基于不完备区间信息的多无人机任务分配

陈 侠,胡显伟

(1.沈阳航空航天大学 自动化学院，沈阳 110136； 2.沈阳市化工学校 化机系，沈阳 110122)



信息科学与工程

基于不完备区间信息的多无人机任务分配

陈 侠1,胡显伟2

(1.沈阳航空航天大学 自动化学院，沈阳 110136； 2.沈阳市化工学校 化机系，沈阳 110122)

在无人机作战系统中，多无人机(UCAV)任务分配问题是一个重要研究课题。给出了一种不完备信息环境下的多无人机任务分配方法。首先考虑了任务分配的各项指标，并分析指标中的不完备信息，然后通过建立区间可能度公式，采用粒子群方法(PSO)，给出了多无人机任务分配方法。最后通过仿真实验验证了该方法的可行性和有效性，可以有效且合理地解决不确定环境下的多无人机任务分配问题。

多无人机;不完备信息;粒子群算法;任务分配

随着作战环境的日益复杂,无人机作战任务也日益多样化，多机作战能够实现攻击多个敌方目标，且提高其杀伤概率，因而将成为未来空战的主流趋势。而多无人机任务分配是研究空战问题的重要课题，目前任务分配研究方法主要有：多旅行商问题模型[1]、车辆路径问题模型[2]、动态网络流模型[3]、混合整数线性规划模型[4]。多UCAV(Unmanned Combat Aerial Vehicles)协同任务分配求解方法主要包含多目标整数规划、分支定界、网络流量优化方法、蚁群算法[5]、遗传算法[6-7]、基于市场竞拍机制算法[4]、粒子群优化算法[8]等。虽然各国对于多无人机任务分配问题取得了大量的科研成果，可是在已经获得的成果中，我们获得的战场信息往往都是确定的。然而实际上，由于无人机在战场环境中受到各种干扰及传感器精度的限制，获得的信息大多是不完全信息，在数学上将其描述成不完备信息。所以，在不确定环境情况下，需要把不完备的信息转化成完备信息。因此，基于不完备信息的多UCAV任务分配是一个新的重要课题。在现有的文献中，仍未有基于不完备信息的多无人机任务分配研究的报道。本文将粒子群算法和区间可能度公式结合，提出基于不完备信息的多无人机任务分配方法,最后通过仿真实例验证出此方法容易实现，并能有效完成多机任务分配。

1 多无人机任务分配建模

根据文献[9]，可以给出多无人机任务分配模型。

1.1 UCAV攻击地面目标收益函数的建立

对于多UCAV在攻击敌方目标时所产生的价值收益，其总量越高越好。若P=[P1,P2,…,Pm]为UCAV对目标的杀伤概率矩阵，则收益指标函数为：

(1)

1.2 UCAV攻击地面目标毁伤代价函数和航程代价指标函数的建立

(2)

(3)

1.3 多UCAV任务分配模型的建立

在应用中，综合考虑UCAV的收益、毁伤代价和航程代价，则多UCAV任务分配问题的数学模型可以表示为：

J=max(w1*R-w2*C1-w3*C2)

(4)

s.t.

(5)

(6)

w1+w2+w3=1

(7)

w1、w2和w3分别为目标获得收益、毁伤代价、航程代价的权重。公式(5)约束条件为每架无人机一次最多只能分配给一个目标，公式(6)要求每个目标每次最多被分配给一架UCAV。

2 基于不完备信息的决策方法

2.1 基于不完备区间的决策方法

(8)

则称⊗x为区间数：

定义2[10-13]：若⊗x 为遗漏型的区间数，则其表示形式为以下三种情形之一：

(3) ⊗x=[*,*]="*"，表示区间数的下、上限值均遗漏。

定义3[10-13]：在不完备序区间值决策系统中，对∀a∈AT,∀x∈U，则有以下3 种填充形式:

2.2 基于区间可能度的求解多无人机任务分配方法

(9)

(10)

本文利用粒子群算法(Particle Swarm Optimization)来求解分配方案。粒子群算法最初是由模拟鸟群觅食行为发展而来的，它属于群体协作的随机搜索算法[15]。粒子群算法有很多优点，如保持种群多样性，收敛速度快等。也有很多文献利用粒子群算法求解纳什均衡问题[16-17]。本文先通过采用不完备信息的填充方法获得区间数信息，再采用粒子群算法求解多UCAV任务分配问题。

当前所有粒子达到最好位置为全局最优粒子。将当前个体最优粒子的区间适应度进行两两比较，从而获得可能度矩阵。然后利用互补可能度矩阵排序的方法，对区间适应度从小到大排序，排名第一的粒子就成为全局最优粒子。

2.3 算法流程

步骤1：初始化粒子群，在空间中，随机产生位置和速度；

步骤2：将当前的粒子作为个体最优粒子，然后计算每个粒子相对应的适应度值，最后全局最优粒子通过区间数排序方法计算得出；

步骤3：更新粒子，从而获得新一代的粒子；

步骤4：计算每个粒子相对应的适应度值，将当前的每个粒子与其对应的个体最优粒子进行排序，从而获得新的个体最优粒子，再把所有的个体最优粒子由大到小排序得到新的全局最优粒子；

步骤5：重复步骤3和步骤4，达到最大迭代次数后，循环结束后，输出全局最优粒子。

3 实例分析

本文仿真实例为6架无人机攻击10个地面任务，每个任务目标仅被一架无人机攻击，战场环境信息如表1～10所示。

根据定义3，将不完备信息变成完备信息，设权重信息为[0.35 0.3 0.35 ]，粒子群算法中相关参数设置如下：种群规模设为50，最大迭代次数设为200,惯性权重设为0.5，学习因子分别为0.6和0.7，根据式(4a)和式(4b)，最优分配方案和适应度区间函数如表11和图1所示。

