基于改進(jìn)多維粒子群的多無人機(jī)任務(wù)分配方法

彭鵬菲,龔 雪,姜 俊,鄭雅蓮

(1.海軍工程大學(xué) 電子工程學(xué)院, 武漢 430033; 2.海軍工程大學(xué) 作戰(zhàn)運(yùn)籌與規(guī)劃系, 武漢 430033;3.武漢大學(xué) 水資源與水電工程科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室, 武漢 430072)

0 引言

無人機(jī)(Unmanned aerial vehicle,UAV)[1- 2]因其結(jié)構(gòu)簡(jiǎn)單、造價(jià)低、情報(bào)收集迅速、易操作性和自主控制能力強(qiáng)等優(yōu)勢(shì),在軍事領(lǐng)域和民用領(lǐng)域廣泛應(yīng)用。在民用領(lǐng)域,無人機(jī)的應(yīng)用情景遍及地形勘測(cè)、事故救援和環(huán)境監(jiān)測(cè)等方面;在軍事領(lǐng)域[3-6],無人機(jī)可進(jìn)行目標(biāo)精準(zhǔn)攻擊、戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估和指控通信等任務(wù)。多維粒子群算法[7]是由賽爾坎·希蘭茲等提出并于2016由彭鵬菲等人譯入,將其運(yùn)用在模式識(shí)別中,并解決了從多位搜索空間無法尋得最優(yōu)的難題,鑒于此將其引入本文并對(duì)其做出改進(jìn)解決了復(fù)雜環(huán)境下的任務(wù)規(guī)劃問題。

如何應(yīng)對(duì)多無人機(jī)任務(wù)規(guī)劃[8- 9]需求復(fù)雜多變、實(shí)時(shí)性要求高、解空間不確定,是當(dāng)前研究的熱點(diǎn)[10]。在任務(wù)規(guī)劃熱點(diǎn)問題上,眾多學(xué)者通過蟻群算法[11-14]、離散鴿群算法[15]、粒子群算法[16]、細(xì)菌覓食算法[17]和改進(jìn)人工蜂群算法[18]等群智能算法[19]對(duì)無人機(jī)任務(wù)規(guī)劃開展了深入探究,如張小孟等[20]通過改進(jìn)人工蜂群算法,針對(duì)載彈數(shù)量約束編碼,構(gòu)建多無人機(jī)任務(wù)規(guī)劃模型,得到多無人機(jī)火場(chǎng)滅火救援的分配結(jié)果。上述方法在相對(duì)程度上能解決多無人機(jī)任務(wù)分配問題,但在解決針對(duì)復(fù)雜戰(zhàn)場(chǎng)環(huán)境下多無人機(jī)任務(wù)規(guī)劃解空間的不確定性難題上存在一定缺陷,其缺陷主要表現(xiàn)在以下幾個(gè)方面:1)在多維搜索空間中,解空間的最優(yōu)維度未知;2)忽略了任務(wù)需求也具有時(shí)變性特征。

針對(duì)以上算法所表現(xiàn)出的局限性,本文中提出了基于改進(jìn)多維粒子群算法多無人機(jī)任務(wù)規(guī)劃方法:首先,在考慮復(fù)雜戰(zhàn)場(chǎng)環(huán)境因素的基礎(chǔ)上,建立了多適應(yīng)度函數(shù)集任務(wù)決策模型;在多任務(wù)目標(biāo)需決策的基礎(chǔ)上,引入多維粒子群的算法,通過動(dòng)態(tài)維度變換,規(guī)劃出各無人機(jī)最優(yōu)的任務(wù)執(zhí)行序列,從而動(dòng)態(tài)解決多約束條件下的任務(wù)規(guī)劃問題。最終,仿真實(shí)驗(yàn)的結(jié)果表明:該任務(wù)規(guī)劃方法具有尋優(yōu)能力強(qiáng)、尋優(yōu)效率高的優(yōu)點(diǎn),不僅能有效解決無人機(jī)執(zhí)行任務(wù)的高維度問題,而且能夠動(dòng)態(tài)規(guī)劃執(zhí)行任務(wù)的無人機(jī)數(shù)量。

