基于鲸鱼算法的固直混合机群起飞调度方法、装置及设备

技术领域

本申请涉及资源调度技术领域，特别是涉及一种基于鲸鱼算法的固直混合机群起飞调度方法、装置及设备。

背景技术

飞机作业是一个周期性的过程，包括弹射起飞、执行任务、返航着舰、海上平台机务保障、再次弹射起飞，如此循环往复。调度至相应海上平台机位的飞机在完成各自保障工作后，进入飞机出动离场阶段，该阶段相比出入库转运持续时间相对较短，但其空间相较于出入库转运更为狭小，在飞行海上平台上需要完成至多十余架飞机的暖机转运及起飞位转运，在转运过程中对空间资源合理配置、多机滑行的避碰安全提出了更高的要求，且对于小空间高密度的转运任务，加之各类出动工序的准备时序约束，飞机出动时序将对编队的任务执行能力产生较大影响，因此，对固直混合机群出动离场进行合理的时序规划，是提升飞机出动能力的重要落脚点。

然而，传统方法仅针对单一种类飞机构成的机群，当任务需求中需要固定翼飞机和直升机两类机型参与时，由于飞机类型不同，其出动流程也有差别，当机群变为固直混合机群，两类机型的起飞位的位置分布更加分散。初始停机位的飞机布列情况将会对后续起飞位的选择以及出动流程的选择都产生影响，这两者的变化会改变出动调运时路径的干涉情况，传统的调度方法，并不适用于这一更为复杂的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种基于鲸鱼算法的固直混合机群起飞调度方法、装置及设备。

一种基于鲸鱼算法的固直混合机群起飞调度方法，所述方法包括：

获取预先设置的固直混合机群出动任务对应的混合出动任务参数；所述混合出动任务参数包括混合机群中每一飞机的飞机类型、固定翼飞机的起飞位对应的第一起飞位集合和直升机的起飞位对应的第二起飞位集合；

根据预设的约束条件，以机群出动完成时间最小和固定翼飞机滑行时间和最小为目标函数，构建混合机群中每一飞机的出动优先级和起飞位选择的混合出动调度模型；

根据所述混合出动任务参数初始化鲸鱼种群，根据初始化后的鲸鱼种群中当前鲸鱼个体和另一鲸鱼个体对应出动优先级的差分信息更新当前鲸鱼个体的出动优先级序列，得到更新后的当前鲸鱼个体，迭代更新种群中的每一鲸鱼个体，得到新的鲸鱼种群；

迭代更新鲸鱼种群，当满足预选设置的迭代停止条件时，停止迭代，输出当前的混合出动调度方案；所述混合出动调度方案用于进行固直混合机群的起飞出动调度。

一种基于鲸鱼算法的固直混合机群起飞调度装置，所述装置包括：

参数获取模块，用于获取预先设置的固直混合机群出动任务对应的混合出动任务参数；所述混合出动任务参数包括混合机群中每一飞机的飞机类型、固定翼飞机的起飞位对应的第一起飞位集合和直升机的起飞位对应的第二起飞位集合；

模型构建模块，用于根据预设的约束条件，以机群出动完成时间最小和固定翼飞机滑行时间和最小为目标函数，构建混合机群中每一飞机的出动优先级和起飞位选择的混合出动调度模型；

模型优化模块，用于根据所述混合出动任务参数初始化鲸鱼种群，根据初始化后的鲸鱼种群中当前鲸鱼个体和另一鲸鱼个体对应出动优先级的差分信息更新当前鲸鱼个体的出动优先级序列，得到更新后的当前鲸鱼个体，迭代更新种群中的每一鲸鱼个体，得到新的鲸鱼种群；

优化输出模块，用于迭代更新鲸鱼种群，当满足预选设置的迭代停止条件时，输出当前的混合出动调度方案；所述混合出动调度方案用于进行固直混合机群的起飞出动调度。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取预先设置的固直混合机群出动任务对应的混合出动任务参数；所述混合出动任务参数包括混合机群中每一飞机的飞机类型、固定翼飞机的起飞位对应的第一起飞位集合和直升机的起飞位对应的第二起飞位集合；

根据预设的约束条件，以机群出动完成时间最小和固定翼飞机滑行时间和最小为目标函数，构建混合机群中每一飞机的出动优先级和起飞位选择的混合出动调度模型；

根据所述混合出动任务参数初始化鲸鱼种群，根据初始化后的鲸鱼种群中当前鲸鱼个体和另一鲸鱼个体对应出动优先级的差分信息更新当前鲸鱼个体的出动优先级序列，得到更新后的当前鲸鱼个体，迭代更新种群中的每一鲸鱼个体，得到新的鲸鱼种群；

