引言
随着战场环境日益复杂,多无人机协同攻击任务已成为了当前的热点研究方向。为了充分利用资源,提高无人机的效能,本文对多无人机攻击型任务分配进行了研究。多无人机任务分配问题是寻求一种合理的方法将M个位置、价值不同的任务分配给作战半径、位置、弹药量不同的N个无人机,使得总体效能最大。目前多无人机分布式的任务分配方法主要有:①基于市场机制的方法。如基于合同网协议和拍卖协议计划的方法,这类方法可实现全局最优分配,但是通信负载较大,分配效率低,对通信依赖较强,一旦通信中断,系统性能将大幅下降。②群智能方法。如蚁群算法和阂值响应法。该方法通过隐式协调和隐式通信来完成任务分配,不需要中央控制,具有灵活性和鲁棒性,但易陷于局部最优。
人工免疫算法作为启发式算法的一种,近来在故障诊断、杀毒、车间作业调度等方而应用越来越多,然而在任务分配方而的应用却很少,本文运用此算法进行任务分配。
1人工免疫算法
生物免疫系统中,抗原是指能够刺激和诱导机体的免疫系统使其产生免疫应答,并能与相应的免疫应答产物在体内或体外发生特异性反应的病原体成分。抗体是指免疫系统受抗原刺激后,免疫细胞转化为浆细胞并产生能与抗原发生特异性结合的免疫球蛋白。而抗体和抗原之间的匹配程度越高亲和度越高。人工免疫算法模仿生物免疫系统,最初从20世纪80年代中期的免疫学研究发展而来。1990年,首次使用免疫算法来解决问题。在多无人机任务分配中分配问题即抗原,产生的可行解即抗体,可行解的质量即亲和度。
人工免疫算法步骤:本文采用人工免疫算法解决无人机任务分配模型,算法步骤如下:
步骤1:定义初始抗体种群,迭代次数,无人机、目标的信息。步骤2:随机产生初始种群,将满足约束的N个抗体组成抗体群。步骤3:对抗体群的亲和度f进行评价,将目标函数作为亲和度评价的标准,亲和度越高则抗体越好。步骤4:克隆选择和扩展,每个抗体亲和度f,抗体总亲和度f;根据f/f*N四舍五入取整对高亲和度的抗体克隆N个抗体组成新抗体群,亲和度越高克隆数越多。步骤5:首先对克隆体任意两个位置进行反转突变,对满足约束条件的抗体进行亲和度评价,如果优于之前的克隆体则代替,否则进行成对交换突变,如果亲和度优于之前的克隆体则代替,否则保持原先的克隆体。突变率与亲和度f成反比。步骤6:抗体编辑:用新的随机生成的满足约束条件的抗体代替上述群体中产生的d%个亲和度差的抗体;步骤7:抗体浓度调节:将浓度过高的抗体写入记忆库中,去掉浓度超过5%的个体,保持种群的多样性。步骤8:最终检测:迭代次数达到I=}}值就返回最好的抗体,否则转步骤30
2实验结果分析
针对本文提出的无人机任务分配模型,采用人工免疫算法在2.2GHZ、内存2GB,64位操作系统的计算机上进行了仿真实验。考虑3个机场,每个机场2个无人机,共有9个目标,按照本文提出的模型,变量个数为CND+D 2*n*mo A=0.8B=0.2, a=1,种群规模为40,将人工免疫算法和遗传算法分别运行50次,实验结果如图1所示。结果表明,人工免疫算法应用于无人机任务分配是可行的,并且解的质量不低于遗传算法,收敛速度更快。原因在于遗传算法有交叉和变异算子,但是其最主要的是交叉算子,变异算子只是作为辅助手段防比过早的陷入局部最优。人工免疫算法在寻找最优解的过程中只运用突变操作,快速跳出局部最优,抗体编辑步骤和浓度调节能够较快地寻找到全局最优解,因此在收敛速度上人工免疫算法较优。
3结论
人工免疫算法能够有效地解决无人机任务分配问题,本文对无人机的重量和路径负载进行了约束,所得的可行解略优于遗传算法,并且更快收敛。本文将人工免疫算法应用于小规模的任务分配,对于大型的复杂的多种类型的任务分配没有做深入研究,也没有考虑具有时序约束的任务类型,以后的方向可以对这类问题展开深入的探讨。