异构无人系统群协同作战任务规划方法
马 硕,马亚平
(国防大学,北京 100091)
摘 要 :为解决异构无人系统群协同作战使用问题,提出了无人系统任务规划模型及基于遗传算法的任务方案优化方法。该方法通过有向无环图和路径图描述任务协同关系,将无人系统任务联盟及对应的任务序列作为遗传算法染色体个体编码,通过任务联盟之间的变换实现遗传交叉算子;设计了任务联盟和任务序列的遗传变异方法,优化任务联盟之间的比例结构和无人系统任务负载。仿真结果表明,该方法能够较好地解决异构无人系统群任务规划问题。相对已有相关研究工作,具有更好的通用性。
关键词 :无人系统;协同作战;任务规划;集群;遗传算法
随着智能控制技术的发展,无人机(UAV)、无人水下航行器(UUV)、无人水面艇(USV)、无人地面车(UGV)等新型无人智能作战系统(统称UxV)将成为未来战争颠覆性的武器装备。无人系统发展初期,各领域、各部门根据自身需求,发展了种类、数量众多的专用无人装备[1],但随着现代战争复杂程度日益增加,由多类型异构无人系统组成“作战群”,实现跨域协同联合作战已成为重要的发展趋势[2],依靠传统的人工任务筹划手段或各型无人系统专用的任务规划工具已不能满足作战需求,因此需要研究合理的任务规划方法,对不同隶属部门、不同类型的无人系统集群协同作战进行统一管理。目前多无人系统协同任务规划问题解决方法主要分为线性规划模型[3]、约束满足问题模型[4]、启发式方法[5]、智能进化算法[6]等。遗传算法能够在有限的时间内获得相对较好的可行解,在基于遗传算法任务规划的建模、遗传操作等方面开展了较多的研究[7-8]。但目前大多数研究工作与具体应用领域相关,如UAV察打任务[9-12]、UUV水下搜索任务[13]、任务载荷投送[14-15]等,无人系统种类功能、作战任务类型以及数量相对较少,无人系统之间的协同关系相对简单,并需要结合特定领域知识开展有针对性地建模和求解算法设计,因此限制了任务规划方法的应用范围。
异构无人系统协同任务规划相对于单无人系统,任务类型、资源、数量以及任务协同复杂度均有显著增加,协同作战任务的建模和大规模问题的高效求解方法是需要解决的关键问题。本文针对多类型无人系统集群全局任务规划问题,提出一种基于遗传算法的异构无人系统多目标协同任务规划方法HMMOGA(Heterogeneous Multi-UxVs Multi-objective Genetic Algorithm),该方法将任务联盟及对应的任务序列作为染色体个体编码,通过任务联盟之间的变换实现交叉算子,并设计了任务联盟和任务序列的变异方法。
1 无人系统群协同作战任务规划模型
1.1 基本符号定义
无人系统:V ={v 1,…,v n }表示无人系统平台集合,其中n 为平台的个数。
任务载荷:无人系统搭载的任务载荷按是否可重复使用分为两类。例如,武器载荷(导弹、鱼雷等)属于消耗型载荷,而传感器载荷在任务过程中可重复使用,属于非消耗型;每个无人系统可以搭载若干种任务载荷。任务载荷集合统一表示为S ={s 1,…,s j }。
经研究表明，观察组中老年糖尿病合并脑梗塞患者检出率90.00%（阴性患者10例、百分比为10.00%；阳性患者90例、百分比为90.00%）高于对照组检出率80.00%，差异有统计学意义（P＜0.05）。
1)模型输入参数
作战任务载荷需求:子任务task i 的任务载荷需求
其中任一元素ltype ∈S 。
任务联盟:任务联盟(Task Coalition,TC)是一个能够满足给定任务TASK载荷需求的无人系统集合;最小任务联盟(Simplest Task Coalition)是指能满足任务TASK载荷需求,且种类数量最少的无人系统集合;满足TASK所有子任务要求的任务联盟称为可行联盟。
无人系统任务序列:对无人系统v c ∈V ,需完成的子任务集合,符号表示为tl c (tl c ⊆TASK )。
1.2 作战任务模型
作战任务:TASK={t 1,…,t z },表示作战任务TASK由z 个子任务构成。
