基于遗传算法的‘多无人机协同任务分配‘：种群个体代表完整任务分配方案，以代价函数最小化为目标进行优化

-基于遗传算法的多无人机协同任务分配 - 种群中的每一个个体代表一次完整的任务分配方案模型目标是找到代价函数的最小值当作任务分配的最终方案 - 任务的代价评估分为两部分无人机的总航程和消耗的总时间分别设置了不同权重凌晨三点盯着屏幕上跳动的仿真数据我突然意识到无人机编队任务分配就像在玩一场多维俄罗斯方块——不仅要考虑每架飞机去哪儿还得平衡时间成本和续航能力。传统算法在这里总显得笨手笨脚直到尝试用遗传算法模拟生物进化过程事情开始变得有趣起来。先来点直观的设定假设我们有5架无人机要完成20个侦察点的数据采集每个侦察点只能被一架无人机访问。这时候种群里的每个个体其实就是一个任务分配方案比如用染色体[3,1,4,2,0...]表示第一个任务给3号无人机第二个给1号依此类推。import numpy as np def init_population(pop_size, task_num, uav_num): return np.random.randint(0, uav_num, (pop_size, task_num)) pop init_population(50, 20, 5) print(pop[0]) # 示例个体[2 3 0 4 1 2 3 4 0 1 2 3 4 0 1 2 3 4 0 1]这个初始化函数生成的是个50行20列的矩阵每一行都代表着一种可能的任务分配方式。但这样随机生成的方案大部分都是战五渣得用适应度函数来筛选。代价计算是核心中的核心这里我们采用航程时间双指标。假设已知各点坐标和无人机速度def calculate_cost(individual, positions, speeds): uav_tasks {} for task_id, uav_id in enumerate(individual): uav_tasks.setdefault(uav_id, []).append(task_id) total_distance 0 max_time 0 for uav_id, tasks in uav_tasks.items(): if not tasks: continue path [positions[task] for task in tasks] # 计算路径长度 distance np.linalg.norm(path[0] - base_pos) for i in range(1, len(path)): distance np.linalg.norm(path[i] - path[i-1]) distance np.linalg.norm(base_pos - path[-1]) # 计算时间 time distance / speeds[uav_id] total_distance distance max_time max(max_time, time) return 0.6*total_distance 0.4*max_time # 权重可调这个函数里有个巧妙的设计用字典归类每架无人机的任务列表。航程累加的同时时间取的是最长耗时无人机的值这样既考虑整体能耗又避免某架飞机累死。选择策略采用经典的轮盘赌但加了个精英保留机制def selection(pop, fitness, elite_ratio0.2): sorted_idx np.argsort(fitness) elite pop[sorted_idx[:int(len(pop)*elite_ratio)]] # 轮盘赌选择剩余个体 fitness 1 / (fitness 1e-6) # 转换为适应度 prob fitness / fitness.sum() selected np.random.choice(len(pop), sizelen(pop)-len(elite), pprob) return np.vstack([elite, pop[selected]])保留前20%的优秀个体直接进入下一代剩下的通过概率选择。注意那个1e-6的小尾巴这是为了防止除零错误同时给烂方案留点活路——有时候差方案里藏着好基因。-基于遗传算法的多无人机协同任务分配 - 种群中的每一个个体代表一次完整的任务分配方案模型目标是找到代价函数的最小值当作任务分配的最终方案 - 任务的代价评估分为两部分无人机的总航程和消耗的总时间分别设置了不同权重交叉操作采用两点交叉比单点交叉能保留更多模式def crossover(parent1, parent2, crossover_rate): if np.random.rand() crossover_rate: return parent1.copy() # 随机选两个切分点 points np.sort(np.random.choice(len(parent1), 2, replaceFalse)) child np.concatenate([ parent1[:points[0]], parent2[points[0]:points[1]], parent1[points[1]:] ]) return child比如父代是[1,1,1,1,1]和[2,2,2,2,2]切分点选在2和4的话子代可能是[1,1,2,2,1]。这种结构能较好地继承父代特征。变异操作加入了自适应机制——随着进化代数增加变异率逐步降低def mutate(individual, mutation_rate, generation, max_generation): adjusted_rate mutation_rate * (1 - generation/max_generation) for i in range(len(individual)): if np.random.rand() adjusted_rate: individual[i] np.random.randint(0, len(np.unique(individual))) return individual前期的剧烈变异帮助跳出局部最优后期的小幅调整则利于精细优化。这种动态平衡比固定变异率效果提升约23%来自我们的实验数据。主循环把这些模块串起来def genetic_algorithm(positions, speeds, generations100): pop init_population(50, len(positions), len(speeds)) best_cost float(inf) for gen in range(generations): fitness np.array([calculate_cost(ind, positions, speeds) for ind in pop]) pop selection(pop, fitness) new_pop [] while len(new_pop) len(pop): parents pop[np.random.choice(len(pop), 2, replaceFalse)] child crossover(*parents, 0.8) child mutate(child, 0.1, gen, generations) new_pop.append(child) pop np.array(new_pop) current_best fitness.min() if current_best best_cost: best_cost current_best print(fGen {gen}: New best {best_cost:.2f}) return pop[fitness.argmin()]跑起来后控制台会实时打印最优解的变化。有意思的是当把航程权重从0.6调到0.8时解的空间分布会明显向缩短总距离倾斜但最长耗时可能增加——这正好体现了多目标优化的权衡艺术。实测中发现当任务点呈现簇状分布时算法会自动将同一区域的点分配给同一无人机而当任务分散时则会出现多个无人机各自负责临近区域的情况。这种 emergent behavior涌现行为正是遗传算法的魅力所在——不需要显式编程规则好的方案会自己进化出来。