多无人机协同目标分配攻击方法

多无人机协同目标分配攻击方法

　　技术领域

　　本发明属于多无人机协同目标分配的技术领域，具体涉及阶段性多无人机协同目标分配的方法。

　　背景技术

　　针对多目标多无人机协同任务规划问题，目前主要研究的模型有多车辆路径(MVRP)、多维多选择背包、多旅行商(MTSP),混合整数线性规划(MILP)和动态网络流优化(DNFO)等。MVRP模型更多地描述任务分配中有关时间的约束，而未充分考虑无人机的动力学特性。和MTSP模型并未讨论任务的异构性。MILP和DNFO模型仅适用于范围小、目标数量少和环境威胁源单一的任务规划问题。Mahesh等提出的将多机协同问题抽象为多个相互独立的TSP问题，优化指标为最短路线长度，然后利用模拟退火算法去进行解决，该方法虽然降低了问题的复杂程度，但是忽略了协同的本质。

　　多无人机目标分配问题是多无人机任务规划的重要问题之一。在目标分配问题的建模方面，对于不确定环境对多目标分配问题建模的影响，实现了在避碰条件下的快速目标分配，现有方法只考虑了无人机数量小于目标数量的情况，且只考虑了障碍物对目标分配的影响，对建模情况的考虑不完整。实现以多无人机侦察、跟踪等作为任务划分，进行了多任务分配与运动规划的研究，尤其适合城市环境下的目标分配问题建模。有些人利用多分支树结构分析了多无人机目标分配问题的特点，考虑目标执行的次序约束，建立了有效的多无人机多目标分配数学模型，但并未对无人机与目标数量关系进行研究。还有些人以目标优先级或目标价值对目标进行评估，通过建立最优化模型来求解多目标分配问题。

　　但是,上述方法均未对实际运行情况进行考虑，在实际使用时，由于风向风速等环境因素的影响存在无人机射击目标准确性差的问题。

　　发明内容

　　本发明是为了解决现有多无人机协同目标分配作战时，由于环境影响，造成目标攻击准确率低的问题，提出了一种多无人机协同目标分配攻击方法。

　　本发明所述多无人机协同目标分配攻击方法，该方法包括：

　　步骤一、获取无人机与待攻击目标的具体位置和无人机与攻击目标的数量；

　　步骤二、根据无人机与待攻击目标的位置和无人机与攻击目标的数量，确定多无人机的第一阶段任务分配模型和多个预定攻击地点；

　　步骤三、当无人机达到预定攻击地点时，根据无人机与待攻击目标的位置，建立作战函数，确定无人机第二阶段的飞行速度、飞行方向和无人机发射导弹的方位，实现多无人机协同多目标攻击。

　　进一步地，步骤二中所述根据无人机与待攻击目标的位置和无人机与攻击目标的数量，确定多无人机的第一阶段任务分配模型和多个预定攻击地点的具体方法为；

　　步骤二一、根据无人机与待攻击目标的位置确定多个无人机的预定攻击地点；步骤二二、根据无人机与预定攻击地点建立多无人机飞行航程代价函数和多无人机飞行时间代价函数；

　　步骤二三、对多无人机飞行航程代价函数和多无人机飞行时间代价函数进行归一化处理，获取多无人机协同的任务规划模型；

　　步骤二四、根据无人机与攻击目标的数量和无人机的自身极限条件，建立第一阶段任务约束条件；

　　步骤二五、根据第一阶段任务约束条件和多无人机协同的任务规划模型，获取多无人机的第一阶段任务分配模型。

　　进一步地，步骤二二中所述的多无人机飞行航程代价函数和多无人机飞行时间代价函数为：

　　多无人机飞行航程代价函数为：

　　

　　多无人机飞行时间代价函数为：

　　

　　X(i,j)是决策变量，tij表示第i架无人机到达预定攻击j目标时的飞行时间，dij表示第i架无人机到达预定攻击j目标时的飞行航程,n为无人机的数量，m为待攻击的目标的数量。

