多UCAV协同控制中的任务分配模型及算法

任务分配是多UCAV协同控制的核心和有效保证。分析了影响目标价值毁伤、UCAV损耗、任务消耗时间等三项关键战技指标的因素,综合考虑实战中多UCAV同时攻击同一目标和使用软杀伤武器这两种典型情况对UCAV执行任务的影响,建立了针对攻击任务的多UCAV协同任务分配模型,并应用粒子群算法求解。仿真结果验证了模型的合理性和算法的有效性。     

基于分解的多目标布谷鸟搜索算法求解多无人机协同任务分配问题

多无人机协同任务分配问题是一个多目标优化问题,将多目标优化问题转化为单目标优化问题的传统方法易造成决策的主观性和片面性.为帮助决策者做出科学决策,提出了一种基于分解的多目标布谷鸟搜索算法用于求解多无人机协同任务分配问题.通过对多无人机协同任务分配问题分析,建立了多无人机协同任务分配模型.将布谷鸟搜索算法的两个关键组件转化为多目标优化算法的繁殖算子,并结合一种自适应算子选择策略,构成了多目标布谷鸟搜索算法.设计了一种新的编码方案,将带约束的多目标优化问题转为无约束的多目标优化问题.仿真实验表明,多目标布谷鸟搜索算法能有效求解多无人机协同任务分配问题.     

多无人机协同任务分配方法

任务分配是多UCAV协同控制的核心和有效保证,是一类复杂的多目标优化问题。针对一种扩展的混合整数线性规划(MILP)任务分配模型,通过对模型特点的分析,提出一种基于相似度的遗传退火算法解决该问题并进行仿真实验,仿真结果表明该算法具有较强的收敛性和较好的多样性,验证了改进算法解决该问题模型的有效性。     

合同网多平台协同制导任务分配模型

分析了分布式平台协同制导任务分配问题,指出该问题属于复杂分布式系统实时动态任务分配问题.建立了协同制导平台管理Agent结构,并利用合同网的思想建立了协同制导任务分配模型.该模型可实现多次协同制导任务的实时动态分配,为实现多平台协同制导作战奠定了基础.     

多UCAV任务分配有限阶段MDP方法和算法

多UCAV(Unmanned Combat Air Vehicle)任务分配是无人机作战决策的重要内容,是一类求解困难的组合优化问题,目前尚无成熟高效的解决方案.通过马尔可夫决策过程(MDP)将任务分配问题化解为分阶段序列决策过程,并对当前阶段决策状态采用单一整数编码,提出了基于有限阶段MDP的求解算法.通过仿真实验表明:该算法可以快速精确地解决多UCAV任务分配的问题.     

基于任务拆分的多无人机任务分配多目标优化

针对多无人机协同攻击作战想定,基于任务需求可拆分,研究多无人机任务分配优化问题。引入任务时间窗约束,构建任务收益水平测度函数。建立寻求执行任务总成本最小和总收益最大的多无人机任务分配优化模型,并根据模型特点,设计三阶段禁忌搜索算法进行求解。仿真实验结果表明：考虑任务拆分相比不考虑拆分的分配方案,无人机执行任务成本及效益更优。     

多机协同对空目标探测与攻击任务的最优分配

针对信息化条件下多机协同空战中需要协同制导的问题,建立了探测任务和攻击任务分配的模型。首先根据战场态势和雷达探测能力建立探测任务分配模型,然后根据战场态势和武器作战能力建立攻击任务分配模型,最后将此多目标决策问题转化为单目标优化问题。通过建立可行解到粒子间的映射,提出了粒子群优化算法对该优化问题进行求解。仿真实验表明了该模型与算法的可行性与有效性。     

多UCAV协同任务规划的层次分解方法

针对多UCAV协同作战的控制决策问题,从任务、空域和时域三个角度阐述了多UCAV协同任务规划问题的层次特性,提出了多UCAV协同任务规划的分层迭代逻辑流程.基于该分层迭代逻辑流程,完成了多UCAV协同任务规划原型系统的开发工作,并进行了初步的综合仿真验证.仿真结果表明,所提出的分层迭代逻辑流程,可以降低任务规划问题的复杂度,是实现多UCAV协同任务规划的一种有效方法.     

基于模糊聚类——拍卖机制的火力协同方法

针对协同作战中环境影响复杂度高,火力分配不及时、效率低等问题,提出了陆战场协同任务分配方法,构建了多武器-目标任务的数学模型。在该数学模型的基础上,基于聚类算法与拍卖算法相结合的原理进行优化求解,在两级分配的模式下,可在更短的时间内获得分配方案。算例表明,所构建协同任务分配模型能够及时有效地获得任务分配方案,较好地解决了多武器-目标的协同任务分配问题。     

支持工人能力模糊度量和角色协同的软件众包任务分配

现有众包任务分配研究缺乏考虑对工人能力不确定性的度量,也未从众包平台的角度实现任务和工人间多对多模式下的协同分配。由此,提出支持工人能力模糊度量和角色协同的软件众包任务分配方法。该方法结合工人的历史表现和任务的需求期望,以模糊区间数评估工人的多属性能力匹配度,使用模糊层次分析法计算工人的综合胜任能力。引入基于角色协同理论,将多对多型任务分配建模为涉及一组任务与相关工人的组合优化问题,综合考虑任务权重、工人数量、潜在冲突等约束,以提高任务分配的效率和成功率,并给出一种基于CPLEX的问题求解方法。仿真实验结果表明,在确保获得全局任务集最佳完成质量的前提下,该方法能高效准确实现多对多模式下的任务分配。     

