本發(fā)明屬于無人機任務(wù)規(guī)劃，特別涉及一種基于正態(tài)云模型的青蒿素優(yōu)化算法無人機任務(wù)分配方法。

背景技術(shù)：

1、無人機(unmanned?aerial?vehicle，uav)，即無人駕駛飛機，是一種能夠搭載多種監(jiān)測裝置的高科技設(shè)備。它們通過預(yù)設(shè)的編程或遙控設(shè)備實現(xiàn)自主飛行。與傳統(tǒng)的載人飛機相比，無人機具有造價低廉、機動性強以及能夠避免人員傷亡等顯著優(yōu)勢，這使得它們在軍事偵察領(lǐng)域得到了廣泛應(yīng)用。隨著智能化技術(shù)的飛速發(fā)展，無人機的應(yīng)用領(lǐng)域不斷擴展，任務(wù)類型也日益多樣化。特別是在災(zāi)后搶險領(lǐng)域，無人機的應(yīng)用展現(xiàn)出其獨特的價值。它們可以迅速進入受災(zāi)區(qū)域，進行實時的航拍監(jiān)測，提供關(guān)鍵的災(zāi)情評估信息，為救援行動的規(guī)劃和執(zhí)行提供決策支持。無人機的使用不僅可以提高救援效率，還能最大限度地保障救援人員的安全。然而，隨著無人機應(yīng)用領(lǐng)域的不斷擴展，它們所面臨的環(huán)境和任務(wù)類型也變得更加復(fù)雜多變。在這樣的背景下，如何通過高效的控制策略實現(xiàn)無人機有效的任務(wù)規(guī)劃，成為了當(dāng)前研究的熱點問題。一套完善的任務(wù)規(guī)劃系統(tǒng)對于無人機準確執(zhí)行偵查、監(jiān)測或救援任務(wù)，以及規(guī)避各種潛在威脅至關(guān)重要。

2、在任務(wù)分配領(lǐng)域，基于優(yōu)化算法的方法主要分為兩大類：確定性優(yōu)化和非確定性優(yōu)化。確定性優(yōu)化方法依賴于明確的規(guī)則、數(shù)學(xué)模型或迭代過程來尋找最優(yōu)解。這類方法的典型代表包括牛頓法和梯度下降法，它們利用確定性的規(guī)則或梯度信息來指導(dǎo)參數(shù)向最優(yōu)解方向更新。盡管確定性方法在解決特定問題時效率較高，但面對復(fù)雜問題，尤其是存在多個局部最優(yōu)解的問題時，它們可能會陷入局部最優(yōu)而無法找到全局最優(yōu)解。非確定性優(yōu)化方法通過在搜索中加入隨機性，有效應(yīng)對復(fù)雜和多峰的優(yōu)化問題?，F(xiàn)實世界的問題常常因其復(fù)雜性而難以用確定性方法求解，這時，元啟發(fā)式算法以其隨機搜索機制，成為尋找全局最優(yōu)的有力工具。但是群體智能算法在解決無人機的任務(wù)分配問題方面仍然存在局限性：

3、(1)算法難以平衡探索和開發(fā)。每種算法在尋找最優(yōu)解時都會遇到如何探索和開發(fā)解空間的問題，其中，探索是指對解空間進行廣泛的探測，即廣度搜索，開發(fā)是指在已知區(qū)域內(nèi)尋找最優(yōu)解，即深度搜索。為找到全局最優(yōu)解，算法必須平衡探索和開發(fā)，以防止過早收斂。

4、(2)算法的適應(yīng)性不高。根據(jù)nfl理論，沒有任何算法能以最佳方式解決所有優(yōu)化問題。在無人機執(zhí)行任務(wù)時，任務(wù)的具體限制條件，如航程、障礙物等約束會直接影響無人機執(zhí)行任務(wù)的順序，因此，面對不同約束條件下的無人機任務(wù)分配問題，需要選擇最合適的優(yōu)化算法進行解決。

5、(3)算法易陷入局部最優(yōu)解。許多群體智能優(yōu)化算法在迭代后期時，種群的多樣性下降，種群聚集在局部最優(yōu)解無法跳脫。如灰狼算法，由于其位置更新規(guī)則較為簡單，在迭代后期缺乏廣度搜索，探索空間不足，因此在面對一些復(fù)雜優(yōu)化問題時容易陷入局部最優(yōu)解。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于正態(tài)云模型青蒿素優(yōu)化算法的無人機任務(wù)分配方法，建立航程約束下的無人機任務(wù)分配模型，使用混沌映射策略，對青蒿素種群進行初始化，通過模擬使用青蒿素根除人體內(nèi)的瘧疾寄生蟲的過程，建立優(yōu)化模型，并引入正態(tài)云分布對青蒿素優(yōu)化過程中的歷史最優(yōu)位置進行更新，增強跳出局部最優(yōu)的能力，最后將其用于無人機任務(wù)分配問題進行尋優(yōu)求解。

2、本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：基于正態(tài)云模型青蒿素優(yōu)化算法的無人機任務(wù)分配方法，包括以下步驟：

