您的当前位置:首页多无人机侦察打击任务分配建模仿真

多无人机侦察打击任务分配建模仿真

2023-09-16 来源:爱问旅游网
第32卷第9期 文章编号:1006—9348(2015)09—0142—05 计算机仿真 2015年9月 多无人机侦察打击任务分配建模仿真 戚泽吻,王强,黄英杰 (空军工程大学装备管理与安全工程学院,陕西西安710051) 摘要:多无人机侦察打击一体化作战模式下的任务分配问题是多无人机协同控制的关键问题。由于系统呈现多目标、多任 务、异构多无人机、多约束等特性,问题的复杂性随问题规模和约束数量急剧增加。针对上述问题,首先对战场环境进行假 设以界定问题,并在分析了无人机和待攻击目标的各自属性后构建了异构多无人机对多个地面待攻击目标执行包括侦察、 攻击在内的任务分配模型;采用整数编码个体表示任务分配方案,并引人自适应机制以抑制遗传算法早熟收敛,最终提出自 适应整数编码遗传算法用于求解异构多UAV的协同任务分配模型。对比仿真结果验证了所建多无人机侦察打击任务分配 问题模型及所提求解算法的有效性。 关键词:协同侦察打击;无人机;任务分配;自适应遗传算法 中图分类号:TP301.6;TP18 文献标识码:B Task Assignment Modeling and Simulation for Cooperative Surveillance and Strike of Multiple Unmanned Aerial Vehicle QI Ze-yang,WANG Qiang,HUANG Ying-jie (Materiel Management and Safety Engineering Institute,Air Force Engineering University,Xi’an 710051,China) ABSTRACT:Task assignment problem for heterogeneous multiple unmanned aeiral vehicle(UAV)in surveillance strike integrated mode is the key problem of multi—UAV cooperative contro1.This problem has the charieateristics of multi-target,multi-task,heterogeneous multi—UAV and multi-constrain.Moreover,the complexity of this problem is increasing with the scale and the number of constrains.Aiming at this problem,firstly,the assumption of battle— ifeld environment is made to limit the problem.Secondly,a task assinmentg model is established after considering some constrains and attributes of UAVs and attacked targets.Thirdly,the program of combat tsk aassignment is ex— pressed by the integer coding individua1.Moreover,the adaptive scheme is adopted to prevent premature of genetic algorithm.Then,an adaptive integer coded genetic algorithm is proposed to solve the task assignment problem of het- erogeneous mahi-UAV.The compared simulation results show