技术特征：
1.基于反向学习蛇算法的无人机任务分配方法，其特征在于，包括以下步骤：s1、对任务分配场景建模：假设有m架无人机执行n项任务，m≥n，各项任务是同时开始同时结束的，每项任务需要至少一架无人机去完成，允许空闲无人机存在，则任务分配问题的决策变量即为一个二值矩阵u，矩阵中第i行第j个元素u
ij
＝1代表着无人机i执行任务j，u
ij
＝0则表示无人机i未执行任务j；将代价矩阵表示为w，矩阵中第i行第j个元素w
ij
代表无人机i执行任务j的代价；根据代价最小化原则，建立目标函数及其约束条件为：s2、设置反向学习的蛇算法初始化参数：使用基于种群的算法，设置算法的种群、迭代次数、各个环节的门限值参数；s3、对优化过程进行迭代：设置问题求解的总迭代次数为t，当前次数为t；计算环境参数：温度h、食物数量q，在t≤t时，根据当前的食物数量q与其门限值q
th
的关系，和当前温度h与其门限值h
th
的关系进行迭代求解；每一次迭代结束后更新当前场上各个性别种群中的最优个体，并将其定义为食物的位置，并与上一代作比较，并对t进行自增，重复执行s3；直到t>t时，跳出循环，输出全局最优解；s4、求解得到无人机对任务的最优分配，将此分配方案输出，并计算其最终收益。2.根据权利要求1所述的基于反向学习蛇算法的无人机任务分配方法，其特征在于，所述s2中，算法的种群设置方法包括如下子步骤：s21、重定义：将决策矩阵u行向量化为x＝(u
11
,u
12
,
…
,u
1n
,
…
,u
m1
,u
m2
,
…
,u
mn
)，将代价矩阵w行向量化为w＝(w
11
,w
12
,
…
,w
1n
,
…
,w
m1
,w
m2
,
…
,w
mn
)，两个向量的维度都是d＝m
×
n，且决策变量受到下界和上界的限制，对各元素都有x
min
＝0≤x
d
≤x
max
＝1，x
d
表示x中第d个元素，d＝1,
…
,d；由于决策变量x是二值离散的，故目标函数重新定义为minf(x)＝x
′
·
w，其中x
′
＝round(x)，表示对每个元素进行四舍五入；s22、生成原始种群集x：随机生成p个在[x
min
,x
max
]区间上服从独立均匀分布的蛇个体x
i
：x
i
＝x
min
+r
×
(x
max-x
min
),x
i
∈x
ꢀꢀꢀꢀ
(2)其中r为服从[0,1]区间均匀分布的随机数；s23、计算反向种群集按照下式计算每个个体x
i
的反向个体的反向个体s24、对原始种群和反向种群融合并筛选：因为问题的目标是最大化f(x)，故取集合中使得目标函数f(x)较大的前d个元素，并随机等分到两个集合x
m
与x
f
中，分别代表雄性种群和雌性种群；记minf(x)为函数f(x)的最小值，argminf(x)表示求使目标函数f(x)
取最小值时的变量值，则记录“食物”为：f
food
＝minf(x)，x
food
＝argminf(x)，x∈x
m
∪x
f
。3.根据权利要求1所述的基于反向学习蛇算法的无人机任务分配方法，其特征在于，所述s3包括如下子步骤：s31、计算环境参数并判断：根据当前迭代次数t，计算温度h、食物数量q如下：当q<q
th
时进入s32；当q≥q
th
且h>h
th
时进入s33；当q≥q
th
且h≤h
th
时进入s34；在s32、s33、s34各自执行完毕后，进入s35；q
th
、h
th
分别为预设的食物数量和温度门限值；s32、探索：当前的食物数量q小于食物数量门限值q
th
时，性别为g的蛇群中的每个个体x
g
,
i
以能力α
g
,
i
搜索食物并按照下式更新当前的位置为x
g,i
′
：x
g,i
′
＝x
g,r
±
0.05α
g,i
((x
max-x
min
)r+x
min
)
ꢀꢀꢀꢀ
(5)其中r在计算式内参与运算时表示服从区间[0,1]上均匀分布的随机数，在做角标时表示种群中编号为r的一随机个体；
±
代表在实际计算时随机取正负，概率均等，为50％；g＝f或m，分别表示雌性或雄性；x
g,r
表示性别为g的群体中随机个体r的位置，其搜索食物的能力为：其中f
g，r
＝f(x
g，r
)、f
g，i
＝f(x
g，i
)；s33、挖掘：当食物数量q≥q
th
，且h高于门限值h
th
时，蛇群将向着食物所在的位置靠近并挖掘食物，更新自己的位置，这个过程受到当前环境温度h的影响，每个个体的位置计算公式为：x
g,i
′
＝x
food
±
2rh(x
food-x
g,i
)
ꢀꢀꢀꢀ
(7)s34、斗争、交配产卵：当食物数量q≥q
th
，且环境的温度h<h
th
时，蛇群会繁衍后代；蛇群中的个体将在求偶斗争和交配、产卵繁衍后代两种行为中随机选择一种：以60％的概率，蛇群中的个体将进行求偶斗争：其中β
g,i
表示性别为g的个体i的斗争能力，受到当前性别群体中的最优秀个体，即具有最大的函数值f
g,best
的个体的影响，计算如下：
以40％的概率，蛇群中的个体将进行交配、产卵繁衍后代；雄性群体的个体x
m,i
和雌性群体的个体x
f,i
按照如下公式进行交配：其中，性别为g的个体i的交配能力定义为：随后，产卵得到的后代取代当前性别种群中的最劣个体x
g,worst
，即使得f(x)取值最大的个体，将其替换为：x
g,worst
′
＝x
min
+r(x
max-x
min
)
ꢀꢀꢀꢀ
(12)；s35、更新：在每轮循环结束时对当前场上性别为g的群体中最优、最劣个体进行记录：其中，argminf(x
g,i
)表示求使目标函数f(x
g,i
)取最小值时的变量值，argmaxf(x
g,i
)表示求使目标函数f(x
g,i
)取最大值时的变量值。
技术总结
本发明公开了一种基于反向学习蛇算法的无人机任务分配方法，包括以下步骤：S1、对任务分配场景建模；S2、设置反向学习的蛇算法初始化参数：使用基于种群的算法，设置算法的种群、迭代次数、各个环节的门限值参数；S3、对优化过程进行迭代，输出全局最优解；S4、求解得到无人机对任务的最优分配，将此分配方案输出，并计算其最终收益。本发明主要针对无人机集群这一特定物理对象，将其抽象成无人机集群解决任务分配的问题。首先，建立任务分配问题的数学模型，利用群智能算法，结合反向学习过程，对随机生成的种群进行筛选，减少了算力消耗。因此，本发明所提出的基于反向学习蛇算法的无人机任务分配方法对计算资源不富裕的系统具有明显的优势。的优势。的优势。
技术研发人员：路嘉琪 徐源成 李维豪 孙鹏 施孟佶 林伯先 秦开宇 李志强
受保护的技术使用者：电子科技大学
技术研发日：2022.11.15
技术公布日：2023/3/7