1997年，朗格推出先进而精密的自动上链机心——屡获殊荣的Sax-0-Mat型机心，内置归零装置，于表冠拉起时掣停摆轮，秒针即时返回零位，就如计时码表一样。Sax-0-Mat型机心仍为Langematik Perpetual和Saxonia ANNUAL CALENDAR等表款的基本机心。1815 Tourbillon和Richard Lange Jumping Seconds的手动上链机心亦设有归零功能，简化了时间设定过程。往后的表款中，归零装置采用独立模组设计，附设由多个圆盘组成的离合器，使秒针在突然的震荡或反弹中仍平稳运作。
适应度函数表达式为
① 任务协同关系
式(1)表示优化目标,即任务联盟TC完成所有任务的总航程最短;式(2)表示每个子任务应满足REQ需求;式(3)、(4)表示ST为任务起点、ET为任务终点;式(5)表示任务路径是无环的;式(6)表示每个子任务都需完成;式(7)表示任务序列应满足拓扑顺序要求。
随着抗日战争形势的变化，国民政府对各级教育对抗战重要性的认识也在逐渐深化。抗战爆发初期，国民政府仅重视对高中及以上学校的学生进行抗战教育；而后，则逐步加强对初级中学的学生进行抗战训练。
图1 模型输入条件
② 任务需求矩阵REQ
1.2.2 排除标准 ①患者存在严重的凝血功能异常情况；②存在器官功能衰竭的产妇；③合并严重心脏、肝脏、肾脏等疾病的产妇。按照入院顺序分为对照组和观察组每组40例，对照组给予常规缩宫素治疗，观察组给予卡贝缩宫素治疗。对两组患者一般资料进行比较差异无统计学意义(P>0.05)，具有可比性。
由行1-4得到分别完成各个子任务的任务联盟A,任务联盟是TC的子集。行5-14在A中分别对TC中的各个无人系统,寻找各个无人系统所参与的子任务,并放入tasklist中,最终形成TC中各无人系统任务序列B。表1为任务联盟{V1,V2,V4}随机生成的任务序列示例。
总而言之，全面落实制造型企业动态成本管理工作，不但可以有效提高企业财务管理质量，同时还能便于职工更好的掌握企业发展情况，实现企业运营生产模式的优化，引导企业稳定发展。在落实成本管理工作时，常常会存在一些问题，在这种情况下，要求制造企业做好各项问题分析工作，把动态成本管理理念融合其中，从动态管理角度入手，充分实施成本管理，减少成本消耗，给企业创造理想效益，从而促进制造型企业健康发展。
③ 无人系统能力矩阵VLOAD
矩阵VLOAD =[vload ij ](i =1,2,…,m ;j =1,2,…n ),描述每个平台对应能力映射,矩阵行表示无人系统,列表示任务载荷,矩阵元素定义与REQ矩阵相同。
图2 任务需求矩阵REQ和无人系统能力矩阵VLOAD示例
定义:VLOAD组合运算。VLOAD矩阵第i 个行向量符号表示为vloadi (i =1,2,…,m ),行运算为行向量之间对应元素的逻辑或计算,用符号“+”表示,目的是得到满足任务能力需求的无人系统任务联盟。任务联盟TC满足某个任务T能力需求,当且仅当vload tc 中的各个元素均不小于req t 。例如,VLOAD 1+VLOAD 3=(1 1 1 1 0 1)≥req 3和req 6,即V 1和V 3组成的任务联盟可以完成任务T 3和T 6。
2)数学模型
无人系统群任务规划问题描述为:基于给定的TRG和约束条件下,将无人系统集合中的个体或子集分配给各个子任务,目标是使得任务整体效益最大化。任务效益有多种优化目标:如任务总完成时间最短,系统资源(使用的无人系统种类、数量,或航行总里程)消耗最小等。这些目标往往是相互关联的,多目标优化的解是非劣解集合(Pateto解集),如任务联盟{V1,V4}、{V2,V4}、{V1,V3,V4}都可以完成所有的任务,不同的任务联盟完成任务所需的最小航程和无人系统数量等也不同。优化目标可根据实际作战需要选择,采用总航程作为分析对象时,模型如下所示。
