基于动态狼群算法的多无人机任务分配系统及方法

本发明涉及多无人机任务分配，具体涉及一种基于动态狼群算法的多无人机任务分配系统及方法。

背景技术：

1、近年来，无人机凭借其低沉本、高机动、广适用的特点，在国内外受到了广泛的关注。得益于人工智能、群控制技术的不断发展以及单无人机在执行特定任务时受制于飞行距离、载荷等影响，难以有效单独执行任务的缺陷，使得多无人机协同成为当下研究的重点。

2、目前，在多无人机任务分配问题上，大多数采用群智能算法求解，而在群智能算法中，粒子群算法由于其参数少、算法实现简单、收敛、求解速度快等优点，成为了多无人机任务分配的主流算法。尽管粒子群算法在处理简单、单峰、连续函数时取得了不错的效果，但在求解多无人机任务分配这一复杂离散化的问题时，易出现早熟、求解精度低、陷入局部最优解等问题。

3、狼群算法作为一种较新的群智能算法，其核心思想是模仿狼群的捕食行为。相较于粒子群算法，狼群算法具有更高的鲁棒性、更强的全局搜索能力，同时在计算高维、离散问题时也展现出了不错的性能。狼群算法近年来在多无人机分配领域已有一定的研究成果，例如mdwpa算法提出将传统狼群算法与遗传算法、精英策略相结合，使得算法在收敛速度和求解精度方面有了较大的改进，但该算法在求解过程中存在种群多样性低、求解后期容易选入局部最优等缺陷；cdwpa算法提出通过混沌逆初始化来提高初始解的质量，并在求解过程中添加随机扰动，增加人工狼群全局搜索能力，但该算法在迭代出易出现早熟现象，导致求解效果不稳定；mppwpa算法提出将人工狼群划分为多个子群，各子群间独立求解，并通过子群间的信息互通实现子群的不断进化，极大程度上避免了单一种群下，在算法迭代后期种群多样性下降的问题，该算法在求解低维问题时展现出了不错的性能，但随着求解维度的上升，算法求解的精度随之下降。

技术实现思路

1、本发明的目的就是针对背景技术中的缺陷，提供一种基于动态狼群算法的多无人机任务分配系统，包括：

2、一种基于动态狼群算法的多无人机任务分配系统，包括：

3、初始化模块，用于将动态狼群算法中狼群的每一只个体狼的位置定义为由任务编号列表与无人机编号列表组成的多无人机任务分配方案，任务编号列表中的任务编号与无人机编号列表中的无人机编号一一对应；

4、游走行为模块，用于采用有序排列法计算个体狼中每只探狼的最大游走次数，并根据该最大游走次数进行游走，所述游走定义为对任务编号列表中的任务编号重新排序；

5、召唤行为模块，用于使个体狼中猛狼在任务编号重新排序后任务编号列表不变的前提下进行召唤，所述召唤定义为猛狼学习当前头狼的多无人机任务分配方案；

6、围攻行为模块，用于根据除当前头狼外的各个个体狼与个体狼中当前头狼之间的适应度差值分别计算对应距离概率，并根据该距离概率进行围攻，所述围攻定义为在预设范围内生成随机数，若距离概率大于随机数则该个体狼进行变异，若距离概率小于随机数则该个体狼向适应度比该个体狼更小的个体狼学习多无人机任务分配方案；

7、个体狼更新行为模块，用于在进行上述游走、召唤和围攻后，并在保证任务编号列表不变的前提下进行除当前头狼外的个体狼的位置更新，从而形成新的所有个体狼位置，并输出新的所有个体狼位置中的当前头狼位置，所述个体狼的位置更新定义为适应度值升序排名后l只个体狼去学习适应度值升序排名前x只个体狼的多无人机任务分配方案。

8、进一步的，迭代计算模块，用于以依次进行游走行为模块、召唤行为模块、围攻行为模块和个体狼更新行为模块为一轮迭代，设置最大迭代次数完成迭代计算，输出最后一次迭代产生的头狼位置，将该头狼位置作为最终的多无人机任务分配方案。

