CN110389595B - 双属性概率图优化的无人机集群协同目标搜索方法 - Google Patents

Abstract

本发明涉及无人机集群协同目标搜索，特别是双属性概率图优化的无人机集群协同目标搜索方法,其特征是：至少包括如下步骤：步骤1)根据无人机初始的场景信息，引入概率图标志位，依据概率图标志位建立基于双属性矩阵的待搜索环境概率图模型；步骤2)结合目标场景信息给出无人机的飞行规则，建立无人机运动模型；确定无人机航向角最大收益的目标函数及约束条件；步骤3)获取无人机航向角度的最优值，使用遗传算法。它克服了传统算法早熟现象，保证了飞行路径可行性，同时避免对区域的重复搜索。

Description

双属性概率图优化的无人机集群协同目标搜索方法

技术领域

本发明涉及无人机集群协同目标搜索，特别是双属性概率图优化 的无人机集群协同目标搜索方法。

背景技术

多无人机集群协同目标搜索是无人机协同控制的重要研究内容。 在未来信息化与网络化的环境下，现代无人机的任务规划难度、危 险度不断增加，单无人机执行任务效能极为有限，难以很好的完成 任务。而通过多无人机协同任务分配可以更加有效的执行更多、难 度更大的、环境更加艰难的任务；在确定环境下搜索即知道目标的 位置，通过多架无人机进行协同搜索，此问题可转化为TSP(Traveling Salesman Problem,TSP)问题，目前研究已经成熟。

不确定环境下的多无人机协同搜索是目前的研究热点和应用难 点。国内外学者针对搜索环境的建模、无人机协同决策、通信限制 与飞行障碍等方面展开了大量研究，运用了遗传、蚁群、粒子群等 群智能优化算法来优化决策输入，取得了丰富的成果。Zhong L等人 提出了一种新型的可控协同搜索覆盖算法及回访机制，但回访机制 的信息素传播与挥发参数设定较复杂且难以定量控制，导致同一个 目标点重复回访。Fan Yang等人提出了改进的蚁群算法，建立区域环 境模型并设计状态转移规则，但偏重解决区域覆盖的问题，目标搜 索效率较低。Xiaoxuan Hu等人将协同搜索策略分为概率图初始化、更 新和无人机转移规则三个关键部分。建立了可移动目标的协同搜索 模型，将遗传算法的交叉算子引入粒子群算法，但是其仿真结果不 能保证路径的飞行可实现性。B.Detienne等人，提出智能自组织控制 算法，采用分布式控制输入决策，引用加权策略思想改进多目标进 化算法，将解空间定义为搜索重点区域，目标搜索效率高。但是在 执行目标搜索任务时，依旧存在目标遗漏的问题。

综上所述，目前已有的算法能在一定程度上解决在不确定环境下 多无人机协同目标搜索问题，但在目标搜索过程中，这些算法主要 还存在着两类问题：1)环境概率图的不确定性导致路径优化后仍存 在搜索目标的遗漏；2)优化算法产生的路径不能保证飞行可实现性， 存在着重复路径以及实际不可行的转角。

发明内容

本发明的目的是提供双属性概率图优化的无人机集群协同目标 搜索方法，提高不确定环境下无人机对目标捕获能力，进而提高多 无人机协同搜索效率，克服了传统算法早熟现象，保证了飞行路径 可行性，同时避免对区域的重复搜索。

本发明的目的是这样实现的，双属性概率图优化的无人机集群 协同目标搜索方法，其特征是：至少包括如下步骤：

步骤1)根据无人机初始的场景信息，引入概率图标志位，依据 概率图标志位建立基于双属性矩阵的待搜索环境概率图模型；根据 概率图模型建立概率图的更新规则，依据概率图的更新规则更新搜 索过程的概率图信息；

步骤2)结合目标场景信息给出无人机的飞行规则，建立无人机 运动模型；确定无人机航向角最大收益的目标函数及约束条件；

步骤3)获取无人机航向角度的最优值，使用遗传算法，将航向 角编码为一系列仅有-1，0,1组成的种群染色体，将最初的航向角编 码得到的种群染色体作为初始染色体，用改进的协同进化遗传算法， 对初始种群进行编码与解码；初始化遗传算法参数，通过改进的协 同进化遗传算法优化产生的最优协同决策输入航向角集合，产生协 同路径。

