一种考虑时序约束的异构飞行器多任务协同分配方法与流程

本发明涉及一种异构飞行器多任务协同分配方法，尤其涉及一种考虑时序约束的异构飞行器多任务协同分配方法，属于飞行器任务规划领域。
背景技术：
：面对日益复杂的现代战场环境，战场任务逐渐向多样性和复杂性的方向发展。单架飞行器受其自身软硬件条件限制，无法进行大规模持续性的侦察打击任务，且单架飞行器失效或被击落将直接导致任务失败。为应对单架飞行器的局限性，通过异构飞行器的协同合作，形成多源信息融合与资源互补的优势，提高飞行器系统的可靠性、容错性以及作战效能。其中异构飞行器多任务协同分配是异构飞行器协同作战的保障和基础，其目的是为不同类型飞行器分配相应的作战任务，最大化作战效能。它是伴随现代信息技术发展而来的高新技术，是异构飞行器任务规划技术研究的重要内容之一，是一种典型的任务分配(taskassignment，简称ta)问题。针对复杂的任务环境和多样的任务需求，多任务协同分配是一个极其复杂、极具挑战性的过程。其研究内容主要是针对多个敌方目标，己方的指挥控制系统根据时间、空间和资源等约束，进行有效的任务分配，提高作战任务的完成速度，同时使己方付出的代价最小且使敌方目标毁伤程度最大。随着飞行器数量和类型、目标数量、任务类型等的线性增长，异构飞行器多任务分配问题的维度将呈指数级增长，传统的优化算法难以在短时间内找到满意解。异构飞行器多任务协同分配本质上是一种资源的组合优化问题，目的是寻求较优的目标分配方案，以提高作战效能。shima,t.(2011)等人总结并建立了协同多任务分配的组合优化模型。针对大规模组合优化问题，启发式算法由于具有随机特性，使得其在处理大型复杂问题时具有天然的优势，能够在可接受的时间和计算代价内获得较好的次优解。遗传算法(geneticalgorithm,ga)作为一种典型的启发式算法，是由美国密歇根大学的holland教授于1975年提出，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程来搜索最优解的方法。目前ga被广泛应用于多飞行器协同任务规划问题研究中。针对协同任务分配问题，shima,t.等人基于遗传算法，将问题的解编码成矩阵形式：以矩阵的列作为染色体的基因，表示将某架飞行器指派去对某个目标执行某项任务；以矩阵为染色体，表示组合优化问题的一个可能解。首先基于一定的编码规则构建初始化种群，然后通过选择、杂交和变异，对种群进行演进，最终获得一个较好的可行解。另外，面对具有时序优先级约束的作战任务，需要对同一目标依序执行侦察、打击和毁伤评估任务，即侦察完成之后才能开始打击，而毁伤评估任务则必须在打击任务完成之后才能进行。在考虑时序约束的多任务分配过程中，一般的矩阵编码方式常常会出现问题解不可行(违背时序约束)现象。因此，针对具有时序约束的协同任务分配问题，需要对遗传算法进行设计，形成考虑时序约束的异构飞行器协同多任务分配方法。技术实现要素：针对具有任务时序约束的异构飞行器多任务协同分配问题，本发明公开的一种考虑时序约束的异构飞行器多任务协同分配方法，要解决的技术问题是提供一种能够为异构飞行器规划出满足任务时序约束和最大化效能分配方案的任务分配方法，所述的任务分配方法具有规划时间短、满足任务时序约束的优点，而且规划出的任务分配方案能够有效缩短执行任务时间，提升任务效能。所述的异构飞行器指根据挂载不同载荷而具有不同的功能和动力学性能的飞行器。本发明的目的是通过下述技术方案实现的。本发明公开的一种考虑时序约束的异构飞行器多任务协同分配方法，根据任务获取飞行器类型，并根据飞行器类型提取飞行性能参数。建立考虑时序约束的异构飞行器多任务协同分配模型。利用考虑时序约束的遗传算法求解考虑时序约束的异构飞行器多任务协同分配模型，能够得到一种满足任务时序约束和最大化效能的异构飞行器多任务协同分配方案，即通过得到的异构飞行器多任务协同分配方案能够有效缩短执行任务时间，提升完成任务效能。所述的利用考虑时序约束的遗传算法求解考虑时序约束的异构飞行器多任务协同分配模型，具体实现方法如下：利用满足时序约束的基于目标编号顺序的染色体，实现对任务时序和任务分配信息的表达，并形成基于目标顺序和基于飞行器顺序的两种编码方式。