一种基于改进模拟退火融合遗传算法的多无人机任务分配方法

1.本发明涉及一种基于改进模拟退火融合遗传算法的多无人机任务分配方法，属于无人机分配算法技术领域。


背景技术：

2.随着科技的发展，无人机被应用在各种领域，无人机可以代替人们做一些任务，但是，当任务较多时，由一架去执行任务时，具有局限性。由多无人机去执行任务，可以提高任务完成的效率，减少风险性。无人机任务分配属于组合优化问题，任务的分配顺序决定了收益大小、完成效率的高低。同时，多无人机任务分配受多种约束条件的约束，在保证无人机能够安全、顺利地抵达任务点的同时还需要按顺序去执行任务。设计一个能快速求解任务分配顺序的方法很重要。
3.针对多无人机侦察任务分配问题的约束条件，现有提出了一种双染色体编码方法，染色体i为任务的分配顺序，染色体ii为在染色体i中切割的位置。在执行选择操作时，只对染色体i进行选择操作，通过在初始种群与相反种群中各选择一半具有更好适应度值的个体作为子代。进行交叉操作时，将选择操作得到的子代进行部分映射交叉操作。在进行变异操作时，为了增加种群的多样性，对染色体i和染色体ii采用不同的变异操作。对染色体i进行翻转变异、交换变异以及滑动变异。翻转变异为随机在染色体i上选两个位置，并将两点之间的基因进行颠倒；交换变异为在染色体i上随机选两个位置并交换该两个基因；滑动变异为随机在染色体i上选择两个位置，然后将第一个位置上的基因移动到所选子串的末端，并且所选子串的剩余基因滑动向前。
4.在上述双染色体遗传算法中(双染色体即染色体i以及其反编码的染色体i)，通过选择、交叉以及变异操作之后，可以选出适应度较好的子代，但是变异操作是从染色体i以及其反编码的染色体i中各选出一半适应度较好的子代，而染色体i与其反编码的染色体i之间未进行交流。同时，在进行交叉操作时会出现基因冲突问题。


技术实现要素：

5.本发明为了能够提高种群的多样性以及求解效率，提出一种基于改进模拟退火融合遗传算法的多无人机任务分配方法，同时将航迹长度作为影响任务分配的因素之一，通过提出采用离线的方式进行航迹预测，将航迹预测与任务分配作为两个模块，将航迹预测的结果作为任务分配的输入，即两个模块为串联模式；有效地提高求解任务分配的效率。为解决上述问题，本发明所采取的技术方案是：
6.一种基于改进模拟退火融合遗传算法的多无人机任务分配方法，包括以下步骤：
7.步骤s1，采用离线的方式，通过a*算法求解航迹长度，并将航迹长度作为影响任务分配的因素之一；
8.步骤s2，将无人机的特性划分为无人机价值、无人机侦察能力以及无人机打击能
力；将任务特性划分为任务反侦察能力和任务反打击能力；
9.步骤s3，通过编码的方式来表达无人机任务分配的顺序，获得染色体i编码；利用双染色体多变异算子遗传算法，通过染色体ii对染色体i进行断点；
10.步骤s4，通过轮盘赌的方式对初始种群染色体i执行选择操作；
11.步骤s5，通过选择操作得到的新的种群再经过交叉操作，当父代染色体ii中交叉点位置上的基因与父代染色体i中除要交叉位置以外的基因相同时则进行排除冲突操作；
12.步骤s6，对染色体i采用3种变异操作，即翻转变异、交换变异以及滑动变异；对染色体ii采用1种变异，即突变变异；
13.步骤s7，利用改进的模拟退火算法进行再选择操作。
14.作为本发明的进一步改进，步骤s1中，通过a*算法求解航迹长度的结果如下：
15.通过假设的无人机坐标以及任务坐标，利用a*算法求得的无人机1、无人机2到各个任务的距离以及任务之间的距离如下表所示，
[0016][0017]
将无人机飞行航迹用矩阵表示如公式(1)所示，
[0018][0019]
其中，i(i＝1,
…
,5)表示无人机在执行任务的过程中，每一段起点的位置；j(j＝1,
…
,5)表示无人机在执行任务的过程中，每一段目标点的位置。
[0020]
作为本发明的进一步改进，步骤s2中，所述无人机价值为无人机自身的价值，在无人机执行任务时，存在被任务目标攻击的风险，考虑该无人机自身的侦察能力以及打击能力，并与无人机团队中其它的无人机进行比较，确定出最适合去执行该任务的无人机，将无人机执行任务的风险降到最低；
[0021]
假设各无人机的特性值如下表所示，
[0022][0023]
则对于无人机特性值用公式(2)表示，
[0024][0025]
其中，m(m＝1,2,3)表示无人机特性值属性；s(s＝1,2)表示无人机的型号。
[0026]
作为本发明的进一步改进，假设任务的特性值如下表所示，
[0027][0028]
则对于任务的特性值用公式(3)表示，
[0029][0030]
其中，t(t＝1,2,3)表示任务的型号；a(a＝1,2)表示任务的特性属性。
[0031]
作为本发明的进一步改进，步骤s3中，所述染色体i上的基因代表着不同的含义，第一个位置的基因代表着无人机对任务1执行侦察任务，第二个位置的基因代表着无人机对任务1执行打击任务，第三个位置的基因代表着无人机对任务2执行侦察任务，第四个位置的基因代表着无人机对任务2执行打击任务，第五个位置的基因代表着无人机对任务3执行侦察任务，第六个位置的基因代表着无人机对任务3执行打击任务。
[0032]
作为本发明的进一步改进，染色体ii对染色体i进行断点方法如下：
[0033]
通过染色体ii中基因所代表的数为断点，断点前面的染色体i的基因为无人机1去执行的任务，断点后面的染色体i的基因为无人机2去执行的任务；
[0034]
染色体ii中的基因数根据无人机的数量来决定，如公式(4)所示，
[0035]
n
dnaii
＝n
uav
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0036]
其中，n
dnaii
表示染色体ii中基因的个数，n
uav
为无人机的个数；
[0037]
而染色体ii中基因编码的数值范围的最大值由染色体i的长度决定，如公式(5)所示。
[0038]
g
dnaii
＝l
dnai
+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0039]
其中，g
dnaii
为染色体ii中基因编码的数值范围的最大值；l
dnai
为染色体i的长度。
[0040]
作为本发明的进一步改进，步骤s4中，所述选择操作的步骤为：
[0041]
s41，初始种群通过适应度函数得到适应度值；
[0042]
s42，使用轮盘赌方法对初始种群对应的适应度值进行选择操作；
[0043]
通过以上选择操作，得到的种群为基于初始种群随机选取的个体组成的新的种群。
[0044]
作为本发明的进一步改进，步骤s5中，所述交叉操作的步骤为：
[0045]
s51，p
c
＞＝rand，其中p
c
为交叉概率，rand为0
‑
1之间的随机数，通过随机数与交叉概率进行比较，如果满足交叉概率比随机数大，则进行交叉操作，否则不进行交叉操作；s52，交叉操作为从种群中取两个染色体为父代染色体，随机选择一个交叉点位置为父代的交叉位置，当父代ii染色体中交叉点位置上的基因与父代i染色体中除要交叉位置以外的基因相同时，即产生冲突，应采用排除冲突操作，将父代i染色体交叉点位置上的基因与产
生冲突位置上的基因进行交换；同时，将父代i染色体中交叉点位置上原本的基因与父代ii染色体上的基因进行比较，若产生冲突，将父代染色体ii交叉点位置上的基因与产生冲突位置上的基因进行交换。之后再将父代染色体i和父代染色体ii中需要交叉的基因进行交叉。
[0046]
作为本发明的进一步改进，步骤s6中，
[0047]
所述翻转变异为随机在染色体i上选两个位置，并将两点之间的基因进行颠倒；
[0048]
所述交换变异为在染色体i上随机选两个位置并交换该两个基因；
[0049]
所述滑动变异为随机在染色体i上选择两个位置，然后将第一个位置上的基因移动到所选子串的末端，并将所选子串的剩余基因滑动向前；
[0050]
