基于改进MOSFLA的多机协同任务分配

为解决多机协同任务分配这一多约束组合优化问题,提出了一种基于矩阵二进制编码的改进多目标混合蛙跳算法(multi-objective shuffled frog-leaping algorithm,MOSFLA)的任务分配策略。首先,建立了基于目标剩余价值、战机攻击损耗和航程代价的多目标优化模型;然后,对混合蛙跳算法的位置更新策略进行了改进,以保证更新过程中解的可行性及算法的全局收敛能力;最后,利用改进算法求解多机协同对地攻击任务分配问题,得出问题的Pareto最优解集。仿真实验表明,改进算法能够在较短时间内同时得出多个分配方案,增加决策的灵活性。     

基于蚁群算法的多无人机协同任务规划研究

现代战争中,无人机对战前情报收集、重要空域控制、重点目标监视和打击等起着关键作用.随着攻击方参战无人机的规模增加,相应防御方的防御力度也在提高.无人机群的作战任务面临的是多目标多雷达的防御群.因此,多无人机协同任务规划的研究主要集中在任务分配和路径规划.基于蚁群算法建立了针对目标群简化的数学模型,解决了侦查无人机滞留防御方雷达探测范围内的时间总和最小的航线优化问题,完成了无人机侦查任务拟制最佳路线和调度策略,实现了多无人机的协同任务规划.     

多异构无人机任务规划的分布式一体化求解方法

针对多异构固定翼无人机对已知目标群执行侦查、打击、评估任务的规划问题,提出了一种分布式一体化求解方法,该方法将任务执行耗时约束和协同攻击约束加入到协同任务规划模型(CMTAP)中,基于分布式规划架构,通过改进遗传算法的基因编码方式和相关遗传算子,完成任务分配和航迹生成两个子问题的一体化求解。将任务完成的总时间指标加入到代价函数中,保证了各无人机规划航迹的均匀性。建立固定翼无人机六自由度模型,采用矢量场航迹跟踪算法验证了该方法的可用性,并通过蒙特卡洛数学仿真,验证了该方法的快速性。     

时序耦合约束下的多无人机协同任务决策研究

针对多无人机协同执行压制敌防空系统任务时各任务间所具有的特定时序耦合约束,建立相应的异构多无人机协同任务决策模型,提出了一种基于遗传算子的混合引力遗传搜索算法(GSA-GA)来进行问题求解,针对任务之间的时序耦合约束特点,设计了相应的编解码模式,融合遗传算法特有的交叉、变异操作算子对GSA-GA中的个体进行最优解搜索,仿真结果表明该算法能够有效地解决具有时序耦合约束时的多异构无人机协同任务决策问题。通过与传统DPSO算法进行对比分析,不仅具有明显的性能提升,且算法的编解码更易于操作,从而为无人机执行具有时序耦合约束任务时的协同任务分配问题提供了科学的决策依据。     

航迹预测的多无人机任务规划方法

为提高无人机自主控制性能,实现任务分配与航迹规划整体架构,提出一种基于航迹预测的多无人机任务规划方法.首先,将禁飞区考虑为更接近真实场景的多边形模型;然后,使用改进A*航迹预测算法生成任意两个航迹点间障碍规避后的最短路径,利用该路径近似航迹航程作为任务分配过程的输入信息,建立目标函数,采用改进PSO算法求取最优结果;最后,使用B样条曲线平滑分配后的路径组合,生成无人机可飞行航迹.仿真结果表明,该方法能够以较高的计算速度和精度生成近似最优的任务分配结果和满足飞行约束的平滑航迹.     

基于多目标优化的大型项目任务分配模型

大型项目任务分配问题的多目标、多变量、多约束、大组合等特点,使得任务分配费时、费力.文中分别以利润最大且延期较短和无延期且利润最大为目标,利用时间序列分析方法,将贪婪算法和多目标优化问题相结合,建立两个基于多目标优化的大型项目任务分配模型.利用两个模型分别确定某大型项目的任务分配方案,仿真结果表明:两个模型和算法均最大限度降低了大型项目任务分配问题的时间复杂度,有效地解决了任务分配费时、费力这一问题.     

