CN111580564B - 一种三维群无人机并行式多目标搜索协同作业方法 - Google Patents
一种三维群无人机并行式多目标搜索协同作业方法 Download PDFInfo
- Publication number
- CN111580564B CN111580564B CN202010363535.0A CN202010363535A CN111580564B CN 111580564 B CN111580564 B CN 111580564B CN 202010363535 A CN202010363535 A CN 202010363535A CN 111580564 B CN111580564 B CN 111580564B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- target
- aerial vehicle
- search
- group
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000002245 particle Substances 0.000 claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 230000004044 response Effects 0.000 claims abstract description 32
- 238000005265 energy consumption Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 238000013468 resource allocation Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000007115 recruitment Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 238000004088 simulation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000010845 search algorithm Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000003016 pheromone Substances 0.000 description 2
- 230000007474 system interaction Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/12—Target-seeking control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种三维群无人机并行式多目标搜索协同作业方法，包括以下步骤：程序初始化；根据响应阈值的多目标分配模型完成一次自组织分工；基于子群规模均匀化的多目标分配模型，进行子群内部的资源配置，完成二次分配；采用基于运动学约束特性的自适应惯性权重扩展式微粒群算法进行细粒度目标搜索；直到所有的子群内部的无人机靠近在搜索目标的附近，则视为搜索成功，否则，继续迭代，不断更新无人机的位置和速度；建立群无人机并行式搜索性能指标评价模型，然后对评价模型进行收敛性证明和分析。本发明提高了群无人机并行式搜索的效率，有效解决了微粒易陷入局部最优点和搜索效率过低的问题，大大减少了系统能耗和搜索耗时。
Description
技术领域
本发明涉及一种无人机目标搜索方法，特别涉及一种三维群无人机并行式多目标搜索协同作业方法。
背景技术
受蚂蚁、蜜蜂等社会昆虫的群体行为的启发，学者们提出了群体智能的概念，即由一组简单的智能体(agent)涌现出来的集体智能(collective intelligence)。群机器人系统属于典型的人工群体智能系统，由数量众多、结构简单的同构自主机器人组成。通过对个体能力有限的机器人在特定机制下协调合作，系统能够涌现出智能行为，从而完成相对复杂的任务。