所述的步骤1包括：

步骤1.1)包括搜索环境反映任务区域的信息，建立环境概率模 型；定义一个集合来描述搜索环境，具体表示为式:

En＝{(m,n)|m＝1,2,3...M,n＝1,2,3...N}

式中(m,n)表示搜索环境网格左下角处的坐标，为了便于概率图 的更新，定义一个具有二元元素的矩阵来表示搜索环境初始信息,可 以表示成式：

ψ＝[p_mn,flag]_M×N

式中p_mn表示坐标(m,n)处所表示网格的先验概率，flag为标志位， 简化取值为0或1，定义flag＝0表示在该网格无真实目标，flag＝1 表示在该网格有真实目标；

步骤1.2)设定机载传感器在真实有目标的当前网格(m,n)发现目 标的概率为p_d，在没有真实目标的网格误测的有目标的概率为p_f， 用A_(m,n)表示在(m,n)网格中存在目标的事件，用B_(m,n)表示传感器检测 到单元格(m,n)中存在目标的事件，因此p_d与p_f可表示为式：

p_d＝p[B_(m,n)|A_(m,n)]，

假设无人机t_k时刻，搜索的网格坐标为(m,n)∈En时，先访问该网 格的flag位，当flag＝1时，t_k+1时刻概率图的更新公式为：

当flag＝0时，t_k+1时刻概率图的更新公式为：

其中，GRID_mn(t_k)∈[0,1]为t_k时刻当前网格的概率，p_d∈[0,1]为传感 器的检测概率(即在搜索单元真实有目标且被捕捉的概率)，p_f∈[0,1] 为传感器的误测概率(即在搜索单元没有真实目标却检测有目标的 概率)。

所述的步骤2包括：

步骤2.1)建立无人机(UAV)的运动模型,无人机通过传感器对 任务区域进行搜索，定义无人机的状态表示为式：

δ_i(k)＝[En_i(k),d_i(k)]

其中，En_i(k)表示k时刻无人机的当前位置，d_i表示k时刻无人 机的当前航向角；

在无人机实际飞行的过程中，受到转弯半径的约束与限制，因此 定义前进方向Δd∈{-1,0,1}(-1为左转45度，0为正向前进方向，1为 右转45度)为三个实际可行航向角的增量，便于后边算法编码的研 究；采用八链码方向d∈{0,1,2,3,4,5,6,7}，表示无人机可行的8个方向；

无人机的运动模型可以写为：

式中，v₀表示为无人机的飞行速度，β是当前无人机向下一步的 偏转角且满足-α≤β≤α；算子|·|表示取整，可表示为无人机向 周围单元格移动一个步长时映射在搜索环境网格增量(Δm,Δn)；n_i(k) 表示在k时刻UAV_i的纵坐标，m_i(k)表示UAV_i在k时刻无人机的横坐标； Δd(k)为k时刻UAV_i的前进方向；

步骤2.2)依据建立的环境模型与无人机的运动模型，目标函数 定义为在预测步长内包含无人机覆盖的网格概率之和的收益，同时 需要考虑无人机之间的距离约束与无人机与目标区域之间的距离约 束，因此目标函数可以定义为：

式中，N_v表示无人机的数量，A_i表示无人机i执行第一步路径的 网格，Z_i为无人机i预测步长内所覆盖的网格总区域。p_d为无人机检 测到目标的概率，p_f为无人机误测的概率，Γ₁，Γ₂，ω₁，ω₂为权重因子 且满足Γ₁+Γ₂+ω₁+ω₂＝1；l₁为无人机与搜索边界的距离约束，l₂为无 人机之间的距离约束；当l₂→0时，fit(t_k)＝0；p_(m,n)(t_k)为预测步长内t_k时 刻无人机覆盖网格(m,n)对应的概率，M为搜索区域横坐标最大值，N 为搜索区域纵坐标最大值。

所述的步骤3)包括：

步骤3.1)依据遗传算法获取无人机航向角度的最优值，将航向 角编码为一系列仅有-1，0,1组成的种群染色体，初始种群编码，其 中Φ₁＝[1,-1,1...1,0]，Φ₂＝[1,1,0...0,-1]...，为初始种群染色体即为初始 航向角；

步骤3.2)改进的协同进化遗传算法优化求解无人机航向角；

步骤3.2)具体包括步骤：

步骤3.2.1)设置初始参数包括种群的大小p_size、染色体的长 度ch、交叉概率P_c、变异概率P_m、最大迭代次数T；产生搜索环境， 所述无人机数量N_v及初始位置(m_i,n_i)，无人机运动初始航向角d，目 标所在的可能区域Tar；

