优化K-means威胁目标聚类的集群护航任务分配方法及系统

本发明涉及无人集群任务分配。

背景技术：

1、相比于常规舰艇编队执行护航任务，采用海洋机器人集群执行护航任务可以极大程度地降低护航作业成本、提高护航效率、减少人员伤亡。对于复杂的护航任务，单个海洋机器人由于能力有限，无法满足任务需求，因此需要多艘海洋机器人协同执行护航任务。

2、在护航过程中，为了保障护航对象的海上安全，海洋机器人集群需要进行态势处理，对海面运动目标进行威胁判断与评估。当威胁目标数量较多，需要对威胁程度相近的目标进行聚类成簇，从而便于护航海洋机器人集群对威胁目标进行任务分配。

3、专利名称为：“一种优化聚类中心的k-means算法”(cn113361616a)，提出一种初始聚类中心的优化方法，该方法通过选择方差最小的样本为第一个类簇的初始中心，以r为半径做圆，在圆之外的样本中，寻找方差最小的样本作为后续类簇的初始中心，直至找到所需k个初始聚类中心。专利名称为：“dhssa优化的k均值互补迭代车型信息数据聚类方法”(cn114970728 a)，提出一种适应度函数为分配规则的聚类中心改进方法，该方法通过不断迭代选择出最小适应度值，以此更新簇类中心。上述专利考虑了k-means算法对聚类中心的初始设定值和分配规则影响较大的问题，但是对于海面运动威胁目标，上述改进方法没有考虑海面运动威胁目标的运动特性，没有将目标的威胁程度考虑进聚类中心的迭代更新分配原则，得到的聚类结果可能存在簇集内某个威胁目标威胁程度较大、各簇集中威胁目标的威胁程度相差太大等的问题，不利于海洋机器人集群下一步进行合理高效的任务分配。

4、专利名称为“一种基于改进k-means聚类的异构无人集群随机环境任务分配方法和系统”(cn115509710a)，该方法通过建立指标函数改进k-means聚类算法对异构飞行器分组、通过差分进化算法建立航程代价矩阵、通过匈牙利算法求解航程代价矩阵中任务分配的数学模型，从而获得每一个飞行器编队对应的待执行任务。但是该方法是根据飞行器的飞行能力以及飞行器对待执行任务的适配度建立指标函数对飞行器进行聚类分组，没有考虑海面运动威胁目标的运动特性和威胁程度，不适用于海洋机器人集群对海面威胁目标进行聚类分组。

5、专利名称为“基于改进仿生狼群的无人集群动态任务分配方法及系统”(cn116185035a)，提高一种面向无人集群对目标覆盖搜索的动态任务分配方法，该方法对每个智能体的待分配任务计算代价函数并构成代价矩阵，建立指派问题模型，采用改进的匈牙利算法对其求解，得到每个智能体分配任务集合的指派方案。但是该方法代价函数的计算，只考虑了目标的航程和威胁两个方面，并且对威胁的估计是通过预先规定的威胁表来计算的，只考虑了智能体类型、目标类型和任务类型，没有对目标的物理特性如航速航向等，没有对目标的威胁程度进行定量分析计算，不适用于对海面威胁目标进行聚类和分配问题。

6、针对现有的目标聚类和任务分配方法的不足，无人集群护航迫切需要解决的问题如下：现有的目标聚类和任务分配方法未考虑海面运动威胁目标的运动特性及其对护航任务的威胁程度，导致目标聚类效果差和任务分配效率低的问题。

技术实现思路

1、本发明目的是为了解决现有的目标聚类和任务分配方法未考虑海面运动威胁目标的运动特性及其对护航任务的威胁程度，导致目标聚类效果差和任务分配效率低的问题；本发明提供了一种优化k-means威胁目标聚类的集群护航任务分配方法及系统。