目标搜索是群机器人系统中最为常见的任务之一。根据搜索对象的数量，目标搜索可分为单目标搜索和多目标搜索。当群机器人系统被用于单目标搜索任务时，需要着重注意机器人个体之间的协作控制。在文献《Doctor S,Venayagamoorthy G K,Gudise VG.Optimal PSO for collective robotics search applications[c]//congress onEvolutionary Computation.Piscataway,USA:IEEE,2004:1390-1395.》中，Doctor将微粒群算法扩展后，用于群机器人的目标搜索研究，着重于算法参数的优化。文献《DucatelleF,di Caro G A,Pinciroli C,et al.Communication assisted navigation in roboticswarms:Self-organization and cooperation[C]//IEEE/RSJ InternationalConference on Intelligence Robot and Systems.Pisataway,USA:IEEE,2011:4981-4988.》中，采用局部无线网通信策略，加强机器人系统内部之间的交流，从而提高搜索效率。在多目标搜索任务中，群机器人首先根据机器人对目标的感知情况自组织分成子群，然后由各个不同的子群进行目标搜索。文献《Derr K,Manic M.Multi-robot,multi-targetparticle swarm optimization search in noisy wireless environments[C]//2ndConference on Human System Interaction,Pisataway,USA:IEEE,2009:81-86.》中，根据RSS目标信号的强度对机器人进行分组，每个小组内部基于分散式微粒群算法进行协调控制，但此类方法容易造成子群规模不均匀，从而影响搜索效率。，文献《张云正,薛颂东,曾建潮.群机器人多目标搜索中带闭环调节的动态任务分工[J].机器人,2014(01):59-70.》中，针对子群规模不均匀的问题，提出了一种带闭环调节的动态任务分工策略进行动态调节，提高了机器人的搜索效率。，文献《张云正,薛颂东,曾建潮.群机器人多目标搜索中的合作协同和竞争协同[J].机器人,2015,37(2):142-151.》中，针对并行化搜索中的子群交互问题，提出了竞争协同和合作协同的策略。然而，采用这一类方法，当参数调节不当时，扩展式微粒群算法会陷入局部最优点，从而影响群机器人目标搜索的效率。
然而，少有文献讨论上述策略在群无人机多目标搜索中的应用。群无人机多目标搜索问题的关键在于多目标任务分配和协同控制策略。文献《符小卫,李建,高晓光.带通信约束的多无人机协同搜索中的目标分配[J].航空学报,2014,35(5).》中，提出了一种带通信约束的多无人机协调搜索的目标分配方法，解决了多无人机任务分配的问题。文献《刘重,高晓光,符小卫.带信息素回访机制的多无人机分布式协同目标搜索[J].系统工程与电子技术,2017(9).》中，为了提高无人机的协同搜索效率，提出一种带信息素回访的多无人机分布式协同目标搜索方法。但基于此类方法的多无人机研究，大都局限于恒定高度的二维平面内的搜索。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、搜索效率高的三维群无人机并行式多目标搜索协同作业方法。
本发明解决上述问题的技术方案是：一种三维群无人机并行式多目标搜索协同作业方法，包括以下步骤：
步骤一：构建三维空间搜索环境，设定各种参数，随机初始化群无人机位置和速度，随机初始化目标的位置；
步骤二：检测目标信号，根据响应阈值的多目标分配模型完成一次自组织分工，形成子群联盟；
步骤三：基于子群规模均匀化的多目标分配模型，进行子群内部的资源配置，完成二次分配，形成新的子群联盟，使子群内部的无人机资源配置合理化；
步骤四：每个子群内部，围绕一个单目标任务，采用基于运动学约束特性的自适应惯性权重扩展式微粒群算法进行细粒度目标搜索，无人机进行位置和速度更新；
步骤五：直到所有的子群内部的无人机靠近在搜索目标的附近，则视为搜索成功，否则，继续迭代，不断更新无人机的位置和速度；
步骤六：建立群无人机并行式搜索性能指标评价模型，然后对评价模型进行收敛性证明和分析。
上述三维群无人机并行式多目标搜索协同作业方法，所述步骤一中，三维空间R3搜索环境由三元组{U,T,E}来表示:
(1)搜索主体U:U＝{Ui，i＝1,2,...,N},其中，N>>M，N表示群无人机的数量，M表示目标的数量；
(2)搜索对象T:T＝{Tj,j＝1,2,...,M},M>>1；
(3)搜索环境E:动态未知环境；其中，无人机群通过自身的传感器检测出目标所携带的通信装置发出的射频信号，通过无人机与目标、无人机群之间的通信交互，来确定自身在未知环境下的相对位置信息。
上述三维群无人机并行式多目标搜索协同作业方法，所述步骤二具体步骤为：
2-1)选定某无人机，检测目标信号，判断选定无人机目标信号是否检出，若是，则进入步骤2-2)；否则进入步骤2-3)；
2-2)监听所选定无人机的邻域无人机信号，判断邻域无人机目标信号是否检出，若是，则认定选定无人机为Ⅱ类目标，进行目标选择，进入步骤2-4；否则，选定无人机处于漫游状态，不参与目标搜索；
