[发明专利]基于顺次分配的多层多粒度集群任务规划方法

权利要求书

1.基于顺次分配的多层多粒度集群任务规划方法，包括多层降维信念信息表示、层间信息交互模型和在线预测函数的顺序分配，其特征在于，

所述多层降维信念信息表示为建立统一巡逻模型，每一层都可以看作是独立的侦察问题，即将每一层的侦察都抽象为部分可见的马尔科夫决策过程模型，即 , , , , , , ；描述如下：

为该层所有无人机联合状态集合，包括位置状态和信息状态，定义为是当前系统状态，包括 和 ， 是Agent的位置状态， 是环境信息状态，一个联合位置状态定义为联合信息状态定义为其中U为该层无人机的数量，|V|为该层所有顶点数量，每个顶点的信息状态属于I_k∈[I₁,I₂,...,I_K]；

为该层所有无人机联合行动集合，一个联合行动定义为

为该层所有无人机联合观测集合，一个联合观测定义为

为该层环境所有无人机的联合状态转移函数集合，定义为主要包括两类转移：位置转移状态函数和信息状态转移函数，其中，

对于某无人机k,k∈U，其位置状态转移函数公式如下，其中v_goal表示无人机执行行动后的目标位置，V_k(t)指的是第k个Agent的位置状态；

对于某顶点v,v∈|V|，其信息状态转移函数公式如下，其中s_goal表示状态更新后的目标状态，S_k(t)表示第k个Agent的所巡逻的环境的信息状态；

为该层环境所有无人机的联合观测函数，对于某无人机k,k∈U，其观察函数如下：

为该层环境所有无人机的联合回报函数，总回报函数等于该层所有无人机回报值之和，具体公式如下：

为该层环境的信念信息向量，由于环境是部分可见的，因此无人机侦察到的环境为一种概率分布，因此假设一层中顶点都是独立演化的，在这样的假设条件下，环境的降维信息信念可以描述为如下公式：

其中，表示在t时刻顶点v_n的信息状态是I_k时的条件概率,表示第1个顶点上的信息信念状态，]表示第|V|个顶点上的信息信念状态，信念状态表示不同信息等级的概率；

所述层间信息交互模型中每一层无人机关注的信息粒度是不同的，但具有对应关系，且每一层无人机间的对应关系为自底向上的信念信息传输和自顶向下的命令信息传输；

所述信念信息传输指上层环境中顶点的信念信息与下层环境中顶点的信念信息的对应关系，并用B^h(t)＝Θ_b(B^l(t))表示上层信息信念向量B^h(t)与下层信念B^l(t)的关系，Θ_b(·)是多个信息对一个信息映射，采用均值滤波法，均值滤波法能够体现区域块信息的整体特征，具体公式如下：

其中N为区域块中的顶点数量，表示下层环境中顶点处于信息等级I_k的概率，表示区域块对应的上层环境顶点v^h处于信息等级I_k的概率；

所述在线预测函数的顺序分配为基于近视眼调度算法，所述近视眼调度算法包括基于启发式函数的单无人机巡逻、基于顺次分配技术的子群巡逻和集群巡逻的集中调度；

所述命令信息传输指无人机的行动在上层环境和下层环境中的对应关系，用a^l(τ)＝Θ_a(a^h(t^h))表示行动，其中a^l(τ)表示下层Agent在τ时刻的行动，a^h(t^h),表示上层Agent的行动，t^h表示上层Agent的时间。