本发明属于多无人机协同任务规划领域，具体涉及一种多无人机分布式合同竞拍在线任务规划方法。
背景技术：
：多无人机协同巡视任务规划技术，主要包括协同任务分配技术和路径规划技术。任务分配是指根据无人机资源类型、数目及任务区属性，在一定的约束条件下，如航程航时约束、传感器性能约束、任务时间窗约束等，定义巡视收益目标函数，将任务序列分配给不同的无人机，实现目标函数收益最大；协同航迹规划问题是指在已知、部分已知或未知信息的环境中，预先规划出从各个无人机起始点到对应目标点，可以绕过途中各种威胁区和障碍物，安全、可靠、相互无碰撞，且同时满足无人机自身约束条件和协同约束限制的多条可行飞行航迹，类似于多旅行商问题(multipletravellingsalesmanproblem，mtsp)。多无人机协同巡视任务规划问题本质上是一个优化问题，即将不同的巡视任务在时间、空间上最合理地分配给每架无人机，以最小的代价高质量完成任务。技术实现要素：为克服传统多无人机在线任务规划算法所存在的收敛性无法保证、收敛速度慢的问题，本发明提供了一种多无人机分布式合同竞拍在线任务规划方法，该方法充分考虑异构多无人机性能及任务执行需求，建立了问题模型，并提出完全分布式合同竞拍在线任务规划算法对问题进行求解，实现多无人机快速任务规划。本发明采用如下技术方案来实现的：一种多无人机分布式合同竞拍在线任务规划方法，包括以下步骤：1)建立多无人机协同巡视路径规划模型；2)通过分布式合同竞拍在线任务规划算法求解巡视路径规划模型。本发明进一步的改进在于，步骤1)的具体实现方法如下：步骤1.1、在该步骤中，定义如下：定义1：nu为无人机集合；定义2：nt为目标集合；定义3：决策变量xij∈{0,1}，xij＝1表示无人机i执行任务j，xij＝0为其他情况；定义4：lt为每一架无人机至多分配的任务数目；定义5：设路径交汇口节点集合pe,e＝1,2,…,e；定义6：是一个向量，第j个元素为xij；定义7：无人机身份标识集目标标识集定义8：向量表示无人机i的有序任务序列；定义9：如果无人机i在第k点执行任务j，pi的第k个元素是j∈j，如果无人机i执行的任务数少于k则为定义10：得分函数满足cij(xi,pi)≥0；定义11：lt＝1和cij(xi,pi)≡cij不依赖于xi和pi；步骤1.2、明确目标函数：步骤1.3、问题模型如下：本发明进一步的改进在于，步骤2)的具体实现方法如下：步骤2.1、每一架无人机只构建一个任务包，并随着任务分配进展而更新，持续将任务加入自己的包中直至不能添加任务；步骤2.2、每一架无人机携带两种任务列表，任务包bi和路径pi，bi和pi不能超过最大分配任务数lt；步骤2.3、为无人机i沿着路径pi的总收益值，如果一个任务j加入了任务包bi中，边际增益为其中|·|表示列表的维数，表示在第一个列表的第n个元素后立即插入第二个列表中；步骤2.4、得分函数初始化为路径和任务包迭代更新为ji＝argmaxj(cij[bi]×hij)，hij＝||(cij＞yij)；步骤2.5、每一架无人机携带四个向量：获胜投标列表获胜无人机列表任务包以及相应的路径步骤2.6、无人机根据当前任务分配集将任务加入到任务包中，如果一架无人机的投标值被超过，则会放弃该任务，在该任务之后加入任务包中的任务边际得分就不再有效；步骤2.7、获胜投标列表yi和获胜无人机列表zi用于任务包构建，时间戳si表无人机从编队中其他成员中获得的信息的更新时刻，三个向量相互通信实现态势感知一致；步骤2.8、每一刻信息进行传输，时间向量变为：其中τr是信息接收时间；步骤2.9、当无人机i接收到另一架无人机k的信息，对每一个任务而言，zi和si用来确定哪一架无人机的信息是最新的，拍卖无人机i接收任务j有更新、重置、离开这三种可能的结果；步骤2.10、如果一个投标被决策准则所改变，每一架无人机检测所有更新的任务是否在任务包中，这些任务及其之后的所有任务都将被释放：其中bin表示第n个进入任务包的任务，并且步骤2.11、在某个任务之前加入其他任务的话，在完成该任务后收益值一定不会提升，满足对于所有的bi,b,j满足其中表示空缺的任务；步骤2.12、当收益函数满足边际递减的条件时，必然满足：ifn≤m，其中bik是进入无人机i任务包bi的第k个元素，因为满足步骤2.13、时间收益为其中λj＜1是任务j的条件参数，是无人机i沿着路径pi预计到达j点位的时间，是执行任务j的静态得分；步骤2.14、时间收益表示不确定性航迹场景特征，随着时间的推移，巡视特定节点和路径规划收益的期望值会下降，即一架无人机沿着一条更长的路径，到达每一个任务的时间相对较短路径而言就会推迟，进一步产生低效收益。本发明具有如下有益的技术效果：分布式合同竞拍在线任务规划算法相对混合整数线性规划算法而言，具有较好的可延展性和较低的计算复杂度，相对贪婪算法，分布式合同竞拍在线任务规划算法则具备更快的计算速度和计算稳定性，能够保证算法的收敛性，并在有限时间内生成满意的解。附图说明图1为无人机机动路径示意图。具体实施方式以下结合附图对本发明做出进一步的说明。