1 多無人機(jī)多目標(biāo)任務(wù)規(guī)劃模型

1.1 問題描述

假設(shè)有N個(gè)任務(wù)需要處理,則面向任務(wù)規(guī)劃的問題將抽象為一個(gè)無向圖G=(UAV,T),其中UAV表示無人機(jī)集群集合,則UAV=UAVi(i=1,2,…,NumA);T表示任務(wù)集合,抽象為T={T1,T2,…,Tn};且邊上的權(quán)重為多權(quán)重限制,表示為該無人機(jī)執(zhí)行該任務(wù)時(shí)的所需條件及難易程度。

1.2 多目標(biāo)函數(shù)

1) 總風(fēng)險(xiǎn)威脅函數(shù)

假設(shè)無人機(jī)執(zhí)行任務(wù)時(shí)隨時(shí)間的改變情況為任務(wù)目標(biāo)風(fēng)險(xiǎn)系數(shù)關(guān)于時(shí)間的正指數(shù)函數(shù)(隨時(shí)間的推遲,各種因素對(duì)無人機(jī)執(zhí)行任務(wù)時(shí)影響逐漸加深且目標(biāo)風(fēng)險(xiǎn)規(guī)避系數(shù)Vj也會(huì)隨之動(dòng)態(tài)變化,且以一定的概率進(jìn)行突變)則總風(fēng)險(xiǎn)收益為:

式中,Cj=ethjt為任務(wù)風(fēng)險(xiǎn)價(jià)值定量隨任務(wù)目標(biāo)條件變化的函數(shù),其中thi={th1,th2,…,thn}表示無人機(jī)在執(zhí)行任務(wù)時(shí),動(dòng)態(tài)目標(biāo)威脅的影響權(quán)重,Vj={V1,V2,…,Vn}>表示任務(wù)目標(biāo)的風(fēng)險(xiǎn)規(guī)避系數(shù)集合,FAi={FA1,FA2,…,FAn}>表示無人機(jī)自身所具備的條件集合,ti為UAVi離開艦載平臺(tái)到目標(biāo)Tj飛行時(shí)間。

2) 總位移函數(shù)

假設(shè)UAV在執(zhí)行任務(wù)時(shí),時(shí)間不作為要求,則無人機(jī)執(zhí)行各個(gè)任務(wù)最短路徑視為多無人機(jī)任務(wù)規(guī)劃的目標(biāo)之一。

其中,pathi為執(zhí)行任務(wù)i的路徑代價(jià)。

3) 毀傷收益函數(shù)

UAV在對(duì)目標(biāo)進(jìn)行毀傷時(shí),第j個(gè)無人機(jī)的使用武器裝備打擊第i個(gè)潛在打擊目標(biāo)Dij時(shí)的擊中概率為pij,毀傷收益為wi,一臺(tái)無人機(jī)使用一個(gè)k類導(dǎo)彈所需要的成本為uik。

所以在無人機(jī)在執(zhí)行任務(wù)時(shí),以最大化的單位成本上的毀傷效果[19,21-22]為目標(biāo)的目標(biāo)函數(shù)可以表示如式(4):

1.3 約束條件

1) 單架無人機(jī)最大攜彈約束

其中,MaxMi為第i架無人機(jī)最大攜彈數(shù)量。

2) 任務(wù)執(zhí)行情況約束

3) 無人機(jī)最大航程約束

pathi≤Disi

(7)

式中,Disi為第i架無人機(jī)的最大航程

4) 目標(biāo)價(jià)值約束。

5) 毀傷閾值約束

無人機(jī)對(duì)任務(wù)目標(biāo)進(jìn)行火力打擊時(shí),所產(chǎn)生的打擊效果為所有無人機(jī)對(duì)目標(biāo)毀傷效果之和,執(zhí)行的任務(wù)數(shù)量必須要超過一定的閾值,如式(9)所示:

