邵士凱,李厚振,趙淵潔

(河北科技大學(xué) 電氣工程學(xué)院, 石家莊 050018)

0 引言

伴隨著高新技術(shù)的發(fā)展,無人機在各個行業(yè)均受到了普遍的重視。尤其在多變的戰(zhàn)場環(huán)境下,多無人機協(xié)同執(zhí)行任務(wù)是無人機技術(shù)的發(fā)展趨勢,多無人機協(xié)同執(zhí)行偵查攻擊任務(wù)是無人機執(zhí)行復(fù)雜多樣化、智能化任務(wù)的研究熱門[1-3]。

目前,針對無人機任務(wù)分配問題,國內(nèi)外很多學(xué)者均進行了廣泛的研究。文獻[4-5]提出了一種故障無人機編隊容錯控制策略,給出了編隊控制與協(xié)調(diào)的基本定義和分類,針對故障檢測的容錯協(xié)同控制技術(shù)進行了綜述。文獻[6]提出離散粒子群算法進行無人機的任務(wù)分配,通過仿真實驗驗證其算法的有效性。文獻[7]根據(jù)無人機群的在線任務(wù)分配問題,設(shè)計了粒子二維0-1編碼方法和針對不規(guī)范粒子的修正方法,實驗驗證該方法解決帶實時要求的任務(wù)分配問題。根據(jù)當(dāng)前發(fā)展成果,無人機任務(wù)分配的控制方式包括了集中式、分布式與分層次控制,文獻[8]使用混合整數(shù)線性規(guī)劃(MILP)進行了多無人機的任務(wù)規(guī)劃,該方法提高了障礙物數(shù)量及起點和目標(biāo)點間距離的可擴展性。但是其計算復(fù)雜程度也將會隨著任務(wù)數(shù)量的增多使運算時間變長,不適合大機群協(xié)同任務(wù)分配。文獻[9]提出了一種DE-DPSO-GT-SA算法的協(xié)同多任務(wù)分配,并進行了多種算法的對比,仿真實驗證明該方法具有較好的收斂特性。文獻[10-11]考慮實際環(huán)境下無人機任務(wù)分配的協(xié)同能力,加入了復(fù)雜的地形約束。文獻[12]提出了一個由嵌入式硬件和高級別通信協(xié)議相結(jié)合的系統(tǒng),作為識別、分發(fā)和分配任務(wù)的基礎(chǔ),進而用簡單分散的方式供多無人機使用。文獻[13]提出了一種動態(tài)離散鴿群的優(yōu)化算法,進行處理多無人機協(xié)同搜索攻擊任務(wù)規(guī)劃,集成了任務(wù)分配和路徑生成方面。

此外,針對當(dāng)前無人機航線規(guī)劃的研究方法,國內(nèi)外學(xué)者進行了深入的探索研究。運用圖論的方法進行一些路徑規(guī)劃是當(dāng)前研究的一種思路,具體如A*算法[14]、匈牙利算法[15]、隨機樹算法[16]、Voronoi圖形算法[17]等。這類方法由于均是基于代價圖進行規(guī)劃的,需要進行離線存儲好代價圖,從而導(dǎo)致該方法較費時。隨著人工智能技術(shù)的發(fā)展,仿生物群體捕食技術(shù)的算法被廣泛應(yīng)用于航線規(guī)劃中,應(yīng)用較廣泛的算法如蜂群算法(bee colony algorithm )[18]、狼群算法(wolf swarm algorithm)[19]、遺傳算法(genetic Algorithm)[20]以及粒子群算法(particle swarm optimization)[21]等。其中粒子群算法因搜索能力強、易仿真操作等優(yōu)勢被廣泛應(yīng)用,文獻[22]提出了將粒子群算法進行航線預(yù)規(guī)劃,并結(jié)合高斯偽譜法進行擬合進行航線規(guī)劃的方法,該方法有效提高了收斂速度,航線平滑性更好。文獻[23]提出了一種對變量進行控制優(yōu)化的粒子群算法,將無人機與水下機器人進行協(xié)同路徑規(guī)劃,所得解可以追蹤理論極值。

