多飞行器协同任务分配的改进粒子群优化算法

多飞行器协同任务分配的改进粒子群优化算法

彭威 ,胡亦辰 ,马国畅

 郑州航空工业管理学院  河南省郑州市   450046

摘要：在当今军用和民用领域，飞行器在目标搜索、对地攻击、空中搜救、交通巡查以及快递运输等方面发挥着重要作用。因为单架飞行器无法高效率的完成复杂任务，经常需要使用多个飞行器协同完成复杂任务。因此，多飞行器系统在复杂的任务环境实现灵活的任务，已成为重要研究内容，多飞行器协同任务分配问题已成为飞行器自主导航领域亟需解决的关键问题。多飞行器协同任务分配是指：给定飞行器的种类及数量，根据一定的物理环境信息和任务要求，将一个或多个任务分配给一个飞行器，当所有飞行器完成所分配的任务后，整个飞行器编队的整体效能达到最优。基于此，对多飞行器协同任务分配的改进粒子群优化算法进行研究，以供参考。

关键词：多飞行器协同；任务分配；粒子群；优化算法

引言

路径规划技术是当前无人机领域的热门研究方向之一，近年来，随着无人机的广泛使用，路径规划对于无人机执行任务和规避工作环境中的障碍至关重要。路径规划旨在为无人机规划安全、可行的最优路径。并且规划的路径还需要满足无人机实际应用过程中的操作可行性。因此，在满足安全性与可行性的基础上，增强无人机在复杂的多障碍环境下的路径寻优能力，具有重要的研究意义。

1多飞行器协同任务分配

多飞行器协同任务分配是指：给定飞行器的种类及数量，根据一定的物理环境信息和任务要求，将一个或多个任务分配给一个飞行器，当所有飞行器完成所分配的任务后，整个飞行器编队的整体效能达到最优。在解决多飞行器任务分配问题时，需考虑飞行器的任务能力上限、任务时序约束以及实时规划有效性等要求。理论上，多飞行器任务分配问题属于NP-hard的排列组合问题。对于大规模系统，难以完全避免组合爆炸问题。

2粒子群算法

粒子群算法(PSO)是20世纪90年代出现的一种智能进化算法。一定数量的粒子构成群体,每个粒子代表一个潜在的解决方案,利用自适应函数来评估粒子的优缺点,遵循当前粒子群体中的最佳解和粒子历史上的最佳解,不断更新粒子群体以寻找全局最优解。初始化时,算法选择一组随机粒子。每个粒子都有两个连续性质:位置和速度。在迭代过程中,粒子必须跟踪两个极端值:第一个是粒子历史的最佳解,称为个别极端。另一个是整个人口的当前最佳解决方案,称为全球极值。所有粒子都根据这两个极值更新位置和速度,以尽可能快地接近最佳解。

3多飞行器协同任务分配的改进粒子群优化算法

3.1用于多飞行器协同任务分配的改进PSO算法

利用粒子群算法解决多飞行器协同任务分配问题，需要解决以下两个难点：1）任务分配问题属于排列组合优化问题，其解空间是离散的，而传统PSO算法只能给出连续性的解。因此，需要建立PSO连续性的解与离散化的任务分配方案之间的一一对应关系，即离散化PSO算法的解；2）PSO算法具有操作简单、容易收敛的优点，但也容易过早陷入局部收敛。为解决上述两个问题，本文将粒子的位置编码为一组任务分配向量，然后将分配向量解码为一组任务分配方案，实现了PSO算法连续性解的离散化。同时，基于模拟退火算法原理，本文提出了一种跳出局部收敛的策略，根据策略运用生成新粒子，解决了局部收敛问题。

3.2自适应加速度系数

在粒子群算法的应用中，加速度系数在调整收敛速度和搜索方向中发挥了重要作用，可以调节粒子学习的最大步长。目前，由于算法搜索过程中的随机性，在加速度系数之间进行精确的定量分析变得十分困难，所以应用于无人机路径规划的相关粒子群算法大多将加速度系数设置为常数。在实际应用时，粒子群相关的算法大多易陷入局部极小值，为了使得算法保持更好的性能，本文从算法搜索和收敛的阶段，定性分析了加速度系数与算法运行时间的映射关系。对于粒子群算法而言，搜索和收敛是算法运行过程中粒子的两个演变行为，搜索使得路径规划得到足够的路径节点，收敛则确保粒子群体达到一个全局最优解，即在算法运行的前半阶段搜索过程占据主导地位，而收敛过程在算法运行的后半阶段占据主导地位。

3.3协同组网通信

在多机联合作战任务的执行过程中,无论是机群联合管理,还是目标联合搜索识别和联合战术决策,都需要不同作战单位之间持续、密集、实时的信息交换,因此,联合网络通信是飞机联合作战行动的首要前提,根据多机通信网络的结构,可分为集中式、分布式和混合式三种。集中式网络结构有一个中心节点,所有其他飞机的探测和状态信息汇集成一个中心节点,网络的中心节点进行集中计算和统一的分析解决方案。在分布式网络结构中,没有中心节点,每架飞机都将其状态信息和感知信息与联网的车辆相结合,整个系统的管理和全球决策都是通过飞机之间的协调与合作来实现的。混合网络结构是集中式和分布式的有机组合。整个系统分为多层结构,第一层称为组,每个组使用集中式网络结构,每个组的中心节点形成第二层,使用分布式网络结构,从而可以构建任意数量的协同通信网络层。

3.4基于模拟退火算法的跳出局部收敛的策略

传统PSO算法很容易陷入局部收敛。受到模拟退火算法的启发，提出一种使得PSO算法尽快跳出局部收敛、扩大搜寻范围的方法。这种方法先以某种规则生成新粒子，然后按照概率函数判断是否接受这个粒子的更新。

3.5信息融合处理

信息融合(Information Convergence)是指利用计算机技术,根据一定的标准自动分析和优化来自多个传感器的数据测量,以达到特定的评估和解决方案。信息融合技术逐渐重视多架飞机协同检测的持续发展,通过信息融合可以有效地扩大飞机组件的检测范围和覆盖时间。根据不同层次的信息抽象,可以将信息融合分为三个层次:数据层次的融合(又称信号层次的融合)、特征层次的融合和决策层次的融合。数据级收敛是指最低级别的收敛,它首先处理来自相同类型传感器的原始观测数据,然后在收敛后提取和识别数据。为了实现这种数据级信息融合,需要多个相同类型的传感器。在三步收敛模型中,数据层和决策层之间会发生收敛。

结束语

未来的战斗将是系统与系统的竞争,随着对抗与防御技术的不断发展,单机远程作战的复杂性逐渐增加,多机联合作战将成为未来的主要模式。多机协同作战技术是指确保飞机根据任务的作战需要,通过专门的信息支持网络组成一定规模的编队,并具备态势感知和编队认知能力,能够根据综合作战效能最大化原则自主进行编队决策和指挥,指导和控制编队执行作战任务的原则、方法和技术。多飞机交互系统的应用可以提高飞机武器系统在时间、频率范围和空域等方面对复杂电磁环境的适应性,并提高对干扰的识别和抵抗能力。

参考文献

[1]张云路.一类电力系统动态经济调度优化方法的研究[D].辽宁科技大学,2019.

[2]杨毅.多飞行器系统协同—对抗的最优控制研究[D].南京航空航天大学,2018.

[3]李东.改进粒子群算法及结构优化设计应用研究[D].浙江工业大学,2018.