CN108830432B - 基于少量先验知识的无人机群行动方案搜索方法 - Google Patents

基于少量先验知识的无人机群行动方案搜索方法 Download PDF

Info

Publication number
CN108830432B
CN108830432B CN201810989481.1A CN201810989481A CN108830432B CN 108830432 B CN108830432 B CN 108830432B CN 201810989481 A CN201810989481 A CN 201810989481A CN 108830432 B CN108830432 B CN 108830432B
Authority
CN
China
Prior art keywords
schemes
scheme
action
layer
unmanned aerial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810989481.1A
Other languages
English (en)
Other versions
CN108830432A (zh
Inventor
周尧明
谢荣磊
蒙志君
郑江安
朱家强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China's Aviation System Engineering Research Institute
Beihang University
Original Assignee
China's Aviation System Engineering Research Institute
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China's Aviation System Engineering Research Institute, Beihang University filed Critical China's Aviation System Engineering Research Institute
Priority to CN201810989481.1A priority Critical patent/CN108830432B/zh
Publication of CN108830432A publication Critical patent/CN108830432A/zh
Application granted granted Critical
Publication of CN108830432B publication Critical patent/CN108830432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明基于少量先验知识的无人机群行动方案搜索方法，一、将行动方案拆分为任务层、资源层、动作层；二、利用聚类方法将任务层分为k类；三、使用k‑means聚类算法对资源层和动作层分类；四：行动方案总共分类n类，根据各个类别中方案数量的大小比例，按照随机选取的原则选择方案；五：使用Anylogic仿真平台推演选中的方案，以推演结果作为行动方案的评分，统计表现优秀的方案的类别情况；六：根据优秀方案的类别分布情况从各类别中继续选择方案；七：重复步骤五、六，对“表现优秀”的类别，选中的方案越来越多，对“比较差”的类别，选中的方案越来越少，甚至不选择，最终能在推演比较少量方案的情况下选中比较好的方案。

