基于多目标粒子群优化的无人机协同多任务分配

基于粒子群优化算法的多目标路径规划优化研究多目标路径规划优化是一项重要的研究领域，广泛应用于物流运输、无人飞行器导航、交通流优化等领域。

为了解决多目标路径规划问题中存在的挑战，如路径冲突、时间效率、资源利用率等问题，本文提出了一种基于粒子群优化算法的多目标路径规划优化方法。

首先，我们简要介绍了多目标路径规划问题。

该问题的目标是找到一组路径，以满足多个目标，比如最短路径、最小时间、能源消耗最低等。

然而，由于多个目标之间的冲突和限制，传统的单目标路径规划算法无法直接应用于多目标情况。

粒子群优化算法是一种启发式优化算法，模拟了鸟群或鱼群的行为，并通过粒子的飞行和信息交换来寻找最优解。

基于粒子群优化算法的多目标路径规划优化方法可以将路径规划问题转化为一个多目标优化问题，并通过适应性函数评估解的质量。

具体而言，我们将每个粒子表示为一个路径解，并使用适应性函数来评估解的适应度。

然后，通过更新粒子的速度和位置，不断迭代寻找最优解。

在实际应用中，我们需要将多目标路径规划问题转化为一个数学模型。

以物流运输为例，我们可以将路径规划问题看作是在给定起始点和终止点的网络中寻找一组路径，使得多个目标（例如货物运输时间、运输成本、车辆利用率）达到最优。

通过建立适当的约束条件和目标函数，我们可以将多目标路径规划问题转化为数学模型。

采用基于粒子群优化算法的多目标路径规划优化方法需要进行以下步骤：1. 初始化粒子群：随机生成一组路径解，并初始化粒子的初始速度和位置。

2. 评估适应度：使用适应性函数评估每个粒子的适应度，并确定当前最优解。

3. 更新粒子速度和位置：根据粒子群的最优解和个体的最优解，更新粒子的速度和位置。

4. 收敛判断：判断粒子群的适应度是否达到收敛要求，如果满足条件则停止迭代，否则继续第2步和第3步。

5. 输出优化结果：输出最优的路径解作为优化结果。

基于粒子群优化算法的多目标路径规划优化方法具有以下优点：1. 并行搜索能力：粒子群算法的并行搜索能力可以在较短时间内得到一组较优的路径解，提高了路径规划的效率。

基于粒子群的工业大数据雾计算多目标优化任务调度算法随着工业大数据时代的到来，工业系统中数据的规模和复杂性不断增加，面临着巨大的挑战。

为了高效地处理和分析这些数据，雾计算技术逐渐被引入工业领域。

然而，雾计算的多目标优化任务调度算法仍然需要进一步研究和改进。

本文将介绍一种基于粒子群的工业大数据雾计算多目标优化任务调度算法，旨在提高任务调度的效率和性能。

1. 粒子群算法简介粒子群算法（Particle Swarm Optimization，PSO）是一种基于群体智能的优化算法，最早由Eberhart和Kennedy于1995年提出。

该算法是模拟群体中个体之间的协作与竞争的行为，通过不断地更新个体的位置和速度来搜索最优解。

粒子群算法已经在多个领域得到广泛应用，包括任务调度、机器学习和图像处理等。

2. 工业大数据雾计算任务调度问题工业大数据雾计算任务调度问题是指在工业系统中，将多个任务分配给一组雾节点进行处理和计算的问题。

任务调度的目标是使得整个系统的性能达到最优，包括任务完成时间、资源利用率和能耗等。

然而，由于任务间的依赖关系、节点间的通信开销和资源限制等因素，任务调度问题变得非常复杂，需要设计高效的算法来解决。

3. 基于粒子群的工业大数据雾计算多目标优化任务调度算法为了解决工业大数据雾计算任务调度问题，本文提出了一种基于粒子群的多目标优化任务调度算法。

该算法以任务调度的多个优化目标为约束条件，通过控制粒子的位置和速度来搜索最优解集合。

具体的算法步骤如下：步骤一：初始化粒子群和搜索空间。

设置粒子群中每个粒子的位置和速度，并确定搜索空间的范围。

步骤二：计算粒子的适应度值。

根据当前粒子的位置和速度，计算其适应度值，即任务调度的多个优化目标。

步骤三：更新粒子的位置和速度。

根据粒子群中历史最优解和全局最优解，更新粒子的位置和速度，以搜索更好的解。

步骤四：判断终止条件。

如果达到了预设的终止条件（如迭代次数或目标函数值的收敛性），则停止算法；否则，转到步骤二继续迭代。

DOI: 10.11991/yykj.202011008面向无人机路径规划的多目标粒子群优化算法苏子美，董红斌哈尔滨工程大学 计算机科学与技术学院，黑龙江 哈尔滨 150001摘 要：针对无人机路径规划中方案单一的问题，本文提出一种基于集分解的多目标综合学习粒子群优化算法框架(MOCS-PSO/D)，该算法使用基于分解的多目标优化框架(MOEA/D)，结合基于集的粒子群优化(S-PSO)和综合学习粒子群优化(CLPSO)，对CLPSO 和PSO 的速度更新公式进行改进，直接获得更多样的路径规划方案，同时可以降低调用无人机数量。

