基于自适应灰狼优化算法的无人机协同攻击多目标任务分配方法

本发明涉及无人机任务分配，具体涉及一种基于自适应灰狼优化算法的无人机协同攻击多目标任务分配方法。

背景技术：

1、随着传感器、智慧芯片、无线通信等技术和无人机的发展，在未来战场中，无人机群自主协同作战大有可为，也是无人化作战的发展趋势。多无人机协同作战能够提高无人机的作战效能，是无人机的发展方向。在多无人机协同作战中，多目标的任务分配问题是需要研究的重要问题之一。

2、在任务分配问题上，目前常用的算法包括改进的粒子群优化算法(ipso)、蚁群算法(aco)、遗传算法(ga)、灰狼优化算法(gwo)等，在建立动态任务分配模型的基础上，可以采用各种优化方法对问题进行求解。但是传统启发式算法容易过早收敛，陷入局部最优解；或者在应对动态环境时，不能及时地给出最优分配方案。因此，当前启发式算法是在计算时间和分配效果之间进行折中，以得到可接受的近优解或者满意解。

技术实现思路

1、要解决的技术问题

2、针对传统算法对动态任务分配问题的求解速度慢、求解精度不高的缺点，本发明提出一种基于自适应灰狼优化(self-adaptive gwo,sa-gwo)算法的动态任务分配方法。该方法根据多无人机攻击多目标任务分配模型的动态特点，提出了具有自适应的灰狼优化算法，对目标任务序列编码与适应度函数进行设计，给出了基于自适应gwo算法的动态任务分配流程。

3、技术方案

4、一种基于自适应灰狼优化算法的无人机协同攻击多目标任务分配方法，其特征在于步骤如下：

5、步骤1：定义任务时间片长度tslice；根据估算最小的任务飞行时间min(tm×n)，将其划分为nt个时间片；

6、步骤2：初始化无人机与目标的信息，在分配开始之前，获取初始无人机的位置、数量、速度以及其武器信息，探测得到目标的位置、数量和机动性；计算目标的威胁概率和无人机对目标的毁伤概率；

7、步骤3：初始化参数，设置自适应灰狼优化算法gwo的基本参数：控制参数最大值amax和最小值amin，gwo参数a、c，搜索方程的惯性权重w，最大迭代次数genmax，搜索空间智能个体数为n；

8、步骤4：随机生成一组实数并基于编码生成初始的无人机-目标攻击分配关系，即初始的任务分配方案；

9、步骤5：当t＝0时，根据自适应灰狼优化算法，计算初始最优任务分配方案；

10、步骤6：无人机根据初始分配方案，对将要执行的任务目标进行动态追踪；

11、步骤7：在第一个时间片开始时，获取无人机失效信息与目标是否发生变化；

12、步骤8：在时间片内，根据变化的信息和灰狼优化算法生成迭代分配方案，寻求信息变化后的最优分配方案；

13、步骤9：在时间片末，根据步骤8的最优方案，利用追踪法更新无人机的位置信息，并且输出最优分配结果；

14、步骤10：在下一个时间片或者在t+tslice时刻，重复步骤7～步骤9，直到t≥min(tm×n)或者开始执行航路规划层的时候，输出最终结果。

15、本发明进一步的技术方案：步骤5所述的自适应灰狼优化算法包括以下子步骤：

16、子步骤5.1：初始化灰狼种群，即随机产生n个智能个体的位置和速度；初始化a、a和c；初始化w；初始化最优的三个智能个体xα、xβ和xδ的值；所述的智能个体为任务分配方案；

17、子步骤5.2：处理越界智能个体，根据威胁概率和毁伤概率信息设计相应的适应度函数，计算每个智能体的适应度值ji，计算个体xα、xβ和xδ的适应度值jα、jβ和jδ，计算灰狼群的平均适应度值javg；

18、子步骤5.3：将第i个智能个体的适应度值ji与jα、jβ和jδ相比较，i＝1,2,...,nagent：如果ji＜jα，则将智能个体i设置为新的xα；如果jα＜ji＜jβ，则将智能个体i设置为新的xβ；如果jβ＜ji＜jδ，则将智能个体i设置为新的xδ；

19、子步骤5.4：根据控制参数非线性调整策略的二次曲线特性，调节控制参数a随迭代次数增加而非线性递减，计算出各个优解的a和c；

20、子步骤5.5：根据当前智能个体适应度值ji与灰狼群平均适应度值javg，采用自适应调整策略更新当前智能个体的位置；

21、子步骤5.6：通过跳出局部最优策略，使智能个体跳出局部最优解的区域，保留优解xα、xβ和xδ；

22、子步骤5.7：根据最优学习搜索方程，计算种群学习最优解搜索方向；

23、子步骤5.8：记录当前迭代最优解xα和相应的最优适应度值，最优解xα即最优任务分配方案；

24、子步骤5.9：如果达到结束条件，则结束；否则转到子步骤5.2。

25、本发明进一步的技术方案：子步骤5.4所述的控制参数非线性调整策略为：

26、利用二次曲线在区间[0,1]上非线性递增，将灰狼优化算法的迭代次数映射到[0,1]上，控制参数调整策略为：

27、a＝amax-(amax-amin)(t/tmax)2  (1)

28、其中，amax和amin是控制参数的最大值和最小值，分别取2和0；t为当前迭代次数；tmax为最大迭代次数。

29、本发明进一步的技术方案：子步骤5.5所述的自适应调整策略为：

30、将当前个体的适应度值ji与灰狼群的平均适应度值javg进行比较，如果ji优于javg，继续使用原策略更新灰狼位置；如果ji次于javg，利用xα、xβ和xδ三个灰狼的适应度值变异灰狼位置；

31、在变异中，要更新个体的学习较优个体位置信息概率与适应度值成比例，原种群中较优个体中适应度值越小的个体，新个体要学习其位置信息的概率越大；创建一个与适应度值成比例的概率分布，通过该分布进行变异xα、xβ和xδ这三个解：

32、

33、aj＝1/jα+1/jβ+1/jδ  (3)

34、其中，jα、jβ和jδ分别为xα、xβ和xδ的适应度值。

35、本发明进一步的技术方案：子步骤5.6所述的跳出局部最优策略为：

36、对更新后的位置进行重置，通过最优个体与当前个体之间的位置矢量差随机控制当前个体不在最优解的区域内：

37、

38、式中，为跳出局部最优的智能个体位置；为位置更新后的智能个体位置；为[-2,-1]和[1,2]的随机数。

39、本发明进一步的技术方案：子步骤5.7所述的最优学习搜索方程为：

40、

41、x″i(t+1)＝x′i(t)+vi(t+1)  (6)

42、式中，vi为第i灰狼当前速度；yi为第i灰狼最优位置；xi′为第i灰狼当前位置；xα为种群中最优位置；x″为学习后的位置；w为惯性权重；和μi,j分别为[-1,1]和[0,1.5]的随机数。

43、一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。

44、一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。

45、有益效果

46、本发明根据自适应调整策略、最优学习搜索方程、跳出局部最优策略和控制参数非线性调整策略，提出了一种基于自适应灰狼优化算法的无人机协同攻击多目标任务分配方法。解决了多无人机攻击多目标任务分配问题，对目标任务序列进行编码；设计了适应度函数；仿真实验结果验证了sa-gwo算法的求解有效性，与基于ipso、aco、ga、gwo算法的任务分配仿真实验相比较验证了sa-gwo算法的求解精度与优化速度。本发明在多无人机协同攻击多目标的任务分配上优于ipso、aco、ga、gwo等一般算法，具有重要的应用价值。