CN105225003A - 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法 - Google Patents

Abstract

本发明提供了一种布谷鸟搜索算法解决UAV多任务侦察决策问题的方法，首先建立UAV最短侦察路径规划优化目标；然后进行离散布谷鸟搜索算法初始参数设值；计算初始值适应度；判断巢主鸟是否具有监测功能；新鸟窝的产生并择优保留；是否抛弃较差鸟窝；再建立UAV侦察信息确定性指标模型和UAV多任务侦察收益模型；基本布谷鸟搜索算法初始参数设值；计算初始值适应度；新鸟窝的产生并择优保留；是否抛弃较差鸟窝；最终得到最优结果。本发明通过离散布谷鸟搜索算法和基本布谷鸟搜索算法进行求解，求解结果相较于传统算法能克服过早收敛，运行速度慢等缺点，所得结果具有可实时性。

Description

一种布谷鸟搜索算法解决UAV多任务侦察决策问题的方法

技术领域

本发明属于UAV任务规划领域，具体地说，是为解决UAV侦察多个任务时如何进行分配问题提供的一种决策方法。

背景技术

UAV在任务侦察阶段能够代替有人机执行“危险、恶劣、枯燥”的任务，已被广泛应用于战场侦察、对地打击、城市反恐、地震救援以及海上搜救等众多领域。目前已有方法侧重于任务的航路规划和侦察搜救问题，但大多并未考虑UAV携带特定侦察载荷时的侦察信息收益问题，以及由于UAV的任务工作时间及载荷工作能力都是有限的，通常难以完成对所有任务区的完全信息侦察任务的问题，可见如何快速有效的完成对所有任务区的非完全信息遍历侦察将显得尤为重要。

布谷鸟搜索算法(cuckoosearch，CS)是由Xin-SheYang和SuashDeb于2009年提出的一种新兴仿生智能优化算法，算法基于某类型布谷鸟的寄生孵蛋行为，并结合了Lévy飞行的随机游走行为。该算法简单易行、参数少，在处理复杂优化问题时无需重新匹配大量参数，研究结果表明，CS算法能够避免传统算法早熟的缺点，收敛速度快，适合解决UAV多任务侦察决策问题。

发明内容

为了克服现有技术的不足，本发明提供一种布谷鸟搜索算法解决UAV多任务侦察决策问题的方法，根据侦察任务取得分布位置及无人机自身性能、任务载荷特性得到一组飞行顺序及每个任务相应侦察时间，此结果使得侦察信息收益最大，且具有一定的合理性。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤一、将侦察任务区数量以及各个任务区的位置、面积、最小侦察收益、各任务侦察价值、无人机的总飞行时间和无人机飞行速度作为初始数据；

步骤二、以遍历全部侦察任务区且飞行路径最短为优化目标，建立UAV最短侦察路径规划式中，d_ij为任务区i到任务区j的欧氏距离，(x_i,y_i)表示第i个任务区中心的位置坐标；X_ij为决策变量，当UAV先执行完任务i之后就执行任务j时值为1，否则为0；n表示任务区数量；

步骤三、定义离散布谷鸟搜索算法的鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P_a，巢主鸟是智能布谷鸟的概率P_c，最大迭代次数MaxIt，应用整数编码随机生成一个m×(n+1)的初始矩阵X_m×(n+1)；

步骤四、以遍历全部侦察任务区飞行路径最短为适应度函数，计算每个鸟窝的适应度，逐一比较选出最小值并记录相应的解；

步骤五、随机产生服从均匀分布0～1之间的数r₁，并与概率P_c进行比较，若r₁＜p_c则证明该布谷鸟具有自主监测能力，将此解的适应度与随机选取的第j个解的适应度进行比较，若则将第i个解用第j个解替换，其中i,j＝1,2,...,m且i≠j；

