多任务执行中无人机行动联盟形成模型及算法

针对多无人机(unmanned aerial vehicle,UAV)多任务执行问题,开展基于行动联盟的任务执行策略研究。分析了无人机行动联盟形成(UAV action coalition formation,UACF)策略的约束条件,建立了以最小化任务完成时间为目标函数的数学模型;设计了求解该模型的分阶段贪心规划算法(phased greedy planning algorithm,PGPA),在进行算法状态空间描述的基础上,给出了包括任务选取、无人机-任务匹配和资源分发策略等在内的算法流程;最后,通过多组仿真实验,验证了算法的有效性和优越性。

均衡聚类市场拍卖机制的异构无人机集群任务规划方法

针对大规模异构无人机集群的全局任务规划问题,提出一种基于均衡聚类市场拍卖机制的任务规划方法。对无人机群协同合作完成任务的场景进行分析,综合任务聚类和无人机联盟的优势,建立了通用性较高的任务规划模型。考虑到对无人机群负载均衡的需求,融合和改进了K-means聚类算法和市场拍卖机制,形成一种综合考虑路程消耗和任务消耗的均衡聚类市场拍卖算法。在拍卖过程中引入平衡参数,通过计算旅行商问题来修正平衡参数,保证无人机群在负载均衡的同时整体成本不断降低。仿真结果表明,使用均衡聚类市场拍卖机制的任务规划方法能够在较短时间内完成异构无人机群的复杂任务规划,保证无人机群负载均衡的同时,整体成本和总时间上也有较好表现,具有一定的实际应用价值。

基于强化学习的无人机智能任务分配方法

针对无人机群目标打击任务分配问题,提出一种基于强化学习的无人机智能任务分配方法。该方法提出一种任务分层框架,将多个无人机视为一个联盟并对目标进行分类,形成任务簇,并映射到无人机联盟中,通过多智能体强化学习算法(MADDPG)将任务簇内的目标与无人机联盟内的小无人机进行合理配对并对目标实施打击,得到MADDPG算法的回报值和飞行轨迹,并与DDPG算法、DQN算法的回报值和飞行轨迹进行对比。仿真结果表明,在小样本任务分配中,与不分层方法相比,该方法可以提高目标任务打击完成度,提升目标打击的效率;在分层框架下,相比于其他两种算法,收敛速度更快,收敛过程更加稳定。

基于深度强化学习的UAV联盟网络通算联合设计

无人机联盟网络中通信和计算互耦,故对通信和计算进行联合设计有助于提升其整体性能。基于此,文中研究了基于深度强化学习的UAV联盟网络通算联合设计技术。首先,提出基于置信区间上界(UCB)Dueling DQN(U-DDQN)和状态归一化的双延迟深度确定性策略梯度(N-TD3)的多域抗干扰通信策略,根据该策略给UAV链路分配频道和功率并计算出各链路容量;然后,利用N-TD3算法和获得的链路容量设计任务卸载策略。仿真结果表明,基于U-DDQN和N-TD3的抗干扰通信策略显著提高了UAV链路容量,同时基于该链路容量和N-TD3算法设计的计算卸载策略降低了UAV任务处理时延,故所提通算联合设计满足UAV联盟网络的通信能力需求。

湖北省职业院校无人机专业发展的现状综述

概括分析了湖北省内的各职业院校开设无人机专业存在的问题,并提出了解决这些问题的建议。