　　进一步地，步骤二三中所述多无人机协同的任务规划模型为：

　　minf＝ω1L1+ω2L2(3)

　　其中，ω1和ω2分别为航程代价函数的权重占比和时间代价函数的权重占比，且ω1+ω2＝1。

　　进一步地，第一阶段任务约束条件包括：无人机与目标点决策变量约束条件和协同约束条件，所述协同约束条件包括：最大航程约束、最大航行时间约束、最小/最大飞行速度约束、攻击目标时序约束和时间窗口约束。

　　进一步地，无人机与目标点决策变量约束为：

　　当无人机的数量n大于目标的数量m，即n≥m时，任务决策为每架无人机至少攻击一个目标点；

　　当无人机的数量n小于目标的数量m时，即n＜m时，任务决策为给每个目标必须分配一架无人机；

　　

　　

　　进一步地，步骤三中所述的根据预定攻击地点与攻击目标的具体位置，建立作战函数的具体方法为：

　　步骤三一、根据无人机的位置与目标的位置，建立坐标系，获得无人机坐标矩阵和目标坐标矩阵；

　　步骤三二、利用无人机坐标矩阵和目标坐标矩阵获得每架无人机与待攻击目标的距离dij和每架无人机对待攻击目标的俯角θij；

　　步骤三三、根据无人机与待攻击目标的距离dij和无人机对待攻击目标的俯角θij；建立无人机的优势攻击函数；

　　步骤三四、判断无人机的优势攻击函数值是否达到攻击阈值，若是，则执行步骤三七，否则，执行步骤三五；

　　步骤三五、利用雅可比矩阵将无人机与目标的坐标变化和优势攻击函数建立联系，获取无人机坐标的变化的函数；

　　步骤三六、对无人机的坐标进行更新，获取新的无人机坐标矩阵；返回执行步骤三二；

　　步骤三七、利用无人机攻击过程中的代价函数，建立无人机的作战函数。

　　进一步地,步骤三三中所述优势攻击函数包括：

　　无人机关于作战距离的优势攻击函数：

　　

　　式中:表示目标j获得无人机i关于作战距离的优势攻击函数；rD表示第i架无人机的作战攻击半径；Dij表示无人机i和目标j的直线距离；

　　无人机关于攻击角度的优势攻击函数：

　　

　　式中：表示目标j获得无人机i关于攻击角度的优势攻击函数；θi表示无人机对目标攻击效果最佳的角度；θij表示无人机和目标之间的俯角；

　　无人机关于攻击速度的优势攻击函数：

　　

　　式中：第j个目标获得第i个无人机关于攻击速度的优势攻击函数；Vij表示第i个无人机与第j个目标的相对速度；Vi表示进行攻击时无人机与目标的最佳相对速度。

　　进一步地,步骤三四中所述利用雅可比矩阵将无人机与目标的坐标变化和优势攻击函数建立联系，获取无人机坐标的变化的函数；

　　利用雅可比矩阵将坐标变化和优势攻击函数建立联系。

　　

　　

　　

　　式中：表示第1架无人机的空间坐标；表示第n架无人机的空间坐标；表示第j目标获取的距离优势值；表示第m个目标需要获得的距离优势值；表示第j目标获取的角度优势值；表示第m个目标需要获得的角度优势值，表示第j目标需要获得的速度优势值；表示第m个目标需要获得的速度优势值；其中，为三个优势攻击函数相对应的雅可比矩阵；矩阵是由优势攻击函数中对无人机的空间坐标进行求偏导获得的，无人机坐标的变化函数：

　　

　　

　　

　　式中：T代表矩阵的转置符号；代表攻击优势值一阶导数；代表坐标的一阶导数；Jjacobi表示为偏导数的雅可比矩阵；

　　利用Jjacobi它的伪逆来求解：

　　

　　式中，是Jjacobi求的伪逆；J+表示伪逆；JT表示为雅可比矩阵的转置；为目标j需要获得的能力值，j＝{1,..k,…,m}。

　　无人的更新坐标，获取k+1时刻第i架无人机的坐标；

　　

