基于协同进化的混合变量多目标粒子群优化算法求解无人机协同多任务分配问题

无人机多机协同控制系统近年来已被广泛地应用在军事打击、海洋监测、陆地航拍和灾情探测等领域.针对无人机协同多任务分配问题,为了更加准确地描述无人机协同多任务分配场景,本文考虑实际应用场景下的多种复杂约束,并以无人机飞行总航程最少和任务完成时间最短为优化目标,构建了混合变量多约束的无人机协同多任务分配问题模型M-CMTAP.为了高效求解上述模型,本文提出一种基于协同进化的混合变量多目标粒子群优化算法C-MOPSO.C-MOPSO采用基于任务分配和路径规划的编码方法表示无人机的任务分配结果和路径规划结果及基于约束处理的可行解初始化方法生成可行粒子;同时利用基于结构学习的重组策略对粒子进行更新以提高种群的多样性和收敛性;并引入协同进化策略在两个子种群之间进行合作进化以提高算法的搜索效率.根据无人机和目标的分布状态设计4个代表性的测试实例并验证算法性能,实验结果表明,与其他采用协同进化策略的算法相比,所提算法在解的收敛性和解集多样性上均具有显著的性能优势.     

基于免疫粒子群算法的多UCAV协同任务分配

任务分配问题是多UCAV协同控制的关键和有效保证。综合考虑问题的多规划指标和多类复杂约束条件,建立了基于多目标整数规划的协同多任务分配模型。通过模拟生物免疫系统的免疫特征和运行机制,并将粒子群优化作为算法的局部搜索算子,设计了一种适用于问题求解的免疫粒子群算法,使算法同时具有人工免疫算法种群多样性好、粒子群优化局部搜索能力和进化方向性强等特点。仿真实验表明该方法具有良好的优化效果和时间特性,可较好地解决多UCAV协同任务分配问题。     

基于顺序扩展一致性包算法的多无人机分布式任务分配

以异构多无人机协同执行复杂的耦合多任务为背景,提出一种求解分布式任务分配问题非死锁的顺序扩展一致性包算法.首先,建立考虑任务载荷资源、任务时序、威胁区等约束条件的时序多任务分配模型;其次,对一致性包算法的任务包构建过程和冲突消解规则进行扩展,并设计一种基于有向图深度优先搜索的方法进行任务方案的死锁检测和修正,以实现无冲突和无死锁的任务分配;然后,将关联任务之间的时序约束转化为软时间窗约束,利用顺序分层的策略进行求解;最后,为了提高任务分配结果的可靠性,采用Dubins曲线路径将航路规划耦合到任务分配中.仿真实验表明,所提出的算法能够快速有效地求解异构多无人机分布式耦合多任务分配问题,具备良好的最优性和时效性.     

多无人机分布式协同异构任务分配

研究异构无人机对不同类型目标执行侦察、打击和评估任务的协同任务分配问题.采用信息论中熵的变化量对侦察与评估任务中所获取的信息量进行度量,将无人机对不同类型目标的打击能力抽象为对目标的毁伤概率,并考虑各个任务之间的相互关联,建立异构多无人机协同任务分配模型.设计了基于相邻局部通信的分布式拍卖算法,实现了多无人机协同任务分配问题的优化求解.仿真结果表明了所建模型的合理性和求解方法的有效性.     

改进PSO算法在多无人机协同任务分配中的应用

针对多无人机协同任务分配越来越复杂的问题,采用一种改进的阶层分级粒子群优化算法（HGIWPSO）获得最优分配方案。首先,根据粒子适应度值将种群动态划分为三个不同阶层,依据不同阶层粒子特性选择合适的学习模型,并引入独立权重思想调节惯性权重大小,平衡算法全局与局部搜索能力,提高算法性能;然后,建立协同多任务分配问题模型,采用多余负载竞拍方案减少非法劣解,通过实数编码建立粒子和实际分配方案之间的映射关系,解决实际分配问题。实验结果表明,该算法能够有效解决复杂约束条件下多无人机协同任务分配问题,得到最优分配序列,具有一定的理论以及实际意义。     

基于自适应变异的多目标鸽群优化的无人机目标搜索

无人机在搜索任务中起着关键的作用,它能够在复杂环境中寻找到目标.无人机搜索问题是一个相对复杂的多约束条件下的多目标优化问题.大多数搜索算法不能满足搜索过程中高效率和低功耗的要求.本文所采用的目标搜索方法是一种基于Agent路由和光传感器的解耦滚动时域方法.为了优化目标搜索方法的参数,本文提出一种基于Agent路由和光传感器的自适应变异多目标鸽群优化(AMMOPIO)算法.利用自适应飞行机制可以获得较好的鸽群分布,种群具有多样性和收敛性.利用变异机制简化了鸽群优化算法中的模型,提高了搜索效率.实验仿真结果验证了所提出的AMMOPIO算法在目标搜索问题中的可行性和有效性.     

