多无人机动平台中任务规划相关技术研究
发布时间：2021-09-24 10:17
任务规划是指为高效完成任务制定计划,使得全局任务的收益最大化。任务规划从功能上主要分为任务分配和路径规划,该技术被广泛应用在民用领域和军用领域。由于当前任务呈现多地点和多样性的特点,单无人机动平台无法独立完成此类任务。而多无人机动平台通过合作可以高效率地完成此类任务,并具有鲁棒性强和可靠性高等特点。因此本文针对多无人机动平台任务规划相关技术开展研究。本文在对现有任务规划技术分析的基础上,重点研究多无人机动平台任务分配和路径规划技术。首先,针对任务分配随着任务规模增大而导致效率降低的问题,提出基于进化学习的离散粒子群算法。该算法通过对粒子进行顺序编码,实现粒子位置与问题可行解的映射,改进了粒子的进化方式,把同代群体粒子影响引入粒子位置更新公式中,保证种群的多样性,增强算法的全局搜索能力。同时在粒子向极优值学习的过程中,算法引入中间个体接受概率,提高跳出局部最优值的能力,加快算法收敛速度,提高任务分配的效率。其次,针对多无人机动平台路径规划实时性差的问题,提出基于邻域扰动的动态路径规划算法。该算法对状态的产生方式进行改进,采用五种邻域扰动机制减小新状态产生的随机性,并记录当前最优状态,使其...
【文章来源】：沈阳理工大学辽宁省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
仿真简化流程
-42-从最好解随迭代次数的变化曲线可以看出，PSO算法的的初始种群适应度最低，在前20步收敛速度较快，但进入到最优解区间后，迭代60步之后算法收敛，而DPSO-EL算法和DPSO算法在迭代40步之后开始收敛。从平均解的变化曲线可以看出，DE算法粒子适应度波动不大，而DPSO-EL算法和DPSO算法在前期保持快速下降趋势，说明这两种算法不会出现所有粒子趋同的现象，搜索过程中能一直保持较好的寻优能力。从最差解的变化曲线可以看出，DPSO-EL算法优于DE算法和DPSO算法。综上所述，DPSO-EL算法在迭代初期具有较强的全局搜索能力，随着迭代数的增加，粒子逐渐向最优解靠近，局部搜索能力有所提升。PSO算法、DPSO算法和DPSO-EL算法三种算法最优解的性能比较如图5.6所示。图5.6三种算法的性能对比Fig.5.6Performancecomparisonofthethreealgorithms由图5.6可以看出，三种算法在前40步的收敛速度都很快，在进入最优解区间后，DPSO-EL算法很快能收敛到最优值，而PSO算法和DPSO算法需要更长的时间；从解的性能来看，DPSO-EL算法和DPSO算法收敛于同一最优解，适应度低于DE算法搜索到的最优解，说明这两种算法比PSO算法的任务分配效果更好。综上所述，DPSO-EL算法与PSO算法和DPSO算法相比，不仅收敛速度快，而且能寻到更好的最优值，说明该算法在处理任务分配问题上能找到收益高、代价小的分配方案。DPSO-EL算法得到最优的任务分配结果如表5.4所示。
-43-表5.4最优分配结果Table5.4Optimalallocationresults无人机动平台任务分配U1T2、T4、T8U2T3、T6、T14、T15U3T7、T11、T16、T18U4T1、T13、T17U5T5、T9、T10、T12从表中数据可知，通过DPSO-EL算法得到的最优分配方案是：将任务目标T2、T4和T8分配给无人机动平台U1；任务目标T3、T6、T14、T15分配给无人机动平台U2；任务目标T7、T11、T16、T18分配给无人机动平台U3；任务目标T1、T13、T17分配给无人机动平台U4；任务目标T5、T9、T10、T12分配给无人机动平台U5。（2）PSO算法、DPSO算法、DPSO-EL算法实时性对比为了对本文提出的DPSO-EL算法在求解任务分配问题上的实时性进行验证，对5-18、10-40、15-80型任务分别采用PSO算法、DPSO算法、DPSO-EL算法进行50次仿真实验，算法在三种任务类型下的执行时间分别如图5.7，图5.8和图5.9所示。图5.75-18型任务算法执行时间对比图Fig.5.75-18typetaskalgorithmexecutiontimecomparisonchart由图5.7可得，PSO算法的执行时间最长，在算法迭代过程中，时间均在0.5s
【参考文献】：
期刊论文
[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]改进的蚁群算法在机器人路径规划上的应用[J]. 张晓莉,杨亚新,谢永成. 计算机工程与应用. 2020(02)
[3]多机器人系统任务分配及编队控制研究[J]. 连云龙,张子轩,黎树明,许兆丰,杨亮. 电子设计工程. 2019(18)
[4]无人机任务规划约束空间建模[J]. 李文广,胡永江,孙世宇,李建增,褚丽娜. 现代防御技术. 2019(04)
[5]无人驾驶直升机在核事故医学救援中的应用[J]. 鹿达,袁晓健,苏文山. 解放军医院管理杂志. 2019(06)
[6]基于优化DPSO算法的云平台任务调度研究[J]. 于国龙,崔忠伟,熊伟程,左羽. 内蒙古师范大学学报(自然科学汉文版). 2019(04)
[7]改进人工势场法自主移动机器人路径规划[J]. 罗强,王海宝,崔小劲,何晶昌. 控制工程. 2019(06)