　　式中：为攻击优势值的变化值；Δt表示攻击过程中时间步长；代表k时刻第i架无人机的坐标；

　　进一步地，步骤三七中所述利用无人机攻击过程中的代价函数，建立无人机的作战函数的具体方法为：

　　利用飞行航程代价函数、时间代价函数、收益代价函数和威胁代价函数建立作战函数；

　　其中，飞行航程代价函数为：

　　c1＝β1di (17)

　　所述飞行航程代价函数指无人机到达指定攻击地点后，在未达到最佳攻击位置时，需要实时更新新的坐标位置，所需要的的飞行代价，其中，β1是指飞行航程所占的权重，di是更新位置后与到达指定攻击点的实际距离；

　　时间代价函数为：

　　c2＝β2tij(18)

　　时间代价函数为无人机到达指定攻击地点后，在未达到最佳攻击位置时，需要实时更新新的坐标位置，所需要的的时间代价；其中，tij是指到达指定目标到更新位置后，完成攻击的时间；

　　收益代价函数为：

　　c3＝β3(1-Vj.Ai)(19)

　　收益代价函数为无人机i攻击目标j产生的收益代价，记第i架无人机攻击后所带来的效益为P＝Vj.Ai，其中，Vj为目标本身的价值，Ai为无人机击毁目标的概率；

　　威胁代价函数为：

　　

　　其中，表示第i架无人机的价值；Ki为目标击毁无人机的概率；

　　对飞行航程代价函数、时间代价函数、收益代价函数和威胁代价函数求和为Ccost，

　　Ccost＝c1+c2+c3+c4(21)

　　进而获得无人机的第二阶段作战函数：

　　

　　函数的约束条件为：

　　

　　式中：(24)要求每架无人机同一时间只能攻击一个目标。

　　β1+β2+β3+β4＝1(24)

　　其中，β1、β2、β3、β4代表行航程代价函数、时间代价函数、收益代价函数和威胁代价函数所占的权重。

　　本发明将多无人机对目标攻击分为两个阶段，，第一阶段是无人机从同一基地出发，到达预定攻击地点，通过建立任务分配模型，对无人机的速度航向等进行控制，当无人机从基地出发到指定攻击地点时，根据还目标环境，风场等因素建立作战函数，确定无人机第二阶段的飞行速度、飞行方向和无人机发射导弹的方位，采用遵循新的算法对无人机攻击目标的角度坐标等进行调整，使无人机找到在合适的视角和速度下进行打击，以达到最佳的攻击效果，有效的提高了目标攻击的准确率。

　　附图说明

　　图1是本发明所述方法攻击态势图；

　　图2是本发明所述方法的具体流程示意图。

　　具体实施方式

　　下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

　　需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

　　具体实施方式一：下面结合图1和2说明本实施方式，本实施方式所述多无人机协同目标分配攻击方法，该方法包括：

　　步骤一、获取无人机与待攻击目标的具体位置和无人机与攻击目标的数量；

　　步骤二、根据无人机与待攻击目标的位置和无人机与攻击目标的数量，确定多无人机的第一阶段任务分配模型和多个预定攻击地点；

　　步骤三、当无人机达到预定攻击地点时，根据无人机与待攻击目标的位置，建立作战函数，确定无人机第二阶段的飞行速度、飞行方向和无人机发射导弹的方位，实现多无人机协同多目标攻击。

　　无人机在攻击作战中，综合考虑两个阶段中不同的因素。第一阶段，无人机到达指定攻击区域，由于中间遭受威胁和损坏的的概率小，所以只考虑时间和航程。第二阶段，建立了优势攻击函数，量化空中每个方位，提高了无人机攻击的准确率，同时全面考虑在攻击过程中无人机遭受的威胁，获取收益的大小，以及环境对作战的影响。

