一种无人机作战过程中的临机任务规划的方法与流程

本发明涉及一种无人机任务规划的方法，特别是一种无人机作战过程中的临机任务规划的方法。

背景技术：

1、无人机具有低成本、低损耗和高生存率等诸多优点，目前已经应用在军事侦察、灾情监测等诸多领域。随着战场环境日益复杂和多变，单个无人机的执行能力越来越无法满足实际任务需求，因此，无人机集群来完成任务成为了其完成任务的主要模式。

2、经过多机协同任务分配后，无人机按照任务分配方案依次去执行任务。而实际的战场环境是一个动态环境，整个战场的信息不是一成不变的，无人机或者任务点的状态随时都会发生改变，无人机任务分配的方案也要随之改变。因此，需要在实时作战时对无人机任务进行重分配。

3、通过任务重分配能让无人机更快的适应动态变化的环境，提升了无人机任务规划系统的稳定性和响应能力。所以任务重分配对实时性要求较高，希望在快速求解的基础上得到一个较优的重分配方案。

4、如果使用传统的多机协同任务分配模型和相应算法进行求解，则代价太大，显然是不合适的。所以要根据任务重分配的特点，简化重分配模型，提升算法的执行效率，对无人机机群内的局部无人机进行任务分配方案和任务执行次序的调整。

技术实现思路

1、发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种无人机作战过程中的临机任务规划的方法。

2、为了解决上述技术问题，本发明公开了一种无人机作战过程中的临机任务规划的方法，包括如下步骤：

3、步骤1，在作战环境下，无人机群获取自身任务信息和敌方无人机信息；

4、步骤2，在保证无人机自身任务完成的前提下，根据敌方无人机信息建立无人机作战过程中的临机任务规划的总代价函数f；

5、所述的总代价函数，计算方法如下：

6、

7、其中，和为权重系数；为重新任务分配时的能源消耗，为重新任务分配后航路规划的能源消耗。

8、所述的重新任务分配时的能源消耗的计算方法，包括：

9、战场环境中，设有 n架无人机，集合为u={ u 1 ,u 2 ,...,u n}， u n表示第n架无人机，且各无人机均具有侦察和打击能力，无人机的目标集合为t ={ t 1 ,...,t nt}， t nt表示第nt个目标；无人机对目标执行侦察和打击任务时，具体收益包括：任务收益、任务执行代价以及任务执行时间；根据所述具体收益计算得到重新任务分配时的能源消耗。

10、所述任务收益是指成功执行任务所获取的目标价值收益；战场环境下，单架无人机 u i打击目标 t j的收益为：

11、

12、其中，i为无人机编号，为无人机 u i成功摧毁 t j的概率，j为目标编号， v j为目标 t j的价值，表示 t j的战略重要程度。

13、所述任务执行代价是指无人机执行侦察和打击任务所付的代价；包括威胁代价与资源损耗代价；

14、其中，所述威胁代价根据无人机执行任务时被摧毁所损失的价值来计算，则单架无人机 u i的威胁代价为：

15、

16、其中，为目标 t j对无人机 u i的毁伤概率；为无人机 u i的自身价值；

17、所述资源损耗代价等效为航程代价；假设所有无人机的单位距离的资源损耗相同，则无人机距离任务目标越近，相应的航程代价越小，从而将任务分配给无人机的概率越大；单架无人机 u i面临不同目标的同类型任务时，资源损耗代价为：