綜上所述,當(dāng)前無人機任務(wù)規(guī)劃研究大都只考慮任務(wù)分配或者航跡規(guī)劃方面內(nèi)容,沒有考慮現(xiàn)實狀況下二者耦合情況; 同時,在無人機集群協(xié)同作戰(zhàn)過程中,當(dāng)無人機出現(xiàn)故障后,對各機的協(xié)同性和任務(wù)的有效性考慮不夠充分?；诖?本論文主要研究以下內(nèi)容:首先,運用匈牙利算法對故障后無人機機群進行快速隊形重構(gòu);其次,介紹和分析了離散粒子群算法的2種改進,即基于柯西算子、非線性時變的變異更新策略,并與傳統(tǒng)離散粒子群算法和遺傳算法相比,有效提高收斂速度和最優(yōu)解。最后,改進的離散粒子群優(yōu)化算法成功地實現(xiàn)了地形、雷達等威脅約束下的任務(wù)規(guī)劃。

1 問題描述

假設(shè)無人機集群在執(zhí)行作戰(zhàn)任務(wù)的過程中,因有無人機發(fā)生故障而無法繼續(xù)執(zhí)行任務(wù)進而退出戰(zhàn)隊序列,剩余無人機需調(diào)整狀態(tài),快速變換隊形,替代故障機完成原定任務(wù)分配。為滿足發(fā)生故障后,無人機群整體任務(wù)規(guī)劃最優(yōu),需在合理規(guī)劃的約束下將敵方目標(biāo)按照最小成本代價分配給各型無人機。

由于任務(wù)分配是采用離線分配的模式,因此,任務(wù)分配完成后,各無人機根據(jù)設(shè)定的航跡點進行航跡規(guī)劃,最終到達分配的目標(biāo)處。

1.1 約束條件

多無人機協(xié)同任務(wù)規(guī)劃是一種在多種約束條件下進行優(yōu)化的問題,為便于算法建模求解,設(shè)定任務(wù)時序、時間協(xié)同、偵查次數(shù)、飛行高度、彈藥量等約束條件。

1.1.1任務(wù)時序約束

針對同一敵方目標(biāo)的打擊任務(wù)必須在偵查任務(wù)完成后才能執(zhí)行。假定對目標(biāo)i執(zhí)行偵查,打擊任務(wù)的時刻依次設(shè)為tScout(i)、tAttack(i),二者需滿足:

tScout(i)

(1)

其對應(yīng)的優(yōu)化約束指標(biāo)函數(shù)為:

(2)

1.1.2時間協(xié)同約束

任務(wù)分配過程中,需要各類型無人機在規(guī)定的有限時間內(nèi)完成對目標(biāo)點的偵查和打擊任務(wù),超過該時間窗,任務(wù)可能會失敗。假設(shè),對此目標(biāo)i的偵查或打擊任務(wù)在tbegin(i)時刻開始執(zhí)行,Δtmin表示其他無人機開始執(zhí)行相同任務(wù)的最短時長,Δtmax表示其他無人機開始執(zhí)行相同任務(wù)的最長時長,則對此目標(biāo)任務(wù)執(zhí)行完畢的時間窗tfinish(i)約束為:

tbegin(i)+Δtmin≤tfinish(i)≤tbegin(i)+Δtmax

(3)

其對應(yīng)的優(yōu)化約束指標(biāo)函數(shù)為:

(4)

1.1.3偵查次數(shù)約束

偵查次數(shù)約束是指每架偵查無人機對敵方目標(biāo)均需進行一次偵查,設(shè)xi, j∈{0,1}為決策變量,當(dāng)分配無人機i執(zhí)行偵查任務(wù)j時,xi, j的值為1,否則,其值為0。因此,偵查機群協(xié)同約束可表述為:

(5)

其對應(yīng)的優(yōu)化約束指標(biāo)函數(shù)設(shè)置為:

(6)

1.1.4飛行高度約束

在無人機飛行過程中,需規(guī)避敵方偵測雷達信號以及山區(qū)地形威脅,設(shè)定hi表示第i段航線的航行高度,hmin表示最低飛行高度,hmax表示最高飛行高度,n表示維數(shù),則航行高度可表示為:

hmin≤hi≤hmax,i=1,2,…,n

(7)

其對應(yīng)的優(yōu)化約束指標(biāo)函數(shù)為:

(8)

1.1.5彈藥量約束

打擊無人機所攜帶的彈藥是有限的,故設(shè)定打擊機對敵方目標(biāo)執(zhí)行攻擊任務(wù)的次數(shù)約束。假設(shè)無人機執(zhí)行任務(wù)分配時,對目標(biāo)i執(zhí)行打擊的次數(shù)表示為MAttack(i),目標(biāo)點集合表示為T,則打擊次數(shù)可表示為:

(9)

其對應(yīng)的優(yōu)化約束指標(biāo)函數(shù)為:

(10)

1.1.6雷達威脅約束

多無人機在執(zhí)行任務(wù)飛行時需避免被敵方目標(biāo)設(shè)置的雷達監(jiān)測到,假設(shè)雷達探測范圍表示為半球形,且不會被周邊地形遮蓋,則多無人機在執(zhí)行任務(wù)的航線規(guī)劃過程中,其雷達威脅模型設(shè)置為:

Lradar=(xk,yk,zk,rk)

(11)

式(11)中:xk、yk、zk表示雷達所在的中心位置;rk表示其監(jiān)測半徑。設(shè)定約束形式為:

(12)

其優(yōu)化約束的指標(biāo)函數(shù)為:

(13)

1.1.7山峰威脅約束

在實際自然環(huán)境中,多無人機協(xié)同執(zhí)行任務(wù)分配時,還需要規(guī)避飛行區(qū)域內(nèi)的山峰。因此,編隊機群應(yīng)與山體威脅保持一定航距。則山峰威脅約束的建模形式為:

(14)

其優(yōu)化約束的指標(biāo)函數(shù)為:

(15)

1.2 評價指標(biāo)

多無人機協(xié)同任務(wù)規(guī)劃必須滿足以上各約束條件,使得各機協(xié)同優(yōu)化性能達到最優(yōu),將無人機飛行總航程最短、航線有效規(guī)避威脅等納入評價協(xié)同任務(wù)規(guī)劃性能的指標(biāo)中。

在實際作戰(zhàn)空間中,無人機執(zhí)行任務(wù)的航程越長,其被敵方目標(biāo)反打擊的概率也越大,因此,要求多無人機執(zhí)行任務(wù)分配的飛行總航程最短。

考慮到無人機飛行過程中的航線規(guī)劃,假設(shè)S1表示為無人機從起始點到敵方目標(biāo)點需要付出的航程代價,為保證總體目標(biāo)函數(shù)中權(quán)重占比差距不大,將航程代價進行歸一化,設(shè)置為規(guī)劃的飛行航線總里程與無人機起點到終點的直線里程的比值。具體表示為:

(16)

其中

li=sqrt[(xk+1-xk)2+(yk+1-yk)2+(zk+1-zk)2]

(17)

式(16)和式(17)中:η為航線維數(shù);k為某一航跡點;x、y為該航線點在水平面上的坐標(biāo);z為航跡點的垂直高度;lstr為無人機起點到終點的直線里程。航線規(guī)劃的最終結(jié)果是在三維空間內(nèi)搜索出一系列的航線點,每個航線點與相鄰的航線點相連,構(gòu)成飛行航線。

綜上,總體指標(biāo)函數(shù)表示為:

S=S1+f1+f2+f3+f4+f5+fR+fM

(18)

式(18)中:S為總代價值;S1為航程代價;f1為時序約束懲罰值;f2為時間協(xié)同約束懲罰值;f3為偵查次數(shù)約束懲罰值;f4為飛行高度約束懲罰值;f5為彈藥量約束懲罰值;fR為雷達威脅懲罰值;fM為山峰威脅懲罰值。

2 求解策略

2.1 匈牙利算法

故障下多無人機編隊重分配是一種帶有目標(biāo)代價的指派問題,利用匈牙利算法能夠?qū)⒅概蓡栴}轉(zhuǎn)換到算法的求解過程中,有效化解為數(shù)學(xué)問題進行解決。假設(shè)飛行過程中偵查機、打擊機各出現(xiàn)一架無人機故障,剩余無人機需迅速調(diào)整隊形,重新進行任務(wù)分配。

設(shè)無人機發(fā)生故障時位置集合為C={c1,c2,…,cp},重分配后無人機位置集合為N={n1,n2,…,nq},xij表示無人機從故障位置Ci到編隊重分配后位置Nj的航程。航程集合X={xij|i=1,2,…,q}。給定q架偵查無人機和打擊無人機,從Ci出發(fā)沿一條路徑分配至Nj,即求解q條路徑,使得此q架無人機的飛行總航程D最短,其表示為:

(19)

2.2 改進離散粒子群算法

2.2.1基本離散粒子群算法

根據(jù)基本粒子群算法,在離散空間中設(shè)計了交叉和變異策略,重新定義了粒子位置和速度的更新規(guī)則,表達式為:

Xi(t+1)=c2?F3(c1?F2(ω?F1(Xi(t),Pi(t)),Pg(t)))

(20)

式(20)中:Xi(t)=(xi1,xi2,…,xiz)表示粒子i在第t次迭代中的位置坐標(biāo);Pi(t)=(Pi1,Pi2,…,Piz)表示粒子i在第t次迭代中的個體極值;Pg(t)=(Pg1,Pg2,…,Pgz)表示全局極值。

2.2.2改進離散粒子群算法策略

1) 柯西變異策略。

針對DPSO易陷入局部最優(yōu)的特點,引入柯西算子,能夠有效提升算法的全局搜索能力,增強搜索空間。由于柯西分布函數(shù)在中點的步長較小,在兩端的步長較大,從而對粒子個體產(chǎn)生較大擾動,使得粒子能夠及時調(diào)整位置,避免陷入局部最優(yōu)。同時,柯西分布峰值下降的坡率較緩且峰值較小,從而使得粒子經(jīng)過變異后用于搜索的時間花費較少,進而能夠把更多的時間用于全局尋優(yōu)上,因此提高了改進算法的收斂速度。

經(jīng)過離散化的算法采用如下改進的柯西變異公式,進行更新當(dāng)前個體的最優(yōu)位置,提高全局尋優(yōu)能力。

(21)

2) 非線性時變策略。

DPSO借鑒遺傳算法的思想,離散化基本粒子群算法的粒子位置和速度,更新為交叉和變異策略,變異策略使得粒子在迭代后期可以跳出局部最優(yōu),加強全局搜索,從而提升尋優(yōu)能力。然而DPSO的變異策略較為簡單,隨著迭代的進行與時間的推移,不能及時地根據(jù)位置的變化做出相應(yīng)的調(diào)整,從而導(dǎo)致尋優(yōu)效果變差,為解決該問題,引入非線性時變的變異策略,有:

(22)

根據(jù)式(22),將變異策略分為3個階段,其中T表示最大迭代次數(shù),t表示當(dāng)前階段的迭代次數(shù),由于變異策略處于算法的后期階段,此時解的尋優(yōu)性較差,然而利用非線性時變變異因子的前2個階段能夠加強粒子的變異能力,從而及時擺脫局部搜索,提高解的尋優(yōu)能力,隨著迭代的進行,適應(yīng)值趨于最優(yōu),變異因子隨之進入第3階段的線性環(huán)節(jié),從而加快算法的收斂速度。

