基于多目标粒子群优化的无人机协同多任务分配

8
Байду номын сангаас
计
算
机
与
现
代
化
2016 年第 8 期 ( 1)
13］ 献［ 设计了基于相 邻 局部 通 信 的 分 布 式 拍卖 算法 以优化求解文中所述的多无人机协同任务分配 问题， 但是该方法时间耗费太长， 不利于实时结算。为了解 11］采 用 粒 子 群 决任务分配 中的 互 异 性要 求， 文 献［ 算法， 通过对速度和位置更新的多次迭代以解决 互 异 性的问题。 本 文将 协 同多任 务 分配 问题 看 成是一 个 多 目 标 优化问题， 对 2 个 指 标 函 数同时 进 行优 化， 并采用基 于 Pareto 占有的多 目 标 离散 粒 子 群 算法 对模型 进 行 求解。
0
引
言
随着计算机技术、 传 感器 技术、 无 线通 信 技术 和 ， 无人机技术的发展 具有高度自主性控制能力的 多 无 ［1 ］ 人机能够进行协 同 作 战 。 多 无 人机 协 同 作 战 能 够 提高无人机作战效能， 成为无人机作战应用的发展 趋 ［23 ］ 。 势 多无人机执行广域搜索攻击任务是无人机军 ［47 ］ 。广域搜索攻击需要无人机对 事应用的一个热点 任务区域内目标 依次 执行 搜索、 分 类、 攻击 和 毁伤 评 估任务， 不 同任 务 之间 存 在 着 复杂 的 时 序 和时间约 束。研究高效率的 多 无 人机 协 同多任 务 分配 方法 是 具有较大的理 提升无人机协同作战能力的有效途径，
( 1． 海军航空工程学院控制工程系， 山东 烟台 264001 ; 2． 江西外语外贸职业学院， 江西 南昌 330099 ; 3． 中国人民解放军 91331 部队修理厂， 辽宁 葫芦岛 125106 ) 摘要: 将多无人机协同多任务分配 问题 描述 为一 个 多目 标优化 问题。 采 用基 于 Pareto 占优 的多目 标离散粒子群算法 ( MODPSO) 对该问题进行求解。通过矩阵编码方式建立粒子与 实 际 问题的 映射， 满足 协同 多 任务分配 的 时序约束 和多 机协同约束。设计符合实际问题特点的粒子群位置和速度更新策略。仿真结果验证了所提模型和算法的有效性。 关键词: 多任务分配; 多目标; 无人机; 离散粒子群 中图分类号: V249． 122 文献标识码: A doi: 10． 3969 / j． issn． 10062475． 2016． 08． 002
( 3)
则协同多任务分配问题的多目标优化模型为:
min s． t．
NV i =1 NV
J =［ J1 ， J2］
( 4)
∑ N mi = N c = N T N type j = 1， 2， …， Nc ∑ x i， j = 1，
( i) ∑ Route k !L i
( 5) ( 6) ( 7)
i =1 N mi
{
( i) ( i) ) plan i = { stage1 ， stage2 ， …， stage (Nimi }
stage (k i) = { Task k ， Route (k i) } ，Task k ∈Task
stage (k i) 为 无 人机 V i 的第 k 个 任 务 步 骤; N mi 为 其中， 无人机 V i 的任务分配计划中的总任 务 数量; Task k 为 无人 机 V i 在 第 k 个 任 务 步 骤 中 所 执 行 的 任 务; Route (k i) 为无人机 V i 在 第 k 个 任 务 步 骤 中经 过 的安 全 航 路 飞 行 航程 值。 本 文 采 用 Dubins 最 短 路 径 ( i) 对 Route k 进行求解。 多无人机总航程最短指标函数可表达为:
0222 收稿日期: 2016基金项目: 航空科学基金资助项目( 20135184007 ) )， 作者简介: 尹高扬( 1987男， 湖南湘潭人， 海军航空工程学院 控 制 工程系讲师， 博士， 研究方向: 导 航 制 导 与 控 制; 周 绍 磊 ( 1963)， )， 男， 教授， 博士， 研究方向: 导航制导与控制; 莫骏超( 1990男， 江西吉安人， 江西外语外贸职业学院讲师， 本科， 研 )， 究方向: 自动化; 曹明川( 1988男， 辽宁人， 中国人民解放军 91331 部队修理厂助理工程师， 硕士， 研究方向: 固体火箭发动 )， 机使用工程; 康宇航( 1989男， 江西吉安人， 博士研究生， 研究方向: 导航制导与控制。
k =1
公式( 5 ) 确保对于每个 目 标 j ∈ T 仅执行 3 个 任 ; 务 公式( 6 ) 是一 个 决 策 变 量， 确 保 对 目 标 的 所有任 务仅被执行一次; 公式( 7 ) 确 保 无 人机 执行 各 自 多任 务序列时的总航程不会超过它的最大航程。
2 基于多目标离散粒子群的协同多任 务分配
i∈ V k =1 N mi
