多无人机协同多目标分配方法与流程

本发明属于多无人机协同控制技术领域，特别涉及一种多无人机协同多目标分配方法，在进行目标分配时采用启发式遗传算法，通过引入启发式信息，具有更快的收敛速度，避免遗传算法早熟问题。

背景技术：

无人机以其简单、灵活等特性，在代替人类完成危险、枯燥和恶劣的任务中发挥着重要的作用。而复杂的飞行环境和多样化的任务需求使得多无人机协同成为趋势。多无人机协同多目标分配是围绕总体任务需求，综合考虑飞行、环境和任务约束，为无人机分配特定的任务，从而提高任务完成的效率。多无人机协同多目标分配问题是一个复合约束条件下的组合优化问题。

近年来，多无人机协同多目标分配问题已经引起学者们的广泛关注，学者们在国内外的科技期刊以及学术会议上发表了大量的论文。在目标分配实际问题的建模方面，Shima等人对复杂环境下目标分配的框架结构进行了分析和研究；Zengin等人围绕目标追踪问题，对多无人机协同控制与目标分配问题进行了研究，均取得了较好的效果。Bertuccelli等人以多无人机以及无人机/有人机为对象，研究了动态不确定环境对多目标分配问题建模的影响，只对无人机数量小于目标数量时的情况进行了研究。Shaferman等人以多无人机协同跟踪等作为任务划分，进行了多任务分配的研究，尤其适合城市环境下的目标分配问题建模，只考虑了无人机数量大于目标数量，且目标数量较少时的情况。在对目标分配问题进行求解方面，赵明等人利用航程代价矩阵优化了差分进化算法，并利用统一的编码策略执行进化过程，有效求解了目标分配问题，但在构造目标函数时，没有考虑无人机损毁的代价。符小卫等人提出了通信约束的目标分配方法，并进行了合理性验证。胡笑旋等人提出多无人机协同任务分配的分层处理办法，降低了问题的复杂度，但是容易陷入局部最优解。Karaman等人利用遗传算法对复杂操作条件下任务分配问题进行了求解，但是遗传算法的早熟问题没有得到解决。

技术实现要素：

为克服现有技术中的不足，本发明提供一种多无人机协同多目标分配方法，针对多无人机协同多目标分配问题建模时考虑不全面、构造目标函数考虑较单一的问题，在飞行代价中加入无人机损毁代价；针对无人机和目标数量关系，提炼出三种最基本情况进行建模，使模型贴近实际；在进行目标分配时，采用启发式遗传算法，通过引入启发式信息，有效加快算法执行效率，避免遗传算法早熟问题。

按照本发明所提供的设计方案，一种多无人机协同多目标分配方法，包含如下步骤：

步骤1、对多个无人机和多个目标分别进行编号，分别用1,2,…,U表示无人机编号，1,2,…,T进行表示目标编号，其中，U表示无人机数量，T表示目标数量；

步骤2、根据U和T的大小关系及无人机飞行代价参数，构建飞行代价模型F(x)，其中，U和T的大小关系包含：U＞T，U＝T和U＜T三种情形，无人机飞行代价参数包含：航程代价、执行时间代价、损毁代价；

步骤3、使用启发式遗传算法对飞行代价模型进行优化求解，直到满足优化目标。

上述的，步骤2具体包含如下内容：

步骤2.1、航程代价表示为：其中，u～v表示无人机组，i～j表示目标组，d(u～v,i～j)表示航线长度；

执行时间代价表示为：其中，t(u～v,i～j)表示某架无人机或无人机组飞行的时间，满足：其中，v_u～v表示无人机飞行速度；

损毁代价表示为：其中，p(u～v,i～j)表示某架无人机或无人机组的损毁概率，x(u～v,i～j)是决策变量，决策变量x(u～v,i～j)决定无人机与目标数量之间的大小关系；

步骤2.2、构建的飞行代价模型表示为：

F(x)＝w₁α₁d_sum+w₂α₂t_sum+w₃th_sum，其中，w₁，w₂，w₃分别对应航程代价、执行时间代价、损毁代价的权重因子，且满足w₁+w₂+w₃＝1，w₁，w₂，w₃都是0～1内的实数，α₁，α₂分别对应航程代价和执行时间代价的比例缩放因子。

