基于局部搜索增强及决策偏好的多无人机任务分配方法

所属的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（ram）、内存、只读存储器（rom）、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

背景技术：

1、在传统无人机任务分配中，通常会考虑飞行时间、任务紧急程度、飞行距离等多种因素，根据现有文献表明，部分研究未能充分考虑各个无人机之间性能差异以及决策者的偏好等。因此，基于偏好的多无人机协同任务分配方法可以根据决策者偏好更加智能地规划任务分配。

2、基于局部搜索增强及决策偏好的多无人机任务分配方法是指针对多架无人机执行任务时有效管理和优化而提出的技术策略。在这种背景下，无人机群体通常由多个无人机组成，它们需要协同工作以完成复杂任务，如搜索与救援、监视、巡逻、物流等。为了更好地考虑到决策者偏好，可能会采用偏好建模方法，通过数据分析、机器学习等技术识别决策者偏好，并通过这些偏好影响最终的无人机协同分配方案。

3、目前，基于局部搜索增强及决策偏好的多无人机任务分配方法存在以下问题：

4、决策者的偏好可能受到任务优先级、资源约束、时间限制等，如果这些偏好不清晰或者无法准确量化，就会导致决策者偏好不明确，导致很难设计有效任务分配方法。

5、面向决策者偏好的任务分配方法需要复杂的算法和模型来处理多个无人机之间的协同问题，这可能导致计算量较大，规划效率较低等问题。同时，在多无人机协同任务分配中，由于各无人机局部信息限制，可能导致系统陷入局部最优解而无法得到全局最优解。

技术实现思路

1、为了解决现有技术中的上述问题，即现有的无人机技术容易陷入局部最优解、分配方案没法快速求解、求解效果不佳的问题，本发明提供了一种基于局部搜索增强及决策偏好的多无人机任务分配方法，所述方法包括：

2、步骤s1，构建统一仿真环境和各无人机性能约束条件；所述统一仿真环境包括真实数学高程地图和模拟障碍物数据；所述各无人机性能约束条件包括：无人机与地面障碍物安全距离约束、无人机最大飞行高度约束、无人机间避免碰撞约束、无人机最大爬升/俯冲角度约束和无人机最大转弯角约束；

3、步骤s2，基于所述各无人机性能约束条件，构建双目标多无人机任务分配优化函数；所述双目标多无人机任务分配优化函数包括：最小航程距离目标优化函数和最小障碍物威胁程度目标优化函数；

4、步骤s3，根据双目标多无人机任务分配优化函数，采用基于局部搜索增强差分进化算法求解非支配无人机分配方案，获得不同目标上多个较优非支配无人机分配方案；所述局部搜索增强差分进化算法，具体为局部寻优中将违背约束值低于预设容错阈值的不可行解保留至档案库，并将档案库的不可行解视为可行解继续计算，针对非支配无人机分配方案采用非支配解的双目标多无人机分配方案收敛性指标与双目标多无人机分配方案多样性指标替代双目标多无人机分配方案的适应度值之间的大小比较，直至达到设定的迭代终止条件，获得不同目标上多个较优非支配无人机分配方案；其中档案库包括第一档案库和第二档案库；

5、所述第一档案库，用于存储采用局部搜索增强差分进化算法在局部寻优和全局寻优过程中获得的第一类分配方案；第一类分配方案为违背约束值为0的双目标多无人机任务分配方案，且第一类分配方案支配不属于第一类分配方案的分配方案；

6、所述第二档案库，用于存储采用局部搜索增强差分进化算法在局部寻优过程中获得的第二类分配方案；第二类分配方案为违背约束值低于预设容错阈值的双目标多无人机任务分配方案，且第二类分配方案支配第一档案库中的分配方案；

7、步骤s4，将较优非支配无人机分配方案进行帕累托前沿面可视化，通过帕累托前沿凹点判别机制优化所述较优非支配无人机分配方案，获得分布均匀的最优非支配双目标多无人机任务分配方案；

8、步骤s5，绘制辅助线将可视化的帕累托前沿面的二维空间二等分，辅助线与帕累托前沿面相交形成空间分割点，将最优非支配双目标多无人机任务分配方案所在空间分为两个不同偏好的特征区域，供决策者从不同特征区域中选定最优的非支配无人机分配方案。

9、进一步的，所述约束条件包括：

10、无人机与地面障碍物安全距离约束：

11、；

12、其中，表示第架无人机第个路径点下方高程值，表示第架无人机第个路径点下方实际距离，表示单个无人机路径中总的路径点数量，表示无人机总数量，表示第个路径点序列，表示第架无人机序列，表示正整数；