Description

基于少量先验知识的无人机群行动方案搜索方法
技术领域
本发明属于无人机群任务规划领域，涉及一种基于少量先验知识的无人机群行动方案搜索方法，该方法可以从行动方案集合中快速找到可用的方案。
背景技术
无人机是一种无人驾驶的飞行器，具有体积小巧、使用灵活、隐蔽性好、适应性强等优点，能够在各种恶劣、危险和极限环境下，完成一些人类无法到达和从事的特定工作和任务，在军事任务、搜索救援、灾害监控、物流输送等领域得到广泛的应用。伴随着无人机应用场景复杂程度的不断增加，仅仅依靠单一的无人机己经不能满足复杂任务和复杂场景的需求。
相对于单一无人机，由多架无人机组成的无人机群协同执行任务具有三个优点：不同无人机能互为冗余备份；并行执行任务大大提高任务完成效率；资源共享提升任务完成能力。因此，多架无人机组成的无人机群协同执行任务复杂任务得到越来越多研究人员的重视。无人机群行动方案规划需要考虑无人机的平台性能、任务环境约束规则、任务环境等多种因素，行动方案内容包括目标分配、资源分配、航路规划、载荷规划、飞行时间等要素，
目前针对无人机群的方案生成的研究比较多，蚁群算法、粒子群算法、模拟退火算法、遗传算法等方法成功应用到行动方案生成。这些方案生成算法大多需要建立评估函数来评价一个方案的优劣，评估函数的好坏直接决定了方案生成算法的效果。然而评估函数一般依靠人类的经验或者直觉来确定，准确度比较差。通过仿真推演平台进行仿真推演来代替评估函数，可以更加精确的评估方案的好坏。AnyLogic是一款应用广泛的，对离散、系统动力学、多智能体和混合系统建模和仿真的工具，它能够比较真实准确的反映无人机群行动的过程和结果。但是仿真推演平台推演一个方案的速度十分缓慢，蚁群算法、粒子群算法、遗传算法等行动方案生成方法需要大量方案的推演评估结果，这大大降低行动方案生成的效率。因此，如何根据推演平台推演少量方案的结果，快速搜索到行动方案的方法亟待解决。
发明内容
本发明的目的是提供基于少量先验知识的无人机群行动方案搜索方法，根据推演平台推演少量方案的结果，能够从方案集合中快速找到可用的优秀方案。
本发明的基本思路为：如果将所有行动方案进行仿真推演，工作量将十分巨大。首先使用聚类算法将方案集合进行分类，针对行动方案中维数过多的特点，引入分层思想，将行动方案拆分为任务层、资源层和动作层,然后针对每一层的数据特点设计不同的分类算法，最终将行动方案集合分为k类。基于类别的方案选择器在这k类中随机挑选出若干行动方案。将方案选择器选出的方案进行仿真推演评估，然后对挑选出的方案推演结果进行排序，可以发现那些类别的方案评分高，那些类别的方案评分低。根据评分排序信息，基于类别的方案选择器再随机挑选一些方案，评分高的类别选中方案多，评分低的类别与之相反。然后对新挑选出的方案进行评估排序，根据判定条件决定是否输出最优方案。
本发明基于少量先验知识的无人机群行动方案搜索方法，该方法具体步骤如下：
步骤一:引入分层思想，将行动方案拆分为任务层、资源层、动作层；任务层表示不同任务的时序关系，资源层表示每个任务需要多少种类型的飞机，动作层表示无人机在执行任务时的路径规划和动作序列；
步骤二：利用聚类方法将方案集合的任务层分为k类，k值的取值范围根据行动方案的数量N确定，k的范围一般为2-N/30，然后通过类间分离度和类内离散度计算DB值来确定k值；
步骤三：在任务层分类的基础上，使用k-means聚类算法依次对资源层和动作层进行分类；
步骤四：根据步骤二、三的计算，行动方案总共分类n类，根据各个类别中方案数量的大小比例，按照随机选取的原则选择方案；
步骤五：使用Anylogic仿真平台推演步骤四选中的方案，以平台的推演结果作为行动方案的评分，统计表现优秀的方案的类别情况；
步骤六：根据步骤五统计出的优秀方案的类别分布情况从各类别中继续选择方案；具体采取以下原则：
a)各类别按照数量比例随机选取方案；
b)从优秀类别中选择方案；
c)选择评分最高的方案相似的方案；
步骤七：重复步骤五、六，对于“表现优秀”的类别，选中的方案会越来越多，对于“比较差”的类别，选中的方案会越来越少，甚至不选择，最终能够在推演比较少量方案的情况下选中比较好的方案。
本发明基于少量先验知识的无人机群行动方案搜索方法，其技术效果为：
1)解决了行动方案难以分类的问题，行动方案不但维数高，而且不同维度之间难以通过欧式距离等数学概念来比较，针对行动方案的特点，引入分层思想，将方案分为任务层、编队层、资源层，在不同层面上对方案进行比较；
2)该算法既能保持一定全局搜索能力，又能依靠已经选择的方案快速找出优秀的方案。
3)该算法可以根据推演少量行动方案的结果作为先验知识，从大量行动方案中快速找出比较优秀的行动方案，大大提高了行动方案优化效率。
附图说明
图1是本方案的方案搜索总体流程图。
图2是行动方案分类层次图。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
一种基于少量先验知识的无人机群行动方案搜索方法，如图1所示，包括如下步骤：
步骤一：引入分层思想，将行动方案拆分为任务层、资源层、动作层。
无人机群的行动方案包括任务分配、资源分配、路径规划、动作序列四大部分，其中路径规划可描述为在某时刻/某地点达到某个区域点，可以将路径规划视为一个包含时间地点信息的动作串。为了更好的比较不同方案的差异度，按照行动方案制定时自顶向下的原则，将行动方案分为任务层(任务分配)、资源层(资源分配)、动作层(路径规划和动作序列)，如图2所示。任务层主要表示不同任务的时序关系，资源层表示每个任务需要多少种类型的飞机，动作层表示无人机在执行任务时的路径规划和动作序列。
步骤二：任务层主要利用表示不同任务的时序关系，利用聚类方法将方案集合的任务层分为k类，k值的取值范围根据行动方案的数量N确定，k的范围一般为2-N/30，然后通过类间分离度dij和类内离散度Si计算DB值来确定k值。
类间分离度dij定义如下：
dij＝d(vi,vj)
dij表示聚类中心vi和vj之间的欧式距离。
类内离散度Si可定义如下:
Figure BDA0001780455520000041
其中Ni表示第i类的数据样本个数，通过离散度和分离度的定义，在DB指标中，对相似度Rij有如下定义：
Rij＝(Si+Sj)/dij
得到DB指标的一般定义：
Figure BDA0001780455520000042
上式中Nc表示k值，由上式可以看出DB指标的数值越小，则表示聚类效果越好。因此通过确定最小的DB值来确定k值。
接下来利用k-means算法对行动方案的任务层进行分类
a)首先随机选取k个中心点ui；
b)计算行动方案pj到各中心点ui的距离dji，将每个方案划分到最近的中心点中，m为行动方案任务矩阵的元素数量；
Figure BDA0001780455520000043
c)计算每个聚类的平均值，并作为新的中心点ui；
d)重复b)-c)步，直到这k个中心点ui不再变化。
步骤三：根据图2，在任务层分类的基础上，使用k-means聚类算法依次对资源层和动作层进行分类，计算方法与步骤二相同，唯一不同的是资源层计算行动方案pj到各中心点ui的距离dji，对于资源层，其计算公式如下：
Figure BDA0001780455520000051
步骤四：根据步骤二、三的计算，行动方案总共分类n类，目前对各个类别的优劣一无所知，只能根据各个类别中方案数量的大小比例，按照随机选取的原则选择方案。也就是说“大”的类别多选方案，“小”的类别少选方案，比例范围为10％至20％。
步骤五：使用Anylogic仿真平台推演步骤四选中的方案，以平台的推演结果作为行动方案的评分，统计表现优秀的方案的类别情况，一般排名前20％的方案可认为优秀方案。
步骤六：根据步骤五统计出的优秀方案的类别分布情况从各类别中继续选择方案，采取以下三种选择策略：
a)各类别10％-15％的比例随机选取方案，为保证方案选择器的全局搜索能力，依然要从每一类中选择一个方案进入下一轮的推演评估，若某类方案连续三次没有选出进入评分前5的方案，说明此类方案属于“垃圾方案”，则停止从该类选择行动方案；
b)从优秀类别中选择方案，统计评分前5的行动方案所属的类别，这些类别中很可能存在着更加优秀的方案，根据评分前5中各类别占比情况，从“优秀类别”选择该类别方案数量的20％-30％的行动方案；
c)根据评分最高的方案选择方案，计算最优秀方案与所在类别各方案的欧式距离，欧氏距离代表着两方案间的相似程度，找出相似程度最高的两个方案进入下一轮评估；
步骤七：重复步骤五、六，对于“表现优秀”的类别，选中的方案会越来越多，对于“比较差”的类别，选中的方案会越来越少，甚至不选择，最终能够在推演比较少量方案的情况下选中比较好的方案。

