基于PSO和RRT的智能弹群任务分配算法

doi:10.7527/S1000-6893.2022.27354

论文

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于PSO和RRT的智能弹群任务分配算法

朱云冲¹^,², 梁彦刚¹^,²(), 黎克波¹^,², 刘远贺¹^,²

^1.国防科技大学空天科学学院，长沙　410073
^2.国防科技大学空天任务智能规划与仿真湖南省重点实验室，长沙　410073

收稿日期:2022-04-30 修回日期:2022-05-13 接受日期:2022-07-01 出版日期:2023-06-25 发布日期:2022-07-08
通讯作者: 梁彦刚 E-mail:liangyg@nudt.edu.cn
基金资助:
国家自然科学基金(12002370)

Task assignment algorithm for intelligent missile swarm based on PSO and RRT

Yunchong ZHU¹^,², Yangang LIANG¹^,²(), Kebo LI¹^,², Yuanhe LIU¹^,²

^1.College of Aerospace Science and Engineering，National University of Defense Technology，Changsha 　410073，China
^2.Hunan Key Laboratory of Intelligent Planning and Simulation for Aerospace Mission，National University of Defense Technology，Changsha 　410073，China

Received:2022-04-30 Revised:2022-05-13 Accepted:2022-07-01 Online:2023-06-25 Published:2022-07-08
Contact: Yangang LIANG E-mail:liangyg@nudt.edu.cn
Supported by:
National Natural Science Foundation of China(12002370)

摘要/Abstract

摘要：

设计新的粒子群（PSO）算法的粒子结构，以解决智能弹群任务分配问题。首先，引入战场态势信息以确定智能弹群任务时间窗口，并将其融入任务分配数学模型。其次，基于快速搜索随机树（RRT）算法，在任务分配阶段完成躲避禁飞区的航迹规划，以减小实际航程与预估航程之间的差异，确保分配结果的合理性，使优化结果更具实际意义。最后，在不同任务规模下将所提出的算法与遗传算法和禁忌搜索算法结果进行仿真对比分析，所得结果验证了本文方法的原理简单、参数较少、计算代价小、更易于智能弹群任务分配问题的实际工程应用。

关键词: 智能弹群, 任务分配, 粒子群算法, 粒子结构, 快速搜索随机树

Abstract:

A new particle structure of Particle Swarm Optimization （PSO） is proposed to solve the task assignment problem of the intelligent missile swarm. Firstly， the battlefield situation information is introduced to determine the task time window of the intelligent missile swarm， and further integrated into the task allocation mathematical model. Secondly， based on the Rapidly-exploring Random Trees （RRT） algorithm， the flight path planning of avoiding no-fly zones is completed in the task assignment stage to reduce the difference between the actual distance and the estimated distance， and to ensure the rationality of the assignment result， so that the optimized results are more practical. Finally， the proposed algorithm is compared with the results of the genetic algorithm and tabu search algorithm under different task scales， and the simulation results verify that the proposed method has simple principles， fewer parameters， lower calculation costs， and is easier to apply in practical engineering of intelligent loitering munition swarm task assignment problems.

Key words: intelligent missile swarm, task assignment, particle swarm optimization, particle structure, Rapidly-exploring Random Trees (RRT)

中图分类号:

V249

朱云冲, 梁彦刚, 黎克波, 刘远贺. 基于PSO和RRT的智能弹群任务分配算法[J]. 航空学报, 2023, 44(S1): 727354-727354.

Yunchong ZHU, Yangang LIANG, Kebo LI, Yuanhe LIU. Task assignment algorithm for intelligent missile swarm based on PSO and RRT[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(S1): 727354-727354.

