技术领域
[0001] 本
发明涉及无人机探测技术领域，尤其涉及一种无人机编队任务 分配与航迹规划的多目标优化方法及装置。
背景技术
[0002] 随着航空技术的不断发展，越来越多的高科技设备已经应用到航 空领域中。而在众多高科技设备当中，无人机以其作业效率高、劳动 强度小、综合成本低等方面的优势，迅速成为航空作业过程中一种较 为重要的高科技设备。例如，可以执行航拍或扫描成像等作业任务。 目前的无人机大致可以大致分为自旋翼以及固定翼两大类。其中固定 翼无人机以飞行距离长、巡航面积大、飞行速度快、高度高等优点被 较为广泛应用于航空作业中。
[0003] 然而，在实施本发明的过程中
发明人发现，由于当前无人机作业 主要是人为遥控为主，实际作业的效果受到操作员的操作
水平的影响 较大，且通过人为即视的方式规划的航线与理论航线偏离严重，导致 无人机的作业遗漏率和重复率往往偏高。
[0004] 此外，当多架无人机对多个点目标完成一种任务时，利用多架搭 载不同
传感器的无人机组成多无人机编队执行任务不但能够改善传 统单无人机所携
载荷带来的限制，而且能够利用多无人机间的传感器 特点实现性能方面的互补，在面对不同类型任务目标时具备较强优 势。在此过程中如何为每一架无人机分配任务执行的序列并规划执行 每一个探测任务时的飞行轨迹，以对总飞行路径和总任务收益这两个 目标进行多目标优化，成为了一个亟待解决的问题。
发明内容
[0005] 基于上述问题，本发明提供一种无人机编队任务分配与航迹规划 的多目标优化方法及装置，通过建模并优化得到优化的无人机分配方 案。
[0006] 为解决上述问题，本发明提供了一种无人机编队探测任务分配与 航迹规划的多目标优化方法，用于多架固定翼无人机于同一时间同一 机场出发对多个目标区域执行
覆盖探测任务，所述方法包括：
[0007] 获取目标区域数据，最佳探测
时间窗数据，无人机数据和无人机 所搭载传感器的数据；
[0008] 基于所述目标区域数据，最佳探测时间窗数据，无人机数据和无 人机所搭载传感器的数据，构建MO-MUAV-STW模型 (Multi-Objective—Multi-UAV—Soft Time Window)；所述模型的目 标函数为最大化探测任务中所有无人机的总探测收益以及最小化所 有无人机的总飞行路径；所述预设约束有传感器的探测能
力约束、无 人机起降点约束、任务执行完备性约束和出发时间约束；
[0009] 基于所述约束构建MO-MUAV-STW模型的初始解集；
[0010] 基于预设的NSGA-Ⅱ
算法对所述初始解集进行计算，得到所述 MO-MUAV-STW模型的Pareto最优解；
[0011] 将所述最优解转译为具体分配方案作为无人机编队探测任务分 配与航迹规划的多目标优化的分配结果。
[0012] 其中，所述MO-MUAV-STW模型的目标函数为：
[0013] 目标函数1：
[0014]
[0015] 目标函数2：
[0016]
[0017] 所述MO-MUAV-STW模型的约束条件为：
[0018] 约束式1：
[0019] 约束式2：
[0020] 约束式3：：
[0021] 约束式4：
[0022] 约束式5：
[0023] 约束式6：
[0024] 约束式7：：
[0025] 其中，所述Profit为所有架无人机的总探测收益，Length为多架 无人机的总飞行路径；Ai为编号为i的目标区域，其中A0表示无人机 出发点
位置，Ui表示编号为i的无人机，vi为无人机Ui的飞行速度， NA为目标区域个数，NU为无人机个数，Si为目标区域Ai的面积；Itiki为无人机Ui在最佳探测时间窗内对Ai的探测时长，Otiki为无人机Ui在最佳探测时间窗外对Ai的探测时长，tik0为无人机