本发明提供的一种多无人机分布式合同竞拍在线任务规划方法，包括以下内容：一、建立多无人机协同巡视路径规划模型步骤1.1、在该步骤中，定义如下：定义1：nu为无人机集合；定义2：nt为目标集合；定义3：决策变量xij∈{0,1}，xij＝1表示无人机i执行任务j，xij＝0为其他情况；定义4：lt为每一架无人机至多分配的任务数目；定义5：设路径交汇口节点集合pe,e＝1,2,…,e；定义6：是一个向量，第j个元素为xij；定义7：无人机身份标识集目标标识集定义8：向量表示无人机i的有序任务序列；定义9：如果无人机i在第k点执行任务j，pi的第k个元素是j∈j，如果无人机i执行的任务数少于k则为定义10：得分函数满足cij(xi,pi)≥0；定义11：lt＝1和cij(xi,pi)≡cij不依赖于xi和pi；步骤1.2、明确目标函数：步骤1.3、问题模型如下：二、通过分布式合同竞拍在线任务规划算法求解巡视路径规划模型步骤2.1、每一架无人机只构建一个任务包，并随着任务分配进展而更新，持续将任务加入自己的包中直至不能添加任务；步骤2.2、每一架无人机携带两种任务列表，任务包bi和路径pi，bi和pi不能超过最大分配任务数lt；步骤2.3、为无人机i沿着路径pi的总收益值，如果一个任务j加入了任务包bi中，边际增益为其中|·|表示列表的维数，表示在第一个列表的第n个元素后立即插入第二个列表中；步骤2.4、得分函数初始化为路径和任务包迭代更新为ji＝argmaxj(cij[bi]×hij)，hij＝||(cij＞yij)；步骤2.5、每一架无人机携带四个向量：获胜投标列表获胜无人机列表任务包以及相应的路径步骤2.6、无人机根据当前任务分配集将任务加入到任务包中，如果一架无人机的投标值被超过，则会放弃该任务，在该任务之后加入任务包中的任务边际得分就不再有效；步骤2.7、获胜投标列表yi和获胜无人机列表zi用于任务包构建，时间戳si表无人机从编队中其他成员中获得的信息的更新时刻，三个向量相互通信实现态势感知一致；步骤2.8、每一刻信息进行传输，时间向量变为：τr是信息接收时间；步骤2.9、当无人机i接收到另一架无人机k的信息，对每一个任务而言，zi和si用来确定哪一架无人机的信息是最新的，拍卖无人机i接收任务j有更新、重置、离开这三种可能的结果；步骤2.10、如果一个投标被决策准则所改变，每一架无人机检测所有更新的任务是否在任务包中，这些任务及其之后的所有任务都将被释放：其中bin表示第n个进入任务包的任务，并且步骤2.11、在某个任务之前加入其他任务的话，在完成该任务后收益值一定不会提升，满足对于所有的bi,b,j,满足表示空缺的任务；步骤2.12、当收益函数满足边际递减的条件时，必然满足：ifn≤m，bik是进入无人机i任务包bi的第k个元素，因为满足步骤2.13、时间收益为λj＜1是任务j的条件参数，是无人机i沿着路径pi预计到达j点位的时间，是执行任务j的静态得分；步骤2.14、时间收益可以表示不确定性航迹场景特征，随着时间的推移，巡视特定节点和路径规划收益的期望值会下降，即一架无人机沿着一条更长的路径，到达每一个任务的时间相对较短路径而言就会推迟，进一步产生低效收益。下面结合附图和仿真实验对本发明进一步说明。本发明的仿真环境为intercorei5-4590@3.30ghz，8gram，windows7系统，matlab2014a平台。假设有多架智能体需要在范围为200m×200m的任务环境中对多个区域执行多种任务，每个智能体及任务区域的特征信息已知，具体如下：1)智能体参数设置设定任务区域中有2种类型的智能体，ⅰ类、ⅱ类智能体各3个，分别标记为uav11、uav12、uav13，uav21、uav22、uav23。两类智能体的性能参数如下表所示：表1智能体性能参数智能体类型速度(m/s)续航时间(s)ⅰ1590ⅱ12100表2智能体初始位置智能体标号初始坐标(m)智能体标号初始坐标(m)uav11[91.27137.37]uav21[47.8196.68]uav12[149.65193.06]uav22[179.96107.48]uav13[176.9015.54]uav23[138.0929.48]2)任务区域参数设置假设任务区域中共有2种类型30个任务，其中t1～t15个任务为第ⅰ类型，t16～t30个任务为第ⅱ类型。任务区域的位置如表3所示：表3任务区域位置智能体之间的通信网络为全联通，即任意两个智能体之间都能直接通信。在上述想定态势下多智能体任务分配结果如表4所示，各智能体任务分配计划采用机动路径、任务执行时间的格式进行表达。可以看出，改进的方法能有效地解决复杂约束条件下的多智能体多任务分配问题。表4智能体任务分配结果智能体随时间变化的机动路径如附图1所示。在同一想定态势之下，采用贪婪算法(sga)和混合整数线性规划算法(milp)分别进行求解，对实验采取200次蒙特卡洛仿真，并取其中的最优结果进行对比，实验参数与上述想定一致，设置各智能体可执行的任务上限为lt，以总航程最小为目标函数，不同参数下3种算法运行时间对比如表5所示。表5不同参数下3种算法运行时间对比由上述结果可知：采用集中式的贪婪算法，能从全局优化角度为各智能体分配相应目标任务去执行，能够得到问题的较优解；利用cplex软件求解的milp方法虽然能得到精确最优解，但随着问题规模增大，运行时间急剧增加；分布式合同竞拍在线任务规划算法和贪婪算法具有较好的可延展性和较低的计算复杂度，相对贪婪算法，分布式合同竞拍在线任务规划算法则具备更快的计算速度和计算稳定性。本发明需保护的内容包括以下几点：1、分布式合同竞拍在线任务规划算法，即算法。当前第1页12