基于协同进化的混合变量多目标粒子群优化算法求解无人机协同多任务分配问题

无人机多机协同控制系统近年来已被广泛地应用在军事打击、海洋监测、陆地航拍和灾情探测等领域.针对无人机协同多任务分配问题,为了更加准确地描述无人机协同多任务分配场景,本文考虑实际应用场景下的多种复杂约束,并以无人机飞行总航程最少和任务完成时间最短为优化目标,构建了混合变量多约束的无人机协同多任务分配问题模型M-CMTAP.为了高效求解上述模型,本文提出一种基于协同进化的混合变量多目标粒子群优化算法C-MOPSO.C-MOPSO采用基于任务分配和路径规划的编码方法表示无人机的任务分配结果和路径规划结果及基于约束处理的可行解初始化方法生成可行粒子;同时利用基于结构学习的重组策略对粒子进行更新以提高种群的多样性和收敛性;并引入协同进化策略在两个子种群之间进行合作进化以提高算法的搜索效率.根据无人机和目标的分布状态设计4个代表性的测试实例并验证算法性能,实验结果表明,与其他采用协同进化策略的算法相比,所提算法在解的收敛性和解集多样性上均具有显著的性能优势.

LeCMPSO算法求解异构无人机协同多任务重分配问题

无人机系统在军事领域有着广泛应用,由于战场环境复杂多变,无人机遭遇突发状况后需进行任务重分配.异构无人机是指多种类型的无人机,可完成单一无人机无法完成的多类型复杂任务,异构无人机协同多任务重分配问题约束条件复杂且包含混合变量,现有多目标优化算法不能有效处理此类问题.为高效求解上述问题,本文构建多约束异构无人机协同多任务重分配问题模型,提出一种学习引导的协同多目标粒子群优化算法(LeCMPSO),该算法引入基于先验知识的初始化策略和基于历史信息学习的粒子更新策略,能有效避免不可行解的产生并提升算法的搜索效率.通过在4组实例上的仿真实验表明,与其他典型的协同进化多目标优化算法相比,所提算法在解集的多样性、收敛性及搜索时间方面均具有较好的性能.

近距空中支援中无人机目标分配问题研究

利用无人机实施近距空中支援作战是当前研究的重点,需针对复杂战场环境对实行多目标火力打击的无人机进行路径优化与目标分配。综合考虑无人机飞行高度、不同武器挂载、目标类型及各项指标、威胁区威胁代价、作战时间代价等因素,构建目标毁伤综合指标提高非对称打击效能,设置威胁区安全阈值提高路径有效性分析,采取自适应权重粒子群协同优化算法求解单无人机单目标航迹总代价,采取0-1规划法求解多无人机对多目标的不平衡任务分配方案,为近距空中支援任务中多无人机对多目标的分配提供决策支撑。

基于双层规划的攻击无人机协同目标分配优化

针对攻击无人机编队协同作战的背景,提出了基于双层规划的攻击无人机协同目标分配模型。分别以打击效果最大化和飞行航线最短作为模型的上下层目标,并贴近战场环境将目标优先程度、目标打击效果上下限以及打击时间窗口等因素作为模型约束。利用直觉模糊双层规划(intuitionistic fuzzy bilevel programming,IFBLP)理论对构建的协同目标分配双层混合整数规划模型进行了转化,并采用粒子群优化(particle swarm opti-mization,PSO)方法对其进行求解,给出了具体求解步骤。算例结果证明IFBLP理论能够有效解决所构建的双层混合整数规划模型。