（1）PoW。由于PoW要求大量运算力，因此贿赂攻击很难实现，攻击者需要贿赂大部分节点才可以实现贿赂攻击，这往往得不偿失。同样由于挖矿需要大量算力，女巫攻击失去了效果。同时51%攻击要求攻击者拥有51%算力，攻击条件十分苛刻。在新生PoW链中，为了防止原有的大型PoW链矿工发动51%攻击，往往改动地址生成过程中的哈希函数。针对PoW耗能过高问题，目前部分节点采用Ghost协议，此协议将无用的挖矿改为了计算大素数等数学问题，部分解决了耗能问题。
(1)
作战任务TASK由一系列的子任务构成,子任务之间存在复杂的时序和逻辑约束关系,采用有向无环图TRG =(T ,E )来表示任务协同关系。节点T 表示各项子任务,有向边E 表示任务之间的约束关系。根据战场环境,还应构建任务节点之间的路径图PG ,描述任务之间的可行路径。两两任务之间的代价(距离)构成有向图PG =(T ,E ′),有向边
(i ,j 表示节点编号)的权值c ij =c (T i ,T j )表示任务间的空间路径距离。对于UAV、UUV、USV,在没有障碍物、禁航区等约束情况下,可以简化为两点间直线距离,而UGV受地形、道路等条件约束影响较大,应采用相关的路径规划算法计算。考虑到任务开始前和结束时,无人系统有集结的需求,因此在TRG中增加任务起点ST和终点ET。TRG中节点i 的拓扑顺序表示为TOPOSORT(i )。图1示例构建了含8个节点(包括起点ST和终点ET),10条边的TRG,PG示例图只考虑了两个任务位置的直线距离,可根据实际战场空间条件进行调整。
其中,ntc 1、ntc 2∈NTC ,tc i 、tc j ∈TC size ,NTC 是满足{tc i ∪tc j ∩{TC size -tc i -tc j }}∈{TC size -tc i -tc j }的任务联盟集合。交叉算子CROSS 首先对两个待交叉的同源染色体任务联盟tc i 和tc j 求并集,之后取除上述两个染色体外所有同源染色体集合{TC size -tc i -tc j }的交集,将计算结果为集合{TC size -tc i -tc j }元素的两个任务联盟ntc 1和ntc 2,作为交叉后的新任务联盟,并相应产生新的任务序列。交叉算子示例如图7所示。
2 无人系统群协同作战任务规划方法
遗传算法是通用的优化方法,但不同的问题应用领域,约束条件与优化目标不同,需要针对问题域的特点对GA进行改进,设计合理的染色体(解的编码)、遗传算子和遗传进化策略。
2.1 染色体
GA染色体代表问题域的可行解。对任务规划问题P,解空间为所有满足约束条件的无人系统任务分配方案。其中,每个无人系统相应都有一个任务序列,无人系统群的任务序列就构成了任务解矩阵,但直接使用矩阵无法实现选择、交叉、变异等遗传操作,需要根据问题域的特点研究解矩阵的编码方法。根据解矩阵的组成结构,染色体编码由任务联盟和任务序列两个部分构成,如图3所示。
图3 染色体构成示例
2.1.1 任务联盟
通过对VLOAD矩阵组合运算定义,得到满足任务需求的任务联盟。任务联盟求解方法TCCS(Task Coalitions Configuration Solver)伪代码如图4所示。
图4 任务联盟求解方法流程
算法1中,首先确定满足给定数量要求的无人系统任务联盟所有可能组合,在各种组合方式中,选择可行任务联盟存入C,将满足各子任务需求的任务联盟存入D。行13-18在所有满足任务需求条件的任务联盟中,通过合并子集计算最小任务联盟E。最小任务联盟和可行任务联盟示例如图5所示。
图5 最小任务联盟和可行任务联盟示例
2.1.2 任务序列
确定任务联盟集合后,在各个任务联盟中,将子任务分配给无人系统,分别生成各无人系统需要执行的任务序列。无人系统任务序列生成方法VTLS(Vehicle Tasks List Slover)伪代码如图6所示。
在分布式发电系统并网等领域的应用需求下，三电平逆变器已成为电力电子领域的重要研究方向.在三电平逆变器中应用软开关技术，对于进一步改善三电平逆变器的性能具有重要意义.