步骤六、通过Lévy飞行产生一个0～1之间的值l，根据l值产生新鸟窝：

当l∈[0,i)时，解进行一次2-opt扰动；

当l∈[(k-1)×i,k×i)时，解进行k次2-opt扰动；

当l∈[k×i,1)时，解通过double-bridge进行一次大的扰动；

其中，i＝1/(1+p)，p为设定的步数，k∈{2,...,p}，Lévy飞行产生值的公式为：step＝μ/(|ν|^1/β)， $\mathrm{\μ}~N(0,{\mathrm{\σ}}_{\mathrm{\μ}}^2),v~N(0,{\mathrm{\σ}}_v^2),$ ${\mathrm{\σ}}_{\mathrm{\μ}}={\left\{\frac{\mathrm{\Γ}(1+\mathrm{\β})\sin (\mathrm{\π\β}/2)}{\mathrm{\Γ}[(1+\mathrm{\β})/2]\mathrm{\β}{2}^{(\mathrm{\β}-1)/2}}\right\}}^{1/\mathrm{\β}},$ σ_ν＝1，Γ为标准的Gamma函数；

然后，计算出新鸟窝的适应度并与之前的进行比较，若则用新的解替换，否则不变；

步骤七、随机产生服从均匀分布0～1之间的数r₂，并与概率P_a进行比较，若r₂＜p_a则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前的解进行比较保留最优解；

步骤八、判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤五；否则，进入下一步；

步骤九、建立UAV侦察信息确定性指标模型

G(t)＝G₀+G₁(1-e^-(βt))

式中，G₀为侦察开始前UAV对任务区域已知信息，0≤G₀＜1，G₁为UAV对任务区域的信息不确定性部分，G₀+G₁＝1；β为侦察载荷对任务区域的侦察能力指数；

步骤十、以侦察收益最大为优化目标，建立UAV多任务侦察收益模型

$G_{max}=max(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i\·\[\left(1-\exp \[-\left(\frac{w\·v}{S_i}\right)\·t_i\]\right)\])$

式中，c_i为任务区i的价值，w为UAV携带侦察载荷的扫描宽度；v为UAV的任务飞行速度，S_i第i个任务区域的面积，t_i为第i个任务区分配的侦察时间，t₁＝0；

步骤十一、定义基本布谷鸟搜索算法的鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P_a，最大迭代次数MaxIt，随机生成一个m×(n-1)的初始矩阵Y_m×(n-1)；

步骤十二、以多任务侦察收益为适应度函数，计算每个鸟群的适应度，逐一比较选出最大值并记录相应的解；

步骤十三、通过Lévy飞行过程产生新的鸟窝，并将最好的鸟窝保留到下一代，鸟窝的更新公式为式中，和分表表示第t+1和第t代第i个鸟窝的位置，表示点对点乘法，α＞0为步长比例因子，0＜β≤2，计算出新鸟窝的适应度并与之前的进行比较，若则用新的解替换，否则不变；

步骤十四、随机产生服从均匀分布0～1之间的数r₃，并与概率P_a进行比较，若r₃＜p_a则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前的解进行比较保留最优解；

步骤十五、判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤十三；否则，退出并显示最优结果。

本发明的有益效果是：提出了侦察信息确定性指标，并从航路规划以及侦察收益两方面解决UAV多任务侦察决策问题，并通过离散布谷鸟算法和布谷鸟算法进行求解，求解结果相较于传统算法能克服过早收敛，运行速度慢等缺点，所得结果具有可实时性。

本发明提出的通过布谷鸟搜索算法来进行UAV多任务区侦察规划的方法，可用于同步实现UAV对多个任务区进行侦察时的航路最优与侦察收益最大化，能够保证对多个任务区侦察效果的最优化规划，具有任务规划过程速度快、效率高且通用性强的特点；也可以应用于森林防火、区域反恐、地震救援以及海上搜救等的任务规划。

附图说明

图1是UAV多任务侦察规划示意图；

图2是多任务区侦察决策问题求解流程图；

图3离散布谷鸟搜索算法流程图；

图4是2-opt的优化示意图，其中(a)图是初始解，(b)图是经过2-opt优化的结果，解由1-2-3-4-1变为1-3-2-4-1；

图5是Double-bridge的优化示意图，其中(a)图是初始解，(b)图是经过Double-bridge优化的结果，解由1-2-3-4-5-6-7-8-1变为1-6-7-4-5-2-3-8-1；