表1 对于目标1的各个指标信息

表2 对于目标2的各个指标信息

表3 对于目标3的各个指标信息

表4 对于目标4的各个指标信息

表5 对于目标5的各个指标信息

表6 对于目标6的各个指标信息

表7 对于目标7的各个指标信息

表8 对于目标8的各个指标信息

表9 对于目标9的各个指标信息

表10 对于目标10的各个指标信息

表11 多无人机最优分配方案

从表11和图1可以看出，图1中上面的线代表右端点适应度，下面这条代表左端点适应度，最优解的适应度区间值为[0.164 1 0.197 9]。最优方案为UCAV2执行第一个任务和第八个任务，UCAV3执行第二个任务，UCAV1执行第三个和第7个任务，UCAV4执行第四个任务，UCAV5执行第六和第十任务，UCAV6执行第五个和第九个任务。

4 结论

针对基于不完备信息下的多无人机任务分配问题，本文首先对任务分配结果产生影响的各项指标因素及其不确定性进行了分析，然后将不完备信息完备为区间信息，通过将可能度与粒子群算法相结合，得出不完备信息的多UCAV任务分配方法；最后通过实例分析来确定无人机任务分配方案，有效解决了不完备信息的多无人机任务分配问题。需要指出的是，基于不完备信息下的多无人机任务分配问题是一个新研究课题，实际应用中，如何根据不完备信息输入，进一步完善多UCAV任务分配算法仍有待深入研究。

图1 适应度区间值变化曲线

[1]O’Rourke K P,Bailey T G,Hill R,et al.Dynamic routing of unmanned aerial vehicles using reactive tabs search [J].Military Operations Research Journal,2001,6(1):5-30.

[2]Harder R W.A Java universal vehicle router in support of routing unmanned aerial vehicles air missions [J].Ohio:Air Force Institute of Technology.International Transactions in Operational Research,2004,11(3):259-275.

[3]Alighanbari M.Task Assignment Algorithms for Teams of UAVs in Dynamic Environments [D].Cambridge:Massachusetts Institute of Technology,2004:45-61.

[4]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):593-606.

[5]段海滨,丁全心,常俊杰,等.基于并行蚁群优化的多UCAV任务分配仿真平台[J].航空学报,2008,29(5):192-197.

[6]Genshe C.Genetic algorithm for task allocation in UAV cooperative control [J].AIAA Guidance,Navigation,and Control Conference and Exhibit,2003:1121-1126.

[7]Shima T,Rasmuesen S J,Sparks A G,et al.Multiple task assignments for cooperating uninhabited aerial vehicles using genetic algorithms [J].Computers and Operations Research,2006,33(11):3252-3269.

[8]Curz J B,Jr C,Chen G.Particle swarm optimization for resource allocation in UAV cooperative control [J].AIAA Guidance,Navigation,and Control Conference and Exhibit,2004:16-19.

[9]叶媛媛.多UCAV协同任务规划方法研究[D].长沙:国防科学技术大学,2005:41-47.

[10]周海军,谢军.不完备序区间值决策系统中所有可信规则的获取[J].江苏大学学报,2014,35(2):201-206.

[11]王天擎,洪智勇.不完备序区间值决策系统中的可信规则的获取[J].数学的实践与认识,2014,44(1):45-52.

[12]李丹.属性加权及不完备数据的模糊聚类方法研究[D].大连:大连理工大学,2011:45-75.

[13]舒才良,严宣辉,曾庆盛.不完备数据下的免疫分类算法[J].计算机工程与应用,2012,48(2):172-176.

[14]张全,樊治平,潘德惠.不确定性多属性决策中区间数的一种排序方法[J].系统工程理论与实践,1999(5):130-133.

[15]李炜,张伟.基于粒子群算法的多无人机任务分配方法[J].控制与决策,2010,25(9):1359-1363.

[16]施蓉花,吴庆宪,姜长生.无人机协同攻击的混合粒子群算法[J].火力与指挥控制,2009,34(9):10-13.

[17]陈侠,胡永新,徐光延.面向多无人机任务分配的二维编码粒子群算法[J].系统仿真学报,2013,25(12):3045-3056.

(责任编辑：刘划 英文审校：刘敬钰)

Multi-UCAV task assignment based on incomplete interval information

CHEN Xia1,HU Xian-wei2

(1.College of Automation,Shenyang Aerospace University,Shenyang 110136,China;2.Department of Chemical Process Equipment,Shenyang Chemical Industry School,Shenyang 110122,China)

In the UCAV combat system,the task assignment of multi-UCAV is one of the key technologies of task assigning system.The method of the multi-UCAV task assignment is presented based on incomplete information environment in this paper.First,the indicators of task assignment are considered,of which the incomplete information is analyzed.Then according to the possibility formula on interval numbers,the multi-UCAV task assignment is put forward by using PSO.Finally,the feasibility and effectiveness of the method are verified by simulation,which can effectively and reasonably solve the problem of multi-UCAV task assignment under the uncertain conditions.

Multi-UCAV;incomplete information;PSO;task assignment

2015-03-19

国家自然科学基金(项目编号：61074159)；沈阳科技资助项目(项目编号：14042200、14231129)

陈侠(1962-)，女，辽宁新民人，教授,博士(后)，主要研究方向:无人机任务规划，E-mail:xiachen1108@163.com。

2095-1248(2015)04-0050-07

TP391.9

A

10.3969/j.issn.2095-1248.2015.04.009