[发明专利]一种针对大规模任务的AUV集群分层分配方法

说明书

本发明公开了一种针对大规模任务的AUV集群分层分配方法，采用层次结构将大规模的多AUV任务分配问题分为任务聚类和任务排序两个问题来进行解决。高层的任务聚类用来确定哪个AUV来执行哪些个任务。底层的任务排序用来求得AUV执行其对应任务的最佳任务执行序列，采用蚁群算法来进行任务排序。同时，针对动态环境任务突现的情况，引入包容性能影响的概念来计算任务突现时的最优执行AUV，从而避免了任务重分配，保证了算法的实时性。

技术领域

本发明属于AUV技术领域，具体涉及一种AUV集群分层分配方法。

背景技术

AUV的任务分配是多自主水下机器人研究领域的根本问题，体现了多AUV系统高层自组织形式与运行机制，是多AUV系统目标实现的基础。具体来说，它解决的是多个AUV在协同执行多个任务时哪个AUV执行哪些任务，同时还需要确定每个AUV执行任务的先后顺序。任务分配的结果会影响整个多AUV系统效能，而且还会关系到每艘AUV能否最大限度地使用自身资源。因此，多AUV任务分配方法的研究具有重要的意义。

由于集中式任务分配可以有效保证解的质量是全局最优或接近全局最优的，因而广大学者对其进行了大量研究，如魏瑞轩提出了一种基于粒子群算法的集中式任务分配方法来解决无人机(UAV)集群实时任务分配问题，从控制参与分配的目标数量以及减少任务分配模块的调用这两个维度来减小计算资源开销，从而满足实时性要求；宗群采用改进的离散粒子群算法来解决大规模UCAV协同任务分配问题，根据粒子编码方式建立粒子与UCAV及目标之间的映射，通过粒子交叉变异进行搜索与寻优，并通过模拟退火Metropolis准则跳出局部最优；韩庆田设计了双层粒子群编码方法,将任务类型匹配信息作为启发信息,同时提出分组任务调整、飞行时间调整、任务交叉消解、时序先后调整等冲突消解处理策略来改进粒子群算法，提高了算法的收敛性和全局搜索能力,提升了任务分配和航迹规划效率。

但是在任务个数远大于AUV个数情况下的大规模任务分配问题上，由于控制中心是系统中唯一的决策点，因而传统的集中式任务分配方法对中心节点的计算能力要求较高。采用分层结构来进行集中式任务分配可以有效降低任务分配解的难度。如Cao提出了一种混合动态任务分配方法，将问题分解为组级任务分配和成员级任务分配两个低级问题，并且通过改进的粒子群优化鱼群算法(PSO-FSA)和分布式竞争算法实现任务的分配，该方法能够降低任务分配问题求解的规模，具有低时间复杂度和低通信复杂度的特点，是一种有效的动态任务分配方法。张嵛采用蚁群算法来解决大规模的机器人任务分配问题，算法采用层次结构，高层用蚁群算法实现任务分配的寻优；底层分别采用蚁群、粒子群蚁群和量子蚁群实现机器人联盟的形成，从而求解紧耦合型任务。

上述方法使用分层的形式虽然降低了中心节点的求解难度，但一方面没能保证解的质量，另一方面当新任务突现时，算法需要重新进行分层求解，不具备良好的适应性。因此为了在保证解的质量的同时满足实时性要求，采用层次结构将大规模的多AUV任务分配问题分为任务聚类和任务排序两个问题来进行解决。同时，针对动态环境任务突现的情况，引入包容性能影响的概念来计算任务突现时的最优执行AUV，从而避免了任务重分配，保证了算法的实时性。

发明内容

为了克服现有技术的不足，本发明提供了一种针对大规模任务的AUV集群分层分配方法，采用层次结构将大规模的多AUV任务分配问题分为任务聚类和任务排序两个问题来进行解决。高层的任务聚类用来确定哪个AUV来执行哪些个任务。底层的任务排序用来求得AUV执行其对应任务的最佳任务执行序列，采用蚁群算法来进行任务排序。同时，针对动态环境任务突现的情况，引入包容性能影响的概念来计算任务突现时的最优执行AUV，从而避免了任务重分配，保证了算法的实时性。

本发明解决其技术问题所采用的技术方案包括以下步骤：

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；