Claims (1)

1.一种基于少量先验知识的无人机群行动方案搜索方法，其特征在于：该方法包括如下步骤：
步骤一：引入分层思想，将行动方案拆分为任务层、资源层、动作层；任务层表示不同任务的时序关系，资源层表示每个任务需要多少种类型的飞机，动作层表示无人机在执行任务时的路径规划和动作序列；
步骤二：利用聚类方法将方案集合的任务层分为k类，然后通过类间分离度dij和类内离散度Si计算DB值来确定k值；
步骤三：在任务层分类的基础上，使用k-means聚类算法依次对资源层和动作层进行分类；
步骤四：根据步骤二、三的计算，行动方案总共分类n类，根据各个类别中方案数量的大小比例，按照随机选取的原则选择方案；
步骤五：使用Anylogic仿真平台推演步骤四选中的方案，以平台的推演结果作为行动方案的评分，统计表现优秀的方案的类别情况；
步骤六：根据步骤五统计出的优秀方案的类别分布情况从各类别中继续选择方案；具体采取以下原则：
a)各类别按照数量比例随机选取方案；
b)从优秀类别中选择方案；
c)选择评分最高的方案相似的方案；
步骤七：重复步骤五、六，对于“表现优秀”的类别，选中的方案会越来越多，对于“比较差”的类别，选中的方案会越来越少，甚至不选择，最终能够在推演比较少量方案的情况下选中比较好的方案；
其中，类间分离度dij定义如下：
dij＝d(vi,vj)
dij表示聚类中心vi和vj之间的欧式距离；
类内离散度Si定义如下:
Figure FDA0003023917210000021
其中Ni表示第i类的数据样本个数，通过离散度和分离度的定义，在DB指标中，对相似度Rij有如下定义：
Rij＝(Si+Sj)/dij
得到DB指标的定义：
Figure FDA0003023917210000022
上式中Nc表示k值，由上式看出DB指标的数值越小，则表示聚类效果越好；因此通过确定最小的DB值来确定k值。
CN201810989481.1A 2018-08-28 2018-08-28 基于少量先验知识的无人机群行动方案搜索方法 Active CN108830432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810989481.1A CN108830432B (zh) 2018-08-28 2018-08-28 基于少量先验知识的无人机群行动方案搜索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810989481.1A CN108830432B (zh) 2018-08-28 2018-08-28 基于少量先验知识的无人机群行动方案搜索方法

Publications (2)

Publication Number Publication Date
CN108830432A CN108830432A (zh) 2018-11-16
CN108830432B true CN108830432B (zh) 2021-06-18