起飞时刻；t∈{T1， T2，T3}为某一无人机所搭载的传感器类型，g∈{G1，G2，G3}为某一 种目标区域的类型，Iprtg为使用传感器t对类型为g的目标区域在最 佳探测时间窗内进行探测的收益系数，Oprtg为使用传感器t对类型为 g的目标区域在最佳探测时间窗外进行探测的收益系数；X(k，i)为决 策变量，X(k，i)＝1表示无人机Uk对目标区域Ai进行了覆盖探测，否 则X(k，i)＝0，Yk(i，j)为决策变量，Yk(i，j)＝1表示无人机Uk
访问完Ai后前往的是Aj，否则Yk(i，j)＝0；Lini为无人机在目标区域Ai内部的探 测路径长度，LOutij为无人机从Ai到Aj的飞行路径长度；Cmax为传感 器的最大探测能力；
[0026] 其中，约束条件有：约束式1限定所有无人机的出发时刻均为0 时；约束式2限定所有无人机飞行速度均为v；约束式3限定所有无 人机的出发点均为A0；约束式4限定所有目标区域均有无人机对其进 行探测；约束式5限定任一目标区域仅由一架无人机对其进行探测； 约束式6限定所有无人机在完成探测任务后必须返回A0；约束式7 限定无人机所分配的探测任务不能超过所携带传感器的最大探测能 力Cmax。其中，所述无人机的总飞行路径为每架无人机的探测路径总 和，其中，每架无人机的探测路径具体包括：每架无人机对各自所探 测的目标区域的区域内探测路径和在各自所探测目标区域的区域间 飞行路径组成；
[0027] 所述区域内探测路径采取光栅式探测路径，即无人机从区域边界 上的进入位置进入区域，进入位置预设为与目标区域4个
顶点距离为 Rs的8个点，其中Rs为传感器探测半径。随后，无人机沿垂直于进 入点所在边界的方向飞行，当飞行至区域的边界后，无人机以预设的 探测半径进行U型180°转弯，然后平行于原路径方向继续飞行，如 此往返，直至完成对该区域的全覆盖探测，并离开目标区域；
[0028] 所述区域间飞行路径使用杜宾路径Dubins path规则生成。
[0029] 其中，所述无人机的总探测收益即每架无人机的对各自所探测的 任务目标的探测收益总和。其中，每个无人机的探测收益具体包括： 每个无人机对其所分配的目标在所述最佳探测时间窗内进行探测的 收益和在所述最佳探测时间窗外进行探测的收益。
[0030] 其中，基于所述约束构建MO-MUAV-STW模型的初始解集，包 括：
[0031] 基于所述目标区域数据，最佳探测时间窗数据，无人机数据进行 编码，随机生成多条
染色体；
[0032] 其中，一条满足约束条件的所述染色体表示一个初始解，每条所 述染色体的编码要素为目标区域标识信息、无人机标识信息和无人机 进入目标区域的进入位置序号；所述染色体的第一行为所述目标区域 的标识信息的随机全排列，其中排列顺序表示了任务的执行顺序；所 述染色体的第二行表示执行该目标区域任务的无人机的标示信息；所 述染色体的第三行为无人机进入该目标区域的进入点序号；一个对应 位置的目标区域标识信息、无人机标识信息和无人机进入目标区域的 进入位置序号组成所述染色体的一个基因。
[0033] 其中，基于预设的NSGA-Ⅱ算法对所述初始解集进行计算，得 到所述MO-MUAV-STW模型的Pareto最优解，具体包括：
[0034] S61、根据所述初始解生成初始化父代种群，父代种群的预设规 模为P；
[0035] S62、通过对应信息交叉所述父代种群，产生交叉后种群。并通 过三重随机变异所述交叉后种群，产生子代种群；
[0036] S63、将所述子代种群与所述父代种群合并，生成合并后种群；
[0037] S64、计算该合并后种群中各条染色体所表示分配情况下无人机 到达和离开各子所探测目标区域的时间，并以此计算总飞行路径和探 测收益；
[0038] S65、对所述合并后种群依据其各条染色体所表示分配情况下的 总飞行路径和探测收益进行非支配顺序数和拥挤度计算，生成虚拟适 应值；
[0039] S66、取所述合并后种群中虚拟适应值排名前P的染色体，组成 新的父代种群；
[0040] S67、判断生成所述新的父代种群的次数是否达到预设最大化迭 代次数，如是则跳转步骤S68，如否则跳转步骤S62；