步骤3.2.2)设置待搜索目标初始概率图，所述的概率图对应 于整个搜索环境，由先验信息来初始概率图，目标概率大的区域可 赋初始概率值大，概率小的区域赋初始概率值小，不确定的区域赋 初始概率值为0.5，在标志位添加相应的flag；

步骤3.2.3)遗传算法具体步骤如下：

a)令迭代次数k＝0，产生大小为p_size长度为ch的初始种群pop；

b)根据适应度评估公式：

评估种群中每条染色体所对应个体的适应度，进行选择、交叉、变 异，再运用前消后补产生newpop，选取适应度最大的染色体所代表的 路径为最佳个体路径；

c)遵循滚动优化的原则，选取最佳个体路径中的第一位为 真实执行的路径，并更新无人机的位置信息；

d)更新执行路径的概率图信息，更新原则：当标志位flag＝1 时，概率图的更新按照式:

当标志位flag＝0时，概率图更新按照式

其中，GRID_mn(t_k)∈[0,1]为t_k时刻当前网格的概率，p_d∈[0,1]为 传感器的检测概率(即在搜索单元真实有目标且被捕捉的概率)， p_f∈[0,1]为传感器的误测概率(即在搜索单元没有真实目标却检测有 目标的概率)；

步骤3.2.4)判断是迭代次数k否满足最大迭代次数，若 满足，则停止迭代输出最优航向路线，若不满足则令k＝k+1，则转 到步骤3.2.3)中的b)。

本发明的优点：本发明针对不确定环境下无人机目标搜索问题进 行了研究与分析，提出了双属性概率图模型，建立无人机运动模型， 运用前消后补来改善算法的过早收敛性。本发明比较改善后的ICEGA 与CEGA、PSA三种算法产生的最优路径来验证算法的有效性，进一 步增加目标数量通过多次对比实验来验证ICEGA算法的高效性。结 果表明，本发明所提出的双属性概率图能更充分的体现搜索环境的 信息，提高搜索效能，ICEGA能有效防止遗传算法的过早收敛，能够 保证路径的飞行可实现性。

下面结合实施例附图对本发明作进一步说明：

附图说明

图1是多无人机协同目标搜索场景示意图；

图2是无人机之间信息共享示意图；

图3是无人机协同目标搜索任务区域示意图；

图4是区域Ω_4×4双属性概率图示意图；

图5是定义的八链码方向与k+1时刻实际可行航向示意图；

图6是最优航向路线图示意图；

图7是初始种群编码示意图；

图8是前消后补后种群示意图；

图9是ICEGA算法流程示意图；

图10是基于单属性概率图单、两架无人机目标搜索过程示意图；

图10(a)是单架单属性搜索图；

图10(b)两架单属性搜索；

图11基于双属性概率图单、两架无人机目标搜索过程示意图；

图11(a)是单架双属性搜索示意图；

图11(b)是两架双属性搜索示意图；

图12为不同属性下捕获目标数对比；

图13是基于双属性概率图多无人机搜索过程示意图；

图14是原无人机与新加入无人机对环境的覆盖率对比图；

图15是三种算法5个目标协同搜索路径示意图；

图15(a)是PA算法搜索路径；

图15(b)是CEGA算法搜索路径示意图；

图15(c)是ICEGA算法搜索路径示意图；

图16是三种算法找到目标数目对比图；

图17是CEGA算法与ICEGA算法10目标协同搜索路径；

图17(a)是CEGA算法搜索路径图；

图17(b)是ICEGA算法搜索路径图；

图18CEGA算法和ICEGA算法目标捕获对比图。

具体实施方式

结合图1所示的多无人机协同搜索的场景。一种双属性概率图 优化的无人机集群协同目标搜索方法，至少包括如下步骤：

步骤1)使用N_v架无人机搭有探测传感器在目标Ω中搜索m个静 止的目标。当无人机飞行到目标的正上方，无人机会根据探测传感 器发现目标。具体表述为，一组无人机从初始点出发，以速度为v₀匀 速飞行，其飞行的航迹由飞行的航向角决定，其航向角即无人机下 一步的飞行方向与当前飞行方向的夹角，从而得知决策输入为无人 机的航向角集合，采用滚动优化的思想，一个时间步长规划下一步 航点，所有航点的集合即为无人机的飞行路径。