that the model and the proposed algorithm can effec— tively solve muhi-UAV task assignment problem in surveillance stirke integrated mode. KEYWORDS:Cooperative surveillance and stirke;Unmanned aerila vehicle(UAV);Task assignment;Adaptive genetic algorithm 1 引言 现代战争对伤亡问题越来越敏感,使得无人机(Un— manned Aerila Vehicle,UAV)在世界范围内得到了空前重视 确指出:未来的无人机作战应当以成群而非单独的方式进 行 J。异构多UAV集群作战已渐成未来空战的主要样式, 多UAV的侦察/打击一体化作战也已经被众多军事和科研 学者关注。而任务分配作为多UAV协同控制和一体化作战 的关键问题,也已成为领域热点 J。异构多UAV的侦察打 击一体化作战任务分配问题主要研究功能各异的多架UAV 对多个攻击目标执行侦察、攻击任务时,UAV及武器装备间 如何进行优化配置以使得总的作战收益最大化。这是多机 协同侦察打击一体化作战的基础。目前,在多UAV任务分 和发展…。技术进步又赋予了无人机崭新面貌,并全面提升 了其介入战争的深度和广度,从主要用作情报/侦察工具开 始,到后来用作攻击且UAV已逐渐向多功能集成的方向发 展。不仅如此,战场环境日益复杂,单架、单功能无人机已经 较难满足复杂的任务要求。美国空军科学顾问委员会也明 基金项目:国家自然科学基金(71171199) 配方面已有一些相关成果,文献[4]考虑UAV差异、目标差 异及战场态势对目标分配的影响,建立了多机协同目标分配 收稿Et期:2015一叭一O2修回日期:2015—02-27 ・---——142・・--—— 问题的数学模型;文献[5]基于能力裕度评价建立了多机协 同目标分配模型;文献[6]针对不同目标的攻击任务,建立多 无人作战飞机的协同分配模型,并采用粒子群算法进行求 任务,则暂定UAV执行对GT的任务集合为W={口, }且任 务执行应满足D—A的依次顺序。则异构多UAV对多GT的 多任务分配问题描述如下:在一定的战场环境假设和约束条 件下, 架具有不同功能的UAV如何协同地对 个目标执 行任务集合 中的任务并使得任务执行代价最小,收益最 大。 解;文献[7]以完成任务的最小代价为目标,研究了多架 UAV攻击多个目标的武力分配问题,并利用快速剪枝优化算 法进行求解。这些文献在多UAV任务分配问题的研究方面 取得了一些成果,但它们主要针对单一任务(通常为攻击任 务)和单一功能的UAV,主要研究不同待攻击目标在多UAV 下面将进行战场环境假设并分别分析UAV和目标的主 体属性、UAV执行各任务时的代价和收益。 2.2 战场环境假设及战场主体分析 间的分配 J。本文针对异构多UAV的侦察打击一体化作战 任务分配问题,通过战场假设,分析影响UAV执行任务的代 价和收益后建立异构多UAV、多目标、多任务的分配模型,并 将整数编码引入改进的自适应遗传算法以求解任务分配模 型,最后通过算例验证所建模型和所提算法的有效性。 2异构多UAV侦察打击任务分配模型 由于异构多UAV的侦察打击一体化作战任务分配问题 涉及到多架UAV,且UAV功能各异、目标多样、任务多样,使 得此种任务分配问题成为是一类较为复杂组合优化问题。 多UAV建模系统中个体往往具有多个属性,且面临多个约 束、相互间还呈现非线性等复杂特点,且问题的复杂性还会 随着涉及UAV和待攻击目标的数目的增加而急剧增加,属 多约束的NP—Hard难题。 本文主要研究二维战场空间的功能异构的多个UAV对 多个地面目标执行侦察、攻击在内的多项任务背景下的任务 分配问题。主要考虑UAV和目标的数量,各UAV的武器载 荷、UAV针对各目标完成不同任务时的收益和代价、UAV的 侦察和攻击能力、目标对UAV的威胁等因素。