技术特征：
1.一种考虑载具投递模式的无人机群协同任务规划方法，其特征在于，在上层问题中，首先，在目标点位置已知的情况下，采用投放点选择方法中的分类操作和固定操作分别确定目标的最优分类以及每个目标类中的最优投放点；其次，在飞行成本和雷达威胁最小的要求下，采用改进的a*算法获得任意两点间的局部最优路径，最后，由于载具的全局路径规划本质上是一个旅行商问题，采用基于改进a*算法构建距离矩阵的离散遗传算法对此进行求解；在下层问题中，考虑飞行时间约束、负载资源有限和任务时序约束等条件，构建任务完成时间和无人机利用率最优的多机协同任务规划模型；针对此模型，提出了基于市场机制的改进差分进化算法，通过引入基于双搜索策略的第一次变异算子和基于邻近优先买卖机制的第二次变异算子，以提高算法的收敛速度和寻优能力。2.根据权利要求1所述的一种考虑载具投递模式的无人机群协同任务规划方法，其特征在于，包括以下步骤：步骤1：整合作战环境相关信息，基于投放点确定算法选择最优投放位置步骤1-1：作战场景设置假定作战环境是一个l
x
×
l
y
的有界区域，目标、雷达和障碍物的数量分别是n
t
、n
a
和n
o
，表示雷达集合，表示障碍物集合，表示目标集合；假定投放无人机的位置有n
f
处，具体的地理信息未知，表示投放点集合；v＝{v0，v
f
}表示节点集合，它由机场v0和所有的投放点组成；此外，表示载具在任意两点间的飞行轨迹集合，其中表示节点v
i
和节点v
j
之间的飞行轨迹，它的距离成本为步骤1-2：采用投放点确定方法中的分类操作获得目标的最优分类采用距离最小化思想的k-means聚类算法，按照指定数量的投放点对所有目标进行分类；步骤1-3：采用投放点确定方法中的固定操作确定最优投放点基于步骤1-2中获得的最优目标分类，在每个目标类中采用固定操作，基于雷达威胁最小化原则选择投放位置；在此过程中，对目标类中心点附近的雷达威胁进行评估，选择受到雷达威胁最小的点作为投放点；当包括中心点在内的多个点同时雷达威胁度最低时，选择中心点作为投放位置，否则进行随机选择；步骤2：在障碍物和雷达威胁已知情况下，融合a*算法和离散遗传算法获得载具的全局最优轨迹步骤2-1：整合轨迹规划相关信息，构建飞行距离和雷达威胁最优的全局轨迹规划模型假设各种雷达威胁的范围是具有不同半径的圆形区域，将点p处的雷达威胁值表示为：其中，表示雷达源r
e
到点p的欧式距离，表示雷达r
e
的探测半径，表示指示函数，具体表达式为：
为保证载具的安全，以同时最小化航迹长度和雷达威胁为目标，构建的航迹规划模型如下所示：如下所示：如下所示：如下所示：其中，j
p
表示目标函数；φ
q
表示障碍物集合φ中的第q个障碍物；v
i
、v
j
分别表示节点集合v中的第i个节点和第j个节点；表示决策变量，它被定义为：在表达式(7)中，i,j＝0,1,...,n
f
；目标函数如表达式(3)所示，和分别表示载具航程长度和累计雷达威胁，它们分别被表示为：航程长度和累计雷达威胁，它们分别被表示为：其中，表示飞行轨迹的雷达威胁，它的计算方式将在步骤2-2给出；如表达式(7)所示；表达式(4)表示避障约束，要求载具的飞行航迹与障碍物集合无交集；表达式(5)表示投放点唯一访问约束，表明载具将不会重复访问每个投放点，即到达投放点v
j
的航迹和从投放点v
j
出发的航迹仅有一条；步骤2-2：基于改进评估函数的a*算法获得局部最优轨迹原始a*算法中的评估函数表示为如下形式：f(p(n))＝g(p(n))+h(p(n)).