所述变异操作过程如下：将进行完交叉操作的种群根据3种变异操作进行分组，每一组有8条染色体；每一组中第一个染色体为分组中适应度最好的染色体，同时保留该组中第一个染色体，第二个染色体为第一个染色体进行翻转变异之后得到的染色体，第三个染色体为第一个染色体进行交换变异之后得到的染色体，第四个染色体为第一个染色体进行滑动变异之后得到的染色体；该组中，后四条染色体与前四条染色体相同；对于分组剩下不足以组成分组的染色体进行保留；每组中前4条染色体对应的染色体ii为未突变前的染色体ii，而每组中后4条染色体对应的染色体ii为突变后的染色体ii；
[0051]
对于变异操作，如公式(6)所示，
[0052]
p
m
＞＝rand
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0053]
其中，p
m
为变异概率，rand为0
‑
1之间的随机数，当变异概率大于等于随机数时，执行变异操作；
[0054]
该染色体i在执行完变异操作之后，以染色体ii突变之前的状态为断点对每组的前4条染色体进行任务分配，之后该染色体i以染色体ii突变之后的状态为断点对每组的后4条染色体进行任务分配，并组合为一个新的种群。
[0055]
作为本发明的进一步改进，在执行完变异操作之后，进行反编码操作，即如编码为1
‑3‑2‑4‑5‑
6，则其相反编码为6
‑4‑5‑3‑2‑
1；
[0056]
对变异之后的种群进行再选择操作过程如下：由于变异之后的种群是由种群编码中较优的一半与其反编码的种群中较优的一半进行的组合，所以将变异之后种群中剩下的一半与反编码中被选中的一半通过改进的模拟退火算法进行再选择操作；
[0057]
改进的模拟退火算法对新解的采用新的接受准则，如公式(7)所示，
[0058]
y
min
≤|now
‑
before|≤y
max
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0059]
其中，now为当前时刻任务分配顺序对应的适应度函数值，before为上一时刻任务分配顺序对应的适应度函数值，y
min
、y
max
为阈值的最小值及最大值。阈值的最大值及最小值根据算法中适应度函数值数据的差值所设置。
[0060]
采用上述技术方案所产生的有益效果在于：
[0061]
在双染色体多变异算子遗传算法中，在进行交叉操作时会出现基因冲突问题，通过采用本发明对基因冲突问题的解决，相当于在进行交叉操作时，对染色体引入了小变异，可以提高交叉操作后种群的多样性。
[0062]
本发明能够提高种群的多样性以及求解效率，提出改进模拟退火融合遗传算法。本发明采用编码表示无人机的任务顺序，对遗传算法进行二次选择操作，并在二次选择操
作中使用改进的模拟退火算法。通过设置阈值以改进模拟退火算法中接受新解的接受准则，进而提高二次选择操作对种群多样性的促进作用，同时将航迹长度作为影响任务分配的因素之一，通过提出采用离线的方式进行航迹预测，将航迹预测与任务分配作为两个模块，将航迹预测的结果作为任务分配的输入，即两个模块为串联模式。有效地提高求解任务分配的效率。
附图说明
[0063]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0064]
图1是无人机及任务分布图；
[0065]
图2是无人机自身的特性示意图；
[0066]
图3是任务的自身特性示意图；
[0067]
图4是染色体i(dna i)编码示意图；
[0068]
图5是染色体ii(dna ii)对染色体i(dna i)进行断点示意图；
[0069]
图6是交叉操作示意图；
[0070]
图7是翻转变异示意图；
[0071]
图8是交换变异示意图；
[0072]
图9是滑动变异示意图；
[0073]
图10是改进的遗传算法流程图；
[0074]
图11是改进的模拟退火算法流程图。
具体实施方式
[0075]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本技术及其应用或使用的任何限制。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0076]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0077]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。