迭代更新鲸鱼种群，当满足预选设置的迭代停止条件时，停止迭代，输出当前的混合出动调度方案；所述混合出动调度方案用于进行固直混合机群的起飞出动调度。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取预先设置的固直混合机群出动任务对应的混合出动任务参数；所述混合出动任务参数包括混合机群中每一飞机的飞机类型、固定翼飞机的起飞位对应的第一起飞位集合和直升机的起飞位对应的第二起飞位集合；

根据预设的约束条件，以机群出动完成时间最小和固定翼飞机滑行时间和最小为目标函数，构建混合机群中每一飞机的出动优先级和起飞位选择的混合出动调度模型；

根据所述混合出动任务参数初始化鲸鱼种群，根据初始化后的鲸鱼种群中当前鲸鱼个体和另一鲸鱼个体对应出动优先级的差分信息更新当前鲸鱼个体的出动优先级序列，得到更新后的当前鲸鱼个体，迭代更新种群中的每一鲸鱼个体，得到新的鲸鱼种群；

迭代更新鲸鱼种群，当满足预选设置的迭代停止条件时，停止迭代，输出当前的混合出动调度方案；所述混合出动调度方案用于进行固直混合机群的起飞出动调度。

上述基于鲸鱼算法的固直混合机群起飞调度方法、装置及设备，通过构建固直混合机群起飞出动的混合出动调度模型，对固定翼飞机和直升机的混合出动进行时序规划，并对鲸鱼算法进行离散化设计，以使鲸鱼算法适应于混合出动调度模型的离散化特点，从而对混合出动调度模型的解进行寻优，在离散化过程中，根据初始化后的鲸鱼种群中当前鲸鱼个体和另一鲸鱼个体对应出动优先级的差分信息更新当前鲸鱼个体的出动优先级序列，得到更新后的当前鲸鱼个体，提高了算法的寻优能力，从而以高质量的最优解进行固直混合机群的起飞调度，本发明实施例，能够提高寻优效率，快速配置固直混合机群的混合出动调度方案，并能够提高最优解质量，以高效进行固直混合机群的起飞出动。

附图说明

图1为一个实施例中基于鲸鱼算法的固直混合机群起飞调度方法的流程示意图；

图2为一个实施例中差分信息协作机制示意图的流程示意图；

图3为一个实施例中IWOA算法的流程示意图；

图4为一个实施例中12机出动转运调度优化指标变化趋势示意图，其中，(a)为机群出动完成时间变化趋势示意图，(b)为固定翼飞机滑行时间和变化趋势示意图；

图5为一个实施例中12机出动机群调度甘特图；

图6为一个实施例中12机出动起飞位占用甘特图；

图7为一个实施例中基于鲸鱼算法的固直混合机群起飞调度装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

固定翼飞机的出动离场主要包括四个阶段：

暖机自检阶段：由于固定翼飞机发动机使用要求，需在其起飞之前进行暖机工作和自检工作，确认发动机各项性能指标是否正常，有无故障症候，而后进行飞机后续起飞工序，该阶段耗时一般在2～3min。但由于海上平台结构设计特点，有些停机位不能进行暖机自检，否则会因固定翼飞机尾焰对海上平台结构造成烧蚀，故此阶段某些飞机还需进行暖机调运，将飞机由不可暖机机位调运至可暖机机位。

偏流板后等待阶段：当飞机完成发动机的暖机自检工作后，飞机即可准备转运至起飞位进行起飞，但当飞机目标起飞位存在待起飞飞机时，则需先将飞机转运至目标起飞位后方对应的等待机位，进行起飞等待，等至目标机位飞机起飞后，方可入位准备起飞。该阶段由于涉及海上平台转运，因此必须考虑转运避碰约束，防止飞机路径干涉发生碰撞。

起飞位准备阶段：当飞机进入目标起飞位，则可根据飞机不同的起飞模式，进行相应的起飞前准备工作，并且在该阶段，飞行员与机务人员进行起飞前检查，确保飞机状态良好。

起飞出动阶段：当飞机完成所有准备工作，飞行员等待起飞命令，完成飞机起飞。

直升机的出动离场主要包括两个阶段：

起飞转运阶段：直升机在完成机务勤务保障任务后，即可转运至所分配的起飞位进行起飞，该阶段需考虑转运路径阻塞情况，机位干涉情况以及转运过程中避碰情况，视情判断可转运时机将直升机吊运至相应起飞位，当直升机的目标机位存在飞机时，则需在原停机位等待。

