【技術實現步驟摘要】
本專利技術屬于無人機控制，具體涉及一種基于多策略融合改進蜣螂算法的多無人機任務分配方法。
技術介紹
1、多無人機任務分配問題（multi-uav?task?allocation，muta）通常是指在給定一組任務和一組無人機的條件下，討論如何合理地將每個任務分配給各個無人機以完成整個任務集。該問題涉及到多個關鍵因素，包括無人機的性能參數、任務的緊急性、任務的優先級以及無人機之間的協調等。具體而言，無人機的性能參數決定了其適合執行哪些類型的任務，任務的緊急性要求某些任務必須優先完成，而任務的優先級則需要在資源有限的情況下進行權衡。此外，無人機之間的協調也是至關重要的，以確保它們能夠高效地協同工作，避免沖突和重復勞動。總的來說，muta問題是一個典型的組合優化問題，其目標是在滿足各種約束條件的前提下，找到一種最優或次優的任務分配方案，以最大限度地提高任務執行效率和整體效益。
2、?蜣螂優化算法（dung?beetle?optimizer,?dbo）是一種啟發式優化算法，靈感源自蜣螂尋找食物的各種行為，如推球、跳舞、覓食、偷竊和繁殖等，通過模擬這些行為來尋找最優解。蜣螂憑借嗅覺尋找食物源，并在其周圍環境內探索最優路徑。在多無人機任務分配問題中，蜣螂算法具備強大的全局搜索能力和良好的適應性，可作為一種潛在的全局優化算法。然而，標準蜣螂算法在應對復雜多任務、多無人機的優化問題時，存在收斂速度慢、易陷入局部最優等不足。
技術實現思路
1、本專利技術的目的是提供一種能夠實現復雜地形環境
2、本專利技術采用如下技術方案：
3、一種基于多策略融合改進蜣螂算法的多無人機協同任務分配方法，其包括如下步驟：
4、（1）利用rrt算法求解得到無人機到任務點間的航跡及路徑距離；
5、（2）基于三維地形環境和步驟（1）所得各目標點間飛行距離，采用最小化無人機總代價和最大化任務總收益兩個標準來量化目標函數，進而構建任務分配數學模型；
6、（3）設置多策略融合改進的蜣螂算法初始化參數、初始化蜣螂種群位置并分化種群；
7、（4）基于多策略融合改進的蜣螂算法對蜣螂種群位置進行循環迭代，記錄歷代種群中所得局部最優解，并在循環結束后更新全局最優解；直至滿足迭代結束條件時，結束種群更新；
8、（5）將全局最優解解碼后作為最終的最優任務分配方案。
9、進一步的，還包括步驟（6），對所得任務分配方案進行評估，檢查任務執行時間、負載均衡和資源利用率指標，并根據評估結果進行調整。
10、進一步的，步驟（2）中，引入懲罰函數策略，將多無人機任務協同分配問題轉化為無約束優化問題，將多無人機協同任務分配問題的目標函數定義為：
11、
12、其中，為無人機執行任務的總代價函數，為無人機完成任務的總收益函數，為罰函數項的折扣因子，為原始目標函數三個約束條件對應的罰函數項。
13、進一步的，無人機執行任務的總代價函數如下式所示：
14、
15、其中，表示無人機執行任務的時間延遲函數；為無人機執行任務的實際時間。
16、進一步的，無人機完成任務的總收益函數如下式所示：
17、
18、其中，表示任務的時間折扣因子；是生成任務的初始時間，通常情況下；是獲得高于任務本身價值的收益的任務時刻。
19、進一步的，罰函數項的數學表達式為：
20、
21、
22、其中，為廣義邏輯函數，為根據無人機返航距離自行設定的參數；當時表示無人機的飛行距離小于其最大航程。
23、進一步的，罰函數項的數學表達式為：
24、
25、其中，為無人機資源攜帶量的折扣因子。
26、進一步的，罰函數項的數學表達式為：
27、
28、其中，為任務資源消耗量的折扣因子。
