[发明专利]大型无人机群中基于简化注意力网络的任务规划方法

说明书

本发明公开了一种大型无人机群中基于简化注意力网络的任务规划方法，主要解决大型无人机群中的任务资源规划问题，本发明的实现步骤为：1.构建生成样本集；2.构建简化注意力网络；3.训练简化注意力网络；4.规划大型无人机群中执行任务的无人机。本发明通过构建的简化注意力模型快速准确地提取大型无人机群中无人机的高维特征，以大型无人机群中携带的多种任务资源的有效利用为目标，优化了大型无人机群中的任务资源使用率，有效地解决了大型无人机群的任务资源规划问题。

技术领域

本发明属于通信技术领域，更进一步涉及无人机任务规划技术领域中的一种大型无人机群中基于简化注意力网络的任务规划方法。本发明可应用于由至少100架属性不同的无人机组建的大型无人机集群中，实现对任务资源的调度，以满足任务目标对各种任务资源的需求，实现实时地对无人机集群携带任务资源的有效分配。

背景技术

无人机(Unmanned Aerial Vehicle,UAV)集群由各种功能异构的低成本无人机组成，不同的无人机可以搭载不同类型的机载设备，这使得无人机集群具有执行任务成本低，执行任务效率高等优势。现有的无人机集群任务分配方法主要有两种，一种是基于迭代优化的启发式任务分配算法，另一种为基于强化学习的快速任务分配算法。其中，基于启发式的任务分配方法运算时间较长，在面对大型无人机集群任务分配问题时无法满足任务规划对于实时性的需求，而基于机器学习任务规划算法，虽然方法整体运算时间短，但是在处理不同的任务规划问题时鲁棒性较差。

南京邮电大学在其申请的专利文献“一种基于自组织神经网络的无人机任务规划方法”(申请号：201711495472.9申请日：2018.06.15申请公布号：CN 108170147A)中公开了一种基于自组织神经网络的无人机任务规划方法。该方法的具体步骤是，第一步：自组织网络初始化，包括神经网络的节点数量初始化，节点排列形式初始化等；第二步：根据设定的算法规则，选取自组织网络中的获胜节点；第三步：以获胜节点为中心构建获胜节点优胜领域；第四步：根据当前迭代次数、构建的获胜节点优胜领域，获胜节点内的权值更新率等更新自组织网络的网络参数；第五步：在面对任务规划的突发情况时，设置动态响应规则，进行网络参数的再次更新。该方法存在的不足之处是，任务规划方法中无人机数量较少，在处理大型无人机集群任务分配问题时，该方法需要的迭代次数过多，因此该方法无法适用于大型无人机集群任务分配问题。

西安电子科技大学在其申请的专利文献“基于Q学习的无人机任务协同分配方法”(申请号：202010612864.4申请日：2020.06.30申请公布号：CN 111736461A)中公开了一种基于Q学习的无人机任务协同分配方法。该方法的具体步骤是，第一步：根据无人机信息和任务信息初始化网络参数；第二步：组建敏感无人机和间接无人机联盟，构建敏感无人机和间接无人机之间的通信规则；第三步：根据通信规则更新Q学习模型参数；第四步：获取任务分配结果。该方法存在的不足之处是，构建模型的结构较为复杂，整体模型的计算量较大，因此该方法无法适用于大型无人机集群任务分配问题。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种大型无人机群中基于简化注意力的任务规划方法，用于解决大型无人机集群任务分配方法中网络结构复杂，计算量大的问题。

实现本发明的具体思路是：采用构建并训练好的简化注意力网络，实时地对大型无人机群中的无人机进行高维特征提取，利用概率公式迭代多架无人机去执行任务目标。在简化注意力网络的特征提取网络中，构建的自相关系数层建立了每架无人机特征与无人机自身的关联，并利用自相关系数表示每架无人机特征与无人机自身关联程度，构建的互相关系数层建立了每架无人机特征与无人机集群的关联，并利用互相关系数表示每架无人机特征与无人机集群关联程度，结合每架无人机自身特征和得到自相关系数和互相关系数，融合提取每架无人机的高维特征，克服了现有技术网络中一架无人机需要与所有无人机全部关联才能准确获取无人机高维特征的问题，减少了每架无人机的关联次数；本发明利用梯度下降法对整体网络进行参数更新，实时地解决了大型无人机群的任务规划问题，克服了现有技术网络中计算复杂度大的问题；