图/表 18

图 1

图 2

图 3

表 1

图 4

图 5

图 6

表 2

表 3

表 4

图 7

表 5

表 6

表 7

表 8

图 8

图 9

表 9

参考文献 26

1	程进，罗世彬，宋闯. 弹群协同与自主决策［M］. 北京：科学出版社， 2020： 10-11.
	CHENG J， LUO S B， SONG C. Missile-group coordination and autonomous decision-making［M］. Beijing： Science Press， 2020： 10-11 （in Chinese）.
2	WANG Z， LIU L， LONG T， et， al. Multi-UAV reconnaissance task allocation for heterogeneous targets using an opposition-based genetic algorithm with double-chromosome encoding［J］. Chinese Journal of Aeronautics， 2018， 31（2）： 339-350.
3	AFONSO R J M， MAXIMO M R O A， GALVÃO R K H. Task allocation and trajectory planning for multiple agents in the presence of obstacle and connectivity constraints with mixed-integer linear programming［J］. International Journal of Robust and Nonlinear Control， 2020， 30（14）： 5464-5491.
4	RADMANESH M， KUMAR M. Flight formation of UAVs in presence of moving obstacles using fast-dynamic mixed integer linear programming［J］. Aerospace Science and Technology， 2016， 50： 149-160.
5	RADMANESH M， KUMAR M. The Min-cost parallel drone scheduling vehicle routing problem［J］. European Journal of Operational Research， 2022， 299（3）： 910-930.
6	CAUSA F， FASANO G. Multiple UAVs trajectory generation and waypoint assignment in urban environment based on DOP maps［J］. Aerospace Science and Technology， 2021， 110： 106507.
7	KONG X Q， LU N， LI B. Optimal scheduling for unmanned aerial vehicle networks with flow-level dynamics［J］. IEEE Transactions on Mobile Computing， 2021， 20（3）： 1186-1197.
8	YE F， CHEN J， TIAN Y， et al. Cooperative task assignment of a heterogeneous multi-UAV system using an adaptive genetic algorithm［J］. Electronics， 2020， 9（4）： 687-692.
9	JIA Z Y， YU J Q， AI X L， et al. Cooperative multiple task assignment problem with stochastic velocities and time windows for heterogeneous unmanned aerial vehicles using a genetic algorithm［J］. Aerospace Science and Technology， 2018， 76： 112-125.
10	ROOHA M， MUHAMMAD N， Waleed E. Efficient deployment of UAVs for disaster management： A multi-criterion optimization approach［J］. Computer Communications， 2021， 177： 185-194.
11	MADAKAT D， MORIO J， VANDERPOOTEN D. A biobjective branch and bound procedure for planning spatial missions［J］. Aerospace Science and Technology， 2018， 73： 269-277.
12	DUAN X J， LIU H Y， TANG H， et al. A novel hybrid auction algorithm for multi-UAVs dynamic task assignment［J］. IEEE Access， 2019， 8： 86207-86222.
13	LEMAÎTRE M， VERFAILLIE G， JOUHAUD F， et al. Selecting and scheduling observations of agile satellites［J］. Aerospace Science and Technology， 2002， 6（5）： 367-381.
14	GONZALEZ V， MONJE C A， GARRIDO S， et al. Coverage mission for UAVs using differential evolution and fast marching square methods［J］. IEEE Aerospace and Electronic Systems Magazine， 2020， 35（2）： 18-29.
15	CHAI X Z， ZHENG Z H， XIAO J M， et al. Multi-strategy fusion differential evolution algorithm for UAV path planning in complex environment［J］. Aerospace Science and Technology， 2022， 121： 107287.
16	WANG J F， JIA G W， LIN J C， et al. Cooperative task allocation for heterogeneous multi-UAV using multi-objective optimization algorithm［J］.Journal of Central South University， 2020， 27（2）： 432-448.
17	LIU Y， ZHANG X J， GUAN X M， et al. Adaptive sensitivity decision based path planning algorithm for unmanned aerial vehicle with improved particle swarm optimization［J］. Aerospace Science and Technology， 2016， 58： 92-102.
18	CHEN X， LIU Y T， YIN L Y， et al. Cooperative task assignment and track planning for multi-UAV attack mobile targets［J］. Journal of Intelligent & Robotic Systems， 2020， 100（3）： 1383-1400.
19	ZHEN Z Y， XING D J， GAO C. Cooperative search-attack mission planning for multi-UAV based on intelligent self-organized algorithm［J］. Aerospace Science and Technology， 2018， 76： 402-411.
20	马云红，刘云昊，杨誉乔，等. 基于一致性群组算法的多无人机自主协同任务分配［J］. 无人系统技术， 2021， 4（4）： 51-58.
	MA Y H， LIU Y H， YANG Y Q， et al. Multi-UAV autonomous cooperative task assignment based on consistent group algorithm［J］. Unmanned Systems Technology， 2021， 4（4）： 51-58 （in Chinese）.
21	霍霄华，沈林成. 多UCAV协同控制中的任务调度问题研究［J］. 系统仿真学报， 2007， 19（16）： 3623-3626.
	HUO X H， SHEN L C. Task scheduling in multi-UCAV cooperative control［J］. Journal of System Simulation， 2007， 19（16）： 3623-3626 （in Chinese）.
22	樊代和. 大学物理实验数字化教程［M］. 北京：机械工业出版社， 2020： 17-25.
	FAN D H. University physics experiment course with digital resources［M］. Beijing： China Machine Press， 2020： 17-25 （in Chinese）.
23	WANG Y M， LUO Y. Integration of correlations with standard deviations for determining attribute weights in multiple attribute decision making［J］. Mathematical and Computer Modelling， 2010， 51（1-2）： 1-12.
24	KENNEDY J， EBERHART R. Particle swarm optimization［C］∥ Proceedings of ICNN'95-International Conference on Neural Networks. Piscataway： IEEE Press， 2002： 1942-1948.
25	LAVALLE S M. Rapidly-exploring random trees： A new tool for path planning［D］. Lowa State： Lowa State University， 1998： 7-14.
26	沈林成，牛轶峰，朱华勇. 多无人机自主协同控制理论与方法［M］. 2版. 北京：国防工业出版社， 2018： 185-187.
	SHEN L C， NIU Y F， ZHU H Y. Theories and methods of autonomous cooperative control for multiple UAVs［M］. 2nd ed. Beijing： National Defense Industry Press， 2018： 185-187 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

