基于ACA_PSO算法的无人机分布式任务分配方法

为解决分布式任务分配问题，采用“粒子化”的蚁群算法进行无人机分布式任务分配。基于蚁群_粒子群混合算法，在原有蚁群算法基础上进行改进，使其具有“粒子”的特性。建立扩展协同多任务分配问题模型(ECMTAP)，采用构造允许的状态转移集合的方法，大大减少了产生的不合理解的个数，并弥补了蚁群算法陷入局部最优和早熟问题的缺点。实验结果表明：该算法能够有效地解决复杂约束条件下的多无人机分布式任务分配问题，具有较好的收敛速度和任务分配结果。     

基于防御雷达监控的多无人机协同侦察优化模型

针对多无人机协同侦察路径优化问题,构建一种分步求解有防御雷达监控的多无人机协同侦察优化模型.通过聚类分析的方法对待侦察目标点进行目标群的划分,运用TSP算法求出目标群内各目标点之间的最优侦察路径并对无人机进行任务分配.根据相关约束条件,建立以无人机在敌方雷达监控范围内的滞留时间最短为目标的MMTSP 优化模型.运用蚁群算法对所建模型进行求解,并进行实例分析.分析结果表明:该模型和方法具有可行性和有效性,可为多无人机协同侦察提供参考.     

多目标跟踪的飞行器集群协同实时任务分配策略

针对跟踪过程中,多动态目标优先级变化引起的飞行器任务实时重分配问题,提出了一种飞行器集群智能自组织控制方案。该方案基于飞行器集群组网和集群协同计算技术,实现分布式集群实时控制与协同任务分配,以保证对多目标的实时跟踪。针对跟踪目标优先级变化的场景,提出了具有双向选择机制的合同网改进算法,能够解决突发情况导致的飞行器集群任务实时分配问题。最后进行仿真验证,实验结果表明,该方案能够提高飞行器集群的协商效率,减少通信频率,提升任务分配的时效性。     

多目标时空同步协同攻击无人机任务分配与轨迹优化

针对复杂战场环境下分布式无人机对多目标协同打击任务,提出多目标攻击的任务分配与轨迹优化算法。建立典型多目标打击的任务场景和无人机模型;基于Delaunay三角形理论,以禁飞区为节点构建搜索地图;运用A^*算法实现威胁最小的单机路径搜索;在无人机动力学约束和能耗损失最小的基础上,引入时间调节因子,采用基于贝塞尔曲线的分布式无人机时空同步轨迹优化方法,得到对多目标同时打击的优化轨迹;设计轨迹跟踪控制器,对预规划轨迹进行跟踪仿真。仿真结果表明,多目标攻击的任务分配与轨迹优化方法能够对多目标实现多角度、时空同步、分布式协同打击,且对噪声及阵风等具有较强的抗干扰能力。     

多目标空地异构无人系统协同任务分配方法

针对由地面无人车与多无人机组成的空地异构无人系统面向大范围、多目标的协同任务分配问题，以无人系统完成任务时间为优化目标，同时考虑无人机收放、续航能力以及任务时序等约束条件，建立空地异构无人系统的任务分配模型，提出一种多目标空地异构无人系统任务分配方法。结合密度值最大聚类和混合粒子群优化算法，对空地异构无人系统的任务分配问题进行求解，从而得到满足约束条件的全局任务分配结果；通过仿真实验对所提方法进行验证。实验结果表明，该方法能够有效地求解在不同作战环境中的空地异构无人系统的任务分配问题。     

基于智能算法的无人集群防御作战方案优化方法

兵力部署与任务分配是无人集群防御作战的重要过程,有效利用集群中有限的兵力并发挥出最高的作战效能对提高无人集群的作战胜率至关重要,进行高效的作战任务分配能够协调集群一致性并更好完成作战任务。针对无人集群防御作战中的关键作战方案,研究无人集群防御作战的兵力部署及协同任务分配优化问题。构建基于智能体技术的无人集群防御作战模型,量化无人集群兵力部署所需的关键参数,对作战区域与兵力进行规划,设计目标函数。提出一种自适应遗传算法,解决无人集群的兵力部署问题。算法可根据实时运行情况动态调整目标函数、交叉率和变异率,保证适应度值较高个体的传承并避免算法出现局部最优。进行防御作战仿真,为验证无人集群兵力部署的效果,提出一种基于深度Q网络的深度强化学习改进算法,解决无人集群任务分配问题,对部署好的无人集群进行任务分配并作战。该算法能够自适应调整Q值,避免算法因过度估计造成无法收敛至最优解。防御作战实验结果表明,所提出的无人集群兵力部署及协同任务分配方法可有效提高防御作战的成功率,实现无人集群的自主协同及智能对抗。     