[0041] S68、依据父代种群中各条染色体的非支配顺序数，输出非支配顺序 数为1的染色体作为本次任务分配的结果。
[0042] 其中，所述步骤S62中对应信息交叉所述父代种群，具体包括：
[0043] S71、随机
抽取父代种群中任意两个父代染色体；
[0044] S72、从选择的第一父代染色体中随机选择一段连续的基因；在 选择的第二父代染色体中选择具有与第一父代中被选中的一段基因 有相同目标标识信息的基因；
[0045] S73、将第一父代染色体中选择的基因与第二父代染色体中选择 的基因，基于目标标识信息进行互换。产生两条新的染色体；
[0046] S74、判断新生成的染色体是否满足约束条件，不满足则跳转步 骤S72，满足则跳转步骤S75；
[0047] S75、判断生成新染色体的个数是否达到P个，若是则跳转步骤 S76，若否则跳转步骤S71；
[0048] S76、将最终产生的P个新染色体组成所述交叉后种群。
[0049] 其中，所述步骤S44中，三重随机变异所述交叉后种群，具体包 括：无人机标识信息变异、无人机进入目标区域的进入位置变异和探 测顺序变异。
[0050] 其中，无人机标识信息变异：选择染色体中任一条基因，将该条 基因中的无人机标识信息变换为其他无人机的标识信息；
[0051] 无人机进入目标区域的进入位置变异：选择染色体中任一条基 因，将该条基因中的无人机进入目标的进入位置序号变换为其他的进 入位置序号；
[0052] 探测顺序变异：选择染色体中任一条基因，并在该染色体中搜索 与选中的基因无人机标识信息相同的基因，将选择的基因与搜索的基 因进行调换；
[0053] 各条染色体依一定概率随机选择其中的0至3种变异进行操作， 若变异后染色体不符合约束条件，则对该染色体重新进行变异操作。 所述交叉后种群中所有染色体均进行变异操作后，变异产生的P条新 染色体组成子代种群。
[0054] 本发明的另一个方面，提供一种无人机编队探测任务分配与航迹 规划的多目标优化装置，包括：
[0055] 数据获取单元，用于获取目标区域数据，最佳探测时间窗数据， 无人机数据和无人机所搭载传感器的数据；
[0056] 建模单元，用于基于所述目标区域数据，最佳探测时间窗数据， 无人机数据和
传感器数据，构建MO-MUAV-STW模型 (Multi-Objective—Multi-UAV—Soft Time Window)；所述模型的目 标函数为最大化探测任务中所有无人机的总探测收益以及最小化所 有无人机的总飞行路径；所述预设约束有传感器的探测能力约束、无 人机起降点约束、任务执行完备性约束和出发时间约束；
[0057] 初始解获取单元，用于基于所述约束构建MO-MUAV-STW模型 的初始解集；
[0058] 最优解计算单元，用于基于预设的NSGA-Ⅱ算法对所述初始解 集进行计算，得到所述MO-MUAV-STW模型的Pareto最优解；
[0059] 分配结果转译单元，用于将所述最优解转译为具体分配方案作为 无人机编队探测任务分配与航迹规划的多目标优化的分配结果。
[0060] 其中，所述MO-MUAV-STW模型的目标函数为：
[0061] 目标函数1：
[0062]
[0063] 目标函数2：
[0064]
[0065] 所述MO-MUAV-STW模型的约束条件为：
[0066] 约束式1：
[0067] 约束式2：
[0068] 约束式3：：
[0069] 约束式4：
[0070] 约束式5：
[0071] 约束式6：
[0072] 约束式7：：