1.4 目標(biāo)威脅系數(shù)的動(dòng)態(tài)評(píng)估

在復(fù)雜因素影響下,由于惡劣的氣象條件、高強(qiáng)度對(duì)抗、緊張的空域資源等復(fù)雜戰(zhàn)場(chǎng)環(huán)境下,無人機(jī)執(zhí)行任務(wù)將面臨地形、雷達(dá)探測(cè)、電子對(duì)抗、防空火力、禁飛區(qū)等飛行威脅區(qū)域。因影響無人機(jī)執(zhí)行任務(wù)的因素太過復(fù)雜,根據(jù)專家系統(tǒng)量化[23]目標(biāo)點(diǎn)的危險(xiǎn)系數(shù)Threateni={th1,th2,…,thm}>,并對(duì)目標(biāo)點(diǎn)的威脅系數(shù)進(jìn)行實(shí)時(shí)評(píng)估,以確保在最大程度模擬真實(shí)復(fù)雜的飛行環(huán)境。位點(diǎn)變異概率mutation,每一個(gè)位點(diǎn)的目標(biāo)點(diǎn)的威脅系數(shù)都有mutation概率發(fā)生變異:

thi→1-thi,i∈(1,2,…,m)

2 改進(jìn)的自適應(yīng)多維粒子群算法

2.1 多維粒子群算法

多維粒子群(MD PSO)[7]通過固定維度的標(biāo)準(zhǔn)粒子群(PSO)過程進(jìn)行跨維傳遞,因此,在最優(yōu)維數(shù)未知的多維搜索空間中,粒子可同時(shí)尋找位置最優(yōu)解和維數(shù)最優(yōu)解,從而無須預(yù)先設(shè)置固定維度d,因此,MD PSO算法在(Dmin≤d≤Dmax)的維度范圍內(nèi)尋找位置和維度的最優(yōu)解。

2.2 適應(yīng)度函數(shù)集的設(shè)計(jì)

傳統(tǒng)的多維粒子群算法僅有一個(gè)適應(yīng)度函數(shù),若是有多個(gè)約束條件,則采用權(quán)重分配的方式衡量約束條件的重要性,但是戰(zhàn)場(chǎng)問題往往復(fù)雜多變,權(quán)重分配的適應(yīng)度函數(shù)不能從根本上解決實(shí)時(shí)戰(zhàn)場(chǎng)問題,為此,本文通過設(shè)計(jì)適應(yīng)度函數(shù)集,使得種群智能權(quán)衡復(fù)雜的戰(zhàn)場(chǎng)環(huán)境,最后通過全局尋優(yōu)得到任務(wù)規(guī)劃最優(yōu)的方案。則目標(biāo)適應(yīng)度函數(shù)集為:

F=fi,i=1,2,…,N

式中,fi表示第i個(gè)適應(yīng)度函數(shù)。多個(gè)適應(yīng)度函數(shù)作為粒子導(dǎo)向的限制因素,共同制約粒子在復(fù)雜戰(zhàn)場(chǎng)環(huán)境下的最優(yōu)適應(yīng)度。

2.3 適應(yīng)任務(wù)時(shí)變性的目標(biāo)函數(shù)

無人機(jī)在執(zhí)行某個(gè)任務(wù)時(shí),下一個(gè)任務(wù)的價(jià)值特性隨著時(shí)間的變化而變化,此時(shí),假設(shè)該無人機(jī)執(zhí)行的任務(wù)序列為T={T1,T2,…,Tm}>,則任務(wù)時(shí)變性需求的設(shè)計(jì)為:

式中,A表示平衡常數(shù),Ci=ewt表示為任務(wù)價(jià)值定量隨任務(wù)目標(biāo)條件變化的函數(shù)。由此,依據(jù)此結(jié)構(gòu),適應(yīng)度函數(shù),能解決任務(wù)需求具有時(shí)變性特征的問題,從而不斷地更新無人機(jī)執(zhí)行任務(wù)的最佳序列。

2.4 基于高斯變異的自適應(yīng)權(quán)重變化

為了進(jìn)一步提高算法的求解精度,本文中設(shè)計(jì)了基于高斯變異的自適應(yīng)權(quán)重,該算法在每次種群更新前,先對(duì)其父輩種群粒子的適應(yīng)度值進(jìn)行計(jì)算,通過比較每一個(gè)父輩粒子與種群全局最優(yōu)適應(yīng)度的大小關(guān)系,自適應(yīng)改變慣性權(quán)重,均衡了算法全局搜索和局部搜索的能力。

