欢迎访问一起赢论文辅导网
机械论文
当前位置:首页 > 机械论文
面向多无人机协同对地攻击的双层任务规划方法研究
来源:一起赢论文网     日期:2022-03-19     浏览数:798     【 字体:

 系统工程与电子技术 Systems Engineering and Electronics  ISSN 1001 -506X,CN 11-2422/TN      《系统工程与电子技术》网络首发论文  题目:  面向多无人机协同对地攻击的双层任务规划方法研究 作者:  余婧,雍恩米,陈汉洋,郝东,张显才 收稿日期:  2021 -08 -11  网络首发日期:  2022 -02 -24 引用格式:  余婧,雍恩米,陈汉洋,郝东,张显才.面向多无人机协同对地攻击的双层任务规划方法研究[J/OL] .系统工程与电子技术. https://kns.cnki.net/kcms/detail/11.2422.TN.20220223.1513.018.html        网络首发:在编辑部工作流程中,稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶段。录用定稿指内容已经确定,且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期刊特定版式(包括网络呈现版式)排版后的稿件,可暂不确定出版年、卷、期和页码。整期汇编定稿指出版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出版管理条例》和《期刊出版管理规定》的有关规定;学术研究成果具有创新性、科学性和先进性,符合编辑部对刊文的录用要求,不存在学术不端行为及其他侵权行为;稿件内容应基本符合国家有关书刊编辑、出版的技术标准,正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。为确保录用定稿网络首发的严肃性,录用定稿一经发布,不得修改论文题目、作者、机构名称和学术内容,只可基于编辑规范进行少量文字的修改。 出版确认:纸质期刊编辑部通过与《中国学术期刊(光盘版)》电子杂志社有限公司签约,在《中国学术期刊(网络版)》出版传播平台上创办与纸质期刊内容一致的网络版,以单篇或整期出版形式,在印刷出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊(网络版)》是国家新闻出版广电总局批准的网络连续型出版物(ISSN  2096-4188CN 11-6037/Z ),所以签约期刊的网络版上网络首发论文视为正式出版。                                  收稿日期:2021-08-11;修回日期:2021-12-06。 基金项目:基础和前沿技术研究基金(PJD20180148)资助课题 *通讯作者.  面向多无人机协同对地攻击的双层任务规划 方法研究 余  婧1,雍恩米1,陈汉洋1,郝  东2,*,张显才1 1.  中国空气动力研究与发展中心计算空气动力研究所,四川  绵阳  6210002. 中国空气动力研究与发展中心空天技术研究所,四川  绵阳  621000) 摘  要:无人机的任务规划,可分解为任务分配、执行顺序规划以及航迹规划三个方面。三个层次的优化问题相互嵌套、相互影响。为了达到任务规划的全局最优,需要全盘梳理三个层次的优化关系,提出高效的优化策略。本文综合考虑任务规划三个层面的优化需求和相互间影响,首先从优化框架出发,设计了双层互耦的任务规划求解策略,而后将任务规划模型分为上层任务分配和下层任务序列优化,并对每一层的优化方法和优化步骤进行了详细设计;在任务分配问题中,基于模拟退火算法,提出了可跳出局部最优的模拟退火-撒点算法,并详细探讨了算法参数的设计原则。最后通过仿真分析,验证了所提出的规划框架和优化算法的有效性。 关键词:无人机;任务规划;模拟退火算法;规划框架;优化算法 中图分类号:TP 391          文献标志码:A             Bi-level mission planning framework for multi-cooperative UAV air-to-ground attack YU Jing 1YONG En-mi 1CHEN Han-yang 1HAO Dong2, *ZHANG Xian-cai 1 (1. Computational Aerodynamics Institute, China Aerodynamics Research and Development Center, Mianyang, 621000, China; 2. Aerospace Technology Institute, China Aerodynamics Research and Development Center, Mianyang, 621000, China) Abstract: The UAVs (unmanned aerial vehicles) mission planning consists of task allocation, mission  sequence  assignment  and  trajectory  planning.  These  three optimization  problems  are interacted.  To  achieve  the  global  optimal  solution  of  the  UAVs  mission  planning,  these  three optimization  problems  should  be  fully  considered  and  organized.  