起飞准备与出动阶段：当直升机滑行至相应起飞位时，需进行起飞前准备工作，如旋翼展开、导航校准、控制系统自检等，当完成这一系列工作后飞行员等待起飞指令，直升机执行起飞并离场，该阶段大约需要5min。其中，固定翼飞机与直升机在转运阶段均处于收翼状态，待飞机进入起飞位后，方可展开机翼。

在一个实施例中，如图1所示，提供了一种基于鲸鱼算法的固直混合机群起飞调度方法，包括以下步骤：

步骤102，获取预先设置的固直混合机群出动任务对应的混合出动任务参数。

混合出动任务参数包括混合机群中每一飞机的飞机类型、固定翼飞机的起飞位对应的第一起飞位集合和直升机的起飞位对应的第二起飞位集合。

步骤104，根据预设的约束条件和混合出动任务参数，以机群出动完成时间最小和固定翼飞机滑行时间和最小为目标函数，构建混合机群中每一飞机的出动优先级和起飞位选择的混合出动调度模型。

固直混合机群出动离场调度问题(Departure Scheduling Problem for Fixed-wing Aircraft and Helicopter Mixed Fleet,DSPMF)，是在暖机约束、空间资源约束、作业流程约束、起飞位选择约束等复杂约束条件下，对固直混合机群出动离场各阶段的时序和机位进行优化研究，使得各飞机编队的机群出动完成时间和海上平台滑行时间最小化。为解决DSPMF问题，进行如下假设：当某一阶段的作业开始时，便不可停止，必须执行至该阶段结束；本模型针对静态问题，在机群出动过程中，任务无变更。

为寻得固直混合机群出动离场最优方案，分别构建机群出动完成时间和固定翼飞机滑行时间和两类优化指标，在保证机群出动完成时间最小化的情况下，尽量使固定翼飞机转移时间和亦取最小值。

DSPMF模型的目标函数如下：

最小化机群出动完成时间：由于飞机机群执行任务时一般进行周期性循环作业，但由于海上平台过于狭窄，在上一波次飞机着舰前，要完成本波次的飞机出动，因此，只有尽快完成机群出动离场，才能保证执行完任务的飞机尽快得到保障，为下一波出动做准备。最小化机群出动完成时为：

最小化固定翼飞机滑行时间和：由于固定翼飞机由暖机位滑行至起飞位时需发动机点火，而发动机尾焰及尾流对保障人员、保障设备及转运过程中位于其尾部的飞机的安全都有一定威胁性，且滑行过程会造成燃油消耗，从安全及资源节约角度出发，机群滑行时间越小越好，最小化固定翼飞机滑行时间和为：

DSPMF模型的约束条件如下：

作业流程时序约束：无论是固定翼飞机还是直升机，其出动离场过程均包含多个作业阶段，并且这些阶段相互衔接，其内部包含时序关系，对于转运作业，其时序约束如下式：

其中，飞机转运或固定翼飞机滑行时间ΔTz

对于保障作业，其时序约束为：

Ew

为实现转运作业和保障作业之间的衔接，其约束关系表示为：

其中，

空间资源约束：该约束主要包括多机转运避碰约束和占用相同空间优先级约束，多机转运避碰约束为：

占用相同空间优先级约束主要用于当飞机转运路径与固定翼飞机起飞滑跑路径存在干涉时，飞机转运延后进行，即：

起飞入位匹配约束：对于固定翼飞机，每一个起飞位后方都存在一一对应的等待位，当固定翼飞机选择了等待位时，其起飞位也已固定，即：

起飞间隔约束：在固定翼飞机起飞后，其起飞尾流会对海上平台舰面气流场产生扰动，这会导致后续起飞时危险性升高，且固定翼飞机起飞位后方的偏流板亦需复位冷却，对于直升机而言，起飞后与海上平台之间距离达到后续飞机起飞安全距离亦需要一定时间。因此，当一架飞机起飞后，需间隔一段时间后进行下一架飞机的起飞，确保飞机安全离场。对于固定翼飞机，连续出动之间应符合尾流时间间隔，对于直升机，连续起飞之间应满足安全离场时间间隔，即：

起飞构型约束：该约束针对滑跃式起飞，当飞机起飞重量超过限定值时，必须在滑跑距离较长的特定起飞位进行起飞，确保飞机在离舰时达到速度要求，因此固定翼飞机的起飞位选择需满足起飞位的重量要求，即：