未知环境下异构多无人机协同搜索打击中的联盟组建

为了提高多架异构无人机在未知环境下协同执行搜索打击任务时的效能,提出了一种未知环境下的异构多无人机协同搜索打击中的联盟组建方法,研究了实时性较高且适应于未知环境下的任务分配机制。以最小化目标打击时间和最小化联盟规模为优化指标,以满足同时打击和资源需求为约束条件,建立了联盟组建模型;为了提高联盟组建的实时性,提出了一种分阶次优联盟快速组建算法(MSOCFA)。算法复杂度分析说明了该算法是一个多项式时间算法,并且通过与粒子群优化算法进行仿真对比,验证了该算法具有较低的计算复杂度,满足实时性要求。为了使得多架无人机能自主协同完成搜索打击任务,设计了基于有限状态机(FSM)的多无人机分布式自主协同控制策略。仿真验证了未知环境下的异构多无人机协同搜索打击中的联盟组建方法的合理性和可行性。使用蒙特卡洛法验证了无人机数量和目标数量对联盟组建的影响,即无人机数量越多,目标数量越少,其平均任务完成时间越短。 为了提高多架异构无人机在未知环境下协同执行搜索打击任务时的效能,提出了一种未知环境下的异构多无人机协同搜索打击中的联盟组建方法,研究了实时性较高且适应于未知环境下的任务分配机制。以最小化目标打击时间和最小化联盟规模为优化指标,以满足同时打击和资源需求为约束条件,建立了联盟组建模型;为了提高联盟组建的实时性,提出了一种分阶次优联盟快速组建算法(MSOCFA)。算法复杂度分析说明了该算法是一个多项式时间算法,并且通过与粒子群优化算法进行仿真对比,验证了该算法具有较低的计算复杂度,满足实时性要求。为了使得多架无人机能自主协同完成搜索打击任务,设计了基于有限状态机(FSM)的多无人机分布式自主协同控制策略。仿真验证了未知环境下的异构多无人机协同搜索打击中的联盟组建方法的合理性和可行性。使用蒙特卡洛法验证了无人机数量和目标数量对联盟组建的影响,即无人机数量越多,目标数量越少,其平均任务完成时间越短。     

基于混沌蚁群算法的多机协同空战火力分配

针对多机协同空战中的多目标攻击决策问题,提出了一种基于混沌蚁群算法的火力分配方法。该方法将混沌运动的遍历性、随机性和蚁群算法信息素正反馈相结合,起到了优势互补作用。根据相应数学模型进行的仿真结果表明,该方法在多机协同空战火力分配中具有较强的全局寻优能力,且收敛速度快,寻优效果好。     

基于并行蚁群算法的常规导弹作战任务分配

作战任务分配是常规导弹作战研究的关键问题之一。结合常规导弹作战实际情况和任务分配特点,综合考虑作战意图、任务协同等约束条件,采用并行蚁群算法,建立了作战任务分配模型。在多子群蚁群算法的基础上,设计了基于任务能力评估的子群协调沟通策略和基于任务代价的状态转移规则,提出了并行求解任务分配问题的蚁群算法思想。通过仿真验证了模型的正确性,仿真结果表明该方法能够有效解决常规导弹作战任务分配问题。     