图6不同侦察载荷能力下的收益曲线图；

图7是基本布谷鸟搜索算法流程图；

图8是侦察任务区初始分布图；

图9是随机产生的初始侦察航路图；

图10是离散布谷鸟搜索算法侦察路径规划结果图；

图11是无人机多任务侦察收益函数进化曲线图。

具体实施方式

本发明将整个任务过程分为两个阶段，首先，采用离散布谷鸟搜索算法(DiscreteCuckooSearchAlgorithm，DCSA)解决侦察路径最优化规划问题，使得遍历全部侦察任务区的路径最短，然后建立相应的侦察信息确定性指标，根据UAV的任务时间约束以及每个任务区的最小侦察确定性约束，同时保证遍历侦察所有任务区的条件下，利用基本布谷鸟搜索算法(CuckooSearchAlgorithm，CSA)为每个待侦察任务区分配最优的侦察时间，从而使整个侦察任务过程的信息收益最大化。具体包括以下几个步骤：

步骤一：输入已知数据；

将侦察任务区数量，各个任务区位置，以及任务区面积、各任务区最小侦察收益、各任务侦察价值、无人机的总飞行时间、无人机飞行速度作为初始数据输入系统。

步骤二：建立UAV最短侦察路径规划优化目标；

以遍历全部侦察任务区飞行路径最短为优化目标，建立如下表达式：

$D_{min}=min\left(\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{d}_{ij}{X}_{ij}\right)$

式中，d_ij为任务区i到任务区j的欧氏距离，可用表示，其中(x_i,y_i)表示第i个任务区中心的位置坐标；X_ij为决策变量，当UAV先执行完任务i之后就执行任务j时值为1，否则为0；n表示任务区数量(包括UAV起飞基地)。

步骤三：离散布谷鸟搜索算法初始参数设值；

定义鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P_a，巢主鸟是智能布谷鸟的概率P_c，最大迭代次数MaxIt，由于要解决的问题可以看作经典TSP问题求解，应用整数编码随机生成一个m×(n+1)的初始矩阵X_m×(n+1)；

步骤四：计算初始值适应度；

以遍历全部侦察任务区飞行路径最短为适应度函数，计算每个鸟窝的适应度，逐一比较选出最小值并记录相应的解；

步骤五：判断巢主鸟是否具有监测功能；

随机产生服从均匀分布0～1之间的数r₁，并与概率P_c进行比较，若r₁＜p_c则证明该布谷鸟具有自主监测能力，将此解的适应度与随机选取的第j个解的适应度进行比较，若则将第i个解用第j个解替换，其中i,j＝1,2,...,m且i≠j。

步骤六：新鸟窝的产生并择优保留；

通过Lévy飞行产生一个0～1之间的值l，根据l值产生新鸟窝：

当l∈[0,i)时，解进行一次2-opt扰动；

当l∈[(k-1)×i,k×i)时，解进行k次2-opt扰动；

当l∈[k×i,1)时，解通过double-bridge进行一次大的扰动；

其中，i＝1/(1+p)，p为步数(一般提前规定)，k∈{2,...,p}，Lévy飞行产生值的公式为：step＝μ/(|ν|^1/β)，这里μ和ν服从正态分布，即： σ_ν＝1，Γ为标准的Gamma函数。然后，计算出新鸟窝的适应度并与之前的进行比较，若则用新的解替换，否则不变；

步骤七：是否抛弃较差鸟窝；

随机产生服从均匀分布0～1之间的数r₂，并与概率P_a进行比较，若r₂＜p_a则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前的解进行比较保留最优解。

步骤八：判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤五；否则，退出并显示最优结果。

步骤九：建立UAV侦察信息确定性指标模型；

信息确定性指标主要跟UAV在任务区的侦察时间、侦察载荷的工作能力等有关，如下式所示：

G(t)＝G₀+G₁(1-e^-(βt))

式中，G₀为侦察开始前UAV对任务区域已知信息，0≤G₀＜1，G₁为UAV对任务区域的信息不确定性部分，满足G₀+G₁＝1。β为侦察载荷对任务区域的侦察能力指数，主要由侦察载荷的固有能力与待侦察任务区的性质决定。

步骤十：建立UAV多任务侦察收益模型；

以侦察收益最大为优化目标，建立如下表达式：

$G_{max}=max(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i\·\[\left(1-\exp \[-\left(\frac{w\·v}{S_i}\right)\·t_i\]\right)\])$