决策变量约束：Yp

起飞位选择约束：由于固定翼飞机和直升机对应起飞位类型不同，在起飞位选择时需加以约束，起飞位选择约束为：

其中，k为起飞位编号，当出动飞机为固定翼飞机时，R可取1、2、3，当出动飞机为直升机时，R可取4、5、6、7。

固直混合机群出动离场调度模型中用到的参数定义如下：

I表示固直混合机群飞机集合,I＝I

Ψ

P表示停机位集合；

J表示出动离场工序阶段集合，J＝{0,1,2,3,4}，0为初始阶段，直升机第一阶段等效为固定翼飞机第二阶段，即出动转运阶段，直升机第二阶段等效为固定翼飞机第四阶段，即出动离场阶段；

R表示起飞位集合；

O

TR(p,q,Ap

tx

dw

dh

γ

Φ

Φ

δ

Δtb表示偏流板冷却复位时间；

m

fm

决策变量定义为：

Sw

Ew

Sz

Ez

P

传统方法仅针对固定翼飞机机群出动调度，而固直混合机群中，固定翼飞机与直升机出动流程是不一样的，固定翼飞机的出动流程包含4个阶段，而直升机的出动流程仅包含2个阶段，飞机种类的增加导致出动流程和各类约束更加复杂，本发明构建的DSPMF模型能够适用于这一更为复杂的问题。

步骤106，根据混合出动任务参数初始化鲸鱼种群，根据初始化后的鲸鱼种群中当前鲸鱼个体和另一鲸鱼个体对应出动优先级的差分信息更新当前鲸鱼个体的出动优先级序列，得到更新后的当前鲸鱼个体，迭代更新种群中的每一鲸鱼个体，得到新的鲸鱼种群。

鲸鱼优化算法(Whale Optimization Algorithm,WOA)的设计灵感来自于座头鲸捕食猎物的行为，座头鲸为捕食接近海面的磷虾或小鱼，其种群演化出一种独特的泡泡网觅食法，在觅食过程中，座头鲸通过在圆形或类似“9”型的路径上制造气泡，将猎物围困在气泡中进行进食，其气泡策略有两种，分为“上升螺旋”和“双螺旋”，鲸鱼优化算法就是通过模拟螺旋气泡网策略达到优化目的。鲸鱼优化算法主要包括收缩包围觅食、泡泡网觅食和随机游捕，收缩包围觅食、泡泡网觅食为群体搜索，群体搜索是向最优值趋近的过程，代表着局部搜索；而随机游捕的趋近目标为一随机个体，故而代表着座头鲸的全局搜索。这种行为也可在一定程度上避免算法陷入局部最优值。在WOA中，收缩包围觅食的过程定义如下：

上述座头鲸觅食过程适用于连续区域内寻优，由于DSPMF的离散化特点，标准的WOA算法并不适用，因此本发明对WOA算法进行离散化设计，提出IWOA(Improve WhaleOptimization Algorithm,改进鲸鱼优化算法)。

步骤108，迭代更新鲸鱼种群，当满足预选设置的迭代停止条件时，停止迭代，输出当前的混合出动调度方案；混合出动调度方案用于进行固直混合机群的起飞出动调度。

传统算法只需要优化起飞位的分配和出动序列，而当机群变为固直混合机群，在原来的基础上，还需要考虑初始停机位的选择，因为直升机的出动流程与固定翼舰载机不同，并且其起飞位的位置分布更加分散，初始停机位的飞机布列情况将会对后续起飞位的选择，出动流程的选择都产生影响，这两者的变化又会导致出动调运时路径的干涉情况等等都发生改变，本发明设计的改进鲸鱼优化算法可以同时优化飞机初始布列情况、起飞位的分配和出动序列。

上述基于鲸鱼算法的固直混合机群起飞调度方法中，通过构建固直混合机群起飞出动的混合出动调度模型，对固定翼飞机和直升机的混合出动进行时序规划，并对鲸鱼算法进行离散化设计，以使鲸鱼算法适应于混合出动调度模型的离散化特点，从而对混合出动调度模型的解进行寻优，在离散化过程中，根据初始化后的鲸鱼种群中当前鲸鱼个体和另一鲸鱼个体对应出动优先级的差分信息更新当前鲸鱼个体的出动优先级序列，得到更新后的当前鲸鱼个体，提高了算法的寻优能力，从而以高质量的最优解进行固直混合机群的起飞调度，本发明实施例，能够提高寻优效率，快速配置固直混合机群的混合出动调度方案，并能够提高最优解质量，以高效进行固直混合机群的起飞出动。