多无人机多任务对地攻击协同任务分配

针对多无人机对地协同攻击多任务分配问题,通过合理假设对问题进行抽象简化的基础上,建立了基于任务分配收益和代价的总体分配效能函数模型,并以此模型作为任务分配方案的评估标准。引入各种操作符重新定义了离散粒子群优化算法的速度以及位置更新公式,建立了算法实现的基本流程,并利用该DPSO优化算法对任务分配模型进行求解。分别针对多UAV单任务,单UAV多任务以及多UAV多任务进行仿真分析,结果表明,DPSO算法比遗传算法具有更好的全局搜索能力和收敛速度,通过仿真验证了任务分配模型的合理性和正确性,验证了算法的有效性和相对于遗传算法的优越性。     

基于多蚁群系统的多无人机协同目标搜索方法

针对多UAV协同搜索问题,建立了基于搜索概率图的UAV环境信息描述模型,提出了一种基于多蚁群算法的协同目标搜索算法。该算法由多个蚂蚁种群构成,每个蚂蚁种群负责搜索一架无人机的路径。蚂蚁个体在搜索路径时通过其所在群体的信息素的引导以趋向最优路径,同时,受到来自其它种群的信息素的排斥作用进而避免无效搜索。实验结果表明,该方法能有效地实现多UAV之间的协同,实现路径搜索,减少路径交叠,提高了搜索效能。     

基于蚁群算法的测试任务调度优化方法

复杂系统测试通常存在任务复杂、测试时间长、资源浪费等问题,对资源和任务进行合理调度具有重要实用价值。提出基于蚁群算法的测试任务并行任务调度优化方法,对测试问题进行描述,与蚁群算法结合,设计了启发函数、状态转移规则;根据算法流程获得测试时间最短的任务调度序列;针对任务序列多解的问题,提出资源均衡度的评价标准,得到最优的资源任务调度序列。基于蚁群算法解决了复杂测试系统任务调度问题,对某实际测试系统资源任务集进行调度仿真,并与随机穷举法对比验证算法的有效性,结果表明该方法能大大节约测试时间。测试实例与当前常用的半串行测试进行对比,测试效率提升了43.07%;所得结果为最短测试时间任务调度序列中资源均衡度最高的。     

军事协同巡检路线优化策略

为提高大规模多机器人巡检系统的工作效率,提出了改进的协同蚁群优化算法。该算法为每个巡检机器人设定一个路线优化蚁群,采用共享禁忌表的方式实现不同蚁群之间的信息共享,不同蚁群中的人工蚁采用代价竞争机制进行巡检节点选择,完成路线协同优化。协同蚁群优化算法能够根据巡检节点的分布完成巡检区域的分割与路线优化,提高了巡检区域划分的合理性。仿真实验结果表明,与基于地图分割的优化算法相比,协同蚁群优化算法能够根据巡检任务对巡检区域进行均衡划分,提高了巡检机器人的利用率,减少了整体巡检量,巡检效率得到了显著提升。     

基于区间直觉模糊决策的多无人机任务分配方法

针对多无人机在不确定环境下面向SEAD 约束的任务分配问题,提出一种基于区间直觉模糊决策的多无 人机任务分配方法。构建面向不确定环境下无人机的任务分配数学模型,将无人机和任务的不确定信息用区间直觉 模糊数表示;借助TOPSIS 原理,考虑区间直觉模糊数的曼哈顿距离和犹豫度对区间直觉模糊数进行比较,采用改 进后的离散差分进化算法求解得到最优的任务分配方案。结果表明：该分配模型合理,算法具有较好的收敛性。     

基于计算智能方法的无人机任务指派约束优化模型研究

无人机(UAV)指派问题是一种具有多约束条件的复杂任务分配问题。随着问题规模和约束数量的增加，其复杂性加剧，尤其是对于目前常用的，基于线性规划类的方法而言，存在着维数爆炸和优化求解困难加剧的问题。提出了一种通用的UAV任务指派模型，将UAV指派问题转化为多约束条件下的优化问题。该模型通过构造可行解的方法，不但有效地减小了搜索空间，提高了搜索效率，而且适用于各种计算智能类的优化方法。通过4种典型的计算智能优化方法，即粒子群优化方法、遗传算法、差分进化算法和克隆选择算法的数值分析，结果表明该模型具有更好的适应性和可扩展性，与计算智能优化方法相结合，能有效地求解复杂UAV任务指派问题。