[发明专利]双属性概率图优化的无人机集群协同目标搜索方法

权利要求书

1.双属性概率图优化的无人机集群协同目标搜索方法，其特征是：至少包括如下步骤：

步骤1)根据无人机初始的场景信息，引入概率图标志位，依据概率图标志位建立基于双属性矩阵的待搜索环境概率图模型；根据概率图模型建立概率图的更新规则，依据概率图的更新规则更新搜索过程的概率图信息；

步骤2)结合目标场景信息给出无人机的飞行规则，建立无人机运动模型；确定无人机航向角最大收益的目标函数及约束条件；

步骤3)获取无人机航向角度的最优值，使用遗传算法，将航向角编码为一系列仅有-1，0,1组成的种群染色体，将最初的航向角编码得到的种群染色体作为初始染色体，用改进的协同进化遗传算法，对初始种群进行编码与解码；初始化遗传算法参数，通过改进的协同进化遗传算法优化产生的最优协同决策输入航向角集合，产生协同路径；

所述的步骤2包括：

步骤2.1)建立UAV的运动模型,无人机通过传感器对任务区域进行搜索，定义无人机的状态表示为：

δ_i(k)＝[En_i(k),d_i(k)]

其中，En_i(k)表示k时刻无人机的当前位置，d_i表示k时刻无人机的当前航向角；

在无人机实际飞行的过程中，受到转弯半径的约束与限制，因此定义前进方向Δd∈{-1,0,1},其中，-1为左转45度，0为正向前进方向，1为右转45度；采用八链码方向d∈{0,1,2,3,4,5,6,7}，表示无人机可行的8个方向；

无人机的运动模型可以写为式：

式中，v₀表示为无人机的飞行速度，β是当前无人机向下一步的偏转角且满足-α≤β≤α；算子|·|表示取整，可表示为无人机向周围单元格移动一个步长时映射在搜索环境网格增量(Δm,Δn)；n_i(k)表示在k时刻UAV_i的纵坐标，m_i(k)表示UAV_i在k时刻无人机的横坐标；Δd(k)为k时刻UAV_i的前进方向；

步骤2.2)依据建立的环境模型与无人机的运动模型，目标函数定义为在预测步长内包含无人机覆盖的网格概率之和的收益，同时需要考虑无人机之间的距离约束与无人机与目标区域之间的距离约束，因此目标函数可以定义为：

式中，N_v表示无人机的数量，A_i表示无人机i执行第一步路径的网格，Z_i为无人机i预测步长内所覆盖的网格总区域；p_d为无人机检测到目标的概率，p_f为无人机误测的概率，Γ₁，Γ₂，ω₁，ω₂为权重因子且满足Γ₁+Γ₂+ω₁+ω₂＝1；l₁为无人机与搜索边界的距离约束，l₂为无人机之间的距离约束；当l₂→0时，fit(t_k)＝0；p_(m,n)(t_k)为预测步长内t_k时刻无人机覆盖网格(m,n)对应的概率，M为搜索区域横坐标最大值，N为搜索区域纵坐标最大值。