劉金榮

（吉林省通化縣林業(yè)局，吉林 通化 134100）

隨著科學(xué)技術(shù)的發(fā)展，我國(guó)無(wú)人機(jī)作為森林災(zāi)害監(jiān)測(cè)和救援的基本平臺(tái)已經(jīng)得到廣泛重視和應(yīng)用[1]。我國(guó)專家和學(xué)者對(duì)無(wú)人機(jī)用于消防領(lǐng)域的現(xiàn)狀及可行性進(jìn)行論述。在森林火災(zāi)背景下，無(wú)人機(jī)由于動(dòng)力、續(xù)航能力的限制，單架無(wú)人機(jī)對(duì)監(jiān)測(cè)面積較大的森林防火任務(wù)難以勝任。針對(duì)這一情況，采取多無(wú)人機(jī)配合、以無(wú)人機(jī)集群完成火災(zāi)監(jiān)測(cè)成為一種合理的方案。無(wú)人機(jī)集群中含有多個(gè)無(wú)人機(jī)，各個(gè)無(wú)人機(jī)之間相互協(xié)調(diào)、協(xié)同配合，提升了覆蓋范圍和復(fù)雜任務(wù)的執(zhí)行能力，是無(wú)人機(jī)技術(shù)未來(lái)的重要發(fā)展方向[2]。無(wú)人機(jī)集群承擔(dān)的任務(wù)多為多目標(biāo)、多參數(shù)、多網(wǎng)點(diǎn)的復(fù)雜任務(wù)，為了完成總體任務(wù)，各個(gè)無(wú)人機(jī)所承擔(dān)的任務(wù)范圍、任務(wù)數(shù)量就成為關(guān)鍵，從而推動(dòng)了無(wú)人機(jī)集群任務(wù)分配問(wèn)題成為領(lǐng)域內(nèi)的研究重點(diǎn)[3]。無(wú)人機(jī)集群任務(wù)分配的核心目標(biāo)是在確?？傮w任務(wù)完成的前提下，高效使用每個(gè)無(wú)人機(jī)，即總體任務(wù)在各個(gè)無(wú)人機(jī)之間分配的均衡性。該文以森林防火的監(jiān)測(cè)任務(wù)分配為背景，致力于無(wú)人機(jī)集群的分配方法和試驗(yàn)研究。

1 無(wú)人機(jī)集群的任務(wù)調(diào)度方法

1.1 粒子群算法

對(duì)大面積的森林防火監(jiān)測(cè)任務(wù)來(lái)說(shuō)，采用多個(gè)無(wú)人機(jī)構(gòu)成的無(wú)人機(jī)集群具有更好的針對(duì)性，也可以勝任這種大面積、高復(fù)雜性的防火監(jiān)測(cè)。對(duì)應(yīng)于無(wú)人機(jī)集群，將集群內(nèi)每架無(wú)人機(jī)看作一個(gè)個(gè)體，無(wú)人機(jī)集群的任務(wù)調(diào)度就變成了多個(gè)體均衡調(diào)度問(wèn)題。適用于這一問(wèn)題的求解方法包括多屬性決策方法、遺傳算法、神經(jīng)網(wǎng)絡(luò)算法、粒子群算法。

粒子群算法以每個(gè)粒子對(duì)應(yīng)一個(gè)個(gè)體，全部粒子的集合就對(duì)應(yīng)于整個(gè)集群。粒子群算法通過(guò)設(shè)定初始條件、限制條件和目標(biāo)約束，致力于在一個(gè)特定適應(yīng)度函數(shù)的優(yōu)化下，找到整個(gè)集群的最佳位置，并形成持續(xù)的動(dòng)態(tài)演化。根據(jù)適應(yīng)度函數(shù)的優(yōu)化和各種優(yōu)化控制條件，粒子群會(huì)調(diào)整每個(gè)粒子的位置、速度等參數(shù)，同時(shí)兼顧各個(gè)粒子之間的均衡和協(xié)調(diào)，從而使整個(gè)粒子群達(dá)到最佳狀態(tài)。