编号	任务次序
V₁	T₆→T₃→T₂
V₂	T₄
V₃	T₅→T₁

序号	初始位置/m	武器数量	航速/（m∙s^-1）
1	（1，1）	10	30
2	（1，1）	10	30
3	（1，1）	10	30

目标编号	位置/m	威胁系数	目标价值	机动能力
A₁	（2 080，3 790）	0.40	0.95	0.85
A₂	（2 350，1 000）	0.90	0.90	0.60
A₃	（3 870，2 300）	0.92	0.90	0.01
A₄	（5 000，600）	0.83	0.70	0.70
A₅	（5 380，3 560）	0.98	0.85	1.00
A₆	（4 060，4 300）	0.56	0.68	0.75
A₇	（8 000，4 500）	0.45	0.87	0.01
A₈	（7 000，2 500）	0.97	0.85	1.00
A₉	（1 510，2 550）	0.01	0.92	0.01
A₁₀	（1 740，4 100）	0.01	0.85	0.01

障碍物	位置/m	区域半径/m
1	（1 392.7，1 578.0）	839.6
2	（2 730.0，1 710.0）	402.5
3	（3 775.7，1 215.3）	448.5
4	（3 985.0，3 270.0）	852.5
5	（5 255.4，2 408.0）	460.5
6	（6 220.4，1 366.6）	723.7
7	（6 544.9，3 160.2）	525.7

目标编号	优先级	目标编号	优先级
A₁	0.732 9	A₆	0.451 9
A₂	0.730 3	A₇	0.404 2
A₃	0.510 6	A₈	0.796 2
A₄	0.501 1	A₉	0.403 7
A₅	0.796 7	A₁₀	0.316 5

基于PSO和RRT的智能弹群任务分配算法

Task assignment algorithm for intelligent missile swarm based on PSO and RRT

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 26

相关文章 15

编辑推荐

Metrics

本文评价

任务编号	时间窗口/s	任务编号	时间窗口/s
T₁	［250，350］	T₆	［450，700］
T₂	［0，400］	T₇	［600，900］
T₃	［100，500］	T₈	［200，350］
T₄	［400，550］	T₉	［800，950］
T₅	［50，300］	T₁₀	［900，990］