该算法将通过仿真实验与最近邻随机混合算法、遗传算法和基于集的综合学习粒子群优化算法(CS-PSO)对比，且在算法的收敛性、多样性上进行分析。

关键词：智能系统；无人机；路径规划；贪心策略；多目标优化；粒子群优化；进化算法；自适应中图分类号：U675.79 文献标志码：A 文章编号：1009−671X(2021)03−0012−10Multi-objective particle swarm optimization algorithmfor UAV path planningSU Zimei, DONG HongbinCollege of Information and Communication Engineering Harbin Engineering University, Harbin 150001, ChinaAbstract : Aiming at the problem of single scheme in UAV (Unmanned Aerial Vehicle) path planning, this paper proposes a multi-objective comprehensive learning particle swarm optimization algorithm framework based on set decomposition (MOCS-PSO/D). The algorithm uses the decomposition based multi-objective optimization framework (MOEA/D),combines set based particle swarm optimization (S-PSO) and comprehensive learning particle swarm optimization (CLPSO), so as to directly obtain more diverse path planning schemes, at the same time, in order to reduce the number of UAVs, the local search strategy is improved. The algorithm will be compared with the nearest neighbor random mixed hybridalgorithm, genetic algorithm and set based comprehensive learning particle swarm optimization (CS-PSO) through simulation experiments, and will be carried out in terms of convergence and diversity of solutions analysis.Keywords: intelligent system; UAV; path planning; greedy strategy; multi-objective optimization; particle swarm optimization; evolutionary algorithm; adaptive无人机路径规划的应用领域正变得越来越广。

第41卷第1期2021年2月西安工业大学学报Journal of Xi'an Technological UniversityVol.41No.1Feb2021DOI： 10.16185/.2021.01.013一种改进多目标灰狼优化算法的多无人机任务分配王昭1,华翔12(1.西安工业大学兵器科学与技术学院，西安7100212.西安工业大学电子信息工程学院，西安710021)摘要：针对多无人机对空中移动目标协同执行多任务问题，本文提出了一种基于并行机制的多目标灰狼优化算法。

结合无人机空中态势模型，以最小化执行代价和最小化时间代价为双目标函数,建立了多无人机协同多任务分配模型;将多个无人机视为并行的灰狼子群,对每个子群分别采用分层编码和多目标优化算法保留其最优个体；通过档案室共享策略获得整个群体的最优解；仿真对比验证了改进多目标灰狼优化算法与传统的智能算法。

研究结果表明：与多目标灰狼优化算法和多目标粒子群算法相比，基于并行机制的多目标灰狼优化算法在代价函数均值方面分别降低了约3.8%和4.1%，在收敛值方面分别降低了约15.5%和6.2%,具有更好的稳定性和收敛性。

关键词：任务分配；多目标灰狼优化算法；分层编码；档案室共享策略；协同多任务分配模型中图号：V279；TP18文献标志码：A文章编号：1673-9965(2021)01-0094-09Improved Multi-Objective Grey Wolf Optimization Algorithm forMulti-UAV Task AssignmentWANG Zhao1,HUA Xiang1'2(1.School of Defence Science and Technology,Xi'an Technological University,Xi'an710021,China；2.School of Electronic and Information Engineering,Xi?an Technological University,Xi'an710021,China)Abstract:This paper presents an improved multi-objective grey wolf optimization algorithm based on parallel mechanism for multiple unmanned aerial vehicles(UAVs)performing multiple tasks in coordination with multiple aerial moving targets.Firstly,a cooperative multiple task assignment model formulti-UAVisbuiltbyintroducingtheaerialsituation model，withcarrycostandtimecostasadual objectivefunction Secondly，the multi-UAV team is regarded as several para l el sub-swarms，and the layered encoding and multi-objective optimization strategies are adopted to preserve the optimal individuals of each sub-swarm simultaneously Fina l y，thearchive-sharedstrategyisusedtoobtainthe optimalsolution ofthe whole swarm The performance ofthe proposed algorithm is verified by*收稿日期:2021-01-06基金资助：陕西省2020年重点研发计划(2020GY-073)第一作者简介：王昭(1996—),女，西安工业大学硕士研究生。