式中，c_i为任务区i的价值，w为UAV携带侦察载荷的扫描宽度；v为UAV的任务飞行速度，设为固定值，S_i第i个任务区域的面积，假定任务区为长方形区域，t_i为第i个任务区分配的侦察时间，其中t₁＝0。

步骤十一：基本布谷鸟搜索算法初始参数设值；

定义鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P_a，最大迭代次数MaxIt，随机生成一个m×(n-1)的初始矩阵Y_m×(n-1)；

步骤十二：计算初始值适应度；

以多任务侦察收益为适应度函数，计算每个鸟群的适应度，逐一比较选出最大值并记录相应的解；

步骤十三：新鸟窝的产生并择优保留；

通过Lévy飞行过程产生新的鸟窝，并将最好的鸟窝保留到下一代，鸟窝的更新公式如下：

$x_i^{(t+1)}=x_i^{\left(t\right)}+\mathrm{\α}\⊕L\left(\mathrm{\β}\right)~0.01\frac{\mathrm{\μ}}{|\mathrm{\ν}{|}^{1/\mathrm{\β}}}(x_j^t-x_i^t)$

式中，和分表表示第t+1和第t代第i个鸟窝的位置，表示点对点乘法，α＞0为步长比例因子，0＜β≤2，其余变量步骤六中已经描述。计算出新鸟窝的适应度并与之前的进行比较，若则用新的解替换，否则不变；

步骤十四：是否抛弃较差鸟窝；

随机产生服从均匀分布0～1之间的数r₃，并与概率P_a进行比较，若r₃＜p_a则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前的解进行比较保留最优解。

步骤十五：判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤十三；否则，退出并显示最优结果。

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

UAV多任务侦察规划示意图如图1所示，已知参数：无人机的最大续航工作时间，巡航速度，携带的侦察载荷扫描宽度，起飞基地的坐标，任务区数量，任务区参数及侦察价值系数、最大迭代次数。

求解参数：决策变量X_ij、t_i，总飞行距离D_min，最大侦察收益G_max。

方案实施过程如下：

首先将整个规划过程分为两个阶段来求解，第一阶段进行侦察路径规划，求取到UAV飞完所有侦察路径需要的任务时间。第二阶段进行任务区侦察时间分配，将UAV剩余的任务飞行时间分配给相应的任务区。整个求解过程如图2所示。

第一阶段：将UAV对多任务区侦察的最短任务路径问题归结为经典的TSP问题求解，针对问题特点，建立如下数学模型：

$D_{min}=min\left(\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{d}_{ij}{x}_{ij}\right)$

$d_{ij}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2},i,j\∈M$

$\begin{array}{cc}S.t.& \underset{j=1,i\≠j}{\overset{n}{\mathrm{\Σ}}}{x}_{ij}=1\end{array},i\∈M$

$\underset{j=1,i\≠j}{\overset{n}{\mathrm{\Σ}}}{x}_{ij}=1,j\∈M$

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1,i\≠j}{\overset{n}{\mathrm{\Σ}}}{x}_{ij}=n$

$\underset{j=1}{\overset{n}{\Σ}}{x}_{1j}=1$

$\underset{i=1}{\overset{n}{\Σ}}{x}_{i1}=1$

$\underset{i=1}{\overset{n}{\Σ}}{x}_{ij}-\underset{i=1}{\overset{n}{\Σ}}{x}_{ji}=0,j\∈M$

其中d_ij为任务区i到任务区j的欧氏距离，(x_i,y_i)表示第i个任务区中心的位置坐标；X_ij为决策变量，当UAV先执行完任务i之后就执行任务j时值为1，否则为0；n表示任务区数量(包括UAV起飞基地)，D_min从基地起飞完成对所有任务区遍历飞行的最短航路，M起飞基地与侦察任务区集合M＝{1,2,3...n}，t_ij为UAV从任务区i到任务区j需要的飞行时间，t_ij＝d_ij/v。