整合这些因 素后建立任务分配模型,并设计相应的智能算法仿真分析, 得出合理的任务分配方案,多UAV侦察打击任务分配的分 析求解过程如图1所示。 i无人机的数量I l委鑫銎饕I I 袭蓥I l目标的数重I 无人帆侦察和 目标对无人机 攻击能力 整合所有因素 的威胁 建立任务分配 无人机的隐身 模型 能力 皇 采用智能 算法进行 仿真求解 主 得到任务 分配方案 图1 多UAV侦察打击任务分配的分析求解过程筒图 2.1异构多UAV侦察打击任务分配问题描述 具体地,设UAV和GT的编号集合分别为U={1,2,…, }和G={1,2,…,jv l。D和A分别表示侦察任务和攻击 异构多UAV的多目标、多任务分配模型具有高度的复杂 性,为界定问题,首先进行战场环境假设如下: 1)不存在禁飞区、各种障碍和突发威胁; 2)不存在灰色或黑色战场信息且各UAV掌握相同的信 息且相互间通信畅通; 3)战场环境有限,UAV燃油足以使其遍历战场中的各 作战目标,暂不考虑航路问题; 4)假定UAV有弹药限制,而地面目标弹药储备充足; 基于上述战场环境假设,分析两个对抗主体UAV和地 面目标(Ground Target,GT)的属性分别如表1和表2所示。 其中,UAV的属性采用6元组<IDu, ,PCu,PDu,PAu, >表示,各元素分别表示UAV的标识、价值、隐身能力指 数、独立单架次侦察能力指数、独立单架次攻击能力指数和 武器弹药的最大载荷。6元组中PC ,PD ,PA ∈[0,1)分 别等价于UAV独立单架次的相对隐身能力比值,对目标进行 准确侦察的概率,攻击并击毁目标的概率。若PC ,=PD = PA =0,则分别表示UAV不具备隐身、侦察和攻击能力。 为UAV单次最大弹药载荷,对应UAV最多可攻击 |m 个单位目标。GT的属性由4元组<I19G, ,PCG,PAG>表 示,各元素分别表示GT的标识、价值、探测能力指数和防空 火力威胁指数。4元组中PC ,PA 皆属于[0,1),分别表示 GT发现UAV的概率以及击落UAV的概率。 2.3 执行任务的代价与收益分析 2.3.1 侦察代价与收益指标 UAV执行侦察任务的代价为GT对UAV的威胁代价,主 要与UAV的隐身能力和价值、GT的探测能力和防空火力威 胁等因素有关;而执行侦察任务的收益主要与UAV的侦察 能力和GT的价值有关。由于多架UAV对同一GT协同进行 侦察所产生的侦察效益远非多个单架次UAV对GT的侦察 效益,因此,为区别,以下分单机侦察和多机协同侦察两种情 况讨论。 1)单机侦察。将编号为i的UAV简记为UAV ,编号为 的GT简记为GTj,设VAL (i),PCu(i)和PD (i)分别为UAE 的价值、隐身能力指数和单架次侦察能力指数,VAL ( ), PCG( )和 。( )分别表示G 的价值、探测能力指数和防空 威胁能力指数。则分配 对G 执行侦察任务的收益 和代价c 分别如式(1)和(2)所示。 =,PD ( )× (J) (1) 一】43— c =尸cc( )×[1一Pcu(i)]×PAG( )x V (i) (2) 式(2)中PC ( )×[1一PC (i)]和PCA( )X[1一 PC (i)]×PA ( )分别表示 被G 发现和击毁的概率。 示 c  。:∑ A =∑[.,( ≠1)×c, ̄jl (12) Q架UAV协同地对G 执行攻击任务的净收益如下式所 cE ,,则单机侦察时的净收益可由下式计算 E ,= 一c0 (3) 2.4=c √一c (13) 2)多机协同侦察。设编号为 =i。,i ,…,io的口架UAV 对同一目标G 进行协同侦察,则准确侦察G 的概率 CPD(Q, )为 Q 任务分配模型 基于上述分析,定义任务决策变量 如下 X l, j i0 :J 目标 的任务 分配给第 架sAV (14)其它 ¨ CPD(Q, )=(1+ )×{1.n[1一PD (iz)])(4) 式中,i E U,U={1,2,…,Nu}, E G,G={1,2,…,ⅣG}。设 1 若设置协作侦察能力增益参数 以体现多机协作产生 的能力增益。