[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

说明书

本发明涉及无人机集群协同目标搜索，特别是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；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。它克服了传统算法早熟现象，保证了飞行路径可行性，同时避免对区域的重复搜索。

技术领域

本发明涉及无人机集群协同目标搜索，特别是双属性概率图优化 的无人机集群协同目标搜索方法。

背景技术

多无人机集群协同目标搜索是无人机协同控制的重要研究内容。 在未来信息化与网络化的环境下，现代无人机的任务规划难度、危 险度不断增加，单无人机执行任务效能极为有限，难以很好的完成 任务。而通过多无人机协同任务分配可以更加有效的执行更多、难 度更大的、环境更加艰难的任务；在确定环境下搜索即知道目标的 位置，通过多架无人机进行协同搜索，此问题可转化为TSP(Traveling Salesman Problem,TSP)问题，目前研究已经成熟。

不确定环境下的多无人机协同搜索是目前的研究热点和应用难 点。国内外学者针对搜索环境的建模、无人机协同决策、通信限制 与飞行障碍等方面展开了大量研究，运用了遗传、蚁群、粒子群等 群智能优化算法来优化决策输入，取得了丰富的成果。Zhong L等人 提出了一种新型的可控协同搜索覆盖算法及回访机制，但回访机制 的信息素传播与挥发参数设定较复杂且难以定量控制，导致同一个 目标点重复回访。Fan Yang等人提出了改进的蚁群算法，建立区域环 境模型并设计状态转移规则，但偏重解决区域覆盖的问题，目标搜 索效率较低。Xiaoxuan Hu等人将协同搜索策略分为概率图初始化、更 新和无人机转移规则三个关键部分。建立了可移动目标的协同搜索 模型，将遗传算法的交叉算子引入粒子群算法，但是其仿真结果不 能保证路径的飞行可实现性。B.Detienne等人，提出智能自组织控制 算法，采用分布式控制输入决策，引用加权策略思想改进多目标进 化算法，将解空间定义为搜索重点区域，目标搜索效率高。但是在 执行目标搜索任务时，依旧存在目标遗漏的问题。

综上所述，目前已有的算法能在一定程度上解决在不确定环境下 多无人机协同目标搜索问题，但在目标搜索过程中，这些算法主要 还存在着两类问题：1)环境概率图的不确定性导致路径优化后仍存 在搜索目标的遗漏；2)优化算法产生的路径不能保证飞行可实现性， 存在着重复路径以及实际不可行的转角。

发明内容

本发明的目的是提供双属性概率图优化的无人机集群协同目标 搜索方法，提高不确定环境下无人机对目标捕获能力，进而提高多 无人机协同搜索效率，克服了传统算法早熟现象，保证了飞行路径 可行性，同时避免对区域的重复搜索。

本发明的目的是这样实现的，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1包括：

步骤1.1)包括搜索环境反映任务区域的信息，建立环境概率模 型；定义一个集合来描述搜索环境，具体表示为式: