CN110233657B - 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 PDF

Info

Publication number
CN110233657B
CN110233657B CN201910255514.4A CN201910255514A CN110233657B CN 110233657 B CN110233657 B CN 110233657B CN 201910255514 A CN201910255514 A CN 201910255514A CN 110233657 B CN110233657 B CN 110233657B
Authority
CN
China
Prior art keywords
counter
time
unmanned aerial
individual
aerial vehicle
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
CN201910255514.4A
Other languages
English (en)
Other versions
CN110233657A (zh
Inventor
陈志�
王福星
岳文静
汪皓平
狄小娟
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201910255514.4A priority Critical patent/CN110233657B/zh
Publication of CN110233657A publication Critical patent/CN110233657A/zh
Application granted granted Critical
Publication of CN110233657B publication Critical patent/CN110233657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/14Relay systems
    • H04B7/15Active relay systems
    • H04B7/185Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502Airborne stations
    • H04B7/18506Communications with or from aircraft, i.e. aeronautical mobile service
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W16/00Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18Network 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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (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

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):
Figure GDA0003109380850000021
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
Figure GDA0003109380850000022
Figure GDA0003109380850000023
时,将Pi time赋值给个体极值
Figure GDA0003109380850000024
否则将
Figure GDA0003109380850000025
赋值给个体极值
Figure GDA0003109380850000026
当time=0时,
Figure GDA0003109380850000027
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
Figure GDA0003109380850000028
将个体极值
Figure GDA0003109380850000029
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是预先设定的迭代阈值;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
Figure GDA00031093808500000210
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
Figure GDA0003109380850000031
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:
Figure GDA0003109380850000032
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,
Figure GDA0003109380850000033
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
Figure GDA0003109380850000041
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△L,否则将XCounter减少△L,所述△L表示预先设定的定长位移量;当XCounter<0,XCounter=XCounter+2×△L;当XCounter>L,XCounter=XCounter-2×△L;
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△L,否则将YCounter减少;当YCounter<0,YCounter=YCounter+2×△L;当YCounter>L,YCounter=YCounter-2×△L,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):
Figure GDA0003109380850000051
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
Figure GDA0003109380850000052
Figure GDA0003109380850000053
时,将Pi time赋值给个体极值
Figure GDA0003109380850000054
否则将
Figure GDA0003109380850000055
赋值给个体极值
Figure GDA0003109380850000056
当time=0时,
Figure GDA0003109380850000057
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
Figure GDA0003109380850000061
将个体极值
Figure GDA0003109380850000062
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是预先设定的迭代阈值;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
Figure GDA0003109380850000063
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
Figure GDA0003109380850000071
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:
Figure GDA0003109380850000072
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,
Figure GDA0003109380850000073
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Fci time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△L,否则将XCounter减少△L,所述△L表示预先设定的定长位移量;当XCounter<0,XCounter=XCounter+2×△L;当XCounter>L,XCounter=XCounter-2×△L;
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△L,否则将YCounter减少;当YCounter<0,YCounter=YCounter+2×△L;当YCounter>L,YCounter=YCounter-2×△L,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
Figure GDA0003109380850000081
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
Figure GDA0003109380850000082
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
Figure GDA0003109380850000083
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
Figure GDA0003109380850000084
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
Figure GDA0003109380850000085
的总覆盖面积SCk,则方案
Figure GDA0003109380850000086
的区域覆盖率
Figure GDA0003109380850000087
Figure GDA0003109380850000088
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
Figure GDA0003109380850000089
的覆盖率
Figure GDA00031093808500000810
与个体极值的覆盖率
Figure GDA00031093808500000811
相比较,由于
Figure GDA00031093808500000812
所以将
Figure GDA00031093808500000813
赋值给
Figure GDA00031093808500000814
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
Figure GDA0003109380850000091
的速度的更新
Figure GDA0003109380850000092
Figure GDA0003109380850000093
对于
Figure GDA0003109380850000094
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
Figure GDA0003109380850000095
因此
Figure GDA0003109380850000096
更新后为
Figure GDA0003109380850000097
验证
Figure GDA0003109380850000098
的网络连通性,如果连通则保留更新否则,
Figure GDA0003109380850000099
步骤10)遗传算法产生新个体,假设被选中
Figure GDA00031093808500000910
和群体极值进行交叉操作,则遍历每一个
Figure GDA00031093808500000911
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
Figure GDA00031093808500000912
Figure GDA00031093808500000913
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 (2)

