[发明专利]一种基于交叉变异鸽群优化的无人机集群协同侦察方法

摘要

本发明公开一种基于交叉变异鸽群优化的无人机集群协同侦察方法，其实现步骤为：步骤一：侦察环境的初始化；步骤二：多维向量图的初始化及更新策略；步骤三：基于交叉变异鸽群优化的方法设计；步骤四：基于交叉变异鸽群优化的滚动时域控制；步骤五：构建交叉变异鸽群优化的目标函数。在三维空间进行无人机集群协同侦察的仿真。该方法的主要优势主要体现在两个方面：一方面，用时较短，能用于动态规划，与常见的Vorono图和博弈论等方法相比收敛速度较快。另一方面，侦察效率较高，在覆盖区域不大的情况下，仍能够有效侦察到目标点。

主权项

1.一种基于交叉变异鸽群优化的无人机集群协同侦察方法，其特征在于：具体步骤如下：步骤一：侦察环境的初始化将任务区划分为D_x×D_y的离散网格，构建比较真实的环境地图；网格(a,b)的编号记为v＝a+(b‑1)×D_y,v∈{1,2,3,...,D_x×D_y}；D_x和D_y表示在长度和宽度两个维度下的网格数量；对每个网格v∈{1,2,3,...,D_x×D_y}，赋予一定的数值Z_v(l)，其中Z_v(l)为信息结构体，它综合描述了当前网格内的环境和目标信息，具体如下所示：Zv(l)＝(zv(l),χv(l),ζv(l),v∈{1,2,...,Dx×Dy})  (1)其中，zv(l)∈[0,1]为目标存在概率，描述了在l时刻第v个网格处存在侦察目标的可能性；χv(l)的取值为0或1，表示无人机是否完全了解该处的环境信息；ζv(l)为无人机位置和时间的函数，当无人机运动到当前网格时，在对应位置产生信息素信息的信号，同时将该信息通过网络通信传播给近邻的无人机；此时，第i架无人机的多维向量图Mi(l)可以定义为：Mi(l)＝{Zv(l)|v∈{1,2,...,Dx×Dy}}  (2)其中，Mi(l)综合描述了无人机对侦察区域内存在目标的把握状态，是无人机可以直接使用的信息；步骤二：多维向量图的初始化及更新策略在无人机执行侦察任务之前，需要根据初始情报信息对多维向量图采用概率方法进行初始化；S21、目标存在概率地图的初始化及更新假设第i个目标的初始位置服从以(x_i⁰,y_i⁰)为中心的二维正态分布其初始位置的联合概率密度函数为：其中，和分别为第i个目标两个维度上的标准差；(x_i⁰,y_i⁰)为第i个目标两个维度上的期望值；在已知目标存在概率分布的情况下，根据UAVi的探测事件来确定目标的后验概率；假设在UAVi的传感器(SEN)视场角为30°范围内覆盖了M_i个离散网格，根据对传感器探测事件，能够得到多维向量图的目标存在概率的初始值和更新计算公式：其中，Nt为目标点的个数；Sv为第v个网格的面积；其中，l＝0,1,2...；v＝1,2,...,Dx×Dy；ni(l)＝1表示在第i架无人机的传感器视场角为30°范围内探测到目标，ni(l)＝0表示在第i架无人机的传感器视场角为30°范围内没探测到目标；PDi是UAVi的探测概率；PFi是UAVi的虚警概率；zv(l)为l时刻，第v个网格处的目标存在概率；Mi为在UAVi的传感器视场角为30°范围内覆盖的离散网格数；SENi为UAVi的传感器视场角为30°探测范围；S22、目标确定度地图的初始化及更新在无人机侦察过程中，随着UAVi对某网格v侦察次数的增加，多维向量图确定度的探测更新采用如下方程：其中，l＝0,1,2...