优选的，步骤2.1中的决策变量x(u～v,i～j)，分以下三种情况：

1)U＝T时，为无人机与目标之间一对一的情况，满足x(u～v,i～j)＝x(u,i)，得到

2)U>T时，为一架无人机只是对应一个目标，且存在一个目标分配多架无人机的情况，满足x(u～v,i～j)＝x(u～v,i)，对于任意的无人机或无人机组，都有其中，无人机组为分配给同一个目标的多架无人机。

3)U<T时，为一个目标只是对应一架无人机，且存在一架无人机分配多个目标的情况，满足x(u～v,i～j)＝x(u,i～j)，对于任意的目标或目标组，都有其中，目标组为分配给同一架无人机的多个目标。

优选的，步骤2.1中的损毁概率计算公式表示为：

，

其中，p_u表示第u架无人机损毁概率，r_radar^max表示飞行区内雷达的有效作用半径，R表示无人机和雷达中心点之间的实时距离，R₀和b的计算公式为：

优选的，当无人机飞经多个雷达存在的区域时，分别计算各个雷达情况下无人机损毁概率，再进行求和。

上述的，步骤3具体包含如下内容：

步骤3.1、构造初始种群，其中，初始种群的一部分通过引入启发式信息得到，另一部分采用随机生成方法生成；

步骤3.2、利用罚函数法构造适应度函数；

步骤3.3、计算适应度函数值；

步骤3.4、判断是否满足优化目标，若是，则结束迭代，得到种群最佳解，进而获取最优分配方案；否则，通过罚函数排除不满足约束条件的方案，并对当前种群进行遗传操作，包括选择、交叉和变异操作，得到由变异操作构造的新种群，返回步骤3.3迭代执行，直至满足优化目标。

优选的，所述步骤3.1具体包含如下内容：以目标价值属性作为启发式信息得到初始种群，目标价值属性为根据价值得到的目标优先级，或为根据任务要求得到的目标优先级；采用随机生成方法生成初始种群，通过随机构造编码链，以无人机与目标编号分配关系表示每一种分配方案。

优选的，步骤3.2具体包含如下内容：通过添加惩罚项构造适应度函数，具体表示为：

Fitness(x)＝m-F(x)-MaxD-MaxT-Order，其中，m是界限值常数。

优选的，步骤3.3中对当前种群进行遗传操作，具体包含如下内容：采用比例选择法选择算子，各个个体被选中的概率与适应度大小成正比；采用比例选择法选择算子，各个个体被选中的概率与适应度大小成正比；将父代个体分成两部分，以设定交叉概率进行交叉运算，形成新的个体；当前种群为种群1，通过比较随机数与设定变异概率大小来决定是否执行变异算子，若满足变异算子执行条件，则执行变异算子后生成新的个体，形成种群2，在种群2中选择适应度最佳个体加入种群1，得到由变异操作构造的新种群，其中，随机数在(0,1)范围内取值。

优选的，步骤3.4中判断是否满足优化目标，具体是指：判断当前迭代是否满足设定的最大迭代次数。

本发明的有益效果：

1、本发明针对多无人协同多目标分配问题建模时情况考虑不全面、构造目标函数的因素考虑较单一的问题，在飞行代价中加入无人机损毁的代价；针对无人机和目标的数量关系，提炼出三种最基本情况进行建模，使模型贴近实际；在进行目标分配时，采用启发式遗传算法，首先通过引入启发式信息和采用随机生成的方法构造初始种群，然后构造适应度函数，加入惩罚项排除不满足约束条件的方案，接着进行遗传操作，并将变异产生的个体组成种群2，把种群2迭代寻优的个体加入种群1，使种群个体种类更加丰富，不断进行遗传操作，直至最后满足优化目标；通过对比实验，本方法在效率、性能方面得到有效提升。

2、本发明在建模过程中，对无人机和目标的数量关系进行分析，并且考虑时间、距离以及无人机损毁情况，使模型更具有实用性；在目标分配过程中，采用启发式遗传算法，该算法在初始种群的构造中利用启发式信息，并通过变异操作产生新的种群，保证种群多样性；实验证明，本发明能够有效避免早熟问题，在收敛速度、收敛值方面优于基本遗传算法和差分进化算法。