13、无人机最大飞行高度约束：

14、；

15、其中，表示无人机最大飞行高度；

16、无人机间避免碰撞约束：

17、；

18、其中，表示任意两架无人机之间安全距离，表示第架无人机第个路径点位置，表示第架无人机第个路径点位置，表示第架无人机序列，；

19、无人机最大爬升/俯冲角度约束：

20、；

21、其中，表示无人机爬升/俯冲角度，表示第架无人机第个路径点在三维空间的高度，表示第架无人机第个路径点在三维空间的水平横坐标，表示第架无人机第个路径点在三维空间的水平纵坐标，表示第架无人机第个路径点在三维空间的高度，表示第架无人机第个路径点在三维空间的水平横坐标，表示第架无人机第个路径点在三维空间的水平纵坐标，表示反正切函数；

22、无人机最大转弯角约束：

23、；

24、其中，表示无人机转弯角，表示第架无人机第个路径点在三维空间的水平横坐标方向的加速度，表示第架无人机第个路径点在三维空间的水平纵坐标方向的加速度，表示第架无人机第个路径点在三维空间的高度方向的加速度。

25、进一步的，所述双目标多无人机任务分配优化函数，具体为：

26、

27、为无人机与地面障碍物安全距离约束，为无人机最大飞行高度约束，为无人机间避免碰撞约束，为无人机最大爬升/俯冲角度约束，为无人机最大转弯角约束；

28、航程距离目标优化函数为：

29、；

30、其中，min表示取最小值，表示第架无人机，表示第个路径点，表示单个无人机路径中总的路径点数量，表示第架无人机路径中第个路径点，表示第架无人机路径中第个路径点，表示计算两点欧式距离，表示任意无人机总数量，表示任意无人机任意路径点，表示正整数；

31、障碍物威胁程度目标优化函数为：

32、；

33、表示障碍物的总数量，表示单个无人机路径中总的路径点数量，表示第架无人机在路径点的位置，表示第个障碍物中心的位置，表示障碍物的威胁系数，表示地形与路径点 k的威胁系数。

34、进一步的，所述局部搜索增强的差分进化算法，具体为：

35、通过差分进化算法种群初始化机制，获得第代双目标多无人机随机分配方案：

36、；

37、其中，表示一次迭代获得的无人机分配方案的数量，表示差分进化算法的迭代总次数，表示第代的第架无人机执行任务点的适应度值，表示参与迭代的第架无人机，表示第个任务点，表示任务点数量；

38、通过差分进化算法变异算子策略将第代双目标多无人机随机分配方案中无人机执行任务的序列作差，形成变异后的多无人机分配方案：

39、；

40、其中，表示随机数，表示参与迭代的第代的第架无人机序列，表示第代的第架无人机序列，表示第代的第架无人机序列，表示第代多无人机进行序列作差；

41、通过差分进化算法选择算子策略，将第代变异后的违背约束值为0的双目标多无人机任务分配方案的可行解存入第一档案库store1，并记录第一档案库store1中违背约束值为0的可行解的数量，将第代变异后的无人机分配方案中违背约束值低于预设容错阈值的双目标多无人机任务分配方案且分配方案支配第一档案库store1中的不可行解存入第三档案库store3：

42、；

43、；

44、表示违背约束为0的双目标多无人机分配方案，表示违背约束小于设定阈值的双目标多无人机分配方案，表示可违背约束值的最小阈值，表示支配关系；表示中支配中双目标多无人机分配方案的双目标多无人机分配方案；表示存储至第二档案库store2；

45、此时，第代档案库包含两类不同约束特征无人机分配方案：

46、；

47、将第二档案库store2中违背约束值低于预设容错阈值的双目标多无人机任务分配方案的双目标多无人机分配方案放入代差分进化算法中进行循环求解，如果，则将分配方案淘汰；

48、循环求解后获得多个非支配无人机分配方案。

49、进一步的，所述将第代变异后的无人机分配方案中违背约束值低于预设容错阈值的双目标多无人机任务分配方案且分配方案支配第一档案库store1中的不可行解存入第二档案库store2，还包括：

50、若违背的约束条件存在无人机与地面障碍物安全距离约束、无人机最大飞行高度约束和无人机间避免碰撞约束中的一种或多种，将当前无人机分配方案淘汰；

51、若违背的约束条件仅为无人机最大爬升/俯冲角度约束和无人机最大转弯角约束中的一种或多种，将违背约束值低于预设容错阈值的双目标多无人机任务分配方案且支配第一档案库store1中分配方案的解依然存入第二档案库store2。