[0073] 其中，所述Profit为所有架无人机的总探测收益，Length为多架 无人机的总飞行路径；Ai为编号为i的目标区域，其中A0表示无人机 出发点位置，Ui表示编号为i的无人机，vi为无人机Ui的飞行速度， NA为目标区域个数，NU为无人机个数，Si为目标区域Ai的面积；Itiki为无人机Ui在最佳探测时间窗内对Ai的探测时长，Otiki为无人机Ui在最佳探测时间窗外对Ai的探测时长，tik0为无人机起飞时刻；t∈{T1， T2，T3}为某一无人机所搭载的传感器类型，g∈{G1，G2，G3}为某一 种目标区域的类型，Iprtg为使用传感器t对类型为g的目标区域在最 佳探测时间窗内进行探测的收益系数，Oprtg为使用传感器t对类型为 g的目标区域在最佳探测时间窗外进行探测的收益系数；X(k，i)为决 策变量，X(k，i)＝1表示无人机Uk对目标区域Ai进行了覆盖探测，否 则X(k，i)＝0，Yk(i，j)为决策变量，Yk(i，j)＝1表示无人机Uk访问完Ai后前往的是Aj，否则Yk(i，j)＝0；Lini为无人机在目标区域Ai内部的探 测路径长度，LOutij为无人机从Ai到Aj的飞行路径长度；Cmax为传感 器的最大探测能力；
[0074] 其中，约束条件有：约束式1限定所有无人机的出发时刻均为0 时；约束式2限定所有无人机飞行速度均为v；约束式3限定所有无 人机的出发点均为A0；约束式4限定所有目标区域均有无人机对其进 行探测；约束式5限定任一目标区域仅由一架无人机对其进行探测； 约束式6限定所有无人机在完成探测任务后必须返回A0；约束式7 限定无人机所分配的探测任务不能超过所携带传感器的最大探测能 力Cmax。
[0075] 本发明的无人机编队任务分配与航迹规划的多目标优化方法及 装置，在考虑传感器的探测能力约束、探测时间窗的约束、无人机起 飞降落位置约束、任务执行情况约束和无人机所搭载传感器的探测半 径、无人机
转弯半径以及目标区域的类型等多种现实因素的约束下， 同时对多架无人机的总探测收益以及多架无人机的总飞行路径这两 个目标进行多目标优化。并通过构建MO-ADTA-MUAV模型和优化 求解进而为每一架无人机分配探测目标区域的序列，并规划执行每一 个探测任务时的飞行轨迹。
附图说明
[0076] 图1示出了无人机编队任务分配与航迹规划的多目标优化方法的
流程图。
[0077] 图2示出了本发明一个
实施例的目标区域示意图。
[0078] 图3a示出了本发明一个实施例的某架无人机进入目标区域的进 入点示意图。
[0079] 图3b示出了本发明一个实施例的某架无人机在目标区域内探测 路径示意图。
[0080] 图4a和4b示出了本发明的一个实施例的无人机在目标区域间的 飞行路径示意图；
[0081] 图5示出了本发明实施例的探测时间段与最佳探测时间窗关系示 意图；
[0082] 图6示出了本发明实施例的使用NSGA-Ⅱ算法对 MO-ADTA-MUAV模型进行优化的流程图；图7示出了本发明实施例 的一条染色体的结构示意图；
[0083] 图8示出了本发明实施例的一个染色体对应信息交叉方式示意 图；
[0084] 图9示出了本发明的实施例的染色体三重随机变异方法示意图；
[0085] 图10示出了本发明的实施例的新父代种群生成示意图；
[0086] 图11示出了本发明的无人机编队探测任务分配与航迹规划的多 目标优化装置的结构
框图。
具体实施方式
[0087] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0088] 无人机区域探测任务是指利用无人机平台及其所搭载的传感器 对
指定地表区域内的信息进行采集的一类任务，在地形勘测、资源勘 察、
城市规划、气象观测、应急搜索等不同领域中发挥着重要的作用。
[0089] 在实际应用过程中，往往使用异构无人机执行区域探测任务。这 是因为：首先，单一无人机难以满足复杂任务的需要。随着目标区域 数量的增长、探测时间窗的影响，单一无人机执行任务的总时间被延 长，难以高
质量的完成对所有区域的探测任务；其次，同构多无人机 难以适应不同类型的区域探测任务。其对区域探测效果的优劣将随着 地形、
地貌、气象条件等因素的变化而产生较大