9、进一步的，初始化模块还用于初始化动态狼群算法的参数，具体包括：

10、动态狼群算法中的种群数量、探狼比例因子、更新比例因子、温度系数。

11、进一步的，游走行为模块中，所述采用有序排列法计算个体狼中每只探狼的最大游走次数，并根据该最大游走次数进行游走的具体方法为：

12、首先，对狼群按照适应度进行升序排列，然后根据探狼数量公式随机生成一个整数作为本轮迭代的探狼数量，探狼数量公式如下：

13、

14、其中，n为种群数量，a为探狼比例因子；

15、然后，根据任务编号列表和无人机编号列表，采用有序排列法计算每只探狼的最大游走次数possnum，公式如下：

16、

17、其中，为第i只探狼的多无人机任务分配方案中，第m架无人机的任务总数；

18、最后，计算游走后该探狼的适应度，若比游走之前适应度低，则更新该探狼位置，反之则该探狼继续执行游走行为，直到达到最大游走次数后停止。

19、进一步的，召唤行为模块中，所述使猛狼在任务编号列表不变的前提下进行召唤的具体方法为：

20、首先，计算猛狼数量fnum，计算公式如下：

21、fnum＝n-snum-1

22、其中，n为种群数量，snum为探狼数量；

23、然后，保持猛狼的任务编号列表不变，随机选择猛狼的无人机编号列表中的j个无人机编号均作为待修改无人机编号，将待修改无人机编号修改为与待修改无人机编号对应的任务编号在头狼的无人机编号列表中对应的无人机编号，1≤j≤无人机编号列表的编号总数，且j为随机生成的整数；

24、最后，计算召唤后该猛狼的适应度，若召唤后该猛狼的适应度比头狼低，则该猛狼代替头狼成为新的头狼，并根据新的头狼位置再发起召唤行为，若召唤后该只猛狼的适应度比召唤之前低但比头狼高，则该只猛狼更新自己的位置，若召唤后该只猛狼的适应度比召唤之前高，则该只猛狼的位置维持不变。

25、进一步的，围攻行为模块中，所述根据除当前头狼外的各个个体狼与个体狼中当前头狼之间的适应度差值分别计算对应距离概率，并根据该距离概率进行围攻的具体方法为：

26、首先，距离概率p的计算公式如下：

27、

28、其中，fleader为头狼对应的适应度，fi为第i只个体狼所对应的适应度，t为温度系数，θ为调节系数；

29、计算第i只个体狼与头狼的距离概率p，同时随机在[0，1]之间生成一个随机数r，若p＞r，则随机选择该个体狼的无人机编号列表中的两个无人机编号进行变异；若p＜r，则随机选择该个体狼的h对具有对应关系的任务编号和无人机编号进行替换，替换为：随机选择一个比该个体狼适应度更小的个体狼的任意h对具有对应关系的任务编号和无人机编号；

30、所述变异定义为在所有的无人机编号中随机选择一个以替换待变异的无人机编号；

31、最后，若围攻后的个体狼的适应度低于围攻前，则更新该个体狼的位置，反之，该个体狼的位置保持不变。

32、进一步的，个体狼更新行为模块中，所述在保证任务编号列表不变的前提下进行个体狼更新的具体方法为：

33、首先，根据更新公式随机生成一个整数作为本轮迭代中个体狼更新的数量l，更新公式如下：

34、

35、其中，n为种群数量，b为更新比例因子；

36、然后，在保持任务编号列表不变的前提下，清空适应度值升序排名后l只个体狼的无人机编号列表，同时在狼群中适应度值升序排名前x只个体狼的无人机编号列表中，找到对应相同任务编号次数最多的无人机编号作为优选无人机编号，并按照优选无人机编号与任务编号的对应关系将优选无人机编号填入适应度值升序排名后l只个体狼的无人机编号列表中。