2、优化k-means威胁目标聚类的集群护航任务分配方法，该方法包括如下步骤：

3、步骤1、根据海面上运动的各待评估目标分别相对护航海洋机器人集群中各海洋机器人间的最短会遇距离和最短会遇时间，对待评估目标进行目标威胁评估与判定确定待评估目标是否为威胁目标，识别出威胁目标集合；通过平行接近法预测出护航对象对各威胁目标的拦截点；威胁目标与拦截点为一一对应关系；

4、步骤2、通过基于护航威胁相似度改进的优化聚类中心k-means算法对威胁目标对应的拦截点进行聚类，将m个拦截点划分为n簇，m＞n，确定各簇的聚类结果；各簇的聚类结果为一个簇心集合，该簇心集合中包括簇心和簇内的各拦截点；簇的个数与护航海洋机器人集群中海洋机器人的个数相同；

5、步骤3、根据各威胁目标对各海洋机器人的综合威胁价值、以及各海洋机器人对各拦截点的综合拦截代价，计算各海洋机器人对各簇心集合内拦截点的拦截成本；

6、步骤4、根据各海洋机器人对各簇心集合内拦截点的拦截成本，建立护航海洋机器人集群任务分配问题的数学模型，并通过匈牙利算法进行求解，以各海洋机器人对各簇心集合内拦截点的拦截成本最小为优化目标，使得每个海洋机器人匹配一个拦截成本最小时所对应的簇心，完成集群护航任务分配。

7、作为优选，步骤1中根据各待评估目标分别相对护航海洋机器人集群中各海洋机器人间的最短会遇距离和最短会遇时间的实现方式为：

8、dcpaj′i＝dj′i·sin(ψj′i-qj′i) 公式1；

9、tcpaj′i＝dj′i·cos(ψj′i-qj′i)/vj′i 公式2；

10、其中，kj′i＝vtj′/vui；

11、dcpaj′i和tcpaj′i分别为待评估目标tj′相对于海洋机器人ui的最短会遇距离和最短会遇时间，tj′为第j′个待评估目标，ui为第i个海洋机器人，dj′i为待评估目标tj′相对于海洋机器人ui的距离，qj′i为待评估目标tj′相对于海洋机器人ui的舷角，ψj′i和vj′i分别为待评估目标tj′相对于海洋机器人ui的航向和航速，ψui和vui分别为海洋机器人ui的初始航向和初始航速，ψtj′和vtj′分别为待评估目标tj′的航向和航速，kj′i为中间变量。

12、作为优选，步骤1中对待评估目标进行目标威胁评估与判定，确定待评估目标是否为威胁目标，识别出威胁目标集合的实现方式包括：

13、当最短会遇距离dcpaj′i<δd或最短会遇时间dcpaj′i<δt时，认为待评估目标tj′与海洋机器人ui间存在碰撞危险，判定待评估目标tj′为威胁目标，进而得到由所有威胁目标构成的威胁目标集合；

14、dcpaj′i和tcpaj′i分别为待评估目标tj′相对于海洋机器人ui的最短会遇距离和最短会遇时间，tj′为第j′个待评估目标，ui为第i个海洋机器人，δd为安全避碰距离，δt为安全时间，i＝1,2……n。

15、作为优选，步骤1中通过平行接近法预测出护航对象对各威胁目标的拦截点的实现方式包括:

16、定义护航对象uh对于威胁目标tj的相对速度和相对位置其中，

17、由于设定护航对象uh的航速大小不变，通过改变护航对象uh的航向，使相对速度的速度方向与相对位置的方向平行；

18、根据改变航向后的护航对象uh的航速和航向、以及威胁目标tj的航速和航向，预测出护航对象uh的航行轨迹与威胁目标tj航行轨迹的交点，该交点作为拦截点；

19、其中，均为矢量，tj为第j个威胁目标，为护航对象uh的航速vh矢量，为威胁目标tj的航速vtj矢量，ph为护航对象uh的位置，ptj为威胁目标tj的位置，j＝1,2……m。

20、作为优选，步骤2、通过基于护航威胁相似度改进的优化聚类中心k-means算法对威胁目标对应的拦截点进行聚类，将m个拦截点划分为n簇，m＞n，确定各簇的聚类结果的实现方式包括：