本发明研究的是在不确定环境下，即在目标区域目标的数量与分 布的具体位置都是未知的，因此需要无人机之间协作共享位置信息 与概率图信息，如图2所示，无人机之间的信息共享更能提高搜索 效率与性能。在不确定环境下，环境模型与描述环境信息的概率图 模型的建立尤为重要，当无人机开始执行目标搜索任务时，通过先 验概率图的引导，根据传感器获得的概率图信息来判定当前的搜索 位置是否有真实目标存在。根据检测的先验信息，无人机会自主协 同实时更新共享概率图、其它无人机以及目标的信息，并向概率高 的区域飞行，避开低概率区域。

步骤1.1)环境概率模型的建立。搜索环境反映任务区域的具体 信息，对多无人机协同搜索目标起着引导作用。通过不断对搜索双 属性概率图的更新，无人机对搜索环境的认知也进一步加深，进而 能准确的找到任务区域内的目标。为了优化模型与解空间，将矩形 的待搜索区域，划分为M×N的网格状如图3所示，定义栅格内中心 坐标为左下角坐标整数加0.5，如图3中p的坐标为p(m+0.5,n+0.5)。 Δm表示无人机匀速飞行一个步长内跨过网格的长度，Δn表示宽度。 定义二维模型下的无人机协同目标搜索场景，目标散布在任务区域 内，网格化表示仿真过程中无人机耗费同一代价值向周围单元网格 移动。

定义一个集合来描述搜索环境，具体表示为式(1):

En＝{(m,n)|m＝1,2,3...M,n＝1,2,3...N}

(1)

式(1)中(m,n)表示网格左下角处的坐标。为了便于概率图的更新， 定义一个具有二元元素的矩阵来表示搜索环境初始信息,可以表示 成式(2)：

ψ＝[p_mn,flag]_M×N

(2)

式(2)中p_mn表示(m,n)所表示网格的先验概率，flag为标志位， 简化取值为0或1，定义flag＝0表示在该网格无真实目标，flag＝1 表示在该网格有真实目标，由于先验信息的不确定性，在无人机执 行任务前对搜索环境的理解只有3种形式：1)高概率区域Ω_hp；2)无 收益区域Ω_lp；3)不确定区域Ω_mp；此方法优点在于，当无人机协同搜 索目标时，能够防止同概率区域内概率图无差别的进行更新，即防 止在同概率区域内无论当前位置是否有目标，该区域更新规则一致。 这种无差别的概率更新可能会导致该区域仿真后的概率图内有目标 的位置概率与无目标的概率相同，因此，引入双属性概率图可以有 效解决此问题。区域Ω_4×4双属性概率图如图4所示。

步骤1.2)双属性概率图的更新。在搜索过程中，无人机会根据 传感器探测的信息对概率图进行实时更新。考虑到传感器的性能不 同，假设机载传感器在真实有目标的当前网格(m,n)发现目标的概率 为p_d，在没有真实目标的网格误测的有目标的概率为p_f，用A_(m,n)表 示在(m,n)网格中存在目标的事件，用B_(m,n)表示传感器检测到单元格 (m,n)中存在目标的事件。因此p_d与p_f可表示为式(3)与式(4)：

p_d＝p[B_(m,n)|A_(m,n)]，

假设无人机t_k时刻，搜索的网格坐标为(m,n)∈En时，先访问该网 格的flag位，当flag＝1时，t_k+1时刻概率图的更新公式为式(5)：

由式(3)、(4)、(5)得到式(6)：

当flag＝0时，t_k+1时刻概率图的更新公式为式(7)：

由式(3)、(4)、(7)得到式(8)：

其中，GRID_mn(t_k)∈[0,1]为t_k时刻当前网格的概率，p_d∈[0,1]为传感器的 检测概率(即在搜索单元真实有目标且被捕捉的概率)，p_f∈[0,1]为传 感器的误测概率(即在搜索单元没有真实目标却检测有目标的概率)。

步骤2.1)UAV的运动模型的建立。定义：1)无人机任务区域高空 等高匀速飞行，无人机与目标点可视为质点；2)无人机之间通信良 好；3)目标是静止并且不具有攻击性；4)无人机在网格中心点处上 方，可以完全覆盖所需要探测的区域；5)同一时刻网格中最多只存 在一个目标。

