[发明专利]基于决策变量与自适应算法的多无人机航迹协同方法

说明书

本发明公开基于决策变量与自适应算法的多无人机航迹协同方法,包括以下步骤：决策变量设计、协同函数设计、多无人机航迹遗传染色体取值、航迹染色体适应度函数模型设计和协同航迹规划仿真，针对多无人机航迹协同规划有效性，给出了无人支援机协同多无人机的航迹规划模型，在航迹代价的时间协同、时序‑空间协同模型引入决策变量，结合协同变量和协同函数构建多无人机协同航迹，并利用快速遗传算法求解航迹协同的寻优过程，进而解决了航迹协同的实时性和有效性，从而实现多无人机多阶段任务的整体航迹规划，同时，在时间域内基于时序协同来寻找具有较高任务效能的飞行路径，最大限度地降低航迹规划中的航程代价和威胁代价。

技术领域

本发明涉及无人机技术领域，尤其涉及基于决策变量与自适应算法的多无人机航迹协同方法。

背景技术

面对日益复杂的目标探测、目标跟踪、精确打击等任务环境，许多任务通常需要多无人机协同完成，任务的多重性与复杂性对多无人机的有效留空时间和任务成功率提出了更高的要求，因此多无人机与无人支援机协同是目前任务需求的主要体现方式，无人支援机能够在威胁区域外与无人机混合编队，对威胁区内雷达进行有针对性的干扰，帮助无人机获取最短航迹，并安全的到达目标区域，从而充分发挥无人支援机和无人机的协同优势；

多无人机执行任务采用冗余配置与任务配置以相互支援与能力互补，与其相关的航迹规划算法，如基于Voronoi图、概率路标图的层次分解实现多无人机航迹规划，利用狼群算法、模糊识别解决地形复杂、威胁众多和航迹短等问题，但大多算法局限在特定场合下的有限模型，无法实现多无人机多阶段任务的整体航迹规划，因此本发明提出基于决策变量与自适应算法的多无人机航迹协同方法以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出基于决策变量与自适应算法的多无人机航迹协同方法，该基于决策变量与自适应算法的多无人机航迹协同方法针对多无人机航迹协同规划有效性，给出了无人支援机协同多无人机的航迹规划模型，在航迹代价的时间协同、时序-空间协同模型引入决策变量，结合协同变量和协同函数构建多无人机协同航迹，并利用快速遗传算法求解航迹协同的寻优过程，进而解决了航迹协同的实时性和有效性，从而实现多无人机多阶段任务的整体航迹规划。

为实现本发明的目的，本发明通过以下技术方案实现：基于决策变量与自适应算法的多无人机航迹协同方法，包括以下步骤：

步骤一：决策变量设计

设W_k为威胁代价，则再设每个航段须考虑Q个威胁，对航迹上每一点的威胁程度进行积分运算，得到第r个威胁在第i段航迹对第m个分割点产生的威胁强度及第r个威胁在第i段航迹到第m个分割点的距离将航路中两个坐标点之间的直线距离进行规划选点，定义两坐标点之间的威胁代价为：再引入决策变量X_i，r得到威胁代价模型；

步骤二：协同函数设计

设多个无人机的飞行速度范围为：v＝[V_min，V_max]，则定义协同变量t_k，即模型无人机k沿某个航迹段飞行的达到目标坐标点最优时间变化范围为：在协同变量t_k的基础上，定义协同函数模型为：则多无人机代价函数模型为：

步骤三：多无人机航迹遗传染色体取值

设A和B为航迹规划的起点与目标点，(1,2，…，m)为无人机航迹段点，共有m-1个航迹段，通过极坐标编码，航迹分段点的极径为(1σ，2σ，…，mσ)，而遗传染色体的编码基因采用航迹调整角的倍数计算，定义最大航迹调整角为则有且设遗传种群规模为：则多无人机航迹遗传染色体各基因位的取值为：s_i∈[-M，…，-1，0，1，…，M]；

步骤四：航迹染色体适应度函数模型设计

设多无人机航迹集为C，再将航迹代价和威胁代价综合构成航迹遗传染色体自适应度评价函数，则自适应度函数模型为：