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):
Figure FDA0003068202590000011
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
Figure FDA0003068202590000012
Figure FDA0003068202590000013
时,将Pi time赋值给个体极值
Figure FDA0003068202590000014
否则将
Figure FDA0003068202590000015
赋值给个体极值
Figure FDA0003068202590000016
当time=0时,
Figure FDA0003068202590000017
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
Figure FDA0003068202590000018
将个体极值
Figure FDA0003068202590000019
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是预先设定的迭代阈值;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
Figure FDA0003068202590000021
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9.1)和步骤9.2) 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);
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:
Figure FDA0003068202590000022
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的经度和纬度,Xj,Yj表示无人机Uj的经度和纬度;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,
Figure FDA0003068202590000031
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纬度构成的:
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架无人机的经度和纬度;
所述步骤4)中,求解区域覆盖率
Figure FDA0003068202590000032
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rand 3>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。
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
Figure FDA0003068202590000041
CN201910255514.4A 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 Active CN110233657B (zh)

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 CN110233657A (zh) 2019-09-13
CN110233657B true 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)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112351438B (zh) * 2020-11-04 2022-12-02 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
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
CN113395706B (zh) * 2021-06-17 2022-07-22 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
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

Citations (5)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106970648B (zh) * 2017-04-19 2019-05-14 北京航空航天大学 城市低空环境下无人机多目标路径规划联合搜索方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
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)

* Cited by examiner, † Cited by third party
Title
Energy-Efficient Coverage Control in Cluster-Based Wireless Sensor Networks Using a Memetic Algorithm;Jiang,JA 等;《SENSORS》;20090622;第4918-4920页 *
Evolutionary algorithm for positioning cameras networks mounted on UAV;David Strubel 等;《2017 IEEE Intelligent Vehicles Symposium (IV)》;20170731;第1758-1763页 *
Hybrid Particle Swarm Optimization and Genetic Algorithm for Multi-UAV Formation Reconfiguration;Haibin Duan 等;《IEEE Computational Intelligence Magazine》;20130710;第16-27页 *
Multi-subpopulation evolutionary algorithms for coverage deployment of UAV-networks;D.G. Reina 等;《Ad Hoc Networks》;20180131;第16-32页 *
一种面向航空集群的无人机中继网络部署策略;刘创 等;《计算机工程》;20180531;第107-123页 *
基于混沌量子粒子群算法的无线传感器网络覆盖优化;王伟 等;《传感技术学报》;20160229;第290-296页 *

Also Published As

Publication number Publication date
CN110233657A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110233657B (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
CN113296963B (zh) 一种考虑用户移动性的无人机辅助的边缘计算方法
CN107277830B (zh) 一种基于粒子群优化和变异算子的无线传感器网络节点部署方法
CN109275094B (zh) 一种高能效无人机覆盖点连续覆盖方法和装置
Lin et al. UAV intelligent path planning for wilderness search and rescue
CN107977743B (zh) 多无人机协同任务分配方法及装置
Milner et al. Nature-inspired self-organization, control, and optimization in heterogeneous wireless networks
Danoy et al. Connectivity stability in autonomous multi-level UAV swarms for wide area monitoring
CN107886201B (zh) 多无人机任务分配的多目标优化方法及装置
CN107807665B (zh) 无人机编队探测任务协同分配方法及装置
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
Wu et al. Load balance and trajectory design in multi-UAV aided large-scale wireless rechargeable networks
Shi et al. A two-stage strategy for UAV-enabled wireless power transfer in unknown environments
CN113872661B (zh) 面向接入用户分级服务的无人机网络三维部署方法及系统
Lin et al. A PDDQNLP algorithm for energy efficient computation offloading in UAV-assisted MEC
CN113507717A (zh) 一种基于车辆轨迹预测的无人机轨迹优化方法及系统
CN116227767A (zh) 基于深度强化学习的多无人机基站协同覆盖路径规划方法
CN113987692A (zh) 用于无人机和边缘计算服务器的深度神经网络分区方法
Wei et al. Joint UAV trajectory planning, DAG task scheduling, and service function deployment based on DRL in UAV-empowered edge computing
CN116451934A (zh) 多无人机边缘计算路径优化与依赖任务调度优化方法及系统
CN114828146A (zh) 一种基于神经网络和迭代学习的无人集群地理位置路由方法
Champasak et al. Grid-based many-objective optimiser for aircraft conceptual design with multiple aircraft configurations
CN117519244B (zh) 无人机集群协同探测多目标的路径规划方法及系统
Singh et al. Energy-efficient uav trajectory planning in rechargeable iot networks
Sobouti et al. Managing sets of flying base stations using energy efficient 3D trajectory planning in cellular networks

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

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

EE01 Entry into force of recordation of patent licensing contract