无人机通过传感器对任务区域进行搜索，定义无人机的状态表 示为式(9)：

δ_i(k)＝[En_i(k),d_i(k)] (9)

其中，En_i＝(m,n)表示k时刻无人机的当前位置，d_i表示k时刻无人 机的当前航向角。

在无人机实际飞行的过程中，受到转弯半径的约束与限制，因 此无人机在当前位置的k+1时刻，有三个可行路线：1)前行；2) 左转45°；3)右转45°(即d_i(k+1)∈{d_i(k)-1,d_i(k),d_i(k)+1}mod8)。因 此定义前进方向Δd∈{-1,0,1}(-1为左转45°，0为正向前进方向，1为 右转45°)为三个实际可行航向角的增量，便于后边算法编码的研究。 采用八链码方向d∈{0,1,2,3,4,5,6,7}，表示无人机可行的8个方向，如图 5所示，途中空心箭头表示k时刻的航向，实心箭头为k+1时刻的三 个可行航向。

无人机的运动模型可以写为式(10)：

式(10)中，v₀表示为无人机的飞行速度，β是当前无人机向下一步的 偏转角且满足-α≤β≤α；算子|·|表示取整，可表示为无人机向 周围单元格移动一个步长时映射在搜索环境网格增量(Δm,Δn)；n_i(k) 表示在k时刻UAV_i的纵坐标，m_i(k)表示UAV_i在k时刻无人机的横坐标； Δd(k)为k时刻UAV_i的前进方向。假设最优输入航向角Φ₁＝[1,-1,1,1,0]、Φ₂＝[1,1,0,-1,1]其航向角的输入控制如图6所示，UAV₁与UAV₂的输入决 策航向为Φ₁、Φ₂。以UAV₁为例，UAV₁的控制决策输入航向角为Φ₁， 设定初始航向d＝0，通过式(10)计算下一步航向，d(k+1)＝0+1＝1， 对应的八链码的方向即为下一步的路径航向，依此类推得到图4所 示路径。

步骤2.2)目标函数模型建立。通过建立的环境模型与无人机的 运动模型，目标函数可以定义为在预测步长内包含无人机覆盖的网 格概率之和的收益，由于无人机的航迹是滚动优化产生的，考虑到 每次迭代无人机只会执行最佳航向路线的第一位，所以目标函数应 该是预测航向路线的总收益与没执行航向路线的总收益之差，需要 引入权重因子，平衡真实收益。同时需要考虑无人机之间的距离约 束与无人机与目标区域之间的距离约束，因此目标函数可以定义为 式(11)：

式(11)中，N_v表示无人机的数量，A_i表示无人机i执行第一步路径的 网格，Z_i为无人机i预测步长内所覆盖的网格总区域。p_d为无人机检 测到目标的概率，p_f为无人机误测的概率，Γ₁，Γ₂，ω₁，ω₂为权重因子 且满足Γ₁+Γ₂+ω₁+ω₂＝1；l₁为无人机与搜索边界的距离约束，l₂为无 人机之间的距离约束；当l₂→0时，fit(t_k)＝0；p_(m,n)(t_k)为预测步长内t_k时刻无人机覆盖网格(m,n)对应的概率，M为搜索区域横坐标最大值，N 为纵坐标最大值。

步骤3.1)算法编码。通过建立的双属性概率图、无人机运动模 型与目标函数，求解的关键在于系统的控制输入决策变量即输入航 向角，初始种群编码如图7所示，其中Φ₁＝[1,-1,1...1,0]， Φ₂＝[1,1,0...0,-1]...，为初始种群染色体即为初始航向角。

本发明的协同进化遗传算法主要包含如下算子：1)选择算子， 通过比较初始种群染色体的适应度，通常用轮盘赌法来选择算子操 作，选取适应度最大的染色体为最佳航线；2)交叉算子，初始交叉 概率p_c，用随机产生的[0,1]的数与p_c进行比较，当小于交叉概率时， 进行多点交叉，产生新种群；3)变异算子，初始变异概率p_m，当产 生的随机数小于变异概率时，进行变异操作；

初始种群经过选择、交叉、变异操作后，产生新的种群，当迭 代代数较大时，这时种群会快速收敛，从而使染色体趋于相似最优 值，因此我们采用前消后补的策略，对新种群做如图8的操作。N₁N₂列为无人机1与无人机2实际的执行路径，无人机执行完该路径后，去掉前两列在种群后面补上两列形成新的种群，用新的种群继续进 行迭代操作，这样能防止种群提前收敛而输出重复的航向角。