此外,交叉因子ω、c1也會影響粒子的更新速度與尋優(yōu)能力,為進一步提高算法的收斂速度與全局尋優(yōu)能力,對交叉因子進行如下改進:

ω=0.25+0.8×(t/T)

(23)

c1=0.75-0.8×(t/T)

(24)

式(23)～(24)中:t為當(dāng)前迭代次數(shù);T為最大迭代次數(shù);交叉因子ω隨著迭代的進行而增加;c1隨迭代次數(shù)的累加而減小。這使得算法在迭代開始階段積極進行全局搜索,進而提升收斂速度,當(dāng)隨著迭代接近尾聲,個體學(xué)習(xí)能力的加強使得種群不易陷入局部最優(yōu),同時,ω與c1的累加和為1,保證了粒子的尋優(yōu)能力和收斂速度能力之和保持恒定,從而兼顧了算法收斂速度和尋優(yōu)性的統(tǒng)一。

2.3 流程設(shè)計

依據(jù)改進離散粒子群算法與匈牙利算法相結(jié)合的方法,進行故障下多無人機編隊重分配任務(wù)規(guī)劃,多約束下的任務(wù)規(guī)劃流程步驟如下。

步驟1:設(shè)定基本參數(shù)。給定無人機、目標(biāo)點位置,設(shè)定環(huán)境障礙參數(shù),包括雷達威脅的個數(shù)及監(jiān)測中心坐標(biāo)與半徑,山峰威脅的個數(shù)及相關(guān)參數(shù)。

步驟2:初始化種群數(shù)量,設(shè)置粒子個體極值和全局極值的初值,以及最大迭代次數(shù)。

步驟3:開始進行迭代尋優(yōu),編譯適應(yīng)值函數(shù)并輸入多約束條件,給定相應(yīng)懲罰值,計算每次的代價值,并畫出代價值函數(shù)曲線。

步驟4:根據(jù)每次迭代的代價值,判斷粒子當(dāng)前迭代值與個體極值的大小情況,如若連續(xù)10次迭代值相等,執(zhí)行柯西變異策略,幫助跳出局部最優(yōu);如若不然,則不執(zhí)行此策略,直接進入下一步驟。

步驟5:執(zhí)行改進離散粒子群算法的交叉策略,并依據(jù)改進算法依次執(zhí)行式(25)的的非線性時變的變異策略,并將當(dāng)前迭代次數(shù)與最大迭代次數(shù)進行比較,直至執(zhí)行完設(shè)定的最大迭代次數(shù)。

步驟6:依據(jù)任務(wù)分配得到的最終代價值、分配結(jié)果進行航線規(guī)劃。

具體仿真流程設(shè)計如圖1所示。

圖1 故障下多無人機協(xié)同任務(wù)規(guī)劃流程Fig.1 Flow chart of multi UAV cooperative mission planning under fault

3 仿真與分析

3.1 仿真參數(shù)設(shè)定

根據(jù)流程設(shè)計,在計算機硬件配置為Intel 5,1.19 GHz,運用軟件Matlab 2020b進行仿真。設(shè)定迭代次數(shù)T=200,種群數(shù)N=400,飛行高度hmax=33、hmin=15;航跡維度η=20;打擊機速度設(shè)定為3v0km/min、偵查機速度設(shè)定為4v0km/min,其中v0=10 km/min;時間協(xié)同過程的最短執(zhí)行時間Δtmin=1 min、最長執(zhí)行時間Δtmax=2 min。

