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
一种基于粒子群遗传算法的多无人机区域覆盖部署方法 Download PDFInfo
- Publication number
- CN110233657A CN110233657A CN201910255514.4A CN201910255514A CN110233657A CN 110233657 A CN110233657 A CN 110233657A CN 201910255514 A CN201910255514 A CN 201910255514A CN 110233657 A CN110233657 A CN 110233657A
- Authority
- CN
- China
- Prior art keywords
- counter
- individual
- time
- unmanned plane
- scheme
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18502—Airborne stations
- H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
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
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Uξ,输入无人机Uξ的高度Hξ;
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Pi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Pi,计算Pi的区域覆盖率Fc(Pi time):
其中:SCi表示部署方案Pi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Pi 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=timemax时,方法结束,输出群体极值Gbest,所述timemax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Vi 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,Vi 0=0表示初始速度 为0;
步骤9.2)计算更新后粒子的位置Pi time+1:
Pi time+1=Vi time+1+Pi 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Vi time赋值给Vi time+1,将Pi time赋值给Pi 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Pcross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Pmutate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Rangeξ:
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:ejl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,Xl,Yl表示无人机Ul的经度和维度,Xj,Yj表示无人机Uj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:Et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Pi time是由一组无人机的经度和维度构成的:
Pi time={(Xi1,Yi1),(Xi2,Yi2),(Xi3,Yi3),...,(XiN,YiN)}
其中:(Xi1,Yi1)、(Xi2,Yi2)、(Xi3,Yi3)和(XiN,YiN)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SCi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>Pmutate,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XCounter增加ΔL,否则将XCounter减少ΔL,所述ΔL表示预先设定的定长位移量;当XCounter<0,XCounter=XCounter+2×ΔL;当XCounter>L,XCounter=XCounter-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YCounter增加ΔL,否则将YCounter减少;当YCounter<0,YCounter=YCounter+2×ΔL;当YCounter>L,YCounter=YCounter-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Uξ,输入无人机Uξ的高度Hξ;
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Pi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Pi,计算Pi的区域覆盖率Fc(Pi time):
其中:SCi表示部署方案Pi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Pi 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=timemax时,方法结束,输出群体极值Gbest,所述timemax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Vi 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,Vi 0=0表示初始速度 为0;
步骤9.2)计算更新后粒子的位置Pi time+1:
Pi time+1=Vi time+1+Pi 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Vi time赋值给Vi time+1,将Pi time赋值给Pi 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Pcross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Pmutate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Rangeξ:
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:ejl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,Xl,Yl表示无人机Ul的经度和维度,Xj,Yj表示无人机Uj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:Et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Pi time是由一组无人机的经度和维度构成的:
Pi time={(Xi1,Yi1),(Xi2,Yi2),(Xi3,Yi3),...,(XiN,YiN)}
其中:(Xi1,Yi1)、(Xi2,Yi2)、(Xi3,Yi3)和(XiN,YiN)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SCi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>Pmutate,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XCounter增加ΔL,否则将XCounter减少ΔL,所述ΔL表示预先设定的定长位移量;当XCounter<0,XCounter=XCounter+2×ΔL;当XCounter>L,XCounter=XCounter-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YCounter增加ΔL,否则将YCounter减少;当YCounter<0,YCounter=YCounter+2×ΔL;当YCounter>L,YCounter=YCounter-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 SCk,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Pcross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Pmutate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Uξ,输入无人机Uξ的高度Hξ;