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)其中，p(n)为可扩展节点，g(p(n))表示初始节点p
init
到当前节点p(n)的实际航迹成本，h(p(n))表示当前节点p(n)到目标节点p
goal
的启发式距离；对原始a*算法中的评估函数进行如下改进：g(p(n))＝g1(p(n))+g2(p(n)),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)h(p(n))＝h1(p(n))+h2(p(n)),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)其中，g1(p(n))和h1(p(n))与表达式(10)中的意义相同，g2(p(n))表示从初始节点p
init
到当前节点p(n)的实际雷达威胁，h2(p(n))表示从当前节点p(n)到目标节点p
goal
的预估雷达威胁，增加的这两项可以极大地提高航迹的安全性；步骤2-3：融入步骤2-2中的改进a*算法构建离散遗传算法以获得投放点的最优遍历顺
序利用步骤2-2中的改进a*算法可以获得任意两个投放点之间的最优航迹，但得到的航迹仅为两个投放点之间的最优航迹；然而，作战空间中存在多个投放点，需要对投放点的遍历顺序进行优化，以最小化航迹成本；因此，构建一种结合改进a*的离散遗传算法求解投放点的遍历顺序优化问题；步骤3：以投放点v
i
(i＝1,2,...n
f
)处的任务分配问题进行说明，在飞行时间约束、负载资源约束和任务时序约束等条件下，构建任务完成时间和无人机利用率最优的多机协同任务规划模型，采用基于市场机制的改进差分进化算法获得最优任务分配方案；步骤3-1：构建多机协同任务分配模型在投放点v
i
处，无人机的投放数量和目标的数量分别为与令表示投放无人机的集合，令表示目标集合，每个目标需要执行n
k
类任务，表示任务类型集合；这里取n
k
＝2，分别为攻击任务k1和评估任务k2；任何目标的两类任务必须按特定的顺序完成，并且这两类任务之间存在严格的时间间隔要求；此外，仅考虑每种类型的任务执行一次的情况；任务完成时间是评估分配方案的常用指标，在此基础上，进一步考虑无人机的投放数量；无人机的投放数量主要与目标数量有关，为保证任务的顺利完成，根据目标数量和无人机的最大载弹量设定投放数量的下限需要注意的是，没有考虑飞行距离约束，具体如表达式(20)所示，其中n
a_need
表示执行一次攻击任务所需的弹药数；对于存在上界表达式如下所示：其中表示无人机的最大额外投放数量，具体表达式如下所示：其中β表示调节无人机投放数量的比例因子；在投放点v
i
处，构建的多无人机协同任务规划问题的数学模型具体表示形式如下：处，构建的多无人机协同任务规划问题的数学模型具体表示形式如下：
其中，表示无人机的实际飞行时长；α1表示无人机剩余飞行时长的惩罚因子；α2表示无人机剩余弹药的惩罚因子；表示无人机的最长续航时间；g
i
表示投放点v
i
处的目标集合；表示g
i
中的第j个目标；k表示任务集合；k
p
表示k中的第p个任务；表示目标的任务k1的结束时间；表示目标的任务k2的开始时间；t
gap
表示任务间的最小间隔时间；u
i
表示投放点v
i
处的无人机集合；表示无人机执行的攻击次数；n
a_need
表示每次攻击所需的弹药量；表示无人机的最大负载弹药量；表示决策变量，具体定义表示如下：目标函数由任务完成时间和无人机利用率的惩罚项组成，如表达式(16)所示，其中无人机利用率的惩罚项由无人机的剩余弹药和剩余飞行时长决定；任务执行次数约束如表达式(17)所示；任务时序约束如表达式(18)所示，表明每个目标必须先执行k1再执行k2，且在k1的结束时间与k2的开始时间之间存在最小的时间间隔t
gap
；表达式(19)保证所有任务都被执行；表达式(20)和(21)分别表示无人机的飞行时长约束和载弹量约束；步骤3-2：设计任务分配方案的编码方法矩阵编码是一种表示多维数据信息的有效方式，模型中的决策变量包括目标信息、任务信息和无人机信息，因此任务分配方案采用矩阵编码方式，矩阵的三行分别显示了不同的信息，每一列表明了每个任务的分配情况，因此矩阵的大小是步骤3-3：通过双搜索策略机制驱动种群更新，构造第一变异算子在保证问题收敛速度的同时保持种群多样性(1)基于拍卖机制的局部搜索策略在局部搜索策略中，选择执行时间最长的无人机作为拍卖中心并发布拍卖任务；无法完成拍卖任务的无人机不参与拍卖活动，其他无人机根据缩短的执行时间反馈竞拍价格；当竞拍价格为正时，新方案更可取；因此，拍卖中心将选择竞拍价格最高的无人机进行签约；(2)基于交叉操作的大规模搜索策略当所有无人机的竞拍价格均为负时，说明局部搜索策略无法找到更优的无人机；为了
避免陷入局部最优，采用基于交叉操作的大规模搜索策略使个体远离当前位置；具体的交叉操作主要是多无人机交叉和目标交叉；多无人机交叉是指采用随机选择方法选择出多个任务，并在载弹量约束条件下将每个任务的无人机编号进行随机交叉；目标交叉是指在满足任务时序约束下，随机选取两个目标进行交叉；步骤3-4：融入买卖机制思想，构造第二变异算子以增强算法的寻优能力为了增强算法的寻优能力，采用基于邻近优先买卖机制的变异操作进行寻优；由于无人机投放数量对任务完成时间和无人机利用率均有影响，并且这两者同时影响目标函数值；因此，引入买卖策略对无人机的投放数量进行优化；具体实现过程如下：首先计算无人机uav
