一种无人机集群任务规划方法与流程

本发明涉及无人机集群，尤其涉及一种无人机集群任务规划方法。

背景技术：

1、近年来，无人机技术的快速发展，使得无人机集群成为了一个重要的技术领域。信息化战争条件下，无人机集群在作战中发挥越来越重要的作用。针对无人机集群的仿真也成为研究的热点。无人机集群可以被用来执行各种任务，如监视、搜索、搜救等。这些任务中的大部分都对实时性和高效性提出了较高要求，同时也需要考虑到多个技术指标之间的平衡。无人机集群任务规划是指确定一组最优的路径和行动方案，以使无人机集群能够在给定的时间内完成设定任务。然而，该目标的实现，通常涉及到多个相互冲突的目标，例如最大化任务完成率和最小化能源消耗等，因此需要在多个目标之间进行权衡取舍。

2、演化多目标优化算法是解决上述多目标优化问题的一种有效方法，其通过模拟演化过程，利用种群的竞争和选择机制来搜索解决方案的最优集合，以使得多个目标都得到了满足。演化多目标优化算法已经在许多领域得到了广泛的应用，包括机器学习、图像处理和无人机集群任务规划等。现有方法虽然能够对无人机群任务进行规划，但同时存在规划目标单一、多目标优化算法难收敛、搜索过程容易陷入局部最优、多目标优化效果难以得到较好地评估等问题，导致现有方法难以很好地应用于无人机集群任务规划中。

技术实现思路

1、针对现有的无人机集群任务规划方法所存在的规划目标单一、多目标优化算法难收敛、搜索过程容易陷入局部最优、多目标优化效果难以得到较好地评估等问题，本发明公开了一种无人机集群任务规划方法，包括：

2、s1，获取无人机集群信息和无人机任务信息；所述无人机集群信息，包括无人机集群所包含的无人机总数和参与任务执行的无人机数目；所述无人机任务信息，包括无人机需要执行的任务数目m、无人机执行任务的能源消耗信息、无人机执行任务的覆盖面积信息、执行任务时无人机之间的距离信息、无人机执行任务的通信成本信息、任务需要覆盖的面积信息；

3、s2，对无人机集群所包含的无人机总数进行比例取整处理，得到参与任务执行的无人机数目n，利用所述数目n对无人机集群信息所包含的参与任务执行的无人机数目进行更新；

4、s3，对所述无人机集群信息和无人机任务信息进行融合处理，得到所述无人机集群任务规划的目标函数集；

5、s4，利用协作演化模型，对所述无人机集群任务规划的目标函数集进行求解，得到适应度最优个体；

6、s5，利用所述无人机集群任务规划的目标函数集，对所述适应度最优个体进行计算处理，得到最优个体的任务规划目标函数值；

7、s6，对所述最优个体的任务规划目标函数值进行评估处理，得到无人机集群任务规划方案。

8、所述无人机集群任务规划的目标函数集，包括：最小化集群任务子函数、最小化能源消耗子函数、最小化通信成本子函数、最大化覆盖率子函数和最小化无人机距离子函数；

9、所述最小化集群任务子函数f1(x)，其表达式为：

10、

11、其中，tij表示第j架无人机完成第i个任务的时间信息，xij表示第j架无人机是否参与完成第i个任务，如果参与，则xij为1，否则xij为0；x为无人机集群任务规划矩阵，其元素为xij，i＝1,2,…,m，j＝1,2,…,n；

12、所述最小化能源消耗子函数f2(x)，其表达式为：

13、

14、其中，eij表示第j架无人机完成第i个任务的能源消耗信息；

15、所述最小化通信成本子函数f3(x)，其表达式为：

16、

17、其中，dij表示第j架无人机执行第i个任务的通信成本信息；

18、所述最大化覆盖率子函数f4(x)，其表达式为：

19、

20、其中，oij表示第j架无人机完成第i个任务所覆盖的面积，ai表示第i个任务需要覆盖的面积。

21、所述最小化无人机距离子函数，其表达式为：

22、

23、其中，dijk表示在完成第i个任务时，第j架无人机和第k架无人机之间的距离，xij和xik分别表示第j架无人机和第k架无人机是否参与完成第i个任务，如果参与，则其取值为1，否则，其取值为0。

24、所述步骤s4，包括：

25、s41，构建得到适应度函数；所述适应度函数，是利用加权向量对所述无人机集群任务规划的目标函数集的各个子函数进行加权处理得到；

26、所述适应度函数f(·)，其表达式为：

27、

28、其中，λi为第i个子函数对应的加权变量，λ4<0，λ1、λ2、λ3、λ5<0；所有加权变量构成加权向量；

29、s42，构建并初始化个体集合和迭代次数，利用初始化得到的个体集合构建父代个体集合；所述父代个体集合，包括若干个父代个体；所述父代个体，包括相应的染色体向量和步长；所述染色体向量，是对加权向量和无人机集群任务规划向量进行拼接得到；所述无人机集群任务规划向量，是对无人机集群任务规划矩阵的所有行向量或所有列向量，按照行序号或列序号依次进行拼接得到；