21、步骤21、令簇数k的初始值为1，选取护航威胁度最小的拦截点作为第一个簇的簇心c1，其中，所有拦截点属于簇心c1所在的第一个簇；

22、步骤22、更新簇心数量：

23、令k＝k+1，计算第k-1个簇的簇心ck-1分别与所有拦截点间的欧氏距离，选取第k-1个簇的簇心ck-1与所有拦截点间的欧氏距离中的最大值所对应的拦截点作为第k个簇的簇心ck；

24、步骤23、更新各簇心所在簇内的拦截点：

25、分别计算k个簇中各簇的簇心与拦截点plj间的护航威胁相似度，将该拦截点plj划入得到的k个护航威胁相似度中的最小值所对应的簇心所在的簇；plj为海面上的序号为j的拦截点，j＝1,2……m；

26、步骤24、更新簇心位置：

27、将各簇中的所有拦截点的位置均值点作为该簇的簇心，判断k是否等于n，结果为是，执行步骤25，结果为否，执行步骤22；

28、步骤25、优化各簇内的拦截点和簇心：

29、分别计算k个簇中各簇的簇心与拦截点plj间的护航威胁相似度，将该拦截点plj重新划分至k个护航威胁相似度中最小值所对应的簇内，从而实现对所有拦截点的重新划分；并将重新划分后的各簇中的所有拦截点的位置均值点作为该簇的新簇心；

30、步骤26、重复执行步骤25，直至达到预设迭代次数或各簇心的位置不再变化，输出各簇的簇心和该簇内的各拦截点，作为对应簇的聚类结果。

31、作为优选，步骤21中，选取护航威胁度最小的拦截点作为第一个簇的簇心c1的实现方式包括：

32、分别计算第一个簇内各拦截点对护航对象uh的护航威胁度sjh，选取所有护航威胁度中的最小值所对应的拦截点作为第一个簇的簇心c1；

33、所述

34、其中，

35、sjh为拦截点plj对护航对象uh的护航威胁度，plj为海面上的序号为j的拦截点，j＝1,2……m，为拦截点plj的威胁距离相似度比例系数，为拦截点plj与护航对象uh间的距离，kqj为拦截点plj的威胁舷角相似度比例系数，qjh为拦截点plj相对于护航对象uh的舷角，kαj为拦截点plj的威胁方位相似度比例系数，αjh为拦截点plj相对于护航对象uh的方位角。

36、作为优选，步骤23或步骤25中，计算k个簇中各簇的簇心与拦截点plj间的护航威胁相似度的实现方式为：

37、

38、其中，

39、为第i′个簇的簇心相对于拦截点plj的威胁距离相似度比例系数，为第i′个簇的簇心与护航对象uh间距离，为拦截点plj与护航对象uh间的距离；

40、kqi′j为第i′个簇的簇心相对于拦截点plj的威胁舷角相似度比例系数，qi′h为第i′个簇的簇心相对于护航对象uh的舷角，qjh为拦截点plj相对于护航对象uh的舷角；

41、kαi′j为第i′个簇的簇心相对于拦截点plj的威胁方位相似度比例系数，αi′h为第i′个簇的簇心相对于护航对象uh的方位角，αjh为拦截点plj相对于护航对象uh的方位角，为第i′个簇的簇心与拦截点plj间的距离。

42、作为优选，步骤3中各威胁目标对各海洋机器人的综合威胁价值的实现方式为：

43、

44、其中，w(ui,tk,λ)为威胁目标tk,λ对海洋机器人ui的综合威胁价值，tk,λ为第k个簇内序号为λ的拦截点所对应的威胁目标，ui为第i个海洋机器人，w1、w2、w3、w4、w5分别为综合威胁价值w(ui,tk,λ)对单个威胁价值p1、p2、p3、p4和p5的权重系数，i＝1,2……n，k＝1,2……n；

45、p1为威胁目标tk,λ的类别威胁价值，k′λ为威胁目标tk,λ的火力威胁度，fλ为威胁目标tk,λ的防御力，mk为第k个簇内拦截点总个数，k′λ-fλ＞0；λ＝1,2……mk，mk＜n；

