多无人机协同任务规划方法

收稿日期：2017-03-29
修回日期：2017-05-19
作者简介：王钦钊（1973-），男，山东文登人，博士生导师。

研究方向：火控系统、系统仿真。

摘
要：针对多UCAV 协同作战的复杂问题，建立了多无人机任务分配模型，模型在任务规划前进行路径预规
划，增强规划过程的准确性，提出一种基于整数编码的多种群混合遗传算法对问题求解并进行仿真实验。

实验结果表明，该算法增强了搜索的有效性，极大地避免了遗传算法容易陷入未成熟收敛的缺陷，保证了寻优过程的收敛性和任务规划效果的最优化。

关键词：无人作战飞机，任务规划，多种群混合遗传算法，路径规划中图分类号：TP391
文献标识码：A
DOI ：10.3969/j.issn.1002-0640.2018.03.019
多无人机协同任务规划方法
王钦钊，程金勇，李小龙（陆军装甲兵学院，北京100072）
Method Research on Cooperative Task Planning for Multiple UCAVs
WANG Qin-zhao ，CHENG Jin-yong ，LI Xiao-long
（Army Academy of Armored Force ，Beijing 100072，China ）
Abstract ：To solve the complicated problem of multiple UCAVs cooperative combat ，multiple Unmanned Aerial Vehicles task allocation model is established ，route planning should be done before
mission planning in order to enhance the accuracy of the planning process.A method based on multi-population hybrid genetic algorithm with integer coding for multiple UCAVs ’cooperation task allocation is designed and the simulation experiment is carried out.The results show that this algorithm has strong effectiveness to solve the problem ，greatly avoids the defect that the genetic algorithm is easy to fall into premature convergence ，which ensures the convergence of the optimization process and the optimization of the task planning effect.
Key words ：
UCAV ，task allocation ，multi-population hybrid genetic algorithm ，route planning 0引言
无人作战飞机（Unmanned Combat Aerial Vehi-cle ，简称UCAV ）是一种能完成压制防空、实施对地轰炸与攻击、执行对空作战任务的空中无人作战系
统［1］。

与单无人机相比，多无人机协同系统在时间、空间、功能、信息和资源上的分布特性，使其具有更强的工作能力和鲁棒性。

任务规划作为多无人机协同的基本问题之一，具有十分重要的地位。

作战环境下，由于受到各种因素的约束，多无人机协同任务规划问题是一个约束众多而复杂的NP 问题，在算法的求解上比较困难，尤其是在规模较大时，获得最优解的代价较大，制约了实际战场应用［2］，因
此，合理而有效的任务规划方案对于提高多无人机
的作战效能具有至关重要的作用。

目前采用较多的问题模型有多旅行商问题［3-4］
（Multiple Traveling Salesman Problem ，MTSP ）、车辆调度和路径规划问题模型（Vehicle Routing Problem ，VRP ）、混合整数线性规划问题模型（Mixed Integer Linear Programming ，MILP ）等。

任务分配求解的算法主要有蚁群算法、memetic 算法、基于合同网拍卖算法、差分进化算法等，大部分算法主要针对传统的多旅行商问题进行求解，无法对具有多约束条件的实际问题进行有效的求解。

本文基于多无人机协同作战问题，构建任务分配模型，针对遗传算法容易陷入局部最优和早熟的
文章编号：1002-0640（2018）
03-0086-04Vol.43，No.3Mar ，2018
火力与指挥控制
Fire Control &Command Control 第43卷第3期2018年3月
86··
（总第43-）
缺陷，提出一种基于整数编码的多种群混合遗传算
法（Multi-Population Hybrid Genetic Algorithm ，MPH-GA ）进行求解，最后以典型的压制敌防空火力作战任务（Suppression of Enemy Air Defences ，SEAD ）为想定，进行matlab 仿真实验和验证。

1多无人机任务分配模型
1.1问题描述
假设多个无人作战飞机对敌方地面固定目标执行攻击的任务，攻击前通过前期侦察手段已预先获知战场环境和目标分布信息。

综合考虑实际作战环境中的目标种类差异、无人机个体载荷和协同约束、实际战场环境威胁约束等条件，对作战问题进行建模：
E 为战场环境；待执行任务的无人机群体集合
为，无人机的数量为N R ；攻击目
标集合
为
，目标数量为N T ；不同
的战场目标具有不同的价值、攻击优先度和抵抗能力，目标的价值集
合；不同的
无人机载弹载荷和自身价值可能不同，无人机的价
值集合
为。