基于自适应变异的多目标鸽群优化的无人机目标搜索（英文）

无人机在搜索任务中起着关键的作用,它能够在复杂环境中寻找到目标.无人机搜索问题是一个相对复杂的多约束条件下的多目标优化问题.大多数搜索算法不能满足搜索过程中高效率和低功耗的要求.本文所采用的目标搜索方法是一种基于Agent路由和光传感器的解耦滚动时域方法.为了优化目标搜索方法的参数,本文提出一种基于Agent路由和光传感器的自适应变异多目标鸽群优化(AMMOPIO)算法.利用自适应飞行机制可以获得较好的鸽群分布,种群具有多样性和收敛性.利用变异机制简化了鸽群优化算法中的模型,提高了搜索效率.实验仿真结果验证了所提出的AMMOPIO算法在目标搜索问题中的可行性和有效性.     

基于目标信息估计的分布式局部协调任务分配方法

分布式决策是提高群体自主性的关键技术之一.以侦查类无人机(unmanned search aerial vehicles,USAV)和打击类无人机(unmanned combat aerial vehicles,UCAV)执行协同搜索、攻击灰色目标区域问题为背景,建立了一种考虑局部链式通信、无人机飞行性能和任务执行能力等多约束的分布式任务分配模型,基于贝叶斯定理将任务空间的连续/离散不确定量用任务收益值量化描述.然后,提出了一种基于一致性协调算法的在线协同策略,并利用一致协调理论建立了一种冲突调解规则,在此基础上,设计了一种分布式任务分配求解算法,能够实现多USAV,UCAV的协同多任务快速分配.最后,通过数值仿真,验证了本文算法求解不确定空间任务分配问题的可行性和快速性.     

针对动态目标的多无人机协同组合差分进化搜索方法

针对多无人机动态目标协同搜索问题,提出一种组合差分进化无人机协同搜索航迹规划方法.建立动态目标协同搜索环境信息图模型及无人机运动模型.基于改进差分蝙蝠算法和自适应差分进化算法,设计基于种群数量自适应分配的组合框架,将差分进化算法中的变异、交叉和选择机制引入蝙蝠算法,构建组合差分进化算法的协同搜索算法,并对无人机动态目标协同搜索的航迹进行优化.针对待搜索目标轨迹随机多变且具有规避侦察特性的现实场景,建立可回访数字信息图和自适应目标搜索增益函数,从而提高无人机对动态目标的捕获能力.最后,通过仿真结果验证所提出的无人机动态目标协同搜索算法的有效性.     

先进布局无人机多目标自适应概率引导控制分配

针对先进布局无人机多操纵面冗余的控制分配问题, 提出一种基于自适应概率引导的混合多目标控制分配方法. 首先, 根据冗余舵面操纵特性, 建立带约束的舵面动态效能模型, 提出精度需求不同的混合多目标优化指标. 随后, 为了综合平衡各目标寻优精度与求解速度提出基于自适应概率引导的多目标粒子群控制分配方法. 该方法根据各目标最优值与期望精度差值构建自适应概率函数, 依概率选择全局最优解, 引导种群向各目标期望精度方向精细搜索以提升算法解算精度, 减少无用搜索以提高求解速度; 同时, 根据收敛性指标增加变异因子, 避免算法陷入局部最优. 最后, 仿真验证该方法可有效处理舵面耦合及非线性特性, 减少能耗损失, 实现操纵面多目标控制分配, 使得无人机快速平稳跟踪控制指令.     

无人机三维路径规划及避障方法

针对无人机(UAV)在三维环境中如何由起始点到目标点合理地规划路径避开障碍物,提出了一种基于改进粒子群算法与滚动策略相结合的UAV路径规划与避障方法.该方法首先以UAV为中心,通过传感器建立UAV的可视区域模型;其次结合滚动策略滚动探知UAV周围环境信息;最后,利用改进的粒子群算法进行路径搜索,并加入综合转角控制提高路径的平滑性.在传统粒子群算法中加入信息素与启发函数,增强算法的全局搜索能力,并对参数进行特定设计提高算法的收敛速度.仿真结果表明,该方法可以实现实时避障,所规划的路径相对平滑,且改进算法比传统算法具有较高的收敛性.     

路网约束下异构机器人系统路径规划方法

由无人机(Unmanned aerial vehicles, UAV)和地面移动机器人组成的异构机器人系统在协作执行任务时,可以充分发挥两类机器人各自的优势.无人机运动灵活,但通常续航能力有限;地面机器人载荷多,适合作为无人机的着陆平台和移动补给站,但运动受路网约束.本文研究这类异构机器人系统协作路径规划问题.为了降低完成任务的时间代价,提出一种由蚁群算法(Ant colony optimization, ACO)和遗传算法(Genetic algorithm, GA)相结合的两步法对地面机器人和无人机的路线进行解耦,同时规划地面机器人和无人机的路线.第1步使用蚁群算法为地面机器人搜索可行路线.第2步对无人机的最优路径建模,采用遗传算法求解并将无人机路径长度返回至第1步中,用于更新路网的信息素参数,从而实现异构协作系统路径的整体优化.另外,为了进一步降低无人机的飞行时间代价,研究了无人机在其续航能力内连续完成多任务的协作路径规划问题.最后,通过大量仿真实验验证了所提方法的有效性.     