假设GT的攻击力不变,则Q架UAV协同地对 G 进行侦察的收益 , 和代价cc 分别如式(5)和(6)所 , 示。 =.,CPD(Q, )×VALG( ) (5) Q cc ,=,∑c (6) …l 则9架UAV协同侦察时的净收益如下式 CE i=C 一CC 一一J 2.3.2攻击代价与收益 攻击任务也考虑单架UAV和多架UAV协同攻击同一目 标两种情况。 1)单机攻击。在考虑攻击代价时,若 执行了对G 的侦察任务后继续执行攻击任务,则G 对UA 的威胁不重 复计算,即有 =0。若不然,则有c =c0。则UAVi对 执行攻击任务的代价见下式 CA =J(x ̄j≠1)×c (8) 式中, D 为决策变量,; ̄XiO,j=1则表示 对G 执行侦察 任务。J(・)为判断函数,条件满足和不满足时分别为1和 0。则设PA (i)为 的单架次攻击能力指数, (J)为G 的价值,则UAVI对G 执行攻击任务的净收益如下式所示 E ,= 一G =PA( , )× ( )一cA f9) =PA ( )× ( )一.,( 0≠1)×c 2)多机协同攻击。设z=i ,i:,…,i。为参与协同攻击任 务的UAV编号,则Q架UAV协作对G 进行攻击后对其摧毁 的概率CPA(Q, )为: Q CPA(Q√)=(1+ )×{1一兀[1一PA ( )])(10) ‘1 式中卵为多机协同攻击所产生的能力增益, ( )表示 独立单架次击毁概率。协同情况下单个UAV的攻击任 务代价同式(8)。则Q架UAV协同地对G 进行攻击的收益  ,和代价cc 分别见式(11)和(12)。 p cx;。:(1+ )×{l-兀[1~PA (z)])×VALc( ) ‘1 (11) ~144一 =1和 =2分别表示侦察任务D和攻击任务A,则集群作 战任务分配问题描述如下 Ⅳ5 NA 2 maxf=E∑∑ E (15) 其中,若多机协同执行侦察和攻击任务则此多个UAV执行任 务的净收益分别如式(7)和式(13)所示。 约束条件为 Ⅳ^ ∑ , ( ),Vi∈s (16) f V ∈G, 1・ =0,i PD ( )=0(17) L V ∈G, 2…,=0,if PAs(i )=0 N s ∑ 1 M(j, )I,Yj∈G (18) 式(16)为UAV的弹药约束,式(17)为UAV的能力约 束。式(18)为战斗任务完成约束,其中f (_『,后)f表示对目 标 执行任务 所需的架次数。此外,若需tt架不同UAV对目 标G 进行协同侦察,则 1 J=1, 1:√=1,…, =1且i , i ,……i互不相等。 3 自适应整数编码遗传算法 遗传算法是一种基于达尔文进化论思想的全局优化搜 索算法,被广泛应用于函数优化、自动控制、调度优化等领 域 J。但也存在一些问题:如群体中最好的染色体的丢失; 局部搜索能力不足,算法易陷入局部最优解;采用二进制编 码不能直接用于解决整数优化问题等。 因此,为求解前述建立的多UAV侦察打击任务分配模 型,首先设计了一种可解析二进制决策变量 ,信息的整数 编码;其次采用精英保留策略,即将适应度最好的个体不经 遗传的各操作而直接进入到下一代进化中;再次,将整数编 码引入遗传算法中,重新设计了交叉和变异算子;并引入自 适应机制,将交叉概率和变异概率的自适应调整,提出了求 解任务分配模型的自适应整数编码遗传算法。 3.1 染色体的编码设计 二进制决策变量 ,包含三个维度,不便直接利用遗传 算法进行优化。这里设计了一种整数编码x来表示任务分 配方案。 图2中 表示UAV的编号,X ∈U。D和A分别表示执 X= , ,…, 一, 。{ 。 D十:,…, +{) }.一一一侦察任务一一牛一一攻击任务---q 图2 分配方案示意图 l,=扛,y2,…, ,…, { …, +j> 法 ,使得P 和P 能够自适应地改变。但文献[10]中P 和P 的设置还存在缺陷,即当对于种群中的最佳个体,其对 应的交叉概率和变异概率皆为0,使得种群的最佳个体得不 到进化,而易使算法陷入局部极值 。因此,这里引入两个 限定范围的随机修正系数 和 进行了改进,其中 ∈[0.1, 0.2]和卢∈[0.01,0.02]皆为随机数。