37、进一步的，所述适应度计算公式如下：

38、fitness＝α×tct+β×aft+γ×atf

39、其中，fitness为适应度，α为无人机群执行侦察过程的时间的权重，β为无人机平均飞行时间的权重，γ为无人机平均威胁值的权重，tct为无人机群执行侦察过程的时间，aft为无人机群中每架无人机的平均飞行时间，atf为无人机群中每架无人机执行侦察过程中面临的平均威胁值，α和β的值在α+β＝1(α，β∈(0，1)}的约束条件内变动，当多无人机任务分配方案不满足约束条件时，此时将该方案的适应度设置为无穷大，所述侦察过程为从起始点出发到完成所有任务再返回起始点的过程。

40、无人机群执行侦察过程的时间tct的计算公式如下：

41、

42、式中，表示第m架无人机执行侦察过程的时间，nu表示无人机的数量，的计算公式如下：

43、

44、式中，um表示第m架无人机，tk表示第k个任务，表示第m架无人机到第一个任务t1的地点的距离，表示第k个任务和第k+1个任务的地点之间距离，xk表示第k个任务的地点，表示第m架无人机完成第k个任务的飞行距离，表示第m架无人机由最后一个任务tn的地点到返回起始点的距离，表示第m架无人机的飞行速度；

45、无人机群中每架无人机的平均飞行时间aft的计算公式如下：

46、

47、式中，tm表示第m架无人机完成侦察过程所需要的时间；

48、无人机群中每架无人机执行侦察过程中面临的平均威胁值atf的计算公式如下：

49、

50、式中，其中表示第m架无人机执行第k个任务所面临的威胁系数。

51、一种基于动态狼群算法的多无人机任务分配方法，包括：

52、将动态狼群算法中狼群的每一只个体狼的位置定义为由任务编号列表与无人机编号列表组成的多无人机任务分配方案，任务编号列表中的任务编号与无人机编号列表中的无人机编号一一对应；

53、采用有序排列法计算个体狼中每只探狼的最大游走次数，并根据该最大游走次数进行游走，所述游走定义为对任务编号列表中的任务编号重新排序；

54、使个体狼中猛狼在任务编号重新排序后任务编号列表不变的前提下进行召唤，所述召唤定义为猛狼学习当前头狼的多无人机任务分配方案；

55、根据除当前头狼外的各个个体狼与个体狼中当前头狼之间的适应度差值分别计算对应距离概率，并根据该距离概率进行围攻，所述围攻定义为在预设范围内生成随机数，若距离概率大于随机数则该个体狼进行变异，若距离概率小于随机数则该个体狼向适应度比该个体狼更小的个体狼学习多无人机任务分配方案；

56、在进行上述游走、召唤和围攻后，并在保证任务编号列表不变的前提下进行除当前头狼外的个体狼的位置更新，从而形成新的所有个体狼位置，并输出新的所有个体狼位置中的当前头狼位置，所述个体狼的位置更新定义为适应度值升序排名后l只个体狼去学习适应度值升序排名前x只个体狼的多无人机任务分配方案。

57、一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述的基于动态狼群算法的多无人机任务分配方法。

58、本发明的有益效果为：

59、1、本发明改进了探狼的游走行为，根据每架无人机所分配到的任务，结合数学排列组合中有序排列问题的求解求出每只探狼的最大游走次数，精准匹配每只探狼所需的最大游走次数。

60、2、本发明改进了召唤行为，相对于传统召唤行为，由于个体狼使用整数编号无法使用距离公式进行计算，所以结合了遗传算法，即猛狼随机选择无人机编号列表中的几个无人机编号，学习头狼的多无人机任务分配方案来更新自己无人机编号列表，保证了种群的多样性。

61、3、本发明改进了围攻行为，当个体狼与头狼较为接近时，进行变异以保证种群多样性，当与头狼较远时，学习适应度更低的狼以使自己变得更优秀，在向头狼靠近的过程中寻找最优解，扩大解空间范围。

62、4、本发明改进了新个体生成行为，新个体的生成根据狼群中适应度值升序排名前列的个体狼的多无人机任务分配方案，对个体狼进行重构，而不是随机生成新个体，这极大程度上保证了重新生成个体的质量。