This study analyzes the basic operating principle of Wilkinson power dividers and derives the parameter values of each lumped component. Using TGV inductors and parallel plate capacitors, a TGV based 3-D Wilkinson power divider is designed and compared.
图6 无人系统任务序列生成流程
矩阵REQ =[req ij ](i =1,2,…,m ;j =1,2,…n ),描述各项任务对应功能需求映射,矩阵的行表示子任务,列表示任务载荷需求;矩阵元素req ij ∈{0,1},1代表任务task i 需要第j 种任务载荷,反之为0。
表1 任务联盟 {V1 ,V2 ,V4 }的任务序列
2.1.3 任务序列最短路径
任务具有空间属性,为了实现优化目标,需要计算每个无人系统完成其所负担的任务集合的最短路径。在不考虑任务执行顺序的情况下,该问题即为单旅行商(TSP)问题,但子任务之间存在着时序和逻辑约束关系,因此需要根据TRG约束求满足拓扑顺序条件的最短路径。对一个无人系统v,其长度为M 任务序列tlv最短路径表达式为
掘进机自动导航技术从原理上可划分为3类：基于光电原理的导航技术；基于惯性元件的导航技术；多信息融合的导航技术[3-6]。
式(8)中,B为TC中各无人系统任务序列,alltoposort(B)为基于TRG对任务序列B拓扑排序后的所有任务序列排列结果,N 为排列个数,tp i 为第i 种拓扑排列,routecost为无人系统执行任务序列所经过的路径代价, MIN-ROUTE(tp i )表示任务序列tp i 的最短路径。式(9)为MIN-ROUTE(tp i )的表达式,其中，MINPATH为两个任务之间的最短空间路径。
由于B中可能存在对TRG为偏序的任务集,因此必须考虑所有的拓扑排序结果。式(8)的含义是:在B的所有拓扑排序结果中的最短路径,是无人系统执行任务序列B的最短路径。式(9)表示给定拓扑排序的任务序列最短路径,是前后相邻两个任务之间最短路径之和。按式依次计算得到任务联盟中每个无人系统执行任务的最短路径,以及对应的任务执行顺序。对任务序列{ST,T1,T2,T3,T4,ET}拓扑排序的结果以及相应的路径代价示例如表2所示,最短路径代价是197.9,对应任务序列为{ST,T3,T2,T1,T4,ET}。
表2 拓扑排序结果以及相应路径代价
2.2 遗传算子
2.2.1 选择算子
为响应国家政策，推动武术“走出去”，2016年7月22日，国家体育总局武术运动管理中心印发了《中国武术发展五年规划(2016-2020年)》，规划中指出：加强武术的国际交流与合作,加大对国外武术教练员、裁判员和运动员的培训，增加武术师资外派数量，扩大武术器材援助和输出，增派武术交流访问团，定期举办各类武术展示交流活动，逐步加大武术援外力度，重点与国际武术联合会成员国建立长期合作关系[4]。
(10)
选择算子设计的基本原则是以大概率将适应度强的个体遗传到下一代中。为避免交叉、变异操作对较高适应度染色体个体的破坏,采用最优保存策略,复制一定比例的较高适应度个体到下一代。
2.2.2 交叉算子