i
(1≤i≤n
ui
)执行的任务数量num
i
，如果存在num
i
＝1，则由无人机uav
i
发起买卖活动，售卖自己执行的任务task
exe
或者购买相邻任务task
neigh
；注意无人机uav
neigh
对任务task
exe
具有优先权，无人机uav
i
对任务task
neigh
具有优先权；无人机uav
i
计算自身执行任务task
neigh
获得的收益b
i
以及无人机uav
neigh
执行任务task
exe
获得的收益b
n
；这里的收益是指相较于原始个体新个体的优化效果；如果b
n
＞b
i
＞0，则无人机uav
i
向无人机uav
neigh
售卖任务task
exe
；如果b
i
＞b
n
＞0，无人机uav
i
购买任务task
neigh
，否则，计算其他无人机执行任务task
exe
获得的收益；这里的task
neigh
表示与task
exe
处在同一目标下另一任务，uav
neigh
表示执行task
neigh
的无人机。3.根据权利要求2所述的一种考虑载具投递模式的无人机群协同任务规划方法，其特征在于，所述的步骤2-2中：g1(p(n))和g2(p(n))的具体表达式分别如下所示：(p(n))的具体表达式分别如下所示：其中，d
p(i)p(i+1)
表示节点p(i)到下一节点p(i+1)的航迹成本，θ1表示实际的雷达威胁系数，n表示路径节点的总数，n
a
表示雷达的总数，表示雷达源r
e
到点p的欧式距离，表示雷达r
e
的探测半径；在g2(p(n))的表达式中，内部的求和符号表示在节点p(i)处所有雷达产生的威胁，外部求和符号表示航迹上每个节点雷达威胁之和；h1(p(n))和h2(p(n))的具体表达式分别如下所示：h1(p(n))＝|p
x
(n)-p
goal_x
|+|p
y
(n)-p
goal_y
|,
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)其中，p
x
(n)、p
y
(n)、p
goal_x
和p
goal_y
分别表示节点p(n)和目标节点p
goal
的横纵坐标，θ2表示预估的雷达威胁系数，表示由当前节点p(n)和目标节点p
goal
所组成的矩形中所包含的雷达数量。4.根据权利要求2所述的一种考虑载具投递模式的无人机群协同任务规划方法，其特征在于，所述的步骤2-3具体如下：(1)个体编码根据研究问题的特点，采用矩阵编码方式；由于载具从机场出发并最终返回，因此第一
个编码值和最后一个编码值相同，通过确定投放点的遍历顺序可以得到一个编码个体；根据投放点的数量，构造的矩阵的大小为1
×
(n
f
+2)；(2)距离矩阵根据实际作战环境，基于步骤2-2中的改进a*算法构建距离矩阵，其表达式如下所示，其元素表示对应航迹的评估值；(3)选择操作采用轮盘赌方法进行选择，计算个体的选择概率如下：每个编码个体可以根据距离矩阵得到一个评估值，然后每个个体用当前迭代中的最高评估值中减去自己的评价值，对应得到一个差值；个体越优秀，获得的差值越大；e
i
表示第i个体对应的差值除以所有个体的差值之和的结果，如表达式(29)所示，因此个体被选择的概率具体如表达式(30)所示；具体如表达式(30)所示；(4)交叉操作对选择的两个父母进行交叉操作获得交叉子代，具体实现为：一个连续的长度片段(除了第一个编码值和最后一个编码值)从父母1中获取，然后依次遍历父母2中的每个编码值(除了第一个编码值和最后一个编码值)；检查父母2中的编码值是否出现在截取的片段中；如果父母2中的编码值出现在截取片段中，则将截取片段中的编码值赋值给父母2中正在遍历的编码值；否则，跳过父母2中当前编码的值，遍历下一个编码值；此过程不断重复，直至遍历完父母2中所有的编码值；(5)变异操作对交叉子代实行变异操作，具体操作如下；生成两个介于[1,n
f
]的随机数rand2和rand3，然后根据这两个随机数找到对应的编码位，再将这两个编码位对应的编码值进行交换。
技术总结
一种考虑载具投递模式的无人机群协同任务规划方法，第一，提出由分类操作和固定操作构造的投放点确定算法，采用基于K-means聚类算法的分类操作获得目标的最优分类，采用基于威胁最小化的固定操作选择最优投放位置。第二，提出融合改进A*算法的离散遗传算法获得载具的全局最优轨迹。第三，提出基于市场机制的改进差分进化算法获得每个投放点处的最优任务分配方案。本发明基于实际作战环境，考虑跨平台协同作战场景，以大规模无人机群对地面目标执行攻击和评估任务为背景，给出解耦式的任务规划系统；对于多机协同任务规划的求解具有重要意义，相比于现有优化方法效率高、寻优性强；具有很强的可行性、有效性、稳定性和收敛性，便于实际应用。便于实际应用。便于实际应用。
技术研发人员：王昕炜 王磊 苏析超 张鸿运 陶来发 吕琛 刘洁 余馨咏 高晓华 彭海军 张盛
受保护的技术使用者：大连理工大学
技术研发日：2022.11.15
技术公布日：2023/3/7