量成本函数和目标覆盖率函数表示。
(1)归一化目标价值收益函数为：其中A为任务分配矩阵，A＝{al,q|al,q∈{0,1}}L×Q，Pl,q,d为第l型无人机使用d种武器对第q个任务的毁伤概率，d为使用武器的种类，第l型的无人机使用的武器的类型需要提前设定。Vq为第q个任务的价值，N为任务分配中实际参与任务的无人机数目，为最大任务价值，max为求取最大值函数。
(2)归一化飞行距离函数为：其中λ1，λ2为两个因素的权重，λ1+λ2＝1，λ1,λ2≥0，为最长路径的长度，Rl为第l型无人机的最大航程。
(3)归一化耗弹成本函数为：其中第l型的无人机使用的武器的类型需要提前设定，δmax为最大成本，
(4)归一化目标覆盖度函数为：
除此之外，还应满足如下的约束条件：
(1)任务兵力约束。即每一种类型的无人机出动数目不能超过拥有该类型无人机数目。
(2)无人机作战半径约束。即必须保证无人机的飞行距离在其作战半径之内。al,q×(Dl,q-Rl)≤0(l＝1,2,...,L；q＝1,2,...,Q)。
(3)对目标毁伤度的约束。即执行任务q的无人机对任务q的毁伤度应不小于该任务的毁伤度阈值。Pl,q,d为第l型无人机使用d种武器对第q个任务的毁伤概率，d为使用武器的种类，第l型的无人机使用的武器的类型需要提前设定。
(4)攻击目标的无人机数目的约束。对第q个任务攻击的无人机数目不超过其最大编队数目,即
(5)攻击目标的航程的约束。即攻击任务的航程不超过给定的最大航程。Omax为所有无人机的最大航程。
(6)攻击目标的时间的约束。即攻击任务的时间不超过给定的最大时间。Zmax为所有无人机的最大飞行时间。
然后，确定量子乌鸦群的种群规模K,优化问题的维数J＝L×Q,按照l递增q递增的方式排列无人机群任务分配矩阵A＝{al,q|al,q∈{0,1}}L×Q中的元素，用对应记录无人机群任务分配矩阵A中的元素。
步骤二：初始化量子乌鸦群。
将第i只量子乌鸦的量子位置的每一维设为其中1≤i≤K,1≤j≤J,并对第i只量子乌鸦的量子位置进行测量得到第i只量子乌鸦的位置初始化第i只量子乌鸦的隐藏的食物位置为其中1≤i≤K。t为迭代次数，初时设t＝0。
对第i只量子乌鸦的量子位置的第j维进行测量，得到第i只量子乌鸦的位置的第j维其中1≤i≤K,1≤j≤J，是满足均匀分布的随机数。
步骤三：根据适应度函数对每只量子乌鸦进行适应度计算，计算出的适应度函数最小值对应的量子乌鸦的位置存为全局最优食物位置
适应度评价的过程如下：
首先将第t代第i只量子乌鸦的位置赋值给任务分配矩阵A，其中第t代第i只量子乌鸦的第j维赋值给al,q。按照进行适应度计算，其中
c1,c2,c3,c4,c5,c6为惩罚系数，ω1,ω2,ω3,ω4为加权因子，ω1+ω2+ω3+ω4＝1，0≤ω1,ω2,ω3,ω4≤1，max为求取最大值函数，min为求取最小值函数。
步骤四：更新每只量子乌鸦的量子位置和位置。
如图2所示，第i只量子乌鸦随机选取量子乌鸦群中的另一个量子乌鸦s，然后跟随量子乌鸦s来发现被量子乌鸦s隐藏的食物位置。量子乌鸦s发现被跟随的感知概率为μ。若量子乌鸦i通过策略1进行量子位置的更新，否则量子乌鸦i通过策略2进行量子位置的更新。
策略1：第i只量子乌鸦根据量子乌鸦s隐藏的食物位置来进行位置的更新。第i只量子乌鸦的第j维的量子旋转角的更新方程为其中e1为常数，决定了指引该量子乌鸦的位置对该量子乌鸦演化的影响程度，H为飞行长度。
策略2：第i只量子乌鸦根据自身隐藏的食物位置和最优食物位置来进行位置的更新。第i只量子乌鸦的第j维的量子旋转角的更新方程为其中e2,e3为常数，决定了指引该量子乌鸦的位置对该量子乌鸦演化的影响程度。
量子位置的演进过程如下：
其中ζ＝0.15/J为变异概率，abs()为求取绝对值函数。
对量子乌鸦量子位置测量得到量子乌鸦的位置。测量规则如下：
其中1≤i≤K,1≤j≤J，是满足均匀分布的随机数。
步骤五：根据适应度函数对每只量子乌鸦进行适应度计算，确定每只量子乌鸦的隐藏的食物位置，同时找到迄今为止的最优食物位置。
将第i只量子乌鸦的位置赋值给任务分配矩阵A。按照进行适应度计算。
采用贪婪选择策略选取量子乌鸦的隐藏的食物位置，若则否则
步骤六：如果达到最大迭代代数，算法终止，执行步骤七；否则，令t＝t+1，返回步骤四继续进行。
步骤七：输出全局最优食物位置，映射为任务分配矩阵。
具体实施例如下：
其模型参数设置如下：
