本發(fā)明隸屬于無人機任務(wù)規(guī)劃領(lǐng)域，主要涉及一種基于萊維飛行鸚鵡優(yōu)化算法的無人機任務(wù)分配方法。

背景技術(shù)：

1、近幾年，無人機技術(shù)取得飛速發(fā)展。無人機具有體積小、成本低、機動性強、安全效益高等特點，在諸多領(lǐng)域取得廣泛應(yīng)用，如軍事、農(nóng)業(yè)、物流、災(zāi)難救援、環(huán)境監(jiān)測和基礎(chǔ)設(shè)施檢查等。無人機的高靈活性、低成本和多功能性使其成為現(xiàn)代社會中不可或缺的工具。然而，隨著無人機數(shù)量和任務(wù)復(fù)雜性的增加，如何高效地分配和規(guī)劃無人機任務(wù)成為了一個重要的研究課題。為了提升無人機任務(wù)規(guī)劃的效率和準(zhǔn)確性，優(yōu)化算法被廣泛應(yīng)用于任務(wù)分配和路徑規(guī)劃中。優(yōu)化算法通過數(shù)學(xué)模型和計算方法，旨在找到在給定約束條件下的最佳解決方案，從而最大化任務(wù)效率、最小化資源消耗和提高任務(wù)完成的可靠性。

2、基于優(yōu)化算法的任務(wù)分配主要分為兩類：一類是基于傳統(tǒng)最優(yōu)化技術(shù)的方法，另一類是基于群體智能的元啟發(fā)算法。傳統(tǒng)方法如匈牙利算法、人工勢場法和milp算法等，通常可求出滿足約束條件的最優(yōu)任務(wù)分配結(jié)果，但計算成本很高，并且在計算規(guī)模變大的情況下，收斂速度較慢?；谌后w智能的元啟發(fā)算法更擅長在大規(guī)模問題中尋找較優(yōu)解。這類算法通過總結(jié)一些規(guī)則或經(jīng)驗知識引導(dǎo)搜索，能在限定的時間內(nèi)完成優(yōu)化。基于群體智能啟發(fā)的任務(wù)分配算法具有計算復(fù)雜度低、收斂速度快、應(yīng)用范圍廣等優(yōu)勢，目前研究中一些典型的群體智能啟發(fā)優(yōu)化算法包括粒子群算法、狼群算法和蟻群算法等。然而，目前所提出的比較成熟的群智能算法仍存在一些問題有待解決。

3、一般的元啟發(fā)式算法通常包括兩個主要階段：探索和利用。在這些階段之間取得正確的平衡是一項具有挑戰(zhàn)性但至關(guān)重要的任務(wù)，直接影響整個算法的性能。還有，目前的一些算法由于是按照一定的規(guī)律和經(jīng)驗進行搜索，可能其尋優(yōu)能力有限，在搜索求解過程中容易出現(xiàn)局部最優(yōu)問題。特別是在復(fù)雜約束條件下，當(dāng)解空間非常復(fù)雜并存在多個局部最優(yōu)解時更容易出現(xiàn)該問題。另外，參數(shù)對大多數(shù)算法的優(yōu)化性能具有重要影響。確定特定優(yōu)化問題的最優(yōu)參數(shù)是極具挑戰(zhàn)性的。目前提出的算法缺乏全面的定性分析，也沒有解決參數(shù)敏感性問題時，它可能難以徹底有效地解決復(fù)雜問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于萊維飛行鸚鵡優(yōu)化算法的無人機任務(wù)分配方法，在考慮無人機航程約束的前提下，更加貼合實際任務(wù)情況，而且使用了混沌映射優(yōu)化初始化種群，并且優(yōu)化過程當(dāng)中采取萊維飛行策略，有著更強的全局搜索能力以及更加適用于現(xiàn)實問題的解決，在一定程度上能夠解決無人機任務(wù)分配問題。

2、本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：基于萊維飛行鸚鵡優(yōu)化算法的無人機任務(wù)分配方法，包括以下步驟：

3、s1、基于圖論方法對無人機任務(wù)分配場景進行建模，并確定適應(yīng)度函數(shù)及其約束條件，建立任務(wù)分配數(shù)學(xué)模型；有如下子步驟：

4、s11、假設(shè)任務(wù)場景圖g為m×m的正方形區(qū)域，g中有n項待執(zhí)行任務(wù)，n項任務(wù)的并集記為n，無人機必須在起飛后執(zhí)行所有的任務(wù)；

5、s12、使用x(i,j)表示任務(wù)執(zhí)行順序為任務(wù)i到任務(wù)j；i,j∈v,i≠j；其中x(i,j)＝1表示執(zhí)行順序為i→j，否則為0；

6、s13、定義邊集合e＝{eij}，其中eij表示以任務(wù)點i和任務(wù)點j為端點的線段；

7、s14、使用d(i,j)表示從任務(wù)i到任務(wù)j的距離，d(i,j)＝d(j,i)；

8、s15、定義任務(wù)場景g中有x個危險區(qū)域，x個危險區(qū)域的并集記為d；d＝di，1≤i≤k，無人機在執(zhí)行任務(wù)時，不能飛行到危險區(qū)域內(nèi)；