在無(wú)人機(jī)集群監(jiān)測(cè)森林狀態(tài)的過(guò)程中，每個(gè)無(wú)人機(jī)個(gè)體就對(duì)應(yīng)一個(gè)粒子，其位置的表征如公式（1）所示。式中：x為粒子群中一個(gè)粒子即無(wú)人機(jī)個(gè)體的位置；p為粒子群中一個(gè)粒子即無(wú)人機(jī)個(gè)體的初始位置參照；L為位置變化調(diào)整范圍系數(shù)；u為一個(gè)隨機(jī)數(shù)，其取值范圍是（0，1）。

對(duì)無(wú)人機(jī)集群中的每個(gè)個(gè)體，其不考慮其他粒子只考慮自身情況下，在目標(biāo)約束下不斷對(duì)位置進(jìn)行優(yōu)化，可以得到的局部最佳位置，如公式（2）所示。

式中：xi（t）為第i個(gè)時(shí)刻粒子群中一個(gè)粒子即無(wú)人機(jī)個(gè)體的位置；pi（t）為第t個(gè)時(shí)刻刻粒子群中一個(gè)粒子即無(wú)人機(jī)個(gè)體的局部最佳位置；pi（t-1）為第t-1 個(gè)時(shí)刻刻粒子群中一個(gè)粒子即無(wú)人機(jī)個(gè)體的局部最佳位置。

如果綜合考慮集群內(nèi)全部粒子的情況，得到每個(gè)粒子在集群內(nèi)的全局最佳位置，如公式（3）所示。

式中：G（t）為整個(gè)粒子群的全局最佳位置；pg（t）為第i個(gè)時(shí)刻粒子群中一個(gè)粒子即無(wú)人機(jī)個(gè)體的位置；g（t）為第t個(gè)時(shí)刻刻粒子群中一個(gè)粒子即無(wú)人機(jī)個(gè)體的全部最佳位置；g（t-1）為第t-1 個(gè)時(shí)刻刻粒子群中一個(gè)粒子即無(wú)人機(jī)個(gè)體的全部最佳位置。

綜合局部最佳位置和全局最佳位置的聯(lián)合考慮，可以得到每個(gè)粒子個(gè)體的位置信息更新機(jī)制。

式中：xid（t）為第id個(gè)時(shí)刻粒子群中一個(gè)粒子即無(wú)人機(jī)個(gè)體的位置；pid為第id個(gè)時(shí)刻粒子群中一個(gè)粒子即無(wú)人機(jī)個(gè)體的位置；Lid為第id個(gè)時(shí)刻位置變化調(diào)整范圍系數(shù)，uid為第id個(gè)時(shí)刻的隨機(jī)數(shù)。

1.2 粒子群算法的實(shí)施步驟

粒子群算法在無(wú)人機(jī)集群森林防火監(jiān)測(cè)任務(wù)分配時(shí)，每個(gè)無(wú)人機(jī)對(duì)應(yīng)一個(gè)粒子群中的粒子，預(yù)期完成的任務(wù)為粒子群算法的優(yōu)化目標(biāo)，任務(wù)位置為粒子群算法的目標(biāo)位置，算法應(yīng)保證任務(wù)全部完成且每個(gè)無(wú)人機(jī)得到最大效率地使用，尤其要避免個(gè)別無(wú)人機(jī)任務(wù)負(fù)荷過(guò)重而個(gè)別無(wú)人機(jī)無(wú)任務(wù)的情況出現(xiàn)。根據(jù)這些要求以及粒子群算法的實(shí)現(xiàn)原理，設(shè)計(jì)無(wú)人機(jī)集群森林防火監(jiān)測(cè)任務(wù)分配算法的流程：第一，根據(jù)任務(wù)要求、任務(wù)位置、無(wú)人機(jī)位置，對(duì)粒子群進(jìn)行參數(shù)配置和初始化。第二，根據(jù)任務(wù)要求、優(yōu)化目標(biāo)構(gòu)建適應(yīng)度函數(shù)，并完成粒子群的適應(yīng)度計(jì)算。第三，計(jì)算粒子的局部最佳位置和整個(gè)粒子群的全局最佳位置。第四，根據(jù)預(yù)設(shè)的更新機(jī)制，更新粒子的位置。第五，根據(jù)粒子的最新位置，更新每個(gè)粒子的局部最佳位置和整個(gè)粒子群的全局最佳位置。第六，判斷此時(shí)的迭代誤差是否小于預(yù)設(shè)，如果小于，就輸出當(dāng)前粒子群全局最佳位置。如果迭代誤差大于預(yù)設(shè)，返回到第四步，不斷重復(fù)第四、第五步，直到迭代誤差小于預(yù)設(shè)。