应用离散粒子群-郭涛算法分配多无人机协同任务

针对以往考虑时间窗约束的多无人机协同任务分配问题模型不能反映在有效时间窗内,任务执行时间对任务收益的影响及求解算法效率较低的问题。建立了将任务收益和任务执行时间直接联系起来的任务分配模型和可行解到粒子整数编码方式的映射,设计了混合离散粒子群-郭涛算法的组合优化问题求解策略。借助粒子群算法利用粒子自身信息和种群有用信息指导种群进化的本质特点,优化郭涛算法的适应性序列倒置操作;设计了可变的学习选择概率来选择个体的学习粒子,改进了序列倒置算子。仿真实验验证了该方法处理复杂任务分配问题的有效性。     

任务分配方法及其在指挥控制领域的应用

任务分配问题是一类经典的组合优化问题,任务分配方法的研究有利于作战指挥控制领域中多个问题的解决.从集中式分配和分布式分配的角度综述了任务分配方法,分析和对比了任务分配方法性能,最终探讨了在指挥控制领域应用任务分配方法的情况,并进行了应用展望.     

基于CBBA的多域作战无人系统任务规划方法研究

针对多域作战任务中异构无人系统的分布式任务规划问题,建立考虑时间窗约束、路径受限等情况下的多域作战任务分配模型;基于一致性束算法求解异构无人系统的任务分配问题;采用Bezier曲线和粒子群算法对一致性束算法进行了扩展,将路径规划耦合到任务分配过程中。仿真结果表明,扩展后的一致性束算法可以同步得到无冲突的多域作战无人系统任务分配解和路径规划结果,验证了其在多域作战无人系统任务规划方面的适用性。     

一种基于抽屉原理的无人机群目标分配算法

针对多UCAV协同目标分配问题,给出目标优化问题模型。在此基础上,基于抽屉原理和猫群算法,提出一种启发式无人机群协同目标分配及追击方法。仿真结果表明,该方法可以均匀分配目标,目标击毁效率高。     

分布式装备保障体系任务分配模型

针对信息化条件下装备保障体系分布式保障指挥与控制形式的特点、保障单元自主智能等特性及面向作战任务的装备保障任务分配要求,构建了基于多Agent的分布式装备保障体系任务分配框架,提出了以任务成功率为中心的分布式装备保障任务分配模型。根据分布式保障任务分配的市场机制特性和模型求解的特点,设计了分布式拍卖求解算法,通过保障单元个体目标的最大化来获得装备保障体系任务分配的理想收益。最后,通过案例仿真验证了模型与算法的合理性与有效性。     

基于买卖合同策略与PSO算法的异构UAV任务分配规划方法

针对PSO算法在初始化异构UAV协同任务分配效率不高、任务分配不均的问题,将PSO算法与买卖合同策略结合起来,运用买卖合同策略来调整PSO算法对异构UAV协同任务的初始分配,同时充分发挥PSO算法对多目标优化具有收敛速度快、寻优精度高等优势,有效解决了异构UAV对多类型任务规划的最优分配。仿真结果表明:该方法在保证任务分配合理的同时,能够有效解决多约束条件下异构UAV协同任务分配规划优化问题。     

多无人机协同任务规划方法

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。     

多目标的分布式协同进化MDO算法

通过引入非优超排序和排挤的多目标处理机制 ,将分布式协同进化MDO算法的能力扩展到多目标的多学科设计优化问题。多目标的分布式协同进化MDO算法在保持各学科充分自治和各学科并行设计优化协同的基础上 ,通过一次运行即可获得具有良好分布的多个Pareto最优解 ,逼近整个Pareto最优前沿。应用于导弹气动 /发动机 /控制三学科两目标设计优化问题 ,与约束法计算结果的对比表明算法能够有效逼近该问题的Pareto最优前沿 ,为设计决策提供了丰富的信息     

双层随机机会约束规划的通信干扰任务分配优化仿真

研究不确定条件下的通信干扰任务分配优化问题具有重要的军事意义。基于干扰效益因子的概念,剖析了影响通信干扰任务分配的不确定性因素,建立了基于双层随机机会约束规划的通信干扰任务分配优化模型,设计了遗传蚁群智能算法,实例计算得到了通信干扰任务分配的最佳策略。     

基于改进QGA的有/无人机编队多任务联盟生成

针对有/无人机编队作战中多约束复杂任务分配问题,提出一种改进QGA(Quantum Genetic Algorithm,QGA)的多任务联盟求解方法。首先确定任务需求、时间、平台能力等多种约束,综合考虑联盟总任务收益、耗费成本与任务时间因素,构造目标函数,建立了多任务联盟生成优化问题模型;从多分组并行演化、观测值修正、动态旋转角调整3方面对QGA算法进行改进用于问题求解;并结合实际案例进行了仿真分析,结果表明,提出的方法可以有效生成多任务联盟,解决有/无人机编队多约束复杂任务分配问题,解质量较高。