1.[论文分享] 无人艇任务分配

本文首先提出并构建了一个多无人艇侦察任务模型，如图1所示。图中Depot为护卫目标，大量可疑目标随机在侦察域中生成，USV的任务是从护卫目标出发，对所有的可疑目标进行侦察并回到护卫目标。该问题的本质是对多智能体的任务分配问题，在该模型中，难点在于不仅要对每个USV分配合适的可疑目标，还要在分配好可疑目标后规划合适的侦察路径。抽象来说这是一个MVRP(Multi-Vehicle Routing Problem)问题。解决这类问题常用的方法有进化算法(Evolutionary Algorithm, EA)，如粒子群算法(Particle Swarm Optimizer, PSO)。本文使用的就是粒子群算法的优化版本。

图1 无人艇集群侦查任务模型

PSO算法的优化变体有很多，本文提出了一种PSO的变体并命名为综合优化合作粒子群(Comprehensive Improved Cooperative PSO, CICPSO)。

首先，对于进化算法来说，在搜索空间内产生足够均匀的初始粒子分布对于提高PSO算法的收敛性能至关重要。因此，本文引入了基于混沌的Logistic映射，用于提高群体多样性。为了证明混沌初始化的分布性能，图2给出了Logistic映射和Random映射在[0,1]范围内迭代10000次的直方图对比。可以看出基于Logistic的初始化可以在更大的范围内产生更均匀分布的粒子，提高算法的稳定性。

图2 Logistic映射和Random映射迭代10000次的直方图结果

然后，针对传统PSO过早收敛，无法平衡好探索和开拓的问题，将粒子群分为两个子种群，一个探索子种群，一个开拓子种群，为两个子种群分别设计了速度和位置的更新策略，探索粒子群的更新策略为：

在该策略中，探索粒子群放弃了社会认知部分，即不受gbest影响。需要注意的是探索粒子最终还是会随着迭代收敛，这是不可避免的，这会使收敛的粒子失去探索功能，因此本文提出了一种复活策略，当探索粒子的速度足够小时，将其定义为死亡粒子，然后粒子会复活并根据Logistic映射获得初始解。开拓粒子群的更新策略为：

在该策略中，开拓粒子群放弃了自我认知部分，即不受pbest影响。需要注意的是当粒子收敛至最优域时，收缩因子会随着迭代减小，这是为了使粒子的速度尽快降低，提高开拓效率，但是当全局最优改变时，我们希望粒子能够快速前往新的最优域，这代表我们需要更大的收缩因子。为了解决这个矛盾，本文提出了一个重置策略，当开拓粒子开拓时，gbest发生改变且

足够大时，收缩因子会重置为0.729。

为了验证CICPSO的优越性，本文进行了两个实验。第一个实验选择了8个标准测试函数，并对包括CICPSO在内的7种PSO算法分别在10维和30维上进行了测试，实验结果如表1和表2。可以看出CICPSO在大多数函数上取得了最优结果。

表1 10维实验结果

表2 30维实验结果

       第二个实验是在本文所建立的多无人艇侦察任务模型上对算法进行测试，从第一个实验可以看出，性能最佳的两个PSO变体为CLPSO和CICPSO，因此第二个实验本文仅对这两个算法在该模型上的结果进行测试，实验结果如图3所示。

图3 50个可疑目标的多无人艇任务分配实验结果

从图(a)中可以看出，两种算法都能很好地解决这个问题，并最终收敛。但CICPSO的收敛速度比CLPSO快得多。这一结果进一步验证了我们的方法相对于其他粒子群算法的优越性和解决实际问题的实用性。