买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种多波次出动下舰载无人机群的选择性维护与任务分配的联合优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121234785B 。

龙图腾网通过国家知识产权局官网在2026-02-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511797273.8，技术领域涉及：G06F30/27；该发明授权一种多波次出动下舰载无人机群的选择性维护与任务分配的联合优化方法是由王昕炜;钱明月;王磊;吕琛;马剑;程玉杰;马松;李昕设计研发完成，并于2025-12-02向国家知识产权局提交的专利申请。

本一种多波次出动下舰载无人机群的选择性维护与任务分配的联合优化方法在说明书摘要公布了：一种多波次出动下舰载无人机群的选择性维护与任务分配的联合优化方法，属于航空装备维修保障与任务调度技术领域。步骤1，构建舰载无人机子系统退化模型；步骤2，构建舰载无人机子系统的选择性维护模型；步骤3，根据机群信息，综合考虑作战任务收益、完成作战任务返回的舰载无人机系统的状态价值、时间成本以及维修成本构建选择性维护与作战任务分配联合优化模型；步骤4，基于进化思想，设计混沌遗传算法CGA，求解舰载无人机群选择性维护与任务分配联合优化问题的最优决策方案。本发明通过单波次出动与多波次循环出动场景验证，展现出应对任务失败情况的有效性与适应性，为舰载无人机维护与作战行动提供实用且可扩展的解决方案。