18、

19、其中，为同类型任务中无人机 u i与目标 t j的欧氏距离；为同类型任务中所有无人机相对目标 t j的最大欧氏距离。

20、所述任务执行时间，指无人机到达目标位置所用时间，单架无人机 u i任务执行时间为：

21、

22、其中，表示无人机 u i与目标 t j之间的距离， v为无人机 u i的速度。

23、所述根据所述具体收益计算得到重新任务分配时的能源消耗的方法包括：

24、假设每架无人机任务载荷最大为 u max，飞行速度为 v，任务集合 m中的任务均被执行一次，则所述重新任务分配时的能源消耗 e task的计算方法包括：

25、

26、约束条件为：

27、

28、

29、

30、其中，表示无人机 u i是否执行任务 t j；=1则表示执行该任务 t j，=0则表示不执行此任务 t j；，，以及为权重系数。

31、所述的重新任务分配后航路规划的能源消耗的计算方法，包括：计算威胁代价和能耗代价；

32、其中，所述威胁代价包括地形威胁和武器威胁，对于无人机 u i和其对应的航迹，威胁代价的计算方法为：

33、

34、其中，表示的是航迹段的威胁代价的值，表示无人机数量；

35、所述能耗代价和无人机的飞行距离即航程直接相关，假设无人机的能耗代价和航程成正比，对于无人机 u i和其对应的航迹，能耗代价的计算方法为：

36、

37、其中，表示航迹段的长度；

38、无人机综合航路规划代价的计算方法如下：

39、

40、其中，，分别为威胁代价和能耗代价的权重系数，满足；

41、则重新任务分配后航路规划的能源消耗为：

42、

43、且 。

44、步骤3，利用k-means算法和贪婪算法来优化总代价函数f中的重新任务分配时的能源消耗，得到无人机任务规划；

45、所述的贪婪算法是基于无人机的位置的方法，具体为：

46、利用k-means算法来把无人机任务分割成不同的簇，完成同一个簇内的任务的无人机在优先保证自身的任务完成的情况下，根据距离远近辅助其他本簇内的无人机完成任务；如果待完成的无人机任务的价值与同一个簇内的其他任务的价值差超过阈值，则离该待完成任务最近的无人机舍弃当前任务，优先处理该待完成的任务；

47、所述的得到无人机任务规划的方法为：结合k-means和贪婪算法来解决临机任务分配，得到无人机任务规划，其具体步骤包括：

48、步骤3-1，初始化k-means算法的参数；

49、步骤3-2，随机选择k个任务作为初始聚类中心；

50、步骤3-3，针对任务集中每个任务计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；

51、步骤3-4，针对每个类别，重新计算它的聚类中心；

52、步骤3-5，如果达到终止条件则停止，否则重复步骤3-2和3-3；

53、步骤3-6，找出同簇中离失败任务中距离最近的任务；

54、步骤3-7，从最近的任务中原先分配好的无人机中调用无人机来完成失败的任务；

55、步骤3-8，输出当前的任务分配规划。

56、步骤4，依据得到的无人机任务规划，利用蜉蝣算法进一步优化总代价函数f中的重新任务分配后航路规划的能源消耗，得到无人机的航路轨迹，具体方法包括：

57、步骤4-1，初始化蜉蝣算法的参数；

58、步骤4-2，随机在搜索空间产生蜉蝣作为初始种群；

59、步骤4-3，雄性蜉蝣移动位置；

60、步骤4-4，雌性蜉蝣移动位置；

61、步骤4-5，雌雄蜉蝣交配产生子代；

62、步骤4-6，通过选择策略选择合适的蜉蝣进入下一次迭代；

63、步骤4-7，判断是否达到停止条件，如果达到则停止；否则则转到步骤4-3；

64、步骤4-8，输出最优的蜉蝣作为最终解决方案；

65、步骤4-9，根据无人机和其执行任务的位置确定航路轨迹的开始和结束位置；

66、步骤4-10，根据开始和结束位置以及最优的蜉蝣组成最终的无人机轨迹。

67、步骤5，若完成所有任务，则完成无人机作战过程中的临机任务规划，否则返回步骤1。

68、有益效果

69、（1）本发明一种无人机作战过程中的临机任务规划的方法，能够实现无人机群在复杂环境下的高效地任务重分配和航路重规划，进一步协同完成后续任务，为无人机群的临机任务规划问题提供了一个全新的解决方案。

70、（2）本发明一种无人机作战过程中的临机任务规划的方法，从提高任务的完整性和高效性两方面出发，开展无人机作战过程中的临机任务规划方法研究，确保无人机完成自身任务的前提下，进一步的辅助完成未完成的任务，提高无人机群的使用效率。

71、（3）本发明一种无人机作战过程中的临机任务规划的方法，能够处理大量无人机的临机任务规划问题，使得某些无人机不能完成自身任务后能够快速分配其他无人机来辅助完成。算法复杂度低，计算精度高，可以有效解决作战环境下的无人机群临机任务规划问题。