[发明专利]一种多无人机序列多任务协同分配方法及系统

说明书

一种多无人机序列多任务协同分配方法及系统，解决了现有多无人机多任务协同分配效果不好的问题，属于无人机任务分配领域。本发明包括：S1、根据真实无人机与真实任务的位置、任务状态、影响因素确定任务收益Rsubgt;ji/subgt;，Rsubgt;ji/subgt;表示第j架无人机分配到第i个任务所获得的任务收益，i＝1,2,...N，N表示真实任务的数量，j＝1,2,...M，M表示真实无人机的数量；S2、根据任务收益确定收益矩阵，并转换为代价矩阵C，通过增设虚拟无人机与空任务将代价矩阵C增广为方阵；S3、对方阵求解，得到目标解集，根据目标解集确定分配结果，在此分配结果时总任务代价最小。本发明有效地描述了任务最优分配问题，提高分配效率。

技术领域

本发明涉及一种在多无人机协同执行多个任务情况下的最优任务分配方法，属于无人机任务分配领域。

背景技术

近年来，无人作业得到迅速发展，无人机由于灵活、成本低等原因，得到了广泛应用，而单个无人机往往无法满足任务的需要，需要无人机集群与配合。任务分配是无人机集群过程中的重要问题，其中利用较低复杂度的数学模型描述多无人机的最优分配问题又是当前任务分配的研究热点之一，现阶段对多无人机任务分配问题的研究集中在问题建模和针对模型求解两部分。

较为常用的任务分配模型有车辆路径问题模型(Vehicle Routing Problem,VRP)，多旅行商问题模型(Multiple Traveling Salesmen Problem,MTSP)，协同多任务分配模型(Cooperative Multi-Task Assignment Problem,CMTAP)等，其中VRP模型适用于单起飞点并且包含一定性能最优约束的问题，不适用于多起点任务；MTSP模型提出的求解算法能够得到区域内多无人机中每个无人机所可以执行多个任务时的最优路径，但是该模型没有考虑无人机和目标状态的约束，并且该算需要用优化算法去求近似解，否则计算复杂度较高；CMTAP模型考虑了多种约束条件，但是其模型并未能考虑各个约束条件的权重，除此之外，该模型求解时同样多为近似最优解，难以精确求解。

对于分配模型的求解方法，主要有最优化方法(Optimization Methods)和启发式方法(Heuristic Methods)两大类，最优化方法将任务分配问题简化为数学规划模型，然后采用穷举法、动态规划法等方法进行求解；启发式方法针对分配问题的NP特性，并不企图在多项式时间内求得问题的最优解，而是在可以接受的计算量下得到问题的近似解，例如粒子群优化、遗传算法、蚁群算法等。上述解决方法仍存在局限性，最优化方法在问题有解的条件下，可以保证给出问题的最优解，但随着任务数量的增加求解计算的复杂度为O(n！)，计算效率极低；启发式方法虽然解决了计算量问题，但由于算法设计的原理，对于动态复杂环境，每次的分配结果可能不同，且有可能有较大变化，这使得目标分配的结果可能存在频繁变动的情况，而且大多数情况下无法阐述所得解与最优解之间的近似程度，不适用于精确任务分配问题的求解与评估。

发明内容

针对现有多无人机多任务协同分配效果不好的问题，本发明提供一种多无人机序列多任务协同分配方法及系统。

本发明提供一种多无人机序列多任务协同分配方法，方法包括：

S1、根据真实无人机与真实任务的位置、任务状态、影响因素确定任务收益R_ji，R_ji表示第j架无人机分配到第i个任务所获得的任务收益，i＝1,2,...N，N表示真实任务的数量，j＝1,2,...M，M表示真实无人机的数量；

S2、根据任务收益确定收益矩阵，并转换为代价矩阵C，通过增设虚拟无人机与空任务将代价矩阵C增广为方阵；

S3、对方阵求解，得到目标解集，根据目标解集确定分配结果，在此分配结果时总任务代价最小。

作为优选，S1包括：