在一个实施例中，预设的约束条件包括混合机群的飞机时序规划约束、空间资源约束和起飞出动调度约束；飞机时序规划约束包括转运作业时序约束、保障作业时序约束、转运作业和保障作业之间的衔接约束以及面向固定翼飞机的偏流板冷却复位时间间隔约束；空间资源约束包括多机转运避碰约束和占用相同空间优先级约束；起飞出动调度约束包括起飞间隔约束、起飞位选择约束以及面向固定翼飞机的等待位与起飞位匹配约束和起飞构型约束。

在一个实施例中，根据混合出动任务参数初始化鲸鱼种群的步骤，包括：根据混合机群中每一飞机的飞机类型、第一起飞位集合和第二起飞位集合，为每一飞机分配对应的起飞位，得到起飞位选择序列；根据每一飞机起飞的先后顺序，得到出动优先级序列；对起飞位选择序列和出动优先级序列进行编码，得到鲸鱼个体；随机生成的多个鲸鱼个体以初始化鲸鱼种群。

在本实施例中，暖机位约束为对于某些无法完成发动机暖机的停机位，需对固定翼飞机进行暖机调运，当无可用暖机位供给时，则需等待其他飞机离开停机位后方可进行暖机调运。由于受暖机位约束影响的固定翼飞机数量较少，大部分可原位暖机，不可原位暖机的可根据就近转移规则选择可暖机位，而对于直升机不需要在停机位暖机，因此，在编码阶段仅考虑每架飞机的起飞位选择，以及停机位停发飞机类型的选择，将出动前飞机所占用停机位编号固定，根据飞机类型为其分配固定翼飞机对应的起飞位或直升机对应的起飞位，采用飞机起飞位选择编码

在一个实施例中，方法还包括：根据随机生成的多个鲸鱼个体对应的出动优先级序列和起飞位选择序列，对每一飞机出动过程中存在停机位与起飞位干涉的情况进行预先检索，并根据检索结果调整对应鲸鱼个体的出动优先级序列，以完成对鲸鱼个体出动优先级的预约束。在本实施例中，由于飞机出动过程中存在停机位与起飞位干涉的情况，因此在算法生成新的个体时，根据转运调度解码的分析，可以对个体序列进行预先检索，进行飞机出动序列的预先调整，例如：当飞机A对应起飞位的干涉机位存在飞机B，且A的起飞序列位于B之前时，可将A移动至B的后一优先级，进一步精减有效的搜索空间。

在一个实施例中，在根据初始化后的鲸鱼种群中当前鲸鱼个体和另一鲸鱼个体对应出动优先级的差分信息更新当前鲸鱼个体的出动优先级序列之前，包括：对初始化后的种群中的每一鲸鱼个体执行解码操作，并根据个体解码后生成的混合出动调度方案和适应度函数计算每一鲸鱼个体的适应度函数值，得到最优鲸鱼个体；适应度函数包括机群出动完成时间和固定翼飞机滑行时间和；解码操作包括：提取当前鲸鱼个体对应的出动优先级信息和起飞位选择信息以初始化待调度集合，并初始化已调度集合和已执行工序记录；已执行工序记录是记录初始化的待调度集合中每一待调度飞机已执行工序的矩阵；根据当前待调度飞机对应的起飞位编号，判断待调度飞机的飞机类型，根据飞机类型执行对应的出动离场工序；根据已执行工序选择待调度飞机的下一阶段，当待调度飞机完成起飞出动阶段后，更新待调度飞机对应的已执行工序记录、待调度集合和已调度集合；迭代更新已执行工序记录、待调度集合和已调度集合，当满足预设的迭代终止条件时，停止迭代，输出混合出动调度方案；混合出动调度方案包括混合出动时序方案和起飞位分配方案。

在本实施例中，为将编码中的起飞位信息以及出动时序优先级序列转化成具体的出动调度方案，需进行解码。定义待调度集合W

步骤1：初始化W

步骤2：当index＞|W

步骤3：选取飞机编号i

Case 1：执行固定翼飞机暖机自检阶段。该阶段需首先判断i

Case 2：固定翼飞机滑行进入起飞位或等待机位于偏流板后等待。在开始滑行前，先判断是否存在可用路径，即由暖机停机位

Case 3：执行固定翼飞机起飞位准备。该阶段仅针对处于等待机位的固定翼飞机，待其对应起飞位c

Case 4：执行固定翼飞机起飞出动。待海上平台前一架固定翼飞机起飞后，等待其尾流消失，前一架直升机起飞后，等待其飞至安全距离，以该时刻作为飞机最早可起飞时刻t

如果c

Case 2：直升机转运进入起飞位。再开始转运前，先判断是否存在可用路径，即由停机位

Case 4：执行起飞准备与出动。直升机完成入位后立即开始进行展开旋翼等起飞准备，其准备完成时间为t

步骤4：出动完成后，输出出动方案，计算目标函数值。

步骤5：固定翼飞机暖机工序右移。本发明解码过程中为尽量使每一道工序尽早完成，其开始时间均为最早可开始时间，而对于固定翼飞机，其暖机后一般直接开始滑行入位，而非如现在解码一般，当飞机处于可暖机停机位时立即开始暖机，这会导致发动机待机时间较长，造成燃油浪费。因此，将固定翼飞机发动机暖机工序开始时间推迟，使其结束时间恰好为滑行入位开始时间，避免多余待机时间。