　　进一步地，步骤二中所述根据无人机与待攻击目标的位置和无人机与攻击目标的数量，确定多无人机的第一阶段任务分配模型和多个预定攻击地点的具体方法为；

　　步骤二一、根据无人机与待攻击目标的位置确定多个无人机的预定攻击地点；步骤二二、根据无人机与预定攻击地点建立多无人机飞行航程代价函数和多无人机飞行时间代价函数；

　　步骤二三、对多无人机飞行航程代价函数和多无人机飞行时间代价函数进行归一化处理，获取多无人机协同的任务规划模型；

　　步骤二四、根据无人机与攻击目标的数量和无人机的自身极限条件，建立第一阶段任务约束条件；

　　步骤二五、根据第一阶段任务约束条件和多无人机协同的任务规划模型，获取多无人机的第一阶段任务分配模型。

　　进一步地，步骤二二中所述的多无人机飞行航程代价函数和多无人机飞行时间代价函数为：

　　多无人机飞行航程代价函数为：

　　

　　多无人机飞行时间代价函数为：

　　

　　X(i,j)是决策变量，tij表示第i架无人机到达预定攻击j目标时的飞行时间，dij表示第i架无人机到达预定攻击j目标时的飞行航程,n为无人机的数量，m为待攻击的目标的数量。

　　进一步地，步骤二三中所述多无人机协同的任务规划模型为：

　　minf＝ω1L1+ω2L2(3)

　　其中，ω1和ω2分别为航程代价函数的权重占比和时间代价函数的权重占比，且ω1+ω2＝1。

　　进一步地，第一阶段任务约束条件包括：无人机与目标点决策变量约束条件和协同约束条件，所述协同约束条件包括：最大航程约束、最大航行时间约束、最小/最大飞行速度约束、攻击目标时序约束和时间窗口约束。

　　进一步地，无人机与目标点决策变量约束为：

　　当无人机的数量n大于目标的数量m，即n≥m时，任务决策为每架无人机至少攻击一个目标点；

　　当无人机的数量n小于目标的数量m时，即n＜m时，任务决策为给每个目标必须分配一架无人机；

　　

　　

　　进一步地，步骤三中所述的根据预定攻击地点与攻击目标的具体位置，建立作战函数的具体方法为：

　　步骤三一、根据无人机的位置与目标的位置，建立坐标系，获得无人机坐标矩阵和目标坐标矩阵；

　　步骤三二、利用无人机坐标矩阵和目标坐标矩阵获得每架无人机与待攻击目标的距离dij和每架无人机对待攻击目标的俯角θij；

　　步骤三三、根据无人机与待攻击目标的距离dij和无人机对待攻击目标的俯角θij；建立无人机的优势攻击函数；

　　步骤三四、判断无人机的优势攻击函数值是否达到攻击阈值，若是，则执行步骤三七，否则，执行步骤三五；

　　步骤三五、利用雅可比矩阵将无人机与目标的坐标变化和优势攻击函数建立联系，获取无人机坐标的变化的函数；

　　步骤三六、对无人机的坐标进行更新，获取新的无人机坐标矩阵；返回执行步骤三二；

　　步骤三七、利用无人机攻击过程中的代价函数，建立无人机的作战函数。

　　进一步地,步骤三三中所述优势攻击函数包括：

　　无人机关于作战距离的优势攻击函数：

　　

　　式中:表示目标j获得无人机i关于作战距离的优势攻击函数；ri表示第i架无人机的作战攻击半径；Dij表示无人机i和目标j的直线距离；

　　无人机关于攻击角度的优势攻击函数：

　　

　　式中：表示目标j获得无人机i关于攻击角度的优势攻击函数；θi表示无人机对目标攻击效果最佳的角度；θij表示无人机和目标之间的俯角；

　　无人机关于攻击速度的优势攻击函数：

　　

　　式中：第j个目标获得第i个无人机关于攻击速度的优势攻击函数；Vij表示第i个无人机与第j个目标的相对速度；Vi表示进行攻击时无人机与目标的最佳相对速度。

　　进一步地,步骤三四中所述利用雅可比矩阵将无人机与目标的坐标变化和优势攻击函数建立联系，获取无人机坐标的变化的函数；

　　利用雅可比矩阵将坐标变化和优势攻击函数建立联系。

　　

