• 中国科技核心期刊
  • JST收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多种群遗传算法的多UUV任务分配方法

范学满 薛昌友 张会

范学满, 薛昌友, 张会. 基于多种群遗传算法的多UUV任务分配方法[J]. 水下无人系统学报, 2022, 30(5): 621-630 doi: 10.11993/j.issn.2096-3920.202107001
引用本文: 范学满, 薛昌友, 张会. 基于多种群遗传算法的多UUV任务分配方法[J]. 水下无人系统学报, 2022, 30(5): 621-630 doi: 10.11993/j.issn.2096-3920.202107001
FAN Xue-man, XUE Chang-you, ZHANG Hui. Task Assignment Method for Multiple UUVs Based on Multi-population Genetic Algorithm[J]. Journal of Unmanned Undersea Systems, 2022, 30(5): 621-630. doi: 10.11993/j.issn.2096-3920.202107001
Citation: FAN Xue-man, XUE Chang-you, ZHANG Hui. Task Assignment Method for Multiple UUVs Based on Multi-population Genetic Algorithm[J]. Journal of Unmanned Undersea Systems, 2022, 30(5): 621-630. doi: 10.11993/j.issn.2096-3920.202107001

基于多种群遗传算法的多UUV任务分配方法

doi: 10.11993/j.issn.2096-3920.202107001
基金项目: 中国博士后科学基金项目资助(2021M693939)
详细信息
    作者简介:

    范学满(1989-), 男, 博士, 助理研究员, 主要研究方向为智能辅助决策

    通讯作者:

    薛昌友(1969-), 男, 博士, 教授, 主要研究方向为指挥信息系统

  • 中图分类号: U674; E837

Task Assignment Method for Multiple UUVs Based on Multi-population Genetic Algorithm

  • 摘要: 多无人水下航行器(UUVs)协同侦察任务分配方案的优劣关系到作战效能甚至任务成败。文中针对传统遗传算法存在过早收敛、效率不高等问题, 提出一种人机融合的多种群遗传算法, 用于多基地、多目标、多约束的多UUV协同侦察任务分配。该算法通过引入多种群对解空间进行协同搜索, 可更好地平衡全局寻优和局部搜索能力, 突破经典遗传算法仅靠单种群进行寻优的性能瓶颈; 另外, 以人类先验知识作为启发信息辅助种群进行初始化, 提高算法收敛效率; 引入“遗忘策略”, 缓解可能出现的进化不完全问题。基于典型想定进行仿真实验, 结果表明, 提出的多种群遗传算法具有较强的鲁棒性和较高的寻优效率, 可以得到高品质的协同任务分配方案。

     

  • 图  1  满足时序约束的可行解有向图

    Figure  1.  Directed graph of feasible solutions satisfying temporal constraints

    图  2  违反时序约束的非可行解有向图

    Figure  2.  Directed graph of infeasible solutions violating temporal constraints

    图  3  UUV协同任务分配方案

    Figure  3.  Allocation scheme of collaborative task for UUV

    图  4  多种群遗传算法流程图

    Figure  4.  Flow chart of multi-population genetic algorithm

    图  5  目标和UUV初始态势分布图

    Figure  5.  Initial distribution of targets and UUVs

    图  6  侦察目标对载荷种类需求曲线

    Figure  6.  Demand curve of targets to load types

    图  7  多种群协同进化算法任务分配结果示意图

    Figure  7.  Task assignment results of multi-population coevolution algorithm

    图  8  随机初始化多种群协同进化算法实验结果示意图

    Figure  8.  Experimental results of multi-population coevolution algorithm with random initialization

    图  9  无遗忘策略多种群协同进化算法实验结果示意图

    Figure  9.  Experimental results of multi-population coevolution algorithm without forgetting strategy

    图  10  单种群遗传算法任务分配结果示意图

    Figure  10.  Task assignment results of single population genetic algorithm

    图  11  多种群协同进化算法任务分配结果示意图

    Figure  11.  Task assignment results of multi-population coevolution algorithm

    表  1  任务收益矩阵

    Table  1.   Task benefit matrix

    UUV目标
    12345678
    17915111211155
    27913101371413
    315131051281111
    48715759811
    UUV目标
    9101112131415
    110×61313×10
    29111571556
    31467761110
    41415131415125
    下载: 导出CSV

    表  2  多种群协同进化算法各UUV任务信息表

    Table  2.   Information table of UUV tasks for multiple population coevolution algorithm

    UUV
    编号
    任务
    收益
    航行距离
    /(n mile)
    完成时间
    /min
    任务
    个数
    13565.782 306.054
    2 35 111.16 2 077.41 4
    3 48 54.01 2 006.8 4
    4 21 68.91 1 776.93 3
    合计139299.868167.1915
    下载: 导出CSV

    表  3  随机初始化多种群协同进化算法信息表

    Table  3.   Information table for multi-population coevolution algorithm with random initialization

    UUV
    编号
    任务
    收益
    航行距离
    /(n mile)
    完成时间
    /min
    任务
    个数
    1 21 52.10 1 311.62 3
    2 46 108.45 2 585.34 4
    3 51 92.31 2 438.96 4
    4 41 76.35 2 302.25 4
    合计159329.218 638.1715
    下载: 导出CSV

    表  4  无遗忘策略多种群协同进化算法信息表

    Table  4.   Information table for multi-population coevolution algorithm without forgetting strategy