在二维空间任一时刻内，无人作战飞机的位置
为
，目标的位置
为。

根
据相应的任务规划方案，每架无人机分配到一条
任务执行路线P ，例如无人机r i 任务方案是对3个目标进行攻
击
，任务执行路线为。

1.2目标函数
无人机执行作战任务目的是消灭目标价值最大，自身的损伤代价最小，同时为避免任务执行过程中出现意外情况，任务完成的时间最少。

但实际作战过程中很难保证各个指标均为最优化，需要指战员在任务要求的基础上对各个指标赋予相应的权重。

本文在下一节中采用系数归一化处理方法引入指挥员决策偏好对目标函数的不同指标进行处理。

1）运动总时间。

无人机运动距离越长，暴露在敌方威胁下的时间越长，被击落的可能性越大，因此，为了降低风险，要求无人机的运动时间最短。

（1）
2）任务完成时间。

战场环境瞬息万变，如何以最短的时间结束战斗是胜负的关键，任务执行时间指标为
：
（2）
3）攻击目标的价值收益。

目标价值最大化是战
争的目的，为了方便进行计算和适应度函数的确立，采用目标的剩余价值量来进行评估。

（3
）（4）
V all 为所有目标的总价值；S ij 代表第i 架无人机攻击第j 个目标，无人机的生存概率；AK ij 代表第i 架无人机攻击第j 个目标，对于目标的损伤概率；V ij 表示目标毁伤的总价值。

4）无人机的损伤代价。

追求无人机损伤代价的最小
化。

（5
）（6）
A ij 表示第i 架无人机攻击第j 个目标时无人机的损伤概率。

1.3约束条件
1）多无人机对目标进行打击的过程不能超过目标的最大价值
：
（7）
2）单架无人机的执行能力约束
：
（8）
n 为第i 架无人机的载弹量。

3）目标任务必须被执行，各目标T 的抵抗能力不同，有的可能需要多无人机进行协同打击。

（9）
4）无人机的航程约束，无人机具有油耗限值，不能无限制运动，每个无人机的运动总距离越小越好。

（10）
2模型算法求解
2.1路径规划
实际环境中存在障碍物和禁飞区，为了确保任务规划模型中的路径可行，在任务规划之前，需要对可行路径进行预规划，增强规划过程的准确性和可行性。

王钦钊，等：多无人机协同任务规划方法87··
0463
（总第43-）火力与指挥控制2018年第3期
本文首先构建描述战场环境的禁飞区和目标
点的二维平面分布图，利用MAKLINK图论算法建
立路径规划的二维空间，采用dijkstra算法规划初始
路径，在初始路径基础上使用蚁群算法生成全局最
优路径，保证航路可行并且避障［5］。

通过以上算法
获取每架无人机到每个目标点和任意两目标点之
间的线路，用于准确的计算任务规划中的运动时间
代价。

路径规划算法流程如图1。

图1路径规划算法流程图
2.2基于整数编码的多种群遗传算法
遗传算法（Genetic Algorithm，GA）是一种借鉴生物界的自然选择和进化过程发展起来的高度并行、随机、自适应的全局优化搜索算法，由Holland教授于1975年首先提出［6-7］。

遗传算法能够自适应地控制搜索过程，具有较强的鲁棒性和全局搜索能力，但是容易早熟。

基于整数编码的多种群遗传算法能够确保搜索过程的快速收敛性和多样有效性。

多种群遗传算法是从保持和增强种群多样性的角度出发而提出的进化模型，编码方式采用单染色体整数编码方式，所有的个体被分组成若干个分种群，每个分种群按照设定好的进化策略独立地在可行解空间内进行搜索，从各个分种群中迭代进化的子代中选择精英个体，融合共同组成新一代精英种群，新一代种群重复上述过程，继续独立进化，直到迭代过程满足终止条件为止，图2为该算法的流程图。

