一种多基异构无人集群多波次统一协同任务分配方法和系统

1.本发明属于任务分配技术领域，具体涉及一种多基异构无人集群多波次统一协同任务分配方法和系统。


背景技术：

2.无人集群的任务分配是后续完成航机规划以及复杂任务的关键技术与基础。随着军事任务的复杂化以及各类侦察与拦截系统的发展，对无人集群任务分配可靠性的要求不断提高，为提高无人集群协同作战能力保证任务的完成质量，降低系统耦合程度，多基异构无人集群协同任务分配技术应运而生。
3.传统的方法很难用相同的结构统一处理多种情形下的目标分配模型，且往往忽略了分配问题与实际执行任务之间的代价属性的联系，从而导致在执行阶段才发现分配的目标与无人机不合适。


技术实现要素：

4.本发明的目的在于克服上述现有技术的缺点，提供一种多基异构无人集群多波次统一协同任务分配方法和系统，以解决现有技术中针对多基异构无人集群针对目标分配时，目标与分配后的无人机不适配的问题。
5.为达到上述目的，本发明采用以下技术方案予以实现：
6.一种多基异构无人集群多波次统一协同任务分配方法，包括以下步骤：
7.获取无人机发射位置信息和待执行任务的终点信息；
8.在发射位置和终点位置之间随机生成禁飞区，计算从发射位置至待执行任务的估计航程代价值，生成协同执行任务时估计代价矩阵，通过航程代价矩阵计算获得总航程代价；
9.比较无人机的数量和待执行任务的数量，根据比较结果，确定基因编码规则，获得符合迭代要求的基因序列；所述基因序列由多个基因位组成，每一个基因位包括无人机、执行目标和航程代价；
10.通过差分进化方法对基因序列进行迭代优化，迭代过程中以航程代价最小为优化目标，获得无人机和待执行任务的分配关系。
11.本发明的进一步改进在于，
12.优选的，通过无人机发射位置信息和待执行任务的终点信息，建立协同目标分配和航迹规划统一的目标函数，所述目标函数为：
[0013][0014]
式中，第一项表示总航程代价，w为目标的权重因子，α为时间代价的比例缩放因子，d
ij,q
为第q波次的估计的航程代价，t
ij,q
为第q波次的估计执行时间。
[0015]
优选的，所述目标函数遵循多波次约束、最小航迹段长度约束、最大拐弯角约束、
最大航程约束、多任务时序约束和同时到达约束。
[0016]
优选的，当无人机数量n大于或者等于待执行任务数量m时，总航程代价为：
[0017][0018]
当无人机数量n小于待执行任务数量时，总航程代价为：
[0019][0020]
其中，d
i,j
表示第i个无人机从出发点执行第j个任务时走过的航程。
[0021]
优选的，所述总航程代价中每一个航程代价的计算过程为：
[0022]
step1，确定无人机发射位置坐标和待执行任务的终点坐标，根据两点坐标求解得到两点的连线方程。
[0023]
step2，设置对无人机执行任务影响最大的雷达可侦察范围，如下式所示：
[0024][0025]
step3，以step1的连线方程作为基准做垂直于xoy的平面；
[0026]
step4，以step1中建立的连线在xoy平面的投影作为新平面的x轴，以z轴作为新平面的y轴，将地形信息映射到二维平面上，获得威胁区轮廓线；
[0027]
step5：在step4建立的切割面中，设定无人机初始飞行高度为mx，无人机按设定初始飞行高度飞行，时刻判断无人机在当前位置的高度与地形高度的距离是否小于距离下线mx，若小于则向上爬升；当处于mx与上线距离my之间时，无人机保持平飞运动，当距离大于my时，则无人机逐渐下降。
[0028]
step6：通过x坐标和y坐标的变化计算估计航迹距离l。
[0029][0030]
优选的，所述基因编码规则为：
[0031]
当无人机数量n等于待执行任务数量m时，每个待执行任务的终点至少被一架无人机执行，每架无人机只能执行一任务；
[0032]
当无人机数量n大于待执行任务数量m时，无人机ui没有重复值，tj能够有重复值，且tj最少出现一次，tj表示第j个目标；
[0033]
当无人机数量n小于待执行任务数量m时，无人机ui能够有重复值，目标tj没有重复值，且无人机ui最少出现一次。
[0034]
优选的，差分进化方法进行迭代优化过程中，执行唯一匹配规则和无效变异匹配规则。
[0035]
优选的，所述唯一匹配规则为：