采用dubins路径得到每架飞行器从起始点或当前任务点到达下一任务点之间的局部最短连接航迹，得出每架飞行器执行每个任务需要的时间，通过时间协调，获得整个任务执行时间。定制染色体互换交叉、整体变异遗传算子，实现求解考虑时序约束的异构飞行器多任务协同分配模型。本发明公开的一种考虑时序约束的异构飞行器多任务协同分配方法，包括如下步骤：步骤一，根据任务获取飞行器类型，并根据飞行器类型提取飞行性能参数。当任务有m架异构飞行器v＝{v1,v2,…,vm}时，根据任务获取飞行器类型，编号依次为1～m。需要对每个目标tj∈t＝{t1,t2,…,tn}执行hj个任务，所述的j＝1,2,...,n，n为目标数量。定义s＝{s1,s2,…,snc}为所有任务集合，nc表示需要执行的任务数量，如式(1)所示根据飞行器类型提取飞行性能参数，所述的飞行性能参数包括速度v、最小转弯半径rmin等飞行性能参数。步骤二，建立考虑时序约束的异构飞行器多任务协同分配模型。异构飞行器多任务协同分配是以飞行器编队整体效能最优为目标，而任务执行时间是衡量效能重要指标，即以任务执行时间最小为目标函数，数学模型为：s.t.xl,i,j∈{0,1},l∈s,i∈v,j∈t(3)式(2)中，j表示任务执行时间；dl,i,j表示飞行器vi对目标tj执行任务sl需要的时间；xl,i,j表示飞行器vi是否对目标tj执行任务sl，如果飞行器vi对目标tj执行任务sl，则xl,i,j＝1，反之，xl,i,j＝0。另外，式(4)保证所有任务均被执行，式(5)确保每个任务仅被执行一次。式(6)表示每个目标的任务时序约束，其中分别表示针对某一目标j执行任务1,2,…,hj的时间，即任务2必须在任务1完成后才能被执行，任务hj的必须在任务hj-1后被执行。m、n和nc分别表示飞行器数量、目标数量和所有任务数量。步骤三，考虑时序约束的种群初始化。根据步骤二建立的异构飞行器多任务协同分配模型，考虑式(4)和(5)所示的约束条件，依据基于目标编号顺序的编码方式赋予每个目标tj待执行任务随机符合任务需求的飞行器，形成基于目标编号顺序的染色体。初始种群中每个基于目标编号顺序的染色体都是时序约束下异构飞行器多任务协同分配方法中的一个可行解。随机生成np个染色体，形成具有np个个体的初始种群。基于目标编号顺序的染色体第一行表示目标编号，使用整数1,2,…,n表示，按照目标编号从小到大依次排列；染色体第二行表示目标需要被执行的任务类型，任务类型按照整数进行表示，第一种任务类型用1表示，第二种任务类型用2表示，依次类推，第p种任务类型用p表示，按照数字从小大排列。染色体第三行表示执行相应任务的飞行器编号，用编号1,2,…,m表示。在此基础上，按照飞行器m个编号的顺序从小到大排序，得到基于飞行器编号顺序的染色体。基于飞行器编号顺序的染色体表达每架飞行器需要执行的任务和任务顺序，用于计算所有飞行器需要的任务执行时间，其中最大任务执行时间的倒数即该染色体的适应值。针对基于目标顺序的染色体按照飞行器编号的顺序从小到大进行重排序得到基于飞行器编号的染色体，即完成考虑时序约束的种群初始化。步骤四，计算考虑时序约束的任务执行时间。任务执行时间取决于飞行器参数、飞行器和目标空间位置以及任务分配结果。飞行器受动力学约束，采用dubins模型将飞行器动力学约束简化为运动几何约束，建立飞行器运动学模型如式(7)所示。其中，x和y分别表示飞行器的水平位置，θ表示飞行器的航向角，v是飞行器的飞行速度，rmin是飞行器的最小转弯半径，c是控制量输入，c＝-1代表向左转弯，c＝1代表向右转弯。飞行器从任意初始状态(xinitial,yinitial,θinitial)到达任意终端状态(xfinal,yfinal,θfinal)的dubins路径是以最小转弯半径rmin为半径的圆弧和直线段的组合。dubins路径中，r表示飞行器顺时针转弯圆弧，l表示逆时针转弯圆弧，s表示直线段，则最短的dubins路径为集合d＝{rsl,lsr,rsr,lsl,rlr,lrl}中的一种。采用上述dubins路径计算飞行器抵达目标的最短时间，由于存在时序约束，需要对违背时序约束的最短时间进行延长，延长到得满足时序约束的任务执行时间，即得到考虑时序约束的任务执行时间。步骤四中采用dubins路径计算飞行器抵达目标的最短时间，由于存在时序约束，需要对违背时序约束的最短时间进行延长，延长到得满足时序约束的任务执行时间，即得到考虑时序约束的任务执行时间。