[发明专利]混合引力搜索算法的多无人机协同时序耦合任务分配方法

说明书

本发明提供了一种混合引力搜索算法的多无人机协同时序耦合任务分配方法，涉及无人机协同任务分配领域，构建时间耦合约束下的多无人机协同任务分配模型，得到适应度函数和任务约束，在基于遗传算子的引力搜索算法中，对个体离散化编码及种群进行初始化后，对个体进行解码，利用适应度函数计算适应度，并进行个体更新，本发明由于在引力搜索算法中增加了遗传算子，具有较好的普遍适用性，通过长时间多次数的仿真试验和数据统计构建更为完善的数据库，使得模型更完善；与离散粒子群算法进行对比，混合引力遗传搜索算法能够更快地收敛，寻优结果更优，迭代过程简短，收敛速度快。

技术领域

本发明涉及无人机(Unmanned Aerial Vehicle，UAV)协同任务分配领域，尤其是一种具有时间耦合约束下的多无人机任务分配方法。

背景技术

多无人机协同时序耦合任务分配在科学研究与工程应用中都处于非常重要的地位。传统的引力搜索算法在解决此类问题中具备突出的全局寻优能力但也存在很多缺陷，例如容易陷入局部最优，全局最优粒子的质量较低。引力搜索算法(Gravitation SearchAlgorithm，GSA)其本质是模拟自然界中的万有引力现象，并将其演化成随机搜索最优解的过程。

由于在多无人机协同时序耦合任务分配中，全局最优粒子的计算与搜索(引导粒子的选取)，对多目标优化中解的收敛性与分布性具有重要影响，具备突出的全局寻优能力的进化算法被应用到多无人机协同时序耦合任务分配中。目前发展比较成熟的多无人机协同时序耦合任务分配算法主要包括基于引力搜索算法GSA的多任务分配和基于粒子群算法(Particle Swarm Optimization，PSO)的多任务分配。由于引力搜索算法 GSA具备两个特殊的性质：(1)记忆性-用来存储全局最优粒子与个体历史最优值；(2) 信息交流性-粒子之间依据记忆特性相互分享最优位置的信息，使得引力搜索算法在多无人机协同时序耦合任务分配领域表现出一定的实用性。

作为一种新型进化算法，引力搜索算法已经成功应用到单目标优化领域，其根本思想是基于牛顿的万有引力定律：“在宇宙间，每一个粒子由于万有引力的作用而彼此相互吸引，引力的大小与粒子的质量成正比，与他们之间的距离成反比”，所以，通过粒子间的相互吸引，引力搜索算法保证了所有粒子向着质量最大的粒子移动。

但是，当引力搜索算法运用到多无人机协同时序耦合任务分配中时，其自身的一些缺点导致该算法中全局最优粒子的质量较低，时序耦合任务分配的效果还有待提高。首先，在引力搜索算法中，只有当前的位置信息在迭代更新过程中起作用，即该算法是一种缺乏记忆性的算法，这就导致种群上下代之间没有信息交流，容易陷入早熟收敛。另一方面，由于引力搜索算法中粒子速度较大，全部都向质量较大的粒子移动，收敛非常迅速，所以种群的多样性降低快速，即多样性迅速流失，不能保证非支配解的多样性与分布性。

发明内容

为了克服现有技术的不足，本发明基于上述引力搜索算法在多无人机协同时序耦合任务分配的缺点，对引力搜索算法进行相关改进，包括编码与解码设计、种群初始化以及个体更新方式的改进，提出了基于遗传算子的离散引力搜索算法(Gravitation SearchAlgorithm-Genetic Algorithm，GSA-GA)，通过算例仿真验证了算法的有效性，并采用蒙特卡洛仿真方法与离散粒子群算法进行对比，仿真结果表明GSA-GA算法具备更好的全局收敛性和更快的收敛速度。

本发明解决其技术问题所采用的技术方案的详细步骤如下：

步骤一：构建时间耦合约束下的多无人机协同任务分配模型

对多无人机协同执行压制敌方防空系统(Suppression of Enemy Air Defence，SEAD)任务分配问题做出定义，并对适应度函数和任务约束进行说明，具体定义如下：

定义1：设U＝{1，2，3，...i...，M}表示无人机集合，其中元素i＝1，2，3，…，M，表示第i架无人机，M表示无人机的数量；