[发明专利]基于多目标量子粒子群算法的无人机协同任务分配方法

说明书

本发明提供了一种基于多目标量子粒子群算法的无人机协同任务分配方法，建立了无人机协同任务分配的模型，将无人机协同任务分配问题中的目标前期任务执行成功概率、无人机生存概率以及任务完成时间这三种指标分别作为多目标任务分配问题的优化目标函数，实现了这三种指标的同时优化。本发明针对无人机协同任务分配的问题的特点，设计了针对前期任务约束的修复算子和针对任务时序约束的修复算子，提高了种群中解的质量，设计了新的种群变异机制，有效提高了算法的收敛速度。

技术领域

本发明属于计算机仿真与方法优化技术领域，涉及一种无人机协同任务分配方法，可用于无人机协同执行多种任务条件下，计算出多个优化目标下的无人机协同任务分配方案。

背景技术

协同任务分配是多无人机协同任务规划中的关键技术之一，可以根据得到的任务执行区域的相关信息，为多架无人机提供任务执行指令序列，指派相应无人机进行相应任务。通过无人机协同任务分配，能够在任务执行之前进行预先的离线任务分配，可以利用任务区域的全局信息，为无人机执行任务提供理想的执行方案。

目前对无人机协同任务分配的研究主要是集中于单一目标函数下的模型求解，论文《基于MILP模型的多无人机对地前期任务分配》(倪谣，周德云，马云红，贺宝财.基于MILP模型的多无人机对地前期任务分配.火力与指挥控制,2008,33(11):62-65)针对无人机对地前期任务分配问题，考虑无人机前期任务和评估任务，采用混合整数线性规划(MILP)求解无人机对地前期任务分配模型，但是由于MILP是一种线性规划方法，其处理的模型规模不能太大，无法处理较复杂的任务分配问题。论文《复杂多约束UAVs协同目标分配的一种统一建模方法》(赵明，苏小红，马培军，赵玲玲.复杂多约束UAVs协同目标分配的一种统一建模方法.自动化学报,2012,38(12):2038-2048)针对多种情况给出了多无人机协同目标分配的统一建模方法，采用差分进化算法(DE)对模型进行求解，有效完成了多无人机协同任务分配。论文《UAV协同任务分配的改进DPSO算法仿真研究》(王强,张安,宋志蛟.UAV协同任务分配的改进DPSO算法仿真研究.系统仿真学报,2014,26(5):1149-1155)将飞行时间、任务时间和威胁代价作为优化指标，利用离散粒子群算法实现了任务优先顺序约束下的无人机协同任务分配问题。但是这些论文中均采用了加权等方法将多种优化目标综合为一个目标函数，实际上是单目标的优化。这样处理优化目标会出现多个目标函数单位级别不同、不易比较、权值选取带有主观性等问题。因此，最好的解决方案就是针对多个目标函数可以同时得出多组具有不同性能倾向的结果供决策者进行选择。

多目标优化算法能够同时对多个优化目标进行优化，能够从不同优化目标的角度给出可行的无人机任务执行方案，是目前无人机协同任务分配研究的热点问题。论文《基于改进的多目标量子行为粒子群优化算法的多无人机协同任务分配》(施展,陈庆伟.基于改进的多目标量子行为粒子群优化算法的多无人机协同任务分配.南京理工大学学报(自然科学版),2012,36(6):945-951)采用多目标量子行为粒子群算法实现了最小代价和最大收益两种优化目标的同时优化。但该方法模型构造简单，约束较少，只实现了任务目标的分配，没有考虑任务执行的顺序。目前，对多目标无人机协同任务分配的研究较少，并没有一种能够解决复杂约束下多目标无人机协同任务分配问题的方法。

发明内容

为了克服现有技术的不足，本发明提供一种基于多目标量子粒子群算法的无人机协同任务分配方法，给多个优化目标下的无人机协同任务分配问题求解提供一种合理可行的解决方案。

本发明解决其技术问题所采用的技术方案包括步骤如下：

步骤1，输入无人机数量N_v、任务目标数量N_t、无人机速度V_UAV、任务目标坐标位置无人机初始坐标位置和无人机初始种群的规模P，其中pos_t1代表第一个目标的坐标，pos_u1代表第一架无人机初始坐标位置；