46、p2为威胁目标tk,λ与海洋机器人ui的相对方位威胁价值，ψλi为威胁目标tk,λ相对于海洋机器人ui的航向，qλi为威胁目标tk,λ相对于海洋机器人ui的舷角；

47、p3为威胁目标tk,λ对海洋机器人ui的船速比威胁价值，vtλ为威胁目标tk,λ的航速，vui为海洋机器人ui的航速；

48、p4为威胁目标tk,λ与海洋机器人ui的最短会遇距离威胁价值，dcpaλi为威胁目标tk,λ相对于海洋机器人ui的最短会遇距离，δd为安全避碰距离；

49、p5为威胁目标tk,λ与海洋机器人ui的最短会遇时间威胁价值，tcpaλi为威胁目标tk,λ相对于海洋机器人ui的最短会遇时间，δt为安全时间，vλi为威胁目标tk,λ相对于海洋机器人ui的航速；

50、步骤3中各海洋机器人对各拦截点的综合拦截代价的实现方式为：

51、

52、其中，l(ui,pk,lλ)为海洋机器人ui对拦截点pk,lλ的综合拦截代价，ui为第i个海洋机器人，pk,lλ为第k个簇内序号为λ的拦截点plλ，w6、w7、w8分别为综合拦截代价l(ui,pk,lλ)对单个拦截代价p6、p7、p8的权重系数；

53、p6为海洋机器人ui对威胁目标tk,λ对应的拦截点pk,lλ的拦截航程代价，l为护航海洋机器人集群的护航预警距离，xlλ和ylλ分别为拦截点pk,lλ的横、纵坐标，xui和yui分别为海洋机器人ui的横、纵坐标；

54、p7为海洋机器人ui对威胁目标tk,λ对应的拦截点pk,lλ的拦截转向代价，ψui为海洋机器人ui的初始航向，ψcui为海洋机器人ui趋向拦截点pk,lλ时的航向；

55、p8为海洋机器人ui抵达拦截点pk,lλ拦截威胁目标tk,λ时，威胁目标tk,λ对护航对象uh的护航威胁代价，xtλ和ytλ分别为威胁目标tk,λ的横、纵坐标，xh和yh分别为护航对象uh的横、纵坐标；

56、步骤3中，各海洋机器人对各簇心集合内拦截点的拦截成本为：

57、

58、其中，fik为海洋机器人ui对第k个簇内mk个拦截点的拦截成本，ui为第i个海洋机器人，mk为第k个簇内拦截点总个数，l(ui,pk,lλ)为海洋机器人ui对拦截点pk,lλ的综合拦截代价，w(ui,tk,λ)为威胁目标tk,λ对海洋机器人ui的综合威胁价值，tk,λ为第k个簇内序号为λ的拦截点所对应的威胁目标，pk,lλ为第k个簇内序号为λ的拦截点plλ。

59、作为优选，护航海洋机器人集群任务分配问题的数学模型为：

60、

61、其中，fik为海洋机器人ui对第k个簇内mk个拦截点的拦截成本，ui为第i个海洋机器人，i＝1,2……n，k＝1,2……n，rik为海洋机器人ui对于第k个簇的任务决策变量，rik＝0表示海洋机器人ui不执行任务c′k，rik＝1表示海洋机器人ui执行任务c′k，c′＝{c′1,c′2,…c′n}为待分配的任务集合，c′k为任务集合c′中第k个指派任务，c′k表示海洋机器人指派到第k个簇的簇心ck。

62、优化k-means威胁目标聚类的集群护航任务分配系统，包括：

63、威胁目标评估与预测模块，用于根据海面上运动的各待评估目标分别相对护航海洋机器人集群中各海洋机器人间的最短会遇距离和最短会遇时间，对待评估目标进行目标威胁评估与判定，确定待评估目标是否为威胁目标，识别出威胁目标集合；通过平行接近法预测出护航对象对各威胁目标的拦截点；威胁目标与拦截点为一一对应关系；

