在現代戰(zhàn)爭中,無人機開始以機群方式協同執(zhí)行任務。通過研究動態(tài)環(huán)境下的多無人機任務規(guī)劃方法,可以使機群以較小的代價完成復雜的任務,提升機群執(zhí)行任務的成功率和效率,增強無人機機群的容錯性、魯棒性。對無人機任務規(guī)劃方法的研究主要包括任務規(guī)劃模型的建立和任務規(guī)劃算法的運用,現有的任務規(guī)劃模型缺乏對戰(zhàn)場約束條件的考量,不適應實際的需求。任務規(guī)劃算法的計算效率過低,對動態(tài)情況響應不足。這些問題的存在降低了無人機機群的安全性和生存能力,并導致機群執(zhí)行任務的失敗。針對上述問題,本文首先對任務規(guī)劃中的任務分配與重分配問題進行了描述與建模。分析了多無人機協同任務分配的約束條件,對現有的無人機多任務分配問題模型(CMTAP)進行了擴展,建立符合戰(zhàn)場需求的任務分配模型。當無人機在執(zhí)行任務過程中遇到突發(fā)情況需要進行任務重分配時,對無人機機群的任務分配方案進行局部調整,建立了任務動態(tài)重分配模型。在任務分配與重分配模型的基礎上,本文接著提出了基于自組織特征映射(SOM)神經網絡的任務分配方法,根據戰(zhàn)場環(huán)境信息進行網絡的初始化并結合SOM神經網絡中的Kohonen規(guī)則和Winner Take All規(guī)則求解任務分配方案。針對重分配問題提出了基于分組策略的任務動態(tài)重分配方法,采用基于SOM神經網絡的聚類算法對需要進行重分配的任務和無人機進行分組聚類,分組完成后使用引入精英蟻群策略的蟻群算法對執(zhí)行任務集合更改的無人機進行任務序列的調整,該方法能夠快速響應無人機機群執(zhí)行任務過程中遇到的突發(fā)情況。最后本文研究了動態(tài)環(huán)境下的無人機路徑規(guī)劃方法,提出了基于Q學習的無人機路徑規(guī)劃方法。建立了符合無人機自身約束條件和路徑規(guī)劃問題特性的馬爾可夫決策過程(MDP)模型。在MDP模型基礎上,結合Q學習與效用追蹤(Eligibility Traces)技術規(guī)劃能夠避開雷達、地形障礙的路徑。仿真實驗以及與同類算法的比較分析表明:本文提出的多無人機協同任務分配方法能夠在較短時間內得出合理有效的任務分配方案;本文提出的無人機路徑規(guī)劃方法提升了無人機在動態(tài)環(huán)境下的適應能力,為無人機規(guī)劃出能夠避開威脅區(qū)域且飛行距離較短的安全飛行路徑。
【學位單位】：南京郵電大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：V279;TP18
【部分圖文】：

將根據預先設置的場景啟動動態(tài)重分配響應機制。本文根據多無人機作戰(zhàn)的實將觸發(fā)動態(tài)重分配的場景分為任務取消或增加、任務點位置更新和無人機故障這三配的觸發(fā)條件是無人機在任務執(zhí)行過程中遇到這幾種分配場景中的一種或者多種情下面對重分配觸發(fā)場景作具體介紹：1)任務取消或增加由于戰(zhàn)場中的部分環(huán)境信息處于未知狀態(tài)，從而導致任務空間的變化，比如出現新標點，無人機機群需要在新目標點上執(zhí)行任務，則要向任務集合 T 中增加一個或多又比如遭遇突發(fā)的惡劣天氣狀況，無人機執(zhí)行任務危險系數過高，則需要取消任務某一個任務。當出現新增任務時，通過重分配算法將其分配給無人機機群內的某架無人機，并對機執(zhí)行任務的次序進行調整。根據圖 2-3 所示，假設無人機原先的執(zhí)行任務順序是在執(zhí)行任務 T1過程中，新增攻擊任務 T2，則通過重分配得到的新的任務序列為：T3}。

圖 3.2 任務分配階段使用的 SOM 神經網絡結構 選取獲勝節(jié)點層的節(jié)點中隨機選取一個任務點 Tk（Tk∈T）作為網絡的輸入。首自身約束公式(1-5)和(1-6)，當一架無人機 Uj從當前位置飛行到量，即無人機 Uj從初始位置開始轉移到 Tk所在位置的飛行總距者無人機 Uj當前剩余武器數量不足以支撐其完成 Tk任務時，該即競爭層中的第 j 列不參與到選取獲勝節(jié)點的計算過程。通過對進行自身約束條件的檢查，得到具備執(zhí)行 Tk能力的無人機集的每架無人機 Ui，計算競爭層(k,i)節(jié)點與 Tk的距離，并選取與輸獲勝節(jié)點。SOM 神經網絡中節(jié)點的權值使用經緯度坐標表示，所以使用 hav間的距離，haversine 方程根據經緯度坐標計算球面上兩個點間的

