量子大马哈鱼洄游机制演化博弈的水下无人集群任务分配方法

摘要

本发明提供一种量子大马哈鱼洄游机制演化博弈的水下无人集群任务分配方法，包括：建立水下无人集群任务分配模型；初始化量子熊群和人群位置；根据适应度函数计算量子熊群和人群的大马哈鱼密度；对量子熊群及人群的量子旋转角和位置进行更新；形成混合策略；判断是否到达最大迭代次数，如达到则终止迭代；如未达到，则令t＝t+1，并返回步骤三继续执行；输出所得最终混合策略G、G'、它们最大值所对应的策略即为收益期望最大的策略。本发明使用量子大马哈鱼洄游机制演化博弈论对水下无人集群进行任务部署分配，通过计算各部署所得到的损失比，调整部署分配方式，并通过混合策略优劣性判别所获得的混合策略的好坏，从而输出收益期望最高的部署分配方式。

说明书

技术领域

本发明涉及一种量子大马哈鱼洄游机制演化博弈的水下无人集群任务分配方法，属于水下无人集群任务分配领域。

背景技术

随着技术的进步以及战场环境的日益复杂化，进行无人作战的方式正在逐步从单个无人机作战转向集群作战模式，也即无人集群之间的任务分配，使用大量低成本的无人机集群对目标进行打击，可以有效完成行动目的并降低我方损耗。在实际情况中，侦测到对方无人集群并了解他们的防御型机种与攻击型机种的数量配比之后，需要迅速做出部署分配，以最小的代价换取最大的收益。双方都不了解对方的策略倾向，并且都会根据情况的不同改变自己的策略选择，是一种混合博弈，这就要求我们能够在某种方法的帮助下快速得到混合策略纳什均衡。

博弈论部分主要涉及水下无人集群双方的任务分配过程，双方的决策者必须通过合理的计划决策为本方赢得最大的利益或最小化本方的损失，利用博弈理论可以从双方动态分析因实际情况变化而导致的双方决策变化。相较于传统的只考虑作战中的某一方的分析方法，使用博弈论同时对双方进行分析更为贴近事实。

根据对已有文献的查阅发现，陈莺在《计算机应用与软件》(2019,Vol.03,No.36,pp.131-135+141)上发表的“基于模型的设计在无人潜器安全系统上的应用”中将水下无人潜器视为单独个体，对单独的水下无人潜器设计动作模型，针对不同意外给出不同安全决策。其研究主要集中在对水下无人潜器安全保障的技术上，在对抗决策方面研究较少。黄波等在《舰船科学技术》(2020,Vol.09,No.42,pp.138-142)上发表的“UUV与潜艇协同作战模式及关键技术”中主要研究水下无人集群的侦测行为及与潜艇的配合行为，对水下无人集群对抗决策的研究较少。

上述研究在水下无人集群对抗博弈问题上虽然都能有相应的作用，但在水下无人集群双方的任务分配上并没有进行完整的考虑。因此需要设计一种更为完整的对抗博弈决策方法，能动态考虑双方的决策变化，更贴近实际情况地分析水下无人集群的任务分配。

发明内容

为了解决现有方法的缺点和不足，本发明设计了一种水下无人集群任务分配方法，使用量子大马哈鱼洄游机制演化博弈论对水下无人集群进行任务部署分配，通过计算各部署所得到的损失比，调整部署分配方式，并通过混合策略优劣性判别所获得的混合策略的好坏，从而输出收益期望最高的部署分配方式。

本发明的目的是这样实现的：步骤如下：

步骤一：建立水下无人集群任务分配模型；

步骤二：初始化量子熊群和人群位置；

步骤三：根据适应度函数计算量子熊群和人群的大马哈鱼密度；

步骤四：对量子熊群及人群的量子旋转角和位置进行更新；

步骤五：形成混合策略；

步骤六：判断是否到达最大迭代次数，如达到则终止迭代；如未达到，则令t＝t+1，并返回步骤三继续执行；

步骤七：输出所得最终混合策略G、G'、

本发明还包括这样一些结构特征：

1.步骤一具体为：水下无人集群任务分配模型为：

S＝[U,g,g',i,i']