波动，匹配相应目标 类型的传感器探测效果更佳，在最佳探测时间窗内对目标探测的效果 也会更好。利用多架搭载不同传感器的无人机组成异构多无人机编队 执行区域探测任务不但能够改善传统单无人机航程及所携载荷带来 的限制，而且能够利用异构无人机间的传感器特点实现性能方面的互 补，在面对目标地形多样性需求的区域探测问题时具备较强优势。
[0090] 该多无人机探测任务是指由搭载不同传感器的多架无人机组成 编队从同一机场同时起飞，对多个目标区域进行探测，且需要确保每 个区域都能被完整的探测且仅被一架无人机探测。
[0091] 在该问题中，不仅需要考虑考虑无人机所搭载传感器类型、传感 器载荷以及目标区域位置等限制条件，而且还必须考虑无人机所搭载 传感器的探测半径、无人机转弯半径，目标区域的地形以及目标区域 的最佳探测时间窗等多种现实因素的约束。并且在该问题中，无人机 总航程和目标区域探测收益是两个必须同时面对的优化目标。在无人 机总飞行路径最短的规划下，总探测收益可能不尽如人意；而在总探 测收益最优的规划下，无人机的总飞行路径也可能较长。
[0092] 因此，该问题就转化为每一架无人机分配探测目标区域的序列， 并规划执行每一个探测任务时的飞行轨迹，以对总飞行路径和总探测 收益这两个目标进行多目标优化。进而构建MO-MUAV-STW模型 (Multi-Objective—Multi-UAV—Soft Time Window)进行优化求解。
[0093] 图1示出了一种无人机编队任务分配与航迹规划的多目标优化方 法的流程图。
[0094] 参照图1，本发明的优化方法，具体包括以下步骤：
[0095] S1、获取目标区域数据，最佳探测时间窗数据，无人机数据和无 人机所搭载传感器的数据；
[0096] S2、基于所述目标区域数据，最佳探测时间窗数据，无人机数据 和无人机所搭载传感器的数据，构建MO-MUAV-STW模型；所述模 型的目标函数为最大化探测任务中所有无人机的总探测收益以及最 小化所有无人机的总飞行路径；所述预设约束有传感器的探测能力约 束、无人机起降点约束、任务执行完备性约束和出发时间约束；
[0097] S3、基于所述约束构建MO-MUAV-STW模型的初始解集；
[0098] S4、基于预设的NSGA-Ⅱ算法对所述初始解集进行计算，得到 所述MO-MUAV-STW模型的Pareto最优解；
[0099] S5、将所述最优解转译为具体分配方案作为无人机编队探测任务 分配与航迹规划的多目标优化的分配结果。
[0100] 以下通过具体实施例详细描述上述方法。
[0101] 在本实施例中，设定所有无人机均具有相同的
最小转弯半径Rmin和飞行速度v，其所携带的传感器也具有相同的探测半径RS和最大存 储能力Cmax。同时，对无人机做如下假设：
[0102] (1)无人机均具有自动避障功能，当多架无人机在可能发生相 互碰撞的情况下可采取自主规避，且自主规避产生的路径长度相对于 飞行路径的总长度可忽略不计。
[0103] (2)无人机均以相同的给定速度和高度进行飞行，这样可使得 机载传感器的探测能力在该飞行速度和高度下达到最佳。
[0104] (3)无人机自身的抗
风能力强于当前环境下的
风力，即不考虑 场景中风力对无人机飞行路径的影响。
[0105] (4)该场景下，虽然中小型固定翼无人机所携带的
燃料有限， 但是假设其仍能够满足执行该任务的需要，即不考虑燃料的问题。
[0106] 在本实施例中，首先获取目标区域的位置、大小数据；最佳探测 时间窗数据；传感器探测半径数据；固定翼无人机转弯半径数据。