一种基于量子退火算法模型的无人机群任务分配方法与流程

本发明涉及一种人工智能与量子计算领域，特别涉及一种应用于无人机群任务分配的量子退火算法模型。传统的无人机群任务分配由人工智能领域的智能优化算法实现，量子退火算法属于量子计算领域，这里巧妙的结合了人工智能与量子计算，构造可以应用于无人机群任务分配的量子算法模型。

背景技术：

1、随着信息技术的不断发展，无人机的应用不断的扩大，在民用上可以实现农林监控、环境保护、科技灌溉等。特别是在军事上可以完成信息侦查、电磁干扰、精确打击等但面对更加复杂的作战环境和多样化的任务，单台无人机会暴露出续航能力、负载能力和计算能力不足的问题，无法完成复杂任务需求，这时就需要组建无人机群协同作业，共同完成作战任务。

2、传统无人机群任务分配的算法主要是智能组合优化算法，包括遗传算法、粒子群算法、蚁群算法等。在异构无人机群任务分配问题中，王婷根据实际应用场景设计循环变异算子和染色体基因位交叉算子，加快了算法对最优解的搜索效率。张瑞鹏设计出一种改进的粒子群算法，可以综合考虑无人机飞行距离、飞行时间和任务效益，提高传统粒子群算法的性能。苏梅梅利用蚁群算法，同时在应用场景中加入时间、位置、优先级等，进一步扩展了蚁群算法的实用性。然而这些传统的算法只是优化了算法的精确性、扩宽了功能多样性，但在面对无人机群规模扩大和任务多样性之后，计算复杂度会急剧上升，计算速度快速下降，同时优化结果会频繁出现在局部最优解，不能有效的求出全局最优解。

3、传统的无人机群任务分配都是使用智能优化算法进行求解。如遗传算法、粒子群算法和蚁群算法等。但这些算法只能解决规模较小的情况，在遇到大规模的问题时，求解时间将极速增加，同时，这些算法在求解过程中，有一定概率会掉进局部最优解陷阱，无法找到全局最优解。

技术实现思路

1、针对传统的无人机群任务分配的智能优化算法求解时间慢、无法找到全局最优解的问题，提出了一种使用量子算法的解决方案。通过利用量子退火算法与无人机群任务分配问题的结合，构建一个量子化的无人机群任务分配模型。充分利用量子算法的超强并行计算能力，提高面对大规模问题的计算速度。利用量子遂穿效应，穿透局部壁垒，搜索到全局最优解。将问题量子化之后，构建对应的问题目标哈密顿量，通过绝热演化，求解出最优解对应的系统量子态。

2、本发明的技术方案为：

3、一种基于量子退火算法模型的无人机群任务分配方法，包括以下步骤：

4、首先确认无人机群任务分配所需的无人机数量、飞行任务的位置点；

5、然后通过增加虚拟位置点保证了每一架无人机都有飞行任务，将无人机群任务分配问题转化为单人旅行商问题，对该问题进行量子化，使问题转化为可以使用量子比特系统进行表征；

6、最后使用设定的目标哈密顿量，完成模拟量子退火演化过程，得出无人机群任务分配结果。

7、进一步的，具体包括以下步骤：

8、假设拥有n架无人机，n为正整数，m+1个位置点，一个原点，m为任务点，使用p0为起始出发点，(p1,…,pm)表示m个位置点，n架无人机执行任务，增加n-1个虚拟位置点(pm+1,…,pm+n-1)，(p0,pm+1,…,pm+n-1)表示的都是起始出发点位置，在计算距离的时候，这n个点之间的距离设定为无穷远，这样可以保证了每一架无人机都有飞行任务；将m+n个点遍历一遍为p0…pi…pm+1…pj…(pm+2…pm+n-1)…pk…p0，这样由(p0,pm+1,…,pm+n-1)n个起点把路径分成n段，每一段就是一个无人机执行的任务路径；

9、系统中每一个量子比特则会坍塌到具体的|0>态或者|1>态；由于量子比特经过测量之后只能是|0>或者|1>态，所以定义：

10、

11、其中，xt,i表示再t时刻无人机是否处于位置i，在位置i则取值为1，不在位置i则取值0；

12、要使问题有效和准确的数学表达，需要满足下面两个约束条件：每个时刻无人机只能处在一个位置点；每个位置点只能被遍历一次；

13、其中每个时刻无人机只能处在一个位置点，用定义的xt,i表示为：每个位置只能被遍历一次，数学表示为：

14、该问题的总路程为：

15、其中d为总路程，n＝(m+n+1)为总的位置数，li,j表示位置i与位置j之间的距离；

16、所以系统的目标哈密顿量h是：

17、

18、其中h表示该系统的目标哈密顿量，α和β为约束条件的调节参数，取值为必须为正数足；

19、模拟完成量子退火演化过程，使用设定的目标哈密顿量，开发针对无人机群的量子退火算法，得到路径分派最优结果。

20、优选的，利用pyqubo软件包模拟量子退火算法进行计算以得到路径分派最优结果。

21、优选的，依据数据将飞行路径转换为图例形式。

22、本发明的有益效果在于：

23、由于系统量子态演化的本身属性，即超强的并行计算能力，和遂穿效应，使得改模型相比现有的模型有以下两个优势：

24、计算速度快，通过绝热演化过程，不会因为问题规模的增大而快速增加演化时间，可以有效的处理大规模任务分配问题。

25、计算结果更可靠，由于改模型使用的是量子退火的原理，在演化过程中，可以通过适当调节参数，有效利用量子遂穿效应，使得系统演化能够穿透壁垒，跳出局部最优陷阱，找到全局最优解。

技术特征：

1.一种基于量子退火算法模型的无人机群任务分配方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于量子退火算法模型的无人机群任务分配方法，其特征在于，具体包括以下步骤：

3.根据权利要求1所述的基于量子退火算法模型的无人机群任务分配方法，其特征在于，利用pyqubo软件包模拟量子退火算法进行计算以得到路径分派最优结果。

4.根据权利要求1所述的基于量子退火算法模型的无人机群任务分配方法，其特征在于，依据数据将飞行路径转换为图例形式。

技术总结
本发明涉及一种基于量子退火算法模型的无人机群任务分配方法，包括以下步骤：首先确认无人机群任务分配所需的无人机数量、飞行任务的位置点；然后通过增加虚拟位置点保证了每一架无人机都有飞行任务，将无人机群任务分配问题转化为单人旅行商问题，对该问题进行量子化，使问题转化为可以使用量子比特系统进行表征；最后使用设定的目标哈密顿量，完成模拟量子退火演化过程，得出无人机群任务分配结果。解决了传统的无人机群任务分配的智能优化算法求解时间慢、无法找到全局最优解的问题，通过利用量子退火算法与无人机群任务分配问题的结合，将问题量子化之后，构建对应的问题目标哈密顿量，通过绝热演化，求解出最优解对应的系统量子态。

技术研发人员：叶永金,吴永政,汪士,侯杰,王子剑,兰冰
受保护的技术使用者：华东计算技术研究所（中国电子科技集团公司第三十二研究所）
技术研发日：
技术公布日：2024/3/27