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Pi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Pi,计算Pi的区域覆盖率Fc(Pi time):
其中:SCi表示部署方案Pi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Pi 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=timemax时,方法结束,输出群体极值Gbest,所述timemax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Vi 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,Vi 0=0表示初始速度为0;
步骤9.2)计算更新后粒子的位置Pi time+1:
Pi time+1=Vi time+1+Pi 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Vi time赋值给Vi time+1,将Pi time赋值给Pi 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Pcross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Pmutate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Rangeξ:
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:eil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,Xl,Yl表示无人机Ul的经度和维度,Xj,Yj表示无人机Uj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:Et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Pi time是由一组无人机的经度和维度构成的:
Pi time={(Xi1,Yi1),(Xi2,Yi2),(Xi3,Yi3),...,(XiN,YiN)}
其中:(Xi1,Yi1)、(Xi2,Yi2)、(Xi3,Yi3)和(XiN,YiN)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SCi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>Pmutate,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XCounter增加ΔL,否则将XCounter减少ΔL,所述ΔL表示预先设定的定长位移量;当XCounter<0,XCounter=XCounter+2×ΔL;当XCounter>L,XCounter=XCounter-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YCounter增加ΔL,否则将YCounter减少;当YCounter<0,YCounter=YCounter+2×ΔL;当YCounter>L,YCounter=YCounter-2×ΔL,Counter自增1,进入步骤10.3.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255514.4A CN110233657B (zh) | 2019-04-01 | 2019-04-01 | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255514.4A CN110233657B (zh) | 2019-04-01 | 2019-04-01 | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110233657A true CN110233657A (zh) | 2019-09-13 |
CN110233657B CN110233657B (zh) | 2021-07-09 |
Family
ID=67860176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910255514.4A Active CN110233657B (zh) | 2019-04-01 | 2019-04-01 | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110233657B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111970714A (zh) * | 2020-08-14 | 2020-11-20 | 北京邮电大学 | 一种面向用户分布依赖的无人机基站部署方法 |
CN112351438A (zh) * | 2020-11-04 | 2021-02-09 | 南京航空航天大学 | 一种基于无向图的无人机基站部署方法 |
CN112367111A (zh) * | 2020-10-20 | 2021-02-12 | 西安电子科技大学 | 一种无人机中继部署方法、系统、计算机设备及应用 |
CN112434857A (zh) * | 2020-11-25 | 2021-03-02 | 中国人民解放军空军工程大学 | 一种基于ga-pso优化的无人机机场网络选址布置方法 |
CN112578811A (zh) * | 2020-12-02 | 2021-03-30 | 中国联合网络通信集团有限公司 | 一种无人机集群表演的方法和装置 |
CN113395706A (zh) * | 2021-06-17 | 2021-09-14 | 郑州大学 | 基于粒子群算法的异构无人机三维空间部署方法及设备 |
CN113490179A (zh) * | 2021-07-19 | 2021-10-08 | 北京信息科技大学 | 一种基于信干噪比概率感知的无人机覆盖优化方法 |
CN113807486A (zh) * | 2021-08-23 | 2021-12-17 | 南京邮电大学 | 基于改进粒子群算法的多机器人区域覆盖方法 |
CN114980024A (zh) * | 2022-06-28 | 2022-08-30 | 安徽大学 | 一种基于离散种子优化算法的通信节点无人机网络部署方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005093904A1 (en) * | 2004-01-14 | 2005-10-06 | The Penn State Research Foundation | Reconfigurable frequency selective surfaces for remote sensing of chemical and biological agents |
CN101286071A (zh) * | 2008-04-24 | 2008-10-15 | 北京航空航天大学 | 基于微粒群优化和遗传算法的多无人机三维编队重构方法 |
CN103313263A (zh) * | 2013-04-25 | 2013-09-18 | 中山大学 | 基于遗传算法的无线传感器网络节点分层调度方法 |
CN104853399A (zh) * | 2015-03-10 | 2015-08-19 | 华南理工大学 | 基于改进的遗传-粒子群混合算法的协作中继选择方法 |
US20180308371A1 (en) * | 2017-04-19 | 2018-10-25 | Beihang University | Joint search method for uav multiobjective path planning in urban low altitude environment |
CN108770003A (zh) * | 2018-05-07 | 2018-11-06 | 南京邮电大学 | 一种基于粒子群优化的自组织无人机网络路由发现方法 |
-
2019
- 2019-04-01 CN CN201910255514.4A patent/CN110233657B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005093904A1 (en) * | 2004-01-14 | 2005-10-06 | The Penn State Research Foundation | Reconfigurable frequency selective surfaces for remote sensing of chemical and biological agents |
CN101286071A (zh) * | 2008-04-24 | 2008-10-15 | 北京航空航天大学 | 基于微粒群优化和遗传算法的多无人机三维编队重构方法 |
CN103313263A (zh) * | 2013-04-25 | 2013-09-18 | 中山大学 | 基于遗传算法的无线传感器网络节点分层调度方法 |
CN104853399A (zh) * | 2015-03-10 | 2015-08-19 | 华南理工大学 | 基于改进的遗传-粒子群混合算法的协作中继选择方法 |
US20180308371A1 (en) * | 2017-04-19 | 2018-10-25 | Beihang University | Joint search method for uav multiobjective path planning in urban low altitude environment |
CN108770003A (zh) * | 2018-05-07 | 2018-11-06 | 南京邮电大学 | 一种基于粒子群优化的自组织无人机网络路由发现方法 |
Non-Patent Citations (6)
Title |
---|
D.G. REINA 等: "Multi-subpopulation evolutionary algorithms for coverage deployment of UAV-networks", 《AD HOC NETWORKS》 * |
DAVID STRUBEL 等: "Evolutionary algorithm for positioning cameras networks mounted on UAV", 《2017 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV)》 * |
HAIBIN DUAN 等: "Hybrid Particle Swarm Optimization and Genetic Algorithm for Multi-UAV Formation Reconfiguration", 《IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE》 * |
JIANG,JA 等: "Energy-Efficient Coverage Control in Cluster-Based Wireless Sensor Networks Using a Memetic Algorithm", 《SENSORS》 * |
刘创 等: "一种面向航空集群的无人机中继网络部署策略", 《计算机工程》 * |
王伟 等: "基于混沌量子粒子群算法的无线传感器网络覆盖优化", 《传感技术学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111970714A (zh) * | 2020-08-14 | 2020-11-20 | 北京邮电大学 | 一种面向用户分布依赖的无人机基站部署方法 |
CN111970714B (zh) * | 2020-08-14 | 2022-06-28 | 北京邮电大学 | 一种面向用户分布依赖的无人机基站部署方法 |
CN112367111A (zh) * | 2020-10-20 | 2021-02-12 | 西安电子科技大学 | 一种无人机中继部署方法、系统、计算机设备及应用 |
CN112351438A (zh) * | 2020-11-04 | 2021-02-09 | 南京航空航天大学 | 一种基于无向图的无人机基站部署方法 |
CN112434857A (zh) * | 2020-11-25 | 2021-03-02 | 中国人民解放军空军工程大学 | 一种基于ga-pso优化的无人机机场网络选址布置方法 |
CN112434857B (zh) * | 2020-11-25 | 2023-10-27 | 中国人民解放军空军工程大学 | 一种基于ga-pso优化的无人机机场网络选址布置方法 |
CN112578811B (zh) * | 2020-12-02 | 2022-11-22 | 中国联合网络通信集团有限公司 | 一种无人机集群表演的方法和装置 |
CN112578811A (zh) * | 2020-12-02 | 2021-03-30 | 中国联合网络通信集团有限公司 | 一种无人机集群表演的方法和装置 |
CN113395706A (zh) * | 2021-06-17 | 2021-09-14 | 郑州大学 | 基于粒子群算法的异构无人机三维空间部署方法及设备 |
CN113490179A (zh) * | 2021-07-19 | 2021-10-08 | 北京信息科技大学 | 一种基于信干噪比概率感知的无人机覆盖优化方法 |
CN113807486B (zh) * | 2021-08-23 | 2023-09-26 | 南京邮电大学 | 基于改进粒子群算法的多机器人区域覆盖方法 |
CN113807486A (zh) * | 2021-08-23 | 2021-12-17 | 南京邮电大学 | 基于改进粒子群算法的多机器人区域覆盖方法 |
CN114980024A (zh) * | 2022-06-28 | 2022-08-30 | 安徽大学 | 一种基于离散种子优化算法的通信节点无人机网络部署方法 |
CN114980024B (zh) * | 2022-06-28 | 2023-10-13 | 安徽大学 | 一种基于离散种子优化算法的通信节点无人机网络部署方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110233657B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110233657A (zh) | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 | |
CN108229719B (zh) | 无人机编队任务分配与航迹规划的多目标优化方法及装置 | |
CN109254588B (zh) | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 | |
CN107807665B (zh) | 无人机编队探测任务协同分配方法及装置 | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN107103164B (zh) | 无人机执行多任务的分配方法及装置 | |
CN109164810A (zh) | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 | |
CN103744290B (zh) | 一种多无人机编队分层目标分配方法 | |
CN105841702A (zh) | 一种基于粒子群优化算法的多无人机航路规划方法 | |
CN104808665B (zh) | 基于多目标人工蜂群算法的多机器人路径规划方法 | |
CN111553469B (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
CN112462803B (zh) | 一种基于改进nsga-ii的无人机路径规划方法 | |
CN106197426A (zh) | 一种无人机应急通信路径规划方法及系统 | |
CN112230675B (zh) | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 | |
CN108171315A (zh) | 基于smc粒子群算法的多无人机任务分配方法 | |
CN115509239B (zh) | 一种基于空地信息共享的无人车路径规划方法 | |
CN113485409B (zh) | 一种面向地理公平性的无人机路径规划分配方法及系统 | |
CN114172942A (zh) | 多无人机辅助物联网的协同任务分配与轨迹优化方法 | |
CN115169543A (zh) | 一种基于迁移学习的短期光伏功率预测方法及系统 | |
CN105956715A (zh) | 一种土壤墒情预测方法及装置 | |
CN108764741B (zh) | 用于确定工厂设定区域内的生产设备布局的方法及装置 | |
CN106681135B (zh) | 一种基于混合水滴算法的线缆布线路径搜索方法 | |
Champasak et al. | Grid-based many-objective optimiser for aircraft conceptual design with multiple aircraft configurations | |
CN117556979B (zh) | 基于群体智能搜索的无人机平台与载荷一体化设计方法 | |
Xiao-Ting et al. | Flight path planning based on an improved genetic algorithm |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190913 Assignee: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS Contract record no.: X2021980013920 Denomination of invention: A multi UAV area coverage deployment method based on Particle Swarm Genetic Algorithm Granted publication date: 20210709 License type: Common License Record date: 20211202 |