[0036]
a)当无人机数量n等于待执行任务数量m时，无人机与待执行任务的终点一一对应且不能重复；
[0037]
b)当无人机数量n大于待执行任务数量m时，同一个待执行任务的终点能够重复匹配给不同的无人机s；
[0038]
c)当无人机数量n小于待执行任务数量m时，待执行任务的终点不能重复，无人机
能够巡游一组不同的待执行任务的终点；
[0039]
所述无效变异匹配规则为：对无效的值，依次随机匹配一个未被映射到新个体中的代价值作为变异后的新基因，按唯一匹配规则修改矩阵，继续匹配其他无效的值，直到全部任务匹配完，映射矩阵为空为止。
[0040]
优选的，通过差分进化算法对基因序列进行迭代优化的过程为：
[0041]
(1)初始化种群，初始化种群为父代；
[0042]
(5)对初始化种群通过de算法变异，得到新的个体作为假子代，；
[0043]
(6)通过交叉因子比较假子代和父代，从中选出部分基因组成新的个体得到真子代；
[0044]
(7)通过比较同位置父代与真子代中个体的目标函数值，选择作为下一代种群中的个体；
[0045]
(5)根据反映射规则找到每次迭代过程中基因序列以及对应的分配关系。
[0046]
一种多基异构无人集群多波次统一协同任务分配系统，包括：
[0047]
采集模块，用于获取无人机发射位置信息和待执行任务的终点信息；
[0048]
总航程代价模块，用于在发射位置和终点位置之间随机生成禁飞区，计算从发射位置至待执行任务的估计航程代价值，生成协同执行任务时估计代价矩阵，通过航程代价矩阵计算获得总航程代价；
[0049]
基因序列模块，用于比较无人机的数量和待执行任务的数量，根据比较结果，确定基因编码规则，获得符合迭代要求的基因序列；所述基因序列由多个基因位组成，每一个基因位包括无人机、执行目标和航程代价；
[0050]
分配模块，用于通过差分进化方法对基因序列进行迭代优化，迭代过程中以航程代价最小为优化目标，获得无人机和待执行任务的分配关系。
[0051]
与现有技术相比，本发明具有以下有益效果：
[0052]
本发明公开了一种多基异构无人集群多波次统一协同任务分配方法，该方法首先根据航程代价、时间损耗、目标效益建立代价函数，指标函数中航程代价的估计通过引入禁飞区获得可靠性更高的计算方式；其次根据无人机自身约束以及协同约束将复杂约束条件通过罚函数的形式引入分配代价函数。任务分配模型按照无人机与目标数量可以分为三种分配关系，通过计算代价函数形成形式近似的代价矩阵。最后通过改进差分进化算法求解无人集群分配关系表以及分配代价总值。本发明通过建立模型得到多基异构多波次任务分配的性能指标函数，采用改进差分进化算法求解统一协同任务分配模型，解决了异构多基无人集群协同任务分配问题，提高了无人集群的分配能力。
[0053]
本发明还公开了一种多基异构无人集群多波次统一协同任务分配系统，包括采集模块、总航程代价模块、基因序列模块和分配模块，在考虑不同分配模型时引入代价矩阵表示策略，对不同模型的情况使用统一形式的表征方法并设计基因编码规则和反映射规则，得到满足复杂约束的分配模型。同时，针对不考虑实际作战情况的航程代价估计问题，本方案提出采用半球体简易表征的方法来贴合实际战场禁飞区的方法，能明显提高分配方法的通适性和分配结果的可靠性。
附图说明
[0054]
图1为本发明方法的流程图。
具体实施方式
[0055]
下面结合附图和具体的实施例对本发明做进一步详细描述：
[0056]
本发明公开了一种多基异构无人集群多波次统一协同任务分配方法，在考虑不同分配模型时引入代价矩阵表示策略，对不同模型的情况使用统一形式的表征方法并设计基因编码规则和反映射规则，得到满足复杂约束的分配模型。同时，针对不考虑实际作战情况的航程代价估计问题，本发明提出采用半球体简易表征的方法来贴合实际战场禁飞区的方法，能明显提高分配方法的通适性和分配结果的可靠性。具体包括以下步骤：
[0057]
参见图1，步骤1.建立统一协同任务分配的数学模型。
[0058]
飞行器主要有空基、陆基、海基三种发射方式，陆基弹道导弹维修便捷，隐蔽性好。可以使用发射井、移动式发射车、洞窟等多种方式进行隐蔽。海基弹道导弹可以移动，空基通常无弹道导弹，主要为巡航导弹，主要是根据使用场景以及飞行器自身能力进行区分，故将发射方式定义为飞行器自身属性，不专门进行u