规模	寻优次数	最优值	最差值	平均值	方差
20	50	9.009 8	7.062 6	8.243 5	0.974 1
50	50	9.074 8	7.877 3	8.734 5	0.329 8
100	50	9.435 7	8.396 6	8.945 7	0.247 3
200	50	9.599 5	9.009 8	9.277 1	0.138 9
400	50	9.599 5	9.074 8	9.356 8	0.064 2

编号	任务分配结果与开始执行时间
V₁	T₂/s	T₈/s	T₇/s
V₁	84.7	297.6	600
V₂	T₅/s	T₃/s	T₄/s
V₂	214.6	330.1	448.2
V₃	T₁/s	T₆/s	T₉/s	T₁₀/s
V₃	250	450	800	902.2

规模	算法	航程/m	适应值
3×5	TS	13 017.8	5.391 2
	PSO	13 017.8	5.391 2
	GA	13 017.8	5.391 2
3×10	TS	36 215.7	9.435 7
	PSO	31 600.6	9.599 5
	GA	31 600.6	9.599 5

[1]	李双利, 赵亦希, 于忠奇, 崔峻辉, 寇琳媛. 2219-O铝合金声软化效应建模与预测[J]. 航空学报, 2023, 44(9): 626884-626884.
[2]	张安, 杨咪, 毕文豪, 张百川, 王雨农. 基于多策略GWO算法的不确定环境下异构多无人机任务分配[J]. 航空学报, 2023, 44(8): 327115-327115.
[3]	王震宇, 王计真, 杨婧艺, 何鹏远, 潘成浩, 周凌波, 何成, 何欢. 基于新型粒子群算法的结构动力学热振模型修正[J]. 航空学报, 2023, 44(7): 226559-226559.
[4]	杨超, 张开富. 基于PSO⁃BiLSTM神经网络的机身筒段应力预测[J]. 航空学报, 2023, 44(7): 426991-426991.
[5]	肖和业, 杨建峰, 白俊强, 张旭东, 吴利荣. 面向任务需求的模块化无人机配置方法[J]. 航空学报, 2023, 44(7): 327100-327100.
[6]	董磊, 陈泓兵, 陈曦, 赵长啸. 基于DQN的单一飞行员驾驶模式分布式多智能体联盟任务分配策略[J]. 航空学报, 2023, 44(13): 327895-327895.
[7]	张盛, 杨宇, 王志刚, 石欣桐. 变弯度机翼后缘偏心梁设计与验证[J]. 航空学报, 2022, 43(6): 525892-525892.
[8]	张瑞鹏, 冯彦翔, 杨宜康. 多无人机协同任务分配混合粒子群算法[J]. 航空学报, 2022, 43(12): 326011-326011.
[9]	陈璞, 严飞, 刘钊, 成果达. 通信约束下异构多无人机任务分配方法[J]. 航空学报, 2021, 42(8): 525844-525844.
[10]	罗棕, 杜春, 陈浩, 彭双, 李军. 基于Transformer层次预测的多星应急观测任务规划方法[J]. 航空学报, 2021, 42(4): 524721-524721.
[11]	倪媛, 杨浩, 姜斌. 蜂群对抗决策故障下的容错博弈控制[J]. 航空学报, 2021, 42(4): 524978-524978.
[12]	隋东, 邢娅萍, 涂诗晨. 恶劣天气条件下航路网络修复优化[J]. 航空学报, 2021, 42(2): 324300-324300.
[13]	冉华明, 熊蓉玲. 空战中机群编队分层优化算法[J]. 航空学报, 2020, 41(S2): 724257-724257.
[14]	王然然, 魏文领, 杨铭超, 刘玮. 考虑协同航路规划的多无人机任务分配[J]. 航空学报, 2020, 41(S2): 724234-724234.
[15]	吴宇, 梁天骄. 基于改进一致性算法的无人机编队控制[J]. 航空学报, 2020, 41(9): 323848-323848.

PathClip： Clip redundant path node
Input： <node set q of path after RRT>
Output： < node set φ after clip>
1 φ = Ф； j = n；
2 while j is not 1 do
3 i = 1；
4 while q_i is not q_j_-1 do
5 if （There is a barrier between q_j and q_i ）
6 i = i+1；
7 else add q_i into φ； j = i；
8 end if
9 end while
10 end while