(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211353044.3 (22)申请日 2022.11.01 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 冷甦鹏　王志宏　张科　吴凡　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟 (51)Int.Cl. G06Q 10/06(2012.01) (54)发明名称 一种面向无人机集群的多任务分布式招募 方法 (57)摘要 本发明公开一种面向无人机集群的多任务 分布式招募方法， 应用于无人机自主组网与控制 领域， 针对传统基于共识的分布式方法， 在面向 大规模无人集群时， 任务招募效率不稳定且低下 问题； 本发明基于任务需求信息浓度， 进行多任 务分布式招募过程， 以任务需求信息浓度表征任 务资源需求， 并通过任务需求信息浓度的更新控 制各无人机选择任务的策略， 从而实现依据资源 供需关系的动态招募过程； 并且本发 明为降低各 无人机决策的局部性， 不同于基于拍卖的分布式 竞争方法， 结合深度强化学习设计竞争招募机 制， 以深度强化学习生成各无人机优先级， 竞争 加入任务群组， 保证任务招募过程中的稳定性， 提高任务招募效率。 权利要求书3页 说明书8页 附图3页 CN 115481942 A 2022.12.16 CN 115481942 A 1.一种面向无人机集群的多任务分布式招募方法， 其特征在于， 基于的无人机集群包 括多个任务群组， 每个任务群组中包括一架任务 发现无人机、 若干感知无人机、 若干计算无 人机， 每架感知无人机与每架计算无人机均包括一个信息缓存， 信息缓存中存储该无人机 感知到的任务需求信息的集合， 任务需求信息的集合包括多个任务需求信息以及各任务需 求信息浓度； 所述方法包括以下步骤： S1、 某个任务群组中的任务发现无人机根据所发现的任务目标规模， 计算任务剩余资 源需求； S2、 任务群组根据任务剩余资源需求， 进行任务群组初始招募， 具体招募过程 为： 任务群组根据任务剩余资源需求， 生成任务需求信息， 并根据剩余资源需求计算任务 需求信息浓度； 任务需求信 息基于任务需求信 息浓度进行局部扩散； 并依据时空衰减和线性叠加过程 更新各无人机信息缓存中任务需求信息浓度， 以更新该轮招募过程中各无人机选择任务的 策略； 感知到任务需求信 息的无人机， 根据感知到的所有任务需求信 息的浓度进行候选任务 的选择； 无人机根据当前候选任务剩余资源需求以及所携带资源， 使用深度强化学习算法中的 Deep Q‑Network进行决策， 确定最大Q 值， 进行候选任务的竞争； 直到任务需求已满足或任务 开始时间到期， 则完成任务群组初始招募过程； S3、 任务发现无人机， 依据招募完成的任务群组中各无人机的资源状态和任务异构资 源需求， 对任务群组内所有无人机进行任务分工， 各无人机依据分工开始执行感知和计算 协作任务。 2.根据权利要求1所述的一种面向无人机集群的多任务分布式招募方法， 其特征在于， 在某个任务群组内的各无人机依据分工开始执行感知和计算协作任务的过程中， 还包括对 任务群组进行 更新， 具体为： A1、 任务发现无人机收集任务执行信 息， 实时监测任务执行状态， 并周期性的向任务群 组内成员通告任务执 行状态； A2、 各无人机依据任务执行状态， 更新各自信息缓存中的任务需求信息及任务需求信 息浓度； A3、 步骤A2更新后的任务需求信息基于步骤A2更新后的任务需求信息浓度进行局部扩 散， 并依据时空衰减和线性叠加过程更新各无人机信息缓存中任务需求信息浓度， 以更新 该轮招募过程中各 无人机选择任务的策略； A4、 若当前任务群组外的无人机感知到任务需求信息， 则根据其信息缓存中的由步骤 A3更新的任务需求信息浓度， 选择候选任务， 并基于深度强化学习算法中的Deep  Q‑ Network进行决策， 确定最大Q 值， 进行候选任务的竞争； 从而得到更新后的任务群组； A5、 任务发现无人机， 根据更新后的任务群组中各无人机的资源状态和任务异构资源 需求， 对任务群组内所有无人机进行任务分工， 各无人机依据分工开始执行感知和计算协 作任务； A6、 若任务完成， 则解散当前任务群组， 否则执 行步骤A1。 3.根据权利要求1或2所述的一种面向无人机集群的多任务分布式招募方法， 其特征在权　利　要　求　书 1/3 页 2 CN 115481942 A 2于， 局部扩散过程为： 产生任务需求信息的无人机和收到任务需求信息的无人机， 以无人机 网络拓扑为扩散介质， 根据任务需求信息浓度和邻居无人机任务状态， 执行局部的任务需 求信息扩散过程。 4.根据权利要求1或2所述的一种面向无人机集群的多任务分布式招募方法， 其特征在 于， 时空衰减过程 为： 任务需求信息扩散 到的第k跳无 人机节点计算下一跳任务需求信息浓度为： 其中， α 为空间衰减系数； 且在无人机信息缓存中的任务需求信息， 每过Δt进行一次 时间维度上的衰减， 即 ηj(kΔt)＝β ηj((k‑1)Δt) 其中， β 为时间衰减系数， Δt为衰减周期； 同时， 在时空衰减的过程中任务需求信息浓度 ηi<ηmin时， 随即失效， 否则将任务需求信 息向下一跳扩散， 且扩散的邻居不在当前任务群组内， 同时未重复接收 同一任务需求信息， ηmin表示任务需求信息浓度阈值。 5.根据权利要求1或2所述的一种面向无人机集群的多任务分布式招募方法， 其特征在 于， 线性叠加过程为： 在任务需求信息扩散过程中， 无人机在收到任务需求信息时， 其信息 缓存中任务需求信息浓度更新方式为 ηj＝ ηj+ η′j 其中η′j为节点新收到的任务j的需求信息浓度。 6.根据权利要求1或2所述的一种面向无人机集群的多任务分布式招募方法， 其特征在 于， 候选任务竞争过程具体为： 各无人机根据候选任务状态和当前所在任务状态， 基于DQN 进行决策， 选择是否参与候选任务的竞争过程； 选择加入同一候选任务的无人机进行任务 竞争加入过程： 向该任务群组的任务发现无人机进行竞争申请， 申请内容包括： 参与该任务对应的Q值 作为无人机竞争优先级、 无 人机自身感知资源和计算资源量； 任务发现无人机， 依据Q值大小进行排序， 选择满足任务剩余资源需求的Q值最大的无 人机加入 任务群组。 7.根据权利要求1或2所述的一种面向无人机集群的多任务分布式招募方法， 其特征在 于， 任务发现无 人机对任务群组内所有无 人机进行任务分工的过程 为： C1、 任务群组j中， 任务发现无人机根据所需感知位置集合 和当前群组 中可用感知无人机数量M进行感知分工， 对感知无人机进行编号获得集合 感知无人机 所分得感知位置个数 根据下式确定： 其中， i＝1,2,…,M； C2、 任务发现无人机， 根据任务总数据量， 与各无人机的计算能力， 进行计算任务分配，权　利　要　求　书 2/3 页 3 CN 115481942 A 3