In  this  paper,  considering  the requirements  and  interactions  among  the  three  optimization  problems,  a  double-level  planning framework is firstly introduced, and then the whole mission planning problem is decomposed into two parts: the high level task allocation and the low level sequence optimization. The optimization models and methods for each level are subsequently developed and detailed. In the process of task allocation,  a  Simulated-Annealing-Shooting  (SAS)  is  proposed  for  overcoming  the local-optimal-trap,  and  the  configuration  principle  of  the  algorithm  parameters  are  discussed. Finally,  the  simulation  results  demonstrate  the  effectiveness  of  the  proposed  planning  framework and the SAS algorithm. Keywords:  unmanned  aerial  vehicles;  mission  planning;  Simulated-Annealing  algorithm; planning framework; optimization algorithm 网络首发时间:2022-02-24 14:56:27网络首发地址:https://kns.cnki.net/kcms/detail/11.2422.TN.20220223.1513.018.html系统工程与电子技术 Systems Engineering and Electronics 2 0 引  言 飞行器任务规划是随着航空技术和制导/控制技术的进步及其在军事上的应用而形成的一个新的研究领域[1]。无人机的任务规划问题,可分解为三个方面,即任务分配、执行顺序规划以及航迹规划。任务分配是指确定哪些任务由哪些无人机执行;执行顺序规划是指在已知任务集合的条件下,确定无人机执行任务的先后顺序;航迹规划即确定无人机执行任务的具体飞行航迹。任务分配与执行顺序规划,都是典型的复杂约束下组合优化问题,航迹规划的优化方式则因建模方式的不同而有所差别。一般而言,三个层次的优化问题相互嵌套、相互影响。执行顺序规划需要以任务分配方案为输入;航迹规划需要以任务执行顺序为输入;执行任务的航程或飞行时间又进一步影响任务分配方案的决策。为了达到任务规划的全局最优,需要全盘梳理三个层次的优化关系,提出高效的优化策略。 目前已存在多种无人机任务规划的建模方法,包括旅行商模型[2,3]、车辆路由模型[4-6]、网络流模型[7-8]、混合整数模型[9-10]等,其中混合整数模型具有较强的可扩展性,车辆路由模型可更好的处理带约束问题。针对优化模型,可以选择很多种搜索算法进行求解。传统的优化方法有枚举法、动态规划[11]、图搜索[12]算法等方法,但随问题维数的增加,时间消耗呈指数增长,不利于复杂问题的求解。随后,智能优化方法因其易于实现、计算复杂度低等特点,被广泛应用。目前常用的智能优化算法有遗传(Genetic AlgorithmGA)算法[13-14]、粒子群优化(Particle Swarm  OptimizationPSO)算法[15-17]、模拟退火(Simulated AnnealingSA[18-19]等。当前研究中,任务分配与执行顺序规划因内在行为的紧耦合性,通常被作为一个整体考虑,因此任务规划问题大多侧重前两者的优化,而忽略航迹的影响。在优化算法方面,模拟退火算法因在理论上有完备的证明,可以达到全局极小值,而备受研究者的青睐。在任务规划问题中,模拟退火算法已有很多成功应用,但其亦存在一个致命的缺点,即容易陷入局部最优,因此研究者也一直在尝试诸多改进方法。 本文综合考虑任务规划中任务分配、执行顺序规划以及航迹规划三个层面的优化需求和相互间影响,从优化框架出发,设计了双层互耦的任务规划求解策略,而后将优化模型求解分为上层任务分配和下层任务序列优化,并对每一层的优化方法和优化步骤进行了详细设计;在任务分配问题中,基于模拟退火算法,提出了可跳出局部最优的模拟退火-撒点算法,并详细探讨了算法参数的设计原则。最后通过仿真分析,验证了所提出的规划框架和优化算法的有效性。 1  任务描述 假设有无人攻击机m架和待打击目标n个,无人机起飞后需要飞行至待打击目标位置进行对地攻击。一架无人机最多携带的武器数量为W,即一架无人机最多攻击W个目标。且一个目标只能被一架无人机攻击。任务分配的目的,是优化出哪些无人机需要打击哪些目标以及实施打击的具体作战顺序、飞行路径,最大化对地攻击效益。图  1 给出了多无人机协同对地打击的示意图。 雷达威胁火力威胁 目标   火力威胁 UAV目标目标 UAV目标目标地形威胁 图  1  多无人机协同对地打击示意图 Fig. 1 The sketch map for UAVs cooperative attack 2 多无人机协同对地攻击任务分配建模 本文的UAV对地攻击任务分配问题,可用四元组, , , E V T C <>来描述: E表示战场环境态势(Environment),包含了战场威胁分布、天气情况、地形等战场信息。为了讨论方便,本文将所有环境态势分为两部分,一部分为禁飞区,即由于雷达威胁、恶劣天气、不利地形所导致的,无人机不可驶入的区域;另一部分即为无人机可以机动的区域。 