个体适应度函数值计算如下：

其中，

在一个实施例中，根据初始化后的鲸鱼种群中当前鲸鱼个体和另一鲸鱼个体对应出动优先级的差分信息更新当前鲸鱼个体的出动优先级序列，得到更新后的当前鲸鱼个体的步骤，包括：根据随机数与预先设置的觅食方式选择阈值的大小关系，确定当前鲸鱼个体的觅食方式；觅食方式包括收缩包围觅食、泡泡网觅食和随机游捕；若当前鲸鱼个体的觅食方式为收缩包围觅食，获取初始化后的鲸鱼种群的最优鲸鱼个体，利用第一协作参与度获取当前个体和最优个体对应出动优先级的差分信息，根据差分信息更新当前个体的出动优先级序列，得到更新后的当前鲸鱼个体；若当前鲸鱼个体的觅食方式为泡泡网觅食，获取初始化后的鲸鱼种群的最优鲸鱼个体，利用第二协作参与度获取当前个体和最优个体对应出动优先级的差分信息，根据差分信息更新当前个体的出动优先级序列，得到更新后的当前鲸鱼个体；若当前鲸鱼个体的觅食方式为随机游捕，利用第一协作参与度获取当前个体和随机个体对应出动优先级的差分信息，根据差分信息更新当前个体的出动优先级序列，得到更新后的当前鲸鱼个体；根据差分信息更新当前鲸鱼个体的出动优先级序列，得到更新后的当前鲸鱼个体包括：根据差分信息更新当前鲸鱼个体的出动优先级序列，将更新后的出动优先级序列和当前鲸鱼个体对应的起飞位选择序列进行重组，得到更新后的当前鲸鱼个体。

在本实施例中，在保持鲸鱼优化算法原有框架的基础上，对收缩包围觅食、泡泡网觅食和随机游捕三个寻优过程进行重新设计，采用差分信息协作机制，对于种群中两随机个体

上式主要包含以下两步操作：

步骤1：以第一协作参与度获取座头鲸个体Z

对于每一维度，其原理如下：

其中，rand(·)是(0,1)上均匀分布的随机数，F为第一协作参与度，

步骤2：利用差分信息更新个体本身优先级序列：

对于每一维度，其原理如下：

其中，

在步骤1中，引入学习因子机制，用于决定后续离散化的鲸鱼优化算法中个体学习维度，α决定离散化设计中第一协作参与度的值，还用于决定种群重启机制中部分操作对个体作用的最大维度。由于飞机出动时停机位之间存在阻塞关系，影响调度序列的适应度大小的首要因素为飞机调度的顺序，则当学习维度较小时，个体保有更多的自我信息，此时有助于进行全局搜索，当学习维度较大时，个体保留自我信息较少，更快向学习个体逼近，此时有助于局部搜索。学习维度α决定IWOA算法收缩包围觅食、随机游捕以及种群重启机制中字段重插、字段逆序操作可作用的最大个体维度。根据这一特点，随迭代次数的增加，令α由1开始逐步增大至[s′·D′

如图2所示，提供了一种差分信息协作机制示意图的流程示意图，对于座头鲸个体

收缩包围觅食：对于当前个体

泡泡网觅食：对于当前个体

其中，F′为第二协作参与度，F′＝|[D′

随机游捕：对于当前个体

首先，根据随机数和的觅食方式选择阈值大小关系，决定是否选择泡泡网觅食，其次，当|A|≤1时，算法进行收敛包围觅食，当|A|＞1时，算法进行随机游捕，这两种觅食方式是局部搜索和全局搜索的具体体现，而