上述算法的輸出結(jié)果，整個(gè)粒子群的最佳位置對(duì)應(yīng)配置給無(wú)人機(jī)集群，每個(gè)量子粒子的位置更新軌跡即成為無(wú)人機(jī)個(gè)體的規(guī)劃路徑。

2 仿真試驗(yàn)與結(jié)果分析

2.1 試驗(yàn)條件配置

為了驗(yàn)證該文提出的粒子群算法對(duì)無(wú)人機(jī)集群森林防火任務(wù)分配的有效性進(jìn)行試驗(yàn)。在試驗(yàn)過(guò)程中，無(wú)人機(jī)集群配置了5 個(gè)無(wú)人機(jī)，其對(duì)應(yīng)編號(hào)和坐標(biāo)見表1。

表1 無(wú)人機(jī)編號(hào)和坐標(biāo)配置

從表1 中可以看出，第一個(gè)無(wú)人機(jī)的初始位置在（36，13，26）的三維空間位置上，第二個(gè)無(wú)人機(jī)的初始位置在（21，35，43）的三維空間位置上，第三個(gè)無(wú)人機(jī)的初始位置在（15，28，28）的三維空間位置上，第四個(gè)無(wú)人機(jī)的初始位置在（28，49，25）的三維空間位置上，第五個(gè)無(wú)人機(jī)的初始位置在（35，31，20）的三維空間位置上。

試驗(yàn)中，配置了8 個(gè)任務(wù)目標(biāo)點(diǎn)，其對(duì)應(yīng)編號(hào)和坐標(biāo)見表2。

表2 任務(wù)目標(biāo)點(diǎn)編號(hào)和坐標(biāo)配置

從表2 中可以看出，第A個(gè)任務(wù)目標(biāo)點(diǎn)在（90，16）的二維平面位置上，第B個(gè)任務(wù)目標(biāo)點(diǎn)在（33，45）的二維平面位置上，第C個(gè)任務(wù)目標(biāo)點(diǎn)在（49，27）的二維平面位置上，第D個(gè)任務(wù)目標(biāo)點(diǎn)在（47，91）的二維平面位置上，第E個(gè)任務(wù)目標(biāo)點(diǎn)在（20，27）的二維平面位置上，第F個(gè)任務(wù)目標(biāo)點(diǎn)在（50，32）的二維平面位置上，第G個(gè)任務(wù)目標(biāo)點(diǎn)在（83，69）的二維平面位置上，第H個(gè)任務(wù)目標(biāo)點(diǎn)在（14，49）的二維平面位置上。

無(wú)人機(jī)集群執(zhí)行的任務(wù)分為3 類，分別是第一周期監(jiān)測(cè)、第二周期監(jiān)測(cè)、第三周期，每個(gè)任務(wù)目標(biāo)點(diǎn)上述三種任務(wù)的目標(biāo)價(jià)值和總體價(jià)值，配置見表3。

表3 任務(wù)目標(biāo)點(diǎn)的三類任務(wù)目標(biāo)價(jià)值和總體目標(biāo)價(jià)值

從表1～表3 可以看出，無(wú)人機(jī)集群中每個(gè)無(wú)人機(jī)給出了空中三維坐標(biāo)信息，而每個(gè)任務(wù)目標(biāo)點(diǎn)給出的是平面地圖的二維坐標(biāo)信息，各個(gè)任務(wù)目標(biāo)點(diǎn)的四類目標(biāo)價(jià)值，是任務(wù)分配算法的優(yōu)化目標(biāo)。試驗(yàn)中，為了與該文提出的粒子群算法形成對(duì)比，還選擇了遺傳算法、傳統(tǒng)粒子群算法，作為無(wú)人機(jī)集群任務(wù)分配試驗(yàn)中的參照方法。接下來(lái)，將分別進(jìn)行三類任務(wù)的分配試驗(yàn)。

2.2 試驗(yàn)結(jié)果

首先，比較該文算法、遺傳算法、粒子群算法在完成無(wú)人機(jī)集群監(jiān)測(cè)任務(wù)分配時(shí)的適應(yīng)度收斂曲線，結(jié)果如圖1所示。