本发明授权一种多波次出动下舰载无人机群的选择性维护与任务分配的联合优化方法在权利要求书中公布了：1.一种多波次出动下舰载无人机群的选择性维护与任务分配的联合优化方法，其特征在于，所述联合优化方法包括以下步骤： 步骤1：构建舰载无人机子系统退化模型，具体为： 步骤1-1：确定决策变量和约束条件； 步骤1-2：构建舰载无人机子系统退化模型； 步骤1-2-1：常规状态下构建舰载无人机子系统退化模型； 步骤1-2-2：执行任务状态下，构建舰载无人机子系统退化模型； 步骤2：构建舰载无人机子系统的选择性维护模型； 在两个相邻舰载无人机编队轮转之间，舰载无人机子系统能够选择不同的维护操作以恢复其状态；并引入状态转移矩阵，显示维护行动的随机性； 步骤3：根据机群信息，综合考虑作战任务收益、完成作战任务返回的舰载无人机系统的状态价值、时间成本以及维修成本构建选择性维护与作战任务分配联合优化模型； 所述的步骤3具体为： 步骤3-1：构建作战任务收益指标； 作战任务总收益为： 12； 其中，表示作战任务总收益；为任务的收益；表示舰载无人机子系统完成任务所需的最低健康状态； 任务完成的总收益是： 13； 归一化后的任务完成收益为： 14； 步骤3-2：构建完成任务后健康状态收益指标； 每个舰载无人机子系统在完成战斗任务后返回的健康状态收益是： 15； 其中，表示健康状态收益，值代表任务结束时各舰载无人机子系统在不同状态下的值之和，根据状态权重和概率进行计算；是状态的权重系数； 整个编队所有舰载无人机子系统完成任务后的健康状态收益为： 16； 归一化后的健康状态收益为： 17； 其中，表示最大舰载无人机系统的健康状态收益； 步骤3-3：构建时间成本指标； 时间成本指标由维修时间、任务执行时间、准备时间、休整时间，出动时间和着舰时间组成； 18； 其中，是舰载无人机子系统选择维修方式所需要的维修时间；表示舰载无人机是否选择维修点的决策变量； 对应每架舰载无人机，其作战任务序列为；序列中的元素代表任务索引，其中，表示舰载无人机的第一个任务，表示舰载无人机的第二个任务，表示舰载无人机的第个任务；舰载无人机的总任务持续时间为： 19； 其中，表示总任务持续时间；表示完成任务所需的时间；表示两个任务之间的欧式距离；是舰载无人机的速度；表示舰载无人机的第个任务的坐标；表示舰载无人机的第个任务的坐标； 舰载无人机从出动到完成回收的总时间为： 20； 其中，是舰载无人机从编队第一架出动的舰载无人机的开始时间到完成出动的时间；是舰载无人机从编队第一架回收的舰载无人机的开始时间到完成回收的时间； 则总时间成本为： 21； 归一化后的总任务时间成本为： 22； 其中，代表此波任务的最大指定完成时间； 步骤3-4：构建维修成本指标； 在各舰载无人机执行其任务之前，对其子系统采取的维护措施的成本通过以下公式计算： 23； 其中，表示维护期间所有子系统的总维护成本；为舰载无人机子系统采取维护操作的维护成本； 归一化后的维修成本为： 24； 其中，，表示舰载无人机子系统采取维修方式的最大维修成本； 步骤3-5：构建选择性维护与作战任务联合分配联合优化模型； 综合上述公式12~公式24，提出数学模型，用于联合优化航母舰载无人机的选择性维护和任务分配，具体如下： 25； 26； 27； 28； 29； 其中，表示最大化总收益；表示作战任务收益指标权重系数；表示完成任务后健康状态收益指标权重系数；表示时间成本指标权重系数；表示维修成本指标权重系数； 步骤4：基于进化思想，设计混沌遗传算法CGA，求解舰载无人机群的选择性维护与任务分配联合优化模型的最优决策方案； 采用对数混沌映射生成初始种群，产生均匀、多样且随机的初始种群；根据维护与作战任务分配联合优化模型的特点，建立一种离散编码方法和进化策略，构建混沌遗传算法CGA，具体为： 步骤4-1：进行编码设计和解码设计； 编码设计为： 每架舰载无人机包含个子系统，为明确表示架舰载无人机每个子系统的维护方式以及个作战任务，采用以下编码方法：前个基因位置代表所有舰载无人机子系统的维护任务，其中每个维护任务有两个基因表示：第一个基因表示维护操作，第二个基因表示维护优先级；接下来的个基因代表所有作战任务的基因，每个任务由两个基因表示，第一个基因代表任务优先级，值越大，任务优先级越高；第二个基因代表分配给该任务的舰载无人机编号；CGA算法中种群初始化的编码机制如下：编码过程始于生成0到1之间的随机数，随机数的数值作为初始混沌变量；其余混沌变量需依据Logistic混沌函数生成，直至混沌变量数量为； 解码设计为： 对于维护任务和作战任务的第一个基因，均采用相同的解码方式：将区间[0,1]均匀划分，再将基因初始值映射为具体编号；两者的区别在于划分粒度与映射目标： ①维护任务：区间被划分为等分，映射目标为维护方法编号； ②作战任务：区间被划分为等分，映射目标为舰载无人机编号； 此过程完成基因编码从小数到整数的转换； 对于维护任务和作战任务的第二个基因，混沌编码生成的初始数据保持原位，不执行映射操作；上述步骤实现初始值向维护操作及舰载无人机编号的映射，完成混沌遗传算法种群的初始化与构建； 步骤4-2：进化操作设计； 为解决联合维护-作战优化问题，提出采用混沌遗传算法CGA作为解决方案；通过对四个关键指标进行综合评估来确定总效益值，关键指标包括：任务执行效益、任务后健康状态效益、时间成本及维护成本；评估后，将各关键指标进行归一化处理并整合为加权复合指标； 初始阶段采用混沌函数生成初始种群；随后运用锦标赛选择算法筛选交叉亲本，交叉点依据顺序交叉概念确定；交叉操作的执行严格遵循预设约束条件； 在个体更新阶段设计变异操作，混沌遗传算法的终止条件基于预设最大迭代次数确定，当达到预设最大迭代次数时终止； 混沌遗传算法达到终止条件时终止。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。