在算法迭代过程中，采用指数函数来衰减

在一个实施例中，如图3所示，提供了一种IWOA算法流程图的流程示意图，方法还包括：当鲸鱼种群的最优鲸鱼个体累计L代依然没有更新时，采用多策略分层重构机制，进行种群重启；多策略分层重构机制包括：获取鲸鱼种群个体数，并将鲸鱼种群中的鲸鱼个体分为多层；获取当前迭代次数下的鲸鱼种群的最优鲸鱼个体和每一鲸鱼个体的历史最优解；对最优鲸鱼个体中的起飞位选择序列和出动优先级序列分别执行变异操作，对变异后的起飞位选择序列和出动优先级序列进行重组以更新奇数层的鲸鱼个体；对每一鲸鱼个体的历史最优解中的起飞位选择序列和出动优先级序列分别执行变异操作，对变异后的起飞位选择序列和出动优先级序列进行重组，更新偶数层的鲸鱼个体；根据更新后的鲸鱼个体，得到新的种群。

在本实施例中，在算法迭代过程中，当种群最优解累计L代依然没有更新时，引入种群重启机制，该机制通过对个体的历史最优以及种群最优进行相应操作得到新的种群，具体操作如下表所示：

表1种群重启

表1伪代码中sizepop为种群个体数，floor为向负无穷取整函数，

在该机制中，采用多策略分层重构机制，并且在进行种群重构时，分别操作个体

在一个具体实施例中，如图3所示，提供了一种IWOA算法的流程示意图，该算法包括种群初始化、预约束检索、围捕猎物与随机游捕以及种群重启。首先，对每一待转运飞机的起飞位选择和出动优先级进行编码，并根据编码方式随机生成多个鲸鱼个体以初始化鲸鱼种群，对当前鲸鱼种群中的每一鲸鱼个体进行预约束检索，对存在停机位与起飞位干涉情况的鲸鱼个体进行优化调整，可以精减有效的搜索空间；接着，对每一鲸鱼个体执行编码操作以进行种群评估，得到每一鲸鱼个体的适应度函数值，并保存个体历史最优与全局历史最优；然后，选择觅食方式优化待转运飞机的出动优先级，当生成的随机数大于或等于觅食方式选择阈值时，选择泡泡网觅食方式，否则，当A的模值小于1时，选择收缩包围觅食，当A的模值大于或等于1时，选择随机游捕方式觅食，若种群最优解累计L代依然没有更新时，通过种群重启同时优化起飞位选择和出动优先级，就可以优化初始布列情况，当t＞T时，输出当前的最优鲸鱼个体对应的混合出动调度方案，进行混合机群的起飞调度。

在一个具体实施例中，为验证本发明提出的针对DSPMF问题的模型以及优化算法，用于仿真的海上平台停机位布局为A1-A16的停机位和P1-P7的停机位，在12机出动案例中，规定停机位集合为Ω

综上，当机群数量较少且出动过程基本不涉及固定翼飞机的暖机调运时，采用两种出动模式均可，但当机群规模庞大，机群的机型构成复杂时，采用固定翼飞机与直升机混合出动的模式要较目前采用的方案高效。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本发明中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种基于鲸鱼算法的固直混合机群起飞调度装置，包括：参数获取模块702、模型构建模块704、模型优化模块706和优化输出模块708，其中：

参数获取模块702，用于获取预先设置的固直混合机群出动任务对应的混合出动任务参数；混合出动任务参数包括混合机群中每一飞机的飞机类型、固定翼飞机的起飞位对应的第一起飞位集合和直升机的起飞位对应的第二起飞位集合；

模型构建模块704，用于根据预设的约束条件和混合出动任务参数，以机群出动完成时间最小和固定翼飞机滑行时间和最小为目标函数，构建混合机群中每一飞机的出动优先级和起飞位选择的混合出动调度模型；

模型优化模块706，用于根据混合出动任务参数初始化鲸鱼种群，根据初始化后的鲸鱼种群中当前鲸鱼个体和另一鲸鱼个体对应出动优先级的差分信息更新当前鲸鱼个体的优先级序列，得到更新后的当前鲸鱼个体，迭代更新种群中的每一鲸鱼个体，得到新的鲸鱼种群；

优化输出模块708，用于迭代更新鲸鱼种群，当满足预选设置的迭代停止条件时，输出当前的混合出动调度方案；混合出动调度方案用于进行固直混合机群的起飞出动调度。

在其中一个实施例中，模型优化模块706还用于对初始化后的种群中的每一鲸鱼个体执行解码操作，并根据个体解码后生成的混合出动调度方案和适应度函数计算每一鲸鱼个体的适应度函数值，得到最优鲸鱼个体；适应度函数包括机群出动完成时间和固定翼飞机滑行时间和；解码操作包括：提取当前鲸鱼个体对应的出动优先级信息和起飞位选择信息以初始化待调度集合，并初始化已调度集合和已执行工序记录；已执行工序记录是记录初始化的待调度集合中每一待调度飞机已执行工序的矩阵；根据当前待调度飞机对应的起飞位编号，判断待调度飞机的飞机类型，根据飞机类型执行对应的出动离场工序；根据已执行工序选择待调度飞机的下一阶段，当待调度飞机完成起飞出动阶段后，更新待调度飞机对应的已执行工序记录、待调度集合和已调度集合；迭代更新已执行工序记录、待调度集合和已调度集合，当满足预设的迭代终止条件时，停止迭代，输出混合出动调度方案；混合出动调度方案包括混合出动时序方案和起飞位分配方案。