52、进一步的，所述采用非支配解的双目标多无人机分配方案收敛性指标与双目标多无人机分配方案多样性指标替代双目标多无人机分配方案的适应度值之间的大小比较，具体为：

53、通过局部搜索增强差分进化算法求解双目标多无人机任务分配优化函数，获得迭代过程中所有无人机分配序列集合：

54、；

55、表示参与迭代的第架无人机；

56、分别表示目标优化函数序号，目标的所述双目标多无人机分配方案收敛性指标的计算方法为：

57、；

58、保留双目标多无人机分配方案收敛性指标值最小的双目标多无人机分配方案；表示对应航程距离目标优化函数，表示第代各无人机执行任务序列在对应的目标优化函数上的适应度值之和；与分别表示第 g代各无人机执行任务序列在对应的目标优化函数上的最小适应度值和第代各无人机执行任务序列在对应的目标优化函数上的最大适应度值；为防止分母为0的常数；

59、所述对应航程距离目标优化函数即时双目标多无人机分配方案多样性指标，多样性指标最大，说明分配方案最好，其计算方法为：

60、基于航程距离目标优化函数，计算归一化目标函数：

61、；

62、对每代无人机分配方案进行密度估计，即根据搜索空间中无人机分配方案集合在航程距离目标优化函数归一化，比较集合中目标函数的各适应度值，淘汰适应度值低于设定的淘汰阈值的分配方案，保留适应度值高于或等于淘汰阈值的分配方案；

63、具体为：依次比较对应航程距离目标优化函数即时各无人机分配方案的适应度值大小，并将适应度值最高的无人机分配方案保存在中：

64、；

65、其中，表示第代各无人机分配方案的航程距离目标优化函数归一化目标函数的分配方案集合；

66、如果的适应度值大于，则保留，否则覆盖：

67、；

68、输出时收敛性指标最小和多样性指标最大的无人机分配方案：

69、；

70、计算时收敛性指标最小和多样性指标最大的无人机分配方案：

71、；

72、采用非支配解的多样性与收敛性评价机制替代双目标多无人机分配方案的适应度值之间的大小比较，大大降低了直接比较双目标非支配分配方案适应度值的难度。

73、进一步的，所述步骤s4，具体包括：

74、双目标多无人机任务分配方案包括时和时的帕累托前沿面的较优非支配较优分配方案：

75、；

76、从中选取任一分配方案作为当前候选分配方案，与相邻的分配方案和进行进化算法中的航程距离目标适应度值和障碍物威胁程度适应度值比较，若同时满足凹点判别条件：

77、；

78、则候选分配方案视为凹点，凹点对应的候选分配方案为最优的帕累托前沿非支配分配方案；重复迭代直到遍历所有的分配方案得到多个最优的帕累托前沿非支配分配方案；

79、依次将较优非支配无人机分配方案进行帕累托前沿面可视化，获得分布均匀的最优非支配双目标多无人机任务分配方案。

80、进一步的，所述步骤s5，具体包括：

81、在目标空间中构建辅助线，辅助线与帕累托前沿面相交的空间分割点，以空间分割点为中心将空间分为两个区域：第一特征区域和第二特征区域，此时，第一特征区域更偏向于航程距离较短的无人机分配方案，第二特征区域更偏向于障碍物威胁程度较小的无人机分配方案；

82、；

83、供决策者根据不同的无人机仿真场景选择不同特征区域内的无人机分配方案，部分场景需要无人机以最短的航程距离到达任务点位置，则决策者可选择偏好分配方案；部分场景需要无人机以最小障碍物威胁程度到达任务点位置，则决策者可选择偏好分配方案。

84、本发明的有益效果：

85、本发明通过设置双目标函数进行分配方案的生成，进行的计算规模过于庞大，进而通过多样性指标和收敛性指标找到更多的解同时满足分配方案的合理性、实时性要求。

86、本发明通过局部搜索增强的策略，将违背约束较小的方案添加到算法的迭代中，不但增强了解空间的多样性，使得算法跳出局部最优，使得无人机航迹规划方案均匀分布在帕累托前沿上，解决了多目标支配特性的局限性，获得更多了航迹规划方案。

87、本发明通过生成的多样性和收敛性较好的航迹规划方案，决策者可以根据当前任务需求自行选择适合的方案，使得决策者决策有理论的依据，同时，通过帕累托前沿的可视化，使得航迹规划方案分布更清晰。

88、本发明通过在每一代的迭代中记录了第一档案库中的第一类分配方案的数量，经过与收敛性指标和多样性指标进行分析，可以明确局部增强算法在各个环节中带来的进步，有助于试验后的追溯分析。