V即无人机状态,已知无人机集合12 { , ,... }m U UAV UAV UAV =,其中{ , }i i i UAV loc W =,表示第i架无人机的初始位置和所携带的武器数量,m为无人机数量。 系统工程与电子技术 Systems Engineering and Electronics 3 T为待攻击目标集合12 { , ,... }nT tar tar tar =n为目标数量,且mn<=C表示任务分配中的约束,包括任务时长约束、匹配约束、数量约束等,将在建模中详细讨论。 任务规划的本质是一个优化问题,包含设计变量、任务约束和评价指标三个关键因素。下面将对本文研究问题的关键要素进行分析和建模。 2.1 设计变量 设 计 变 量 为12 ( , ,... )m Var seq seq seq =12 [ , ,... ]i i iik seq tar tar tar =表示被分配给第i架无人机的任务序列,第i架无人机依次执行编号为1itariktar的任务目标。为后文表述方便,描述目标分配的决策变量还可定义为: 1,              0,      ikki xki ì=íî目标分配给第架无人机目标没有分配给第架无人机 (1) 2.2 评价指标 (1)毁伤效果 假设无人机iUAV对目标ktar的杀伤概率为ikP,则整个攻击任务的毁伤效果为: 11=mnik ikikR x P==åå                      (2) 2)损伤程度 假设无人机iUAV对目标ktar进行打击,生存概率为ikQ,则该无人机被击毁的概率为1ik ikGQ=-,整个攻击任务的损耗可表示为: 11(1 )mnik ikikG x Q===-åå              (3) 3)航程代价 无人机到达目标的航程越短,完成任务的时间代价就越小,航程代价需要在任务序列确定后,经过航迹规划给出,因此该评价指标仅在航迹规划时使用。令iF表示第i架无人机的飞行距离,则整个任务的航路代价可表示为: 1miiFF==å                            (4) 2.3 任务约束 整个任务分配过程中,需要考虑以下任务约束: 1C:任务时长约束,无人机最长航行距离不得超过其航程限制。 2C:任务分配约束,每一架无人机都必须分配一个任务,每一个任务仅由一架无人机执行。 3C:禁飞区约束,无人机航行过程中,不可经过禁飞区域。 4C:任务数量约束,第i架无人机最多携带iW个武器。 5C:飞行姿态角约束,无人机进行机动时,有最大偏航角。 2.4 任务规划模型 综上,本文所研究的无人机任务分配问题,可表示为如下优化模型: 12121 2 3 4 5           ( , ,... )max            min            . .            mRGfind Var seq seq seqf w R w GfFs t C C C C C==-=Ç Ç Ç Ç        (5) 其中,RwGw分别表示毁伤效果与损伤程度指标的权重系数,反映了二者的重要程度。1f可称为任务效益指标,2f为航路指标。1C5C描述了需要满足的约束。 3 模型求解 3.1 求解框架 求解上述模型,理论上需要嵌套的两层规划去完成(见图2)。上层规划用于进行任务分配,即确定哪些无人机执行哪些任务,主要满足优化指标1f;下层规划用于解决任务顺序和航路规划问题,即在已知无人机需要打击的目标集合的前提下,优化出最优的任务序列和对应的飞行航路,主要关心优化指标2f。为了达到全局最优,上层规划和下层规划往往是相互联系和相互影响的,且在一定程度上,上层和下层的优化指标是相互矛盾的。当任务收益达到最大,可能航路代价并非最优;当选取了航路代价最优,则需要牺牲一些任务收益指标。 上层规划任务分配下层规划任务顺序和航路规划f1:任务效益指标f2:航路代价指标 图  2  双层规划框架 Fig. 2 Bi-level mission planning framework 本文认为,整个任务分配的效益指标,远比航路指标重要。为提高规划效率,本文根据问题系统工程与电子技术 Systems Engineering and Electronics 4 特点,对问题进行了简化,即上层规划仅考虑效益指标,下层规划仅考虑航路指标,规划策略如图4所示。 下层航路优化中,根据已知的任务目标集合进行任务序列穷搜,而后采用已有蚁群算法,进行点对点航路规划,选取航路最优的任务序列为最终的任务执行方案,并给出对应的航路信息。 3.2 基于模拟退火-撒点的任务分配 任务分配为上层优化,任务分配的目的,是优化出每一架无人机具体需要执行的任务集合,而对具体的执行顺序和飞行航路不关心。任务分配模型,可以从公式(5)中分解得出:                 ( 1... , 1... )ik find X x i m k n = = =      (6) 1max            RG f w R w G =-                          (7) 1. .            1mikis t x== å                                  (8) 1                1nikkx=³ å                                  (9) 1               nik ikxW=£ å                              (10) 11               mnikikxn=== åå                            (11) 公式(6)表示任务分配的决策变量,公式(7)表示任务效益指标,公式(8)表示每个目标只能被分配给一架无人机,公式(9)表示每架无人机都必须被分配目标,公式(10)表示无人击机具有多目标攻击能力,最大攻击数取决于自身携带的武器数量iW,公式(11)表示所有目标都必须被分配给无人机群。 