并 设Profit为所有架无人机的总探测收益，Length为多架无人机的总飞 行路径；Ai为编号为i的目标区域，其中A0表示无人机出发点位置， Ui表示编号为i的无人机，NA为目标区域个数，NU为无人机个数， Si为目标区域Ai的面积；Itiki为无人机Ui在最佳探测时间窗内对Ai的探测时长，Otiki为无人机Ui在最佳探测k时间窗外对Ai的探测时长， ti 0为无人机起飞时刻；t∈{T1，T2，T3}为某一无人机所搭载的传感器 类型，g∈{G1，G2，G3}为某一种目标区域的类型，Iprtg为使用传感 器t对类型为g的目标区域在最佳探测时间窗内进行探测的收益系 数，Oprtg为使用传感器t对类型为g的目标区域在最佳探测时间窗外 进行探测的收益系数；X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标区域Ai进行了覆盖探测，否则X(k，i)＝0，Yk(i，j)为决策变量， Yk(i，j)＝1表示无人机Uk访问完Ai后前往的是Aj，否则Yk(i，j)＝0；Lini为无人机在目标区域Ai内部的探测路径长度，LOutij为无人机从Ai到Aj的飞行路径长度；Cmax为传感器的最大探测能力。
[0107] 一队无人机U＝{U1,U2,U3}分别携带传感器T1，T2，T3，从A0出发 对目标区域A＝{A1,A2,…,A6}执行探测任务，目标区域A＝{A1,A2,…,A6} 的类型分别为G1，G2，G1，G2，G3，G3。如图2所示。在探测过程 中，每一个目标区域都要被完整的进行覆盖探测且每一个目标区域仅 能由一架无人机对其进行探测。
[0108] 区域内探测路径使用光栅式探测路径规则生成：无人机从区域边 界上的进入位置进入区域，进入位置预设为与目标区域4个顶点距离 为Rs的8个点，其中Rs为传感器探测半径。随后，无人机沿垂直于 进入点所在边界的方向飞行，当飞行至区域的边界后，无人机以预设 的探测半径进行U型180°转弯，然后平行于原路径方向继续飞行， 如此往返，直至完成对该区域的全覆盖探测，并离开目标区域。如图 3a和3b所示。无人机在两目标区域间的飞行路径使用杜宾路径 (Dubins path)规则生成，杜宾路径是一种无人机在固定转弯半径约 束下在两点间飞行的最
短路径，并且随着无人机飞入和飞出目标区域 时的位置不同，两个目标区域间将存在多条可行杜宾路径。如图4a 和4b所示。各架无人机对各自所探测的目标区域的区域内探测路径 和其在各自所探测目标区域的区域间飞行路径，组成各架无人机的探 测路径总和。
[0109] 本发明实施例的无人机的总探测收益即每架无人机的对各自所 探测的任务目标的探测收益总和。其中，每个无人机的探测收益具体 包括：每个无人机对其所分配的目标在所述最佳探测时间窗内进行探 测的收益和在所述最佳探测时间窗外进行探测的收益。其中，无人机 对目标的探测时间段与目标的最佳探测时间窗有四种不同的可能关 系。如图5所示。
[0110] 基于上述设置，本发明的实施例的MO-ADTA-MUAV模型建立 如下所述。
[0111] 设决策变量X(k，i)，X(k，i)＝1表示无人机Uk对目标区域Ai进行 了覆盖探测，否则X(k，i)＝0；决策变量Yk(i，j)，Yk(i，j)＝1表示无人机 Uk访问完Ai后前往的是Aj，否则Yk(i，j)＝0。
[0112] 则MO-MUAV-STW模型的目标函数为：
[0113] 目标函数1：
[0114]
[0115] 目标函数2：
[0116]
[0117] 所述MO-MUAV-STW模型的约束条件为：
[0118] 约束式1：
[0119] 约束式2：
[0120] 约束式3：：
[0121] 约束式4：
[0122] 约束式5：
[0123] 约束式6：
[0124] 约束式7：：
[0125] 上述模型中，目标函数中，公式(1)用来计算无人机对所有探 测目标的总探测收益值，本实施例中要最大化总探测 收益值。
[0126] 公式(2)用来计算计算无人机 执行遥感探测 任务的总飞行距离，本实施例中要同时最小化无人机的飞行距离。
[0127] 上述实施例的约束条件中，公式(3)表示限定所有无人机的出 发时刻均为0时；
[0128] 公式(4)表示限定所有无人机飞行速度均为v；
[0129] 公式(5)表示限定所有无人机的出发点均为A0；
[0130] 公式(6)表示限定所有目标区域均有无人机对其进行探测；