则,P。和P 分别如 式(20)、(21)所示。 行侦察任务和攻击任务所需的UAV总架次。 表示GT的编 号与 对应。若t∈{1,2,…,D}则表示编号为 的UAV对 目标 进行侦察;若t∈{D+1,D+2,…,D+A}则就表示 警 ,/ (20) 编号为 。的 对目标 执行攻击任务。这样利用整数编 码向量就可以解析二进制决策变量 所含信息且便于用算 法进行寻优。 3.2 交叉算子 采用随机多点交叉的方法,首先对于除需精英保留策略 个体 的群体进行随机两两匹配,其次按照均匀分布随机产 生2—4个交叉点位置,最后以概率P 交换两点之间的基因 值产生新个体,如图3所示: (2一 (2 ( : , , ) ( :: zi, ) 图3 交叉算子示意图 3.3变异算子 采用双点变异的方法,首先对于非精英保留策略的个体 按照均匀分布随机产生两个变异点位置,再以概率P 对两 位置的基因值进行变异操作产生新种群。其中,若对个体 中的x 进行变异,即是对X = 进行如式(19)所示的赋 值。 X =r,r∈U且r≠ (19) 上式中,U={1,2,…, }为UAV的编号集合。则若P =1,则如图4所示,对个体 执行1次变异算子将可得到 (N,,一1) 个新个体。 图4 变异算子示意图 当P ≠0时,对个体X执行1次变异算子将可得到 (N,,一1) +2×(N,,一1)个新个体。 3.4 自适应机制 交叉概率P 和变异概率P 是遗传算法的重要参数。P 取值过大则可能使得具有高适应度的个体结构被破坏;但若 取值过小又会使得搜索过程缓慢。而若P 取值过小产生 新解的速率变慢;但若P 取值过大则使得算法变成了纯粹 随机搜索算法。针对此问题,Srinivas提出了自适应遗传算 L 2 < P : + (21) \k4 <{ 式中 为群体中最优适应度值 为平均适应度值, /为要交叉的两个体中较优的适应度值 为要变异个体的适 应度值,0<kl,k2,k3,k4<1。 上述自适应参数设置的思想是:当种群多样性较低(种 群适应度比较集中)时P 和P 增大,反之则减小。同时,为 保护优秀个体,对于适应度值优于群体平均值的个体对应较 小的交叉和变异概率;而对适应度值交叉的个体则对应较高 交叉和变异概率,以增加产生优质新解的概率并使得原个体 以较高概率被淘汰。此种自适应机制可动态调整算法产生 新个体和开辟新的解空间的能力,保持了群体的多样性,促 进了遗传算法收敛。 4 算例仿真 为验证所建模型和算法性能,引入作战实例如下:4架异 构UAV协同地对6个目标(GT)执行侦察/打击一体化作战 任务。UAV和GT的能力设置分别如表3和表4所示,其中 “、/”表示拥有该项能力,“×”表示不拥有。 表3 UAV的各项能力表 表4 GT的各项能力表(表中数字为GT编号) 针对6个GT的作战任务以及所需的UAV任务执行架次 如表5所示。 一l45— 表5 作战任务表(第一行数字表示GT的编号) 任务架次 1 2 3 4 5 6 侦察架次 1 2 2 1 1 2 攻击架次 1 2 3 1 1 2 由表5可得到与每个 对应的目标编号向量Y=(1,2, 2,3,3,4,5,6,6,1,2,2,3,3,3,4,5,6,6),则任务总架次数为 19,对前9个编号的目标执行侦察任务,对后10个编号的目 标执行攻击任务。则染色体置为整数编码( ,…, , …, ),i=l,2,…,Ⅳ√=1,2,…,m,种群N=100,编码长 度rn=19,且 ∈{1,2,3,4}。另外,UAV和GT的能力指数 和价值等参数设置分别见表6和表7。表6和表7中各符号 的含义同表1和表2。 表6 UAV的各项参数 为对比分析,分别利用整数编码遗传算法(IGA)、混合 粒子群算法(HI'SO) 12]和自适应整数编码遗传算法(AIGA) 求解所建的异构多UAV侦察/打击一体化作战任务分配问 题,设置参数如下:种群规模N:100,最大迭代次数k : 100,kl=0.6,k2=0.9,k3=0.03,k4=0.1,多机协同能力增益 参数 =11=0.1,HPSO算法的惯性权重W=0.7298,学习因 子皆为c。