30、s43，利用对抗样本比较操作，对所述父代个体的步长进行更新；

31、s44，对父代个体集合进行拆分，得到个体子集合；

32、s45，根据所述父代个体的步长，对每个个体子集合进行分级操作，得到相应的分层个体子集合；

33、s46，对属于不同个体子集合的、相同层级的分层个体子集合，进行基因交流操作，得到后代个体集合；

34、s47，对所述后代个体集合进行综合性能指标计算，得到综合性能指标；

35、s48，利用所述综合性能指标，对所述后代个体集合进行迁移操作，得到迁移后代个体集合和适应度最优个体；

36、s49，对所述综合性能指标和迭代次数进行迭代停止判断处理，得到迭代停止判断结果；

37、若所述迭代停止判断结果为是，执行步骤s5；

38、若所述迭代停止判断结果为否，增加迭代次数，利用迁移后代个体集合，构建得到父代个体集合，执行步骤s43。

39、所述利用对抗样本比较操作，对所述父代个体的步长进行更新，包括：

40、s431，对所述父代个体的染色体向量进行动态增噪处理，得到增噪后的染色体向量；所述动态增噪后的染色体向量的表达式p1为：

41、p1＝p0+δβ(t)，

42、其中，p0为增噪前的父代个体染色体值，δ为高斯噪声向量，β(t)为t时刻的动态权重；所述β(t)的表达式为：

43、

44、其中，ti表示迭代次数，t0和t1分别表示第一转折迭代次数和第二转折迭代次数，β0和β1分别表示第一权重值和第二权重值。

45、s432，对每个父代个体，建立相应的对抗样本集合；所述对抗样本集合包括若干个对抗样本；所述对抗样本包括相应的染色体向量和步长；

46、所述对每个父代个体，建立相应的对抗样本集合，包括：

47、s4321，根据父代个体的染色体向量之间距离，搜寻得到与父代个体的距离小于设定距离阈值的近邻个体集合；

48、s4322，对父代个体与近邻个体集合进行染色体向量比例加权处理，构建得到对抗样本的染色体向量；对抗样本的步长随机生成；

49、s4323，对步骤s4322所得到的对抗样本进行合并处理，得到对抗样本集合；

50、s433，对父代个体和其相应的对抗样本集合，进行鲁棒指标判断处理，得到鲁棒指标判断结果；

51、若鲁棒指标判断结果大于0，使父代个体的步长减少1；

52、若鲁棒指标判断结果小于0，使父代个体的步长增加1；

53、所述对父代个体和其相应的对抗样本集合，进行鲁棒指标判断处理，得到鲁棒指标判断结果，包括:

54、s4331，计算父代个体和对抗样本的鲁棒性指标，其计算表达式为：

55、

56、其中，表示父代个体pi的鲁棒性指标，f(pi)表示父代个体pi的适应度函数值，f(aij)表示父代个体pi的第j个对抗样本的适应度函数值，m1为对抗样本集合所包含的对抗样本的个数,α是对抗样本惩罚权重。f(aij)表示对抗样本aij的目标函数值。

57、s4332，判断所述鲁棒性指标是否大于0，得到鲁棒指标判断结果；

58、所述根据所述父代个体的步长，对每个个体子集合进行分级操作，得到相应的分层个体子集合，包括：

59、s451，设定与每个层级对应的步长取值范围；

60、s452，对所述父代个体的步长进行取值范围匹配，得到所述父代个体对应的步长取值范围；

61、s453，根据所述父代个体对应的步长取值范围，将所述父代个体划分入步长取值范围对应的层级中；

62、s454，对个体子集合中的属于同一层级的父代个体进行合并处理，得到所述个体子集合的分层个体子集合；

63、所述综合性能指标，其计算表达式为：

64、um(x1)＝f(x1)+d(x1)

65、其中，um()为综合性能指标计算函数，f()为适应度函数，d()为拥挤度距离指标函数，x1为后代个体的染色体向量所对应的无人机集群任务规划矩阵；所述拥挤度距离指标，其计算表达式为：

66、

67、其中，n(x1)表示在所述后代个体集合中，与x1对应后代个体距离最近的k个后代个体的集合，y为集合n(x1)中的后代个体，k为预设的个体数目参数，d(y)表示x1对应后代个体与后代个体y的欧氏距离。