[0131] 公式(7)表示限定任一目标区域仅由一架无人机对其进行探测；
[0132] 公式(8)表示限定所有无人机在完成探测任务后必须返回A0；
[0133] 公式(9)表示限定无人机所分配的探测任务不能超过所携带传 感器的最大探测能力Cmax。进一步的实施例中，对上述模型的优化， 是一个多目标优化问题，包含了最大化探测收益与最小化无人机飞行 路径长度这两个优化目标。本发明的实施例采用了NSGA-Ⅱ算法对模 型进行优化，并设计了针对该模型的编码方法、对应信息交叉和三重 随机变异。NSGA-Ⅱ算法是处理多目标优化问题的有效算法，该算法 首先随机生成大量的可行解，并通过快速非支配排序、拥挤度计算、 选择、交叉、变异等方法产生逼近Pareto前沿的解。
[0134] 图6示出了本发明实施例的使用NSGA-Ⅱ算法对 MO-ADTA-MUAV模型进行优化的流程图。
[0135] 参照图6，本发明使用NSGA-Ⅱ算法对MO-ADTA-MUAV模型进 行优化的过程如下：
[0136] S61、根据所述初始解生成初始化父代种群，父代种群的预设规 模为P；
[0137] S62、通过对应信息交叉所述父代种群，产生交叉后种群。并通 过三重随机变异所述交叉后种群，产生子代种群；
[0138] S63、将所述子代种群与所述父代种群合并，生成合并后种群；
[0139] S64、计算该合并后种群中各条染色体所表示分配情况下无人机 到达和离开各子所探测目标区域的时间，并以此计算总飞行路径和探 测收益；
[0140] S65、对所述合并后种群依据其各条染色体所表示分配情况下的 总飞行路径和探测收益进行非支配顺序数和拥挤度计算，生成虚拟适 应值；
[0141] S66、取所述合并后种群中虚拟适应值排名前P的染色体，组成 新的父代种群；
[0142] S67、判断生成所述新的父代种群的次数是否达到预设最大化迭 代次数，如是则跳转步骤S68，如否则跳转步骤S62；
[0143] S68、依据父代种群中各条染色体的非支配顺序数，输出非支配 顺序数为1的染色体作为本次任务分配的结果。
[0144] 上述步骤S61中，将可行的任务分配方案编译成一条染色体编 码，一个对应位置的目标区域标识信息、无人机标识信息和无人机进 入目标区域的进入位置序号这三个要素组成了所述染色体的一个基 因。因此，在本实施例中的染色体编码是一个3*NA，即3*6的矩阵。 染色体矩阵的三行分别编译了目标区域编号{A1,A2,…,A6}、无人机编号 {U1,U2,U3}和进入点位置编号{1,2,…,8}。如图7所示，是本实施例中 的一个染色体示例，表示了无人机U1离开出发点后从进入点3对目 标区域A3进行探测，随后从进入点1对目标区域A5进行探测，随后 从进入点5对目标区域A1进行探测，最后返回机场；无人机U2离开 出发点后从进入点2对目标区域A6进行探测，随后从进入点7对目 标区域A4进行探测，最后返回机场；无人机U3离开出发点后从进入 点8对目标区域A2进行探测，最后返回机场。
[0145] 在进一步的实施例中，设计了一种对应信息交叉，对父代种群进 行交叉操作，以产生继承父代优良基因的子代染色体。具体包括：
[0146] S71、随机抽取父代种群中任意两个父代染色体；
[0147] S72、从选择的第一父代染色体中随机选择一段连续的基因；在 选择的第二父代染色体中选择具有与第一父代中被选中的一段基因 有相同目标标识信息的基因；
[0148] S73、将第一父代染色体中选择的基因与第二父代染色体中选择 的基因，基于目标标识信息进行互换。产生两条新的染色体；
[0149] S74、判断新生成的染色体是否满足约束条件，不满足则跳转步 骤S72，满足则跳转S75；
[0150] S75、判断生成新染色体的个数是否达到P个，若是则跳转步骤 S76，若否则跳转步骤S71；
[0151] S76、将最终产生的P个新染色体组成所述交叉后种群。