无人机群协同作战任务分配方法研究

针对战场环境的多目标、多任务以及无人机能力有限等特点,设计了一种适应于多目标、多无人机、多任务种类的无人机群协同多任务分配模型。结合该模型以及其中的任务偏序约束、协同任务约束、无人机能力约束等约束条件提出了基于任务序列的遗传算法染色体编码方法,和基于同类任务的遗传算法交叉、变异算子。该方法利用遗传算法的全局搜索优化解特点,对无人机群的协同任务分配进行优化。仿真试验表明该方法能够保证满足任务分配约束条件的基础上使任务的分配更加优化。     

基于不完备区间信息的多无人机任务分配

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。     

运动学约束条件下多AUV任务分配算法

针对运动学约束的自治水下机器人(AUV)任务分配与路径规划问题,本文以多个AUV组成的系统为研究对象,将Dubins Path算法与改进的自组织映射(SOM)神经网络算法相结合,提出一种在运动学约束条件下多AUV任务分配与路径规划算法。通过SOM神经网络方法对多AUV进行任务分配后,若存在运动学约束或障碍物而导致无法进行Dubins路径规划时,则重新进行任务分配,直到所有目标点都有AUV到达。仿真结果表明该算法能够有效完成运动学约束条件下多AUV的任务分配。     

多无人机协同编队飞行控制研究现状及发展

无人机在军事和民用应用上越来越广泛,为使无人机能够更好地发挥作用,需要采用多无人机编队飞行控制来实现协同侦察、作战、防御及喷洒农药等任务.多无人机协同编队控制技术主要包括信息感知技术、数据融合技术、任务分配技术、航迹规划技术、编队控制技术、通信组网技术和虚拟/实物验证实验平台技术等.首先对国内外多无人机编队相关技术的现状和进展进行综述,然后重点对多无人机编队控制方法进行分析,并对队形设计、队形调整和队形重构等问题进行归纳总结,最后对多无人机协同编队所面临的机遇和挑战进行了展望.结果表明:目前多无人机编队飞行理论方面取得了丰硕成果,但是实物飞行试验仅能实现简单通信环境下的协同编队飞行,任务分配和航迹规划实时性不高,控制方法应对突发情况鲁棒性低,多机多传感器协同感知能力不足,欠缺对实体的仿真实现,未来的研究方向应是突破上述关键技术的不足,开展复杂感知约束和复杂通信环境下的多无人机协同编队飞行研究,提出更加有效的控制方法,并进行多无人机实物编队飞行试验,使无人机能够更好地完成既定任务.     

面向多点侦察和通信服务的多无人机协同任务分配

针对多无人机对多个异构任务目标进行侦察和通信服务的协同优化问题,通过考虑不同目标的任务要求和价值,以及多机协同增益与任务行为制约关系,构建斯坦伯格博弈模型,将上层无人机建立为博弈领导者,下层无人机建立为博弈的跟随者,并提出一种分布式策略更新迭代算法,实现了多无人机任务分配方案的稳定收敛以及系统任务收益优化.仿真结果显示,所提方法能有效提升多无人机系统同时完成多个任务的效益,并能在不同环境下实现面向异构任务价值的高效协同.     

空战多目标集群攻击算法研究

针对传统多机空战中解算多机攻击策略需要很大计算量,不宜进行攻击任务分配问题,文章提出在我方多机不同编队视角下,采用改进的FCM算法将空战多目标根据目标属性相似性平均进行聚类划分,综合考虑聚类后各个类成员,运用熵理论处理空战客观信息,确定目标各个属性权重,解算不同编队视角下的各个类威胁以及不同聚类结果对我方编队的威胁度,得出最优聚类结果,采用矩阵法将划分的目标类与我方各个编队进行攻击配对,解算最终攻击分配方案.运用该法研究多目标集群聚类攻击问题,建立集群聚类攻击数学模型,并进行仿真研究.仿真结果表明该算法合理和有效.     

改进链式多种群遗传算法的防空火力任务分配

为化解敌方空袭的威胁,提高中等规模防空火力任务分配问题的求解效率,提出一种性能优越的链式多种群遗传算法(CMPGA)。首先建立改进的防空火力任务分配模型,综合考虑目标威胁程度、可拦截性判断等因素。目标威胁程度考虑目标的高度、速度、射程以及相对距离等威胁因素。可拦截性判断考虑时间约束、空间约束和性能约束,并将其融入杀伤概率的计算中,以简化模型的约束条件。其次提出CMPGA算法求解中等规模防空火力的最优任务分配方案。算法中综合运用了种群重复个体的数量限制策略、适应度相近个体的交叉变异策略、陷入局部极值时部分较优解的删除策略、链式环中种群当前最优解的传递策略。算法充分利用多种群并行搜索的优点,加快收敛速度,持续保持种群多样性,避免陷入局部极值。在标准测试函数的仿真以及防空火力任务分配问题的应用中,通过与几种典型优化算法的对比分析,结果表明CMPGA算法的性能优势较大,能以较高的概率快速地搜寻到最优解,从而验证了该算法的有效性和优越性。     

基于分层规划思想的无人机协同优化

无人机自身具有的航空特性和可以进行大面积巡查的特点,使得其在洪水、旱情、地震等自然灾害实时监测方面具备特别优势.在完成灾情巡查、生命迹象探测、通信中继和对地数据传输等协同任务时,需要对无人机进行任务分配与航迹规划.对于无人机巡查重点区域任务规划问题,基于分层规划思想建立了多旅行商数学模型,并使用遗传算法进行求解.首先分配重点区域之间的无人机任务,其次再规划重点区域内部无人机的路线,最后根据无人机的限制条件,在既定路线上进一步优化无人机路线.     