高校新进教师的岗位是不同的，一般包括科研岗、教学岗和行政管理岗三大类。不同岗位对教师的工作任务期待与专业素养也是不同的。科研岗的工作任务重点是承担科学研究任务，教师负责组建科研团队，指导学生从事科研项目，对其要求是具备科研创新能力；行政管理岗主要包括诸如班主任、科任教师、大队辅导员等等，这类工作的重点是帮助学生树立正确的人生价值观，关心学生的思想政治状况，加强学生心理健康教育和指导工作等，所需能力主要为人际交往与学生沟通的能力。而教学岗的教师要求最高，需身兼科研创新能力、沟通能力以及教学能力。
交叉算子通过两个同源染色体重组产生新的个体。同源染色体是指满足所有子任务需求的任务联盟中,无人系统种类数相同的两个染色体。对于无人系统数量为SIZE的任务联盟TC size ,交叉算子表达式如下:
日日顺物流为了连接产业跟用户端，打造了大件物流供应链一体化的智能仓平台，这是日日顺物流在大件智能化仓储方面的一次大胆创新。
CROSS (tc i ,tc j )=(ntc 1,ntc 2)
(11)
在综合考虑了液氧成本及电费的情况下，随着臭氧功率的升高，每千克臭氧产量所需的费用先从17.4元（功率40kW）一直降到14.4元（功率为70kW），之后的费用波动较小。这主要是由于在40～60kW之间臭氧的产量较低，而各功率均在恒定流量下，所消耗的液氧是一样的，因此，单位产量所需的液氧更多，而70～90kW的费用基本恒定在14.4元/kg臭氧，说明液氧成本与反应器耗电产生的费用达到了一个平衡状态。因此，在流量为62m3/h（标准状态下）的条件下，为了达到特定的产量时，实际生产可借鉴此结论，尽量采用70kW以上的高功率组合制备臭氧，以达到经济高效的最优化。
图7 交叉算子计算示例
2.2.3 变异算子
变异目的是产生新的个体,提高种群的多样性。根据染色体的结构特点,设计两种变异算子。
1)任务联盟变异算子
每个任务联盟对应一组任务序列可行解。在随机产生初始种群阶段,以及在迭代进化过程中,可能会发生部分任务联盟组合缺失,或在同源染色体中所占比例较小的情况,从而导致可行解的搜索空间变小,影响最终优化效果。通过任务联盟变异,可以改善不同任务联盟之间的比例结构,优化搜索空间。设种群中各同源任务联盟的个数为N i (i =1, …,k ,k 为任务联盟种类数),任务联盟变异概率表达式为
(11)
(i =1, …,k )
式(11)是种群中各同源染色体任务联盟之间的反比例计算方法,即一种任务联盟在种群中所占比例越小,则变异成该任务联盟的概率越大。如果种群中缺少某种任务联盟类型,则变异为该类型任务联盟的概率为1;如果存在多个缺失的任务联盟类型,则随机选取一种任务联盟。表3为任务联盟变异概率示例。
表3 任务联盟变异概率示例
2)任务序列变异算子
对于同一任务联盟,执行不同的任务序列组合,路径代价差别可能较大。另一方面,每个无人系统所分配的任务量可能存在不均的现象,导致有的无人系统工作负载相对较大。任务序列变异算子的作用是在不同无人系统之间进行任务调配,将承担较大任务负载的无人系统任务序列中的任务,部分分配给其他无人系统,以期获得相对较小的路径代价以及相对均衡的任务负载。任务调配方法TAAS(Task Allocations Adjustment Solver)伪代码描述如图8所示。
图8 任务调配方法流程
行4-9在任务负载最大的无人系统v的任务序列中,随机选一个待删除的任务a,如果在不包含v的TC子集任务联盟中,存在可以完成任务a的任务联盟t1,则在完成任务a的原任务联盟任务序列中删除a,并在无人系统任务序列t1中增加任务a。任务序列变异示例见表4、5所示。在表4所示的染色体中,V1任务序列路径代价最大,因此选择一个可删除的任务T5,原T5由V1和V4完成,变异后由V2和V4完成,变异前总路径代价为487,变异后减小为480。