基于粒子群算法的多目标优化问题求解研究多目标优化问题是指在一个优化问题中，存在多个目标函数需要同时优化的情况。

目前，多目标优化问题在工程设计、经济决策、交通规划等领域中得到了广泛应用。

然而，由于多目标优化问题困难且复杂，传统的优化算法往往不能很好地解决这种问题。

因此，研究者们提出了基于粒子群算法的多目标优化问题求解方法，以期能够更好地解决这类问题。

粒子群算法（Particle Swarm Optimization，PSO）是一种模拟鸟群觅食行为的随机优化算法，其基本思想是通过个体之间的合作和信息共享，寻找最优解的全局搜索能力。

粒子群算法具有较强的全局搜索能力、简单的计算过程和参数设置，因此被广泛应用于各个领域。

在多目标优化问题中应用粒子群算法时，需要进行适应度评价和解集更新。

适应度评价是指根据个体粒子的目标函数值，量化个体在解空间的优劣。

解集更新是指根据适应度评价的结果，对当前解集进行更新，以寻找更好的解。

在多目标优化问题求解中，经常使用的方法是帕累托前沿法。

帕累托前沿法的核心思想是通过将目标函数优化问题转化为帕累托最优解问题，通过寻找不可被其他解支配的解来确定最优解集。

通过粒子群算法求解多目标优化问题时，可以通过引入帕累托前沿法，对解集进行更新和筛选，以得到更精确的解。

在进行多目标优化问题求解时，需要注意以下几点。

首先，需要选择合适的目标函数，使其能够准确地反映问题的特征和需求。

其次，对于粒子群算法而言，需要设置合适的参数，包括惯性权重、加速常数以及学习因子等，以使算法能够在全局和局部搜索之间取得平衡。

此外，选择合适的解更新策略和适应度评价方法也对算法的性能有着重要影响。

在实际应用中，基于粒子群算法的多目标优化问题求解方法已经取得了一定的成果。

例如，在工程设计中，通过利用粒子群算法求解多目标优化问题，能够获得更优的设计方案。

此外，在城市交通规划中，通过基于粒子群算法的多目标优化方法，能够同时考虑交通流的分配、路网优化和环境保护等多个目标，实现城市交通的可持续发展。

基于改进粒子群算法的多无人机任务分配研究
国博;王社伟;陶军
【期刊名称】《计算机仿真》
【年(卷),期】2009(0)7
【摘要】任务分配问题是多无人机协同控制的关键技术之一.在深入分析多无人机任务分配问题特点的基础上,对现有模型进行了扩展,建立了多无人机协同任务分配的混合移数线性规划(MILP)模型.对现有粒子群算法进行了改进,提出一种具有较强全局搜索能力的多子群多阶段粒子群算法,开展了粒子群算法在多无人机协同任务分配问题中的应用研究,主要针对粒子群算法的编码策略、约束处理、算子选取、参数设置等方面进行相应的调整和改进.最后对算法进行了仿真,仿真结果表明了该方法的有效性.
【总页数】4页(P62-64,153)
【作者】国博;王社伟;陶军
【作者单位】空军航空大学航空控制工程系,吉林长春,130022;空军航空大学航空控制工程系,吉林长春,130022;空军航空大学航空控制工程系,吉林长春,130022【正文语种】中文
【中图分类】V279;V249
【相关文献】
1.基于改进鱼群算法的多无人机任务分配研究 [J], 杨尚君;孙永维;庞宇
2.基于改进量子粒子群算法的多无人机任务分配 [J], 邓可;连振江;周德云;李枭扬
3.基于粒子群算法的多无人机任务分配 [J], 李士波
4.基于粒子群算法的多无人机任务分配 [J], 李士波
5.基于改进PGA-PSO的多无人机协同雷达侦察任务分配 [J], 狄城弘;周陬;顾宇;周兰兰
因版权原因，仅展示原文概要，查看原文内容请购买。

多ucav对地打击协同任务分配方法多UCAV对地打击协同任务分配方法随着无人机技术的不断发展，多UCAV（Unmanned Combat Aerial Vehicle，无人作战飞行器）对地打击协同任务已经成为未来战争的重要形态之一。