設(shè)定三維地形環(huán)境為250 km×250 km×70 km的任務(wù)區(qū)域,包括5個雷達監(jiān)測區(qū)域和2個山峰威脅區(qū)域,雷達區(qū)域在仿真環(huán)境中以半球進行繪制,山峰則用高低起伏不同的曲面進行繪制。其參數(shù)設(shè)置如表1所示。

表1 威脅參數(shù)Table 1 Threat parameters

3.2 仿真結(jié)果分析

將無人機擬化為質(zhì)點,并忽略相關(guān)的動力學(xué)模型。假設(shè)15架無人機中有2架無人機因發(fā)生故障退出編隊協(xié)同,則對剩余13架無人機執(zhí)行編隊重分配任務(wù),分配為打擊隊形和偵查隊形。故障下多無人機編隊重分配參數(shù)如表2所示。

表2 故障下多無人機編隊重分配參數(shù)Table 2 Multiple UAV formation fault allocation

根據(jù)匈牙利算法多無人機重編隊的總分配航程最短的指標(biāo),得到剩余的多無人機重編隊的前后位置信息(見表2)。故障下多無人機編隊重分配結(jié)果如圖2所示,五角形表示故障前15架無人機的隊形排列,其中藍色五角形為故障無人機,六角形表示故障后2個打擊隊形排列,四角形表示故障后的1個偵查隊形排列。

圖2 故障下多無人機編隊重分配結(jié)果Fig.2 Reassignment results of multiple UAV formation under fault

基于改進離散粒子群算法的多無人機任務(wù)分配以8架打擊型無人機和5架偵查型無人機執(zhí)行對5個敵方目標(biāo)的偵查、打擊任務(wù)為背景進行仿真實驗,無人機的起點為故障下多無人機編隊重分配后的13架無人機坐標(biāo)位置,5個敵方目標(biāo)點位置的具體信息如表3所示。

表3 目標(biāo)點區(qū)域范圍參數(shù)Table 3 Parameters of target point area

為驗證改進離散粒子群算法(IDPSO)的有效性,分別將改進算法與基本離散粒子群算法(DPSO)和遺傳算法(GA)進行了對比仿真,并同時進行了30次、50次、100次蒙特卡羅仿真,求其平均值后得到如圖3所示的算法對比圖。

圖3 改進算法對比結(jié)果Fig.3 Comparison results of improved algorithms

根據(jù)圖3改進算法對比結(jié)果可以看出,經(jīng)過30次、50次、100次蒙特卡羅仿真求平均值的多次仿真對比,改進離散粒子群算法(IDPSO)在歷次迭代尋優(yōu)性能上均優(yōu)于基本離散粒子群算法(DPSO)和遺傳算法(GA),尋優(yōu)有效性較好。

為進一步驗證改進算法在無人機任務(wù)規(guī)劃中具有應(yīng)用有效性,分別對改進離散粒子群算法(IDPSO)、基本離散粒子群算法(DPSO)、遺傳算法(GA)進行三維空間中的建模仿真,如圖4—圖6所示。

圖4 IDPSO打擊任務(wù)分配結(jié)果Fig.4 IDPSO attack task allocation results

由于篇幅問題,僅針對故障后無人機的打擊任務(wù)分配場景進行詳細分析。無人機的航線規(guī)劃均采用10個航跡點,通過圖4—圖6的三維仿真航跡可以看出,基于改進離散粒子群算法(IDPSO)的任務(wù)規(guī)劃結(jié)果可以成功躲避威脅障礙,平滑性優(yōu)于DPSO和GA,說明IDPSO任務(wù)分配的尋優(yōu)有效性能夠保證粒子群航線規(guī)劃的成功;其次,在考慮其他相同約束的條件下,算法優(yōu)化的目標(biāo)主要集中在總航程最短,由仿真圖4(c)與圖5(c)對比可以看出,與傳統(tǒng)離散粒子群算法相比,IDPSO所求結(jié)果中,各無人機選擇距離本機位置更近的目標(biāo)點進行打擊,說明了IDPSO具有更佳的求解特性;由圖4和圖6的對比得知,改進離散粒子群算法(IDPSO)的任務(wù)分配結(jié)果滿足打擊機的彈藥量約束,而遺傳算法(GA)的分配未對2、5號目標(biāo)點進行打擊,導(dǎo)致任務(wù)分配的失敗,由此規(guī)劃出的航線也未能避開設(shè)置的障礙威脅。這些仿真結(jié)果驗證了改進算法在求解復(fù)雜優(yōu)化問題時能夠得到優(yōu)于其他算法的解。