基于A-HPSO算法的无人机集群协同目标分配

首先对透明态势下无人机集群近视距空战协同任务目标分配这一问题进行了数学建模。针对在建模后问题求解过程中时常产生的“算法易陷入局部极值而无法继续搜索”这一“算法早熟”问题,在混合粒子群算法(HPSO)基础上,提出了一种引入堵塞检测机制和强制打散操作的自打散混合粒子群算法(A-HPSO)。为验证研究思路及改进后算法性能,分别将HPSO算法及其两种改进型算法M-HPSO算法和I-HPSO算法与A-HPSO算法在六种标准测试目标优化函数及固定-随机两种空战态势下所建模问题上进行对比仿真。实验结果显示,在多约束多目标函数的优化求解上,改进后的A-HPSO算法显著避免了“算法早熟”问题的发生,并进一步提升了HPSO算法的收敛速度和收敛精度。

多目标时空同步协同攻击无人机任务分配与轨迹优化

针对复杂战场环境下分布式无人机对多目标协同打击任务,提出多目标攻击的任务分配与轨迹优化算法。建立典型多目标打击的任务场景和无人机模型;基于Delaunay三角形理论,以禁飞区为节点构建搜索地图;运用A*算法实现威胁最小的单机路径搜索;在无人机动力学约束和能耗损失最小的基础上,引入时间调节因子,采用基于贝塞尔曲线的分布式无人机时空同步轨迹优化方法,得到对多目标同时打击的优化轨迹;设计轨迹跟踪控制器,对预规划轨迹进行跟踪仿真。仿真结果表明,多目标攻击的任务分配与轨迹优化方法能够对多目标实现多角度、时空同步、分布式协同打击,且对噪声及阵风等具有较强的抗干扰能力。

文化算法在有人/无人机协同作战目标分配中的应用

针对有人/无人机协同作战目标分配问题,基于文化算法提出一种遗传算法和离散粒子群算法相结合的目标分配方法。根据有人/无人机协同目标分配问题的特性,结合文化算法的基本框架,建立了遗传算法和离散粒子群算法的交互机制,充分利用遗传算法和离散粒子群算法对优化问题的搜索能力,改善了2种算法易陷入局部最优的缺点,对约束条件下的有人/无人机协同作战目标分配问题进行了有效求解。实验结果表明,基于遗传和离散粒子群相结合的文化算法优于遗传算法和粒子群算法,收敛速度更快,能够快速找到目标分配问题的最优解。

基于灰双矩阵博弈的舰载无人机编队协同对海突击目标分配

针对舰载无人机编队协同对海突击目标分配问题中,由于预警探测水平限制、信息的不完全、人的偏好、有限理性等因素导致的灰色情形,建立了攻防对抗双方的分配策略集和支付矩阵,构建了基于灰双矩阵博弈的舰载无人机编队协同对海突击目标分配模型,并设计了新的粒子位置更新公式对粒子群算法进行改进。分别用遗传算法、传统粒子群算法和改进的粒子群算法进行仿真,对比结果表明,改进后的粒子群算法能够跳出局部最优解,快速收敛到全局最优解,所建立的模型能够较好地解决目标分配决策中的灰色问题,是灰双矩阵博弈理论在目标分配领域的重要应用,仿真结果证明了模型的实用有效性和算法的高效性。

无人机编队内快速协同目标分配的时序约束

协同分配的高效性和目标攻击的时序性是解决无人机编队内协同目标分配的关键技术之一。提出了基于时序约束的无人机编队内快速协同目标分配方法,在采用满意决策理论的快速目标分配框架下,引入了判断时序关系是否满足的约束条件和评价时序关系满足程度优劣的编队效能指标,不仅实现了编队目标的攻击时序要求,而且体现了攻击时序关系与编队效能的内在联系。仿真结果表明上述方法能够快速有效地实现基于时序约束的无人机编队内协同目标分配。

一种舰载无人机协同作战目标分配算法

从多架舰载无人机协同作战的角度,给出一种舰载无人飞机系统的层次化指挥控制方法,重点讨论战役决策和战术决策层的功能需求和逻辑结构。针对多架舰载无人机对多目标作战过程提出多威胁源威胁评估算法和协同作战规划算法,通过仿真案例验证了该算法的合理性与可行性。