在这种情况下，如何高效地进行任务分配是一个非常重要的问题。

本文将从以下几个方面介绍多UCAV对地打击协同任务分配方法。

一、任务需求分析在进行任务分配之前，首先需要进行任务需求分析。

通过确定目标类型、数量、位置、防御力量等因素，明确每个目标的重要性和优先级，以及每个UCAV的能力和限制。

这样可以为后续的任务分配提供必要的信息和依据。

二、多目标规划算法针对多目标规划问题，可以采用基于遗传算法或粒子群算法等优化算法进行求解。

具体实现过程如下：1. 将每个目标看做一个决策变量，其取值为0或1，表示是否选中该目标。

2. 设计适应度函数，并根据需求确定优化目标，比如最小化攻击时间、最大化毁伤效果等。

3. 初始化种群，并使用交叉、变异等操作进行进化。

4. 结合实际情况，设置适当的约束条件，比如每个UCAV的弹药数量、最大攻击距离等。

5. 迭代求解，直到达到预设的停止条件。

通过多目标规划算法，可以实现多UCAV对地打击协同任务分配的优化，提高任务完成效率和毁伤效果。

三、基于博弈论的任务分配方法在多UCAV对地打击协同任务中，每个UCAV都有自己的利益追求和限制条件。

因此，可以采用博弈论中的合作博弈模型来进行任务分配。

具体实现过程如下：1. 将每个UCAV看做一个参与者，并根据其能力、限制条件等确定其收益函数和策略集合。

2. 设计合作博弈模型，并确定核心解集合。

3. 通过核心解集合确定最优分配方案，并进行分配。

通过基于博弈论的任务分配方法，可以实现多UCAV之间的资源共享和利益平衡，提高整体效益和稳定性。

四、基于深度学习的任务分配方法近年来，深度学习技术在军事领域得到了广泛应用。

在多UCAV对地打击协同任务中，可以采用基于深度学习的任务分配方法。

第25卷第9期V ol.25No.9控制与决策Control and Decision2010年9月Sep.2010基于粒子群算法的多无人机任务分配方法文章编号:1001-0920(201009-1359-05李炜,张伟(电子科技大学电子科学技术研究院,成都610054摘要:作为多无人机系统应用的一项关键技术,任务分配是一个多维互异离散变量的优化问题.采用混合整数线性规划方法构造优化函数,并利用群智算法中的粒子群算法来求最优解,这样可以解决多无人机的任务分配问题.针对互异性要求进行必要的算法改进.数值仿真实验表明,该粒子群算法可以迅速找到优化函数的最优解,从而高效地实现多无人机的任务分配.关键词:多无人机;任务分配;粒子群算法;多维互异变量;代价函数中图分类号:V249.122文献标识码:AMethod of tasks allocation of multi-UA Vs based on particles swarm optimizationLI Wei,ZHANG Wei(Research Institute of Electronic Science and Technology,University of Electronic Science and Technology of China,Chengdu610054,China.Correspondent:LI Wei,E-mail:aegeanwei@Abstract:Task allocation is a kind of key technology in the application of multi-UA Vs systems,and it is a mutually exclusive multi-dimensions optimal problem.Mixed integer linear program is applied to build the optimal function,and particle swarm optimization(PSOalgorithm is utilized for searching the best solution in order to realize the task allocation of multi-UA Vs system.In the PSO algorithm,it is necessary to make some modification to suit for the acquirement of mutually exclusive. The numerical simulation shows that the presented algorithm canfind the optimal solution rapidly and accomplish the task allocation of multi-UA Vs e fficiently.Key words:Multi-UA Vs;Tasks allocation;PSO;Mutually exclusive;Cost function1引言由多个简单无人机通过协同、协作组成集群系统来完成单个无人机无法完成或难以完成的工作[1],已经成为各国研究者的普遍共识.因此,对于多无人机系统的研究受到了广泛关注.多无人机可实现多种作战任务,而基本的工作状态包括4种:1搜索目标状态:遵照事先规划的搜索路径飞行,寻找地面目标;2识别目标状态:利用目标识别算法判断目标为真目标、被击中的目标还是暂时无法确切判断类型的目标;3攻击目标状态:对于已经被识别为真的目标,无人机进入交会阶段,对其实施攻击;4毁伤评估状态:判断被攻击的目标是否还具备战斗力[2-4].针对无人机在某一时刻发现的目标,如何能够合理地将无人机以最佳的任务状态分配给最适合的目标是能否发挥多无人机协同工作效能的关键.国内外对该问题的研究已经成为热点.其中有代表性的研究成果包括:1采用网络最优模型进行任务分配的方法,它是模拟货物的供应需求的转换和变化,从而实现无人机和目标之间的任务分配[5,6];2利用多智能体的方法,将每个无人机都作为一个智能体,通过相互之间的交互实现任务的分配[7,8];3利用禁忌搜索的方法,依次对无人机分配任务,反复迭代,直至找到最优解[9];4采用混合整数线性规划方法,该方法可以找到一个最优解,但计算量较大[10,11].因此,在此基础上,有很多研究者结合蚁群算法、退火算法、遗传算法等最优化方法找到最优解.目前,通过模拟生物群体的行为来解决计算问题已经成为了新的研究热点.