    UUV
    编号
    任务
    收益
    航行距离
    /(n mile)
    完成时间
    /min
    任务
    个数
    1 32 68.87 1 969.77 3
    2 47 108.45 2 585.34 4
    3 55 56.61 2 371.04 5
    4 37 68.66 2 413.66 3
    合计171302.609 339.8115
    下载: 导出CSV

    表  5  单种群遗传算法各UUV任务信息表

    Table  5.   Information table of UUV tasks for single population genetic algorithm

    UUV
    编号
    任务
    收益
    航行距离
    /(n mile)
    完成时间
    /min
    任务
    个数
    1 20 52.10 1 311.62 3
    2 49 108.45 2 585.34 4
    3 49 92.29 2 398.75 4
    4 44 83.37 2 534.01 4
    合计162336.218829.7215
    下载: 导出CSV
  • [1] 严浙平, 刘祥玲. 多UUV协调控制技术研究现状及发展趋势[J]. 水下无人系统学报, 2019, 27(3): 226-231. doi: 10.11993/j.issn.2096-3920.2019.03.001

    Yan Zhe-ping, Liu Xiang-ling. Research Status and Development Trend of Multi-UUV Coordinated Control Technology: A Review[J]. Journal of Unmanned Undersea Systems, 2019, 27(3): 226-231. doi: 10.11993/j.issn.2096-3920.2019.03.001
    [2] 董晓明, 范慧丽, 龚俊斌, 等. 海上无人装备体系概览[M]. 哈尔滨: 哈尔滨工程大学出版社, 2020: 460-473.
    [3] 轩孟丽. 无人机编队的任务规划[D]. 西安: 西安电子科技大学, 2020.
    [4] 叶航航, 李泽仁, 刘浩, 等. 一种基于指派模型的导弹-目标分配算法[C]//2018中国自动化大会(CAC2018)论文集. 西安: 中国自动化学会, 2018: 564-569.
    [5] 孙凡, 邹强, 彭英武. 基于GA的水下预置反舰导弹区域封锁部署优化[J]. 水下无人系统学报, 2021, 29(2): 238-242.

    Sun Fan, Zou Qiang, Peng Ying-wu. Optimization of Regional Blockade Deployment of Underwater Preset Anti-ship Missiles Based on GA[J]. Journal of Unmanned Undersea Systems, 2021, 29(2): 238-242.
    [6] 董浩, 李烨. 基于多种群遗传算法的虚拟机优化部署研究[J]. 控制工程, 2020, 182(2): 131-137. doi: 10.14107/j.cnki.kzgc.170671

    Dong Hao, Li Ye. Research on Optimization of Virtual Machine Deployment Based on Multi Population Genetic Algorithm[J]. Control Engineering of China, 2020, 182(2): 131-137. doi: 10.14107/j.cnki.kzgc.170671
    [7] 刘胜, 于海强. 基于改进遗传算法的多目标FJSP问题研究[J]. 控制工程, 2016, 23(6): 816-822. doi: 10.14107/j.cnki.kzgc.150184

    Liu Sheng, Yu Hai-qiang. Research on Multi-objective FJSP Problem Based on Improved Genetic Algorithm[J]. Control Engineering of China, 2016, 23(6): 816-822. doi: 10.14107/j.cnki.kzgc.150184
    [8] Bai X, Yan W, Ge S S, et al. An Integrated Multi-population Genetic Algorithm for Multi-vehicle Task Assignment in a Drift Field[J]. Information Sciences, 2018, 44(4): 1-29.
    [9] 陈娟, 荆昊, 方宇杰. 基于多种群协同进化算法的混合交通流信号优化[J]. 上海大学学报(自然科学版), 2020, 156(6): 153-166.

    Chen Juan, Jing Hao, Fang Yu-jie. Mixed Traffic Flow Signal Optimization Based on Multi-population Coevolutionary Algorithm[J]. Journal of Shanghai University (Natural Science), 2020, 156(6): 153-166.
    [10] 张习习, 顾幸生. 基于集成学习概率神经网络的电机轴承故障诊断[J]. 华东理工大学学报(自然科学版), 2020, 46(1): 77-85. doi: 10.14135/j.cnki.1006-3080.20181206001

    Zhang Xi-xi, Gu Xing-sheng. Motor Bearing Fault Diagnosis Method Based on Integrated Learning Probabilistic Neural Network[J]. Journal of East China University of Science and Technology, 2020, 46(1): 77-85. doi: 10.14135/j.cnki.1006-3080.20181206001
    [11] 焦儒旺, 曾三友, 李晰, 等. 基于学习的动态多目标方法求解约束优化问题[J]. 武汉大学学报(理学版), 2017, 63(2): 177-183. doi: 10.14188/j.1671-8836.2017.02.012

    Jiao Ru-wang, Zeng San-you, Li Xi, et al. Constrained Optimization by Solving Equivalent Dynamic Constrained Multi-Objective Based on Learning[J]. Journal of Wuhan University (Natural Science Edition), 2017, 63(2): 177-183. doi: 10.14188/j.1671-8836.2017.02.012
    [12] Jazzbin, Yuan Q X. Geatpy: the Genetic and Evolutionary Algorithm Toolbox for Python with High Performance in python[EB/OL].(2021-04-04)[2021-07-02]. http://www.geatpy.com/.
  • 加载中
图(11) / 表(5)
计量
  • 文章访问数:  18
  • HTML全文浏览量:  7
  • PDF下载量:  7
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-07-05
  • 修回日期:  2021-09-05
  • 网络出版日期:  2022-09-15

目录

    /

    返回文章
    返回
    服务号
    订阅号