论文部分内容阅读
在未来复杂战场环境下,如何利用有限的载荷资源侦察到最大化的情报信息将是指挥员进行作战决策的重要依据。近几年来,随着无人机(Unmanned Aerial Vehicle,UAV)的快速发展及新型侦察载荷技术的不断提高,UAV作为一种最主要的侦察手段,其任务决策问题已经成为了国内外学者研究的热点问题之一。所以,本文主要对多UAV协同侦察任务决策问题进行研究,因为该问题是一个多约束的复杂多目标优化与决策问题,也是一个大规模的协调控制问题,论文首先研究了单UAV多任务区侦察决策问题,在此基础上进行了多UAV多任务区侦察决策问题的研究,有效解决了在UAV的载荷资源限制下如何协同规划每架UAV的任务集及侦察顺序,从而使多UAV的总侦察收益(情报)最大化的问题。论文的主要工作及创新点如下:(1)提出了基于改进布谷鸟搜索(Cuckoo Search,CS)算法的UAV侦察收益最大化方法。该方法主要解决了当多UAV对多任务区进行侦察时,如何求得各UAV对相应任务区的侦察时间,以使多UAV总侦察收益达到最大的问题。首先,提出利用信息确定性指标对侦察收益的大小进行衡量,并建立了UAV侦察收益最大化数学模型;之后根据新兴启发式CS算法的基本原理,提出利用自适应的比例因子对CS算法进行改进。仿真结果表明,相较于标准CS算法,改进后的CS算法能够在更短时间内获得使侦察收益最大的可行解。(2)提出了基于改进离散CS(Discrete Cuckoo Search,DCS)算法的UAV航路规划方法。该方法主要研究的是以总飞行路程最短为目标的航路规划问题。首先将该问题简化为标准旅行商问题(Travelling Salesman Problem,TSP),并建立了考虑多种约束的数学模型;之后根据DCS算法的基本原理,提出了一种改进的DCS算法,最后通过仿真表明,改进的DCS算法能够在较短时间内有效解决UAV多任务区航路规划问题,同时该改进的算法具有更好的收敛性。(3)提出了基于扩展一致性束算法(Consensus-Based Bundle Algorithm,CBBA)的多UAV任务分配方法。该方法主要解决了哪些UAV执行哪些任务区,使得目标函数最优的问题。首先,根据UAV以及任务区的资源特性,提出了“资源-需求”矩阵;之后,根据多任务区分配的目的,提出了UAV到达时间指标与“UAV-任务区”时间指标,并建立了多UAV协同侦察任务分配模型;最后,针对问题的复杂性以及集中式算法的缺点,提出了利用分布式的扩展CBBA(Extension CBBA)算法进行求解。仿真结果表明在使总目标函数最大的情况下,ECBBA算法能够在较短的时间内得到各个UAV的任务集以及相应的任务执行顺序。