[發明專利]大型無人機群中基于簡化注意力網絡的任務規劃方法

有效

• 申請號: 202111006869.3
• 申請日: 2021-08-30
• 公開（公告）號: CN113703482B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 左磊;高山;李亞超;李明;孫浩;祿曉飛;高永嬋;全英匯
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G05D1/10
• 分類號: G05D1/10;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種大型無人機群中基于簡化注意力網絡的任務規劃方法，其特征在于，構建一個用于提取無人機高維特征的簡化注意力網絡，利用梯度下降法訓練簡化注意力網絡，實現整體網絡的參數更新；該規劃方法的步驟包括如下：

步驟1，生成樣本集：

生成一個10000組的樣本集；每組樣本集中包含由至少100架無人機構成的大型無人機集群和一個大型無人機集群執行的任務目標；

步驟2，構建簡化注意力網絡：

(2a)搭建一個由輸入層,自相關系數計算層，互相關系數計算層和輸出層組成的特征提取網絡，將輸入層的輸入維度設置為128，輸出維度為256；將自相關系計算層、互相關系數計算層和輸出層的輸入維度均設置為256，輸出維度均設置為256；所述自相關系數計算層由自相關函數實現，所述互相關系數計算層由互相關函數實現；

(2b)全連接神經網絡和LSTM網絡參數設置；

將全連接神經網絡的輸入維度設置為8，輸出維度設置為128；將LSTM網絡輸入維度設置為256，輸出維度設置為512；

(2c)將特征提取網絡、全連接神經網絡和LSTM(Long-Short Term Memory)網絡級聯成簡化注意力網絡；

步驟3，訓練簡化注意力網絡：

將樣本集輸入到簡化注意力網絡中，利用梯度下降法迭代更新簡化注意力網絡參數，直至損失函數值收斂為止，得到訓練好的簡化注意力網絡；

步驟4.規劃大型無人機群中執行任務的無人機：

(4a)將待規劃的大型無人機群中每架無人機攜帶的任務資源種類和數量，任務目標需求的任務資源種類和數量輸入已經到訓練好的簡化注意力網絡中，輸出每架無人機的高維特征；

(4b)利用概率公式，計算大型無人機群中每架無人機去執行任務目標的概率，選取最大概率對應的無人機作為執行任務目標的無人機；

(4c)將待規劃的大型無人機群中剩余無人機的任務資源種類和數量，輸入到訓練好的簡化注意力網絡中，得到待規劃的大型無人機群中剩余的每架無人機的高維特征，采用與步驟(4b)相同的方法選取執行任務目標無人機；

(4d)判斷所有執行任務目標無人機所攜帶的任務資源種類是否滿足約束條件，若是，則執行步驟5，否則，執行步驟(4c)

步驟5，將選取的多架執行任務目標的無人機作為規劃方案。

2.根據權利要求1所述的大型無人機群中基于簡化注意力網絡的任務規劃方法，其特征在于，步驟1中所述的至少100架無人機構成的大型無人機集群中包含大型無人機集群中無人機的數量，每架無人機攜帶的任務資源種類和數量。

3.根據權利要求1所述的大型無人機群中基于簡化注意力網絡的任務規劃方法，其特征在于，步驟1中所述的大型無人機集群執行的任務目標包含任務目標所需資源的種類、任務目標所需資源的數量。

4.根據權利要求1所述的大型無人機群中基于簡化注意力網絡的任務規劃方法，其特征在于，步驟(2b)中所述的自相關函數如下：

其中，λ_i表示簡化注意力網絡中第i個訓練數據的自相關函數，h_i表示第i個訓練數據的初始特征，l^q和l^k表示簡化注意力網絡的參數，d_hi表示h_i的維度，Relu表示線性整流激活函數操作，N表示每組樣本集中訓練數據的總數。

5.根據權利要求4所述的大型無人機群中基于簡化注意力網絡的任務規劃方法，其特征在于，步驟(2b)中所述互相關函數如下：

其中，β_i表示簡化注意力網絡中第i個訓練數據的自相關函數。