[发明专利]一种基于改进粒子群算法的多无人机任务分配方法

权利要求书

1.一种基于改进粒子群算法的多无人机任务分配方法，其特征在于，包括如下步骤：

步骤一：将多无人机任务分配问题建模成多旅行商问题；

步骤二：对无人机任务分配方案进行编码；

步骤三：对粒子群进行初始化；

步骤四：计算每个粒子在各个目标分量上的适应度值，对比每个粒子之间的支配关系，计算出所有的非支配解，作为当前的Pareto最优集；

步骤五：计算Pareto最优集里面的密度，选取每一个粒子的种群最优位置首先计算非支配解中每一个粒子的密度信息，采用网格法，把目标空间划分为等分的小区域，粒子所在的网格中的粒子越多，粒子密度就越大。然后每个粒子根据Pareto集中粒子的密度和与自身的支配关系选择自身的gbest_i。若迭代次数小于k/2且Pareto集中粒子的密度存在大于密度阈值θ，则执行步骤六；若迭代次数超过k/2且正好是重采样间隔的整数倍，则执行步骤七；

步骤六：第一阶段重采样按照公式计算各个粒子的权值，然后利用分层采样法计算出每个粒子重采样的个数，对粒子进行复制或是舍弃操作，之后执行步骤八；

步骤七：第二阶段重采样对Pareto集中的粒子进行重采样，每个粒子的权重为权重将用来舍弃距离最优解较远的粒子，加强在最优解的附近的搜索，之后执行步骤八；

步骤八：每一个粒子进行自适应更新自身位置。每一个粒子根据自身历史最优的位置和全局最优的位置调整自己的速度，并到达下一位置，其过程如下

w_k＝W×(gen-k)/gen

如果满足终止条件则执行步骤九，否则执行步骤四；

步骤九：满足终止条件后，计算当前种群的非支配解集作为算法结果输出。

2.根据权利要求1所述的基于改进粒子群算法的多无人机任务分配方法，其特征在于：所述的步骤一中，无人机任务分配模型将分配场景描述为{U，T，C}。其中U为无人机集合，描述了无人机的个数、速度、最远航程；T为任务集合，描述了任务的个数、位置；C为约束条件，包括任务的协同约束和无人机的最远航程约束。此外，确定了优化目标为任务总飞行航程和任务执行时间。

3.根据权利要求1所述的基于改进粒子群算法的多无人机任务分配方法，其特征在于：所述的步骤二中对于粒子群的初始化，设置了以下恒定参数：粒子规模N，迭代最大次数gen，惯性权重W，学习因子c₁、c₂，重采样间隔步数t，密度阈值θ。设置初始迭代次数k＝0，初始化种群P，以及每个粒子的初始位置x、速度v和个体最有位置

4.根据权利要求1所述的基于改进粒子群算法的多无人机任务分配方法，其特征在于：所述的步骤二中对于无人机任务分配方案的编码，若无人机数目为a、任务数目为b，则无人机任务分配方案编码可表示为[t₁，t₂，...，t_b]。其中，t_i的整数部分表示执行第i个任务的无人机编号，若整数部分相同则意味着对应任务由同一架无人机执行，将这些任务按照所对应数字的小数部分进行排序，则是无人机执行任务的顺序。若t_i的值出现在(1，a+1)范围之外，则把t_i对a取余使其数值保持在(1，a+1)范围之内。

5.根据权利要求1所述的基于改进粒子群算法的多无人机任务分配方法，其特征在于：所述的实际情况中，若出现突发状况，则进行任务的重分配。采用K-medoids聚类算法先确定每一架无人机执行的任务集合，从而降低问题求解的维度，然后再利用改进的粒子群算法来确定每一架无人机执行的任务序列。