该算法极大地避免了传统遗传算法容易陷入未成熟收敛的缺陷［8］，扩大了搜索范围，保证了寻优过程的收敛性和任务规划效果。

2.2.1个体编码
种群个体采用单染色体整数编码方式，每条染色体代表待优化问题的一个可行解。

如表1所示，r1r2r3分别代表3架无人机，1~9代表待攻击目标。

该染色体含义是r1攻击1，2；r2攻击5，3，7，4；r3攻击8，6，9。

表1编码方式
2.2.2选择和变异算子
基因交换算子：以一定的概率随机交换染色体中两个基因的位置，基因交换算子包含单点换位和多点换位。

单点交换每次只交换一对基因的位置，多点交换一次交换N对基因。

基因插入算子：将染色体中的某一个或者某一串基因移除，并随机地插入该染色体其他位置。

基因倒转算子：以一定的概率将染色体中某一串基因序列反转，在一条染色体中进行基因倒转的基因长度随机选取。

选择算子好坏直接影响到遗传算法收敛性，选择压力过大容易导致未成熟收敛，选择压力过小则会导致收敛速度过慢。

本文采用轮盘赌方法进行筛选，适应度值越大的个体被选中的概率越大。

2.2.3适应度目标函数的确定
多目标组合优化问题求解过程中，根据指挥员决策意图确定不同指标的权重，将不同的指标函数归一化处理，使得多目标的整数规划问题（Mul-ti-Objective Programming，MOP）转化为单目标的整数规划问题。

式（11）中不同
的值取决于指挥员的决策意图。

设计函数如下
：
（11
）
12r15374r2869r3
图2MPGA算法的流程图
88
··
0464
（总第43-）
图3传统遗传算法任务规划结果图
其中
：
（12）
2.3算法流程
1）初始化。

设置打击区域的目标点数目n ，区域中节点位置，无人机数目m ，无人机的武器载荷q （攻击目标数目的最大值）；2）使用2.1节中的路径规划算法进行路径的预先规划；3）初始化多种群算法参数：包括种群数量、分种群组数、迭代次数、分种群遗传算子参数等，随机生成初始种群；4）根据2.2节所述，种群进行进化更新；5）检验是否满足终止条件，满足则输出最终分配方案，不满足则重复3）。

3仿真实验
为了验证上述模型和算法的有效性，在SEAD 场景中进行仿真实验。

我方4架无人机R1~R4攻击敌方的10个目标E0~E9。

每架无人机至少打击1个目标，最多打击5个目标。

表2和表3分别为各个目标和无人机的价值。

目标损伤概率和无人机生存概率为0~1随机生成，如表4和表5所示。

为了对比算法效果，采用多种群混合遗传算法和标准遗传算法分别对问题进行求解。

表2目标价值矩阵
表3我方无人机价值矩阵
设定种群规模为100，子种群数N =5，最大迭代次数K =800，分组种群中基因交换、插入、倒转算子的概率参数不同，采用MATLAB 仿真。

两种算法的仿真结果如图3和图4所示。

根据任务分配模型采用多种群遗传算法求解得到的最优分配方案为：R1（E9—E1），R2（E4—E3—E8），R3（E0），R4（E7—E2—E5—E6）。

图5中SGA 和MPHGA 曲线分别表示传统遗传算法和多种群算法的多次实验的平均结果。

可以看出，多种群遗传算法在260代即收敛到最优值，而传统遗传算法在467代才收敛到较优值。

实验结果表明传统的
目标E0E1价值0.60.2目标E5E6价值
0.5
0.9
E20.4E70.6
E3E40.80.9E8E90.9
0.1
目标R1R2价值
0.4
0.8
R30.6
R40.6
表4目标损伤概率矩阵
表5我方无人机生存概率矩阵E0
E1R10.520.15R4
0.12
0.24
E20.250.90
E3E40.570.710.12
0.20
R20.180.550.460.930.12R30.100.500.090.250.95R30.620.930.10.620.95R4
0.320.080.490.660.28E5
E6E7E8E9R10.630.750.50.810.7R20.080.100.120.080.12E0
E1R10.020.2R4
0.13
0.08
E20.980.98
E3E40.640.560.13
0.19
R20.790.10.940.060.03R30.60.620.510.320.08R30.960.320.080.960.35R40.40.40.620.080.98E5E6E7E8E9R10.140.640.560.140.93R20.480.060.030.48
0.26图4多种群遗传算法任务规划结果图
（下转第94页）
王钦钊，等：多无人机协同任务规划方法89··
0465
（总第43-）
火力与指挥控制2018年第3
期
图5迭代代数对比图
遗传算法陷入未成熟收敛，收敛速度较慢，而多种群遗传算法的收敛速度和寻优能力均优于传统遗传算法。

综上所述，多种群算法明显改善了遗传算法易陷入未成熟收敛的缺陷，提高了收敛速度，性能优于传统遗传算法。

4结论
仿真结果显示，多种群遗传算法具有较快的收敛速度和较高的寻优能力，能够对任务想定进行合理的规划，同时算法兼顾了无人机运动距离、目标价值等约束条件，在性能、寻优能力和速度方面均优于传统遗传算法。