則該算法的權(quán)重更新策略如下:

1) 計(jì)算全局最優(yōu)適應(yīng)度值和上一代種群最優(yōu)適應(yīng)度值。

2) 若當(dāng)前種群適應(yīng)度值優(yōu)于上一代種群最優(yōu)適應(yīng)度值則采用式(11)進(jìn)行更新權(quán)值:

wt=wmax*α

(11)

3) 若當(dāng)前種群適應(yīng)度值優(yōu)于全局最優(yōu)適應(yīng)度值則進(jìn)行基于高斯變異的自適應(yīng)權(quán)重更新,如式(12)

2.5 進(jìn)化學(xué)習(xí)因子

學(xué)習(xí)因子是粒子群算法中的核心參數(shù)。本文采用的多維粒子群算法通過比較當(dāng)前粒子的適應(yīng)度值和種群的平均適應(yīng)度值動(dòng)態(tài)調(diào)整學(xué)習(xí)因子如式(14)。

C1隨迭代步數(shù)的增加遞減,而C2則與之相反。該策略使粒子在迭代前期更注重粒子本身的歷史軌跡,而迭代后期則更注重種群的位置信息。

3 面向任務(wù)序列的多維粒子模型

PSO算法只能用于求解簡(jiǎn)單約束,存在目標(biāo)函數(shù)單一且決策維度固定的問題。針對(duì)在多約束條件下,多目標(biāo)函數(shù)且目標(biāo)需以動(dòng)態(tài)維度求解的多無人機(jī)任務(wù)規(guī)劃問題,本文采取一種基于整數(shù)編碼的改進(jìn)多維粒子群算法,用以解決多約束限制的任務(wù)規(guī)劃問題。由于目標(biāo)任務(wù)屬性不斷改變無人機(jī)執(zhí)行目標(biāo)任務(wù)維度,從而需動(dòng)態(tài)規(guī)劃執(zhí)行任務(wù)的無人機(jī)數(shù)量,其核心包括種群初始化、全局優(yōu)化階段、更新迭代階段、粒子位置優(yōu)選階段等方面。本文所提出的面向任務(wù)序列的多維粒子模型的多無人機(jī)任務(wù)規(guī)劃方法,總體執(zhí)行步驟如下:

Step1:進(jìn)行種群初始化、全局最優(yōu)維度初始化以及全局最優(yōu)適應(yīng)度初始化等操作。

Step2:循環(huán)遍歷粒子群,假設(shè)當(dāng)前粒子為a,進(jìn)行如下操作:① 計(jì)算當(dāng)前粒子a的個(gè)體適應(yīng)度;② 進(jìn)行全局尋優(yōu)操作;③ 更新當(dāng)前粒子a;④ 粒子a是否在粒子群中,若“是”,則返回步驟①,若“否”則進(jìn)行Step3。

Step3:進(jìn)行迭代更新操作。

Step4:判斷是否達(dá)到循環(huán)退出條件,若“是”,則進(jìn)行Step5,若“否”則返回Step2。

Step5:輸出規(guī)劃結(jié)果。

面向任務(wù)序列的多維粒子模型的流程如圖1所示。

3.1 種群初始化

首先初始化n維種群,每一個(gè)種群根據(jù)無人機(jī)及任務(wù)目標(biāo)的序列信息,隨機(jī)生成一個(gè)n維整數(shù)序列(M1,M2,…,Mn),進(jìn)一步地,進(jìn)行目標(biāo)編碼,種群中每一個(gè)粒子都代表一個(gè)潛在的解,其中編碼數(shù)量小于等于目標(biāo)數(shù)量。

3.2 全局尋優(yōu)階段

在種群初始化后,開始全局尋優(yōu)。本文采用適應(yīng)度函數(shù)集限制粒子群的導(dǎo)向,種群通過智能權(quán)衡目標(biāo)進(jìn)行全局尋優(yōu),最終尋求多個(gè)適應(yīng)度函數(shù)的最優(yōu)向量及最優(yōu)維度。