其中：S表示水下无人集群任务分配事件，U表示参与水下无人集群任务分配事件的局中人，即U＝[红方,蓝方],g表示红方的策略集合，即g＝[g

其中：p

2.步骤二具体为：设定红蓝双方量子熊群的种群规模都为F，维数为d维,最大迭代次数为T；将熊策略红方第t代第i个量子熊的策略选择

3.步骤三具体为：使用适应度函数计算量子熊群红方熊所在位置的大马哈鱼密度

蓝方适应度函数为

4.步骤四具体为：定义量子熊群红方熊的量子旋转角为

量子旋转角更新完毕后对第i个熊对应量子速度第q维进行更新，公式如下：

其中：

量子速度更新完毕后，对量子熊群位置第i个熊对应第q维进行观测，并进行归一化，公式如下：

其中：

对

对量子人群量子位置更新方法如下：

首先在两两组队的量子捕捞船中间生成量子探测船，对红方而言，令

对蓝方而言，令

量子人群红方量子探测船的量子旋转角为

量子旋转角更新完毕后对第i个探测船对应第q维进行更新，公式如下：

其中R

量子速度更新完毕后，对量子人群的第i个量子探测船量子位置对应第q维度进行观测，公式如下：

其中

对

5.步骤五具体为：分别使用量子熊群和量子人群策略中每种策略的被选次数，计算出每种策略的被选概率，将其映射为量子熊群红方混合策略G，量子熊群蓝方混合策略G'，量子人群红方混合策略

计算当前混合策略优劣性，公式如下：

其中：I

与现有技术相比，本发明的有益效果是：

(1)本发明使用量子大马哈鱼洄游机制进行水下无人集群的任务分配分析，提供了水下任务分配问题的新解决思路，并且本发明所设计的方法比普通大马哈鱼洄游算法的收敛速度更快，稳定度更高。

(2)本发明所设计的水下集群任务分配方法能够得到比粒子群算法更优秀的结果，说明了本方法的可靠性。

(3)本发明用博弈论的观点分析水下集群任务分配，从双方动态考虑因不同情况而导致的双方战术选择的不同，相较于传统的从单一方面考虑的方法更为贴近事实，更为准确。

(4)本发明能提供两种捕鱼策略所呈现的结果，用于互相对比，能在短时间内发现计算结果的优劣性。

附图说明

图1本发明所设计的基于量子大马哈鱼洄游机制的演化博弈水下无人集群任务分配方法示意图

图2在k＝1.7881、w＝0.8494情况下，量子大马哈鱼洄游机制与普通大马哈鱼洄游机制及pso混合策略优劣性的比较，其中曲线Qbear为量子大马哈鱼熊策略，Qhuman为量子大马哈鱼人策略，pso为粒子群算法，bear为大马哈鱼熊策略，human为大马哈鱼人策略。

在图2中，除k、w外的仿真实验参数设置如下：p

从图2中可看出，相较于传统粒子群算法，以及大马哈鱼洄游机制，量子大马哈鱼洄游机制有更好的稳定度，并且不会陷入局部最优解，以及拥有更快的收敛速度和更好的结果。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

结合附图，本发明的步骤如下：

步骤一：建立水下无人集群任务分配模型

水下无人集群分为红方和蓝方。红方共拥有水下无人潜器N

水下无人集群任务分配模型可以表示为：

S＝[U,g,g',i,i']

其中S表示水下无人集群任务分配事件，U表示参与水下无人集群任务分配事件的局中人，即U＝[红方,蓝方],g表示红方的策略集合，即g＝[g

其中：p

根据红蓝双方选择的策略不同，其相应的收益值也不同，将各种策略导致的收益排列为收益矩阵，红方的收益矩阵

在任务分配过程中，对于红方策略合集g＝[g

设定红蓝双方量子熊群的种群规模都为F，维数为d维,最大迭代次数为T。将熊策略红方第t代第i个量子熊的策略选择

步骤三：根据适应度函数计算量子熊群和人群的大马哈鱼密度。

使用适应度函数

计算量子熊群红方熊所在位置的大马哈鱼密度

步骤四：对量子熊群及人群的量子旋转角和位置进行更新

定义量子熊群红方熊的量子旋转角为

量子旋转角更新完毕后对第i个熊对应量子速度第q维进行更新，公式如下：

其中

量子速度更新完毕后，对量子熊群位置第i个熊对应第q维进行观测，并进行归一化，公式如下：

其中

对

对量子人群量子位置更新方法如下：

首先在两两组队的量子捕捞船中间生成量子探测船，对红方而言，令

对蓝方而言，令

量子人群红方量子探测船的量子旋转角为

量子旋转角更新完毕后对第i个探测船对应第q维进行更新，公式如下：

其中R

量子速度更新完毕后，对量子人群的第i个量子探测船量子位置对应第q维度进行观测，公式如下：

其中

对

步骤五：形成混合策略

分别使用量子熊群和量子人群策略中每种策略的被选次数，计算出每种策略的被选概率，将其映射为量子熊群红方混合策略G，量子熊群蓝方混合策略G'，量子人群红方混合策略

计算当前混合策略优劣性，公式如下：

其中I

步骤六：判断是否到达最大迭代次数，如达到则终止迭代；如未达到，则令t＝t+1，并返回步骤三继续执行。

步骤七：输出所得最终混合策略G、G'、