[0078]
因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0079]
在本技术的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本技术保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
[0080]
本实施例所涉及的术语含义如下：
[0081]
1)编码：通过编码来代表无人机执行任务的顺序，例如：6
‑2‑3‑1‑5‑
4。
[0082]
2)适应度函数：为了评价任务分配顺序是否是最好的，通过适应度函数值来反应。
[0083]
3)轮盘赌法：给出n行1列的矩阵，并对该矩阵进行累加求和，即第一行的数不变，第二行的数为第一行的数与第二行的数相加，同样的，第三行的数为第一行的数与第二行的数以及第三行的数相加所得，以此类推。之后再用每行的数点除累加求和后所有数的总和，再将每行的数与一个随机数(0
‑
1之间的数)进行比较，大于随机数的进行保留，之后取保留的数据中的第一个数所对应的其之前的行数。
[0084]
4)种群：由多条染色体组成。每条染色体代表一个不同的分配顺序。
[0085]
5)基因：染色体上的某一个分配顺序号。
[0086]
6)uav:为无人机的英文缩写。全称为unmanned aerial vehicle。
[0087]
本实施例为了能够提高种群的多样性以及求解效率，提出一种基于改进模拟退火融合遗传算法的多无人机任务分配方法，包括以下步骤：
[0088]
步骤s1，采用离线的方式，通过a*算法求解航迹长度，并将航迹长度作为影响任务分配的因素之一；
[0089]
步骤s2，将无人机的特性划分为无人机价值、无人机侦察能力以及无人机打击能力；将任务特性划分为任务反侦察能力和任务反打击能力；
[0090]
如图10所示，后续步骤采用改进模拟退火融合遗传算法：
[0091]
步骤s3，通过编码的方式来表达无人机任务分配的顺序，获得染色体i编码；利用双染色体多变异算子遗传算法，通过染色体ii对染色体i进行断点；
[0092]
步骤s4，通过轮盘赌的方式对初始种群染色体i执行选择操作；
[0093]
步骤s5，通过选择操作得到的新的种群再经过交叉操作，当父代染色体ii中交叉点位置上的基因与父代染色体i中除要交叉位置以外的基因相同时则进行排除冲突操作；
[0094]
步骤s6，对染色体i采用3种变异操作，即翻转变异、交换变异以及滑动变异；对染色体ii采用1种变异，即突变变异；
[0095]
步骤s7，利用改进的模拟退火算法进行再选择操作。
[0096]
如图1所示，对于多无人机任务分配，为了能够使得无人机合理、有效、安全地完成任务，对无人机的特性以及所要执行的任务的特性需要进行详细的了解，同时，不同的分配顺序影响着收益的大小以及风险的高低。在无人机执行任务的过程中，需要保证无人机能够安全地在该环境下飞行，同时选择一条航迹最短的飞行航迹有利于提高收益，减少油耗。
[0097]
为了能够减少无人机的油耗，增大收益，无人机的航迹长度作为任务分配影响因
素之一。无人机在执行任务时，每个子任务只能由一架无人机去执行，而一架无人机可以执行多个子任务。同时，无人机在执行完任务之后，应飞回起点。在整个执行任务的过程中，为了能够减少算法求得任务分配顺序的时间，对无人机航迹长度的计算采用离线模式。通过a*算法求得航迹长度。
[0098]
步骤s1中，通过a*算法求解航迹长度的结果如下：
[0099]
通过假设的无人机坐标以及任务坐标，利用a*算法求得的无人机1、无人机2到各个任务的距离以及任务之间的距离如下表所示，
[0100][0101]
将无人机飞行航迹用矩阵表示如公式(1)所示，
[0102][0103]
其中，i(i＝1,
…