附图说明：

图1为本发明的流程示意图；

图2为启发式遗传算法流程示意图；

图3为U＝T时三维仿真结果图；

图4为U＝T时等高线图；

图5为U>T时三维仿真结果图；

图6为U>T时等高线图；

图7为U<T时三维仿真结果图；

图8为U<T时等高线图；

图9为U＝T时三种算法迭代过程曲线图；

图10为U>T时三种算法迭代过程曲线图；

图11为U<T时三种算法迭代过程曲线图。

具体实施方式：

下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详细说明本发明的实施方式，但本发明的实施方式并不限于此。

实施例一，参见图1所示，一种多无人机协同多目标分配方法，包含如下步骤：

步骤1、对多个无人机和多个目标分别进行编号，分别用1,2,…,U表示无人机编号，1,2,…,T进行表示目标编号，其中，U表示无人机数量，T表示目标数量；

步骤2、根据U和T的大小关系及无人机飞行代价参数，构建飞行代价模型F(x)，其中，U和T的大小关系包含：U＞T，U＝T和U＜T三种情形，无人机飞行代价参数包含：航程代价、执行时间代价、损毁代价；

步骤3、使用启发式遗传算法对飞行代价模型进行优化求解，直到满足优化目标。

本发明在建模过程中，对无人机和目标的数量关系进行分析，并且考虑时间、距离以及无人机损毁情况，使模型更具有实用性；在目标分配过程中，采用启发式遗传算法，保证种群多样性；能够有效避免早熟问题，在收敛速度、收敛值方面优于基本遗传算法和差分进化算法。

实施例二，参见图1～11所示，一种多无人机协同多目标分配方法，包含如下内容：

首先、对多个无人机和多个目标分别进行编号，分别用1,2,…,U表示无人机编号，1,2,…,T进行表示目标编号，其中，U表示无人机数量，T表示目标数量。多个无人机起飞前分散布置，假设在进行目标分配前，已知所有无人机的位置以及所有目标的位置。每架无人机都要分配到目标，每个目标都要有无人机与之对应。

然后、根据U和T的大小关系及无人机飞行代价参数，构建飞行代价模型F(x)，其中，U和T的大小关系包含：U＞T，U＝T和U＜T三种情形，无人机飞行代价参数包含：航程代价、执行时间代价、损毁代价，

航程代价表示为：其中，u～v表示无人机组，i～j表示目标组，d(u～v,i～j)表示航线长度；

执行时间代价表示为：其中，t(u～v,i～j)表示某架无人机或无人机组飞行的时间，满足：其中，v_u～v表示无人机飞行速度；损毁代价表示为：其中，p(u～v，i～j)表示某架无人机或无人机组的损毁概率，x(u～v,i～j)是决策变量，决策变量x(u～v,i～j)决定无人机与目标数量之间的大小关系；决策变量x(u～v,i～j)，分以下三种情况：

1)U＝T时，为无人机与目标之间一对一的情况，满足x(u～v,i～j)＝x(u,i)，得到

2)U>T时，为一架无人机只是对应一个目标，且存在一个目标分配多架无人机的情况，满足x(u～v,i～j)＝x(u～v,i)，对于任意的无人机或无人机组，都有其中，无人机组为分配给同一个目标的多架无人机。

3)U<T时，为一个目标只是对应一架无人机，且存在一架无人机分配多个目标的情况，满足x(u～v,i～j)＝x(u,i～j)，对于任意的目标或目标组，都有其中，目标组为分配给同一架无人机的多个目标。

构建的飞行代价模型表示为：F(x)＝w₁α₁d_sum+w₂α₂t_sum+w₃th_sum，其中，w₁，w₂，w₃分别对应航程代价、执行时间代价、损毁代价的权重因子，用于表示航程代价、执行时间代价、无人机损毁代价三种因素的重要程度，参数由任务负责人根据具体任务给出，且满足w₁+w₂+w₃＝1，w₁，w₂，w₃都是0～1内的实数，α₁，α₂分别对应航程代价和执行时间代价的比例缩放因子，作用是使总航程代价、总时间代价、总损毁代价保持在同一量级。从任务开始到完成任务的总时间以最后一架无人机完成任务的时间为准。