具体实现步骤如下：步骤4.1：利用dubins路径计算出每架飞行器执行每个任务的时间；步骤4.2：针对每个目标tj∈t，根据基于目标编号顺序的染色体编码信息，判断不同任务执行时间是否满足如果每个目标都满足则无需进行时间协调，输出每架飞行器执行每个任务的时间信息，否则，延长飞行器到达目标的最短时间。若则对执行任务n的飞行器进行时间延长，保证在任务n-1完成后抵达目标区域。通过降低执行任务n的飞行器速度使得步骤4.3：经过步骤4.2的时间延长，当导致每架飞行器的执行不同任务时间发生冲突时，根据步骤三得到的基于飞行器编号顺序的染色体编码信息，对每架飞行器执行不同任务的时间进行延长，即对受影响的任务执行时长进行延长，延长时间为前一个任务经延长增加的时间。返回步骤4.2；当每架飞行器的执行不同任务时间未发生冲突时，则转入步骤4.4。步骤4.4：经步骤4.2至步骤4.3循环迭代，得到满足时序约束的结果，即每个飞行器执行任务时间，其中最大执行任务时间为任务执行时间。步骤五，收敛准则。利用公式(8)、(9)、(10)中某一或多个收敛准则检验当前迭代结果是否满足收敛准则，若满足，则当前迭代最优解为当前异构飞行器多任务协同分配问题的全局最优解或次优解，输出当前最优结果，迭代结束。nfe＞nfemax(8)gene＞genemax(9)其中，gene为当前遗传代数，genemax为最大遗传代数，nfe为当前模型调用次数，nfemax为最大模型调用次数，ε为设定的收敛误差。步骤六，采用轮盘赌策略选择父代个体。步骤七，互换交叉。采用基于目标编号顺序的染色体进行交叉操作，首先随机选择交叉起点和终点，然后对父代1和父代2起点和终点之间的基因进行互换，生成两个子代。经过互换交叉遗传操作后的个体仍然满足任务时序约束。步骤八，整体变异。采用基于目标编号顺序的染色体进行变异操作，整体变异是对所有执行任务的飞行器进行更换。如果某一基因表示任务n，则从具有能够执行任务n的飞行器集合中随机选择一架更换原来的飞行器。经过整体变异遗传操作后的个体仍然满足任务时序约束。步骤九，通过步骤六到步骤八进行种群更新。步骤十，循环步骤四至步骤九。当满足步骤五中的收敛条件时，得到一种满足任务时序约束和最大化效能的异构飞行器多任务协同分配方案，即通过得到的异构飞行器多任务协同分配方案能够有效缩短执行任务时间，提升完成任务效能。所述的任务优选“察打评”作战、广域搜索与毁伤或防空压制任务。有益效果：1、本发明公开的一种考虑时序约束的异构飞行器多任务协同分配方法，提出一种考虑时序约束的遗传算法，实现问题的高效求解，具有较强全局收敛能力。2、本发明公开的一种考虑时序约束的异构飞行器多任务协同分配方法，通过互换交叉和整体变异遗传算子进行寻优，能够得到一种满足任务时序约束和最大化效能的异构飞行器多任务协同分配方案，即通过得到的异构飞行器多任务协同分配方案能够有效缩短执行任务时间，提升完成任务效能。3、本发明公开的一种考虑时序约束的异构飞行器多任务协同分配方法，定制满足时序约束的基于目标编号顺序的染色体，实现对任务时序信息和分配信息的表达，有助于提高遗传算法的求解效率。4、本发明公开的一种考虑时序约束的异构飞行器多任务协同分配方法，结合dubins路径，提出考虑时序约束的任务执行时间延长策略，得到每架飞行器满足时序约束的任务执行时间，提高求解效率。5、本发明公开的一种考虑时序约束的异构飞行器多任务协同分配方法，适用于“察打评”作战、广域搜索与毁伤或防空压制任务，具有广泛的工程应用价值。附图说明图1为本发明公开的一种考虑时序约束的异构飞行器多任务协同分配方法流程图；图2为适应值计算过程中时序约束处理流程图；图3为染色体编码形式；图4为基于目标顺序的多染色体编码方式；图5为基于飞行器顺序的多染色体编码方式；图6为dubins路径示意图，其中：图6a为rsl，图6b为lrs，图6c为rsr，图6d为lsl，图6e为rlr，图6f为lrl；图7为染色体互换交叉算子示意图；图8为染色体整体变异算子示意图；图9a为场景-i仿真结果对比箱线图；图9b为场景-ii仿真结果对比箱线图。具体实施方式为了更好的说明本发明的目的和优点，下面结合附图和实例对
