论文部分内容阅读
情报侦察和战场监视是无人机(Unmanned Aerial Vehicle,UAV)系统的一个主要任务。组织多架不同性能的UAV共同执行侦察任务是未来实施战场侦察的重要方式。如何根据侦察任务需要和UAV的性能制定多UAV协同侦察系统的任务计划,是充分利用多UAV协同侦察系统资源、提高系统侦察效能的关键问题之一。多UAV协同侦察任务规划属于多UAV协同控制中的任务分配和资源调度问题,主要研究在满足UAV性能约束以及目标成像侦察需求条件下,规划多UAV协同侦察系统中合适的UAV在合适的时间对合适的目标使用合适的传感器进行侦察,以提高多UAV协同侦察系统的整体效能。解决该问题的核心在于对问题进行合理的建模和求解。论文基于建模理论和优化理论,针对多UAV协同侦察任务规划问题展开研究,主要工作及创新点如下:(1)建立了多UAV协同侦察任务规划模型。通过对多UAV协同侦察问题进行深入分析,归纳了对问题建模需要考虑的关键要素,包括侦察目标的侦察成像要求和侦察时间窗要求、不同UAV平台及其搭载的侦察成像传感器的性能等。在此基础上,对问题的要素和相关属性进行了数学描述,建立了多UAV协同侦察任务规划模型MUCRMPM,并进一步分析了多基地的多UAV协同侦察任务规划问题,建立了相应的问题模型MB-MUCRMPM。论文建立的多UAV协同侦察任务规划模型一方面体现了多UAV协同侦察任务特性,另一方面也避免了由于考虑过多因素导致模型过于复杂难以求解的问题。与目前相关研究中建立的问题模型相比,论文建立的多UAV协同侦察任务规划模型更注重侦察任务的特点,因而更具备实际应用价值。(2)提出了一种新的“自适应”进化多目标优化方法AEMOM。多UAV协同侦察任务规划问题属于NP难的多目标组合优化问题。在深入分析了当前进化多目标优化领域研究成果的基础上,论文提出了一种新的“自适应”进化多目标优化方法AEMOM。AEMOM通过对多目标进化算法的形式化描述和模块化设计,对于不同的多目标优化问题,能够确定最适合问题的算法,是一种解决多目标优化问题的通用方法,而不是一种具有固定形式的算法。AEMOM的核心是建立对多目标进化算法的通用描述,为此论文提出了一个广义进化多目标优化框架GEMOS。GEMOS对多目标进化算法设计的关键要素进行了模块化描述,并且分离了问题相关组件和问题无关组件。在GEMOS基础上,AEMOM解决多目标优化问题时首先根据问题的具体特点,设计问题相关组件,然后利用正交实验方法进行问题无关组件的优化设计,得到最适合该问题的多目标进化算法。(3)提出了基于AEMOM的多UAV协同侦察任务规划算法。基于提出的“自适应”进化多目标优化方法AEMOM,论文进一步研究了多UAV协同侦察任务规划算法。多UAV协同侦察任务规划模型的约束条件较多,不属于成熟的组合优化问题模型,利用AEMOM对其进行求解的关键在于设计合适的问题相关组件,包括编码方式、重组和变异算子以及初始种群的构造等等。针对MUCRMPM和MB-MUCRMPM的特点,论文设计了合适的问题相关组件,确保解个体的合法性和进化算子的可行性,并且提出了构造初始种群的启发式算法,避免不可行初始种群引起的进化算法收敛过慢问题。为了验证基于AEMOM的多UAV协同侦察任务规划算法的性能,论文在分析MUCRMPM和MB-MUCRMPM数学特性的基础上,基于均匀设计方法,构造了具有代表性的测试问题实例。对于不同的测试问题实例,采用基于AEMOM的多UAV协同侦察任务规划算法进行了求解,得到了适合不同问题实例的多UAV协同侦察任务计划。(4)提出了多UAV协同侦察动态任务规划方法。为了确保多UAV协同侦察系统在执行侦察任务过程中,能够适应变化的任务需求和战场环境,论文进一步研究了多UAV协同侦察动态任务规划问题。分析归纳了多UAV协同侦察系统执行任务过程中需要进行动态任务规划的情况,建立了多UAV协同侦察动态任务规划模型D-MUCRMPM。并提出了快速启发式动态任务规划算法D-MUCRMPA,综合考虑了初始任务规划结果的优良性能和变化的战场环境以及新的任务需求,大大降低了动态任务规划问题的复杂性,能够快速有效解决多UAV协同侦察动态任务规划问题。