基于KnCMPSO算法的异构无人机协同多任务分配

随着无人机(Unmanned aerial vehicle,UAV)技术的广泛应用和执行任务的日益复杂,无人机多机协同控制面临着新的挑战.以无人机总飞行距离和任务完成时间为优化目标,同时考虑异构无人机类型、任务执行时序等多种实际约束,构建基于多种约束条件的异构无人机协同多任务分配模型.该模型不仅包含混合变量,同时还存在多个复杂的约束条件,因此,传统的多目标优化算法并不能有效地处理混合变量及对问题空间进行搜索并生成满足多种约束条件的可行解.为高效求解上述模型,提出一种基于拐点的协同多目标粒子群优化算法(Knee point based coevolution multi-objective particle swarm optimization,Kn CMPSO),该算法引入基于拐点的学习策略来更新外部档案集,在保证收敛性的同时增加种群的多样性,使算法能搜索到更多可行的任务分配结果;并基于二进制交叉方法,引入基于学习的粒子更新策略来提升算法的收敛性及基于区间扰动的局部搜索策略以提升算法的多样性.最后通过在四组实例上的仿真实验验证了所提算法在求解异构无人机协同多任务分配问题上的有效性.

有人/无人机编队打击时敏目标任务分配

针对有人/无人机编队协同打击地面时敏目标的任务分配问题,利用有人/无人机编队系统总体框架和时敏特性函数,构建有人/无人机编队协同打击地面时敏目标的任务分配模型。采用改进的遗传算法,通过引入矩阵型编码提升任务效率,通过引入针对死锁问题的解码方法来解决任务分配的时序问题,最后运用该算法进行了仿真计算。结果表明该算法具有良好的任务分配效率。

面向多目标联合电力巡检的车载无人机协同巡检路径规划方法

为了应对“碳达峰碳中和”新形势下日益严峻的输电线路电力巡检任务,以及针对现有对多目标联合电力巡检研究的不足和实际场景下无人机可悬停等待这一情形缺乏考虑等情况。在考虑电力杆塔和电力线路多目标联合电力巡检的基础上,提出了基于“图论”理论的车载无人机协同巡检路径规划方法。首先,考虑到电力巡检中无人机弧路由和巡检车节点路由相关特点,结合改进中国邮递员问题,设计了基于离散杆塔分割弧算法,以快速求得较优的协同巡检路径初步规划方案,并对比分析了不同场景下不同策略和自然灾害条件下对结果造成的影响。其次,考虑到初步规划方案并非全局最优解,设计了一种符合该研究的模拟退火算法,对初始规划方案进一步优化。最后通过算例验证了路径规划方法的有效性和实用性。

编队协同对空目标探测及搜索力的最优分配

为探索编队空战中快速有效地搜索空中目标的理论和方法,将搜索论引入到编队对空中目标协同探测研究中。将雷达发现目标概率密度作为对空目标连续探测程度的量化指标,通过首次发现目标的概率,导出了无先验信息条件下编队协同搜索的概率计算式。考虑到雷达对目标探测的不确定性,提出了利用3机协同搜索确定空中目标位置和速度方向的几何方法。根据目标位置划分搜索空域,建立了预警机指挥下的编队搜索力最优分配模型。通过示例验算表明,所提方法是有效的,并且用Lingo软件求解较大规模目标搜索力分配问题可满足实时性要求。

有人机/无人机协同作战系统关键技术

分析了有人机/无人机协同作战研究情况,给出了有人机/无人机协同作战系统的基本组成和体系结构,分析了有人机/无人机协同作战的关键技术,提出了美军有人机/无人机协同作战技术对我军的借鉴和启示作用。