i,q
{r
i,q
,a
i,q
,s
i,q
}约束；本发明中的飞行器指代无人机，为表示无人机侦察能力、打击能力、发射方式，定义同一波次q的无人机表示为，定义第q个波次所需的打击能力为tq{rq,aq}，其中q表示波次，u
i,q
表示第q波次中第i个无人机，r
i,q
表示第q波次中第i个无人机侦察能力，a
i,q
表示第q波次中第i个无人机打击能力，s
i,q
表示第q波次中第i个无人机发射方式。
[0059]
考虑优化目标为全部无人机执行全部目标的总航程距离最短，并且总飞行时间最少，其协同目标分配和航迹规划统一的目标函数可定义如下：
[0060][0061]
式中，第一项表示总航程代价，w为目标的权重因子，且有(0＜w＜1)。第二项表示总飞行时间，α为时间代价的比例缩放因子，该因子使总飞行时间与航程代价保持同一量级。总飞行时间为无人机中执行时间的最大值，该时间能保证所有任务顺利完成。d
ij,q
为第q波次的估计的航程代价，t
ij,q
为第q波次的估计执行时间。因为飞行过程中，对于无人机有多个限制，因此下述过程中，通过各个约束条件对目标函数进行优化。
[0062]
多波次约束：体现了多波次无人机共同执行按波次发射的顺序，表示多波次无人机必须在规定时间间隔按波次顺序进行发射。该约束的关键是同一波次内无人机具备执行该阶段性任务的打击能力。
[0063][0064]
下述约束对所有波次都具有相同效应，为简化表示，下述中的i,j若无特殊说明均表示第i个无人机，第j个目标。
[0065]
最小航迹段长度约束：无人机在开始改变航行姿态前必须保持直行的最短距离。远距离无人机通常不希望迂回行进和频繁地转弯，以减少导航误差。设最小航迹段的长度为l
min
，该约束可以表示为：
[0066]
li≥l
min
(i＝1,...,n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0067]
最大拐弯角：它限制了生成的航迹只能在小于或等于预先确定的最大拐弯角范围内转弯。该约束取决于无人机的性能和航行任务。在紧密编队航行中的无人机距离转弯将引起很大的碰撞风险。记a＝(x
i-x
i-1
,y
i-y
i-1
)
t
，设最大允许拐弯角为则最大拐弯角约束可以表示为：
[0068][0069]
其中：|a|为向量a的长度。
[0070]
最大航程约束：这限制了航迹的长度必须小于或等于一个预先设置的最大距离。航迹距离取决于无人机所携带的燃料多少以及到达目标所允许的航行时间。设最大航迹的长度为l
max
，则该约束可写成
[0071][0072]
多任务时序约束：考虑多架无人机协同执行任务的情况，要目标j必须晚于目标j-1执行的时序关系，其中τ为j-1,j的最小时间间隔，t为约定的任务完成时间，t为实际执行时间。约束条件可表示为：
[0073][0074]
同时到达约束：体现了多机协作共同执行任务的能力，表示多无人机必须同时到达某个目标。该约束反映协同的关键是：执行相同任务的无人机s打击目标的时间窗口有交集，多机可以同时发起攻击，则该约束可以写成：
[0075][0076]
k表示参加协同的无人机数量，t(u)表示第u个无人机的执行时间，要求参与协同的各无人机执行时间交集非空。
[0077]
在此基础上，进一步简化目标函数和决策变量的表示形式，并将各种约束条件以违背惩罚项加权和给出，一旦超出上诉约束则对其进行惩罚，目标函数综合形式可表示如下：
[0078][0079]
其中β表示比例系数，ce表示惩罚值，e表示惩罚的次数。
[0080]
从目标函数的组成可以看出估计航程代价的计算将会直接影响到目标函数的值从而影响求解的优化结果，在实际应用中待求解空间存在禁飞区。
[0081]
下面主要针对总航程代价进行评估求解。
[0082]
步骤2.无人集群航程代价估计方法。
[0083]
考虑计算各无人机到所有目标点的航程组成一个代价矩阵，在进行任务分配计算的时候，可以利用查找矩阵代价值的方式减少计算量，提高计算效率。由于无人机的数量和待执行任务数量之间存在三种关系，因此建立的代价矩阵也有三种形式。假设无人机数量为n，待执行任务数量为m，具体代价矩阵的模型表示如下：
[0084]
当n与m相同时，代价矩阵用符号l
cost1
表示，代价矩阵中的d
i,j
表示第i个无人机从出发点执行第j个任务时需要走过的航程d。
[0085][0086]
当n大于m时，代价矩阵用符号l
cost2
表示，代价矩阵中的d
i,j
表示第i个无人机从出发点执行第j个任务时需要走过的航程d。
[0087][0088]
当n小于m时，代价矩阵用符号l
cost3
表示，代价矩阵中的d
i,j
表示第i个无人机从出发点执行第j个任务时需要走过的航程d。无人机存在执行多个任务的情况，因此矩阵中应该加入各目标点之间的航程代价，矩阵中t
j,m
表示无人机从第j个目标点到第m个目标点之间的航程代价，因为第j个目标到第j个目标的距离为0，因此矩阵下半部分是一个对角线为0的方阵。
[0089][0090]
因此在代价矩阵l
cost3
中包含t
m,1
为无人机m从起始点到第一个目标点的航程代价，以及从该目标点到下一个目标点的航程代价。
[0091]
根据代价矩阵建立的结果，计算任务分配总航程代价的方法如下：
[0092]
在无人机数量n大于或等于待执行任务数量m时，总航程代价为任务分配结果产生的所有无人机航程代价的总和：
[0093][0094]
在无人机数量n小于待执行任务数量m时，总航程代价由两部分组成，即起始点到第一个任务的航程代价与目标点之间的航程代价：
[0095][0096]
其中，d
ui
为第u个无人机执行第j个任务，考虑雷达检测，火力拦截等多为范围打击，利用半球区域表征禁飞区约束，通过设立禁飞区能够模拟实际情况中无人机不能直接通过需要避开的空间，在进行航迹代价估计时所计算的航程值是采用避开了禁飞区的飞行轨迹。
[0097]
具体方法如下：
[0098]
step1：确定初始点start和任务目标点target坐标，根据两点坐标求解得到两点的连线方程。
[0099]
step2：设置对无人机执行任务影响最大的雷达可侦察范围，假设雷达侦察范围在各方向上相同，则雷达侦察范围半球区域表示情况如下，r表示半径，x_0,y_0,z_0分别表示侦察区域的中心点坐标位置：
[0100][0101]
step3：以该连线作为基准做垂直于xoy的平面；将任务环境考虑为三维空间，xoy代表水平面，x为横向坐标，y为纵向坐标，z为高度坐标。
[0102]
step4：切割面与威胁区会形成威胁区轮廓线，以step1中建立的连线在xoy平面的投影作为新平面的x轴，以z轴作为新平面的y轴，将地形信息映射到二维平面上。
[0103]
step5：在step4建立的切割面中，假设无人机初始飞行高度为mx，即无人机的初始飞行高度于地面的差值，无人机按此高度飞行，设置飞行步距，时刻判断无人机在当前位置的高度与地形高度的距离是否小于距离下线mx，若小于则向上爬升，当处于mx与上线距离my之间时，无人机保持平飞运动，当距离大于my时，则无人机逐渐下降。
[0104]
step6：利用x坐标和y坐标的变化计算估计航迹距离l，为公式(9)-公式(12)的d
ij
。
[0105][0106]
步骤3.基于改进差分进化算法的基因编码策略对执行目标分配无人机
[0107]
多无人机目标分配问题中，无人机与目标点的对应在物理意义上与航程代价有着密不可分的联系。为了统一、高效处理不同情况，根据分配模型的共同特点，可采用形式统一的基因编码方式描述不同模型。将无人机、执行目标和航程代价三个量组合在一起，做为一个基因位，可以有效的组成形式统一的种群个体，多个基因位组成一个基因序列。
[0108]
采用矩阵关系三元组：
[0109]gs
＝(ui,tj,c(i,j)),s＝1,2,...,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0110]
或巡游关系三元组：
[0111]
g's＝(tj,t
j 1
,tc(j,(j 1))),s＝1,2,...,(m-n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0112]
其中ui表示第i架无人机，tj表示第j个目标，tc(j,(j 1))为从第j个目标点(无人机以该目标点作为执行下一个目标的起点)到第j 1个目标点的航程代价。
[0113]
