下载文档原格式
应急救援系统中的多 UAV 协同任务调度算法研究随着科技的不断进步和无人机技术的成熟，无人机在应急救援领域扮演着越来越重要的角色。
多无人机的协同任务调度算法是提高救援效率和响应速度的关键。
本文将探讨应急救援系统中多UAV 协同任务调度算法的研究与应用。
一、无人机任务调度的重要性1. 救援效率提升：在应急救援任务中，时间通常是最重要的因素，因为救援人员需要尽快到达灾难现场，提供帮助。
多无人机的协同任务调度算法能够实现任务的高效分配，优化路径规划，最大化利用无人机资源，从而提高救援效率。
2. 资源优化利用：无人机是一种昂贵的设备，合理的任务调度能够避免资源浪费，提高资源利用率。
通过算法的优化，可以最大限度地使用可用的无人机，避免任务之间的冲突，合理安排时间和能量消耗。
3. 减少人员风险：应急救援任务通常面临极端环境和危险情况，直接派遣救援人员存在一定的风险。
利用无人机执行任务可以减少人员在救援过程中的风险，降低意外事故的发生。
二、常见的多 UAV 协同任务调度算法1. 遗传算法：遗传算法是一种模拟生物进化过程的优化算法，通过不断迭代、交叉和变异来搜索最优解。
在无人机协同任务调度中，可以将每个无人机的任务分配视为染色体，并通过遗传算法来求解最优的任务分配方案。
2. 蚁群算法：蚁群算法是模拟蚂蚁觅食行为的一种启发式算法，适用于解决旅行商问题等优化问题。
在多无人机任务调度中，可以将无人机视为蚂蚁，将任务分配作为路径选择问题来解决，通过信息素的积累和挥发来实现任务的优化分配。
3. 粒子群优化算法：粒子群优化算法是模拟鸟群觅食行为的一种优化算法，通过个体的自我认知和群体的合作来搜索最优解。
在多无人机任务调度中，可以将无人机视为粒子，通过粒子的位置和速度来表示任务分配和路径规划，在群体中寻找最优解。
三、多 UAV 协同任务调度算法研究进展1. 静态环境下的任务调度：静态环境下多 UAV 协同任务调度是指在灾难发生前已经准备好任务信息和环境信息的情况下进行任务调度。
无人机航迹规划中的路径规划算法比较与优化无人机（Unmanned Aerial Vehicle，简称无人机）作为近年来飞行器技术的重要突破之一，在航空航天、军事、农业、物流等领域发挥着重要作用。
在无人机的飞行控制中，路径规划算法的选择至关重要，它决定了无人机的飞行轨迹，直接影响着无人机飞行的效率和安全性。
本文将对几种常见的无人机路径规划算法进行比较与优化分析。
1. 最短路径算法最短路径算法是无人机航迹规划中最常用的算法之一。
其中，迪杰斯特拉（Dijkstra）算法和A*算法是两种主要的最短路径算法。
迪杰斯特拉算法是一种基于广度优先搜索的算法，通过不断更新每个节点的最短路径长度，最终确定无人机飞行的最短路径。
A*算法在迪杰斯特拉算法的基础上加入了启发式函数，能够更加准确地估计路径的代价。
2. 遗传算法遗传算法是一种模拟自然界进化过程的优化算法。
它通过对候选路径进行遗传操作（如选择、交叉、变异等），通过适应度函数对路径进行评估，最终得到适应度最高的最优路径。
遗传算法具有较好的全局搜索能力，能够寻找到较优的飞行路径。
3. 蚁群优化算法蚁群优化算法模拟了蚂蚁的觅食行为，通过信息素的交流和更新来实现路径的优化。
蚁群算法具有较强的自适应性和鲁棒性，能够快速找到较优的路径。
在无人机航迹规划中，蚁群算法可以有效解决多无人机协同飞行的问题。
4. PSO算法粒子群优化（Particle Swarm Optimization，简称PSO）算法模拟了鸟群觅食的行为，通过不断地更新粒子的位置和速度，寻找最优解。
PSO算法具有较好的收敛性和全局搜索能力，在无人机航迹规划中能够有效地找到较优的路径。
5. 强化学习算法强化学习算法是一种通过试错和奖惩机制来优化路径选择的算法。
它通过构建马尔可夫决策过程（Markov Decision Process，简称MDP）模型，通过不断地与环境交互来学习最优策略。
强化学习算法在无人机航迹规划中能够适应环境的变化，快速学习到最优路径。
基于多智能体系统的协作控制与规划随着科技的进步和人工智能的发展，多智能体系统在各个领域中得到了广泛的应用。
在复杂任务中，多智能体系统的协作控制与规划显得尤为重要。
本文将介绍基于多智能体系统的协作控制与规划的概念、方法和应用。
一、概念和方法1. 多智能体系统多智能体系统是由多个具有自主性和感知能力的智能体组成的系统。
每个智能体都能通过感知环境、推理决策和执行行动来实现任务目标。
多智能体系统的协作控制与规划旨在通过智能体之间的合作与交互，实现任务的高效完成。
2. 协作控制协作控制是指智能体之间相互协作，共同实现任务目标的过程。
在协作控制中，智能体之间需要进行信息交换、任务分配和决策调整，以达到整体性能的最优化。
协作控制方法包括集中式和分布式两种方式。
集中式方法由一个中央决策器进行决策和控制；而分布式方法中，每个智能体都具有一定的自主性和决策能力。
3. 协作规划协作规划是指通过规划智能体的动作和行为，实现智能体之间的协作和任务分配。
协作规划主要包括路径规划和运动规划两个过程。
路径规划是指确定智能体的移动路径，使其能够有效地到达目标位置；而运动规划则是指智能体在到达目标位置的过程中如何避免碰撞和保持稳定性。
二、应用领域1. 自动驾驶车辆多智能体系统在自动驾驶车辆中的应用已经被广泛研究。
在自动驾驶系统中，通过多个智能体之间的协作控制和规划，车辆能够实现自主导航、交通流优化和车辆间的安全协作。
例如，车辆之间可以通过通信和感知技术共享信息，避免碰撞和交通拥堵。
2. 无人机群无人机群的协作控制与规划是无人机应用中的主要研究方向之一。
通过多智能体系统的协作控制，无人机群可以实现任务覆盖、目标跟踪和信息收集等功能。
例如，在灾害救援中，多个无人机可以协同工作，搜索失踪的人员或者提供紧急救援物资。
3. 工业自动化在工业自动化领域，多智能体系统的协作控制和规划可以应用于机器人和智能设备的协同工作。
通过智能体之间的协作，可以提高生产效率和减少人力成本。
无人机集群协同控制研究在当今科技飞速发展的时代，无人机技术正以惊人的速度不断演进。
其中，无人机集群协同控制成为了一个备受关注的研究领域。
无人机集群协同控制，简单来说，就是让多个无人机能够相互协作、共同完成特定的任务。
这一技术具有广泛的应用前景，从军事侦察、搜索救援到农业植保、物流配送等领域，都能看到其潜在的价值。
要实现无人机集群的协同控制，首先需要解决的是通信问题。
在一个无人机集群中，各个无人机之间需要实时、高效地交换信息，以确保它们能够协调行动。
这就对通信的可靠性、带宽和延迟提出了很高的要求。
为了实现可靠的通信，研究人员采用了多种技术手段，比如优化通信协议、使用多频段通信以及引入中继节点等。
在通信问题得到一定解决的基础上，路径规划是无人机集群协同控制中的另一个关键环节。
每架无人机都需要根据任务目标和周围环境，规划出最优的飞行路径。
这不仅要考虑到单个无人机自身的性能和限制，还要考虑到整个集群的协同效果。
例如，在执行搜索任务时，无人机集群需要以一种覆盖范围广、效率高的方式进行搜索，避免重复和遗漏。
这就需要精心设计的路径规划算法，能够综合考虑各种因素，生成最优的路径方案。
任务分配也是无人机集群协同控制中的重要问题。
不同的无人机可能具有不同的性能和能力，如何根据任务的需求和无人机的特点，合理地分配任务，是提高整个集群效率和完成任务质量的关键。
比如，有的无人机续航能力强，可以承担长距离的侦察任务；有的无人机搭载了高精度的传感器，可以负责重点区域的监测。
通过合理的任务分配，能够充分发挥每个无人机的优势，实现集群的整体最优。
在实际的应用场景中，无人机集群还需要应对各种不确定性和干扰。
例如，天气变化可能影响无人机的飞行性能，电磁干扰可能导致通信中断，障碍物的出现可能需要无人机重新规划路径。
因此，无人机集群协同控制需要具备强大的鲁棒性和适应性，能够在各种复杂和变化的环境中稳定运行。
为了实现这些目标，研究人员采用了多种控制策略和算法。
无人机群智能编队控制及路径规划方法无人机群智能编队控制及路径规划方法无人机群在现代应用中扮演着越来越重要的角色，无论是在事领域还是在民用领域，如环境监测、物流运输、灾难救援等。