其中粒子群算法作为一种具有较强寻优能力、简收稿日期:2009-08-27;修回日期:2009-10-23.基金项目:国防预研项目(402030203;电子科技大学中青年学术带头人培养计划项目.作者简介:李炜(1980−,男,内蒙古包头人,助理研究员,博士,从事多机协同、智能控制等研究;张伟(1974−,男,四川达州人,副研究员,博士,从事智能系统、仿真技术等研究.1360控制与决策第25卷单通用,且鲁棒性强的方法被广泛应用于科学研究和工程实践中.本文的目标就是采用整形线性规划方法构造最优函数,利用群智算法中的粒子群算法求出最优解,从而实现多无人机的目标分配.2构造任务分配函数无人机根据识别目标的类型所需执行的任务包括3种:1对于真目标,执行攻击任务;2对于被攻击过的目标,执行毁伤评估任务;3对于无法判断类型的目标,执行再识别的任务.无人机根据自身与目标所处的位置和角度对目标进行分类识别,并且确定分类识别的置信度.如果识别结果低于预置的置信域,则报告为暂时无法识别类型的目标,这样选择无人机执行再识别的任务;一旦目标被确认为真目标,则无人机可以选择该目标进行交会;一旦无人机和目标满足了交会条件,无人机即可对目标进行攻击;目标被攻击后,其他无人机可对其进行毁伤评估,判断其状态,完全被摧毁或是仍然可以工作.从上述的描述可以看出,无人机对目标识别分类的准确程度是影响任务分配的首要因素.没有对目标正确的识别也就不会有合理的任务分配.为了简化目的,本文在建模时,认为无人机可以正确地对目标进行识别分类,而不会出现识别类型错误的情况.此外,值得注意的是,本文研究的对象是微小型无人机,其对目标的攻击是通过自身的战斗部起爆来实现的,即无人机实施攻击也意味着本身生命周期的结束.无人机的任务分配过程中需要考虑的因素包括:任务的优先级、时间约束以及任务路径的可飞性.任务的优先级是指对于每个被发现的目标根据其识别类型顺次执行相应的任务,例如经识别认为是真目标时,则应该先执行攻击任务,然后才能执行毁伤评估.时间约束是指给定的任务需要在一个特定的时间域内完成,超过了这个时间域,就可能意味着任务的失败,特别是在打击时间敏感目标的过程中,如果完成任务所需的时间过长,则很可能会丢失目标,从而使任务失败.如果假设所有无人机的飞行速度相同,那么任务路径越短,所对应的任务完成时间也就越短.任务路径的可飞性是指无人机在执行任务时所需飞过的路径满足运动学和动力学约束条件.2.1距离因素如果假设无人机飞行速度相同,则时间约束条件就转化为无人机与目标之间的距离因素.无人机与目标的距离越近,则完成任务的时间就越短,因此将该无人机分配给此目标的机率也就越大.用数学表达式表示如下:设距离因素对任务分配的影响为α1,则a1=w1d ij/d max.(1其中:d ij表示第j个无人机到第i个目标直接的距离;d max表示所有无人机中相对第i个目标的最大距离; w1为(0−1之间的一个数,表示距离因素对于任务分配影响程度的权重值,数值越大表明距离因素对任务分配的结果影响越大,反之则越小.2.2角度因素任务路径的可飞性要求飞行路径的最大曲率要满足无人机飞行性能的要求.在任务分配时,无人机所产生的路径受到多种不确定因素的影响,很难精确地对可飞路径加以量化描述.本文主要根据无人机当前的飞行方向与目标视线之间的夹角来描述产生任务路径的可飞性.如图1所示,θ表示无人机当前飞行方向与目标视线之间的夹角,虚线表示任务路径.由图1可以看出,目标1与无人机1生成的夹角θ11要小于目标2与无人机1生成的夹角θ21,相应的任务路径的曲率也较小,可飞性也就相应的越好;而对目标2而言,与无人机1生成的夹角θ21要大于与无人机2生成的夹角θ22,相应的任务路径曲率也较大,所以可飞性也就越差.因此,利用无人机当前的飞行方向与目标视线之间的夹角可大致地定量描述产生任务路径的可飞性.12θ11θ22θ21v2v12 1图1无人机可飞性示意图设无人机当前的飞行方向与目标视线之间的夹角对任务分配的影响为a2=w2θij/θmax.(2其中:θij为第j个无人机的飞行方向与第i个目标视线的夹角;θmax为无人机飞行方向与目标视线的最大夹角,根据夹角的定义,θmax=180;w2为飞行方向与目标实现夹角对于任务分配结果的影响程度,数值越大,表明对结果的影响越显著,反之则越微弱.2.3时间因素无人机剩余飞行时间主要用来评价执行任务的代价.例如在执行攻击任务时,选择一架刚出发的无人机要比选择一架燃油即将耗尽的无人机付出的代价大得多.因此,在进行任务分配时,尽可能将作战任务分配给剩余飞行时间少的无人机.对任务分配的影第9期李炜等:基于粒子群算法的多无人机任务分配方法a 3=w 3jt max.其中:t j 为无人机j 的剩余飞行时间;t max 为无人机最大的飞行时间;w 3为无人机剩余飞行时间对任务分配结果的影响程度,数值越大,表明剩余飞行时间对结果的影响越大,反之越小.综上所述,可构造无人机任务分配的代价函数为C (x ij =P i (α1+α2+α3=P i (w 1d ijd max +w 2θij θmax +w 3t j t max.(4其中:x ij 为j 无人机作用于i 目标;P i 为目标的识别概率,当P i 落入不同的识别置信区域时,分别判定为无法识别类型的目标、真目标、被攻击的目标;相对应地,将C (x ij 的定义域写为{R cost ,A cost ,B cost },分别为再识别任务代价、攻击任务代价和毁伤评估任务代价.对应不同的目标类型,式中的权重取值不同.2.4优化问题由此可将任务规划问题转化为寻找下列优化问题的最优解:Cost =minn ∑i =0C (x ij x ij .(5s .t .C (x ij ∈{R cost ,A cost ,B cost };(6n ∑ix ij =1,j =1,2,⋅⋅⋅;(7m ∑jx ij =1or 0,i =1,2,⋅⋅⋅;(8x ij ∈{0,1},i =1,2,⋅⋅⋅,j =1,2,⋅⋅⋅.(9其中:n 为目标的数量,m 为无人机的数量,i 为目标编号,j 为无人机编号,C (x ij 为i 无人机与j 目标之间的代价系数.约束条件(6表示代价系数只能是3种代价系数之一;约束条件(7表示对于任意一个目标,当前时刻只能有一个无人机对其发生作用;约束条件(8表示在任意时刻,任意一个无人机至多对一个目标发生作用,并假设无人机的数量大于等于各类目标的总数量,对于未与目标配对的无人机则继续执行搜索任务;约束条件(9表示x ij =0为(0-1变量,当j 无人机作用于i 目标时,x ij =1,否则x ij =0,表示如下:x ={1,子弹药j 作用于目标i ;0,否则.3粒子群算法求解粒子群优化算法是由美国的Kennedy 和Elberhart 受到鸟群觅食行为的启发,于1995年提出的.