[发明专利]基于鸽群智能反向学习的无人机集群多目标控制优化方法

说明书

本发明公开一种基于鸽群智能反向学习的无人机集群多目标控制优化方法，其实现步骤为：步骤一：搭建无人机动力学模型；步骤二：搭建具有感知能力无人机传感器模型；步骤三：搭建无人机目标搜索图模型；步骤四：建立无人机目标搜索代价函数模型；步骤五：设计多目标鸽群优化算法；步骤六：设计基于鸽群智能反向学习的多目标鸽群优化算法；步骤七：输出无人机目标搜索仿真轨迹图。该方法解决了无人机在复杂战场环境下对未知环境判断不准确而带来的问题，更具有实际应用价值，提高了复杂环境下目标搜索的可行性与高效性，有效缩短搜索时间，从而提高无人机搜索目标的效率和成功率，以节省作战时间，保存作战实力。

技术领域

本发明是一种基于鸽群智能反向学习的无人机集群多目标控制优化方法，属于无人机自主控制领域。

背景技术

无人机(Unmanned Air Vehicles，UAV)是指机内无人驾驶，可由人们多次利用、操纵的空中飞行器。与有人驾驶飞机相比，无人机在完成复杂环境下的作战任务时具有突出的优势，能够替代有人驾驶机执行“枯燥、恶劣、危险、纵深”(Dull,Dirty,Dangerous andDeep,4D)的作战任务。随着电子技术、计算机技术、控制技术等一系列高新技术的不断进步，无人机在现代战争中的应用日渐广泛，在近几次局部战争中，无人机的参战投入数量、种类和架次呈迅速增长的态势，其在执行侦查搜索、通信中继、空中预警、电子干扰、诱饵欺骗、对地打击等任务的过程中发挥了重要作用，对战争行动的影响越来越大。

随着航空技术的迅速发展和成熟，近年来无人机在民用领域、军事领域均得到了广泛的应用，越来越多地被应用到目标搜索任务中，成为重要的搜索平台，使目标搜索方式放生了新的变化。与传统的搜索平台相比，无人机能够迅速到达人力所不能企及的地方，进行大范围和高精度的成像，将一些原来难以进行的搜索任务变为可能，同时能够提高搜索成功率，缩短搜索时间，减少危险区域中的工作人员伤亡。但是在广域复杂、多变的信息化战场环境下，无人机的任务能力有限，在执行侦察搜索任务时面临搜索范围、传感器精度等诸多方面的限制，作战效能的发挥受到了制约。本发明旨在通过设计具有感知能力与鸽群智能反向学习机制的无人机，提高无人机在复杂环境下且目标未知情况下的自主搜索控制能力。

目标搜索过程中的主体主要包括搜索者、被搜索目标和搜索环境。一般地，可以分为目标位置已知和目标位置未知两种情况。针对第一种情况，即目标位置已知的搜索问题，大部分学者都是预先规划好UAV的飞行航迹，以实现对任务区域的最大化覆盖。针对第二种情况，即目标位置未知的搜索问题，很多学者基于搜索图方法来规划无人机的搜索路径。实际情况下，被搜索目标和搜索环境信息未知，于是无人机需要采取一定的方法措施，在给定的条件下找到尽可能多的被搜索目标，这便形成一个简单的搜索优化问题。随着搜索环境日益复杂，搜索目标越来越智能化，目前针对具有感知能力的无人机的目标搜索技术研究较少，也没有较好的搜索方法来解决这类目标的搜索问题。

在现有目标搜索问题的无人机控制理论中，搜索图方法是通过将目标搜索区域划分为离散网格，研究无人机在搜索区域中的目标搜索运动，即研究无人机在每个离散的网格中的目标搜索运动。针对运动目标的搜索问题，通过使用基于搜索图的方法来表示环境模型，主要包括概率图、信息素图、不确定图。目前的研究主要考虑目标存在概率，不研究搜索环境中的不确定度、信息素等等，但在实际战场环境下，无人机在搜索目标的过程中要同时躲避敌方的地面攻击、无信号禁飞区域等等，只考虑目标的存在概率显然是不可行的。本发明即面向更为复杂且信息未知的无人机目标搜索环境，从可行性和高效性考虑，提出了一种基于鸽群智能反向学习的无人机集群多目标控制优化方法，以提高复杂作战环境下目标搜索的成功率。

发明内容

本发明提出了一种基于鸽群智能反向学习的无人机集群多目标控制优化方法，其目的是提供一种更高效可行的无人机目标搜索自主控制方法，旨在保证搜索合理性的前提下，提高复杂环境下目标搜索的可行性与高效性，并有效缩短搜索时间，从而提高无人机搜索目标的效率和成功率，以解决无人机在复杂战场环境下对未知环境判断不准确而带来的问题，节省作战时间，保存作战实力。