如图3所示，离散布谷鸟搜索算法解决UAV对多任务区侦察的最短任务路径问题包括以下步骤：

步骤一：输入已知数据；

将侦察任务区数量，各个任务区位置，以及任务面积、各任务区最小侦察收益、各任务侦察价值、无人机的总飞行时间、无人机飞行速度作为初始数据输入系统。

步骤二：建立UAV最短侦察路径规划优化目标；

以遍历全部侦察任务区飞行路径最短为优化目标，建立如下表达式：

$D_{min}=min\left(\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{d}_{ij}{X}_{ij}\right)$

步骤三：离散布谷鸟算法初始参数设值；

定义鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P_a，巢主鸟是智能布谷鸟的概率P_c，最大迭代次数MaxIt，由于解决的是一个TSP问题，应用整数编码随机生成一个m×(n+1)的初始矩阵X_m×(n+1)；

步骤四：计算初始值适应度；

以遍历全部侦察任务区飞行路径最短为适应度函数，计算每个种群的适应度，逐一比较选出最小值并记录相应的解；

步骤五：判断巢主鸟是否具有监测功能；

随机产生服从均匀分布0～1之间的数r₁，并与概率P_c进行比较，若r₁＜p_c则证明该布谷鸟具有自主监测能力，将此解的适应度与随机选取的第j个解的适应度进行比较，若则将第i个解用第j个解替换，其中i,j＝1,2,...,m且i≠j。

步骤六：新鸟窝的产生并择优保留；

通过Lévy飞行产生一个0～1之间的值l，根据l值产生新鸟窝：

当l∈[0,i)时，解进行一次2-opt移动；

当l∈[(k-1)×i,k×i)时，解进行k次2-opt移动；

当l∈[k×i,1)时，解通过double-bridge进行一次大的扰动；

其中，i＝1/(1+p)，p为步数(一般提前规定)，k∈{2,...,p}，Lévy飞行产生值的公式为：step＝μ/(|ν|^1/β)，这里μ和ν服从正态分布，即： σ_ν＝1，Γ为标准的Gamma函数。然后，计算出新鸟窝的适应度并与之前的进行比较，若则用新的解替换，否则不变，2-opt与double-bridge属于局部搜索算法，用于解决TSP问题，具体实现如图4、5所示；

步骤七：是否抛弃较差鸟窝；

随机产生服从均匀分布0～1之间的数r₂，并与概率P_a进行比较，若r₂＜p_a则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前的解进行比较保留最优解。

步骤八：判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤五；否则，退出并显示最优结果。

第二阶段：提出采用信息确定性指标衡量特定时间内对任务区的侦察收益，信息确定性指标主要跟UAV在任务区域的侦察时间、侦察载荷的工作能力等有关，如下式所示：

G(t)＝G₀+G₁(1-e^-(βt))

式中，G₀为侦察开始前UAV对任务区域已知信息，0≤G₀＜1，G₁为UAV对任务区域的信息不确定性部分，满足G₀+G₁＝1。β为侦察载荷对任务区域的侦察能力指数，主要由侦察载荷的固有能力与待侦察任务区的性质决定。不同载荷能力指数下的侦察收益曲线如下图6所示，在此假设G₀＝0。

基于信息确定性指标，建立多任务区域的侦察时间规划模型：

$G_{max}=max(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i\·\[\left(1-\exp \[-\left(\frac{w\·v}{S_i}\right)\·t_i\]\right)\])$

$\begin{array}{cc}S.t.& \underset{i=1}{\overset{n}{\mathrm{\Σ}}}{t}_i\≤T-t_{\min }\end{array}$

$t_{\min }=D_{\min }/v$

$c_i\·(1-\exp \[-\left(\frac{w\·v}{S_i}\right)\·t_i\]\≥G_{i\min },i=1,2,3,\mathrm{...},n$

t₁＝0

式中，c_i为任务区i的价值，w为UAV携带侦察载荷的扫描宽度；v为UAV的任务飞行速度，设为固定值，S_i第i个任务区域的面积，假定任务区为长方形区域，t_i为第i个任务区分配的侦察时间，其中t₁＝0，G_max为对所有任务区进行侦察获取的最大信息收益，G_imin对第i个任务区进行侦察必须达到的最小信息收益，G_0min＝0，t_min从基地起飞完成对所有任务区遍历飞行需要的最小时间。