Step1:計(jì)算value,value_before,value_except,若value

Step2:更新個(gè)體最優(yōu)粒子位置向量;

Step3:若value

Step4:若value

Step5:若value

最終,通過全局尋優(yōu)模塊,不斷更新維度,快速精準(zhǔn)地找到粒子最優(yōu)位置以及最優(yōu)維度。

3.3 更新迭代階段

經(jīng)過全局優(yōu)化后,種群的規(guī)模隨著全局最佳維度的變化而變化,種群的位置維度也隨之改變,則進(jìn)入種群的更新迭代階段,執(zhí)行步驟如下:

Step1:更新所有粒子的位置維度xda;

Step2:更新所有粒子的速度維度vda;

則經(jīng)過整數(shù)編碼更新后,對(duì)上述步驟依次進(jìn)行更新[7]。

3.4 位置更新策略

位置更新策略[7]是更新迭代階段的關(guān)鍵,它決定了粒子是否能跳出局部最優(yōu),實(shí)現(xiàn)全局最優(yōu)。位置更新策略的步驟如下:

Step1:計(jì)算種群當(dāng)前個(gè)體粒子當(dāng)代適應(yīng)值,記為value_a;

Step2:若value_a小于種群個(gè)體最優(yōu)粒子適應(yīng)度值(fitness_value),則進(jìn)行Step3,否則不更新當(dāng)前個(gè)體粒子位置;

Step3:更新種群最優(yōu)粒子適應(yīng)值;

Step4:若value_a小于全局最優(yōu)適應(yīng)值(global_fitness),進(jìn)行Step5,否則不更新當(dāng)前個(gè)體粒子位置;

Step5:更新全局最優(yōu)適應(yīng)值;

位置更新策略的流程圖如圖3所示。

3.5 局部動(dòng)態(tài)調(diào)整

在復(fù)雜多變的空域環(huán)境中,常常存在不可預(yù)料的威脅、以及突然的目標(biāo)變化等情況,預(yù)先的任務(wù)規(guī)劃或?qū)⒉荒芡瓿伞Ｒ虼烁鶕?jù)戰(zhàn)場(chǎng)態(tài)勢(shì)變化,在預(yù)先全局規(guī)劃的基礎(chǔ)上,僅進(jìn)行局部動(dòng)態(tài)規(guī)劃,從而可縮小規(guī)劃空間、減少規(guī)劃時(shí)間。具體設(shè)計(jì)為:

1) 局部任務(wù)動(dòng)態(tài)分配。首先,構(gòu)建局部規(guī)劃的無人機(jī)基站,多個(gè)目標(biāo)點(diǎn)的初始任務(wù)執(zhí)行序列,然后基于改進(jìn)于多維粒子群算法進(jìn)行全局尋優(yōu),求解局部最優(yōu)的任務(wù)執(zhí)行方案。

2) 局部航跡動(dòng)態(tài)規(guī)劃。采用多維粒子群算法規(guī)劃任務(wù)路徑,然后基于三次B樣條曲線法進(jìn)行航跡平滑,規(guī)劃任務(wù)執(zhí)行航跡,最終回到初始基站。

4 實(shí)驗(yàn)分析

仿真實(shí)驗(yàn)平臺(tái)為L(zhǎng)APTOP-QEHE6SH7處理器是11th Gen Intel(R) Core(TM) i5-1155G7 @ 2.50GHz 2.50 GHz,64位操作系統(tǒng),基于x64處理器的聯(lián)想小新筆記本進(jìn)行了本次實(shí)驗(yàn)。編程工具為Pycharm,應(yīng)用了Conda環(huán)境。