任务分配是一个典型的组合优化问题,模拟退火是其求解方法之一。模拟退火(Simulated AnnealingSA)算法是一种通用的随机搜索算法,是对局部搜索算法的扩展。与一般局部搜索算法不同,SA以一定的概率选择邻域中目标值相对较小的状态,是一种理论上的全局最优算法。在实际应用中,模拟退火算法总是易于陷入局部最优,因此需要根据具体问题进行有针对性的改进,以跳出局部最优。 本文主要用模拟退火算法进行任务分配优化,并在基本算法基础上拓展撒点算子,以跳出局部最优,下面对其关键步骤进行介绍。 (1)编码设计 如果直接以决策变量编码,则是一个mn´维的矩阵,比较浪费空间,且不利于寻优搜索。为了便于邻域搜索,本文的编码设计为1 n ´维的向量,n为待打击目标数量。假如向量中第k个元素的值为i,则表示1ikx =。假如求解的规划问题有5个任务,则一个状态编码可如图3所示: 2 1 3 2 11 2 3 4 5 目标编号无人机编号 图  3  状态编码示例 Fig. 3 Encoding method for design variables 图中编码表示,任务1分配给无人机2,任务2分配给无人机1,任务3分配给无人机3,任务4分配给无人机2,任务5分配给无人机1。 (2)邻域搜索 算法的编码为整数编码,且编码需要满足模型中的各种约束。在领域搜索的过程中,采取概率赋值的方式。具体方法如下(见图5): Step1:随机选取编码中的s个位置; Step2:依次将s个位置上的值,随机赋予一个不同的值,赋值范围为1...m; (3)撒点算子设计 模拟退火算法的缺点是易于陷入局部最优,因此在迭代的过程中,本文引入撒点算子,其基本原理是,在整个搜索空间随机选取若干候选编码,通过目标函数值计算,选取最优编码为邻域编码。传统的模拟退火算法中,仅根据当前编码选取一个邻域解作为候选点,不仅搜索空间有限,而且候选点数量很少,加入撒点算法后,首先邻域搜索范围扩展到了整个寻优空间,不局限于邻域,即跳出了邻域局部空间的束缚,其次撒点操作一次性并行地搜索多个候选点,有利于提高搜索效率,尽快找到更优的候选点。通过随机撒点,可以尽快跳出局部最优,提高传统算法的全局寻优能力。具体步骤如下: Step1:判断优化过程是否满足无条件转移,如果满足,继续下一步; Step2:随机生成r个编码; Step3:对编码进行目标函数值计算,选取目标值最优的编码,为邻域编码,并赋值给当前编码。 系统工程与电子技术 Systems Engineering and Electronics 5 任务分配上层规划无人机数据目标数据约束数据f1:任务效益最优任务顺序航路规划执行顺序飞行航迹下层规划f2:航路代价最优任务分配结果执行顺序飞行航迹任务分配结果 图  4  双层规划策略 Fig. 4 The strategy for Bi-level mission planning 5 4 1 3 2 5 3 1 1 2 … …初始编码 邻域 图  5  邻域搜索示例 Fig. 5 The neighborhood searching 确定参数配置:m,n,Wi,PR,PS,wR,wS,T0,Te,α,loop,pop,s随机生成初始解X,并计算对应目标函数值,记为f1,令最优解bestX=Xfbest=f1令恒温迭代计数器iter=0计算当前退火温度T=αT0T<Te?令iter = iter+1iter<loop?通过邻域搜索产生邻域方案X',计算对应目标函数值记为f2Δ=f1-f2Δ<0? 接受新的解,令X=X'f1=f2通过撒点法产生邻域方案X'',计算对应目标函数值,记为f3随机生成随机数p0<p<1),p>exp(Δ/T)?更新最优解,如果fbest<f1,bestX=X,fbest=f1输出最优解bestX和对应目标函数值fbest否是是 是否是否否接受新的解,令X=X''f1=f3 图  6  邻域搜索示例 Fig. 6 The flowchart for Simulated Annealing  系统工程与电子技术 Systems Engineering and Electronics 6 4)算法流程 模拟退火-撒点算法的具体流程,如图6所示。 3.3 任务序列优化 当每个无人机的攻击任务集合已知,则可进行下层优化,即任务序列优化。任务序列优化的目的,是规划出无人机执行任务的顺序以及对应的航路。下层优化的模型,可表述为: 12            [ , ,... ]i i iik find Var seq tar tar tar ==  (12) 2min            fF=                                      (13) 1 3 5. .             s t C C C ÇÇ                              (14) 本文采用已有的蚁群算法进行航路规划,蚁群算法在此不再赘述。下层优化的具体步骤为: Step1:针对第i架无人机,根据已知的任务集合,穷搜可能的排序组合; Step2:针对每一组任务序列组合,调用已有的蚁群算法,进行航路规划,并记录最优航路代价; Step3:选取所有排序组合中,航路代价最优的组合,作为最优任务序列输出,并同时输出飞行航迹。 4 仿真分析 4.1 任务分配仿真 (1)算例配置 假设无人机数量6 m=,任务目标数量为10 n=,每架无人机携带的最大武器数量为4  ( 1... )i W i m ==,无人机的毁伤概率和生存概率随机给出,具体数值见表1 和表2。定义0.5RG ww==。模拟退火算法的参数值由表3给出。 (2)优化参数影响分析 假设撒点算子规模始终为50,改变邻域搜索过程中元素位置搜索数目,连续运行5次优化程序,其优化结果如表4所示。 从表中可以看出,不论参数设置为1 还是10,算法的搜索结果都相对稳定,总体上趋于较好的优化结果,且优化结果的方差不大。