試述基于自適應(yīng)遺傳算法的無(wú)人機(jī)任務(wù)分配

李佳

四川大學(xué) 電子信息學(xué)院 四川 成都 610065

引言

近年來(lái)無(wú)人機(jī)的任務(wù)分配問題引起了廣泛關(guān)注。高效的協(xié)同任務(wù)分配方案能夠提升機(jī)群執(zhí)行任務(wù)的成功率和效率，降低成本和風(fēng)險(xiǎn)。開展多無(wú)人機(jī)的協(xié)同任務(wù)分配問題研究，具有重大的意義。

文獻(xiàn)[1]將節(jié)約里程法與最近鄰算法引入遺傳算法中，解決了多基地、多無(wú)人機(jī)的戰(zhàn)場(chǎng)物資配送任務(wù)分配問題。文獻(xiàn)[2]建立以任務(wù)執(zhí)行時(shí)間和攻擊收益為綜合性能指標(biāo)的任務(wù)分配優(yōu)化模型，提出避免產(chǎn)生“死鎖”現(xiàn)象的基于多類型基因編碼的改進(jìn)遺傳算法。針對(duì)異構(gòu)型多無(wú)人機(jī)協(xié)同偵察任務(wù)決策問題[3]，提出了一種分布式的擴(kuò)展CBBA算法。

現(xiàn)有的任務(wù)分配模型中缺乏對(duì)異構(gòu)無(wú)人機(jī)屬性和多任務(wù)類型的考量。因此，我們提出了一種自適應(yīng)遺傳算法。首先，引入多類型基因，建立無(wú)死鎖染色體編碼策略。根據(jù)染色體編碼策略，我們修改了交叉和變異算子，保證了遺傳算法種群的可行性。

1 任務(wù)分配模型

2 進(jìn)的自適應(yīng)遺傳算法

2.1 染色體編碼策略

圖1 染色體編碼方式

為了描述偵察-打擊-評(píng)估任務(wù)中的多個(gè)任務(wù)，提出了具有多類型基因的染色體編碼策略。

（1）多類型基因的染色體

2.2 遺傳操作

本文根據(jù)多類型基因的染色體編碼策略，對(duì)交叉和突變算子進(jìn)行改進(jìn)。

2.2.1 選擇操作。用 表示種群中個(gè)體的適應(yīng)度的值，n表示種群中個(gè)體的數(shù)量，采取輪盤賭法使種群個(gè)體適應(yīng)度值 較大的被選擇。

2.2.2 交叉操作。交叉操作是將兩個(gè)選擇的親本染色體的基因信息交換，從而產(chǎn)生兩個(gè)后代染色體。本文選擇兩點(diǎn)交叉算子。

2.2.3 變異操作。突變操作改變所選親本染色體的一個(gè)或多個(gè)基因，以產(chǎn)生后代染色體。突變操作的目的是通過(guò)對(duì)基因的突變來(lái)提高局部搜索能力。本文突變無(wú)人機(jī)航向角或者分配無(wú)人機(jī)信息。

2.2.4 自適應(yīng)設(shè)置。

3 仿真實(shí)驗(yàn)

3.1 仿真參數(shù)設(shè)置

3.2 實(shí)驗(yàn)結(jié)果

2種算法的優(yōu)化指標(biāo)主要體現(xiàn)在4個(gè)方面：目標(biāo)值的最小值、最大值、平均值和收斂指數(shù)。其中收斂指數(shù)

收斂效果。fffffa為n次迭代后的目標(biāo)值，fffff9為迭代前的初始目標(biāo)值， 越小，算法的收斂性能越好。從圖2可以看出，所提出的AGA具有更好的性能。因此，與GA算法相比，該算法在不同場(chǎng)景下都能獲得更好的CMTAP解。

圖2 AGA、GA在三種場(chǎng)景下的性能指標(biāo)對(duì)比