最初的设想是仿真简单的社会系统,研究解释复杂的社会行维搜索空间“流动”的,粒子在搜索空间内的位置变化是以一个个体成功地超过其他个体的社会心理意向为基础的.因此,群中粒子的变化受到其邻近粒子经验或知识的影响,一个粒子的搜索行为受到群中其他粒子的搜索行为的影响.粒子群算法具有计算的快速性和算法本身的易实现性,由于粒子群迁移过程是有方向性的,搜索过程中运用反馈原理并采用并行计算技术,具有较高的搜索效率,这是其他算法所不具备的优势.无人机的任务分配问题是离散变量问题,因此利用粒子群算法来进行优化问题求解时,需要将更新的速度离散化,粒子的位置也随之被离散化.具体方法是利用Miranda 和Fonscca 提出的概率舍入的方法[12],按速度更新后的数值到取值空间内每个整数的距离的概率比例进行舍入.3.1基本优化算法将n ∑i =0x ij 记为微粒X k ,其位置变化表现为编号为i 的目标和编号为j 的无人机之间的任务配对情况.它经历过的最好位置记为p best ,在群体所有微粒经历过的最好位置的索引号记为g best .微粒k 的速度用V k =(v k 1,v k 2,⋅⋅⋅,v kn 表示,对于每一代,v ki 根据如下方程迭代:v ki (t +1=w p v ki (t +c 1r 1(p ki (t −X ki (t +c 2r 2(p gi (t −X gi (t ,(10X ki (t +1=X ki (t +v ki (t +1.(11其中:w p 为线性递减权重[13];c 1,c 2为学习常数,r 1,r 2为介于0到1的随机数;p ki (t 为每个微粒到目前为止,所出现的最优位置;p gi (t 为所有微粒到目前位置,所出现的最优位置.在搜索时,微粒的位置被最大位置和最小位置限制,如果某微粒在某维的位置超出该维的最大位置或者最小位置(弹目的任务分配超过了目标数或无人机数范围,则该微粒的位置被限制为该维的最大位置或最小位置.同样,微粒的速度也被限制于最大速度和最小速度之间[14],具体公式如下:v ki ={v max ,v ki >v max ;−v max ,v ki <−v max .其中:v max 为设定的最大速度向量.当粒子速度过大时,将可导正回适当速度向量,如粒子往负向速度过大时,则会限定最大负向速度.3.2粒子群改进算法流程在任务分配的求解问题中,变量的取值是离散1362控制与决策第25卷的,所以为非连续的优化问题.在利用PSO算法进行优化时,必须进行变量的离散化:一方面需要将粒子的位置离散化,另一方面也要将更新速度离散化.同时更为重要的是,在利用PSO算法时,必须要满足约束条件(7和(8的要求.因此粒子在选择新位置的时候,并不是在全定义域内进行选择.粒子移动的位置表示该粒子对于任务分配的结果,目标的数目也是微粒的维数,粒子的更新速度为无人机和目标之间的任务配对的变化情况.根据约束条件要求,任意目标只能有一个无人机对其发生作用,任一无人机至多也只能对一个目标执行任务.因此在PSO算法的寻优过程中,微粒各维的最终位置应该是互异的,在本文中采用多次迭代的方法,直到各维变量的位置都不同时,才继续往下执行,具体的算法流程如图2所示.图2粒子群算法流程图Step1:初始化设置微粒群的规模,惯性权值,加速系数,最大允许迭代次数.Step2:针对每个微粒,生成随机的初始无人机和目标的任务配对,并计算目标评价函数.Step2.1:依次对每个目标分配一个无人机来执行作战任务,如果无人机和目标的任务分配出现同一个无人机对两个不同的目标执行任务时,则再重新分配,直到此类情况不再出现(不重复原则.Step2.2:当每个微粒的初始弹目任务分配满足要求时,按目标评价函数评价各微粒的初始适应值.Step3:根据公式计算各微粒新的速度,并对各微粒新的速度进行限幅处理.Step4:根据公式计算各微粒新的位置,并对各微粒新的位置进行限幅处理.Step5:当微粒处于新位置时,同时存在微粒对于无人机和目标的任务分配出现Step2.1的情况时,重新执行Step3和Step4,直到满足要求.Step6:按目标评价函数重新评价各微粒适应值.Step7:对每个微粒,比较其当前适应值和其个体经历过的最好适应值,若当前适应值更优,则令当前适应值为其个体历史最好的适应值,并保存当前位置为其个体历史最好位置(个体最优弹目任务分配.Step8:比较群体所有微粒的当前适应值和全局历史最好的适应值,若某微粒的当前适应值更优,则令该微粒的当前适应值为全局历史最好适应值,并保存该微粒的当前位置为全局历史最好位置(全局历史最优弹目任务分配.Step9:若满足停止条件,则搜索停止,输出搜索结果;否则,返回Step3继续搜索.Step10:g best为搜索到的最优值.粒子群改进算法伪码如下:初始化粒子数量、最大迭代次数、结束标志阈值、目标数量、无人机数量;For i=1粒子数计算每个粒子的初始位置(为每个目标分配无人机;计算粒子初始移动速度;End;DoFor i=1粒子数根据目标代价函数计算粒子p i的个体适应值;If此适应值优于此前该粒子最好位置p best的适应值更新p best值;End;End;从所有粒子中找出个体适应值最大的位置p best赋给g best,并记录该粒子的任务分配结果;For i=1粒子数根据公式更新p i的速度,速度被限制在[−v max, v max]之间;根据公式更新p i的位置,位置被限制在可行域上(可行的任务分配;End;While(当最优适应值大于结束标志域且迭代次数小于最大迭代数输出最优结果.4数值仿真为了验证本文提出的任务分配算法的性能,设定静止目标数量为5个,分别处于(300,10,(350,10, (400,10,(450,10和(500,10.其中:目标3为无法识别的目标,目标4为被攻击过的目标,其他目标都为第9期李炜等:基于粒子群算法的多无人机任务分配方法1363真目标.无人机的数量为50个,其x 坐标50开始,依次增大10;y 坐标都为500,速度方向都是指向y 轴的负半轴.分别设粒子数量为1000,2000,5000,最大迭代次数为100,惯性权值设为0.5.