3、s1、利用圖論原理構(gòu)建無人機任務(wù)分配的模型，并定義目標函數(shù)及其約束條件，建立無人機任務(wù)分配數(shù)學(xué)模型；有如下子步驟：

4、s11、假設(shè)所考慮的任務(wù)場景n為n×n的正方形區(qū)域，即n×n的矩陣，并且n中有k個待執(zhí)行任務(wù)，所有任務(wù)的集合設(shè)為c＝{c1,c2,...,ck}，無人機需要將k個待執(zhí)行任務(wù)不重復(fù)的執(zhí)行一遍；

5、s12、定義無人機在執(zhí)行任務(wù)的途中有m個障礙物，障礙物的集合為m＝{mi,j}，m包含每個障礙物在n中的位置和大小，無人機執(zhí)行任務(wù)時需避開這些障礙物，在任務(wù)區(qū)域n中，m的區(qū)域用1表示，其他區(qū)域用0表示，即

6、s13、定義無人機執(zhí)行任務(wù)的順序為矩陣x，x是一個1×k的行矩陣，包含1～k的k個不重復(fù)的數(shù)字，x(1,x)和x(1,x+1)表示無人機在執(zhí)行完x(1,x)處的任務(wù)后去執(zhí)行x(1,x+1)處的任務(wù)；

7、s14、定義兩個任務(wù)之間的連線為邊，邊的集合設(shè)為e＝{eij},i,j＝1,2,...,k,i≠j，其中eij為任務(wù)點i與任務(wù)點j的連線；邊eij的長度即任務(wù)點i與任務(wù)點j之間的距離；

8、s15、定義無人機的續(xù)航里程為l，則矩陣x對應(yīng)的任務(wù)執(zhí)行所需的總里程d需滿足d≤l，其中總里程d的計算公式為dmn表示任務(wù)點m和任務(wù)點n的距離；

9、s16、根據(jù)場景約束及航程最小化的要求，建立目標函數(shù)及其約束條件為：

10、mind

11、

12、s2、設(shè)置青蒿素算法初始參數(shù)；

13、s3、執(zhí)行青蒿素算法：首先設(shè)定求解問題的參數(shù)和停止迭代的標準；然后通過模擬用青蒿素治療瘧疾的三個過程來構(gòu)建優(yōu)化策略，包括三個階段：全面消除階段策略、局部清除階段策略、鞏固階段策略；在進行完前三個階段后，再使用基于正態(tài)云分布更新新的位置，并計算適應(yīng)度值來判斷是否更新到最佳位置；

14、s4、輸出全局最優(yōu)解，即無人機的任務(wù)執(zhí)行順序，并計算其適應(yīng)度值，畫出無人機執(zhí)行任務(wù)圖。

15、本發(fā)明的有益效果是：本發(fā)明主要針對無人機這一特定物理對象，將無人機在災(zāi)后搜查或物資運輸?shù)葓鼍皥?zhí)行多項任務(wù)的問題抽象為任務(wù)分配問題。首先，基于圖論等知識建立任務(wù)分配問題的數(shù)學(xué)模型，然后設(shè)計基于正態(tài)云模型的青蒿素優(yōu)化算法進行求解。該算法結(jié)合tent混沌映射和正態(tài)云模型，對隨機生成的種群進行優(yōu)化，增加了隨機性和不可預(yù)測性，更好地模擬種群在自然系統(tǒng)中的復(fù)雜行為，并提高全局搜索能力，同時算法能夠更快地收斂，在大規(guī)模問題上減少計算成本。因此，所提出的一種基于正態(tài)云模型青蒿素優(yōu)化算法的無人機任務(wù)分配方法在面向復(fù)雜、大規(guī)模問題時有明顯優(yōu)勢。相較于現(xiàn)有技術(shù)，本發(fā)明的改進主要體現(xiàn)在以下三個方面：

16、(1)提出了一種新穎的基于正態(tài)云模型青蒿素優(yōu)化算法的無人機任務(wù)分配方法，相較于蟻群算法、粒子群算法等方法，本發(fā)明引入了較新、性能較好的青蒿素算法，拓展了青蒿素算法的應(yīng)用場景；

17、(2)本發(fā)明在初始化階段引入了混沌映射策略。相較于部分群智能算法使用均勻分布隨機生成種群初始位置，本發(fā)明對生成的初始種群位置進行混沌映射?；煦缬成湟龑?dǎo)算法以非線性的方式在解空間中優(yōu)化初始的搜索路徑并且混沌映射的不可預(yù)測性能夠增加種群中個體的多樣性，避免收斂曲線過早收斂。。

18、(3)本發(fā)明的可行性證明青蒿素算法與混沌映射和正態(tài)云模型的結(jié)合是可以被推廣的，可以在其他的群智能算法中使用，并且正態(tài)云模型可以平衡全局與局部搜索，提高算法的適應(yīng)性和多目標優(yōu)化能力，從而在復(fù)雜環(huán)境中實現(xiàn)更高效、更穩(wěn)定的無人機群任務(wù)規(guī)劃和執(zhí)行。