9、s16、定義無人機續(xù)航里程為w；

10、s17、根據(jù)路程最小化原則，建立目標(biāo)函數(shù)及其約束條件為：

11、

12、s2、設(shè)置鸚鵡優(yōu)化算法初始化參數(shù)；

13、s3、對優(yōu)化過程進行循環(huán)迭代：設(shè)置求解參數(shù)及迭代結(jié)束條件，記錄解空間當(dāng)中每次迭代的全局最優(yōu)解，即最優(yōu)位置；循環(huán)一次結(jié)束后進行參數(shù)和位置更新；直至滿足迭代結(jié)束條件時，執(zhí)行s4；

14、s4、迭代求解得到無人機對多任務(wù)的最優(yōu)分配，輸出分配序列，計算整個過程的最小航程代價。

15、本發(fā)明是針對無人機這一特定對象，將無人機在城市物流配送或戰(zhàn)場搜查等需要單個無人機執(zhí)行多項任務(wù)的場景抽象為任務(wù)分配問題。首先，建立任務(wù)分配問題的數(shù)學(xué)模型，基于最短航程約束的條件下，設(shè)計基于萊維飛行鸚鵡優(yōu)化算法進行求解。該算法不僅基于萊維飛行策略，能使優(yōu)化問題更好的跳出局部最優(yōu)，極高尋優(yōu)性。同時在初始化種群的過程當(dāng)中也結(jié)合了logistic混沌映射，對原本隨機生成的種群進行優(yōu)化，增加了隨機性，可以更好地模擬種群在整個解空間的分布，提高全局搜索能力，并且也會使算法更快地收斂，在大規(guī)模問題上減少節(jié)約計算時間和計算成本。因此，本發(fā)明提出的一種基于萊維飛行鸚鵡優(yōu)化算法的無人機任務(wù)分配方法在面向現(xiàn)實的復(fù)雜問題時，相較于傳統(tǒng)算法，有很大的優(yōu)勢，主要體現(xiàn)在以下幾個方面：

16、1、本發(fā)明提出了一種新穎的基于萊維飛行鸚鵡優(yōu)化算法的無人機任務(wù)分配方法，相較于傳統(tǒng)的蟻群算法、狼群算法、粒子群算法等，本發(fā)明引入一種新的基于群體智能的優(yōu)化算法：鸚鵡算法。

17、2、在目前的相關(guān)研究當(dāng)中，基于群智能優(yōu)化算法大多是使用均勻分布的方式初始化種群，這種方式無法模擬個體自然環(huán)境的復(fù)雜分布，同時會導(dǎo)致算法全局搜索隨機性降低，收斂速度慢。本發(fā)明針對該問題，使用了混沌映射進行初始化，增加了種群的隨機性和不可預(yù)測性，使算法能夠更快地收斂。

18、3、在鸚鵡優(yōu)化算法的優(yōu)化機制當(dāng)中，不同于傳統(tǒng)優(yōu)化算法很難在探索和開發(fā)階段取得正確的平衡，本發(fā)明鸚鵡算法的任務(wù)勘探和開發(fā)(e&p)階段之間沒有明確的區(qū)別，但加強了優(yōu)化能力。

19、4、在算法的行為部分，通過萊維飛行策略進行隨機探索，引入服從萊維分布的隨機步長來調(diào)整搜索點的位置，以便在搜索過程中更好地探索潛在的解空間。這種隨機性和長距離的移動有助于算法跳出局部極小值點，同時增加搜索空間的多樣性，從而更好地探索全局最優(yōu)解的區(qū)域。

技術(shù)特征：

1.基于萊維飛行鸚鵡優(yōu)化算法的無人機任務(wù)分配方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于萊維飛行鸚鵡優(yōu)化算法的無人機任務(wù)分配方法，其特征在于，所述s2中，有如下子步驟：

3.根據(jù)權(quán)利要求1所述的基于萊維飛行鸚鵡優(yōu)化算法的無人機任務(wù)分配方法，其特征在于，所述的s3中，有如下子步驟：

技術(shù)總結(jié)
本發(fā)明公開了一種基于萊維飛行鸚鵡優(yōu)化算法的無人機任務(wù)分配方法，包括以下步驟：S1、基于圖論方法對無人機任務(wù)分配場景進行建模，建立任務(wù)分配數(shù)學(xué)模型；S2、設(shè)置鸚鵡優(yōu)化算法初始化參數(shù)；S3、對優(yōu)化過程進行循環(huán)迭代：設(shè)置求解參數(shù)及迭代結(jié)束條件，記錄解空間當(dāng)中每次迭代的全局最優(yōu)解，循環(huán)一次結(jié)束后進行參數(shù)和位置更新，直至滿足迭代結(jié)束條件；S4、輸出分配序列，計算整個過程的最小航程代價。本發(fā)明在考慮無人機航程約束的前提下，更加貼合實際任務(wù)情況，而且使用了混沌映射優(yōu)化初始化種群，并且優(yōu)化過程當(dāng)中采取萊維飛行策略，有著更強的全局搜索能力以及更加適用于現(xiàn)實問題的解決，在一定程度上能夠解決無人機任務(wù)分配問題。

技術(shù)研發(fā)人員：林伯先,劉景瑜,岳江楓,施孟佶,韓承霖,李志強,李孟,秦開宇
受保護的技術(shù)使用者：電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2