【任务分配】多目标粒子群算法求解多无人机多任务路分配及路径规划（最短路程+最短时间）问题【含Matlab源码 3522期】_无人机粒子群算法

⛄一、粒子群算法无人机群威胁环境下多目标路径优化搜索探测

1 粒子群算法
粒子群算法是智能算法领域中除蚁群算法、鱼群算法又一个智能群体算法。

PSO算法首先在可行解空间中初始化一群粒子,每个粒子都代表极值优化问题的一个潜在最优解。粒子在解空间中运动,通过跟踪个体极值Pbest和群体极值Gbest更新个体位置。

粒子每更新一次位置,就计算一次适应度值,并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest位置。

在每一次迭代过程中,粒子通过个体极值和群体极值更新自身的速度和位置,每个粒子在D维空间的速度和位置状态可表示为

2 粒子群算法步骤
粒子群算法是一种基于群体智能的优化算法，其步骤如下：
（1）初始化粒子群：随机生成一定数量的粒子，并为每个粒子随机分配一个位置和速度。
（2）计算适应度函数：根据问题的具体情况，计算每个粒子的适应度函数值。
（3）更新粒子速度和位置：根据当前位置和速度，以及全局（4）最优位置和个体最优位置，更新每个粒子的速度和位置。
（5）更新全局最优位置和个体最优位置：根据当前适应度函数值，更新全局最优位置和个体最优位置。
（6）判断终止条件：如果满足终止条件，则输出最优解；否则返回第3步。

3 多目标粒子群算法求解多无人机多任务路分配及路径规划（最短路程+最短时间）问题
多目标粒子群算法（MOPSO）是一种用于解决多目标优化问题的算法。在多无人机多任务路分配及路径规划问题中，我们需要同时考虑最短路程和最短时间两个目标。MOPSO算法通过维护一个粒子群体，每个粒子代表一个解决方案，并通过不断地更新粒子的速度和位置来搜索最优解。在每次更新后，通过对所有粒子进行非支配排序和拥挤度距离计算，筛选出一组最优解，即帕累托前沿。这些解可以提供给决策者进行选择，以达到最优的路分配方案和路径规划方案。

下面是MOPSO算法求解多无人机多任务路分配及路径规划的步骤：
（1）初始化粒子群体，包括粒子的位置和速度。
（2）计算每个粒子的适应度值，即路分配方案和路径规划方案的目标函数值。
（3）对所有粒子进行非支配排序，得到帕累托前沿。
（4）计算每个粒子的拥挤度距离，用于保证帕累托前沿的多样性。
（5）根据粒子的适应度值和拥挤度距离，更新粒子的速度和位置。
（6）重复步骤2-5，直到达到预设的停止条件。

⛄二、部分源代码

%% 14 UAVs
% 6 targets %目标
% 3 tasks on each target %在每个目标上的任务
% 2 functions %功能
% 8 constrains %约束
%%

clc;
clear;
close all;

tic

%% 无人机参数初始化
global NU NS NMM V N NT NM dim

NU=14; %无人机总数目
NT=6; %目标数
NS=8; %侦察无人机数目
NMM=3; %每个目标上的任务数
NM=NT*NMM; %总任务数
T=[36 49 12;70 47 25;25 15 45;62 70 56;54 42 78;61 39 41]; %目标的坐标
U_X=[73 91 41;94 92 42;90 37 45;5 57 12;20 0 32;1 68 45;90 74 72;11 90 61;73 76 12;69 20 10;52 46 42;46 98 41;92 86 62;79 4 3]; %飞机坐标
V=[0.1;0.12;0.12;0.11;0.1;0.12;0.11;0.11;0.16;0.1;0.12;0.13;0.09;0.11]; %无人机的速度

%% 粒子群参数初始化
MaxIt = 50; %最大迭代次数
N = 20; %种群规模
w = 0.75; %惯性权重系数
pro=0.7; %向拐点学习概率
c1 = 0.7; %个体学习因子，c1=c2代表个体经验与群体经验有同样重要的影响
c2 = 0.7; %全局学习因子
dim=6; %粒子的行数

%% 调用粒子群
[pg,gb,hhh,HHH]=PSO(MaxIt,pro,c1,c2);

toc
disp(['运行时间: ',num2str(toc)]);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]牛龙辉,陈海洋,季野彪.结合粒子群算法与任务分配协调策略的仓储多机器人任务分配[J].西安工程大学学报. 2020,34(06)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除