2-3)认定此无人机为Ⅰ类目标，并且存储目标响应值，进入步骤2-4)；
2-4)构建个性化任务集，采用响应概率评估模型计算出无人机对各个目标的响应概率，再采用赌轮盘式概率算法做出决策选择搜索目标，无人机完成一次编队，形成子群联盟。
上述三维群无人机并行式多目标搜索协同作业方法，所述步骤2-1)中，目标信号的检测模型如下式所示：
其中，Q是目标中心发出的恒定信号功率，d表示无人机Ui与目标Tj之间的空间距离，d0为传感器对目标的最大感应距离，I为目标响应阈值强度，m′为目标能量信号传播条件下的衰减系数，rand()表示目标能量信号传播过程中的随机扰动，且为0到1之间服从均匀分布的随机数；
当无人机与目标的距离小于d0时，无人机能检测到目标的信号，当无人机与目标的距离超出传感器的最大检测时，此时目标信号无法检出。
上述三维群无人机并行式多目标搜索协同作业方法，所述步骤2-4)中，响应概率评估用下式表示：
其中，Ij是无人机Ui检测到目标Tj的信号强度，若Ui能够检测出信号目标的数量为m，则无人机Ui响应目标Tj激励的概率为p(i,j)；
无人机Ui决策过程如下式所示：
其中，z为m个目标中所决策出的目标任务序列。
上述三维群无人机并行式多目标搜索协同作业方法，所述步骤三具体步骤为：
3-1)设定子群上限，度量子群联盟：设定群无人机数量为N，目标数量为M，缔结M个子群联盟，进入步骤3-2)；
3-2)判断子群联盟的成员数量Nsub是否等于子群规模上限Nmax，
若是，则进入步骤四；否则，进入步骤3-3)；
3-3)判断子群联盟的成员数量是否大于子群规模上限，若是，则优势地位排序在子群联盟的规模上限之后的成员无人机退出子群联盟，退盟之后的无人机处于漫游状态，并与步骤2-2)中处于漫游状态的无人机形成退盟无人机集合；否则，子群联盟做出招募需求，需求成员量为:Nneed＝Nmax-Nsub，进入步骤3-4)；
3-4)子群联盟之间相互通信，获得各子群联盟的信息情况，并传达给子群内成员无人机和退盟无人机集合中的漫游无人机，漫游无人机根据各子群的招募情况，基于代价二次决策，继续加盟，形成新的子群联盟，然后返回步骤3-2)。
上述三维群无人机并行式多目标搜索协同作业方法，所述步骤3-3)中，子群联盟内成员无人机优势地位评估的原则是：Ⅰ类目标的优先权大于Ⅱ类目标的优先权；若优先权相同，则按目标激励信号强度的大小进行评估，即：目标信号强度越大的无人机，其优势地位越高。
上述三维群无人机并行式多目标搜索协同作业方法，所述步骤3-4)中，漫游无人机基于代价二次决策过程考虑两个因素：①群内部成员各自的招募信息情况，②参与意向目标的子群中搜索的距离代价；
①漫游无人机的二次加盟代价函数为：
其中，g1为距离代价权重系数，g2为子群需求代价权重系数，Nmax(j)为第j个子群联盟中的规模上限，d(u,j)为第u个漫游无人机与第j个任务目标之间的距离，La、Lb、Lc分别为三维空间R3限定区域长度、宽度和高度，Nsub(j)第j个子群联盟中的成员数量，n为漫游无人机的数量，q为子群规模数量，fuav(u,j)为第u架漫游无人机选择第j个任务目标所付出的代价值；
②为了优化群无人机并行式搜索的路径，漫游无人机对任务目标所付出的代价越高，则选择该任务目标的几率越小，漫游无人机二次概率决策如下式：
其中，p′(u,j)为第u个漫游无人机对第j个任务目标的选择概率；当漫游无人机确定备选目标时，则实时更新所在备选目标的子群招募数量Nneed，并进行子群通信交换信息，让其它漫游无人机更新子群招募信息、依次进行二次决策；当所有的漫游无人机按二次概率选择成功时，确定新的子群联盟，完成了群无人机的多目标任务分工。
上述三维群无人机并行式多目标搜索协同作业方法，所述步骤四中，无人机在三维空间R3中的坐标表示为：(Xu，Yu，Zu)，其中Xuav(Xt,Yt,Zt)为无人机t时刻的三维空间位置；
此时，无人机的运动学方程由下式表示：
其中，Vuav(t)为无人机在t时刻的运动速度，θ为Vuav(t)在xoy平面的投影与Y轴的夹角，β为Vuav(t)在xoy平面的投影与速度Vuav(t)形成的夹角；
无人机的速度分量由下式表示：
其中，Vuav(t)表示无人机在t时刻的速度；
在对比二维群机器人的基础上，考虑三维无人机的运动模型，将三维的运动学约束特性的微粒群算法应用于群无人机系统中，具体表述如下：
其中，Vie(t+1)是无人机t+1时刻的期望速度，XRj(t)和VRj(t)分别表示无人机在t时刻的位置和速度，α表示无人机的运动惯性因子，β为无人机的步幅控制因子，c1和c2表示无人机的个体认知系数和社会认知系数，r1和r2为rand()所生成的随机数，w为惯性权重，XRj *(t)为群无人机t时刻时的个体历史最优位置，gRj *(t)为群无人机t时刻时的群体历史最优位置；