经过多次计算得出的最终结果为:第25号无人机对第1个目标执行攻击任务,第30号无人机对第2个目标执行攻击任务,第35号无人机对第3个目标执行再识别任务,第40号无人机对第4个目标执行毁伤评估的任务,第45号无人机对第5个目标执行攻击任务,最终的代价函数适应值为0.78.在粒子数设为1000时,经过100次的迭代会出现结果不最优的情况.而当粒子数设为5000时,每次计算都可以获得最优解.由此可以看出,粒子数的规模对寻找最优解有直接的影响,如图3所示.204060801000.80.911.1Na=5000Na=2000Na=1000图3适应函数值收敛曲线由图3可知,在粒子数较多时,经过较少的迭代次数(30代就可以收敛到最优值,而当粒子较少时,一般需要经过更多次的迭代才可以收敛到最优值.将无人机的飞行方向改为从与,x 轴正向呈−65˚开始,以一度的差值依次递减.经过多次计算得到的结果为:第25号无人机对第1个目标执行攻击任务,第32号无人机对第2个目标执行攻击任务,第35号无人机对第3个目标执行再识别任务,第38号无人机对第4个目标执行毁伤评估的任务,第40号无人机对第5个目标执行攻击任务,最终的代价函数适应值为1.187.此外,在此条件下,将权重值w 2从1.5调整到0.5时,最优结果又变为:第23号无人机对第1个目标执行攻击任务,第25号无人机对第2个目标执行攻击任务,第28号无人机对第3个目标执行再识别任务,第30号无人机对第4个目标执行毁伤评估的任务,第32号无人机对第5个目标执行攻击任务,最终的代价函数适应值为0.862.5结论多无人机的任务分配是多维互异离散变量寻优问题,对其求解是一项非常耗费计算的工作.利用概念清晰、搜索速度快、易于实现的粒子群算法来进行求解是一项非常好的选择.本文通过对速度更新和位置更新的多次迭代来适应多维变量互异性的要求,获得了比较好的寻优效果.从文中的数值仿真结果可以看出,在1000∼2000个粒子群规模的条件下,经过几十次迭代就可以找到最优解,耗费计算资源小,可满足机载计算机甚至是单片机的运算要求.因此,利用粒子群算法可以高效快速地解决多人机的任务分配问题.参考文献(References[1]David Frelinger,Joel Kvitky,William Stanley.Proliferated autonomous weapons[R].SantaMonica:RandCorporation.[2]Corey Schumacher,Phillip R Chandler,Steven Rasmussen.Task allocation for wide area search munitinos[D].Anchorage:Wright-Patterson Air Force Base,2002.[3]Robert Dunkel Ⅲ.Investigation of cooperative behavior in autonomous wide area search munitions[D].Ohio:Air Force Institute of Technology,2002.[4]Orhan Gozaydin.Analysis of cooperative behavior for autonomous wide area search munitions[R].Ohio:Air Force Institute of Technology,2002.[5]Kendall Nygard,Phillip Chandler,Meir Pachter.Dynamic network flow optimization models for air vehicle resource allocation[C].American Control Conf.Arlington,2001:25-27.[6]Schumacher C J,Chandler P R,Rasmussen S J.Task allocation for wide area search munitions via iterative network flow optimization [C].Proc of the AIAAGuidance,Navigation,and Control Conf.Monterey,2002:3472-3477.[7]姚宗信,李明,陈宗基.多机协同作战任务决策方法多智能体结构框架[J].电光与控制,2008,15(3:1-4.(Yao Z X,Li M,Chen Z J.Multi-agent framework of mission decision-making method for multi-aircraft cooperative combat[J].Eletronics Optics and Control,2008,15(3:1-4.[8]曹菊红,高晓光.多架无人机协同作战智能指挥控制系统[J].火力与指挥控制,2003,28(5:22-24.(Cao J H,Gao X G.Agent-based design for multi-ucav intelligent command and control cooperative system[J].Fire Control and Command Control,2003,28(5:22-24.[9]Ryan J L,Bailey T G,Moore J T,et al.Unmanned aerial vehicles (UA Vroute selection using reactive Tabu search [J].Military Operations Research,1999,(4:5-24.[10]Richards A,Bellingham J,Tillerson M,et al.Coordinationand control of multiple UA Vs [C].Proc of the AIAA Guidance,Navigation,and Control Conf.Monterey,2002.[11]Schumacher C J,Chandler P R,Pachter M,et al.Constrained optimization for UA V task assignment [C].Proc of the AIAA Guidance,Navigation,and Control Conference.Providence,2004.(下转第1368页。

