基于改进深度Q网络的异构无人机快速任务分配

摘要

随着无人机技术的快速发展，多无人机系统在执行复杂任务时展现出巨大潜力，高效的任务分配策略对提升多无人机系统的整体性能至关重要.然而，传统方法如集中式优化、拍卖算法及鸽群算法等，在面对复杂环境干扰时往往难以生成有效的分配策略，为此，本文考虑了环境不确定性如不同风速和降雨量，重点研究了改进的强化学习算法在无人机任务分配中的应用，使多无人机系统能够迅速响应并实现资源的高效利用.首先，本文将无人机任务分配问题建模为马尔可夫决策过程，通过神经网络进行策略逼近用以任务分配中高效处理高维和复杂的状态空间，同时引入优先经验重放机制，有效降低了在线计算的负担.仿真结果表明，与其他强化学习方法相比，该算法具有较强的收敛性.在面对复杂环境时，其鲁棒性更为显著.此外，该算法在处理不同任务时仅需0.24 s即可完成一组适合的无人机分配，并能够快速生成大规模无人机集群的任务分配方案.

关键词

无人机群 / 任务分配 / 强化学习 / 深度Q网络 / 马尔可夫决策过程

基金资助

国家自然科学基金资助项目（62403009,62473042）; 北京市教育委员会科学研究计划资助项目（KM202310009001）