　　

　　

　　式中：表示第1架无人机的空间坐标；表示第n架无人机的空间坐标；表示第j目标获取的距离优势值；表示第m个目标需要获得的距离优势值；表示第j目标获取的角度优势值；表示第m个目标需要获得的角度优势值，表示第j目标需要获得的速度优势值；表示第m个目标需要获得的速度优势值；其中，为三个优势攻击函数相对应的雅可比矩阵；矩阵是由优势攻击函数中对无人机的空间坐标进行求偏导获得的，无人机坐标的变化函数：

　　

　　式中：T代表矩阵的转置符号；代表攻击优势值一阶导数；代表坐标的一阶导数；Jjacobi表示为偏导数的雅可比矩阵；

　　利用Jjacobi它的伪逆来求解：

　　

　　式中，是Jjacobi求的伪逆；J+表示伪逆；JT表示为雅可比矩阵的转置；为目标j需要获得的能力值，j＝{1,..k,…,m}。

　　无人的更新坐标，获取k+1时刻第i架无人机的坐标；

　　

　　式中：为攻击优势值的变化值；Δt表示攻击过程中时间步长；代表k时刻第i架无人机的坐标；

　　进一步地，步骤三七中所述利用无人机攻击过程中的代价函数，建立无人机的作战函数的具体方法为：

　　利用飞行航程代价函数、时间代价函数、收益代价函数和威胁代价函数建立作战函数；

　　其中，飞行航程代价函数为：

　　c1＝β1di (17)

　　所述飞行航程代价函数指无人机到达指定攻击地点后，在未达到最佳攻击位置时，需要实时更新新的坐标位置，所需要的的飞行代价，其中，β1是指飞行航程所占的权重，di是更新位置后与到达指定攻击点的实际距离；

　　时间代价函数为：

　　c2＝β2tij (18)

　　时间代价函数为无人机到达指定攻击地点后，在未达到最佳攻击位置时，需要实时更新新的坐标位置，所需要的的时间代价；其中，tij是指到达指定目标到更新位置后，完成攻击的时间；

　　收益代价函数为：

　　c3＝β3(1-Vj.Ai)(19)

　　收益代价函数为无人机i攻击目标j产生的收益代价，记第i架无人机攻击后所带来的效益为P＝Vj.Ai，其中，Vj为目标本身的价值，Ai为无人机击毁目标的概率；

　　威胁代价函数为：

　　

　　其中，表示第i架无人机的价值；Ki为目标击毁无人机的概率；

　　对飞行航程代价函数、时间代价函数、收益代价函数和威胁代价函数求和为Ccost，

　　Ccost＝c1+c2+c3+c4(21)

　　进而获得无人机的第二阶段作战函数：

　　

　　函数的约束条件为：

　　

　　式中：(24)要求每架无人机同一时间只能攻击一个目标。

　　β1+β2+β3+β4＝1 (24)

　　其中，β1、β2、β3、β4代表行航程代价函数、时间代价函数、收益代价函数和威胁代价函数所占的权重。

　　本发明主要针对多个无人机在复杂的约束条件下对多个目标进行攻击作战任务为背景，来进行协同目标分配建模。首先算法中考虑到无人机在攻击过程中，攻击的范围、攻击时的速度、攻击时的角度，风场的因素等，建立起优势攻击函数，将空中的无人机能量化。其次，算法使用了数学中的雅可比矩阵，将无人机的运动变化和优势攻击函数建立起联系。总的来说，将模型分为两个作战阶段，第一部分无人机从同一地点出发到达已知无人机攻击区域，主要考虑时间代价和航程代价。到达指定攻击地点后，根据建立的优势攻击函数，以及考虑航程、时间、威胁、收益等代价综合考虑，合理分配目标，以寻找最佳的攻击位置，达到理想的攻击效果。

　　虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。