参考文献：
［1］王鹏.无人作战飞机的特点和未来发展［J ］.国防科技，
2011，32（1）：23-29.
［2］KARABOGA D.An idea based on honey bee swarm for
numerical optimization ［R ］.Kayseri ：Engineering Faculty Computer Engineering Department ，Ereiyes University ，2005.
［3］田菁.多无人机协同侦察任务规划问题建模与优化技术
研究［D ］.长沙：国防科学技术大学，2007：14-20.［4］ZHOU W.LI Y.An improved genetic algorithm for multiple
traveling salesman problem ［C ］//2nd International Asia Conference on Informatics in Control ，Automation and Robotics （CAR ）.China ：Wuhan ，2010（3）：493-495.［5］郁磊，史峰.matlab 智能算法［M ］.北京：北京航空航天大
学出版社，2015.
［6］刘慧霞，马丽娜，李大健，等.无人机多机协同侦察系统关
键技术［J ］.火力与指挥控制，2017，42（12）：1-4.
［7］HOLLAND J H.Adaptation in natural and artificial systems
［M ］.Ann Arbor ：The University of Michigan Press ，1975.［8］LIU C ，KROLL A.On designing genetic algorithms for solving
small-and medium-scale traveling salesman problems ［C ］//International
Symposium
on
Swarm
Intelligence
and
Differential Evolution （SIDE 2012）.Poland ：Zakopane ，2012（4）：283-291.
（上接第89页）
Journal of Astronautics ，2006，3（27）：386-389.
［5］孙雷，李冬，易东云.基于迭代UKF 的主动段弹道跟踪算
法研究［J ］.计算机工程与科学，2014，36（1）：121-125.［6］TIAN K S ，ZHANG F.Multi-target tracking algorithm of
boost-phase ballistic missile defense ［J ］.Journal of Systems Engineering and Electronics ，2013，24（1）：90-100.［7］LIU M ，YU J G ，YANG L ，et al.Consecutive tracking for bal-listic missile based on bearings 一only during boost phase ［J ］.Journal of Systems Engineering and Electronics ，2012，23（5）：700-707.
［8］盛卫东，许舟，周一宇，等.基于高斯混合概率假设密度滤
波的扫描型光学传感器像平面多目标跟踪算法［J ］.航空学报，2011，32（3）：497-506.
［9］龙云利，盛卫东，徐晖.锥扫型光学传感器像平面多目标
轨迹跟踪［J ］.通信学报，2011，32（9）：123-128.
［10］熊志刚，黄树彩，赵炜，等.嵌入式容积粒子PHD 多目标
跟踪算法［J ］.信号处理，2016，32（6）：676-683.［11］VO B ，PASHA A ，TUAN H D.A gaussian mixture PHD fil-ter for nonlinear jump markov models ［C ］//in 45th IEEE Conference on Decision &Control ，2006.
［12］杨峰，王永齐，梁彦，等.面向快速多目标跟踪的协同
PHD 滤波器［J ］.系统工程与电子技术，2014，36（11）：2113-2121.［13］李翠芸，江舟，姬红兵，等.基于拟蒙特卡罗的未知杂波
GMP-PHD 滤波器［J ］.控制与决策，2014，29（11）：1997-2001.
［14］WU X H ，HUANG G M ，GAO J.Particle filters for probabil-ity hypothesis density filter with the presence of unknown measurement noise covariance ［J ］.Chinese Journal of Aero-nautics ，2013，26（6）：1517-1523.
［15］ZHANG L P ，WANG L P ，LI B ，et al.Kernel density esti-mation and marginalized-particle based probability hypoth-esis density filter for multi-target tracking ［J ］.Journal of Central South University ，2015，22（3）：956-965.
［16］WANG X B ，ZHANG H S ，FU M Y.Collaborative target
tracking in WSNs using the combination of maximum likeli-hood estimation and Kalman filtering ［J ］.J Control Theory Appl ，2013，11（1）：27-34.
［17］赵光琼，陈绍刚，付奎，等.基于变尺度变换减少Sigma
点的粒子滤波算法研究［J ］.自动化学报，2015，41（7）：1350-1355.
［18］MAROULAS V ，STINIS P.Improved particle filters for mul-ti-target tracking ［J ］.Journal of Computational Physics ，2011，231（2012）：602–611.
［19］盛卫东.天基光学监视系统目标跟踪技术研究［D ］.长
沙：国防科学技术大学，2011.
94··
0470。