[发明专利]一种基于协同智能优化算法的多平台任务分配方法

说明书

本发明公开了一种基于协同智能优化算法的多平台任务分配方法，包括以下步骤：基于临空平台设计约束和任务场景要求，构建多平台系统任务分配模型；针对用户分布不均和任务的特殊性，采用服务区域编码、位置信息编码两种编码方式，将任意一个适用于该任务场景下的多平台系统任务分配优化问题的可行解编码为由两段序列构成的完整染色体；采用与协同进化结合的改进差分进化算法对任务分配模型进行求解，在最大迭代次数下求得的最优解即为多平台系统的最佳任务分配方案。该任务分配方法可以解决多平台大规模任务分配问题，满足任务分配的快速、智能要求。

技术领域

本公开涉及空间信息网络技术领域，具体涉及一种基于协同智能优化算法的多平台任务分配方法。

背景技术

由于快速应急通信响应和精确观测服务需求的爆炸式增长，机载通信网络受到了工业界和学术界的广泛关注。临空平台采用异构网络，利用卫星、高空平台(HAPs)和低空平台(LAPs)构建通信接入平台。与地面无线网络相比，临空平台具有网络拓扑频繁变化、通信连接脆弱等特点。此外，临空平台对异构网络的无缝集成有需求，以提高网络的服务质量(QoS)。针对高空平台(HAPs，主要由气球，飞艇，高空无人机组成)与低空平台（LAPs，主要由无人机组成）的部署问题，我们介绍了一种基于改进差分进化算法的多平台任务分配方法。

现有的临空平台任务分配方法可分为两类：基于数学规划的和基于智能优化算法的，基于数学规划的方法的核心思想是利用数学优化方法有效地解决无人机优化部署问题。例如，使用块坐标下降和连续凸优化技术求解针对无人机任务分配构造的混合整数非凸模型，或迭代求解优化无人机覆盖单元划分和获得无人机最优位置的方法，可以解决这一具有挑战性的问题，但同时该类方法计算量庞大，执行缓慢，在多平台任务分配问题中不适用。在基于智能优化算法的方法下，已有学者应用进化算法、蚁群算法、粒子群算法等方法对该问题进行了求解。智能优化算法以其收敛速度快、优化效率高的特点，在面对大规模任务分配问题时展现了更高的性能。

差分进化算法是一种采用浮点矢量编码，在连续空间中进行启发式随机搜索的优化算法。算法的基本思想是：对当前种群进行变异和交叉操作，产生另一个新种群；然后利用选择操作对这两个种群进行一对一的选择，从而产生最终的新一代种群。该算法原理简单，控制参数少，只有交叉概率和缩放比例因子，鲁棒性强，易于实现。但也收敛速度快，容易陷入局部最优，如何解决这一问题是实现差分进化算法的关键。

协同进化算法是一个求解大规模优化问题的算法，该算法采取“分而治之”的策略。对于一个优化问题，依变量分解成若干组问题，分组优化，且各分组间进行合作协同，共同完成整个问题的优化。复杂问题分解为子问题，子问题在进化的子种群中解决，个体的评估依赖于子种群间的合作，由各子种群的代表性个体组合而得完整的解决方案。个体在子种群的适应度由其在完整解决方案的参与来评估。

对于多平台大规模任务分配问题，由于通信链路无缝集成复杂、用户多、用户密度大，而无人机的服务能力受限、无人机数量和服务时长均条件影响。本发明提出一种基于协同智能优化算法的任务分配方法，可以解决中等规模多平台任务分配问题，结合协同进化方法，将应用范围扩大至大规模任务分配。

发明内容

本发明提供了一种基于协同智能优化算法的多平台任务分配方法。在本方法当中，首先根据用户位置确定用户负载和频谱效率；其次，根据已知的信息和负载、频谱效率定义用户密度；接下来在此基础上定义各无人机、各区域的成本函数，从而确定总网络连接的成本函数，即目标函数。定义两个编码规则，包括服务区域编码和位置信息编码，并针对两种编码分别确定了不同的变异、交叉、选择规则，针对临空平台多平台任务分配问题提出了基于差分进化算法的解决方案；该方案使用的“种群灾变”策略，解决一般进化算法可能陷入局部最优的问题；同时，针对大规模任务，引入随机分组模式，以“分而治之”的思想对种群分组，并对每个子种群使用上述差分进化算法，最终经过重组得到最优结果，该改进可以使差分进化算法在多平台大规模问题中同样适用，以满足任务分配的快速、智能要求。本发明采用以下技术方案：