发明内容做进一步说明。实施例1：为了验证本发明方法的有效性，分别使用实施例公开的一种考虑时序约束的异构飞行器多任务协同分配方法(taskprecedencegenealgorithm,tp-ga)和随机搜索方法(randomsearchmethod,rsm)求解现代武器任务规划系统中异构飞行器多任务协同分配问题。仿真硬件为intelcorei5-2310cpu3.10ghz4g内存，仿真环境为matlab。其中tp-ga每次迭代过程中，通过互换交叉产生66％的子代，整体变异产生32％的子代，剩余2％用于保留父代中的最佳个体。另外，rsm根据模型调用次数nfe，随机生成nfe个满足约束的染色体，从中选出最优个体作为结果输出。通过两种不同场景来说明本实施例公开的一种考虑时序约束的异构飞行器多任务协同分配方法可行性和有效性。如图1所示，本实施例公开的一种考虑时序约束的异构飞行器多任务协同分配方法，包括如下步骤：步骤一，根据任务获取飞行器类型，并根据飞行器类型提取飞行性能参数。针对作战中的“察打评”任务，有m架异构飞行器v＝{v1,v2,…,vm}，飞行器类型如表1所示，飞行器的编号依次为1～m，需要对n个目标t＝{t1,t2,…,tn}执行侦察(用1表示)、打击(用2表示)和毁伤评估(用3表示)三类任务，目标编号依次为1～n，并设s＝{s1,s2,…,snc}为所有任务集合，nc表示需要执行的任务数量，即目标数量与任务类型数量的乘积nc＝3×n。表1飞行器类型及功能序号类型功能任务1侦察评估型侦察、毁伤评估{1,3}2打击型打击{2}3察打评一体型侦察、打击、毁伤评估{1,2,3}分别运用本实施例的tp-ga方法和rsm方法求解异构飞行器多任务协同分配问题，比较两者的计算结果，算法参数设置如表2所示。场景-i为5架飞行器对4个目标执行“察打评”任务，目标位置和飞行器参数如表3和表4所示，执行任务进入角约束均为90°。场景-ii为15架飞行器对10个目标执行“察打评”任务，目标和飞行器位置如表5和表6所示，其中飞行器v1～v5是侦察评估型，v6～v10是察打评一体型，v11～v15是打击型，所有飞行器的初始速度、最小转弯半径分别为70m/s和200m，执行任务进入角约束均为90°。表2算法参数设置场景最大模型调用次数种群规模种群进化代数i250010025ii10000100100表3场景-i目标位置目标t1t2t3t4位置(m)(500,1250)(2800,4200)(2000,2500)(4000,2000)表4场景-i飞行器参数飞行器v1v2v3v4v5类型侦察评估型侦察评估型察打评一体型打击型打击型初始速度(m/s)7070707070ρmin(m)200200200200200初始位置(m)(800,0)(1600,500)(2800,200)(3600,0)(4500,0)初始航向角(°)9045600-180表5场景-ii目标位置目标t1t2t3t4t5位置(m)(500,1250)(2800,4200)(2000,2500)(4000,2000)(14000,5000)目标t6t7t8t9t10位置(m)(7000,3000)(5000,6000)(10000,2000)(6000,4000)(12000,3500)表6场景-ii飞行器位置飞行器v1v2v3v4v5初始位置(m)(0,0)(1000,0)(2000,0)(3000,0)(4000,0)初始航向角(°)9045600-180飞行器v6v7v8v9v10初始位置(m)(5000,0)(6000,0)(7000,0)(8000,0)(9000,0)初始航向角(°)300-180300飞行器v11v12v13v14v15初始位置(m)(10000,0)(11000,0)(12000,0)(13000,0)(14000,0)初始航向角(°)-180300-18030步骤二，建立考虑时序约束的异构飞行器多任务协同分配模型。异构飞行器多任务协同分配问题实质是一个组合优化问题，考虑任务执行时间最小为目标函数，其数学模型为：s.t.xl,i,j∈{0,1},l∈s,i∈v,j∈t(12)式(2)中，j表示任务执行时间；dl,i,j表示飞行器vi对目标tj执行任务sl需要的时间；xl,i,j表示飞行器vi是否对目标tj执行任务sl，如果飞行器vi对目标tj执行任务sl，则xl,i,j＝1，反之，xl,i,j＝0。