[发明专利]一种基于鸽群优化的多无人机紧密编队控制方法

权利要求书

1.一种基于鸽群优化的多无人机紧密编队控制方法，其特征在于，包括以下步骤：

步骤一：设置无人机长机控制指令U_L＝[V_Lc ψ_Lc h_Lc]和编队期望间距其中代表长机与僚机之间的纵向期望间距，代表长机与僚机之间的横向期望间距，代表长机与僚机之间的高度方向上的期望间距，建立紧密编队数学模型，利用长机控制指令U_L＝[V_Lc ψ_Lc h_Lc]和长机当前状态量X_L＝[V_L ψ_L h_L]求出长机下一时刻状态量X_Lnext，其中，V_Lc代表长机的速度控制指令，ψ_Lc代表长机的航向角控制指令；h_Lc代表长机的高度控制指令，V_L代表长机的速度；ψ_L代表长机的航向角；h_L代表长机的高度；

步骤二：将长机下一时刻状态X_Lnext、僚机当前状态量X_F以及编队期望间距D输入进人工势场控制器，计算下一步无人机编队的理想状态，其中X_F＝[x V_F y ψ_F z ζ]^T，x、y、z代表僚机与长机之间的间距；V_F代表僚机的速度；ψ_F代表僚机的航向角；ζ代表僚机与长机高度方向上的速度差；

步骤三：利用改进鸽群优化算法计算僚机控制量；

步骤四：将僚机控制量输入进僚机紧密编队模型计算僚机下一步状态量；

步骤五：重复执行步骤二至步骤四，直至仿真时长；

步骤三所述利用改进鸽群优化算法计算僚机控制量具体为：选取改进鸽群算法中的粒子X为僚机控制量更新所设置的X，更新规则如下：

量子粒子群更新规则：

u～U(0,1)

改进地标算子更新规则：

β＝round(1+rand)

式中α为收缩-扩张系数；β为学习因子；X_pbest代表个体历史最优；X_gbest代表全局历史最优；X_mbest代表个体历史最优平均，当迭代完成后输出的X_gbest即所求的僚机控制量U_Fc，Nc为当前迭代次数。