基于HACO-ALNS的车辆与无人机协同配送问题研究

针对物流配送需求增大、“最后一公里”交付困难、车辆或无人机配送均具有一定局限性等问题,作者提出了带有动态能耗约束的车辆与无人机协同配送问题,以最小化总配送成本为目标建立了混合整数规划模型,在约束中考虑了无人机一次起飞可完成多点配送、客户点差异等限制。设计了一种基于自适应大邻域搜索的混合蚁群算法进行求解,在蚁群算法中融入遗传算法,设计新的启发式因子。实验结果表明,该算法在不同规模算例上均具有良好的求解精度和运行速度。与不同配送模式的对比表明,多点配送的无人机装载率比单点配送高22.1%,动态能耗模式的成本与固定能耗相比平均降幅为3.31%。     

共享资源约束下多核实时任务分配算法

为了提高多核实时系统任务分配效率,研究分组固定优先级调度策略下的任务分配算法.通过分析核间任务阻塞对任务最坏情况响应时间产生的影响,提出由于任务间共享资源冲突而引发了任务分配故障问题;指出负载非均衡算法,如First-fit算法、Best-fit算法容易引发任务分配故障.为了避免该问题,提出基于分组与负载均衡的任务分配算法.该算法将存在访问共享资源冲突的任务分配到同一核上,以避免核间任务阻塞;当这些任务无法分配到同一核上时,将这些任务依次分配到当前负载最轻的核上以避免任务分配故障.可调度性分析实验表明,采用该算法可以避免任务分配故障,减少分配任务所需的处理器核数(比Worst-fit算法少10%～40%).     

双层优化的多无人机合作式冲突探测与解脱

为解决多无人机基于航向的合作式短期冲突探测与解脱问题,提出一种局部集中双层优化的合作式方法.首先将既有冲突约束与潜在冲突约束视为同一类型约束,以保证多无人机冲突问题在最大范围内求解,并设计了基于采样的冲突探测方法;通过旋转局部坐标系减少了搜索的可行区域数量,且分析了终点约束与切线约束两种解脱约束条件;然后运用图论的方法对多无人机冲突问题进行冲突关系划分,将由机动导致的无人机额外飞行距离作为解脱代价设计了机动代价函数,为求解所设计的机动代价函数这个非线性优化问题提出了双层优化策略,即先利用随机并行梯度下降法(stochastic parallel gradient descent,SPGD)搜索航向解脱的初始可行解,再运用序列二次规划(sequential quadratic programming,SQP)求得最优解以进行最优的航向解脱. 最后运用蒙特卡洛法对算法进行了可靠性评价.结果表明,本方法能够满足在线规划的需要,在解脱开始距离D_avo=τ×v_i（τ=25 s）的情况下能够实现100%的冲突解脱,该方法能够在保证多无人机冲突解脱安全性的基础上减少机动消耗.     

一种基于改进粒子群算法的机载多传感器任务分配方法

分析了机载多传感器任务分配问题的特点,建立了机载多传感器任务分配模型。为解决传统粒子群算法存在的局部收敛、收敛较慢等问题,在现有的粒子群算法基础上,调整算法结构与参数,引入方向系数和远离因子来控制粒子远离最劣解的速度和方向,使其在向最优解移动的同时远离最劣解;基于改进后的粒子群算法提出了一种以最大探测概率为目标函数的机载多传感器任务分配方法,并进行了算法仿真。仿真结果表明,算法可以进行有效的任务分配,并能够提升分配效果。     

基于蚁群算法的多Agent任务分配方法

针对多Agent任务分配问题,结合蚁群算法的思想,设计了基于图的任务分配数学模型,提出了基于蚁群算法的多Agent任务分配方法,并通过实验与3个经典方法进行比较和分析,探讨了蚂蚁数对求解结果的影响。实验结果表明,所提出的算法是有效的。     

具有隐私保护的车联网空间众包任务分配方法

为了解决传统车联网空间众包中集中式空间众包服务器不可信和易遭受攻击给用户隐私带来极大威胁的问题,提出区块链架构下具有隐私保护的车联网空间众包任务分配方法. 基于区块链技术,设计分布式可信的车联网空间众包系统. 采用多密钥全同态加密算法实现任务分配,支持对不同车辆用户 (密钥) 的密文数据进行任务分配,降低隐私泄露的可能性. 实验分析表明,采用该方法能够有效地保护用户隐私信息,任务分配的计算时间开销与现有研究方法相比下降了34.3%,提高了任务分配的效率.