,5)表示无人机在执行任务的过程中，每一段起点的位置；j(j＝1,
…
,5)表示无人机在执行任务的过程中，每一段目标点的位置。
[0104]
在执行任务时，了解无人机本身的特性对给无人机进行任务分配是有必要的。如图2所示，步骤s2中，所述无人机价值为无人机自身的价值，在无人机执行任务时，存在被任务目标攻击的风险，考虑该无人机自身的侦察能力以及打击能力，并与无人机团队中其它的无人机进行比较，确定出最适合去执行该任务的无人机，将无人机执行任务的风险降到最低；
[0105]
假设各无人机的特性值如下表所示，
[0106][0107]
则对于无人机特性值用公式(2)表示，
[0108][0109]
其中，m(m＝1,2,3)表示无人机特性值属性；s(s＝1,2)表示无人机的型号。
[0110]
如图3所示，任务的自身特性包括反侦察能力和反打击能力；
[0111]
假设任务的特性值如下表所示，
[0112][0113]
则对于任务的特性值用公式(3)表示，
[0114][0115]
其中，t(t＝1,2,3)表示任务的型号；a(a＝1,2)表示任务的特性属性。
[0116]
步骤s3中，无人机任务分配问题为组合优化问题，通过编码的方式来表达任务分配的顺序，由图4所示，染色体上的基因代表着不同的含义，第一个位置的基因代表着无人机对任务1执行侦察任务，第二个位置的基因代表着无人机对任务1执行打击任务，第三个位置的基因代表着无人机对任务2执行侦察任务，第四个位置的基因代表着无人机对任务2执行打击任务，第五个位置的基因代表着无人机对任务3执行侦察任务，第六个位置的基因代表着无人机对任务3执行打击任务。
[0117]
染色体ii对染色体i进行断点方法如下：
[0118]
在双染色体多变异算子遗传算法中，通过图5中的染色体ii中基因所代表的数为断点，断点前面的染色体i的基因为无人机1去执行的任务，断点后面的染色体i的基因为无人机2去执行的任务。
[0119]
染色体ii中的基因数根据无人机的数量来决定，如公式(4)所示，
[0120]
n
dnaii
＝n
uav
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0121]
其中，n
dnaii
表示染色体ii中基因的个数，n
uav
为无人机的个数；
[0122]
而染色体ii中基因编码的数值范围的最大值由染色体i的长度决定，如公式(5)所示。
[0123]
g
dnaii
＝l
dnai
+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0124]
其中，g
dnaii
为染色体ii中基因编码的数值范围的最大值；l
dnai
为染色体i的长度。
[0125]
作为本发明的进一步改进，步骤s4中，所述选择操作的步骤为：
[0126]
s41，初始种群通过适应度函数得到适应度值；
[0127]
s42，使用轮盘赌方法对初始种群对应的适应度值进行选择操作；
[0128]
通过以上选择操作，得到的种群为基于初始种群随机选取的个体组成的新的种群。
[0129]
作为本发明的进一步改进，步骤s5中，所述交叉操作的步骤为：
[0130]
s51，p
c
＞＝rand，其中p
c
为交叉概率，rand为0
‑
1之间的随机数，通过随机数与交叉概率进行比较，如果满足交叉概率比随机数大，则进行交叉操作，否则不进行交叉操作；s52，交叉操作为从种群中取两个染色体为父代染色体，随机选择一个交叉点位置为父代的交叉位置，当父代ii染色体中交叉点位置上的基因与父代i染色体中除要交叉位置以外的基因相同时，即产生冲突，应采用排除冲突操作，将父代i染色体交叉点位置上的基因与产生冲突位置上的基因进行交换；同时，将父代i染色体中交叉点位置上原本的基因与父代ii染色体上的基因进行比较，若产生冲突，将父代染色体ii交叉点位置上的基因与产生冲突
位置上的基因进行交换。之后再将父代染色体i和父代染色体ii中需要交叉的基因进行交叉，如图6所示。
[0131]
作为本发明的进一步改进，步骤s6中，
[0132]