表4 变异前任务序列及路径代价
表5 变异后任务序列及路径代价
2.3 HMMOGA流程
为了得到非劣解集合,HMMOGA方法从无人系统最小任务联盟开始,在不同规模的任务联盟条件下,计算无人系统依次执行任务的最小路径代价(见图9行1)。HMMOGA首先产生初始种群,生成规定数量的染色体。根据算法1和算法2,为每个染色体个体的TC和TL赋随机初值,并计算最短任务路径、总任务路径。种群初始化后,HMMOGA开始迭代进化过程(行9)。在每代种群进化过程中,使用最优保存策略,将一定比例的最高适应度个体直接复制到下一代[16]。
行13-15对当前种群中未被复制的染色体个体按一定的概率进行交叉、变异操作,首先在种群中以随机的方式组成配对个体组,根据设定的交叉概率根据算法3 产生新的TC,并根据TC随机更新TL及其他值。交叉操作完成后,在种群中按设定的变异概率对染色体的TC和TL进行变异操作。HMMOGA方法伪代码流程如图9所示
图9 异构无人系统群多目标任务规划流程
2.4 仿真结果
模型及输入参数同上文实例。遗传算法控制参数设定为:种群个体数目为20,代沟为0.9,最大遗传代数100,交叉概率0.1,任务联盟变异概率0.2,任务序列变异概率0.2。不同种类数量的可行任务联盟执行任务的优化结果见表6所示。
表6 优化结果
遗传算法迭代计算过程如图10所示, HMMOGA算法能够较快的收敛到最优解。在SIZE=2时,有两种可行任务联盟{V1,V4}和{V2,V4},且约束条件下各自只有一种任务序列组合方式(任务联盟{V2,V4}的任务序列为V2:{T1,T3,T5,T6},V4:{T1, T2,T3,T4,T5},路径代价为428),而在种群初始化时有20个个体,因此最优解在种群随机初始化时就已出现。在本例中,随着无人系统可行任务联盟类型数量的增加,最小路径代价也随之增加,主要原因是增加的无人系统在起始点、终点和任务区之间的累积航行距离有所增加,但更多的无人系统也能使得任务并行执行情况增多(见SIZE为3、4时T5的执行),从而进一步减少总任务执行时间。
图10 HMMOGA迭代优化过程及最优解
3 结束语
根据异构无人系统执行作战任务的特点,提出了任务规划模型,设计了HMMOGA算法解编码方法,以及相应的复制、交叉、变异算子。仿真结果表明,经过迭代遗传变换,HMMOGA方法能够在满足约束关系的前提下,得到相对较好的优化方案(理论上遗传算法不一定得到最优值),实现异构无人系统集群全局任务规划的能力。在此基础上,将路径代价变为关键任务序列时间(即任务最短执行时间取决于执行时间最长的任务序列),可进一步扩展任务执行时间等任务优化目标。后续主要工作是引入任务持续时间等约束,使模型更加贴近实战条件。
参考文献 :
[1] Winnefeld J A, Kendall F. Unmanned Systems Integrated Roadmap: Fy2013-2038[M].DIANE Publishing Company, 2014.
[2] Hodicky J, Prochazka D.Challenges in the Implementation of Autonomous Systems into the Battlefield[A].In:International Conference on Military Technologies, 2017: 743-747.
[3] Wang J J, Zhang Y F, Geng L, et al. Mission Planning for Heterogeneous Tasks with Heterogeneous UAVs[J].2015: 1484-1489.
[4] Ramirez-Atencia C, Bello-Orgaz G, R-Moreno M D, et al.A simple CSP-based model for Unmanned Air Vehicle Mission Planning[A].IEEE International Symposium on Innovations in Intelligent Systems and Applications, 2014: 146-153.
[5] Wang J, Zhang Y F, Geng L, et al. A Heuristic Mission Planning Algorithm for Heterogeneous Tasks with Heterogeneous UAVs[J].Unmanned Systems,2015,3(3): 205-219.
[6] Bello-Orgaz G, Ramirez-Atencia C, Fradera-Gil J, et al. GAMPP: Genetic Algorithm for UAV Mission Planning Problems[J].Intelligence Distributed Computing, 2016, 31(3):167-176.
[7] Geng L, Zhang Y F, Wang J J, et al.Cooperative Task Planning for Multiple Autonomous UAVS with Graph Representation and Genetic Algorithm[A].Control and Automation (ICCA), 2013 10th IEEE International Conference on, 2013: 394-399.
[8] Geng L, Zhang Y F, Wang J J, et al. Mission Planning of Autonomous UAVs for Urban Surveillance with Evolutionary Algorithms[A].Control and Automation (ICCA), 2013 10th IEEE International Conference on, 2013: 828-833.
[9] Geng L, Zhang Y F, Wang P F, et al. UAV Surveillance Mission Planning with Gimbaled Sensors[A].IEEE International Conference on Control & Automation, 2014: 320-325.
[10]邓启波. 多无人机协同任务规划技术研究[D]. 北京：北京理工大学, 2014.
[11]黄长强. 多无人机协同作战技术[M].北京：国防工业出版社, 2012.
[12]郜晨. 多无人机自主任务规划方法研究[D]. 南京：南京航空航天大学, 2016.
[13]Matos A, Martins A, Dias A, et al.Multiple Robot Operations for Maritime Search and Rescue in euRathlon 2015 competition[A]. Oceans, 2016: 1-7.
[14]Raptopoulos A, Damm D, Santana P, et al. Transportation Using Network of Unmanned Aerialvehicles[P].2016.
[15]Mathew N, Smith S L, Waslander S L. Planning Paths for Package Delivery in Heterogeneous Multirobot Teams[J].IEEE Transactions on Automation Science & Engineering,2015,12(4): 1298-1308.
[16]汤可宗, 杨静宇. 群智能优化方法及应用[M]. 北京：科学出版社, 2015.
Heterogeneous Cooperative Unmanned System Mission Planning Method
MA Shuo, MA Ya-ping
(PLA National Defense University, Beijing 100091, China)
Abstract :To solve the problem of cooperative operation of heterogeneous unmanned system, a mission planning model of unmanned system and a task scheme optimization method based on genetic algorithm are proposed. The directed acyclic graph and path graph are used to describe the cooperative relationship between tasks, the task alliance and its corresponding task sequence are used as the chromosome individual coding of genetic algorithm, and the genetic crossover operator is realized by the transformation between task alliances; the genetic mutation method of task alliance and task sequence is designed to optimize the proportional structure of the task alliances and the distribution of workload. The simulation results show that this method can solve the mission planning problem of heterogeneous unmanned system. Compared with existing research work, it has better versatility.
Key words :unmanned system; cooperative operation; mission planning; grouping; genetic algorithm
中图分类号 :E917
文献标志码: A
DOI: 10.3969/j.issn.1673-3819.2019.02.005
文章编号 ：1673-3819(2019)02-0024-07
收稿日期 ：2018-08-24
修回日期： 2018-09-25
作者简介 ：马硕(1980-),男,辽宁沈阳人,博士研究生,研究方向为作战模拟系统工程。马亚平(1957-),男,硕士,教授。
(责任编辑：胡志强)