目标分配问题有以下约束条件：

1)无人机飞行距离约束

每架无人机的单次飞行距离都是有限的，都受到无人机本身性能及油料补充等的影响，最大航程约束可以表示为：

其中，D_u表示第u架无人机最大飞行距离，u＝1,2,…,U。

2)无人机飞行时间约束

同飞行距离一样，每一架无人机的单次飞行时间都是有限的，最大飞行时间约束可以表示为：其中T_u表示第u架无人机最大飞行时间，u＝1,2,…,U。

3)目标执行次序约束

除了目标的价值影响目标执行的次序外，一些特定的目标必须在其他特定目标执行后方可执行。设定目标i执行后方可执行目标j。Δt为i、j执行的最小时间间隔，该约束可以表示为：t_j≥t_i+Δt，其中，t_i、t_j分别是目标i、j完成的时间，i、j代表特定的目标，Δt>0。

从目标价值大小、无人机损毁的概率等方面对影响约束条件的参数进行分析，并给出定量化的描述方法，具体如下：

在多数情况下，目标价值是一个模糊的概念，在实际任务中很难提供精确的要求，而常用带有“高”、“低”的字眼来描述。为方便起见，将目标价值的模糊描述分为7个等级：“特别高”、“很高”、“高”、“中等”、“低”、“很低”、“特别低”。为了用在目标分配模型当中，需要将这些模糊描述转化为定量化的语言。为此，将目标价值设定为[0,10]范围内的数。设定7个等级的模糊描述与数值之间对应关系如下：“特别高”＝[9,10]；“很高”＝[8,9]；“高”＝[7,8]；“中等”＝[5,7]；“低”＝[3,5]；“很低”＝[1,3]；“特别低”＝[0,1]。

这样便可为任务负责人提供一个定量化的参考方案，以便他们确定目标价值的数值大小，进而影响目标执行次序。

无人机在飞行过程中存在损毁的可能性，第u架无人机飞往第j个目标途中损毁的概率:

其中，R表示无人机和目标之间的实时距离，R₀和b的计算方法如下所示：

参照以上计算方法，根据设定的无人机飞行区域内分布有雷达的情况，本发明中第u架无人机损毁概率的计算公式表示为：

，

其中，p_u表示第u架无人机损毁概率，r_radar^max表示飞行区内雷达的有效作用半径，R表示无人机和雷达中心点之间的实时距离，R₀和b的计算公式为：由此可知，在雷达有效作用范围外无人机损毁的概率为0，在有效作用范围内，无人机损毁的概率服从高斯分布。当无人机飞经多个雷达存在的区域时，分别计算各个雷达情况下无人机损毁概率，再进行求和。

最后、使用启发式遗传算法对飞行代价模型进行优化求解，直到满足优化目标，具体包含如下内容：

步骤a、构造初始种群，其中，初始种群的一部分通过引入启发式信息得到，另一部分采用随机生成方法生成，以目标价值属性作为启发式信息得到一部分初始种群，目标价值属性为根据价值得到的目标优先级，或为根据任务要求得到的目标优先级；采用随机生成方法生成另一部分初始种群，通过随机构造编码链，采用十进制编码方式，以无人机与目标编号分配关系来表示染色体，即每一种可能的分配方案。由启发式信息得到的种群具有较高的适应度，但为了保证初始种群的多样性，随机生成一部分编码链，二者的结合可以获得初始种群多样性和高适应性的统一，从而有利于加强进化进程。

步骤b、利用罚函数法构造适应度函数，通过添加惩罚项构造适应度函数，多目标分配问题求解是要筛选使目标函数最小的个体，针对本发明多目标分配求最小代价问题，适应度函数构造如下：Fitness(x)＝m-F(x)，其中，m是界限值常数，通过预估得到；为了避免出现不满足飞行距离约束、飞行时间约束以及目标执行次序约束的分配情况，在适应度函数中添加惩罚项，将其进一步表示为具体表示为：Fitness(x)＝m-F(x)-MaxD-MaxT-Order，其中，MaxD、MaxT、Order分别表示飞行距离约束、飞行时间约束以及目标执行次序约束，当无人机飞行距离超过了最大飞行距离时，MaxD赋值为一个较大的正数，MaxT和Order的取值同理，采用罚函数的方法进行处理，罚函数的基本思想是对于违反约束条件的个体，在计算其适应度时，违背约束条件的个体的适应度值会大大减小，极大减小了其遗传到下一代的概率，在一定程度上减少了目标分配不合理的情况，提高了算法的效率。