另外，式(13)保证所有任务均被执行，式(14)确保每个任务仅被执行一次。式(15)表示每个目标的任务时序约束，其中分别表示针对某一目标j执行任务1,2,…,hj的时间，即任务2必须在任务1完成后才能被执行，任务hj的必须在任务hj-1后被执行。m、n和nc分别表示飞行器数量、目标数量和所有任务数量。场景-i和场景-ii的m、n和nc如表7所示。表7场景-i和场景-ii的m、n和nc场景飞行器数量m目标数量n任务数量nci5412ii151030步骤三，种群初始化。依据基于目标顺序的染色体赋予所有目标待执行任务随机符合任务需求的飞行器，形成满足任务时序约束的染色体。初始种群中每个染色体都是时序约束下异构飞行器多任务协同分配方法中的一个可行解。随机生成np个染色体，形成具有np个个体的初始种群。场景-i中np＝100，场景-ii中np＝100。此基础上，按照飞行器顺序排序，得到基于飞行器编号顺序的染色体。针对场景-i，一个基于目标编号顺序的染色体如表8所示，其中飞行器2、4、1对目标1分别执行“察打评”任务，飞行器3对目标2执行“察打评”任务，飞行器2、5、1对目标3分别执行“察打评”任务，飞行器3、4、2对目标4分别执行“察打评”任务。另外，针对表8所示的染色体，按照飞行器编号对基于目标编号顺序的染色体重排序，得到基于飞行器编号顺序的染色体，如表9所示。该类基因表达了每架飞行器需要执行的任务和任务顺序，用于计算所有飞行器作战的任务执行时间，其中最大任务执行时间的倒数即该染色体适应值。表8场景-i下基于目标编号顺序的染色体示例111222333444123123123123241333251342表9场景-i下基于飞行器编号顺序的染色体示例131342224143331131231222112223333445步骤四，计算考虑时序约束的任务执行时间。任务执行时间取决于飞行器参数、飞行器和目标空间位置以及任务分配结果。飞行器受动力学约束，采用dubins模型将飞行器动力学约束简化为运动几何约束，建立飞行器运动学模型如式(7)所示。其中，x和y分别表示飞行器的水平位置，θ表示飞行器的航向角，v是飞行器的飞行速度，rmin是飞行器的最小转弯半径，c是控制量输入，c＝-1代表向左转弯，c＝1代表向右转弯。飞行器从任意初始状态(xinitial,yinitial,θinitial)到达任意终端状态(xfinal,yfinal,θfinal)的dubins路径是以最小转弯半径rmin为半径的圆弧和直线段的组合。dubins路径中，r表示飞行器顺时针转弯圆弧，l表示逆时针转弯圆弧，s表示直线段，则最短的dubins路径为集合d＝{rsl,lsr,rsr,lsl,rlr,lrl}中的一种。采用上述dubins路径计算飞行器抵达目标的最短时间，由于存在时序约束，需要对违背时序约束的最短时间进行延长，延长到得满足时序约束的任务执行时间，即得到考虑时序约束的任务执行时间。步骤4.1：利用dubins路径计算出每架飞行器执行每个任务的时长；步骤4.2：针对每个目标tj∈t，根据基于目标编号顺序的染色体编码信息，判断不同任务执行时间是否满足如果每个目标都满足则无需进行时间协调，输出每架飞行器执行每个任务的时间信息，否则，延长飞行器到达目标的最短时间。若则对执行任务n的飞行器进行时间延长，保证在任务n-1完成后抵达目标区域。本发明通过降低执行任务n的飞行器速度使得步骤4.3：根据基于飞行器编号顺序的染色体编码信息，对每架飞行器执行不同任务的时间进行协调，即对受影响的任务执行时长进行延迟，延迟时间为前一个任务经协调增加的时间。针对表9所示染色体，设飞行器1对目标1执行毁伤评估任务的时长为t1，对目标3执行毁伤评估任务的时长为t2，若t2-t1<t1-3，其中t1-3表示飞行器从目标1到达目标3需要的时间，则t2＝t2+δt，δt＝t1-3-(t2-t1)，否则不进行协调。然后，采用同样的方法依次对飞行器2、3、4和5进行判断和协调。返回步骤4.2；步骤4.4：经步骤4.2-步骤4.3循环迭代，得到满足时序约束的结果，即每个飞行器执行任务时间，其中最大值为任务执行时间。步骤五，收敛准则。