；χv(l)是l时刻第v个网格的目标确定度；τc∈[0,1]为确定度的动态信息因子；SENi为UAVi的传感器视场角为30°探测范围；如果没有无人机搜索到网格v，考虑到环境信息是不断动态变化的，所以该网格的信息确定度会逐渐降低；S23、信息素信息地图的初始化及更新信息素信息地图包括两种类型的信息：催化信息ζA和抑止信息ζI；当无人机在网格(i,j)处产生信息素信息或者通过网络通信收到其他无人机发送到(i,j)的信息素信息后，需要计算该信息在多维向量图中向其他网格(x,y)处的扩散；信息素信息的计算方程如下所示：其中，σ是催化信息因子；ρ抑制信息因子；(x,y)是无人机的横坐标和纵坐标；(i,j)是网格中心点的横坐标和纵坐标；随着信息素在多维向量图中的扩散传播，网格(i,j)处信息素信息为所有扩散到该网格处的催化信息ζA和抑制信息ζI的叠加和：其中，l＝0,1,2...；ζij(l)是l时刻网格(i,j)的信息素信息；τζ∈[0,1]为信息素挥发因子；步骤三：基于交叉变异鸽群优化的方法设计鸽子在飞行过程中具有的特殊行为,鸽群优化方法借助地图和指南针算子、地标算子模型来模仿鸽子飞行不同阶段所使用不同的导航工具；地图和指南针算子用于模仿地球磁场和太阳这两种导航工具对鸽子的导航作用；地标算子则是模仿导航过程中地标对鸽群的影响；基本鸽群优化由两个独立的迭代循环组成，两个算子分别作用于不同的循环中；S31、地图和指南针算子阶段在F维搜索空间随机初始化M鸽子,鸽子的位置和速度分别记作Xi＝[xi1,xi2,...,xiF]和Vi＝[vi1,vi2,...,viF]；其中，i＝1,2,...M；每只鸽子依据下式更新其位置Xi及速度Vi:其中，R表示地图和指南针因数；Md表示当前的迭代次数；Xgbest表示Md‑1次迭代循环后通过比较所有鸽子的位置而得到的全局最好的位置；rand为0到1之间的随机数；由于基本鸽群优化存在陷入最优的问题，因此提出交叉变异鸽群优化的智能方法；因此得到地图和指南针算子阶段的更新公式：其中，R表示地图和指南针因数，其值越大地图和指南针算子衰减越快；Md表示当前的迭代次数；Vi表示第i只鸽子的飞行速度；Xi表示第i只鸽子的位置；T1表示交叉变异鸽群优化方法第一阶段的时间；Cgbest最新的群体历史最佳位置；ws表示惯性权重的上限；we表示惯性权重的下限；S32、地标算子阶段在地标算子的作用下，鸽子的总数在每次迭代循环中折半；每只鸽子的当前位置依据适应度函数的高低进行排序，排名靠后的鸽子被认为且不熟悉地标，从而被舍弃；把余下鸽子的中心位置当成地标作为飞行的参考方向；式中：其中，表示第M_d‑1次迭代X_i处的适应度的值；M_d表示当前的迭代次数；M表示迭代循环中鸽子的总数；表示迭代循环中余下鸽子的中心位置；表示第M_d次迭代时鸽子的位置；rand表示0到1之间大于零的随机数；ε表示近似等于零的数；上述迭代循环至所设定的最大循环次数后,地标算子停止运行；步骤四：基于交叉变异鸽群优化的滚动时域控制滚动优化在优化时把整个侦察过程分为一个个相互重叠且一直向前推进的优化区间；设每个滚动时域窗口包含j个状态节点，对于无人机集群协同侦察问题，目标函数的计算是在侦察环境信息的基础上，涉及到各架无人机的当前位置X(l)以及接下来的航路点位置[X(l+1|l)|,X(l+2|l),...X(l+j|l)]，而[X(l+1|l)|,X(l+2|l),...X(l+j|l)]即是优化的对象，也是滚动优化问题的输入；所以，基于滚动优化策略的无人机集群协同侦察问题可以描述为下式所示的函数优化问题：其中，X(l+j|l)为优化决策中第l+j时刻航路点上无人机系统的状态量；L(·)表示函数符号；为了尽可能减少优化问题的维数，将无人机的搜索高度固定，且将优化无人机位置信息转化为优化无人机速度及偏航角，高度固定情况下，由无人机速度及偏航角得到位置信息的计算公式如下：其中，Ts为侦察