[发明专利]无人机执行多任务的分配方法及装置

说明书

本发明实施例公开了一种无人机执行多任务的分配方法及装置。方法包括：获取无人机和多个目标点的位置信息，以及无人机和风场的运动参数；根据位置信息和预设遗传算法，构建以欧式飞行路径为个体的初始种群；根据初始种群、无人机和风场的运动参数确定无人机飞行状态和完成欧式飞行路径的航迹段的航行时间，根据航迹段的航行时间和SUAV‑VS‑EVRP模型获取初始种群中染色体对应的航行时间；基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取航行时间最短的欧式飞行路径作为无人机的最优飞行路径。本发明实施例将无人机航迹规划问题与无人机实际飞行环境相结合，使规划得到的最优飞行路径方案优于无人机速度恒定的方案。

技术领域

本发明实施例涉及无人机技术领域，具体涉及一种无人机执行多任务的分配方法及装置。

背景技术

当前，无人机UAV(Unmanned Aerial Vehicle)在军民领域有着广泛的应用，可完成目标侦察、目标跟踪、情报收集、震后救援和地质勘探等多种类型任务。例如在多架UAV协同侦察目标时，既要最合理地为每架UAV分配其所需侦察的目标，还要为其规划最优的飞行航迹。该问题是一个受多因素约束的任务分配与航迹规划联合优化问题，也是非确定性问题。

随着UAV研究的深入，环境因素被逐渐纳入问题的研究，特别是UAV任务分配、航迹规划和飞行控制等问题中，在环境因素的影响下如何降低耗能、控制UAV的飞行状态从而使UAV消耗最少的燃料执行最多的任务、具备更好的任务执行状态和更高的安全性是当前UAV研究的主要工作。当前常用于解决UAV任务分配与任务规划问题的模型有：TSP模型，TOP模型和VRP模型，其中，TSP模型是在只有单一旅行者的条件下，使得旅行者通过所有给定的目标点之后，从而使其路径成本最小的模型；TOP模型是在存在多个成员的条件下，使得每个成员尽可能访问更多的目标点，从而使得所有成员的总收益最大的模型；VRP模型是在车辆数量固定的条件下，使得车辆访问一定数量目标点，且在此过程中每个目标点只能被访问一次，最终使得UAV航行的总距离或总时间最短的模型。

在实现本发明实施例的过程中，发明人发现现有的技术方案在实际操作中，一般是假设模型中在恒定时间内无人机的速度是恒定的。然而这个假设显然是不现实的，导致模型无法精确模拟出无人机的实际运动状态，进而无法进行最优的航迹规划。

发明内容

本发明实施例的一个目的是解决现有技术由于在进行航迹规划是设定无人机的速度是恒定的，导致模型无法精确模拟出无人机的实际运动状态，进而无法给出的最优的航迹规划。

本发明实施例提出了一种无人机执行多任务的分配方法，包括：

S1、获取无人机和多个目标点的位置信息，以及所述无人机和风场的运动参数；

S2、根据所述无人机和所述多个目标点的位置信息和预设遗传算法，构建以欧式飞行路径为个体的初始种群；

S3、根据所述初始种群、无人机和风场的运动参数确定无人机飞行状态和无人机完成欧式飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和SUAV-VS-EVRP模型获取初始种群中染色体对应的航行时间；

S4、基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取航行时间最短的染色体对应的欧式飞行路径作为所述无人机的最优飞行路径。

可选的，根据所述无人机和所述多个目标点的位置信息和预设遗传算法，构建以欧式飞行路径为个体的初始种群包括：

根据预设遗传算法的编码方式进行染色体编码生成预定规模的初始种群；所述染色体由目标点信息组成；其中所述目标点属于集合T₀表示UAVs的起点，N_T表示目标点数量；

所述染色体为所述目标点的随机全排列。