步骤3.2)算法步骤及流程图。本发明采用改进的协同进化遗传 算法(ImprovedCo-evolutionary Genetic Algorithm，ICEGA)来优化求 解控制输入决策变量的步骤如下：

步骤3.2.1)设置初始参数包括种群的大小p_size、染色体的长度ch、 交叉概率P_c、变异概率P_m、最大迭代次数T；产生搜索环境，所述无 人机数量N_v及初始位置(m_i,n_i)，无人机运动初始航向角d，目标所在 的可能区域Tar。

步骤3.2.2)设置初始概率图，所述的概率图对应于整个搜索环 境，由先验信息来初始概率图，目标概率大的区域可赋初始概率大， 概率小的区域赋概率位初始概率低，不确定的区域赋概率位初始概 率为0.5，在标志位添加相应的flag。

步骤3.2.3)

a)令k＝0，产生大小为p_size长度为ch的初始pop；

b)根据式(11),评估种群中每条染色体所对应个体的适应度，进 行选择、交叉、变异，再运用前消后补产生newpop，选取适应度最大 的染色体为最佳个体路径；

c)遵循滚动优化的原则，选取最佳个体路径中的第一位为真实执 行的路径，并更新无人机的位置信息。

d)更新执行路径的概率图信息，更新原则：当标志位flag＝1时， 概率图的更新按照式(6)，当标志位flag＝0时，概率图更新按照式(8)。

步骤3.2.4)判断是否满足最大迭代次数，若满足，则停止迭代 输出最优航向路线，若不满足则令k＝k+1，转步骤3.2.3中的b)。

通过路径的不断迭代更新，多无人机会协同更新双属性概率图 然后根据概率图引导来进行目标搜索。其流程图如图9所示。

实施例实验结果与分析

为了验证本发明提出的基于双属性概率图的ICEGA算法的有效 性，设定任务区域大小2000m×2000m，将任务区域划分为20×20个 正方形的单元网格，每个网格大小为100m×100m。通过单架与两架 无人机分别在单、双属性概率图上进行仿真，比较实验组找到的目 标数目；然后通过改进的协同进化遗传算法(ICEGA)与协同进化 遗传算法(CEGA)、传统的并行搜索算法(Parallel Search Algrithom， PSA)进行算法效率比较。

首先，设定目标函数的权重因子。在目标区域放置10个目标点， 运用两架无人机进行协同搜索，表格1为在不同的权重下找到的平 均目标数。

表1在不同的权重下找到的平均目标数

Table 1 Number of targrts found under different weight

通过表格1可知，Γ₁＝0.45，Γ₂＝0.2，ω₁＝0.15，ω₂＝0.2时找到 的目标数最多，为最佳权重因子并用此因子进行5.1和5.2的实验。

定义5.1和5.2实验初始参数为：初始种群大小popsize＝100，步 长ch＝6，交叉概率p_c＝0.1，变异概率为p_m＝0.2，检测概率p_t＝0.9， 误测概率为p_f＝0.1，Γ₁＝0.45，Γ₂＝0.2，ω₁＝0.15，ω₂＝0.2仿真步长 k＝50；无人机与目标的初始状态如表2和表3所示。

表2单架无人机的初始状态

Table 2 UAVs’initial states

表3目标的初始状态

Table 3 Targets’initial states

单属性概率图：仿真结果图10(a)表示单无人机在单属性概率图 中，会存在因无差别更新高概率区域的概率图而导致目标的遗漏。 如图10(b)两架无人机进行协同搜索时，无人机都有向高概率目标区 域飞行的趋势，但是因为高概率区域的概率图无差别更新导致搜索 经过目标附近却未能发现目标。

双属性概率图：仿真结果图11(a)单无人机在双属性概率图定义 下，能够有效更新目标位置概率图信息；同样图11(b)两架无人机协 同搜索过程中能准确找到目标的位置,证明双属性概率图的有效性。

为进一步验证双属性概率图的有效性，设定目标区域内有10个 目标点，进行单架与两架无人机在不同属性概率图下搜索目标100 组实验，图12为每次捕获的目标数统计，红色和黄色曲线获得了最 高的目标捕获数；图12为两组实验平均找到的目标数目对比。从图 12中可以看出基于双属性概率图比单属性概率图捕获目标更多，两 架目标捕获概率大于单价目标捕获概率。进一步证明了本发明提出 的概率模型的正确性及多架轨迹优化算法的鲁棒性。