4.1 改進(jìn)多維粒子群性能驗(yàn)證

根據(jù)表1所示的測(cè)試函數(shù)在固定維度解空間下對(duì)算法性能進(jìn)行測(cè)試,其中f1為離散測(cè)試函數(shù),f2、f3為單峰測(cè)試函數(shù),f4、f5、f6、f7、f8為多峰測(cè)試函數(shù),fmin表示的該函數(shù)的最小值,參與測(cè)試的算法為改進(jìn)多維粒子群算法、遺傳算法和標(biāo)準(zhǔn)粒子群算法。對(duì)3種優(yōu)化算法進(jìn)行多次試驗(yàn),其結(jié)果如表2所示,將結(jié)果歸一化,可以直觀反應(yīng)各個(gè)優(yōu)化算法的性能,圖4和圖5為各算法的進(jìn)化曲線圖。

從表2、圖4和圖5可以看出,在較少的迭代次數(shù)下,改進(jìn)多維粒子群算法較其他算法有較好的收斂能力。無人機(jī)任務(wù)分配對(duì)算法的實(shí)時(shí)性較高,因而,本文推薦采用改進(jìn)的多維粒子群算法。

因?yàn)檫z傳算法的魯棒性較強(qiáng)因而從表2的數(shù)據(jù)來看,其計(jì)算出的最優(yōu)值和方差在一定的條件下是可以進(jìn)行使用的但是其最優(yōu)值的準(zhǔn)確度較表1中列出的解較差,準(zhǔn)確率不高。標(biāo)準(zhǔn)粒子群算法雖然計(jì)算速度快,運(yùn)行時(shí)間較短,但是從表2來看它的準(zhǔn)確度遠(yuǎn)遠(yuǎn)低于遺傳算法和改進(jìn)多維粒子群算法,改進(jìn)多維粒子群算法能在一定程度上繼承了尋優(yōu)速度快的特點(diǎn)又有遺傳算法中魯棒性強(qiáng)的優(yōu)點(diǎn),因此對(duì)于實(shí)時(shí)性的無人機(jī)而言是一個(gè)相對(duì)比較好的選擇。

從圖4和圖5可以看出,隨著迭代次數(shù)的增加,改進(jìn)多維粒子群算法能夠迅速找到最優(yōu)解,與其他2個(gè)算法相比收斂速度快,算法運(yùn)行效率高,對(duì)于復(fù)雜環(huán)境下的無人機(jī)任務(wù)分配的具有實(shí)時(shí)性的作用,能夠快速規(guī)劃至一個(gè)較好的方案。

從多維粒子群的性能來看,相較于標(biāo)準(zhǔn)粒子群和遺傳算法。① 計(jì)算函數(shù)最優(yōu)值準(zhǔn)確度較高;② 收斂速度更快;③ 穩(wěn)定性較高。因無人機(jī)在執(zhí)行任務(wù)時(shí)實(shí)時(shí)性要求較高,因而選擇多維粒子群算法來進(jìn)行多無人機(jī)任務(wù)分配。

4.2 基于改進(jìn)多維粒子群的無人機(jī)任務(wù)規(guī)劃驗(yàn)證

4.2.1參數(shù)設(shè)置

假設(shè)有2艘艦船,一艘艦船承載5架無人攻擊機(jī),現(xiàn)有30個(gè)需要火力打擊的目標(biāo)點(diǎn),每架無人機(jī)的最大彈載量為8,無人機(jī)屬性如表3所示。30個(gè)目標(biāo)取前5個(gè)目標(biāo)作代表,屬性如表4所示。為直觀反應(yīng)任務(wù)規(guī)劃效果,在仿真實(shí)驗(yàn)中,將無人機(jī)目標(biāo)與目標(biāo)間的距離作為路徑代價(jià),2艘艦船分別從x軸和y軸出發(fā),接引無人機(jī)。

表3 無人機(jī)屬性

表4 目標(biāo)屬性

4.2.2實(shí)驗(yàn)結(jié)果及其分析

根據(jù)表4的目標(biāo)屬性,設(shè)計(jì)種群數(shù)量規(guī)模為30,實(shí)驗(yàn)次數(shù)為100次,迭代次數(shù)為1 000。運(yùn)用改進(jìn)多維粒子群算法求解任務(wù)規(guī)劃后,所得的各UAV的最優(yōu)價(jià)值,最優(yōu)路徑代價(jià)以及任務(wù)目標(biāo)的火力打擊序列的結(jié)果如表5所示。根據(jù)各無人機(jī)的屬性,圖6—圖8為種群尋優(yōu)過程中適應(yīng)函數(shù)隨迭代次數(shù)的變化。