圖5 DPSO打擊任務(wù)分配結(jié)果Fig.5 DPSO attack task allocation results

圖6 GA打擊任務(wù)分配結(jié)果Fig.6 GA attack task allocation results

針對故障后多無人機任務(wù)重分配問題,基于改進離散粒子群算法(IDPSO)對偵查、打擊全場景的分配結(jié)果進行仿真實驗,圖7中紅實線表示偵查機任務(wù)規(guī)劃,藍實線為打擊機任務(wù)規(guī)劃。根據(jù)圖7信息可知,各無人機均在一定高度上飛行且有效避障,滿足飛行高度約束條件;由圖8(a)偵查分配結(jié)果得知,偵查機對每個目標(biāo)均進行了一次偵查任務(wù),即滿足偵查次數(shù)約束條件。根據(jù)圖9(a)打擊分配結(jié)果可以看出,打擊機對不同標(biāo)號的目標(biāo)進行了不同架次的打擊任務(wù),滿足彈藥量約束條件。此外,由圖8(b)和圖9(b)的協(xié)同飛行時間比較可知,偵查機群在12～19 min內(nèi)可以完成偵查任務(wù);打擊機群隨后在22～38 min內(nèi)完成打擊任務(wù),滿足先偵查再打擊的時序約束條件;且各偵查機和各打擊機在執(zhí)行任務(wù)時,均具有1～2 min共同的時間窗,即滿足時間協(xié)同約束。

圖7 故障后多無人機任務(wù)重分配結(jié)果Fig.7 Task reassignment results of multiple UAVs under fault

圖8 故障后偵查機群任務(wù)重分配結(jié)果Fig.8 Task reassignment results of scout UAVs under fault

圖9 故障后打擊機群任務(wù)重分配結(jié)果Fig.9 Task reassignment results of attack UAVs under fault

綜上可知,采用13架無人機進行仿真具有較好的一般性,能夠?qū)崿F(xiàn)偵查過程的一對一場景和打擊過程的多對一場景,仿真結(jié)果也說明了本文所提算法的有效性。

4 結(jié)論

針對故障下多無人機執(zhí)行多目標(biāo)任務(wù)規(guī)劃的問題,本文提出了利用匈牙利算法與改進離散粒子群算法進行結(jié)合的求解方法。首先利用匈牙利算法進行故障下無人機群編隊重規(guī)劃,然后基于柯西變異策略、非線性時變策略改進的離散粒子群算法,將剩余無人機進行任務(wù)重分配,為了得到公正且信服的評估,將各無人機在多種約束條件下進行了多組蒙特卡羅模擬仿真,并與傳統(tǒng)離散粒子群算法和遺傳算法進行了充分比較,說明了本文所提出的改進DPSO的有效性。主要研究結(jié)果總結(jié)如下:

1) 改進DPSO可以比傳統(tǒng)DPSO和GA獲得更好的最優(yōu)解。

2) 改進DPSO的收斂速度比DPSO和GA更快。

3) 改進DPSO可以優(yōu)化得到更佳的分配方案,從而降低任務(wù)規(guī)劃成本,具有一定現(xiàn)實意義。

本研究僅考慮了故障無人機無法繼續(xù)執(zhí)行任務(wù)的場景,下一步將在輕度故障可繼續(xù)執(zhí)行相應(yīng)任務(wù)的策略方法上進行探索跟進。