广域搜索攻击任务中， 假定任务区域已经被 其 他 无人机或者侦察平 台 搜索 到 N T 个 疑似 目 标， 需要任 务区 域 内 的 多 无 人 机 对 疑 似 目 标 依 次 进 行 分 类 ( Classify) 、 攻击 ( Attack ) 和 毁伤 评 估 ( Verify ) 任 务。 T2 ， …， TNT } ， 令发现的目标集合为 T = { T1 ， 各目标需 要被执行的任务类型为 N type = 3 。任务区域的无 人机 V2 ， …， V NV } ， 集 合 为 V = { V1 ， 无 人机 需 要执行 的 任 …， Task N c } ，N c 为 无 人机 需 务集合为 Task = { Task1 ， N c = N T N type 。 要执行的任务总数量， 1． 2 任务约束 在通用 CMATP 模型 中， 约束条件 主要 包 括 任 务 、 、 时序约束 任务协 同约束 任 务 时间约束和 航 路 可 飞 行性约束。 1 ) 任务时序约束。 任务时序约束是指对各目标的分类、 攻击和 毁伤 ， 评估任务需要按照一定顺序执行 即目标只有在 被 分 类以后才能被执行攻击任务， 目标只有在被攻击 之 后 才能执行毁伤评估任务。 2 ) 任务协同约束。 任 务 协 同约束是指 对 目 标 的 每个 任 务 都只 能执 行一 次， 即 一 个 目 标 不 能 被 分 类、 攻 击、 毁伤评估 2 次。 3 ) 任务时间约束。 在无人机协同多任务分配中， 对具有机动能 力 的 动态目标， 在完成 目 标分 类 之 后， 需 要 在 指 定 的 时间 内对其进行攻击， 超过该时间限制， 目标可能丢失。 4 ) 航路可飞行性约束。 航 路 可 飞 行性 约束是指 无 人机 执行 多 个 任 务的 连续 航 路 是 可 飞 行 的 ， 按 照预 估 航 路 飞 行， 多 无 人机 能够实现协同。 1． 3 优化指标函数 设无人机 V i 的任务分配计划为:
2016 年第 8 期 2475 ( 2016 ) 08000705 文章编号: 1006-
计 算 机 与 现 代 化 JISUANJI YU XIANDAIHUA
总第 252 期
基于 多 目 标 粒 子 群 优 化的 无 人机 协 同多任 务 分配
1 1 2 3 1 尹高扬 ， 周绍磊 ， 莫骏超 ， 曹明川 ， 康宇航
( 1． Department of Control Engineering，Naval Aeronautical Engineering Institute，Yantai 264001 ，China; 2． Jiangxi College of Foreign Studies，Nanchang 330099 ，China; 3． Repair Shop，Unit 91331 of PLA，Huludao 125106 ，China) Abstract: The problem of assigning multiple tasks on multiple targets for a group of cooperating unmanned aerial vehicles ( UAobjective optimization problem． An approach in which Pareto dominance is incorporated into discrete Vs) is discribed as a multiparticle swarm optimization ( DPSO) in order to allow this heuristic to handle the problem is proposed． The structure of particle’ s position vector space in the algorithm enforces the required task precedence and coordination， a new update strategy for the position and speed of particle is applied． Simulation results demonstrate the effectiveness and feasibility of the proposed model and approach． Key words: multiple task assignment; multiobjective; UAV; discrete particle swarm
Multiple Task Assignment for Cooperating Unmanned Aerial Vehicles Using Multiobjective Particle Swarm Optimization
YIN Gaoyang1 ，ZHOU Shaolei1 ，MO Junchao2 ，CAO Mingchuan3 ，KANG Yuhang1
min
( i) J1 = ∑ L( plan i ) = ∑ ∑ Route k i =1 i = 1k = 1 NV N V N mi