如图7所示，基本布谷鸟搜索算法解决UAV多任务区侦察收益最大化问题包括以下步骤：

步骤一：建立UAV多任务侦察收益优化目标；

以侦察收益最大为优化目标，建立如下表达式：

$G_{max}=max(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i\·\[\left(1-\exp \[-\left(\frac{w\·v}{S_i}\right)\·t_i\]\right)\])$

步骤二：基本布谷鸟算法初始参数设值

定义鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P_a，最大迭代次数MaxIt，随机生成一个m×(n-1)的初始矩阵Y_m×(n-1)；

步骤三：计算初始值适应度

以多任务侦察收益为适应度函数，计算每个种群的适应度，逐一比较选出最大值并记录相应的解；

步骤四：新鸟窝的产生并择优保留

通过Lévy飞行过程产生新的鸟窝，并将最好的鸟窝保留到下一代，鸟窝的更新公式如下：

$x_i^{(t+1)}=x_i^{\left(t\right)}+\mathrm{\α}\⊕L\left(\mathrm{\β}\right)~0.01\frac{\mathrm{\μ}}{|\mathrm{\ν}{|}^{1/\mathrm{\β}}}(x_j^t-x_i^t)$

式中，和分表表示第t+1和第t代第i个鸟窝的位置，表示点对点乘法，α＞0为步长比例因子，0＜β≤2，其余变量步骤六中已经描述。计算出新鸟窝的适应度并与之前的进行比较，若则用新的解替换，否则不变；

步骤五：是否抛弃较差鸟窝

随机产生服从均匀分布0～1之间的数r₃，并与概率P_a进行比较，若r₃＜p_a则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前的解进行比较保留最优解。

步骤六：判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤十三；否则，退出并显示最优结果。

下面举例进行说明，假设无人机的最大续航工作时间T＝30h，巡航速度为v＝220km/h，携带的侦察载荷扫描宽度为常量w＝0.3km，起飞基地的坐标为(0,0)，任务区数量n＝25，任务区参数及侦察价值系数如表1所示；布谷鸟搜索算法中参数设置分别为：鸟窝数量m＝25，巢主鸟能够发现外来鸟蛋的概率P_a＝0.25，巢主鸟是智能布谷鸟的概率P_c＝0.7最大迭代次数MaxIt＝500，步长p＝25。

表1待侦察任务区信息设置表

表2无人机侦察任务航路规划表

表3任务区侦察信息收益表

侦察任务区初始分布如图8所示，随机产生的初始解如图9所示，离散布谷鸟搜索算法侦察路径规划结果如图10所示，具体的无人机侦察航路规划如表2所示，从表中可知从基地起飞完成对所有任务区遍历飞行需要的最小时间为6.6197h，总飞行距离1456.334km，通过基本布谷鸟搜索算法求得的任务区侦察信息收益如表3所示，从中可知每个任务区对应的侦察时间和可获得的侦察收益，总的侦察收益为6.0771。为了分析本方案运行速度，针对上述场景采用了遗传算法(geneticalgorithm，GA)与布谷鸟算法进行相应的对比分析计算，CSA与GA的进化收敛曲线如下11所示，结果显示GA算法运行时间为19.206s，而CSA算法运行时间仅为6.0742s，CSA算法速率明显快于GA算法，从GA、CSA两种算法的进化曲线中也可以看出，相对于GA算法，CSA算法能够克服GA算法早熟的缺点，收敛速度快，所得结果明显优于遗传算法。

Claims (1)

1.一种布谷鸟搜索算法解决UAV多任务侦察决策问题的方法，其特征在于包括下述步骤：

步骤一、将侦察任务区数量以及各个任务区的位置、面积、最小侦察收益、各任务侦察价值、无人机的总飞行时间和无人机飞行速度作为初始数据；

步骤二、以遍历全部侦察任务区且飞行路径最短为优化目标，建立UAV最短侦察路径规划式中，d_ij为任务区i到任务区j的欧氏距离，(x_i,y_i)表示第i个任务区中心的位置坐标；X_ij为决策变量，当UAV先执行完任务i之后就执行任务j时值为1，否则为0；n表示任务区数量；

步骤三、定义离散布谷鸟搜索算法的鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P_a，巢主鸟是智能布谷鸟的概率P_c，最大迭代次数MaxIt，应用整数编码随机生成一个m×(n+1)的初始矩阵X_m×(n+1)；