在较大规模的任务分配中，要通过确定性算法得出飞行器目标的最优分配是很耗时的甚至无法求解，很难满足战场决策实时性的要求，所以在理论最优分配结果未知的情况下，算法收敛准则设定为满足最大遗传代数genemax。利用式(17)检验当前迭代结果是否满足收敛准则，若满足，则当前迭代最优解为当前异构飞行器多任务协同分配问题的全局最优解或次优解，输出当前最优结果，迭代结束。gene≤genemax(17)其中，gene为当前遗传代数，genemax为最大遗传代数。步骤六，采用轮盘赌策略选择父代个体。步骤6.1：根据步骤四计算得到的任务执行时间，计算种群中每个个体的适应值fk，即任务执行时间的倒数，fk＝1/jk，k＝1,2,…,np(np表示种群大小)。步骤6.2：计算每个个体被遗传到下一代种群中的概率，如式(18)所示。步骤6.3：计算每个个体累计概率qk，如式(19)所示。步骤6.4：在[0,1]区间内产生一个均匀分布的随机数r，若r<q1，则选择个体1，否则选择个体k，使得qk-1<r≤qk成立。随机生成n个随机数，选出n个父代个体。步骤七，互换交叉。采用基于目标编号顺序的染色体进行交叉操作，首先随机选择交叉起点和终点，然后对父代1和父代2起点和终点之间的基因进行互换，生成两个子代。经过互换交叉遗传操作后的个体仍然满足任务时序约束。步骤八，整体变异。采用基于目标编号顺序的染色体进行变异操作，整体变异是对所有执行任务的飞行器进行更换。如果某一基因表示任务n，则从具有能够执行任务n的飞行器集合中随机选择一架更换原来的飞行器。经过整体变异遗传操作后的个体仍然满足任务时序约束。步骤九，通过步骤六到步骤八进行种群更新。步骤十，循环步骤四至步骤九。当满足步骤五中的收敛条件时，得到一种满足任务时序约束和最大化效能的异构飞行器多任务协同分配方案，即通过得到的异构飞行器多任务协同分配方案能够有效缩短执行任务时间，提升完成任务效能。本实施例公开的一种考虑时序约束的异构飞行器多任务协同分配方法如图1所示，100次求解中，规划结果统计如表10所示，场景-i和场景-ii下tp-ga计算的最优解如表11和表12所示，tp-ga与rsm仿真结果对比箱线图如图9所示。表10优化求解数据统计结果表11场景-i100次仿真tp-ga最优解序号123456789101112目标编号111222333444任务类型123123123123飞行器编号141252141333任务时长(s)18.455.955.955.665.573.664.984.584.531.049.066.9表12场景-ii100次仿真tp-ga最优解序号12345678910目标编号1112223334任务类型1231231231飞行器编号66157526510任务时长(s)72.790.790.763.479.881.338.5119.3123.684.9序号11121314151617181920目标编号4455566677任务类型2312312312飞行器编号1048883119710任务时长(s)102.8102.8129.0147.0164.983.983.983.9121.1161.7序号21222324252627282930目标编号7888999101010任务类型3123123123飞行器编号7111421523119任务时长(s)161.7158.4158.4158.4101.2132.3132.3158.6158.6158.6如表11和表12所示，任务执行时长均满足时序约束，验证了本实施例方法的正确性。表10中，max、avg、min和std分别表示100求解结果的最大值、平均值、最小值和标准差，从数据统计结果和图9可以得出与rsm方法相比，本实施例在大多数情况下具有更好的性能。对于小规模问题场景-i，两种算法的求解结果基本相差不大，但100次测试中tp-ga方法的平均值和最小值均小于rsm方法。另外，对于大规模问题场景-ii，在100次测试中，tp-ga方法的最大值、平均值和最小值均明显小于rsm方法，可以得出本实施例方法优于随机搜索算法。特别是针对大规模协同任务分配问题，tp-ga方法具有更强的优势，说明本实施例能够更为有效求解异构飞行器多任务协同分配问题。以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12