=c =1.4946。图4为用三种算法求解所建模型所 得净收益进化曲线。 如图5所示,AIGA算法的收敛速度虽不及另外两种算 法,但其自适应机制保持算法的持续进化能力,终使其经历 2O次迭代后即收敛到最优解,体现所提算法面对如此庞杂的 多约束任务分配模型的高效求解能力。AIGA算法计算得到 最优解为X =(1,1,2,2,1,2,2,1,2,3,3,3,4,4,1,1,1,4, 1),f(xbe砒)=402.83,优于HPSO算法的396.94和IGA算法 的386.95。同时AIGA算法可得到如表8所示的异构多 UAV侦察/打击一体化作战任务分配结果。 一146~ 史 进化代数 图5净收益的进化曲线 表8作战任务分配结果 (表中第3,4行中的数字为UAV编号) 如表8所示,相对而言,具有较好隐身能力的UAV1, UAV2,UAV4被多次派遣执行任务;如表8所示,有不少同一 UAV对同一GT接连执行侦察、攻击任务的情况,如具有隐 身、攻击能力的UAV1对防空火力威胁指数较高,即攻击力 和探测能力较强目标GT3和GT6进行了侦察/打击一体化 攻击;任务执行中的顺次执行任务的连贯性和快捷性是非常 重要的,且假设中不考虑重复威胁,这与UAV侦察/打击一 体化作战的战场实际也是基本相符的,任务分配方式是较为 合理的。对于攻击任务,具有打击能力的UAV1、UAV3、 UAV4分别共执行4次、3次和3次的单位进攻任务,任务负 荷分布较为均衡。同时在进攻中也体现了多机协同,如具有 隐身和打击能力的先进战机UAV1和隐身轰炸机UAV4对 价值较大、攻击能力和探测能力很强的目标GT3和GT6进 行了协同攻击。而没有隐身能力普通战机UAV3则执行对 探测能力和攻击能力相对较弱的目标GT1和GT2进行打 击。 综上可见,采用自适应整数编码遗传算法求解所得到的 任务分配方案不仅作战净收益较高,且各UAV完成任务所 消耗的弹药较为均衡,资源利用较为充分,同时也充分利用 了各自UAV的作战优势,并尽量规避来自目标的威胁,取得 了最大的作战收益。 5结论 针对异构多UAV侦察/打击一体化作战任务分配问题, 本文建立了多目标、多任务、多约束、 (下转第188页) [3]张冬,丁金华.基于嵌入式Web实时监控系统的设计[J].微 计算机信息,2008,24(12):60—62. 述 ■改进算法 [4] 陈寅鹏,丁晓青.复杂车辆图像中的车牌定位与字符分割方法 [J].红外与激光工程,2004—2:29—33. * 幕 ■传统算法 林 霸 [5]海涛,鲍远律.彩色栅格交通地图图像中道路识别与提取[J]. 计算机辅助设计与图形学学报,2005,17(9):2010—2014. L■■●L■I直道  岔道 [6] 李磊磊,陈家斌,谢玲.粒子滤波方法在GPS/DR组合导航系 统中的应用[J].微电子学与计算机,2004,21(10):97—99. 左侧旋转45度右侧旋转45度 [7] 吴丹,刘休国.数学形态学在图像处理与分析中的应用和展望 [J].工程图学学报,2003,(2):121—125. 图3不同类型的路况平均识别率比较 [8] 苏开娜,等.基于运动模型的道路识别与跟踪算法的研究[J]. .集路况图像,获取路况图像特征。利用优化二值化方法将得 到的图像特征进行对比度增强处理,实现了路况识别系统设 计。实验仿真证明,本文提出的基于SOPS嵌入式技术的路 况识别系统,识别率高,精准性强。 ■■I 中国图象图形学报,2000—5,((A版)3):226—231. [9] 王艳春,李建军,何鹏,尹明.公路交通管理中行驶车辆自动识 别技术研究[J].微计算机信息,2006,1—2:193—195. [10] 刘飞,张曦煌.基于嵌入式平台的USB摄像头驱动程序的实 L■■■■ 现[J].计算机工程与设计,2008,29(8):1994—1996. [作者简介] 参考文献: [1]张海涛,等.一种视频序列中快速定位目标图像的硬件实现方 案[J].宁夏大学学报(自然科学版),2006—2:178—181. 