新增无人机对实验的影响。在相同的任务区域设定5个目标，使 用三架无人机进行协同搜索。无人机与目标的初始状态如表4和表5 所示。

表4目标的初始状态

Table 4 UAVs’initial states

表5目标的初始状态

Table 5 Targets’initial states

由图13三色曲线表示3架飞机的搜索轨迹，曲线经过目标位置 为捕获。基于双属性概率图协同搜索系统在随机加入新无人机时， 仍能保持良好的协同轨迹优化结果，搜索效率与性能获得同步提高。 从图14中可以看出，红色曲线表示的覆盖率随着新无人机的加入在 稳定逐步增加，体现了系统优异的鲁棒性。

PSA、ICEGA和CEGA算法比较。无人机的初始状态与目标位置如 表4、表5所示，通过比较ICEGA、CEGA、PSA在相同的步长找到的 的目标数目来验证算法的有效性。仿真结果如图15所示，三种算法 发现的目标数目对比图如图16所示。可以看出，相同的步长时，ICEGA算法找到的平均目标数目最多，而PSA算法找到的平均目标数目最 少，得证ICEGA的算法优越性。

为了进一步验证算法的高效性，将目标数目增加到10个，进行 50次实验，CEGA算法与ICEGA算法的目标搜索过程如图17所示， 实验过程中找到目标数目对比如图18所示。仿真结果表明，ICEGA 算法能在相同的步长内找到更多的目标，进一步证实了ICEGA算法的高效性。

Claims (4)

1.双属性概率图优化的无人机集群协同目标搜索方法，其特征是：至少包括如下步骤：

步骤1)根据无人机初始的场景信息，引入概率图标志位，依据概率图标志位建立基于双属性矩阵的待搜索环境概率图模型；根据概率图模型建立概率图的更新规则，依据概率图的更新规则更新搜索过程的概率图信息；

步骤2)结合目标场景信息给出无人机的飞行规则，建立无人机运动模型；确定无人机航向角最大收益的目标函数及约束条件；

步骤3)获取无人机航向角度的最优值，使用遗传算法，将航向角编码为一系列仅有-1，0,1组成的种群染色体，将最初的航向角编码得到的种群染色体作为初始染色体，用改进的协同进化遗传算法，对初始种群进行编码与解码；初始化遗传算法参数，通过改进的协同进化遗传算法优化产生的最优协同决策输入航向角集合，产生协同路径；

所述的步骤2包括：

步骤2.1)建立UAV的运动模型,无人机通过传感器对任务区域进行搜索，定义无人机的状态表示为：

δ_i(k)＝[En_i(k),d_i(k)]

其中，En_i(k)表示k时刻无人机的当前位置，d_i表示k时刻无人机的当前航向角；

在无人机实际飞行的过程中，受到转弯半径的约束与限制，因此定义前进方向Δd∈{-1,0,1},其中，-1为左转45度，0为正向前进方向，1为右转45度；采用八链码方向d∈{0,1,2,3,4,5,6,7}，表示无人机可行的8个方向；

无人机的运动模型可以写为式：

式中，v₀表示为无人机的飞行速度，β是当前无人机向下一步的偏转角且满足-α≤β≤α；算子|·|表示取整，可表示为无人机向周围单元格移动一个步长时映射在搜索环境网格增量(Δm,Δn)；n_i(k)表示在k时刻UAV_i的纵坐标，m_i(k)表示UAV_i在k时刻无人机的横坐标；Δd(k)为k时刻UAV_i的前进方向；

步骤2.2)依据建立的环境模型与无人机的运动模型，目标函数定义为在预测步长内包含无人机覆盖的网格概率之和的收益，同时需要考虑无人机之间的距离约束与无人机与目标区域之间的距离约束，因此目标函数可以定义为：

式中，N_v表示无人机的数量，A_i表示无人机i执行第一步路径的网格，Z_i为无人机i预测步长内所覆盖的网格总区域；p_d为无人机检测到目标的概率，p_f为无人机误测的概率，Γ₁，Γ₂，ω₁，ω₂为权重因子且满足Γ₁+Γ₂+ω₁+ω₂＝1；l₁为无人机与搜索边界的距离约束，l₂为无人机之间的距离约束；当l₂→0时，fit(t_k)＝0；p_(m,n)(t_k)为预测步长内t_k时刻无人机覆盖网格(m,n)对应的概率，M为搜索区域横坐标最大值，N为搜索区域纵坐标最大值。