[8]基于改进遗传算法的矿山救援机器人路径规划[J]. 周栾,陈尔奎,吴梅花. 煤炭技术. 2019(06)
[9]移动群智感知系统中基于离散布谷鸟搜索算法的任务分配[J]. 杨正清,周朝荣,袁姝. 计算机应用. 2019(09)
[10]面向多航天器协同的自主任务规划方法研究[J]. 陈丹,程伟,高延超,王怡倢. 计算机测量与控制. 2019(05)
硕士论文
[1]面向多无人机的协同任务预分配及重分配研究[D]. 吴歇尔.南昌航空大学 2018
本文编号：3407583
【文章来源】：沈阳理工大学辽宁省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
仿真简化流程
-42-从最好解随迭代次数的变化曲线可以看出，PSO算法的的初始种群适应度最低，在前20步收敛速度较快，但进入到最优解区间后，迭代60步之后算法收敛，而DPSO-EL算法和DPSO算法在迭代40步之后开始收敛。从平均解的变化曲线可以看出，DE算法粒子适应度波动不大，而DPSO-EL算法和DPSO算法在前期保持快速下降趋势，说明这两种算法不会出现所有粒子趋同的现象，搜索过程中能一直保持较好的寻优能力。从最差解的变化曲线可以看出，DPSO-EL算法优于DE算法和DPSO算法。综上所述，DPSO-EL算法在迭代初期具有较强的全局搜索能力，随着迭代数的增加，粒子逐渐向最优解靠近，局部搜索能力有所提升。PSO算法、DPSO算法和DPSO-EL算法三种算法最优解的性能比较如图5.6所示。图5.6三种算法的性能对比Fig.5.6Performancecomparisonofthethreealgorithms由图5.6可以看出，三种算法在前40步的收敛速度都很快，在进入最优解区间后，DPSO-EL算法很快能收敛到最优值，而PSO算法和DPSO算法需要更长的时间；从解的性能来看，DPSO-EL算法和DPSO算法收敛于同一最优解，适应度低于DE算法搜索到的最优解，说明这两种算法比PSO算法的任务分配效果更好。综上所述，DPSO-EL算法与PSO算法和DPSO算法相比，不仅收敛速度快，而且能寻到更好的最优值，说明该算法在处理任务分配问题上能找到收益高、代价小的分配方案。DPSO-EL算法得到最优的任务分配结果如表5.4所示。
-43-表5.4最优分配结果Table5.4Optimalallocationresults无人机动平台任务分配U1T2、T4、T8U2T3、T6、T14、T15U3T7、T11、T16、T18U4T1、T13、T17U5T5、T9、T10、T12从表中数据可知，通过DPSO-EL算法得到的最优分配方案是：将任务目标T2、T4和T8分配给无人机动平台U1；任务目标T3、T6、T14、T15分配给无人机动平台U2；任务目标T7、T11、T16、T18分配给无人机动平台U3；任务目标T1、T13、T17分配给无人机动平台U4；任务目标T5、T9、T10、T12分配给无人机动平台U5。（2）PSO算法、DPSO算法、DPSO-EL算法实时性对比为了对本文提出的DPSO-EL算法在求解任务分配问题上的实时性进行验证，对5-18、10-40、15-80型任务分别采用PSO算法、DPSO算法、DPSO-EL算法进行50次仿真实验，算法在三种任务类型下的执行时间分别如图5.7，图5.8和图5.9所示。图5.75-18型任务算法执行时间对比图Fig.5.75-18typetaskalgorithmexecutiontimecomparisonchart由图5.7可得，PSO算法的执行时间最长，在算法迭代过程中，时间均在0.5s
【参考文献】：
期刊论文
[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]改进的蚁群算法在机器人路径规划上的应用[J]. 张晓莉,杨亚新,谢永成. 计算机工程与应用. 2020(02)
[3]多机器人系统任务分配及编队控制研究[J]. 连云龙,张子轩,黎树明,许兆丰,杨亮. 电子设计工程. 2019(18)
[4]无人机任务规划约束空间建模[J]. 李文广,胡永江,孙世宇,李建增,褚丽娜. 现代防御技术. 2019(04)
[5]无人驾驶直升机在核事故医学救援中的应用[J]. 鹿达,袁晓健,苏文山. 解放军医院管理杂志. 2019(06)
[6]基于优化DPSO算法的云平台任务调度研究[J]. 于国龙,崔忠伟,熊伟程,左羽. 内蒙古师范大学学报(自然科学汉文版). 2019(04)
[7]改进人工势场法自主移动机器人路径规划[J]. 罗强,王海宝,崔小劲,何晶昌. 控制工程. 2019(06)
[8]基于改进遗传算法的矿山救援机器人路径规划[J]. 周栾,陈尔奎,吴梅花. 煤炭技术. 2019(06)
[9]移动群智感知系统中基于离散布谷鸟搜索算法的任务分配[J]. 杨正清,周朝荣,袁姝. 计算机应用. 2019(09)
[10]面向多航天器协同的自主任务规划方法研究[J]. 陈丹,程伟,高延超,王怡倢. 计算机测量与控制. 2019(05)
硕士论文
[1]面向多无人机的协同任务预分配及重分配研究[D]. 吴歇尔.南昌航空大学 2018
本文编号：3407583
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3407583.html