表5 無人機(jī)任務(wù)規(guī)化序列

圖8 第五、六架無人機(jī)風(fēng)險(xiǎn)收益(f1),路徑收益(f2)和毀傷程度(f3)的變化

從圖6—圖8可以看出,隨著粒子的進(jìn)化代數(shù)逐漸增加,適應(yīng)度函數(shù)f1、f2隨著進(jìn)化次數(shù)的增加逐漸變小且達(dá)到最小,f3是無人機(jī)毀傷程度的變化,隨著進(jìn)化次數(shù)的增加逐漸達(dá)到最大,則粒子群在100步以內(nèi)已經(jīng)找到了全局最優(yōu)解,使得f1、f2達(dá)最小而f3達(dá)到最大。圖10中無變化的曲線表示的是該無人機(jī)在最開始就尋得了最優(yōu)值,隨著進(jìn)化次數(shù)的增加f1、f2、f2就不在發(fā)生變化。

仿真實(shí)驗(yàn)結(jié)果表明,基于改進(jìn)多維粒子群的多無人機(jī)任務(wù)分配方法在復(fù)雜的戰(zhàn)場(chǎng)環(huán)境下能夠迅速尋得最優(yōu)分配方案,并在進(jìn)行實(shí)時(shí)的任務(wù)分配時(shí)具有一定的穩(wěn)定性,能夠使得無人機(jī)在路徑代價(jià)最短和風(fēng)險(xiǎn)收益最低時(shí)達(dá)到最大的毀傷程度。

5 結(jié)論

針對(duì)多無人機(jī)任務(wù)規(guī)劃中任務(wù)維度空間解不確定的問題,提出了改進(jìn)的多維粒子群算法:

1) 針對(duì)多維粒子群算法,運(yùn)用任務(wù)目標(biāo)整數(shù)編碼的策略,將任務(wù)目標(biāo)序列化并應(yīng)用于多維粒子群位置向量,并通過設(shè)計(jì)適應(yīng)度函數(shù)集的方式讓粒子群在不同維度下智能尋優(yōu)。

2) 依據(jù)任務(wù)規(guī)劃的特點(diǎn),設(shè)計(jì)適應(yīng)度函數(shù)集,動(dòng)態(tài)限制種群趨向,讓種群基于戰(zhàn)場(chǎng)復(fù)雜環(huán)境智能決策粒子最優(yōu)適應(yīng)狀態(tài)。

3) 因任務(wù)環(huán)境復(fù)雜多變,基于無人機(jī)機(jī)任務(wù)時(shí)變性,在多適應(yīng)度函數(shù)的條件下,設(shè)計(jì)出適應(yīng)任務(wù)時(shí)變性的目標(biāo)函數(shù),用于全局粒子群的導(dǎo)向。

4) 基于高斯變異的自適應(yīng)權(quán)重變化和進(jìn)化學(xué)習(xí)因子的設(shè)置,使得粒子群能夠迅速而智能化的跳出各個(gè)維度下的局部最優(yōu)值,并尋得最優(yōu)維度下最優(yōu)規(guī)劃方案。

5) 在考慮目標(biāo)價(jià)值變性的基礎(chǔ)上,動(dòng)態(tài)尋找任務(wù)執(zhí)行的最優(yōu)維度,解決多約束條件下任務(wù)規(guī)劃動(dòng)態(tài)尋優(yōu)的問題,實(shí)現(xiàn)多無人機(jī)任務(wù)規(guī)劃。

基于改進(jìn)多維粒子群算法在一定程度上解決了最優(yōu)維度未知的多維搜索空間解的問題,具備推廣和應(yīng)用的價(jià)值,但是在進(jìn)行位置更新時(shí)還是存在有陷入局部最優(yōu)的風(fēng)險(xiǎn)問題,因此可考慮將遺傳算法和多維粒子群結(jié)合設(shè)置擾動(dòng)機(jī)制,大幅度降低此風(fēng)險(xiǎn)。