2.根据权利要求1所述的双属性概率图优化的无人机集群协同目标搜索方法，其特征是：所述的步骤1包括：

步骤1.1)包括搜索环境反映任务区域的信息，建立环境概率模型；定义一个集合来描述搜索环境，具体表示为式:

En＝{(m,n)|m＝1,2,3...M,n＝1,2,3...N}

式中(m,n)表示搜索环境网格左下角处的坐标，为了便于概率图的更新，定义一个具有二元元素的矩阵来表示搜索环境初始信息,可以表示成：

ψ＝[p_mn,flag]_M×N

式中p_mn表示坐标(m,n)处所表示网格的先验概率，flag为标志位，简化取值为0或1，定义flag＝0表示在该网格无真实目标，flag＝1表示在该网格有真实目标；

步骤1.2)设定机载传感器在真实有目标的当前网格(m,n)发现目标的概率为p_d，在没有真实目标的网格误测的有目标的概率为p_f，用A_(m,n)表示在(m,n)网格中存在目标的事件，用B_(m,n)表示传感器检测到单元格(m,n)中存在目标的事件，因此p_d与p_f可表示为：

假设无人机t_k时刻，搜索的网格坐标为(m,n)∈En时，先访问该网格的flag位，当flag＝1时，t_k+1时刻概率图的更新公式为式：

当flag＝0时，t_k+1时刻概率图的更新公式为：

其中，GRID_mn(t_k)∈[0,1]为t_k时刻当前网格的概率，p_d∈[0,1]为传感器的检测概率，即在搜索单元真实有目标且被捕捉的概率，p_f∈[0,1]为传感器的误测概率。

3.根据权利要求1所述的双属性概率图优化的无人机集群协同目标搜索方法，其特征是：所述的步骤3)包括：

步骤3.1)依据遗传算法获取无人机航向角度的最优值，将航向角编码为一系列仅有-1，0,1组成的种群染色体，初始种群编码，其中Φ₁＝[1,-1,1...1,0]，Φ₂＝[1,1,0...0,-1]...，为初始种群染色体即为初始航向角；

步骤3.2)改进的协同进化遗传算法优化求解无人机航向角。

4.根据权利要求3所述的双属性概率图优化的无人机集群协同目标搜索方法，其特征是：所述的步骤3.2)具体包括步骤：

步骤3.2.1)设置初始参数包括种群的大小p_size、染色体的长度ch、交叉概率Pc、变异概率Pm、最大迭代次数T；产生搜索环境，所述无人机数量N_v及初始位置(m_i,n_i)，无人机运动初始航向角d，目标所在的可能区域Tar；

步骤3.2.2)设置待搜索目标初始概率图，所述的概率图对应于整个搜索环境，由先验信息来初始概率图，目标概率大的区域可赋初始概率值大，概率小的区域赋初始概率值小，不确定的区域赋初始概率值为0.5，在标志位添加相应的flag；

步骤3.2.3)遗传算法具体步骤如下：

a)令迭代次数k＝0，产生大小为p_size长度为ch的初始种群pop；

b)根据式适应度评估公式：

评估种群中每条染色体所对应个体的适应度，进行选择、交叉、变异，再运用前消后补产生newpop，选取适应度最大的染色体所代表的路径为最佳个体路径；

c)遵循滚动优化的原则，选取最佳个体路径中的第一位为真实执行的路径，并更新无人机的位置信息；

d)更新执行路径的概率图信息，更新原则：当标志位flag＝1时，概率图的更新按照式:

当标志位flag＝0时，概率图更新按照式

其中，GRID_mn(t_k)∈[0,1]为t_k时刻当前网格的概率，p_d∈[0,1]为传感器的检测概率，即在搜索单元真实有目标且被捕捉的概率，p_f∈[0,1]为传感器的误测概率，即在搜索单元没有真实目标却检测有目标的概率；

步骤3.2.4)判断是迭代次数k否满足最大迭代次数，若满足，则停止迭代输出最优航向路线，若不满足则令k＝k+1，则转到步骤3.2.3)中的b)。

Images