基于粒子群算法的多无人机任务分配作者：李士波来源：《软件导刊》2018年第07期摘要：多无人作战飞机任务分配是无人机协同控制的一项关键技术。

综合无人机后续攻击任务和影响无人机作战效能评估的各种因素，按照分阶段分配方法建立了多UCAV任务分配模型，并使用粒子群算法对建立的任务分配模型进行求解，将每个粒子的位置使用两个多维向量表示，两个向量分别采用两种不同方式同时进化。

该方法解决了分配模型复杂性带来的分配难题，取得了良好的分配效果。

关键词：任务分配；协同控制；无人作战飞机；粒子群优化DOI：10.11907/rjdk.173133中图分类号：TP319文献标识码：A文章编号：1672-7800（2018）007-0193-03Abstract：Multi-UCAVmissionallocationisthekeytechniqueforcoordinatecontrol.Consideringtheconsequentattackmissi onandthemainfactorsthataffectcombatefficiencyassessment，themissionallocationmodelthatbasedondifferentstagesisestablished.Particleswarmoptimizationalgorith misproposedtosolvetheproblem，eachparticle’spositionisexpressedintwomulti-dimensionvectorsandthevectorsevolveindifferentmannerssynchronously，theevolvevalueisusedincostevaluationsubsequently.Thismethodhassolvedtheallocationproblemthatbrou ghtaboutthecomplexityoftheallocationmodelandreceivedgoodallocationresults.KeyWords：missionallocation；coordinatecontrol；unmannedcombataerialvehicle；particleswarmoptimization（PSO）0引言无人作战飞机（UnmannedCombatAerialVehicles，UCAV）从事的任务具有很大的危险性和复杂性，因此通常采用多架无人机共同执行任务的策略[1-3]。