李佳

四川大学 电子信息学院 四川 成都 610065

引言

近年来无人机的任务分配问题引起了广泛关注。高效的协同任务分配方案能够提升机群执行任务的成功率和效率，降低成本和风险。开展多无人机的协同任务分配问题研究，具有重大的意义。

文献[1]将节约里程法与最近邻算法引入遗传算法中，解决了多基地、多无人机的战场物资配送任务分配问题。文献[2]建立以任务执行时间和攻击收益为综合性能指标的任务分配优化模型，提出避免产生“死锁”现象的基于多类型基因编码的改进遗传算法。针对异构型多无人机协同侦察任务决策问题[3]，提出了一种分布式的扩展CBBA算法。

现有的任务分配模型中缺乏对异构无人机属性和多任务类型的考量。因此，我们提出了一种自适应遗传算法。首先，引入多类型基因，建立无死锁染色体编码策略。根据染色体编码策略，我们修改了交叉和变异算子，保证了遗传算法种群的可行性。

1 任务分配模型

2 进的自适应遗传算法

2.1 染色体编码策略

图1 染色体编码方式

为了描述侦察-打击-评估任务中的多个任务，提出了具有多类型基因的染色体编码策略。

（1）多类型基因的染色体

2.2 遗传操作

本文根据多类型基因的染色体编码策略，对交叉和突变算子进行改进。

2.2.1 选择操作。用 表示种群中个体的适应度的值，n表示种群中个体的数量，采取轮盘赌法使种群个体适应度值 较大的被选择。

2.2.2 交叉操作。交叉操作是将两个选择的亲本染色体的基因信息交换，从而产生两个后代染色体。本文选择两点交叉算子。

2.2.3 变异操作。突变操作改变所选亲本染色体的一个或多个基因，以产生后代染色体。突变操作的目的是通过对基因的突变来提高局部搜索能力。本文突变无人机航向角或者分配无人机信息。

2.2.4 自适应设置。

3 仿真实验

3.1 仿真参数设置

3.2 实验结果

2种算法的优化指标主要体现在4个方面：目标值的最小值、最大值、平均值和收敛指数。其中收敛指数

收敛效果。fffffa为n次迭代后的目标值，fffff9为迭代前的初始目标值， 越小，算法的收敛性能越好。从图2可以看出，所提出的AGA具有更好的性能。因此，与GA算法相比，该算法在不同场景下都能获得更好的CMTAP解。

图2 AGA、GA在三种场景下的性能指标对比