[0001] 本发明属于无人机任务分配领域，涉及一种异构运载平台投递模式下异构无人机协同任务规划方法。

[0002] 异构无人机协同技术在现代战争中得到了广泛的应用。在该领域涌现出诸多发明为各种无人机协同任务分配问题提供方案，但是目前的发明还存在着诸多不足。例如由于无人机飞行续航力有限，作战范围普遍受到限制。中国专利“CN115471110A一种基于条件概率的考虑多目标进化算法的多异构无人机系统协同任务分配方法”虽然解决考虑无人机在任务执行过程中各种约束，但是忽略了无人机出发和回收过程中的各种因素。中国发明“CN115755963B一种考虑载具投递模式的无人机群协同任务规划方法”虽然考虑无人机的出动回收与投递载具等因素，但是执行任务的无人机是同构的。中国发明“CN114417735B一种跨区域联合作战中的多无人机协同任务规划方法”虽然对比上面的两个发明不仅考虑了异构无人机而且也考虑出动回收因素，但是该发明忽略了禁飞区等环境因素。

[0003] 本发明在上述三个对比发明的基础上利用大型运输机和航空母舰等各种机载或舰载航母平台拓展了无人机协同任务规划的范围，此外考虑了环境中的禁飞区和现有发明普遍忽略的未攻击目标风险域等安全飞行因素。在上述因素的综合作用下，本发明构建的模型对求解方法的寻优性能有了更高要求。为此，本发明针对此问题提出了自适应自我激励教与学方法进行求解。

[0118] 以下结合具体实例对本发明做进一步说明。

[0119] 一种异构运载平台投递模式下异构无人机协同任务规划方法，包括以下步骤：

[0120] 步骤1：分析问题特性，具体如下：

[0121] 表2无人机信息

[0122]

[0123] 表2是无人机的信息，其中第二列表示无人机的类型，R是侦查无人机，可以执行侦查和评估任务，M是载弹无人机，可以执行攻击任务。C是战斗无人机可以执行侦查，攻击和评估任务。此外，表3和表4分别是运载平台信息和目标信息。表3中 表示运载平台的平均速度，{1,2}表示该运载平台停靠的是1号无人机和2号无人机。

[0124] 表3运载平台信息

[0125]

[0126] 表4目标信息

[0127]

[0128] 综上，可知 ， ， ， ， ， 。在除了上述问题参数，算法参数设置如表5所示。

[0129] 表5算法参数值

[0130]

[0131] 步骤2：根据运载平台，无人机，目标等信息构建组合优化模型和复杂网络：

[0132]

[0133]

[0134]

[0135]

[0136]

[0137]

[0138]

[0139] 步骤3‑1：整合输入信息，通过运载平台和无人机信息构造资源约束集：

[0140] 表6资源约束集

[0141]

[0142] 根据表6资源约束集使用初始化编码方式生成类似图5所示的50个初始解。例如图6给出了一个编码初始化实例过程。在该实例中，共有三架无人机参与任务，资源约束集为：
具有侦查能力的无人机[1,3]，具有攻击能力的无人机[2,3]，弹药数量[0,4,1]。根据任务需求，选择选择有对应能力的无人机执行。例如第二列，目标1的攻击任务需要分配无人机，即可从具有攻击能力的无人机集合中随机选择，在实例中选择了无人机3去执行该任务，而无人机3的弹药数量为1，执行完该任务后弹药数量为0，不具备再次攻击的能力，所以将无人机从具有攻击能力的集合中剔除。同样的将其他任务依次分配完毕，便完成方案的初始化过程。

[0143] 步骤3‑2：计算50个解的目标函数值。

[0144] 步骤3‑2‑1：将生成的50个初始解通过解锁都变为可行方案。

[0145] 步骤3‑2‑2：使用可视图法计算任务分配方案中所有两点之间的距离。例如在图7中，需要从a点到达b点，通过说明书中描述的方法，首先只考虑第一个圆形障碍物，得到新的起点c，d，然后将它们作为起点考虑第二个多边形障碍物得到新的起点e，f。e与b相连时不再经过障碍物，不需要选择新的起点。f与b相连还需要经过圆形障碍物，则继续寻找新的起点g。最终在两条路径adfgb和aceb中选择较短的作为a到b的距离。

[0146] 步骤3‑2‑3：然后结合等待圆轨迹调整法和步骤2‑2中式（1）、（2）、（3）、（4）计算未锁死方案的目标函数值。

[0147] 步骤3‑3：将目标函数值排序，并计算种群目标函数的中位数和均值。然后通过中位数和均值计算种群当前状态。如果中位数>均值，使用步骤3‑4‑1的教学阶段更新方式，反之使用步骤3‑4‑2的学习阶段更新方式。

[0148] 步骤3‑4：根据步骤3‑3得到的种群状态更新种群。在实际操作中还需要考虑各种限制因素，此处使用图8示例详细说明了交叉操作：首先，如果交叉列是攻击任务，则当前交叉列中的无人机将从亲本1中具有剩余攻击能力的无人机集合中删除。其次，遍历亲本2的所有列，得到该亲本中执行攻击任务的所有无人机的集合，然后取交集。最后，从交集中随机选择一个无人机替换亲本1交叉列中的无人机。

[0149] 步骤3‑5：根据自我激励变异概率，随机依次进行两种局部搜索操作，图9给出局部搜索两种操作的实例。在图9（a）中根据资源约束集改变了第三列执行任务的无人机。图9（b）中改变了第4‑6列的顺序，进而改变无人机执行任务的顺序。

[0150] 步骤4：按最大迭代代数 ，循环执行步骤3‑2到步骤3‑5，最后输出最优任务分配方案如表7所示，此外根据表7绘制图10所示的可视化任务分配方案航迹图。

[0151] 表7任务分配方案

[0152]

[0153] 最后，使用本发明算法分别计算前述数值案例的不同的三组初解各10次，所得平均值如表8所示。 为目标函数值， 是任务方案执行时间， 是途径未攻击目标的威胁惩罚。表中较小的 ，说明使用本发明算法得到的最优方案受到威胁惩罚较小，本发明保证了所生成任务分配方案的合理性与安全性。

[0154] 表8算法效能评估

[0155]

[0156] 本发明涉及运载平台增强的多无人机协同任务分配问题。提出一种基于运载平台投递无人机的协同任务分配样式。其中考虑了运载平台对于无人机的投递和回收过程，并且考虑非执行任务无人机在接近未打击目标的风险。构建了运载平台投递模型下的多无人机协同任务分配模型。为了求解该模型，开了一种自适应自我激励教与学优化算法。该算法首先将连续的教与学优化算法做离散问题的适应，即引入交叉与变异等离散编码更新方式，使用这些机制替代原来的数学运算，进而得到离散化问题的优化方式。然后引入多教师分组教学，自适应学习率、种群状态判断以及自我激励机制局部搜索。上述机制的引入使得该算法具有更强的探索能力，保证了算法的寻优能力。

[0157] 以上所述实例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。