步骤c、计算适应度函数值；

步骤d、判断当前迭代是否满足设定的最大迭代次数，若是，则结束迭代，得到种群最佳解，进而获取最优分配方案；否则，通过罚函数排除不满足约束条件的方案，并对当前种群进行遗传操作，包括选择、交叉和变异操作，采用比例选择法选择算子，各个个体被选中的概率与适应度大小成正比；将父代个体分成两部分，以设定交叉概率进行交叉运算，形成新的个体；当前种群为种群1，通过比较随机数与设定变异概率大小来决定是否执行变异算子，若满足变异算子执行条件，则执行变异算子后生成新的个体，形成种群2，在种群2中选择适应度最佳个体加入种群1，得到由变异操作构造的新种群，返回步骤c迭代执行，直至满足优化目标，其中，随机数在(0,1)范围内取值。

为了验证本发明的有效性，下面通过仿真实验对本发明做进一步说明：

目标分配模型及求解算法通过matlab仿真实验进行验证，首先构建无人机及目标所在区域内的环境条件，二维尺度下的计算相对简单，但是刻画得不够真实，直接影响到目标分配结果的可靠性。为此，本文进行三维环境的仿真，以标准数字高程模型数据为基础，进行三维环境的构建，并在环境中加入了雷达因素，设定在目标分配前已知无人机以及目标的三维坐标；由此建立起无人机飞行的三维环境，具体实验参数如下所示：

表1

表2

表3

表4

上表1-4是实验的初始参数设置，已知无人机和目标的三维坐标，以及每架无人机最大飞行距离和飞行时间。给定目标的价值，目标的执行次序受目标价值影响，另外存在指定的目标间执行次序关系的情况，其中，表1和表2是无人机初始参数设置，表3和表4是目标的初始参数设置。

为避免单次仿真实验中偶然因素的影响，对每一种情况进行50次仿真实验。

U＝T时，实验的三维仿真结果如图3所示，其中球形表示环境中的雷达，钻石形标志表示无人机起始点位置，星号标志表示目标点的位置，它们之间的连线表示无人机飞行的航迹。图4为仿真结果的等高线图，其中雷达区域与地形数据结合作为无人机飞行时的参考，表示在等高线图中。图4中同时反映了目标分配的结果，即从无人机起始点到目标点之间的连线。目标分配的方案如表5所示：

表5

U>T时，实验的三维仿真结果如图5所示，图6为仿真结果的等高线图，表6为目标分配方案：

表6

U<T时，实验的三维仿真结果如图7所示，图8为仿真结果的等高线图，表7为目标分配方案：

表7

设置相同的进化参数，分别在U＝T、U>T和U<T三种情况下，就所设计的启发式遗传算法、基本遗传算法和优化差分进化算法，三种算法进行实验，如图9，10，11所示的迭代过程曲线图。

从图中可以看出，U＝T、U>T和U<T三种情况下算法收敛曲线趋势一致，在大约300代以后陆续收敛到最优值。迭代最后阶段曲线还有收敛的趋势，表明基于启发式信息的方法增加了算法避免陷入局部最优的能力。

表8表示在U＝T、U>T和U<T三种数量关系情况下，参数的设置情况以及算法性能的结果对比：

表8

从图9，10，11和表8看出，相比于基本遗传算法和优化差分遗传算法，所提的启发式遗传算法具有更快的收敛速度，并且有效解决了基本遗传算法早熟的问题，能收敛到更低的目标代价值，说明所提算法更适合于解决多无人机协同多目标分配问题。

本发明不局限于上述具体实施方式，本领域技术人员还可据此做出多种变化，但任何与本发明等同或者类似的变化都应涵盖在本发明权利要求的范围内。