为实现统一表示，针对三种情况的分配模型建立基因编码规则如下：
[0114]
规则1：当n＝m时，要求生成进化个体基因序列中的无人机和目标点一一对应，ui和tj均不能有重复值。任务要求每个目标点至少被一架无人机执行，每架无人机只能执行
一个目标点。
[0115]
规则2：当n》m时，要求生成进化个体基因序列中的无人机ui不能有重复值，tj可以有重复值，且tj必须满足最少出现一次。这是因为此时无人机和目标点是多对一的关系，每个基因表示的含义与规则1相同。但此时多架无人机可以攻击相同的目标，且要求每个目标至少与一架无人机相对应。
[0116]
规则3.3：当n《m时，要求生成进化个体基因序列中的无人机ui可以有重复值，目标tj不能有重复值，且无人机ui必须满足最少出现一次。这是因为此时无人机和目标点是一对多的对应关系，一架无人机可能要巡游多个不同的目标点才能完成全部作战任务，个体中具有相同无人机的基因在一起组成一组巡游关系，表示该无人机从一个目标点开始依次执行组内的其他目标点。此时一组基因在一起表示一个完整的含义，即第ui架无人机和一组目标点[tj,...tk]的对应关系，c(i,j)为无人机ui执行第一个目标tj的估计航程代价值，tc(j,k)为无人机ui以上一个目标点tj为新的起点，到下一个目标点tk继续执行任务的估计航程代价值，其中[tj,...tk]的序列依据最短路径原则确定，以保证巡游全部目标的航程代价之和最小。
[0117]
步骤4.基于差分进化算法的反映射规则及模型求解。
[0118]
由于已求得每个起点到目标点的代价函数矩阵l
cost
，而在多机协同目标分配问题中，无人机和目标点的对应在物理意义上与航程代价有紧密的联系，搜索的主要目标就是找到总航程代价最小的集合。
[0119]
用l
cost
中的代价实值映射无人机与目标点的对应关系序列。计算时直接对映射的代价值集合进行差分交叉操作，获得新的临时代价值，映射后的差分操作是在连续空间中对代价值进行的，因此按标准的差分进化公式，可获得临时实数解。差分变异的公式如下：
[0120]
vj(g 1)＝λx
best
(g) (1-λ)x
m1
(g) f*(x
m2
(g)-x
m3
(g)),0≤λ≤1
ꢀꢀꢀꢀꢀꢀꢀ
(17)
[0121]
其中λ∈[0，1]控制着差分的贪婪程度。例如当λ＝1时，是de/best/y/z策略，当λ＝0时，是de/rand/y/z策略，当λ介于0和1之间时，则是de/randtobest/y/z策略。vj(g 1)表示第g 1代假子代的第j个个体，x
best
(g)表示第g代父代中最优个体，m1、m2、m3为不相同的随机数，表示从父代中随机选择三个个体，f为缩放因子。通过变异操作(差分)得到新的个体，可以将其视为假子代，其将作为真子代的备选。
[0122]
因为差分后获得的临时代价值与航程代价矩阵中的航程值存在差异，并且其中可能出现越界值、零值和重复值，因此在将差分结果映射回离散整数序列对空间时，必须要对新个体中的基因进行反映射匹配，以满足备选解的要求，获得可行的子代个体因此要进行反映射规则定义，生成满足进化条件的新子代个体，保证进化能够有效进行。
[0123]
规则5(唯一匹配规则)：为保证符合不同模型无人机与目标点对应关系的唯一性，同时避免新的临时代价值重复映射到相同位置，匹配过程中要采取一定的策略对位置进行选择，不同的模型采用的策略不同，具体描述如下：
[0124]
a)当n＝m时，要求无人机与目标点一一对应且不能重复，因此按规则4找到对应的代价值并将其加入新个体基因后，在代价矩阵中删除该基因所在的行列，保证该无人机与目标点不再参与之后的匹配。
[0125]
b)当n》m时，要求无人机s不能重复，但同一个目标点可以重复匹配给不同的无人机s。因此，首先要保证每个目标至少被匹配一次，然后可以重复匹配无人机到相同的目标
点；匹配过程中，按规则4找到对应的值并加入新个体基因后，删除该基因对应的行，以防止无人机重复。
[0126]
c)当n《m时，要求目标点不能重复，而无人机可能巡游一组不同的目标点，因此，采用迭代替逐个匹配临时结果，首先在代价矩阵的上半部分进行匹配，保证所有的无人机最少匹配一个目标；然后删除目标点对应的列，并用该目标点在代价矩阵下半部分中对应的行替换当前无人机的行，保证替换后的代价行是无人机以当前目标点作为新的起点，继续执行下一个目标点任务的代价值，使最后匹配的基因满足巡游关系；最后，重复迭代执行这一过程，不断改变上半部分矩阵，直到全部匹配完成。