64、拦截点聚类模块，用于通过基于护航威胁相似度改进的优化聚类中心k-means算法对威胁目标对应的拦截点进行聚类，将m个拦截点划分为n簇，m＞n，确定各簇的聚类结果；各簇的聚类结果为一个簇心集合，该簇心集合中包括簇心和簇内的各拦截点；簇的个数与护航海洋机器人集群中海洋机器人的个数相同；

65、拦截成本预测模块，用于根据各威胁目标对各海洋机器人的综合威胁价值、以及各海洋机器人对各拦截点的综合拦截代价，计算各海洋机器人对各簇心集合内拦截点的拦截成本；

66、任务分配问题的数学模型建立与求解模块，用于根据各海洋机器人对各簇心集合内拦截点的拦截成本，建立护航海洋机器人集群任务分配问题的数学模型，并通过匈牙利算法进行求解，以各海洋机器人对各簇心集合内拦截点的拦截成本最小为优化目标，使得每个海洋机器人匹配一个拦截成本最小时所对应的簇心。

67、原理分析：

68、首先，本发明通过最短会遇距离和最短会遇时间对海面上运动的待评估目标进行威胁评估和判定，通过平行接近法预测海面威胁目标的拦截点；其次，改进初始化策略，以护航威胁度最小的拦截点为初始簇心，以距离上一簇心最远的拦截点作为下一个簇心。考虑威胁目标的拦截点与护航对象的威胁距离、威胁舷角和威胁方位建立护航威胁相似度，以护航威胁相似度最高为优化聚类中心的迭代更新规则，对海面威胁目标所对应的拦截点进行聚类，获得同簇内拦截点护航威胁相似度最接近的威胁目标拦截点的聚类任务簇集；

69、然后，建立海洋机器人集群护航任务的数学模型，分别考虑威胁目标对于海洋机器人的类别、相对方位、船速比、最短会遇距离和最短会遇时间威胁价值和海洋机器人对威胁目标拦截点的拦截航程代价、拦截转向代价和护航威胁代价，构建综合威胁价值和综合拦截代价；接着，根据拦截点的聚类任务簇集中的各拦截点的综合拦截代价与综合威胁价值之差的累加和求均值，计算各海洋机器人对各簇心集合内拦截点的拦截成本，据此建立护航海洋机器人集群任务分配问题的数学模型；最后，通过匈牙利算法对任务分配数学模型中的拦截成本矩阵求解，获得使得每个海洋机器人的拦截成本最小时所对应的任务簇的指派方案。

70、本发明的优点：

71、针对现有的目标聚类和任务分配方法的不足，无人集群护航迫切需要解决的问题如下：如何考虑海面运动威胁目标的运动特性以及其对护航任务的威胁程度，进行威胁评估、判定与预测。并且考虑海面运动威胁目标的运动特性和威胁程度，改进聚类中心迭代分配规则，将威胁程度相近的威胁目标拦截点划分成任务簇，并且据此进行任务分配，使得每个海洋机器人获得最优的威胁目标任务簇的分配方案。

72、本发明提供的一种优化k-means威胁目标聚类的集群护航任务分配方法及系统，对海面运动的待评估目标进行威胁评估、判定与预测，有效识别和预测护航威险；降低了初始聚类中心和离群点对聚类结果的影响，优化了聚类中心迭代更新规则，提高迭代聚类收敛速度和拦截点的聚类精度与效果；建立拦截成本函数对海洋机器人拦截威胁目标的综合威胁价值和综合拦截代价进行定量分析，有效度量了护航安全风险与拦截任务执行代价；在任务分配问题的数学模型下通过匈牙利算法进行任务指派，使得每个海洋机器人的拦截成本最小，有效提高了任务分配的效率。

73、本发明提供的一种优化k-means威胁目标聚类的集群护航任务分配方法及系统可以应用在海上无人护航任务场景中进行海上威胁目标评估、聚类与任务分配，可以降低海上护航安全风险，提高海上护航效率，具有明显的工程和军事应用价值。