圖1 三類算法的監(jiān)測(cè)任務(wù)分配收斂曲線對(duì)比

從圖1 中的結(jié)果可以看出，在無(wú)人機(jī)集群完成監(jiān)測(cè)任務(wù)分配的過(guò)程中，該文算法的適應(yīng)度達(dá)成收斂的速度最快，并且收斂時(shí)適應(yīng)度值更高。傳統(tǒng)粒子群算法、遺傳算法的收斂速度都滯后于該文算法，并且收斂時(shí)的適應(yīng)度較低。

進(jìn)一步比較3 種算法完成的無(wú)人機(jī)集群偵察任務(wù)分配結(jié)果，如圖2～圖4所示。

圖2 傳統(tǒng)粒子群算法分配結(jié)果

圖3 遺傳算法分配結(jié)果

圖4 該文算法分配結(jié)果

3 結(jié)論

從圖2～圖4 的對(duì)比結(jié)果可以看出，經(jīng)過(guò)該文提出的粒子群算法完成的無(wú)人機(jī)集群監(jiān)測(cè)任務(wù)分配結(jié)果，8 個(gè)任務(wù)目標(biāo)點(diǎn)比較均衡地配置給了5 個(gè)無(wú)人機(jī)，1 號(hào)無(wú)人機(jī)負(fù)責(zé)D、E的監(jiān)測(cè)，2 號(hào)無(wú)人機(jī)負(fù)責(zé)H的監(jiān)測(cè)，3 號(hào)無(wú)人機(jī)負(fù)責(zé)A、G的監(jiān)測(cè)，4 號(hào)無(wú)人機(jī)負(fù)責(zé)B、F的監(jiān)測(cè)，5 號(hào)無(wú)人機(jī)負(fù)責(zé)C的監(jiān)測(cè)，每個(gè)無(wú)人機(jī)都得到了接近最大效用的使用，無(wú)人機(jī)資源沒有造成浪費(fèi)和任務(wù)過(guò)載。粒子群算法得到的監(jiān)測(cè)任務(wù)分配結(jié)果，各無(wú)人機(jī)任務(wù)分配不均衡，2號(hào)無(wú)人機(jī)任務(wù)過(guò)少，而1 號(hào)無(wú)人機(jī)和5 號(hào)無(wú)人機(jī)的任務(wù)過(guò)重。同時(shí)，傳統(tǒng)粒子群算法得到的監(jiān)測(cè)任務(wù)分配結(jié)果，造成了多個(gè)無(wú)人機(jī)任務(wù)過(guò)載和任務(wù)目標(biāo)點(diǎn)重復(fù)偵察的問(wèn)題。遺傳算法也出現(xiàn)了類似問(wèn)題，并且任務(wù)過(guò)載和任務(wù)重復(fù)執(zhí)行的程度更嚴(yán)重。

無(wú)人機(jī)已經(jīng)在很多領(lǐng)域中得到了廣泛應(yīng)用，無(wú)人機(jī)集群也日益成為復(fù)雜問(wèn)題的合理解決方案。森林防火監(jiān)測(cè)面積大、監(jiān)測(cè)情況復(fù)雜，運(yùn)用單一無(wú)人機(jī)很難達(dá)到預(yù)期的理想效果，采用無(wú)人機(jī)集群完成森林防火監(jiān)測(cè)，是一種非常合理的手段。該文對(duì)傳統(tǒng)粒子群算法進(jìn)行進(jìn)一步改進(jìn)，從局部最佳位置、全局最佳位置完成粒子更新公式設(shè)計(jì)。在此基礎(chǔ)上，以傳統(tǒng)粒子群算法和遺傳算法為對(duì)比方法，與該文提出的改進(jìn)粒子群算法進(jìn)行無(wú)人機(jī)集群監(jiān)測(cè)任務(wù)分配的對(duì)比試驗(yàn)，試驗(yàn)結(jié)果顯示：該文方法獲得的無(wú)人機(jī)集群監(jiān)測(cè)任務(wù)分配結(jié)果更合理，沒有無(wú)人機(jī)出現(xiàn)過(guò)載，每個(gè)無(wú)人機(jī)都達(dá)到了最大效率。