表中还可看出,邻域搜索的位置数目并不是越多越好,当搜索数目为1 3 时,都能够得到最优解4.025,当搜索数目变大时,虽然也能得到较好的优化结果,但不容易得到相对最优的结果。这是由于随着搜索数目的增大,邻域搜索空间也增大,在有限的搜索次数内,并不能保证搜到邻域的最优值。从表4可以推断出,当编码有10个值时,邻域搜索位置数目设置在3比较合适。 根据表4结果,将邻域搜索位置数目设为3,改变撒点算子规模,连续运行5次优化程序,优化结果如表5所示。 撒点算子的设计,是为了解决模拟退火算法容易陷入局部最优的问题。从表5可以看出,随着撒点算子规模的增加,算法的寻优效果越来越好。这是由于撒点算子规模越大,表示搜索的空间越大,则跳出局部最优的概率越大。 图7至图8给出表4和表5优化中最优结果的收敛过程。 (3)算法对比分析 图9 给出了本文的模拟退火算法与传统模拟退火算法以及粒子群优化算法的收敛对比。从图9可以看出,本文提出的改进模拟退火算法收敛效果最好,传统模拟退火算法次之,传统粒子群算法最差。粒子群算法更善于处理连续优化问题,传统编码对组合优化问题的适应性不强,且迭代次数较少,导致其优化效果较差。改进的模拟退火算法由于设计了跳出局部最优的撒点算子操作,因此优化效果由于传统模拟退火算法。 (4)优化结果与分析 从表4和表5中选取最优的一组优化结果,其任务分配情况如表6所示。 从表6中可以看出,优化的结果均满足公式(14)约束。任务大多趋于分配给无人机5,这是由于在随机给出的毁伤概率和生存概率中,无人机5的数值都比较好。无人机1的概率数值都较差,如果没有任务数量约束,整个任务分配偏于将任务分配给其它无人机,而非无人机14.2 任务序列优化仿真 本节根据表6的任务分配结果,进行任务序列优化。 (1)算例配置 任务序列规划中,涉及到航迹的规划,需要给出飞行环境。本算例中,飞行环境主要考虑无人机、目标的位置、飞行区域以及涉及到的环境、雷达、和导弹威胁。任务目标的地理位置见表7,各威胁的编号、类型与坐标见表8。整个任务的执行区域限制在[0,  0][60,  60]范围内,单位为km。为了进行航迹规划,需要对飞行区域进行地图数字化,本文采用栅格法进行地图建模,栅 系统工程与电子技术 Systems Engineering and Electronics 7 1 毁伤概率 Table  1  Destructive  probability   Tar1  Tar2  Tar3  Tar4  Tar5  Tar6  Tar7  Tar8  Tar9  Tar10 UAV1  0.864  0.811  0.846  0.945  0.805  0.762  0.768  0.829  0.777  0.767 UAV2  0.789  0.888  0.831  0.938  0.982  0.790  0.751  0.755  0.823  0.735 UAV3  0.923  0.934  0.834  0.893  0.963  0.841  0.768  0.971  0.878  0.789 UAV4  0.757  0.724  0.792  0.814  0.865  0.769  0.831  0.994  0.779  0.796 UAV5  0.906  0.979  0.853  0.943  0.887  0.953  0.793  0.832  0.881  0.827 UAV6  0.755  0.933  0.853  0.860  0.876  0.758  0.977  0.733  0.913  0.852 2 生存概率 Table  2  Survival  probability   Tar1  Tar2  Tar3  Tar4  Tar5  Tar6  Tar7  Tar8  Tar9  Tar10 UAV1  0.732  0.725  0.755  0.865  0.821  0.825  0.801  0.773  0.873  0.713 UAV2  0.989  0.820  0.779  0.743  0.723  0.715  0.970  0.821  0.718  0.751 UAV3  0.701  0.778  0.744  0.956  0.772  0.971  0.811  0.729  0.770  0.895 UAV4  0.932  0.940  0.741  0.887  0.737  0.983  0.733  0.740  0.806  0.920 UAV5  0.945  0.829  0.961  0.805  0.755  0.847  0.934  0.983  0.946  0.894 UAV6  0.961  0.973  0.874  0.854  0.772  0.847  0.817  0.987  0.705  0.835 3 模拟退火算法参数设置 Table  3  Parameter  configuration  for  Simulated  Annealing  algorithm 参数  值 起始温度  250 终止温度  10 降温系数  0.99 常温迭代次数  250 邻域搜索位置数目  s  1, 3, 5, 10 撒点算子规模  pop  5, 10, 50, 100 表  4  邻域搜索参数对优化结果的影响 Table  4 Optimization  results  with  different  neighborhood  searching  parameters Run  1  2  3  4  5  均值  方差 1  4.0250  4.0250  4.0035  3.9870  3.9630  4.0007  0.000699 3  4.0035  3.9815  4.0250  3.9975  4.0250  4.0065  0.000350 5  4.0035  