过程中的决策间隔时间；yaw为偏航角度；x(l)为l时刻无人机的位置；V(l)为l时刻无人机的速度；此时优化决策中第l+n个航路点上无人机系统的状态量为：其中，其中Nv为无人机数量；Vi(l+n|l)为第i架无人机在第l+n‑1到第l+n时刻航路点之间的速度值；yawi(l+n|l)为第i架无人机在第l+n‑1到第l+n时刻航路点间的偏航角；这时优化问题变为(2×j×Nv)维，交叉变异鸽群优化能够在避免陷入局部最优的前提下，有效求解此处的NP‑hard问题；L(Xcurr(l),X(l+1|l),...,X(l+n|l),...,X(l+j|l))描述了在当前的航迹点Xcurr(l)下，选择[X(l+1|l),...,X(l+n|l),...,X(l+j|l)]为接下来l+1到l+j时刻的飞行航迹,无人机集群协同侦察所获得的收益；当L(Xcurr(l),X(l+1|l),...,X(l+n|l),...,X(l+j|l))在交叉变异鸽群优化下取得最优值的时候，将最优值处的输出结果作为当前时刻的最佳速度和偏航角；其中，MCPIO[·]表示使用交叉变异鸽群优化(MCPIO)进行函数优化求解；由上式可以得到无人机集群在当前时刻的最佳速度和偏航角，从而根据式(20)计算接下来的航迹点；步骤五：构建交叉变异鸽群优化的目标函数S51、侦察探测收益侦察探测收益GR描述了无人机集群经过选定航迹点[X(l+1|l),...,X(l+n|l),...,X(l+j|l)]的侦察过程中，沿途发现目标的可能性；其中，z_mnⁱ(l)为第i架无人机的多维向量图中的目标存在概率；表示第i架无人机在多维向量图上的侦察范围；d_mnⁱ(l)用来确定是否发现目标，即当目标存在概率大于某个阈值ε_p时，认为无人机将可能会发现目标，d_mnⁱ(l)的定义如下：其中，εp表示阈值；S52、侦察期望收益在侦察过程中应该使无人机集群尽可能去侦察没有侦察过的区域；无人机选择侦察方向上所对应的确定度越小、目标存在概率越大，则期望侦察越大；侦察收益可以定义为：其中，χ_mnⁱ(l)为第i架无人机的多维向量图M_i(l)中范围内的确定度；表示第i架无人机在多维向量图上的侦察范围；z_mnⁱ(l)为第i架无人机的多维向量图中的目标存在概率；S53、侦察协同收益引入信息素信息来表示各架无人机对侦察区域的占用状态，通过抑止信息素的排斥作用，可以降低侦察无人机重复飞往已侦察区域的可能性；其中，Nv是无人机的数量；j是滚动时域窗口包含的状态节点；ζ(xi(l+n))是信息素信息；无人机之间的航迹交叠程度越小，则协同收益值越大，具体的形式如下：其中，为l时刻第i架无人机和第j无人机之间的距离；q为滚动时域窗口包含的状态节点；侦察协同收益可以表示为G_COP＝αG_COP1+βG_COP2；其中，α+β＝1为权重参数；S54、侦察代价多无人机协同侦察过程中的代价一般表现为无人机飞行到目标点过程中的时间消耗和威胁代价，可以采用下面的公式进行预估：其中，vi(l+r)是第i架无人机在l+r时刻的飞行速度；xi(l+r)是第i架无人机在l+r时刻的位置；j是滚动时域窗口包含的状态节点；其中，和分别是l时刻第i架无人机和第j个威胁的三维坐标；N_v是无人机的数量；N_threat是威胁的数量；无人机集群在航迹点Xcurr(l)下，选择[X(l+1|l),...,X(l+n|l),...,X(l+j|l)]时，整体侦察效能L(l)定义如下：L(l)＝c1·GR(l)+c2·ER(l)+c3·GCOP(l)‑c4·Cost_time(l)‑c5·Cost_threat(l)  (30)其中，ci≥0,i＝1,L 5为权重。