智能编队控制和路径规划是无人机群应用中的关键技术，它们直接影响到无人机群的效率、安全性和任务完成的成功率。
本文将探讨无人机群智能编队控制及路径规划的方法。
一、无人机群编队控制概述无人机群编队控制是指通过控制算法，使多架无人机按照预定的队形和规则进行协同飞行。
编队控制不仅要求每架无人机能够飞行，还要求它们能够根据环境变化和任务需求进行动态调整。
编队控制的核心问题包括队形保持、队形变换、队形重构和队形优化等。
1.1 编队控制的基本原理编队控制的基本原理是通过设计控制律，使得无人机群能够根据领导者的指令或者预设的规则进行协同飞行。
这通常涉及到领导者-跟随者模型、虚拟结构模型和行为模型等不同的控制策略。
1.2 编队控制的关键技术编队控制的关键技术包括队形设计、队形稳定性分析、队形调整策略和队形优化算法。
队形设计需要考虑无人机的动力学特性和任务需求，设计出合理的队形结构。
队形稳定性分析则需要评估在不同环境和干扰下，编队能否保持稳定。
队形调整策略和优化算法则用于在飞行过程中对队形进行动态调整，以适应任务需求和环境变化。
二、无人机群路径规划方法路径规划是无人机群飞行中的一个重要环节，它涉及到从起点到终点的最优或可行路径的选择。
路径规划需要考虑多种因素，如飞行安全、飞行时间、能耗、避障等。
2.1 路径规划的基本原则路径规划的基本原则是确保无人机群能够安全、高效地从起点飞到终点。
这通常需要在满足飞行安全和任务需求的前提下，尽可能减少飞行时间和能耗。
2.2 路径规划的关键技术路径规划的关键技术包括环境感知、路径搜索算法、避障策略和多无人机协同规划。
环境感知技术用于获取无人机周围环境的信息，为路径规划提供依据。
路径搜索算法则用于在已知环境中搜索最优或可行的飞行路径。
无人机飞行中的任务调度与路径规划研究近年来，随着无人机技术的快速发展，无人机的应用场景也越来越广泛。
无人机的飞行任务涉及到多种因素，例如飞行时的天气、地形以及飞机机身本身的限制等，需要对无人机进行合理的任务调度与路径规划，以提高其飞行效率和安全性。
一、任务调度无人机的任务调度是指将多个无人机进行合理地分配任务，使得无人机完成各自的任务后能够迅速地进行下一阶段的任务，从而提高整体任务的完成效率。
无人机任务调度的关键在于将多个任务进行合理地分配，同时满足任务之间的时序关系和先后顺序。
在任务调度中，无人机需要根据任务类型和任务场景进行不同的调度。
例如，在搜索救援的任务中，需要将无人机分配到救援区域进行搜索，同时进行区域巡航对可能的目标进行搜索，以极大地提高搜索效率。
还有一些任务是需要多组无人机协同完成，例如固定目标的监测和跟踪，需要多个无人机协同对目标进行完整监测，从而达到更全面的视角和更高的精准度。
二、路径规划路径规划是指在无人机的飞行中，对其航迹进行优化，使得无人机能够在地形、障碍等条件下高效完成任务。
路径规划需要综合考虑航迹的长度和时间、环境因素以及任务需求等因素，从而实现无人机的高效、安全飞行。
路径规划中，需要对无人机飞行的最短路径进行计算，同时考虑到绕路距离和时间的因素，可以基于传统的搜索算法如Dijkstra算法、A*算法以及启发式搜索等进行路径规划。
同时，还可以引入带有约束条件的路径规划算法，如LPA*算法、D*算法等。
除了传统的路径规划算法之外，还可以借助机器学习的思想，设计路径规划算法。
例如，通过识别地形、预测天气和障碍物等因素，将路径规划和机器学习算法结合，实现更加智能高效的路径规划。
三、小结无人机的飞行任务调度与路径规划是保证其高效、安全飞行的基础。
其中，任务调度涉及到任务分配、任务执行和任务转移等多个环节；路径规划则需要考虑到无人机自身的能力、地形、环境因素等多方面因素。
在无人机的飞行领域中，任务调度与路径规划是其核心的技术瓶颈，需要不断探索和完善相关技术，以满足不同的应用场景需求。
多智能体协同主要方法以下是 7 条关于“多智能体协同主要方法”的内容：1. 沟通很关键呀！就像在足球场上，球员们要不断交流位置和战术，智能体之间也要及时共享信息，才能更好地配合。
比如一群无人机在执行任务时，通过有效的沟通来规划飞行路线，避免相互碰撞，这不是超级棒嘛？2. 明确分工那可是必须的哦！就好比一场音乐会，各种乐器有各自的职责，共同奏响美妙乐章。
智能体们也是呀，各自承担不同任务，像机器人团队中，有的负责搬运，有的负责检测，这样才能高效运作呀，难道不是吗？3. 相互信任太重要啦！如同伙伴一起爬山，要信任对方会拉自己一把。
智能体之间也要有这种信任，才能放心地协作。
比如自动驾驶的车辆之间，只有相互信任行驶策略，才能安全有序地在路上跑呀，这多厉害呀！4. 灵活应变不能少哇！好比在战场上，形势瞬息万变，要迅速调整策略。
智能体在遇到突发情况时也得灵活应变呀，比如一个智能物流系统，遇到意外状况能马上改变运输路径，这多牛哇！5. 学习与进步也不能忘呀！就像我们人不断学习成长一样，智能体也要不断提升自己的能力。
例如智能机器人通过不断训练，变得越来越聪明能干，能更好地与人协同工作，这可太有意思啦！6. 建立规则要有呀！仿佛交通规则让道路有序，智能体之间也需要规则来规范行为。
像多智能体的工厂，有了明确规则才能有条不紊地生产，这多合理呀！7. 目标一致超重要哒！如同龙舟上的队员们都朝着终点奋力划桨，智能体们也必须为了共同目标努力。
比如一个科研团队的智能系统，为了攻克同一个难题而协同工作，这不是非常有意义嘛！我觉得多智能体协同就像是一场精彩的大合唱，只有每个部分各司其职、相互配合，才能唱出美妙动听的旋律，创造出更大的价值！。
无人机的智能化路径规划与优化在当今科技飞速发展的时代，无人机已经成为了众多领域的重要工具，从航拍、物流运输到农业植保、抢险救援等，其应用范围不断扩大。
而要让无人机能够高效、安全地完成各种任务，智能化的路径规划与优化就显得至关重要。
路径规划，简单来说，就是为无人机找到一条从起始点到目标点的最优路径。
这可不是一件简单的事情，因为无人机在飞行过程中会面临各种各样的限制和挑战。
比如说，要避开障碍物，考虑飞行环境中的地形、气象等因素，还要满足任务的特定要求，比如最短飞行时间、最低能耗等。
那么，什么是智能化的路径规划呢？它是指利用先进的技术和算法，让无人机能够自主地、智能地做出路径决策。
这就需要无人机能够感知周围环境，理解任务需求，并根据这些信息实时调整飞行路径。
在实现智能化路径规划的过程中，首先要解决的就是环境感知的问题。
无人机需要配备各种传感器，如摄像头、激光雷达、超声波传感器等，来获取周围环境的信息。
这些传感器就像是无人机的“眼睛”，能够帮助它“看到”周围的障碍物、地形地貌等。
但仅仅获取信息还不够，还需要对这些信息进行处理和分析，以便无人机能够理解环境的特点和潜在的危险。
接下来就是路径生成的环节。
这就像是在一个复杂的迷宫中找到一条出路。
传统的路径规划方法可能会基于一些固定的规则和算法，比如贪心算法、A算法等。
但这些方法往往不够灵活，无法适应复杂多变的环境。
而智能化的路径规划则会引入机器学习、深度学习等技术，让无人机能够从大量的数据中学习到如何生成最优路径。
比如说，通过使用强化学习算法，无人机可以在虚拟的环境中进行多次尝试和训练，逐渐学会如何在不同的情况下选择最佳的飞行方向。
这种学习过程类似于人类通过不断的实践和经验积累来提高自己的能力。
优化路径则是在已经生成的路径基础上，进一步提高其性能。
这可能包括减少飞行距离、降低能耗、提高飞行速度等。
为了实现优化，需要对路径进行评估和分析，找出可能存在的问题和改进的空间。
多无人机任务分配与路径规划算法研究的开题报告一、研究背景及意义随着无人机技术的不断发展，无人机在各个领域中的应用越来越广泛。
无人机具有自主性、高效性和低成本等优势，可以被广泛应用于自然灾害、资源勘探、农业植保、边境巡逻、物流配送、无线通信、环境监测等领域。
但是，现有的无人机任务分配与路径规划算法存在很多问题，如算法复杂度高、任务执行效率低、路径规划难度大等，这些问题限制了无人机的更广泛应用。
因此，研究无人机任务分配与路径规划算法具有重要的现实意义和理论价值。
二、研究内容和目标本研究旨在针对现有无人机任务分配与路径规划算法存在的问题，提出一种高效、稳定和可行的无人机任务分配与路径规划算法。
具体的，本研究将从以下几个方面展开：1. 基于任务属性的无人机任务分配算法研究，实现任务优先级的合理分配，提高任务执行效率2. 借鉴遗传算法、粒子群算法等自然优化算法，以无人机覆盖范围、任务执行成本、无人机飞行速度等为参数，构建一个适应度函数，优化任务分配方案3. 研究基于无人机运动模型和环境场景的路径规划算法，避免无人机之间的碰撞和避免撞击障碍物4. 结合支持向量机、神经网络等机器学习方法，对若干实际场景下的无人机任务分配和路径规划进行模拟，验证所提算法的有效性和稳定性三、研究方法和步骤本研究将以文献综述、方案设计、算法模拟和验证实验等步骤开展。
具体来说，研究方法包括：1. 文献综述：对国内外关于无人机任务分配和路径规划方面的研究进展进行比较深入的调研和综述，梳理目前研究谋求解决的问题和所采用的方法2. 方案设计：在文献综述的基础上，结合本研究的实际需求，将研究分为任务分配和路径规划两部分，设计相关算法流程和计算模型3. 算法模拟：在设计的算法模型和流程指导下，通过编程实现算法的模拟，展开相关计算模拟和数值分析4. 验证实验：结合实际场景，验证所提算法的有效性和稳定性，并与其他算法进行比对和分析。
四、研究难点和创新点1. 无人机任务分配的任务优先级分配方法，如何根据任务属性和无人机策略给出任务执行优先级2. 基于自然优化算法的任务分配模型设计，通过粒子群算法等自然优化算法优化任务分配和路径规划3. 无人机路径规划方法的设计，如何将环境因素、无人机运动模型以及避撞算法进行合理设计4. 根据实际应用场景对算法进行挑战，验证所提算法的适用性和性能表现。
收稿日期：2017-03-29修回日期：2017-05-19作者简介：王钦钊（1973-），男，山东文登人，博士生导师。
研究方向：火控系统、系统仿真。
摘要：针对多UCAV 协同作战的复杂问题，建立了多无人机任务分配模型，模型在任务规划前进行路径预规划，增强规划过程的准确性，提出一种基于整数编码的多种群混合遗传算法对问题求解并进行仿真实验。
实验结果表明，该算法增强了搜索的有效性，极大地避免了遗传算法容易陷入未成熟收敛的缺陷，保证了寻优过程的收敛性和任务规划效果的最优化。
关键词：无人作战飞机，任务规划，多种群混合遗传算法，路径规划中图分类号：TP391文献标识码：ADOI ：10.3969/j.issn.1002-0640.2018.03.019多无人机协同任务规划方法王钦钊，程金勇，李小龙（陆军装甲兵学院，北京100072）Method Research on Cooperative Task Planning for Multiple UCAVsWANG Qin-zhao ，CHENG Jin-yong ，LI Xiao-long（Army Academy of Armored Force ，Beijing 100072，China ）Abstract ：To solve the complicated problem of multiple UCAVs cooperative combat ，multiple Unmanned Aerial Vehicles task allocation model is established ，route planning should be done beforemission planning in order to enhance the accuracy of the planning process.A method based on multi-population hybrid genetic algorithm with integer coding for multiple UCAVs ’cooperation task allocation is designed and the simulation experiment is carried out.The results show that this algorithm has strong effectiveness to solve the problem ，greatly avoids the defect that the genetic algorithm is easy to fall into premature convergence ，which ensures the convergence of the optimization process and the optimization of the task planning effect.Key words ：UCAV ，task allocation ，multi-population hybrid genetic algorithm ，route planning 0引言无人作战飞机（Unmanned Combat Aerial Vehi-cle ，简称UCAV ）是一种能完成压制防空、实施对地轰炸与攻击、执行对空作战任务的空中无人作战系统［1］。
与单无人机相比，多无人机协同系统在时间、空间、功能、信息和资源上的分布特性，使其具有更强的工作能力和鲁棒性。
任务规划作为多无人机协同的基本问题之一，具有十分重要的地位。
作战环境下，由于受到各种因素的约束，多无人机协同任务规划问题是一个约束众多而复杂的NP 问题，在算法的求解上比较困难，尤其是在规模较大时，获得最优解的代价较大，制约了实际战场应用［2］，因此，合理而有效的任务规划方案对于提高多无人机的作战效能具有至关重要的作用。
目前采用较多的问题模型有多旅行商问题［3-4］（Multiple Traveling Salesman Problem ，MTSP ）、车辆调度和路径规划问题模型（Vehicle Routing Problem ，VRP ）、混合整数线性规划问题模型（Mixed Integer Linear Programming ，MILP ）等。
任务分配求解的算法主要有蚁群算法、memetic 算法、基于合同网拍卖算法、差分进化算法等，大部分算法主要针对传统的多旅行商问题进行求解，无法对具有多约束条件的实际问题进行有效的求解。
本文基于多无人机协同作战问题，构建任务分配模型，针对遗传算法容易陷入局部最优和早熟的文章编号：1002-0640（2018）03-0086-04Vol.43，No.3Mar ，2018火力与指挥控制Fire Control &Command Control 第43卷第3期2018年3月86··（总第43-）缺陷，提出一种基于整数编码的多种群混合遗传算法（Multi-Population Hybrid Genetic Algorithm ，MPH-GA ）进行求解，最后以典型的压制敌防空火力作战任务（Suppression of Enemy Air Defences ，SEAD ）为想定，进行matlab 仿真实验和验证。
1多无人机任务分配模型1.1问题描述假设多个无人作战飞机对敌方地面固定目标执行攻击的任务，攻击前通过前期侦察手段已预先获知战场环境和目标分布信息。
综合考虑实际作战环境中的目标种类差异、无人机个体载荷和协同约束、实际战场环境威胁约束等条件，对作战问题进行建模：E 为战场环境；待执行任务的无人机群体集合为，无人机的数量为N R ；攻击目标集合为，目标数量为N T ；不同的战场目标具有不同的价值、攻击优先度和抵抗能力，目标的价值集合；不同的无人机载弹载荷和自身价值可能不同，无人机的价值集合为。
在二维空间任一时刻内，无人作战飞机的位置为，目标的位置为。
根据相应的任务规划方案，每架无人机分配到一条任务执行路线P ，例如无人机r i 任务方案是对3个目标进行攻击，任务执行路线为。
1.2目标函数无人机执行作战任务目的是消灭目标价值最大，自身的损伤代价最小，同时为避免任务执行过程中出现意外情况，任务完成的时间最少。
但实际作战过程中很难保证各个指标均为最优化，需要指战员在任务要求的基础上对各个指标赋予相应的权重。
本文在下一节中采用系数归一化处理方法引入指挥员决策偏好对目标函数的不同指标进行处理。
1）运动总时间。
无人机运动距离越长，暴露在敌方威胁下的时间越长，被击落的可能性越大，因此，为了降低风险，要求无人机的运动时间最短。
（1）2）任务完成时间。
战场环境瞬息万变，如何以最短的时间结束战斗是胜负的关键，任务执行时间指标为：（2）3）攻击目标的价值收益。
目标价值最大化是战争的目的，为了方便进行计算和适应度函数的确立，采用目标的剩余价值量来进行评估。
（3）（4）V all 为所有目标的总价值；S ij 代表第i 架无人机攻击第j 个目标，无人机的生存概率；AK ij 代表第i 架无人机攻击第j 个目标，对于目标的损伤概率；V ij 表示目标毁伤的总价值。
4）无人机的损伤代价。
追求无人机损伤代价的最小化。
（5）（6）A ij 表示第i 架无人机攻击第j 个目标时无人机的损伤概率。
1.3约束条件1）多无人机对目标进行打击的过程不能超过目标的最大价值：（7）2）单架无人机的执行能力约束：（8）n 为第i 架无人机的载弹量。
3）目标任务必须被执行，各目标T 的抵抗能力不同，有的可能需要多无人机进行协同打击。
（9）4）无人机的航程约束，无人机具有油耗限值，不能无限制运动，每个无人机的运动总距离越小越好。
（10）2模型算法求解2.1路径规划实际环境中存在障碍物和禁飞区，为了确保任务规划模型中的路径可行，在任务规划之前，需要对可行路径进行预规划，增强规划过程的准确性和可行性。
王钦钊，等：多无人机协同任务规划方法87··0463（总第43-）火力与指挥控制2018年第3期本文首先构建描述战场环境的禁飞区和目标点的二维平面分布图，利用MAKLINK图论算法建立路径规划的二维空间，采用dijkstra算法规划初始路径，在初始路径基础上使用蚁群算法生成全局最优路径，保证航路可行并且避障［5］。
通过以上算法获取每架无人机到每个目标点和任意两目标点之间的线路，用于准确的计算任务规划中的运动时间代价。
路径规划算法流程如图1。
图1路径规划算法流程图2.2基于整数编码的多种群遗传算法遗传算法（Genetic Algorithm，GA）是一种借鉴生物界的自然选择和进化过程发展起来的高度并行、随机、自适应的全局优化搜索算法，由Holland教授于1975年首先提出［6-7］。
遗传算法能够自适应地控制搜索过程，具有较强的鲁棒性和全局搜索能力，但是容易早熟。
基于整数编码的多种群遗传算法能够确保搜索过程的快速收敛性和多样有效性。
多种群遗传算法是从保持和增强种群多样性的角度出发而提出的进化模型，编码方式采用单染色体整数编码方式，所有的个体被分组成若干个分种群，每个分种群按照设定好的进化策略独立地在可行解空间内进行搜索，从各个分种群中迭代进化的子代中选择精英个体，融合共同组成新一代精英种群，新一代种群重复上述过程，继续独立进化，直到迭代过程满足终止条件为止，图2为该算法的流程图。
该算法极大地避免了传统遗传算法容易陷入未成熟收敛的缺陷［8］，扩大了搜索范围，保证了寻优过程的收敛性和任务规划效果。
2.2.1个体编码种群个体采用单染色体整数编码方式，每条染色体代表待优化问题的一个可行解。
如表1所示，r1r2r3分别代表3架无人机，1~9代表待攻击目标。
该染色体含义是r1攻击1，2；r2攻击5，3，7，4；r3攻击8，6，9。
表1编码方式2.2.2选择和变异算子基因交换算子：以一定的概率随机交换染色体中两个基因的位置，基因交换算子包含单点换位和多点换位。
单点交换每次只交换一对基因的位置，多点交换一次交换N对基因。
基因插入算子：将染色体中的某一个或者某一串基因移除，并随机地插入该染色体其他位置。
基因倒转算子：以一定的概率将染色体中某一串基因序列反转，在一条染色体中进行基因倒转的基因长度随机选取。
选择算子好坏直接影响到遗传算法收敛性，选择压力过大容易导致未成熟收敛，选择压力过小则会导致收敛速度过慢。
本文采用轮盘赌方法进行筛选，适应度值越大的个体被选中的概率越大。
2.2.3适应度目标函数的确定多目标组合优化问题求解过程中，根据指挥员决策意图确定不同指标的权重，将不同的指标函数归一化处理，使得多目标的整数规划问题（Mul-ti-Objective Programming，MOP）转化为单目标的整数规划问题。