68、所述利用所述综合性能指标，对所述后代个体集合进行迁移操作，得到迁移后代个体集合和适应度最优个体，包括；

69、s481，根据后代个体的综合性能指标，对每个后代个体子集合，分别进行综合性能指标搜索操作，得到综合性能指标最优的后代个体和综合性能指标低于预设指标阈值的后代个体；对于所述后代个体子集合，将其综合性能指标最优的后代个体和综合性能指标低于预设指标阈值的后代个体，分别作为所述后代个体子集合的最优个体和劣级个体；

70、s482，在每个后代子集合中，将所述后代子集合的最优个体迁移到更高一层级的分层个体子集合中，并根据所迁移的分层个体子集合的步长取值范围，对所述最优个体的步长进行增加操作；

71、s483，在每个后代子集合中，将所述后代子集合的劣级个体迁移到更低一层级的分层个体子集合中，并根据所迁移的分层个体子集合的步长取值范围，对所述最优个体的步长进行减少操作；

72、s484，利用完成迁移的所有后代子集合，构建得到迁移后代个体集合；

73、s485，在迁移后代个体集合中，搜寻得到综合性能指标最优的后代个体，将所述后代个体作为适应度最优个体。

74、所述对所述综合性能指标和迭代次数进行迭代停止判断处理，得到迭代停止判断结果，包括：

75、判断所述适应度最优个体的综合性能指标是否优于预设优选指标阈值，以及所述迭代次数是否大于预设迭代次数阈值，若所述任一判断条件为是，确定所述迭代停止判断结果为是，若上述二个判断条件均为否，确定所述迭代停止判断结果为否。

76、所述利用所述无人机集群任务规划的目标函数集，对所述适应度最优个体进行计算处理，得到最优个体的任务规划目标函数值，包括：

77、s51，根据适应度最优个体的染色体向量值，确定对应的无人机集群任务规划矩阵；

78、s52，利用无人机集群任务规划的目标函数集，对所述无人机集群任务规划矩阵进行计算处理，得到最优个体的任务规划目标函数值；所述最优个体的任务规划目标函数值，包括集群任务子函数值能源消耗子函数值通信成本子函数值覆盖率子函数值和无人机距离子函数值

79、所述对所述最优个体的任务规划目标函数值进行评估处理，得到无人机集群任务规划方案，包括：

80、s61，对迁移后代个体集合中的每个后代个体，根据其染色体向量值确定对应的无人机集群任务规划矩阵；

81、s62，将所述无人机集群任务规划矩阵，输入无人机集群任务规划的目标函数集，计算得到所述每个后代个体的任务规划目标函数值；所述每个后代个体的任务规划目标函数值，包括集群任务子函数值、能源消耗子函数值、通信成本子函数值、覆盖率子函数值和无人机距离子函数值；

82、s63，对所有后代个体的任务规划目标函数值进行搜索，得到每类子函数的最大值和最小值；

83、s64，利用所述每类子函数的最大值和最小值，对所述最优个体的任务规划目标函数值进行归一化处理，得到归一化任务规划目标函数值；

84、s65，根据所述任务规划目标函数值的子函数类别，对归一化任务规划目标函数值和最优个体的任务规划目标函数值进行差异累积计算，得到多目标均方误差值；

85、s66，判断所述多目标均方误差值是否大于预设均方误差阈值，得到误差判别结果；

86、若所述误差判别结果为大于预设均方误差阈值，增加或减少所述参与任务执行的无人机数目，执行步骤s3；

87、若所述误差判别结果为不大于预设均方误差阈值，将所述适应度最优个体对应的无人机集群任务规划矩阵，作为无人机集群的任务规划方案。

88、本发明的有益效果为：

89、一、本发明设置5类无人机集群任务规划的目标函数，包括最小化集群任务完成时间、最小化能源消耗、最小化通信成本、最大化覆盖率、最小化无人机之间的距离，能够从多种角度和方位综合考量无人机群在执行任务时的各类因素。

90、二、本发明提出利用协作演化模型，对所述无人机集群任务规划的目标函数集进行求解，能够有效地提高演化模型的收敛速度和全局搜索能力，此外，该模型重新定义了个体的表现型，引入了对抗样本来增强算法的鲁棒性和泛化能力，并采用动态更新策略来优化算法的性能。所述协作演化模型，采用了基于协作机制的多层优化框架，可以有效提高演化模型的全局搜索能力和收敛速度，同时增加算法的稳健性和可靠性，同时引入可变步长演化模型，以增加个体的多样性和全局搜索能力，此外，为了更准确地评估个体的适应度和多样性，协作演化模型引入了一种改进的适应度评估方法和拥挤度距离指标，可以有效提高算法的收敛速度和搜索效果，同时增加算法的稳健性和可靠性。

91、三、本发明提出一种基于均方根误差的多目标优化结果评估算法，可以更全面、客观地评估多目标优化结果的质量，避免了传统评估方法中可能出现的缺陷，同时，采用自适应权重调整和随机数引入的方式，可以更准确地评估多目标优化结果的质量，避免出现评估指标相等的情况。