[发明专利]一种针对大规模任务的AUV集群分层分配方法

权利要求书

1.一种针对大规模任务的AUV集群分层分配方法，其特征在于，包括以下步骤：

步骤1：设定由N个异构AUV执行m个任务且mN，同时每个AUV执行的任务个数有最大任务执行数限制；

步骤2：采用粒子群K-means算法对任务进行聚类，则每个AUV聚类得到自身所要执行的任务集合；

步骤2-1：将所有AUV与任务的位置坐标进行归一化处理，得到AUV与任务的归一化位置坐标AP^*及TP^*，归一化公式采用：

其中，mean(x)表示数据x的均值，std(x)表示数据x的方差，数据x为AUV或任务的位置坐标；

步骤2-2：初始化粒子群算法参数；

设定加速常数C₁和C₂、惯性权重w、最大迭代次数Nc以及种群个数Num为常数；

步骤2-3：粒子群初始化；

用L_i表示粒子群中第i个粒子，粒子的属性包括位置、速度以及适应度值；

针对粒子L_i，若m个任务生成N个聚类中心，与N个AUV一一对应，则粒子L_i的位置用N个聚类中心的坐标集合Z_i＝{Z_i1_x,Z_i1_y,…,Z_iN_x,Z_iN_y}表示，Z_i为2N维变量，Z_iN_x,Z_iN_y表示第N个聚类中心的坐标；

粒子L_i的移动速度用m个任务的N个聚类中心移动一步的速度V_i＝{V_i1_x,V_i1_y,…,V_iN_x,V_iN_y}表示，V_i为2N维变量，V_iN_x,V_iN_y分别为第N个聚类中心在x方向和y方向移动一步的速度；

在初始化粒子L_i时，将AUV_j的归一化位置坐标随机加入一个扰动作为第j个聚类中心Z_ij＝{Z_ij_x,Z_ij_y}的初始坐标，则聚类中心Z_ij代表AUV_j，AUV_j表示第j个AUV；从AUV₁到AUV_N重复N次完成一个粒子L_i位置初始化；随机初始化粒子L_i的移动速度；则完成粒子L_i的初始化；对L₁和L_Num重复进行完成Num个粒子的初始化；

步骤2-4：计算所有粒子的适应度值；

粒子L_i的适应度值计算方法如下：

步骤2-4-1：依据最小邻近原则得到每个任务所属的聚类中心，聚类中心共有N个，与N个AUV一一对应；

步骤2-4-2：对任一AUV，若该AUV所对应聚类中心聚类的任务个数超出该AUV的最大任务执行数，则按照该AUV所对应聚类中心聚类的任务到该AUV的距离从小到大顺序依次保留任务直到达到该AUV最大任务执行数，放弃其余任务；

步骤2-4-3：被放弃的任务重新依据最小邻近原则选择新的聚类中心；

步骤2-4-4：重复步骤2-4-2至步骤2-4-3直到满足所有AUV最大任务执行数限制为止；

步骤2-4-5：计算粒子L_i对应的总的类间离散度和J_i；

步骤2-4-6：计算粒子L_i的适应度值f(L_i)＝k/J_i，k为常数；

粒子在移动过程中，不断产生新的聚类划分；当出现空聚类，即出现未被聚类任何任务的聚类中心时，则从其他距离空聚类最近的非空聚类中取出距离该非空聚类的聚类中心最远的任务放入空聚类中；

步骤2-5：将粒子L_i经历位置中适应度值最大的位置定义为个体最优位置，记为如果粒子L_i的当前位置Z_i的适应度值大于历史个体最优位置的适应度值，则当前位置Z_i变为个体最优位置，即用Z_i更新成为新的

步骤2-6：将所有粒子所经历位置中适应度最大的位置定义为全局最优位置，记为如果粒子L_i的当前位置Z_i的适应度值大于历史全局最优位置的适应度值，当前位置Z_i变为全局最优位置，即用Z_i更新成为新的

步骤2-7：更新粒子的移动速度和位置；

Z_i(t)＝Z_i(t-1)+V_i(t)                                                (3)

其中，V_i(t)表示第i个粒子在第t次迭代时的移动速度，V_i(t-1)表示第i个粒子在第t-1次迭代时的移动速度，Z_i(t)表示第i个粒子在第t次迭代时的位置，Z_i(t-1)表示第i个粒子在第t-1次迭代时的位置；r₁和r₂均表示[0,1]均匀分布的随机数；

步骤2-8：如果达到预设的最大迭代次数Nc则进入步骤3，否则转至步骤2-4；

步骤3：采用蚁群算法对AUV要执行任务进行排序，设定当前AUV为AUV_i；

步骤3-1：初始化蚁群算法参数，设定蚂蚁个数Num₁、最大迭代次数Nc1、信息启发因子α、期望启发因子β、信息素挥发因子ρ、正常数Q、信息素tau_ij(0)为常数；

步骤3-2：蚁群初始化；

将Num₁个蚂蚁的初始位置设置为AUV_i的位置，即所有蚂蚁均从AUV_i的位置出发，寻找下一个要执行的任务；

步骤3-3：计算蚂蚁下一步从当前任务转移到下一任务的概率并通过轮盘赌选择下一步要执行的任务；

蚂蚁k从当前任务TASK_i转移到下一任务TASK_j的概率表示为：

其中，tau_ij(t)表示第t次迭代任务TASK_i到任务TASK_j路径上的信息素；eta_ij(t)为启发式函数；

迭代开始时蚂蚁还未选择执行任何任务，设定蚂蚁执行任务TASK₀，即AUV_i的位置；

任务TASK_i到任务TASK_j的启发式函数表示为：

其中，d_ij为TASK_i到任务TASK_j的距离；

步骤3-4：将任务加入蚂蚁的禁忌表；

每个蚂蚁都拥有一个属于自己的任务禁忌表，用来记录自己的任务执行路径，用tabu_k来表示蚂蚁k的任务禁忌表；当蚂蚁k转移到新任务时，就将该新的任务添加到蚂蚁k自身的任务禁忌表tabu_k中，直到所有任务均被添加到任务禁忌表中时，完成一次迭代得到一个任务的顺序解；

步骤3-5：如果所有任务都已加入禁忌表，则更新所经过路径上的信息素，完成一次迭代过程；否则返回步骤3-3；

当所有蚂蚁完成一次迭代后，更新所经过路径上的信息素，更新方式如下：

其中，L_k为蚂蚁k在本次迭代所经过的路径之和；

步骤3-6：如果达到预设的最大迭代次数Nc1则迭代结束，否则重置所有蚂蚁的禁忌表并返回步骤3-2；

步骤4：当出现新任务时，引入包容性能影响进行任务分配；

对于新出现的任务TASK_k，TASK_k相对于AUV_i的包容性能影响定义为：

其中表示将任务TASK_k插入到AUV_i的任务序列a_i中的第l个位置，则包容性能影响的含义即表示将任务TASK_k插入到AUV_i的任务序列a_i中使d_i增加量最小的位置时d_i的增加量，d_i表示AUV_i执行自身任务时的航程指标；

当新任务TASK_k出现时对总航程指标的影响是最小的，即为其分配的AUV_j满足：

其中，j表示分配的AUV编号；公式(9)表示期望将TASK_k分配给包容性能影响最小的AUV_i，将满足最小的AUV_i记为AUV_j。