(a) (b) (c)圖 3.4 蟻群算法原理圖在圖 3.4 中，A 點為蟻穴，E 點為食物源，FC 為障礙物，則螞蟻只能經過 A-BFD-E 或CD-E 這兩條路徑，BFD 和 BCD 兩條路徑的長度分別為 2 個單位和 1 個單位。初始狀態(tài)有路徑上都未留有信息素。每個時間單位都有 30 只螞蟻從 B 點去往 D 點和有 30 只螞蟻 點去往 B 點，從這兩個岔路口出發(fā)選擇往左還是往右。一開始，所有螞蟻進行隨機選擇圖 3.4(b)所示。經過幾個時間單位后，由于 BCD 路徑比 BFD 路徑短，當螞蟻在路徑上留信息素總量一定時，BCD 路徑上的信息素濃度較高，所以有更多的螞蟻選擇 BCD 路徑圖 3.4(c)所示。經過更長時間積累后，BCD 上的信息素濃度會越來越高，最后所有的螞會選擇 BCD 這條較短的路徑。蟻群算法是群智能領域的一種重要算法，該算法具有正反饋、自組織性、較強的魯棒性于其他方法結合等優(yōu)點，在解決諸如 TSP 的優(yōu)化問題方面展現出了優(yōu)異的性能，所以本無人機任務序列的動態(tài)調整問題建模為 TSP，并采用該算法解決。
【相似文獻】

相關期刊論文 前10條

1 徐宏慶;;無人機應用技術專業(yè)建設的探索[J];正德職業(yè)技術學院學報;2018年02期

2 張斌;林斌;楊彥彰;李名兆;林奕翔;;國內民用無人機系統標準體系構建現狀[J];中國標準化;2019年S1期

3 王湛;王江東;楊宏偉;;民用輕小型無人機系統檢測認證研究[J];質量與認證;2019年12期

4 潘泉;康童娜;呂洋;趙春暉;胡勁文;;無人機感知規(guī)避技術發(fā)展與挑戰(zhàn)[J];無人系統技術;2018年04期

5 杜恒;;基于足球比賽路徑規(guī)劃的農用無人機定位和導航研究[J];農機化研究;2019年10期

6 問延安;蔣倩;;智慧監(jiān)管:民用無人機企業(yè)監(jiān)管的路徑選擇[J];長沙航空職業(yè)技術學院學報;2018年04期

7 張軍國;閆浩;胡春鶴;李婷婷;于明;;無人機在林業(yè)中的應用及前景展望[J];林業(yè)工程學報;2019年01期

8 劉逸宸;;無人機系統信息傳輸技術分析[J];科技資訊;2018年32期

9 金偉;周震博;;2018年無人機研發(fā)熱點回眸[J];科技導報;2019年01期

10 楊春;;智能科技 智慧未來 溧陽國際無人機發(fā)展論壇暨第四屆無人機百人會圓滿落幕[J];中國公共安全;2019年Z1期

相關博士學位論文 前10條

1 劉明輝;無人機高速數據鏈關鍵技術研究[D];西安電子科技大學;2019年

2 曹偉;LTE外輻射源雷達多旋翼無人機探測技術研究[D];國防科技大學;2018年

3 孔維瑋;基于多傳感器的無人機自主著艦引導與控制系統研究[D];國防科技大學;2017年

4 馬兆偉;基于學習的無人機感知與規(guī)避關鍵技術研究[D];國防科技大學;2018年

5 趙述龍;數據驅動的無人機曲線路徑跟蹤控制方法研究[D];國防科技大學;2017年

6 宋春林;四旋翼無人機在未知環(huán)境中自主導航和飛行控制方法研究[D];哈爾濱工業(yè)大學;2019年

7 張坤;不確定條件下無人機三維航跡跟蹤控制研究[D];西北工業(yè)大學;2018年

8 唐必偉;粒子群算法的改進及其在無人機任務規(guī)劃中的應用[D];西北工業(yè)大學;2017年

9 姬翔;多特征融合的旋翼無人機能耗優(yōu)化路徑規(guī)劃方法研究[D];西北大學;2019年

10 王小亮;面向對地觀測的無人機路徑規(guī)劃與編隊控制方法研究[D];武漢大學;2017年

相關碩士學位論文 前10條

1 王明君;多無人機協同機場驅鳥系統的任務分配與路徑規(guī)劃[D];南京航空航天大學;2019年

2 周遂之;4G網絡無人機控制的設計與實現[D];重慶郵電大學;2019年

3 杜國棟;基于Leader-follower理論的四旋翼無人機編隊控制方法研究[D];重慶郵電大學;2019年

4 李卓文;無人機地面站管控系統的研究與開發(fā)[D];重慶郵電大學;2019年

5 胡續(xù)俊;基于GPU的無人機中繼系統傳播環(huán)境建模及仿真研究[D];南京航空航天大學;2018年

6 丁亞;基于系統工程方法的無人機族系統總體設計[D];南京航空航天大學;2019年

7 黃精琦;某小型海用無人飛行器發(fā)射與回收技術研究[D];南京航空航天大學;2019年

8 聶禾瑋;飛翼無人機機動控制技術研究[D];南京航空航天大學;2019年

9 沈佳明;基于快速原型的無人機仿真系統設計與開發(fā)[D];南京航空航天大學;2019年

10 翟麗相;基于反演控制的無人機容錯控制方法研究[D];南京航空航天大學;2019年

本文編號：2886050