步骤四、以遍历全部侦察任务区飞行路径最短为适应度函数，计算每个鸟窝的适应度，逐一比较选出最小值并记录相应的解；

步骤五、随机产生服从均匀分布0～1之间的数r₁，并与概率P_c进行比较，若r₁＜p_c则证明该布谷鸟具有自主监测能力，将此解的适应度与随机选取的第j个解的适应度进行比较，若则将第i个解用第j个解替换，其中i,j＝1,2,...,m且i≠j；

步骤六、通过Lévy飞行产生一个0～1之间的值l，根据l值产生新鸟窝：

当l∈[0,i)时，解进行一次2-opt扰动；

当l∈[(k-1)×i,k×i)时，解进行k次2-opt扰动；

当l∈[k×i,1)时，解通过double-bridge进行一次大的扰动；

其中，i＝1/(1+p)，p为设定的步数，k∈{2,...,p}，Lévy飞行产生值的公式为：step＝μ/(|ν|^1/β)， $\mathrm{\μ}~N(0,{\mathrm{\σ}}_{\mathrm{\μ}}^2),\mathrm{\ν}~N(0,{\mathrm{\σ}}_{\mathrm{\ν}}^2),{\mathrm{\σ}}_{\mathrm{\μ}}={\left\{\frac{\mathrm{\Γ}(1+\mathrm{\β})sin(\mathrm{\π}\mathrm{\β}/2)}{\mathrm{\Γ}\[(1+\mathrm{\β})/2\]\mathrm{\β}{2}^{(\mathrm{\β}-1)/2}}\right\}}^{1/\mathrm{\β}},$ σ_ν＝1，Γ为标准的Gamma函数；

然后，计算出新鸟窝的适应度并与之前的进行比较，若则用新的解替换，否则不变；

步骤七、随机产生服从均匀分布0～1之间的数r₂，并与概率P_a进行比较，若r₂＜p_a则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前的解进行比较保留最优解；

步骤八、判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤五；否则，进入下一步；

步骤九、建立UAV侦察信息确定性指标模型

G(t)＝G₀+G₁(1-e^-(βt))

式中，G₀为侦察开始前UAV对任务区域已知信息，0≤G₀＜1，G₁为UAV对任务区域的信息不确定性部分，G₀+G₁＝1；β为侦察载荷对任务区域的侦察能力指数；

步骤十、以侦察收益最大为优化目标，建立UAV多任务侦察收益模型

$G_{max}=max(\underset{i=1}{\overset{n}{\Σ}}{c}_i\·\[(1-\exp \[-\left(\frac{w\·v}{S_i}\right)\·t_i\])\])$

式中，c_i为任务区i的价值，w为UAV携带侦察载荷的扫描宽度；v为UAV的任务飞行速度，S_i第i个任务区域的面积，t_i为第i个任务区分配的侦察时间，t₁＝0；

步骤十一、定义基本布谷鸟搜索算法的鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P_a，最大迭代次数MaxIt，随机生成一个m×(n-1)的初始矩阵Y_m×(n-1)；

步骤十二、以多任务侦察收益为适应度函数，计算每个鸟群的适应度，逐一比较选出最大值并记录相应的解；

步骤十三、通过Lévy飞行过程产生新的鸟窝，并将最好的鸟窝保留到下一代，鸟窝的更新公式为 $x_i^{(t+1)}=x_i^{\left(t\right)}+\mathrm{\α}\⊕L\left(\mathrm{\β}\right)~0.01\frac{\mathrm{\μ}}{|\mathrm{\ν}{|}^{1/\mathrm{\β}}}(x_j^t-x_i^t),$ 式中，和分表表示第t+1和第t代第i个鸟窝的位置，表示点对点乘法，α＞0为步长比例因子，0＜β≤2，计算出新鸟窝的适应度并与之前的进行比较，若则用新的解替换，否则不变；

步骤十四、随机产生服从均匀分布0～1之间的数r₃，并与概率P_a进行比较，若r₃＜p_a则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前的解进行比较保留最优解；

步骤十五、判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤十三；否则，退出并显示最优结果。