[0152] 如图8所示，是本实施例中的一个对应信息交叉示例，该示例中， 首先选中了染色体1上的连续基因2,3；随后在染色体2中寻找对应 信息基因1,4；最后对应信息基因进行交叉互换，生成交叉后的两条 新染色体。
[0153] 更进一步的实施例中，为了防止种群陷入局部最优，设计了一种 三重随机变异，对所述交叉后种群，具体有：无人机标识信息变异、 无人机进入目标区域的进入位置变异和探测顺序变异。各条染色体依 一定概率随机选择其中的0至3种变异进行操作，若变异后染色体不 符合约束条件，则对该染色体重新进行变异操作。所述交叉后种群中 所有染色体均进行变异操作后，变异产生的P条新染色体组成子代种 群。如图9所示，是本实施例中的一个三重随机变异示例，该示例中 分别示出了可能的无人机标识信息变异、无人机进入目标区域的进入 位置变异和探测顺序变异。在无人机标识信息变异中，染色体随机选 中基因5，并将对应位置无人机标示信息1变异为3；在无人机进入 目标区域的进入位置变异中，染色体随机选中基因3，并将对应位置 无人机进入目标区域的进入位置5变异为1；在探测顺序变异中，随 机选中了具有相同无人机标示信息的基因4,6，随后对着两个基因进 行顺序对调，如此就可以产生无人机对目标区域探测顺序的变异。
[0154] 进一步地，为了将优良个体保留到下一代，规模为P的父代种群 与生成的规模为P的子代种群，合并成一个规模为2P的新种群。然 后对该种群进行快速非支配排序和拥挤度计算，然后选择前P个染色 体组成新的种群作为新父代种群。如图10所示。
[0155] 通过上述的优化计算后，能够得到多无人机协同探测任务分配方 案，该分配方案包括为每个无人机分配其所负责的探测区域和对各自 所负责探测区域的探测顺序与进入每个探测区域的进入位置。如下表 1所示。
[0156] 表1为一个实施例的分配结果
[0157]
[0158] 在本发明的另一个实施例中，提供了一种无人机编队探测任务分 配与航迹规划的多目标优化装置，如图11所示，其具体包括：
[0159] 数据获取单元10，用于获取目标区域数据，最佳探测时间窗数 据，无人机数据和无人机所搭载传感器的数据；
[0160] 建模单元20，用于基于所述目标区域数据，最佳探测时间窗数 据，无人机数据和传感器数据，构建MO-MUAV-STW模型；所述模 型的目标函数为最大化探测任务中所有无人机的总探测收益以及最 小化所有无人机的总飞行路径；所述预设约束有传感器的探测能力约 束、无人机起降点约束、任务执行完备性约束和出发时间约束；
[0161] 初始解获取单元30，用于基于所述约束构建MO-MUAV-STW模 型的初始解集；
[0162] 最优解计算单元40，用于基于预设的NSGA-Ⅱ算法对所述初始 解集进行计算，得到所述MO-MUAV-STW模型的Pareto最优解；
[0163] 分配结果转译单元50，用于将所述最优解转译为具体分配方案 作为无人机编队探测任务分配与航迹规划的多目标优化的分配结果。
[0164] 本发明的无人机编队任务分配与航迹规划的多目标优化方法及 装置，在考虑传感器的探测能力约束、探测时间窗的约束、无人机起 飞降落位置约束、任务执行情况约束和无人机所搭载传感器的探测半 径、无人机转弯半径以及目标区域的类型等多种现实因素的约束下， 同时对多架无人机的总探测收益以及多架无人机的总飞行路径这两 个目标进行多目标优化。并通过构建MO-ADTA-MUAV模型和优化 求解进而为每一架无人机分配探测目标区域的序列，并规划执行每一 个探测任务时的飞行轨迹。
[0165] 以上实施方式仅用于说明本发明，而并非对本发明的限制，有关 技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下， 还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明 的范畴，本发明的
专利保护范围应由
权利要求限定。