[0127]
规则6(无效变异匹配规则)：在按规则4和规则5匹配完合理的差分临时结果之后，剩下了无效的差分临时值和未匹配的矩阵。对这些无效的零值、负值、越界值，可利用局部随机变异的方法进行匹配，即对无效的值，依次随机匹配一个未被映射到新个体中的代价值作为变异后的新基因，最后按规则5修改矩阵，继续匹配其他无效的值，直到全部任务匹配完，映射矩阵为空为止。
[0128]
step1：参数设置
[0129]
给定发射位置信息和终点目标信息。
[0130]
step2：生成3个半径随机位置随机的禁飞区，计算估计航程代价值，生成估计代价矩阵。
[0131]
step3：根据三种情况的模型初始化迭代种群，种群个数为100，迭代次数为500，基因个数即为待求解个数为6。
[0132]
step4:根据改进基因编码规则(规则1，规则2，规则3)生成符合迭代要求的基因序列。
[0133]
step5：差分进化迭代寻优。
[0134]
step5.1：初始化种群，利用随机函数生成d个个体，每个个体np个基因随机初始值，且随机生成的x
j,i
满足边界条件，初始化得到的种群可以视为父代。公式如下：
[0135][0136]
其中x
j,i
(0)表示第0代父代的第j个个体的第i个基因。分别表示基因的上下限。
[0137]
step5.2：变异，de算法与遗传算法近似，两者最主要的区别就是de算法中个体的变异是通过差分策略实现的。变异的公式如下：
[0138]
vj(g 1)＝λx
best
(g) (1-λ)x
m1
(g) f*(x
m2
(g)-x
m3
(g)),0≤λ≤1
ꢀꢀꢀꢀꢀꢀꢀ
(19)
[0139]
其中λ∈[0，1]控制着差分的贪婪程度。例如当λ＝1时，是de/best/y/z策略，当λ＝0时，是de/rand/y/z策略，当λ介于0和1之间时，则是de/randtobest/y/z策略。vj(g 1)表示第g 1代假子代的第j个个体，x
best
(g)表示第g代父代中最优个体，m1、m2、m3为不相同的随机数，表示从父代中随机选择三个个体，f为缩放因子。通过变异操作(差分)得到新的个体，可以将其视为假子代，其将作为真子代的备选。
[0140]
step5.3：交叉，通过交叉因子的比较从假子代和父代，并从中选出部分基因组成新的个体得到真子代。
[0141][0142]
where,cr是交叉概率，j
rand
为[1，2，......，d]的随机整数，这样的目的是保证至少有一个假子代基因传入真子代。
[0143]
step5.4：选择，通过比较同位置父代与真子代中的个体的目标函数值选择下一代种群中的个体。
[0144][0145]
step6：根据反映射规则(规则4，规则5，规则6)找到每次迭代过程中具有实际意义的基因序列以及对应的分配关系。在到达限定次数之前若目标函数值不变化迭代结束，否则到达迭代次数后结束。
[0146]
本发明还公开了一种多基异构无人集群多波次统一协同任务分配系统，包括：
[0147]
采集模块，用于获取无人机发射位置信息和待执行任务的终点信息；
[0148]
总航程代价模块，用于在发射位置和终点位置之间随机生成禁飞区，计算从发射位置至待执行任务的估计航程代价值，生成协同执行任务时估计代价矩阵，通过航程代价矩阵计算获得总航程代价；
[0149]
基因序列模块，用于比较无人机的数量和待执行任务的数量，根据比较结果，确定基因编码规则，获得符合迭代要求的基因序列；所述基因序列由多个基因位组成，每一个基因位包括无人机、执行目标和航程代价；
[0150]
分配模块，用于通过差分进化方法对基因序列进行迭代优化，迭代过程中以航程代价最小为优化目标，获得无人机和待执行任务的分配关系。
[0151]
最终结果是一个表格如下，以n＝m的情况为例
[0152]
无人机序号123总代价值目标序号3122000
[0153]
总代价值即为目标函数(8)的解算值。
[0154]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。