周天剑(1984一),男(汉族),湖南长沙人,硕士,实 验师,主要研究领域:嵌入式系统设计; 吴方(1964一),男(汉族),江苏无锡人,硕士研究 [2]李耀,崔燕.基于NIOS II的导航系统平台的设计[J].微计算 机信息,2006,3-2:108一ll0. 生,副教授,主要研究领域:嵌入式系统设计。 (上接第146页) 异构多飞行器的任务分配模型。所建模型综合考虑了UAV 的价值、侦察能力、攻击能力、隐身能力、武器弹药挂载能力 等属性。而后基于自适应整数编码遗传算法对模型进行求 解并与混合粒子群和整数编码遗传算法进行对比,结果显示 所提算法求得任务分配方案不仅净收益较高且各UAV任务 负荷较为均匀。体现所建模型和求解方法的有效性,可以作 为多UAV作战任务分配和求解其它相关问题的有益参考。 当然,和其它很多文献一样,本文的建模建立在数个假设之 上,这与实际作战还有很大差距,因此建立更加贴合实际的 模型也是未来的主要研究方向。 [J].控制与决策,2012,27(11):1751—1755. [7] 马云红,井哲,周德云.一种任务分配问题的快速剪枝优化算 法[J].西北工业大学,2013,31(1):40—43. [8]s J Rasmussen,T Shima.Tree search algorithmforassigning coop- erating UAVs to multiple tsks[J].Intaernational Journal of Robust and Nonlinear Control,2008,18(2):135—153. [9] 王万良,吴启迪,宋毅.求解作业车间调度问题的改进自适应 遗传算法[J].系统工程理论与实践,2004,24(2):58—62. [10] M Srinivas,L M Patnaik.Adaptive probabilities of crossover and mutation in genetic algorithm[J].IEEE Trans System,Man。and Cybernetics,1994,24(4):656—667. [11]王娜,向凤红,毛剑琳.改进的自适应遗传算法求解0/1背包 参考文献: [1]潘广贞,秦帆,张文斌.动态自适应快速扩展树航迹规划算法 研究[J].微电子学与计算机,2013,30(1):49—52. [2] Q B Deng,J Q Yu,N F Wang.Cooperative task assignment of multiple heterogeneous unmanned aerial vehicles using a modiifed 问题[J].计算机应用,2012,32(6):1682—1684. [12]施蓉花,吴庆宪,姜长生.无人机协同攻击的混合粒子群算法 [J].火力与指挥控制,2009,34(9):lO一13. [作者简介] 戚泽畅(1990一),男(汉族),山东威海人,硕士研究 生,主要研究方向:军事装备学,无人机作战,进化计 算; genetic algorithm with multi—type genes[J].Chinese Journal of Aeronautics,2013,26(5):l238—1250. [3] 温攀,王社伟,徐明仁.基于Memetic算法的多无人机任务分 配研究[J].计算机仿真,2013,30(5):82—85. [4] 邸斌,周锐.丁全心.多无人机分布式协同异构任务分配[J]. 控制与决策,2008,28(2):274-278. 杂系统建模; 王强(1978一),男(汉族),江苏南通人,博士,副 教授,主要研究领域为军事装备学,无人机作战,复 [5]魏铁涛,屈香菊.多机协同与多目标分配任务规划方法[J]. 北京航空航天大学学报。2009,35(8):917—920. 黄英杰(1975一),男(汉族),陕西西安人,硕士,工程师,主要研究领 域为装备管理,复杂系统建模。 [6] 杜继永,等.多UCAV协同任务分配模型及粒子群算法求解 一188一 

因篇幅问题不能全部显示,请点此查看更多更全内容