3.9975  3.9775  3.9735  3.9735  3.9851  0.000205 10  3.9600  3.9975  3.9885  3.9575  3.9790  3.9765  0.000306 表  5  撒点算子规模对优化结果的影响 Table  5 Optimization  results  with  different  shooting populations Run  1  2  3  4  5  均值  方差 5  3.9400  3.9520  3.9480  3.9560  3.9595  3.9511  0.000057 10  3.9735  3.9615  3.9685  3.9885  3.9870  3.9758  0.000137 50  4.0035  3.9815  4.0250  3.9975  4.0250  4.0065  0.000350 100  3.9790  3.9975  4.0035  4.0250  4.0250  4.0060  0.000382 系统工程与电子技术 Systems Engineering and Electronics 8     图  7邻域搜索参数变化的收敛过程 Fig. 7 The convergence process with different neighborhood searching parameters 图  8  撒点算子规模变化的收敛过程 Fig. 8 The convergence process with different shooting populations  图  9  不同优化算法的收敛过程对比 Fig. 9 The convergence process for different algorithms 表  6  最优分配结果 Table  6 The  optimal  results  for  assignment 无人机  UAV1  UAV2  UAV3  UAV4  UAV5  UAV6 任务集合  4,   5,   6,   10  1, 3, 8, 9  2, 7,  表  7  任务目标坐标 Table  7 The  coordinates  for  targets 坐标  Tar1  Tar2  Tar3  Tar4  Tar5  Tar6  Tar7  Tar8  Tar9  Tar10 X/km  5  20  30  40  50  55  10  50  40  20 Y/km  50  30  40  10  50  20  55  10  55  56   系统工程与电子技术 Systems Engineering and Electronics 9 表  8  威胁分布 Table 8  The  distribution  for  threats 威胁类型  编号  坐标  (x,y)/km  威胁半径  km 雷达探测威胁  1  (26, 55)  5 雷达探测威胁  2  (35, 26)  4 导弹威胁  3  (10, 30)  6 导弹威胁  4  (14, 46)  4 气候威胁  5  (24, 10)  6 地形威胁  6  (52, 40)  2 表  9  任务序列枚举 Table  9  The enumeration  results  for  mission  sequences   任务集合  任务序列枚举 UAV1  4  4 (一种组合) UAV2  5  5 (一种组合) UAV3  6  6 (一种组合) UAV4  10  10 (一种组合) UAV5  1, 3, 8, 9  24种组合 UAV6  2, 7  (2, 7)  和  (7, 2) 两种组合 格离散化间隔为2km。无人机初始位置为[2, 2]。 (2)任务序列枚举 从表6可知每架无人机的目标任务集合。3.3节已给出了任务序列规划的具体方法,首先需要对任务集合所有序列组合进行枚举。如下表所示,无人机1-4都只有一个目标任务,因此可能的任务序列组合只有一种。无人机524中可能的组合方法,而无人机2有两种。每一种可能的任务序列组合,都将采用蚁群算法对其进行航迹规划,记录航程,其中航程最短的组合将最终被定为无人机需要执行的任务序列方案和飞行航迹方案。 由于无人机1-4只有一个任务目标,采用航迹规划算法进行点对点航迹规划即可,具体优化结果如图10所示。无人机6有两个任务需要执行,可能的任务序列为[2,  7][7,  2]。当任务序列为[2, 7],最优飞行航迹如图11所示,航程为68.08 km。当任务序列为[7, 2]时,最优飞行航迹如图12所示,航程为87.94 km。因此,无人机6的最佳任务序列为[2,  7]。无人机524种可能的序列组合,经过优化,其最优任务序列为[1, 9,  3,  8],飞行航迹如图13 所示,航程为149.05km。  图  10 UAVs 1-4飞行航迹 Fig. 10 The trajectories for UAVs 1-4  图  11 UAV6执行任务序列[2, 7]的飞行航迹 Fig. 11 The trajectory for UAV 6 attacking targets [2, 7] 系统工程与电子技术 Systems Engineering and Electronics 10  图  12 UAV6执行任务序列[7, 2]的飞行航迹 Fig. 12 The trajectory for UAV 6 attacking targets [7, 2]  图  13 UAV5飞行航迹 Fig. 13 The trajectories for UAV 5 5 结  论 无人机的任务规划,可分解为任务分配、执行顺序规划以及航迹规划三个方面。三个层次的优化问题相互嵌套、相互影响。为了达到任务规划的全局最优,需要全盘梳理三个层次的优化关系,提出高效的优化策略。本文综合考虑任务规划三个层面的优化需求和相互间影响,首先从优化框架出发,设计了双层互耦的任务规划求解策略,而后将任务规划模型分为上层任务分配和下层任务序列优化,并对每一层的优化方法和优化步骤进行了详细设计;在任务分配问题中,基于模拟退火算法,提出了可跳出局部最优的模拟退火-撒点算法,并详细探讨了算法参数的设计原则。通过仿真分析可知:(1)本文提出的双层规划策略,可有效梳理三个层次的优化关系,利于优化求解。但需要注意的是,双层规划策略的应用是以任务收益优先为前提,当航程等指标优先级较高时,需要对规划策略进行进一步改进。(2)本文提出的模拟退火-撒点算法可以跳出局部最优,有效进行任务分配优化。在算法参数设置过程中,邻域搜索时的可变位置数目并不是越多越好,一般设置在编码总数的三分之一左右;而撒点算子规模的设置则是越大越好,规模越大,搜索的空间越大,则跳出局部最优的概率越大。  参考文献 [1]  沈林成,陈璟,王楠.飞行器任务规划技术综述[J].航空学报,2014, 35(3):539-606. SHEN L C, CHEN J, WANG N. Overview of air  vehicle  mission  planning  techniques[J]. Acta Aeronautica et Astronautica Sinica, 2014, 35(3):539-606.  [2]  ALEMAYEHU  T  S,  KIM  J  H.  Efficient nearest neighbor heuristic TSP algorithms for blueucing  data  acquisition  latency  of  UAV relay  WSN[J].  Wireless  Personal Communications, 2017, 95(3): 3271-3285. [3]  杜于飞,  覃太贵,  邓秀方,  .  多无人机协同任务规划问题[J].  数学的实践和认识, 2017, 47(14): 52–62.  DU Y F, QIN T G, DENG X F, et al. Mission planning  of  multiple  unmanned  aerial vehicles[J].  Mathematics  in  Practice  and Theory, 2017, 47(14): 52-62. [4]  侯玉梅,  贾震环,  田歆,  .  带软时间窗整车物流配送路径优化研究[J]. 系统工程学报, 2015, 30(2): 240-250.  HOU Y M, JIA Z H, TIAN X, et al. Research on  the  optimization  on  the  vehicle  logistics distribution  with  soft  time  windows[J]. Journal of Systems Engineering, 2015, 30(2): 240–250. [5]  ROURKE K P O, CARLTON W B, BAILEY T  G,  et  al.  Dynamic  routing  of  unmanned aerial  vehicles  using  reactive  tabu  search[J]. Military  Operations  Research,  2001,  6(1): 5-30. [6]  GUERRERO  J  A,  BESTAOUI Y.  UAV  path planning  for  structure  inspection  in  windy environments[J].  Journal  of  Intelligent  and Robotic Systems, 2013, 69(1/4): 297–311. [7]  SCHUMACHER  CCHANDLER  P  R,系统工程与电子技术 Systems Engineering and Electronics 11 RASMUSSEN  S R.  Task  allocation  for  wide area  search  munitions  via  network  flow optimization[C]// Proc. of the AIAA Guidance, Navigation,  and  Control  Conference,  2001: AIAA 2001-4147.  [8]  SCHUMACHER  CCHANDLER  P  RRASMUSSEN S. R. Task allocation for wide area  search  munitions  via  iterative  network flow[C]  //  Proc.  of  the  AIAA  Guidance, Navigation,  and  Control  Conference,  2002: AIAA 2002-4586. [9]  梁国伟,  王社伟,  赵雪森.  多无人机协同任务分配方法[J].  火力与指挥控制,  2014, 39(11): 13-17.  LIANG  G  W,  WANG  S  W,  ZHAO X  L. Method  research  on  cooperative  task allocation  for  multiple  UCAVs[J].  Fire Control and Command Control, 2014, 39(11): 13-17. [10] 李大东,  孙秀霞,  孙彪,  .  基于混合整数线性规划的无人机任务规划[J]. 飞行力学, 2010, 28(5): 88-91.  LI  D  D,  SUN  X  X,  SUN B,  et  al.  