在其中一个实施例中，模型优化模块706还用于根据随机数与预先设置的觅食方式选择阈值的大小关系，确定当前鲸鱼个体的觅食方式；觅食方式包括收缩包围觅食、泡泡网觅食和随机游捕；若当前鲸鱼个体的觅食方式为收缩包围觅食，获取初始化后的鲸鱼种群的最优鲸鱼个体，利用第一协作参与度获取当前个体和最优个体对应出动优先级的差分信息，根据差分信息更新当前个体的优先级序列，得到更新后的当前鲸鱼个体；若当前鲸鱼个体的觅食方式为泡泡网觅食，获取初始化后的鲸鱼种群的最优鲸鱼个体，利用第二协作参与度获取当前个体和最优个体对应出动优先级的差分信息，根据差分信息更新当前个体的优先级序列，得到更新后的当前鲸鱼个体；若当前鲸鱼个体的觅食方式为随机游捕，利用第一协作参与度获取当前个体和随机个体对应出动优先级的差分信息，根据差分信息更新当前个体的优先级序列，得到更新后的当前鲸鱼个体。

在其中一个实施例中，模型优化模块706还用于根据混合机群中每一飞机的飞机类型、第一起飞位集合和第二起飞位集合，为每一飞机分配对应的起飞位，得到起飞位选择序列；根据每一飞机起飞的先后顺序，得到优先级序列；对起飞位选择序列和优先级序列进行编码，得到鲸鱼个体；随机生成的多个鲸鱼个体以初始化鲸鱼种群。

在其中一个实施例中，模型优化模块706还用于根据差分信息更新当前鲸鱼个体的出动优先级序列，将更新后的出动优先级序列和当前鲸鱼个体对应的起飞位选择序列进行重组，得到更新后的当前鲸鱼个体。

在其中一个实施例中，模型优化模块706还用于当鲸鱼种群的最优鲸鱼个体累计L代依然没有更新时，采用多策略分层重构机制，进行种群重启；多策略分层重构机制包括：获取鲸鱼种群个体数，并将鲸鱼种群中的鲸鱼个体分为多层；获取当前迭代次数下的鲸鱼种群的最优鲸鱼个体和每一鲸鱼个体的历史最优解；对最优鲸鱼个体中的起飞位选择序列和出动优先级序列分别执行变异操作，对变异后的起飞位选择序列和出动优先级序列进行重组以更新奇数层的鲸鱼个体；对每一鲸鱼个体的历史最优解中的起飞位选择序列和出动优先级序列分别执行变异操作，对变异后的起飞位选择序列和出动优先级序列进行重组，更新偶数层的鲸鱼个体；根据更新后的鲸鱼个体，得到新的种群。

在其中一个实施例中，模型优化模块706还用于根据随机生成的多个鲸鱼个体对应的出动优先级序列和起飞位选择序列，对每一飞机出动过程中存在停机位与起飞位干涉的情况进行预先检索，并根据检索结果调整对应鲸鱼个体的出动优先级序列，以完成对鲸鱼个体出动优先级的预约束。

在其中一个实施例中，模型构建模块704还用于预设的约束条件包括混合机群的飞机时序规划约束、空间资源约束和起飞出动调度约束；飞机时序规划约束包括转运作业时序约束、保障作业时序约束、转运作业和保障作业之间的衔接约束以及面向固定翼飞机的偏流板冷却复位时间间隔约束；空间资源约束包括多机转运避碰约束和占用相同空间优先级约束；起飞出动调度约束包括起飞间隔约束、起飞位选择约束以及面向固定翼飞机的等待位与起飞位匹配约束和起飞构型约束。

关于基于鲸鱼算法的固直混合机群起飞调度装置的具体限定可以参见上文中对于基于鲸鱼算法的固直混合机群起飞调度方法的限定，在此不再赘述。上述基于鲸鱼算法的固直混合机群起飞调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于鲸鱼算法的固直混合机群起飞调度方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。