无人机的型号数U＝4，无人机起点数M＝3，起点的坐标为(368,319,150)、(264,44,264)和(296,242,347.5)，无人机的任务数Q＝10，第1个任务的坐标为(264,715,800)，任务价值为5，毁伤度阈值都为0.5；第2个任务的坐标为(225,605,670)，任务价值为5，毁伤度阈值都为0.5；第3个任务的坐标为(168,538,340)，任务价值为2，毁伤度阈值都为0.5；第4个任务的坐标为(180,455,670)，任务价值为1，毁伤度阈值都为0.5；第5个任务的坐标为(120,400,600)，任务价值为2，毁伤度阈值都为0.5；第6个任务的坐标为(96,304,233)，任务价值为5，毁伤度阈值都为0.5；第7个任务的坐标为(10,451,233)，任务价值为5，毁伤度阈值都为0.5；第8个任务的坐标为(162,660,233)，任务价值为5，毁伤度阈值都为0.5、第9个任务的坐标为(110,561,45)，任务价值为5，毁伤度阈值都为0.5；第10个任务的坐标为(105,473,1830)，任务价值为5，毁伤度阈值都为0.5。无人机武器种类D＝2，其中第1种型号和第2种型号的无人机使用第2种武器，第3种型号和第4种型号的无人机使用第1种武器，第1种武器的造价为5个单位，第2种武器的造价为3个单位，第1种型号的无人机选择第1种武器的概率为0.67，选择第2种武器的概率为0.78；第2种型号的无人机选择第1种武器的概率为0.67，选择第2种武器的概率为0.78；第3种型号的无人机选择第1种武器的概率为0.92，选择第2种武器的概率为0.92；第4种型号的无人机选择第1种武器的概率为0.92，选择第2种武器的概率为0.92。第1种武器对第1个任务和第2个任务的杀伤率为0.92；第1种武器对第3个任务、第4个任务和第5个任务的杀伤率为0.8；第1种武器对第6个任务、第7个任务和第8个任务的杀伤率为0.94；第1种武器对第9个任务和第10个任务的杀伤率为0.6。第2种武器对第1个任务、第2个任务、第3个任务、第4个任务和第5个任务的杀伤率都为0.8；第2种武器对第6个任务、第7个任务和第8个任务的杀伤率为0.92；第2种武器对第9个任务的杀伤率为0.97；第2种武器对第10个任务的杀伤率为0.6。第1型无人机的数量为5，最大航程为300，第2型无人机的数量为6，最大航程为900。第3型无人机的数量为6，最大航程为900。第4型无人机的数量为15，最大航程为1700。第5型无人机的数量为3，最大航程为300。第6型无人机的数量为5，最大航程为900。第7型无人机的数量为6，最大航程为900。第8型无人机的数量为4，最大航程为1700。第9型无人机的数量为5，最大航程为300。第10型无人机的数量为10，最大航程为900。第11型无人机的数量为5，最大航程为900。第12型无人机的数量为10，最大航程为1700。对任务攻击的无人机最大编队数目都为8。权重λ1＝1，λ2＝0，目标函数权重ω1＝0.322，ω2＝0.214，ω3＝0.1856，ω4＝0.2784。惩罚系数c1＝c2＝c3＝c6＝50，c4＝c5＝0。上述坐标，航程的单位都为km。
基于量子乌鸦群搜索机制的无人机群任务分配方法的参数设置如下：种群规模K＝20，最大迭代次数为200，感知概率μ＝0.1，对该量子乌鸦演化的影响程度e1＝0.06，e2＝0.03，e3＝0.01，飞行长度H＝2。
基于粒子群算法的无人机群任务分配方法的参数设置见李炜等在《控制与决策》(2010,Vol.25No.9,pp.1359–1364)上发表的“基于粒子群算法的多无人机任务分配方法”，其他参数与基于量子乌鸦群搜索机制的无人机群任务分配方法的相同。
如图3所示，在上述参数设置条件下，为两种方法实现多无人机任务分配的收敛曲线，本发明具有更快的收敛效果。
基于量子乌鸦群搜索机制的无人机群任务分配方法结果如表所示：
表1各起点的无人机对应任务的型号分配
其中M1表示第一个起点，M2表示第一个起点，M3表示第三个起点。Q1到Q10分别表示第1到10个任务。U1表示1型号无人机，U2表示2型号无人机，U3表示3型号无人机，U4表示4型号无人机，0表示无无人机从此起点执行该任务。
本发明解决了传统算法搜索速度慢且计算量大，很难找到无人机群的最优任务分配，而且现有的基于智能计算的无人机群任务分配设计很少综合考虑各种评价指标和约束，其应用范围受限。提出了一种考虑无人机群任务分配模型，同时提出了一种离散量子乌鸦群搜索机制用于求解无人机群的任务分配问题。需要该方法的步骤为：第一步，建立从多个起点到多个任务的无人机群任务分配模型，包括无人机型号数、起点终点和分配模型。第二步,初始化量子乌鸦群。第三步，根据适应度函数对每只量子乌鸦进行适应度计算，计算出的适应度函数最小值对应的量子乌鸦的位置存为全局最优食物位置。第四步，更新每只量子乌鸦的量子位置和位置。第五步，根据适应度函数对每只量子乌鸦进行适应度计算，确定每只量子乌鸦的隐藏的食物位置，同时找到迄今为止的最优食物位置,若达到最大迭代代数则输出全局最优食物位置，映射为任务分配矩阵。