基于Q学习的多任务多目标粒子群优化算法

多任务粒子群优化算法(multi-task particle swarm ptimization, MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而, MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针对此问题,利用强化学习的自我进化与预测能力,提出一种基于Q学习的多任务多目标粒子群优化算法(QM2PSO).首先,设计粒子群参数动态更新方法,利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数,提高当前粒子收敛到Pareto前沿的能力;其次,提出基于柯西分布的突变搜索策略,通过全局和局部交替搜索多任务最优解,避免算法陷入局部最优;最后,设计基于正向迁移准则的知识迁移方法,采用Q学习方法更新知识迁移率,改善知识负迁移现象.与已有经典算法的对比实验结果表明所提出的QM2PSO算法具有更优越的收敛性.     

多目标粒子群算法的动态多燃料经济环境负荷分配

考虑动态的负荷需求和多种燃料资源,以经济成本和环境成本为优化指标,建立动态多燃料经济环境负荷分配的多目标优化模型,并提出一种多目标粒子群优化算法求解该类优化模型.模型采用动态负荷需求和多种燃料资源,更有利于节约电能成本和提高能源利用效率,但高维数、复杂非线性和多目标成为求解该优化模型的难点,故在算法中引入多目标解集更新策略和变邻域搜索策略.实验仿真结果表明,该模型是有效的,且采用所提算法求解这类模型时所获得的近似Pareto前端的精度明显优于其他算法.     

基于自适应遗传学习粒子群算法的多无人机协同任务分配

研究救援场景下的多无人机协同任务分配问题,考虑幸存者所需援助类型的不同,建立更贴合实际的组合优化模型.针对该模型,提出一种自适应遗传学习粒子群算法(adaptive genetic learning particle swarm optimization, AGLPSO).首先,根据无人机与幸存者之间的救援关系,采用一种实向量编码机制处理决策变量约束,以简化模型求解.然后,通过两层级联结构提高算法搜索能力:第1层通过遗传学习策略生成高质量的精英粒子,并对进化停滞的粒子采用精英学习策略进行更新,以跳出局部最优;第2层利用精英粒子指导种群的搜索方向,并根据粒子群的进化速度和粒子的聚集程度,采用自适应进化策略提高算法在不同进化时期的寻优能力.仿真实验表明,所提出的AGLPSO算法能快速、有效地找到合理的救援分配方案.     

异构集成代理辅助多目标粒子群优化算法

针对代理辅助进化算法在减少昂贵适应度评估时难以通过少量样本点构造高质量代理模型的问题,提出异构集成代理辅助多目标粒子群优化算法。该方法通过使用加权平均法将Kriging模型和径向基函数网络模型组合成高精度的异构集成模型,达到增强算法处理不确定性信息能力的目的。基于集成学习的两种代理模型分别应用于全局搜索和局部搜索,在多目标粒子群优化算法框架基础上,新提出的方法为每个目标函数自适应地构造了异构集成模型,利用其模型的非支配解来指导粒子群的更新,得出目标函数的最优解集。实验结果表明,所提方法提高了代理模型的搜索能力,减少了评估次数,并且随着搜索维度的增加,其计算复杂性也具有更好的可扩展性。     

基于多策略融合粒子群的无人机对地攻击模糊博弈决策

针对无人机协同对地攻击的复杂性和不确定性,联合防空火力压制与对地目标打击任务,引入存活因子、摩擦因子和状态因子等概念,考虑目标威胁度的模糊性,结合生存概率和武器消耗等因素,建立一种多阶段的模糊多目标任务分配规划模型.为更好地描述攻击任务的对抗性和多策略性,以博弈论为框架,将规划模型转化为模糊多目标双矩阵博弈综合集结模型.利用必要性理论将集结模型中的不确定性目标清晰化处理,进而运用熵权法对多个目标进行加权求和,将其转化为单目标双矩阵博弈模型.提出基于多策略融合粒子群算法的纳什均衡求解方法,通过引入自适应惯性权重、动态反向学习与局部变异策略,在增强种群多样性的同时,保证粒子群局部精确搜索能力.算例仿真结果验证了所提模型和方法的有效性.     

基于改进鸽群优化算法的多无人机目标搜索

在三维未知环境中无人机目标搜索是一项非常具有挑战性和现实性意义的任务。鸽群优化算法相比于其他智能算法收敛速度快,搜索效率高,适用于目标优化任务,因此提出一种基于鸽群优化算法的多无人机目标搜索方法,无人机通过搜索目标留下的信息素搜寻目标。针对鸽群优化算法容易陷入局部最优的问题,利用基于差分进化策略对鸽群优化算法进行改进。仿真实验验证了提出的基于改进鸽群优化算法的多无人机目标搜索方法的合理性和有效性。