考虑执行能力约束的多机协同目标分配AEPSO算法

针对复杂环境中的多无人机协同攻击目标分配算法存在约束条件不充分、解空间的多样性与收敛性难以平衡等问题,提出了一种考虑执行能力约束的多机协同目标分配自适应精英粒子群(AEPSO)算法。首先,在以攻击效益最大化、时间及损毁代价最小化为目标的基础上,将多无人机续航能力、跟踪攻击性能等差异性导致的执行能力受限作为约束条件,构建了多无人机协同目标分配模型。然后,提出了一种基于混沌初始化和多尺度协同变异的自适应精英粒子群策略:通过构建一种改进型Logistic映射,实现粒子混沌初始化,提高了初始粒子群的多样性及搜索遍历性;设计了带有不同方差的自适应高斯变异机制作为精英选择策略,增强了粒子群的全局和局部搜索能力,跳出局部最优;最后,将粒子收敛贡献值作为反馈信息自适应地调整粒子群参数,加快算法收敛速度。仿真结果表明,在不同的无人机与目标的分配关系下,所提算法以更快的收敛速度、更小的适应度值求解出最佳的分配方案。

有人/无人机协同打击航路智能规划

随着航空技术的发展,战机朝着高速化、隐身化、无人化、智能化的发展,有人机-无人机协同作战是当前的发展方向。本文针对战场环境中目标的不规则分布特点,建立了战场要素模型,将自适应增类的聚类思想和二次聚类模型应用到航路规划中。通过仿真验证,本文提出的方法能够很好的避免传统算法的局限,能够在在满足协同作战条件的同时,减小航路代价,简化规划复杂度。

多无人机协同侦察任务规划方法研究综述

由于军事侦察任务的复杂性不断提高,且侦察方式逐渐向多无人机协同的方向发展,而任务规划是无人机执行侦察任务的关键技术,因此研究多无人机协同侦察任务规划方法具有重要意义。根据侦察对象的不同将其分为“点对点”协同侦察和“点对面”协同侦察两种任务模式。对于“点对点”协同侦察,对其目标分配算法与航迹规划算法的原理、优势与不足及改进方法进行了分析,介绍了航迹平滑的常用方法。对于“点对面”协同侦察,从环境信息是否可知的角度对当前的侦察方法进行了分析并总结。最后指出了未来多无人机协同侦察的发展趋势为多无人机携带多种载荷对环境未知的区域进行多角度覆盖侦察。

基于三支决策的无人机-车协同规划算法研究

随着物流车、无人机技术的逐渐成熟以及在运输中的出众表现,车辆与无人机协同作业的路径规划问题(VRPUAV)成为当前学术和工程界亟待解决的问题.本文基于车辆与无人机协同作业场景,将运输问题划分为三粒度,即"无人机数量为0","无人机数量不足","无人机数量充足".采用蚁群算法和无人机物流车协同运输优化算法对3个子问题分别提出相应的解决策略;最后通过仿真实验证明了算法在行驶成本与时间成本上的优化作用,同时在运输物品总条件一定的前提下,三类子问题的治略方案均能够正确求解出优化解,且第2、3种场景较第1种,第3种场景较第2种具有更优运输成本和客户等待时间成本,充分证明了三粒度分治的合理和有效性.

无人机多任务区侦察时间分配模型与应用

为了合理分配无人机对多个任务区的侦察时间,提出了一种包含问题建模、求解和方案决策的无人机多任务区侦察时间分配方法。首先,建立了包含侦察收益和侦察风险两目标的无人机多任务区侦察时间分配模型,该模型属于带约束多目标优化问题;其次,提出了一种改进的基于分解的约束多目标进化算法,该算法具有简单、灵活、无参等特点,可有效求解;最后,利用优劣解距离法从非支配解集中选择最优方案。选择了6种约束多目标进化算法,在3个不同雷达强度指数条件下进行对比实验。Hypervolume指标说明约束多目标进化算法在求解该问题时优于其他算法。实验结果表明:提出的方法在求解无人机多任务区侦察时间分配优化问题中能够实现快速准确决策。