Family

ID=64150857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810989481.1A Active CN108830432B (zh) 2018-08-28 2018-08-28 基于少量先验知识的无人机群行动方案搜索方法

Country Status (1)

Country Link
CN (1) CN108830432B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109669357A (zh) * 2019-02-13 2019-04-23 辽宁壮龙无人机科技有限公司 多任务无人机的路径规划校验与多平台控制系统及方法
CN113064450B (zh) * 2021-04-01 2022-02-08 河海大学 一种基于退火算法的量子粒子群求解无人机路径规划方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576692A (zh) * 2013-11-07 2014-02-12 哈尔滨工程大学 一种多无人机协同飞行方法
CN105825013A (zh) * 2016-03-16 2016-08-03 中国船舶工业系统工程研究院 一种基于离散事件系统的航空指挥保障优化方法
CN206711371U (zh) * 2017-04-28 2017-12-05 深圳市三合信义科技发展有限公司 一种基于白频谱的无人机操控系统
CN108282221A (zh) * 2018-02-09 2018-07-13 沈阳航空航天大学 一种减小不安全区域的多无人机的安全通信策略

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576692A (zh) * 2013-11-07 2014-02-12 哈尔滨工程大学 一种多无人机协同飞行方法
CN105825013A (zh) * 2016-03-16 2016-08-03 中国船舶工业系统工程研究院 一种基于离散事件系统的航空指挥保障优化方法
CN206711371U (zh) * 2017-04-28 2017-12-05 深圳市三合信义科技发展有限公司 一种基于白频谱的无人机操控系统
CN108282221A (zh) * 2018-02-09 2018-07-13 沈阳航空航天大学 一种减小不安全区域的多无人机的安全通信策略

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Numerical simulation and experimental research on aerodynamic noises of the single wheel landing gear in an aircraft》;Zhou, Yao-ming 等;《JOURNAL OF VIBROENGINEERING》;20170831;第19卷(第5期);全文 *
《基于多阶段航迹预测的无人机任务规划方法研究》;孙小雷;《中国博士学位论文全文数据库 工程科技Ⅱ辑（月刊）2017年第02期》;20170215;全文 *
《某型无人直升机带传动离合器控制系统》;周尧明 等;《航空动力学报》;20130131;第28卷(第1期);全文 *

Also Published As

Publication number Publication date
CN108830432A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN110503245B (zh) 一种机场航班大面积延误风险的预测方法
CN109191922B (zh) 一种大规模四维航迹动态预测方法及装置
CN110442143B (zh) 一种基于组合多目标鸽群优化的无人机态势数据聚类方法
CN111081016B (zh) 一种基于复杂网络理论的城市交通异常识别方法
CN108830432B (zh) 基于少量先验知识的无人机群行动方案搜索方法
CN108681742B (zh) 用于分析司机驾驶行为对车辆能耗敏感性的分析方法
CN112883651B (zh) 基于改进pbi方法的系统级测试性设计多目标优化方法
Ali et al. K-means clustering based on gower similarity coefficient: A comparative study
Christopher et al. Prediction of warning level in aircraft accidents using data mining techniques
Degtyareva et al. Finding patterns in employee attrition rates using self-organizing Kohonen maps and decision trees
CN112348369A (zh) 重大活动安保多目标多资源动态调度方法
CN111985815A (zh) 一种能源电力运营评价指标的筛选方法及装置
Qiu et al. A Clustering-Based optimization method for the driving cycle construction: A case study in fuzhou and Putian, China
Pei et al. The clustering algorithm based on particle swarm optimization algorithm
CN114202232A (zh) 一种基于数据分析以优化生态资源保护的系统及方法
Chaipanha et al. SMOTE VS. RANDOM UNDERSAMPLING FOR IMBALANCED DATA-CAR OWNERSHIP DEMAND MODEL.
CN110826891A (zh) 一种基于船舶集群态势的相对碰撞危险度获取方法
Gavagsaz Efficient parallel processing of k-nearest neighbor queries by using a centroid-based and hierarchical clustering algorithm
CN110070111A (zh) 一种配网线路分类方法及系统
Gan Discrete Hopfield neural network approach for crane safety evaluation
Oh et al. Grid-based Urban Fire Prediction Using Extreme Gradient Boosting (XGBoost).
Carson et al. A Hybrid Decision Tree-Neural Network (DT-NN) Model for Large-Scale Classification Problems
Rani et al. Prediction analysis techniques of data mining: a review
CN111027429A (zh) 一种用于电气图纸智能识别的数据预处理方法及系统
Lu et al. Multi-SOM: An Algorithm for High Dimensional, Small Size Datasets

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant