CN110233657A - 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 - Google Patents

Abstract

本发明公开了一种基于粒子群遗传算法的多无人机区域覆盖部署方法，根据目标区域的大小和无人机的各项参数，解决无人机的区域覆盖部署问题。本发明以粒子群算法为基本框架，将改进的遗传算法嵌入到粒子群算法的迭代过程中，避免了算法陷入局部极值。本发明使用粒子群遗传算法根据区域覆盖率和网络连通性对覆盖部署方案进行对比研究，经过多次的迭代优化最终得出最佳的覆盖部署方案。

Description

一种基于粒子群遗传算法的多无人机区域覆盖部署方法

技术领域

本发明涉及到了拓扑控制领域，尤其涉及一种基于粒子群遗传算法的多无人机区域覆盖 部署方法。

背景技术

在执行敌后侦察、灾后抢险和森林防火等多无人机自组织任务中，对目标区域进行监控 也是至关重要的，所以本发明专利将重点研究多无人机自组织区域覆盖控制，研究和探索如 何在无人机数量有限的情况下，合理部署无人机节点实现在保证网络连通性的前提条件下实 现区域覆盖率的最大化。粒子群算法在优化问题的过程中，通过粒子对个体极值和群体极值 的学习，持续调整自身的移动方向，经过不断的迭代求解问题的最优解，该算法流程简单收 敛性好，被广泛的应用于无线传感器网络节点的覆盖部署优化当中。但是粒子群算法收敛速 度很快，容易陷入局部极值。为此本发明提出了一种基于粒子群遗传算法的多无人机区域覆 盖部署算法，该算法以粒子群算法为基本框架，在迭代过程中同时使用粒子群算法和遗传算 法产生新一代粒子，从而增加了种群的多样性，避免了粒子群算法陷入局部极值。

发明内容

技术问题：在多无人机区域覆盖部署中，如果无人机随机部署，那么很难保证无人机网 络的连通性，另外随机部署的方式有可能会使无人机部署不均匀，导致区域的覆盖率也难以 保证，因此在研究多无人机区域覆盖部署时必须要考虑网络的连通性和区域的覆盖率。粒子 群算法具有非常快的收敛速度，非常容易陷入局部极值，因此在使用粒子群算法时必须要避 免算法陷入局部极值。

技术方案：为了解决现有技术中的问题，本发明提供了一种基于粒子群遗传算法的多无 人机区域覆盖部署方法，包括以下步骤：

一种基于粒子群遗传算法的多无人机区域覆盖部署方法，包括以下步骤：

步骤1)输入目标区域的长L和宽W；

步骤2)输入无人机的数量Total、传感器部署角度θ、传感器覆盖半径Rs和最大通信半 径Rt，遍历每一个无人机U_ξ，输入无人机U_ξ的高度H_ξ；

步骤3)初始化空部署方案集合PList，在长为L，宽为W的范围内随机部署无人机，并判 断无人机集群是否连通，当无人机集群连通时，将当前的无人机部署方案P_i保存到部署方案 集合PList当中，重复该步骤直到部署方案集合PList中集合的数量等于N，所述N表示初始 种群中个体的数量；

步骤4)计算集合PList中每一个方案的区域覆盖率，所述覆盖率是指覆盖的面积占目标 区域的百分比，依次从集合PList中取出无人机部署方案P_i，计算P_i的区域覆盖率Fc(P_i ^time)：

其中：SC_i表示部署方案P_i的覆盖面积，S表示目标区域的总面积，time表示当前迭代次 数，i表示方案的编号；

步骤5)将集合PList中的方案按照覆盖率从大到小排列，取区域覆盖率最大的前N个方 案，其余方案移出集合PList；

步骤6)更新第time次迭代后覆盖方案的个体极值当时，将P_i ^time赋值给个体极值否则将赋值给个体极值当time＝0时，

步骤7)更新第time次迭代后集合PList的群体极值Gbest，遍历集合PList中的每一个方 案，当将个体极值赋值给群体极值Gbest，当time＝0， Fc(Gbest)＝0；

步骤8)当time＝time_max时，方法结束，输出群体极值Gbest，所述time_max是预先设定的 跌打阈值；否则time自增1进入步骤9)；

步骤9)粒子群算法进化个体，具体步骤如下：

步骤9.1)计算个体的速度V_i ^time+1：

其中：ω是惯性权重，表示初始速度对速度改变的影响，c₁和c₂分别为自身认知参数和 社会认知参数，μ和η表示两个[0,1]区间内的随机数，当time＝0时，V_i ⁰＝0表示初始速度 为0；

步骤9.2)计算更新后粒子的位置P_i ^time+1：

P_i ^time+1＝V_i ^time+1+P_i ^time

步骤9.3)验证无人机网络的连通性，当网络不连通时，放弃步骤91)和步骤92)中对速 度和位置的更新，将V_i ^time赋值给V_i ^time+1，将P_i ^time赋值给P_i ^time+1，否则保留速度和位置得到更新， 并重新计算个体方案的覆盖率；

步骤10)遗传算法产生新个体，具体步骤如下：

步骤10.1)轮盘选择2K个个体，将集合PList中的所有方案按照覆盖率的大小构成一个 圆盘，转动2K次得到2K个部署方案；

步骤10.2)个体交叉，将选择出的部署方案两两配对成K组，基于概率P_cross对个体进行 交叉，得到2K个新的个体；

步骤10.3)个体变异，对新个体基于概率P_mutate进行变异操作，得到遗传个体集合GAList， 所述遗传个体集合是指经过交叉变异操作产生的新个体的集合；

步骤10.4)遍历遗传个体集合GAList中的每一个个体，验证个体的网络连通性，当网络 不连通时，从集合中删除个体，将集合GAList中剩余的个体加入集合PList中，重新进入步骤 4)。

所述步骤2)中，给定了无人机传感器对地面的覆盖半径Range_ξ：

所述步骤3)、步骤9.3)和步骤10.4)中，对网络连通性验证时，首先构建网络拓扑图 的邻接矩阵E：

其中：e_jl表示邻接矩阵E的第j行第l列的元素，1表示节点l和节点j连通，0表示节点l和 节点j不连通，X_l，Y_l表示无人机U_l的经度和维度，X_j，Y_j表示无人机U_j的经度和维度；然后通过无向图的连通性判定准则判定图是否连通，对于无向图的邻接矩阵E，存在矩阵G，

其中：E^t表示邻接矩阵E的t次幂，当矩阵G中全为非零元素时，无向图为连通图，否则， 无向图不连通。

所述步骤3)中的产生的部署方案P_i ^time是由一组无人机的经度和维度构成的：

P_i ^time＝{(X_i1,Y_i1),(X_i2,Y_i2),(X_i3,Y_i3),...,(X_iN,Y_iN)}

其中：(X_i1,Y_i1)、(X_i2,Y_i2)、(X_i3,Y_i3)和(X_iN,Y_iN)分别表示第1、2、3和N架无人机的经 度和维度。

所述步骤4)中，求解区域覆盖率时，将区域划分为多个小正方形栅格，将栅格由 其中心点坐标表示，当栅格中心被无人机覆盖时，整个栅格就算被覆盖，使用所有被覆盖的 栅格的面积SC_i表示第i组部署方案的覆盖面积。

所述步骤10.3)中，对个体进行变异时，采用定长移位变异算法，具体操作如下：

步骤10.3.1)初始化一个计数器Counter＝1；

步骤10.3.2)当Counter>N，变异结束；否则生成(0，1)之间的随机数rand，当 rand＞P_mutate，进入步骤10.3.3)；否则Counter自增1，进入步骤10.3.2)；

步骤10.3.3)生成(0，1)之间的随机数rand2，当rand2＞0.5，将第Counter个无人机 的经度X_Counter增加ΔL，否则将X_Counter减少ΔL，所述ΔL表示预先设定的定长位移量；当X_Counter＜0，X_Counter＝X_Counter+2×ΔL；当X_Counter＞L，X_Counter＝X_Counter-2×ΔL；

步骤10.3.4)生成(0，1)之间的随机数rand3，当rand3＞0.5，将第Counter个无人机的纬度Y_Counter增加ΔL，否则将Y_Counter减少；当Y_Counter＜0，Y_Counter＝Y_Counter+2×ΔL；当Y_Counter＞L，Y_Counter＝Y_Counter-2×ΔL，Counter自增1，进入步骤10.3.2。

有益效果：本发明所述的一种基于粒子群遗传算法的多无人机区域覆盖部署方法，在粒 子群算法迭代过程中，加入了遗传算法，增加了种群的多样性，从而避免了粒子群算法陷入 局部极值。并且在保证网络连通性的前提条件下通过迭代优化调整无人机部署方案，使区域 覆盖率最大化，以获取最优的拓扑结构。具有地讲具有以下有益效果：

(1)本发明以无人机网络的连通性为前提条件，迭代调整无人机部署方案，提高了无人 机的区域覆盖率，并且保证了网络的连通性。

(2)本发明将遗传算法嵌入到粒子群算法当中，通过遗传变异操作，为种群增加了多样 性，从而避免了算法陷入局部极值。

附图说明

图1是使用粒子群遗传算法的多无人机区域覆盖部署方法的流程图；

图2是目标区域的示意图；

图3是无人机相关参数图；

图4是使用粒子群遗传算法的多无人机区域覆盖部署方法迭代120次得出的最佳覆盖部 署方案图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

实施例1

一种基于粒子群遗传算法的多无人机区域覆盖部署方法，包括以下步骤：

步骤1)输入目标区域的长L和宽W；

步骤2)输入无人机的数量Total、传感器部署角度θ、传感器覆盖半径Rs和最大通信半 径Rt，遍历每一个无人机U_ξ，输入无人机U_ξ的高度H_ξ；

步骤3)初始化空部署方案集合PList，在长为L，宽为W的范围内随机部署无人机，并判 断无人机集群是否连通，当无人机集群连通时，将当前的无人机部署方案P_i保存到部署方案 集合PList当中，重复该步骤直到部署方案集合PList中集合的数量等于N，所述N表示初始 种群中个体的数量；

步骤4)计算集合PList中每一个方案的区域覆盖率，所述覆盖率是指覆盖的面积占目标 区域的百分比，依次从集合PList中取出无人机部署方案P_i，计算P_i的区域覆盖率Fc(P_i ^time)：

其中：SC_i表示部署方案P_i的覆盖面积，S表示目标区域的总面积，time表示当前迭代次 数，i表示方案的编号；

步骤5)将集合PList中的方案按照覆盖率从大到小排列，取区域覆盖率最大的前N个方 案，其余方案移出集合PList；

步骤6)更新第time次迭代后覆盖方案的个体极值当时，将P_i ^time赋值给个体极值否则将赋值给个体极值当time＝0时，

步骤7)更新第time次迭代后集合PList的群体极值Gbest，遍历集合PList中的每一个方 案，当将个体极值赋值给群体极值Gbest，当time＝0， Fc(Gbest)＝0；

步骤8)当time＝time_max时，方法结束，输出群体极值Gbest，所述time_max是预先设定的 跌打阈值；否则time自增1进入步骤9)；

步骤9)粒子群算法进化个体，具体步骤如下：

步骤9.1)计算个体的速度V_i ^time+1：

其中：ω是惯性权重，表示初始速度对速度改变的影响，c₁和c₂分别为自身认知参数和 社会认知参数，μ和η表示两个[0,1]区间内的随机数，当time＝0时，V_i ⁰＝0表示初始速度 为0；

步骤9.2)计算更新后粒子的位置P_i ^time+1：

P_i ^time+1＝V_i ^time+1+P_i ^time

步骤9.3)验证无人机网络的连通性，当网络不连通时，放弃步骤91)和步骤92)中对速 度和位置的更新，将V_i ^time赋值给V_i ^time+1，将P_i ^time赋值给P_i ^time+1，否则保留速度和位置得到更新， 并重新计算个体方案的覆盖率；

步骤10)遗传算法产生新个体，具体步骤如下：

步骤10.1)轮盘选择2K个个体，将集合PList中的所有方案按照覆盖率的大小构成一个 圆盘，转动2K次得到2K个部署方案；

步骤10.2)个体交叉，将选择出的部署方案两两配对成K组，基于概率P_cross对个体进行 交叉，得到2K个新的个体；

步骤10.3)个体变异，对新个体基于概率P_mutate进行变异操作，得到遗传个体集合GAList， 所述遗传个体集合是指经过交叉变异操作产生的新个体的集合；

步骤10.4)遍历遗传个体集合GAList中的每一个个体，验证个体的网络连通性，当网络 不连通时，从集合中删除个体，将集合GAList中剩余的个体加入集合PList中，重新进入步骤 4)。

所述步骤2)中，给定了无人机传感器对地面的覆盖半径Range_ξ：

所述步骤3)、步骤9.3)和步骤10.4)中，对网络连通性验证时，首先构建网络拓扑图 的邻接矩阵E：

其中：e_jl表示邻接矩阵E的第j行第l列的元素，1表示节点l和节点j连通，0表示节点l和 节点j不连通，X_l，Y_l表示无人机U_l的经度和维度，X_j，Y_j表示无人机U_j的经度和维度；然后通过无向图的连通性判定准则判定图是否连通，对于无向图的邻接矩阵E，存在矩阵G，

其中：E^t表示邻接矩阵E的t次幂，当矩阵G中全为非零元素时，无向图为连通图，否则， 无向图不连通。

所述步骤3)中的产生的部署方案P_i ^time是由一组无人机的经度和维度构成的：

P_i ^time＝{(X_i1,Y_i1),(X_i2,Y_i2),(X_i3,Y_i3),...,(X_iN,Y_iN)}

其中：(X_i1,Y_i1)、(X_i2,Y_i2)、(X_i3,Y_i3)和(X_iN,Y_iN)分别表示第1、2、3和N架无人机的经 度和维度。

所述步骤4)中，求解区域覆盖率时，将区域划分为多个小正方形栅格，将栅格由 其中心点坐标表示，当栅格中心被无人机覆盖时，整个栅格就算被覆盖，使用所有被覆盖的 栅格的面积SC_i表示第i组部署方案的覆盖面积。

所述步骤10.3)中，对个体进行变异时，采用定长移位变异算法，具体操作如下：

步骤10.3.1)初始化一个计数器Counter＝1；

步骤10.3.2)当Counter>N，变异结束；否则生成(0，1)之间的随机数rand，当 rand＞P_mutate，进入步骤10.3.3)；否则Counter自增1，进入步骤10.3.2)；

步骤10.3.3)生成(0，1)之间的随机数rand2，当rand2＞0.5，将第Counter个无人机 的经度X_Counter增加ΔL，否则将X_Counter减少ΔL，所述ΔL表示预先设定的定长位移量；当X_Counter＜0，X_Counter＝X_Counter+2×ΔL；当X_Counter＞L，X_Counter＝X_Counter-2×ΔL；

步骤10.3.4)生成(0，1)之间的随机数rand3，当rand3＞0.5，将第Counter个无人机的纬度Y_Counter增加ΔL，否则将Y_Counter减少；当Y_Counter＜0，Y_Counter＝Y_Counter+2×ΔL；当Y_Counter＞L，Y_Counter＝Y_Counter-2×ΔL，Counter自增1，进入步骤10.3.2。

实施例2

一种基于粒子群遗传算法的多无人机区域覆盖部署方法，包括以下步骤：

步骤1)输入目标区域的范围100m×100m，如图2所示。

步骤2)输入无人机数量Total31，无人机传感器覆盖半径Rs20米，无人机传感器部署 夹角θ90度，无人机最大通信半径Rt 35米，如图3所示，为了便于对覆盖问题进行描述，设定所有无人机在执行任务时的飞行高度为16米，则所有无人机对地面的覆盖半径为12米。

步骤3)在保证网络连通性的前提条件下对无人机进行随机部署，得到40个方案的方案 集合。设定部署方案是满足网络连通性的随机 方案。

步骤4)求解部署方案的区域覆盖率，将目标区域划分为10000个1×1的小正方形栅格。 由步骤2可知无人机对地面的覆盖半径为12，则部署方案的区域覆盖率可由所有无人机覆 盖的栅格的总面积占目标区域的比例求得，建立一个初始为0的100×100栅格矩阵，遍历中的每一个无人机，如果栅格被一个无人机所覆盖，则栅格值加1，若栅格(50.5,10.5)被无人 机U₁所覆盖，则当且仅当当所有无人机都计算完毕，遍历 栅格矩阵，计算出非零栅格的总数量，则非零栅格的总数量就是部署方案的总覆盖面积 SC_k，则方案的区域覆盖率为

步骤5)将方案集合中的方案按照覆盖率从大到小排序，取覆盖率大的前40个方案，其 余方案移除方案集合。

步骤6-8)更新个体极值和群体极值，将的覆盖率与个体极值的覆盖率相比较，由于所以将赋值给集合中区域覆盖率最高的 部署方案作为群体极值赋值给Gbest⁰。

将当前迭代次数和预先设定的阈值比较，这里是第一次迭代，还没有达到阈值继续往下。

步骤9)粒子群算法产生进化个体，则的速度的更新为对于个体极值就是自身，且初始速度为0，所以只需要考虑群体学习部分，则因此更新后为验证的网络连通性，如果连通则保留更新否则，

步骤10)遗传算法产生新个体，假设被选中和群体极值进行交叉操作，则遍历每一个 中的每一个无人机，基于概率P_cross与群体极值中的对应位置的无人机做交叉操作，得到两 条新的部署方案和基于概率P_mutate对新方案进行定长移位变异，判断变异后的方案 是否满足网络的连通性条件，如果不满足，则丢弃方案，否则将变异后的方案加入方案集合 中，转步骤4)。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说， 在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发 明的保护范围。

Claims (6)

1.一种基于粒子群遗传算法的多无人机区域覆盖部署方法，其特征在于，包括以下步骤：

步骤1)输入目标区域的长L和宽W；

步骤2)输入无人机的数量Total、传感器部署角度θ、传感器覆盖半径Rs和最大通信半径Rt，遍历每一个无人机U_ξ，输入无人机U_ξ的高度H_ξ；

步骤3)初始化空部署方案集合PList，在长为L，宽为W的范围内随机部署无人机，并判断无人机集群是否连通，当无人机集群连通时，将当前的无人机部署方案P_i保存到部署方案集合PList当中，重复该步骤直到部署方案集合PList中集合的数量等于N，所述N表示初始种群中个体的数量；

步骤4)计算集合PList中每一个方案的区域覆盖率，所述覆盖率是指覆盖的面积占目标区域的百分比，依次从集合PList中取出无人机部署方案P_i，计算P_i的区域覆盖率Fc(P_i ^time)：

其中：SC_i表示部署方案P_i的覆盖面积，S表示目标区域的总面积，time表示当前迭代次数，i表示方案的编号；

步骤5)将集合PList中的方案按照覆盖率从大到小排列，取区域覆盖率最大的前N个方案，其余方案移出集合PList；

步骤6)更新第time次迭代后覆盖方案的个体极值当时，将P_i ^time赋值给个体极值否则将赋值给个体极值当time＝0时，

步骤7)更新第time次迭代后集合PList的群体极值Gbest，遍历集合PList中的每一个方案，当将个体极值赋值给群体极值Gbest，当time＝0，Fc(Gbest)＝0；

步骤8)当time＝time_max时，方法结束，输出群体极值Gbest，所述time_max是预先设定的跌打阈值；否则time自增1进入步骤9)；

步骤9)粒子群算法进化个体，具体步骤如下：

步骤9.1)计算个体的速度V_i ^time+1：

其中：ω是惯性权重，表示初始速度对速度改变的影响，c₁和c₂分别为自身认知参数和社会认知参数，μ和η表示两个[0，1]区间内的随机数，当time＝0时，V_i ⁰＝0表示初始速度为0；

步骤9.2)计算更新后粒子的位置P_i ^time+1：

P_i ^time+1＝V_i ^time+1+P_i ^time

步骤9.3)验证无人机网络的连通性，当网络不连通时，放弃步骤91)和步骤92)中对速度和位置的更新，将V_i ^time赋值给V_i ^time+1，将P_i ^time赋值给P_i ^time+1，否则保留速度和位置得到更新，并重新计算个体方案的覆盖率；

步骤10)遗传算法产生新个体，具体步骤如下：

步骤10.1)轮盘选择2K个个体，将集合PList中的所有方案按照覆盖率的大小构成一个圆盘，转动2K次得到2K个部署方案；

步骤10.2)个体交叉，将选择出的部署方案两两配对成K组，基于概率P_cross对个体进行交叉，得到2K个新的个体；

步骤10.3)个体变异，对新个体基于概率P_mutate进行变异操作，得到遗传个体集合GAList，所述遗传个体集合是指经过交叉变异操作产生的新个体的集合；

步骤10.4)遍历遗传个体集合GAList中的每一个个体，验证个体的网络连通性，当网络不连通时，从集合中删除个体，将集合GAList中剩余的个体加入集合PList中，重新进入步骤4)。

2.根据权利要求1所述的一种基于粒子群遗传算法的多无人机区域覆盖部署方法，其特征在于：步骤2)中，给定了无人机传感器对地面的覆盖半径Range_ξ：

3.根据权利要求1所述的一种基于粒子群遗传算法的多无人机区域覆盖部署方法，其特征在于：步骤3)、步骤9.3)和步骤10.4)中，对网络连通性验证时，首先构建网络拓扑图的邻接矩阵E：

其中：e_il表示邻接矩阵E的第j行第l列的元素，1表示节点l和节点j连通，0表示节点l和节点j不连通，X_l，Y_l表示无人机U_l的经度和维度，X_j，Y_j表示无人机U_j的经度和维度；然后通过无向图的连通性判定准则判定图是否连通，对于无向图的邻接矩阵E，存在矩阵G，

其中：E^t表示邻接矩阵E的t次幂，当矩阵G中全为非零元素时，无向图为连通图，否则，无向图不连通。

4.根据权利要求1所述的一种基于粒子群遗传算法的多无人机区域覆盖部署方法，其特征在于：步骤3)中的产生的部署方案P_i ^time是由一组无人机的经度和维度构成的：

P_i ^time＝{(X_i1，Y_i1)，(X_i2，Y_i2)，(X_i3，Y_i3)，...，(X_iN，Y_iN)}

其中：(X_i1，Y_i1)、(X_i2，Y_i2)、(X_i3，Y_i3)和(X_iN，Y_iN)分别表示第1、2、3和N架无人机的经度和维度。

5.根据权利要求1所述的一种基于粒子群遗传算法的多无人机区域覆盖部署方法，其特征在于：步骤4)中，求解区域覆盖率时，将区域划分为多个小正方形栅格，将栅格由其中心点坐标表示，当栅格中心被无人机覆盖时，整个栅格就算被覆盖，使用所有被覆盖的栅格的面积SC_i表示第i组部署方案的覆盖面积。

6.根据权利要求1所述的一种基于粒子群遗传算法的多无人及区域覆盖部署方法，其特征在于：步骤10.3)中，对个体进行变异时，采用定长移位变异算法，具体操作如下：

步骤10.3.1)初始化一个计数器Counter＝1；

步骤10.3.2)当Counter＞N，变异结束；否则生成(0，1)之间的随机数rand，当rand＞P_mutate，进入步骤10.3.3)；否则Counter自增1，进入步骤10.3.2)；

步骤10.3.3)生成(0，1)之间的随机数rand2，当rand2＞0.5，将第Counter个无人机的经度X_Counter增加ΔL，否则将X_Counter减少ΔL，所述ΔL表示预先设定的定长位移量；当X_Counter＜0，X_Counter＝X_Counter+2×ΔL；当X_Counter＞L，X_Counter＝X_Counter-2×ΔL；

步骤10.3.4)生成(0，1)之间的随机数rand3，当rand3＞0.5，将第Counter个无人机的纬度Y_Counter增加ΔL，否则将Y_Counter减少；当Y_Counter＜0，Y_Counter＝Y_Counter+2×ΔL；当Y_Counter＞L，Y_Counter＝Y_Counter-2×ΔL，Counter自增1，进入步骤10.3.2。