任務規(guī)劃是指為高效完成任務制定計劃,使得全局任務的收益最大化。任務規(guī)劃從功能上主要分為任務分配和路徑規(guī)劃,該技術被廣泛應用在民用領域和軍用領域。由于當前任務呈現(xiàn)多地點和多樣性的特點,單無人機動平臺無法獨立完成此類任務。而多無人機動平臺通過合作可以高效率地完成此類任務,并具有魯棒性強和可靠性高等特點。因此本文針對多無人機動平臺任務規(guī)劃相關技術開展研究。本文在對現(xiàn)有任務規(guī)劃技術分析的基礎上,重點研究多無人機動平臺任務分配和路徑規(guī)劃技術。首先,針對任務分配隨著任務規(guī)模增大而導致效率降低的問題,提出基于進化學習的離散粒子群算法。該算法通過對粒子進行順序編碼,實現(xiàn)粒子位置與問題可行解的映射,改進了粒子的進化方式,把同代群體粒子影響引入粒子位置更新公式中,保證種群的多樣性,增強算法的全局搜索能力。同時在粒子向極優(yōu)值學習的過程中,算法引入中間個體接受概率,提高跳出局部最優(yōu)值的能力,加快算法收斂速度,提高任務分配的效率。其次,針對多無人機動平臺路徑規(guī)劃實時性差的問題,提出基于鄰域擾動的動態(tài)路徑規(guī)劃算法。該算法對狀態(tài)的產(chǎn)生方式進行改進,采用五種鄰域擾動機制減小新狀態(tài)產(chǎn)生的隨機性,并記錄當前最優(yōu)狀態(tài),使其... 

【文章來源】：沈陽理工大學遼寧省

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

仿真簡化流程

-42-從最好解隨迭代次數(shù)的變化曲線可以看出，PSO算法的的初始種群適應度最低，在前20步收斂速度較快，但進入到最優(yōu)解區(qū)間后，迭代60步之后算法收斂，而DPSO-EL算法和DPSO算法在迭代40步之后開始收斂。從平均解的變化曲線可以看出，DE算法粒子適應度波動不大，而DPSO-EL算法和DPSO算法在前期保持快速下降趨勢，說明這兩種算法不會出現(xiàn)所有粒子趨同的現(xiàn)象，搜索過程中能一直保持較好的尋優(yōu)能力。從最差解的變化曲線可以看出，DPSO-EL算法優(yōu)于DE算法和DPSO算法。綜上所述，DPSO-EL算法在迭代初期具有較強的全局搜索能力，隨著迭代數(shù)的增加，粒子逐漸向最優(yōu)解靠近，局部搜索能力有所提升。PSO算法、DPSO算法和DPSO-EL算法三種算法最優(yōu)解的性能比較如圖5.6所示。圖5.6三種算法的性能對比Fig.5.6Performancecomparisonofthethreealgorithms由圖5.6可以看出，三種算法在前40步的收斂速度都很快，在進入最優(yōu)解區(qū)間后，DPSO-EL算法很快能收斂到最優(yōu)值，而PSO算法和DPSO算法需要更長的時間；從解的性能來看，DPSO-EL算法和DPSO算法收斂于同一最優(yōu)解，適應度低于DE算法搜索到的最優(yōu)解，說明這兩種算法比PSO算法的任務分配效果更好。綜上所述，DPSO-EL算法與PSO算法和DPSO算法相比，不僅收斂速度快，而且能尋到更好的最優(yōu)值，說明該算法在處理任務分配問題上能找到收益高、代價小的分配方案。DPSO-EL算法得到最優(yōu)的任務分配結果如表5.4所示。

-43-表5.4最優(yōu)分配結果Table5.4Optimalallocationresults無人機動平臺任務分配U1T2、T4、T8U2T3、T6、T14、T15U3T7、T11、T16、T18U4T1、T13、T17U5T5、T9、T10、T12從表中數(shù)據(jù)可知，通過DPSO-EL算法得到的最優(yōu)分配方案是：將任務目標T2、T4和T8分配給無人機動平臺U1；任務目標T3、T6、T14、T15分配給無人機動平臺U2；任務目標T7、T11、T16、T18分配給無人機動平臺U3；任務目標T1、T13、T17分配給無人機動平臺U4；任務目標T5、T9、T10、T12分配給無人機動平臺U5。（2）PSO算法、DPSO算法、DPSO-EL算法實時性對比為了對本文提出的DPSO-EL算法在求解任務分配問題上的實時性進行驗證，對5-18、10-40、15-80型任務分別采用PSO算法、DPSO算法、DPSO-EL算法進行50次仿真實驗，算法在三種任務類型下的執(zhí)行時間分別如圖5.7，圖5.8和圖5.9所示。圖5.75-18型任務算法執(zhí)行時間對比圖Fig.5.75-18typetaskalgorithmexecutiontimecomparisonchart由圖5.7可得，PSO算法的執(zhí)行時間最長，在算法迭代過程中，時間均在0.5s

【參考文獻】：
期刊論文
[1]Distributed intelligent self-organized mission planning of multi-UAV for dynamic targets cooperative search-attack[J]. Ziyang ZHEN,Ping ZHU,Yixuan XUE,Yuxuan JI.  Chinese Journal of Aeronautics. 2019(12)
[2]改進的蟻群算法在機器人路徑規(guī)劃上的應用[J]. 張曉莉,楊亞新,謝永成.  計算機工程與應用. 2020(02)
[3]多機器人系統(tǒng)任務分配及編隊控制研究[J]. 連云龍,張子軒,黎樹明,許兆豐,楊亮.  電子設計工程. 2019(18)
[4]無人機任務規(guī)劃約束空間建模[J]. 李文廣,胡永江,孫世宇,李建增,褚麗娜.  現(xiàn)代防御技術. 2019(04)
[5]無人駕駛直升機在核事故醫(yī)學救援中的應用[J]. 鹿達,袁曉健,蘇文山.  解放軍醫(yī)院管理雜志. 2019(06)
[6]基于優(yōu)化DPSO算法的云平臺任務調(diào)度研究[J]. 于國龍,崔忠偉,熊偉程,左羽.  內(nèi)蒙古師范大學學報(自然科學漢文版). 2019(04)
[7]改進人工勢場法自主移動機器人路徑規(guī)劃[J]. 羅強,王海寶,崔小勁,何晶昌.  控制工程. 2019(06)
[8]基于改進遺傳算法的礦山救援機器人路徑規(guī)劃[J]. 周欒,陳爾奎,吳梅花.  煤炭技術. 2019(06)
[9]移動群智感知系統(tǒng)中基于離散布谷鳥搜索算法的任務分配[J]. 楊正清,周朝榮,袁姝.  計算機應用. 2019(09)
[10]面向多航天器協(xié)同的自主任務規(guī)劃方法研究[J]. 陳丹,程偉,高延超,王怡倢.  計算機測量與控制. 2019(05)

碩士論文
[1]面向多無人機的協(xié)同任務預分配及重分配研究[D]. 吳歇爾.南昌航空大學 2018



本文編號：3407583