基于元模型的异构无人机集群任务分配理论与仿真研究

Aiming at the military needs of large-scale heterogeneous UAV swarm task assignment in dynamic and highly variable battlefield environment, this program intends to construct a heterogeneous UAV swarm task assignment system based meta-model by combining with the Model-Based Systems Engineering theory, and propose the algorithms of task pre-allocation and task reallocation. Firstly, considering the coupling constraints, the multiple tasks-oriented architecture of heterogeneous UAV swarm task assignment based meta-model with versatility and scalability will be proposed. Secondly, this program will put forward task decomposition methods under team oriented plan and construct task knowledge Sample Base. The convolutional neural network and the recurrent neural network will be used to establish the generation model and discrimination model of the deep learning generation adversarial network, respectively. In addition, the task pre-allocation algorithm for multitasking under incomplete information of heterogeneous UAV swarm will be introduced. Then, by investigating the emergency task chain model under dynamic environment, the heterogeneous UAV swarm task reallocation algorithm based performance impact for emergencies in a finite time will be constructed. Finally, experimental testing platform for the structure of heterogeneous UAV swarm task allocation will be built up. The experimental testing platform will verify the versatility of the model and the effectiveness of the algorithms in the typical UAV swarm battle scenario simulation, and provide technical support for the task assignment of heterogeneous UAV swarm.

本项目针对动态多变、高度不确定性战场环境下大规模异构无人机集群任务分配的军事需求，结合基于模型的系统工程理论，拟构造基于元模型的异构无人机集群任务分配体系，提出面向实战应用的任务预分配与重分配算法。首先综合考虑耦合约束，面向复杂多任务构建具有通用性和可扩展性的异构无人机集群任务分配元模型架构；其次提出面向团队计划的集群任务分解方法并构建任务知识样本库，同时通过卷积神经网络和循环神经网络建立生成对抗网络的生成模型和判别模型，提出不完全信息下面向多任务的基于生成对抗网络的异构无人机集群任务预分配方法；然后通过研究动态环境下突发事件任务链模型，提出有限时间内面向突发事件的基于性能影响的异构无人机集群任务重分配方法；最后搭建异构无人机集群任务分配试验测试平台，在典型无人机集群作战场景仿真中验证模型的通用性和算法的有效性，为实现异构无人机集群任务分配提供技术支撑。

本项目针对动态多变、高度不确定性战场环境下大规模异构无人机集群任务分配的军事需求，构建了基于元模型的异构无人机集群任务分配体系，提出了面向实战应用的任务预分配与重分配算法。首先，通过分析动态多变、高度不确定性战场环境下异构无人机集群作战的使命任务、作战样式和作战流程，建立了面向复杂多任务的、具有通用性和可扩展性的异构无人机集群任务分配元模型架构。其次，针对传统无人机任务分配算法求解效率低下、无法适用于大规模异构无人机集群任务分配的问题，基于生成对抗网络（Generative Adversarial Nets, GAN）提出了一种基于任务分配序列生成对抗网络模型TA-SeqGAN，使得模型能够以特定的战场信息矩阵作为输入条件约束，利用网络提取输入信息矩阵的特征并生成与给定信息矩阵一致的任务分配序列，完成大规模异构无人机集群任务预分配问题的高质量求解。然后，针对环境中的不确定信息，通过模糊可信性理论对不确定信息下具有任务时间窗约束与时序约束的任务分配问题进行建模，并提出了改进的多策略灰狼优化算法进行求解，生成了具有鲁棒性的无人机集群任务分配方案。此外，针对现有任务重分配算法响应时间过长、对预分配分案影响过大的问题，基于Performance Impact（PI）算法提出了个体重分配算法与局部重分配算法，根据突发事件的类型与分配结果不断灵活调整重分配策略，以较低的通信量与计算量完成对突发事件的快速响应。最后，搭建异构无人机集群任务分配试验测试平台，在典型无人机集群作战场景仿真中验证了所提模型的通用性和算法的有效性。项目的研究为未来高动态和高度不确定条件下的多无人机任务分配问题提供了强有力的综合支撑。