Mission planning  for  UAVs  based  on  MILP[J].  Flight Dynamics, 2010, 28(5): 88-91. [11] ALIGHANBARI  MHOW J  P.  Cooperative task assignment  of  unmanned  aerial  vehicles in adversarial environments[C] // Proc. of the American  Control  Conference,  2005: 4661-4666. [12] CORMEN T HLEISERSON C ERIVEST R  L,  et  al.  Introduction  to  Algorithms[M]. MIT Press, 2009. [13] CHOI  H,  KIM  Y,  KIM H.  Genetic  algorithm based  decentralized  task  assignment  for multiple unmanned aerial vehicles in dynamic environments[J].  International  Journal  of Aeronautical  and  Space  Sciences,  2011, 12(12): 163-174.  [14] ROBERGE  V,  TARBOUCHI  M,  LABONTE G.  Comparison  of  parallel  genetic  algorithm and particle swarm optimization for real-time UAV  path  planning[J].  Transactions  on Industrial Informatics, 2012, 9(1): 132-141. [15] 马华伟,  朱益民,  胡笑旋.  基于粒子群算法的无人机舰机协同任务规划[J]. 系统工程与电子技术, 2016, 38(7): 1583-1588.  MA  H  W,  ZHU  Y  M,  HU X  X.  Cooperative task  planning  for  ship  and  UAVs  based  on particle  swarm  optimization  algorithm[J]. Systems  Engineering  and  Electronics,  2016, 38(7): 1583-1588. [16] 杜继永,  张凤鸣,  杨骥,  .  多  UCAV 协同任务分配模型及粒子群算法求解[J]. 控制与决策, 2012, 27(11): 1752-1755. DU  J  Y,  ZHANG  F  M,  YANG  J,  et  al. Cooperative  task  assignment  for  multiple UCAV  using  particle  swarm  optimization[J]. Control  and  Decision,  2012,  27(11): 1752-1755. [17] 王强,  丁全心,  张安,  .  多机协同对地攻击目标分配算法[J]. 系统工程与电子技术, 2012, 34(7): 1400-1405.  WANG  Q,  DING  Q-X,  ZHANG A, et  al. Target  allocation  algorithm  for multi-coorperative  air-to-ground  attack[J]. Systems  Engineering  and  Electronics,  2012, 34(7): 1400-1405.  [18] GLOBUS A, CRAWFORD J, LOHN J, et al. A  comparison  of  techniques  for  scheduling earth  observing  satellites[C]  //  Proc.  of  the National Conference on Artificial Intelligence and  the  16th  Conference  on  Innovative Applications  on  Artificial  Intelligence,  2004: 836–843. [19] WU  G  H,  WANG  H  L,  PEDRYCZ W,  et  al. Satellite  observation  scheduling  with  a  novel adaptive simulated annealing algorithm and a dynamic  task  clustering  strategy[J]. Computers  and  Industrial  Engineering,  2017, 113: 576-588.系统工程与电子技术 Systems Engineering and Electronics 12   作者简介 余  婧(1986—),女,副研究员,博士,主要研究方向为飞行器设计、飞行器任务和轨迹规划。 雍恩米(1979—),女,副研究员,博士,主要研究方向为多机协同任务规划、导弹攻防任务规划。 陈汉洋(1996—),男,本科,主要研究方向为图论,任务规划,动态规划相关算法。 郝东(1986—),男,工程师,博士,主要研究方向为飞行器设计。 张显才(1992—),男,研究实习员,硕士,主要研究方向为无人机航迹规划。 

[返回]
上一篇:基于YOLOv5的舰船目标及关键部位检测算法
下一篇:一种面向安全关键软件的AADL模型组合验证方法