如图7所示，所述翻转变异为随机在染色体i上选两个位置，并将两点之间的基因进行颠倒；
[0133]
如图8所示，所述交换变异为在染色体i上随机选两个位置并交换该两个基因；
[0134]
如图9所示，所述滑动变异为随机在染色体i上选择两个位置，然后将第一个位置上的基因移动到所选子串的末端，并将所选子串的剩余基因滑动向前；
[0135]
所述变异操作过程如下：将进行完交叉操作的种群根据3种变异操作进行分组，每一组有8条染色体；每一组中第一个染色体为分组中适应度最好的染色体，同时保留该组中第一个染色体，第二个染色体为第一个染色体进行翻转变异之后得到的染色体，第三个染色体为第一个染色体进行交换变异之后得到的染色体，第四个染色体为第一个染色体进行滑动变异之后得到的染色体；该组中，后四条染色体与前四条染色体相同；对于分组剩下不足以组成分组的染色体进行保留；每组中前4条染色体对应的染色体ii为未突变前的染色体ii，而每组中后4条染色体对应的染色体ii为突变后的染色体ii；
[0136]
对于变异操作，如公式(6)所示，
[0137]
p
m
＞＝rand
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0138]
其中，p
m
为变异概率，rand为0
‑
1之间的随机数，当变异概率大于等于随机数时，执行变异操作；
[0139]
该染色体i在执行完变异操作之后，以染色体ii突变之前的状态为断点对每组的前4条染色体进行任务分配，之后该染色体i以染色体ii突变之后的状态为断点对每组的后4条染色体进行任务分配，并组合为一个新的种群。
[0140]
作为本发明的进一步改进，在执行完变异操作之后，进行反编码操作，即如编码为1
‑3‑2‑4‑5‑
6，则其相反编码为6
‑4‑5‑3‑2‑
1；
[0141]
为了能够增加种群的多样性，提高求解效率，对变异之后的种群进行再选择操作，对变异之后的种群进行再选择操作过程如下：由于变异之后的种群是由种群编码中较优的一半与其反编码的种群中较优的一半进行的组合，将变异之后种群中剩下的一半与反编码中被选中的一半通过改进的模拟退火算法进行再选择操作；
[0142]
模拟退火算法可以接受较劣的解，有利于使得遗传算法跳出局部最优，增加种群的多样性，提高求解效率。
[0143]
传统的模拟退火算法对于多无人机任务分配问题，在求解问题上，用时较长，效率较低。于是将传统的模拟退火算法中对新解的接受准则进行改进，如图11所示，采用新的接受准则，如公式(7)所示，
[0144]
y
min
≤|now
‑
before|≤y
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0145]
其中，now为当前时刻任务分配顺序对应的适应度函数值，before为上一时刻任务分配顺序对应的适应度函数值，y
min
、y
max
为阈值的最小值及最大值。阈值的最大值及最小值根据算法中适应度函数值数据的差值所设置。
[0146]
进一步的，为了能够充分体现任务分配的合理性，通过适应度函数值来进行评价。适应度函数由无人机执行任务的航迹长度、无人机的自身特性以及所执行任务的特性的加
权和所得。
[0147]
采用上述技术方案所产生的有益效果在于：
[0148]
在双染色体多变异算子遗传算法中，在进行交叉操作时会出现基因冲突问题，通过采用本发明对基因冲突问题的解决，相当于在进行交叉操作时，对染色体引入了小变异，可以提高交叉操作后种群的多样性。
[0149]
本发明能够提高种群的多样性以及求解效率，提出改进模拟退火融合遗传算法。本发明采用编码表示无人机的任务顺序，对遗传算法进行二次选择操作，并在二次选择操作中使用改进的模拟退火算法。通过设置阈值以改进模拟退火算法中接受新解的接受准则，进而提高二次选择操作对种群多样性的促进作用，同时将航迹长度作为影响任务分配的因素之一，通过提出采用离线的方式进行航迹预测，将航迹预测与任务分配作为两个模块，将航迹预测的结果作为任务分配的输入，即两个模块为串联模式。有效地提高求解任务分配的效率。