29、進一步的，步驟（3）中，多策略融合改進的蜣螂算法初始化參數包括種群數量，最大迭代次數以及基于比例決策數的滾球蜣螂比例常數。
30、所述基于比例決策數的滾球蜣螂比例常數通過下式計算：
31、
32、其中，為蜣螂算法當前迭代次數。
33、滾球蜣螂數量的計算公式為：
34、。
35、進一步的，步驟（3）中，初始化蜣螂種群位置并分化種群具體包括如下步驟：
36、（i）按均勻分布隨機生成蜣螂種群的個體位置：
37、
38、其中，和為解空間的上下界，是區間均勻分布的隨機向量；
39、（ii）對隨機生成的初始種群進行動態反向學習得到新的初始種群，然后采用貪心策略加劇兩個種群間的競爭得到最佳初始種群。
40、（iii）計算初始種群個體所對應的目標函數值，根據滾球蜣螂數量，選取目標函數值最低的個體為滾球蜣螂，然后依次將目標函數值從低到高個體歸類為育雛蜣螂、小蜣螂、小偷蜣螂。
41、進一步的，步驟（4）的具體過程為：
42、（i）滾球蜣螂位置更新
43、蜣螂遇到障礙物的概率被假設為，設為隨機數且。
44、當時為無障礙狀態，位置更新公式如下：
45、。
46、當時為無障礙狀態，生成一個隨機數表示偏差角度，且，當時不更新位置，否則位置更新公示如下：
47、
48、其中，表示第代種群中目標函數值小于第只個體目標函數值的其他隨機個體，計算公式為：
49、
50、其中，表示第代種群的目標函數值向量，表示第代種群中第只個體的目標函數值；代表種群的全局最優位置。
51、（ii）育雛蜣螂位置更新
52、模擬雌性蜣螂產卵的區域邊界被嚴格限制如下：
53、
54、其中，與分別代表產卵區域的上下界；代表當前迭代次數的局部最優位置；為隨迭代次數變化的常數值，且代表最大迭代次數。
55、育雛蜣螂的位置在迭代過程中也是動態變化的，其位置更新公式為：
56、
57、其中，表示第只育雛蜣螂在第次迭代后的位置信息；和分別為兩個維的獨立隨機向量，表示優化問題的維度。
58、（iii）小蜣螂與小偷蜣螂位置更新
59、小蜣螂的最佳覓食區域的邊界定義如下：
60、
61、其中，表示全局最佳位置，和分別表示最佳覓食區域的上下界，在該區域內引入水波動態自適應因子后覓食小蜣螂的位置更新公式為：
62、
63、其中，表示服從正態分布的隨機數，表示屬于的隨機向量。
64、引入水波動態自適應因子后小偷蜣螂的位置更新公式定義為：
65、
66、其中，是大小本文檔來自技高網...
【技術保護點】
1.一種基于多策略融合改進蜣螂算法的多無人機任務分配方法，其特征在于，其包括如下步驟：
2.根據權利要求1所述的一種基于多策略融合改進蜣螂算法的多無人機任務分配方法，其特征在于，步驟（2）中，引入懲罰函數策略，將多無人機任務協同分配問題轉化為無約束優化問題；將多無人機協同任務分配問題的目標函數定義為：
3.根據權利要求2所述的一種基于多策略融合改進蜣螂算法的多無人機任務分配方法，其特征在于，無人機執行任務的總代價函數如下式所示：
4.根據權利要求3所述的一種基于多策略融合改進蜣螂算法的多無人機任務分配方法，其特征在于，無人機完成任務的總收益函數如下式所示：
5.根據權利要求4所述的一種基于多策略融合改進蜣螂算法的多無人機任務分配方法，其特征在于，罰函數項的數學表達式為：
6.根據權利要求5所述的一種基于多策略融合改進蜣螂算法的多無人機任務分配方法，其特征在于，罰函數項的數學表達式為：
7.根據權利要求6所述的一種基于多策略融合改進蜣螂算法的多無人機任務分配方法，其特征在于，罰函數項的數學表達式為：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。