目录
【若觉文章质量良好且有用，请别忘了点赞收藏加关注，这将是我继续分享的动力，万分感谢！】
1.问题背景
1.1 无人机任务分配：
使用4（自定义）台无人机，对8（自定义）个目标分别执行“分类，攻击，毁伤评估”任务。因此，对无人机和目标进行一一匹配，则总共有3*8=24个小任务。
1.2 场景设置：
-
在范围为（0，0）到（300，300）单位（KM）平面坐标系内随机取8个目标点，（仿真时取200到250）间较分散（坐标差大于3）的点，减少后期的误差；
-
4个飞机初始点（0到50），分别给与坐标位置；
-
无人机航向∈(0°, 360°)，目标航向∈(0°, 360°)，初始速度100M/s，目标假设静止；
-
最小转弯半径为1.5KM
2.解决思路
2.1 粒子群优化
2.1.1 相关背景
粒子群算法（PSO）是智能优化算法中的一类，一种基于群体的随机优化技术。由R.Eberhart博士和J.Kennedy博士于1995年发明，源于对鸟群捕食行为的研究。与其他同类进化算法不同，粒子群优化并非采用群体解的竞争机制来迭代产生最优解，而是群体解的合作机制来迭代产生最优解；此外，相比之下，PSO概念简单、易实现，且需调节的参数少，是不少研究的主要优化工具。
2.1.2 算法流程
-
初始化粒子群
-
迭代
-
粒子相互之间交换信息，获取彼此间的适应度值信息；
-
各个粒子根据获取信息更新位置和速度；
-
-
输出结果
2.2 应用思路
- 每一个粒子代表了一次完整的任务分配方案。
- 粒子中包含两个向量，UAV向量和Target向量。UAV向量表示无人机的出发序列，是一个24维的向量，每一维的取值范围为序号1到4。Target向量表示UAV向量对应的目标序列，也是一个32维向量，每一维向量为序号1到8，且每个序号总共出现3次。
- 任务分配完毕后，每一台无人机都是按着UAV向量和Target向量的对应顺序，各自执行分配给每一台无人机的任务，待最后一台无人机执行完任务后，整个任务结束。
- Target和Vehicle向量组成的粒子用来计算代价函数。
- 任务的代价评估分两个重要量：整个无人机群所消耗的油量代价V1，由整个无人机群的总航程来计算的，越小越好；整个无人机群执行任务所消耗的总时间V2，由航程最长的无人机来决定的，同样越小越好；总V=A×V1+B×V2。
- 计算每台飞机单次小任务的航程：目标与无人机的初始位置以及无人机的初始速度和航向都已知，考虑到无人机有转向过载限制。在此规定每台无人机转向的最小曲率圆，即转弯半径为1.5KM，在计算航程时按DUBINS曲线来计算单次任务的航程（最小航程）。
- 然后再得出大任务的总航程V1，再计算每台无人机分别的航程并找出最大值V2。用V1和V2去计算V。
- 模型目标为找到代价函数的最大值粒子，当作任务分配的最终选择。
- 迭代次数为100，粒子数为1000。
3.MATLAB代码实现
clc
clear
%% 粒子群算法
Nv = 4; % 无人机
Nt = 8; % 目标
Np = 3; % 任务数
Nc = Nt * Np; % 匹配对 （目标*任务）
n = 1000; % 粒子群规模
iter = 100; % 迭代次数
c1 = 0.95;
c2 = 0.35;
w = 0.9;
A = 0.95;% 目标函数1的权重
B = 0.05;% 目标函数2的权重
% 初始
Vehicle = randi([1 3],n,18);
for i = 1:n
Target(i,:) = fix((randperm(18)-1)/3)+1;
F(1,i) = fitness(Vehicle(i,:),Target(i,:));
end
F_p_min(1) = min(F(1,:));
F_min(1) = min(F_p_min);
p_Vehicle(1,:) = Vehicle(find(F(1,:) == F_p_min(1)),:);
p_Target(1,:) = Target(find(F(1,:) == F_p_min(1)),:);
all_Vehicle = p_Vehicle(find(F_p_min==F_min(1)),:);
all_Target = p_Target(find(F_p_min==F_min(1)),:);
% 迭代
for i = 2:iter
更新F(i,:)
F_p_min(i) = min(F(i,:));
F_min(i) = min(F_p_min);
p_Vehicle(i,:) = Vehicle(min(find(F(i,:) == F_p_min(i))),:);
p_Target(i,:) = Target(min(find(F(i,:) == F_p_min(i))),:);
all_Vehicle = p_Vehicle(min(find(F_p_min==F_min(i))),:);
all_Target = p_Target(min(find(F_p_min==F_min(i))),:);
end
r_min = 1.5; % 最大转弯半径
v0 = 100; % 无人机速度
V1 = sum(V1_0);
V2 = max(V2_0) / v0;
F = A * V1 + B * V2;4.输出结果
粒子群规模1000
迭代次数100
The initial position and orientation of the UAVS: (X,Y,D)
UAV1: 16 14 153
UAV2: 48 14 65
...
Location of target: (X,Y,D)
Target1: 56 80 182
Target2: 77 52 309
...
The path of the UAVS
UAV1: (Target 2,Task 1)--(Target 2,Task 2)--(Target 7,Task 1)--(Target 7,Task 2)--(Target 7,Task 3)--(Target 4,Task 2)--(Target 4,Task 3)--(Target 8,Task 3)--(Target 5,Task 3)
...
The voyage of the UAVS
UAV1: 241.8579km
UAV2: 147.6254km
UAV3: 120.1293km
...
代码不易，请点赞+收藏
【若觉文章质量良好且有用，请别忘了点赞收藏加关注，这将是我继续分享的动力，万分感谢！】