设群无人机搜索的目标的位置为：(Xp，Yp，Zp)，第i个无人机的坐标位置为(Xu，Yu，Zu)，则无人机目标搜索的适应度函数为：
为了优化群无人机在多目标搜索过程的路径，通过对三维运动学约束特性的微粒群算法的参数测试，引入一种和目标距离信息相关的自适应惯性权重的三维微粒群算法，其惯性权值w的调节思想如下：当粒子距离目标的距离过大时，w保持恒定值大范围搜索，当粒子距离目标位置小于一定距离时，w值随着距离值的更新而实现非线性递减，从而不断逼近目标点，进行细粒度搜索；神经网络中的sigmoid函数具有非线性逼近能力，而且其极值范围在0和1之间，由于粒子群中的惯性权重w的取值基本一致，因此，映射关系如下式所示：
将函数引入到与距离相关的群无人机系统中来自适应调节惯性权值大小，具体表达如下所示：
其中，dl为设定的距离阈值，f(i)为该粒子当前时刻的适应值，即距离值d，w为随距离值而变化的惯性权重值。
上述三维群无人机并行式多目标搜索协同作业方法，所述步骤六中：
影响群无人机并行式搜索的性能指标主要为：系统能耗S和搜索耗时T；设单个子群联盟的搜索耗时和系统能耗分别表示为tk和Sk,tk和Sk与系统总能耗S和系统总搜索耗时T之间的关系如下：
T＝max{tk,k＝1,2,...,M} (14)
其中，单个目标协调搜索的搜索耗时tk和系统能耗Sk计算如下式所示：
其中，Nk为第k个子群联盟成员个数，XTk为第k个子群联盟的目标位置，tk表示第k个子群联盟在迭代t次以后，无人机与目标的距离之和小于阈值ε的最小迭代周期；XRj(t)为t＝tk时的无人机的位置信息；VRj(i)为每迭代一次无人机实际飞行速度，β为步幅控制因子；
由式(13)-(16)可知：群无人机并行式搜索收敛性的关键在于无人机子群联盟内部单目标协调搜索的收敛性；假设无人机当前历史最优位置和群体最优位置保持不变，即XRj *(t)和gRj *(t)的值为常数A和B，惯性权重w的值恒为常数，将式(9)中的无人机运动学约束的速度矢量合并如下式所示：
将式(17)中的参数与微粒群算法参数相比较，给定如下定义：
将式(17)(18)相结合，并且令t＝t+1迭代，则微粒群算法简化为：
由式(9)(19)化简得差分方程为：
同理，令βC1+βC2＝C，由特征方程法求解无人机位置时刻值，然后对其求极限可知满足其收敛性的解空间为：
取C＝2时，即惯性权重收敛的解空间处于区间0到1之间，设定无人机运动惯性因子α＝1，步幅控制因子β＝1时，惯性权重的取值在区间0到1之间必然收敛；由(11)(12)式可知，扩展式微粒群算法的自适应惯性权重的取值为0到0.8之间，其为扩展式微粒群算法收敛空间的一个子集，故自适应惯性权重扩展式微粒群算法必然收敛；由于群无人机多目标搜索是由M个目标组合的单目标搜索形式，故由单目标协调搜索的收敛性可知：群无人机并行式搜索必然收敛于其各自的任务目标点。
本发明的有益效果在于：本发明提出了一种三维群无人机并行式多目标搜索协同作业方法。首先，在基于目标响应阈值多目标分配模型(TRT)上，引入了闭环调节和合作协同的策略，提出了一种改进响应阈值多目标任务分配模型(ITRT)，有效解决了群无人机子群分布不均匀问题，提高了群无人机并行式搜索的效率。其次，将二维扩展式微粒群(EPSO)的群机器人协调控制算法引入到三维群无人机上，并将一种改进自适应惯性权重的方法与三维扩展式粒子群相结合，提出了一种改进自适应惯性权重的三维扩展式微粒群算法(IAEPSO),有效解决了微粒易陷入局部最优点和搜索效率过低的问题。最后，将两种改进的方法(ITRT+IAEPSO)相结合实现群无人机并行式搜索。相比于传统并行式多目标搜索的扩展式粒子群算法(TRT+EPSO)，本方法的系统能耗和搜索耗时大大减少，数值仿真验证了该方法的有效性。
附图说明
图1为本发明的流程图。
图2为T＝0时刻成员无人机的位置分布图。
图3为T＝10时刻成员无人机的位置分布图。
图4为T＝20时刻成员无人机的位置分布图。
图5为T＝30时刻成员无人机的位置分布图。
图6为T＝60时刻成员无人机的位置分布图。
图7为T＝135时刻成员无人机的位置分布图。
图8为各成员无人机多目标搜索路径示意图。
图9为群无人机系统搜索耗时对比统计图。
图10为群无人机系统搜索总能耗对比统计图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示，一种三维群无人机并行式多目标搜索协同作业方法，包括以下步骤：
步骤一：构建三维空间搜索环境，设定各种参数，随机初始化群无人机位置和速度，随机初始化目标的位置。
在封闭的三维空间R3中，群无人机多目标搜索问题可由三元组{U,T,E}来表示:
(1)搜索主体U:U＝{Ui，i＝1,2,...,N},其中，N>>M，N表示群无人机的数量，M表示目标的数量；
(2)搜索对象T:T＝{Tj,j＝1,2,...,M},M>>1；
(3)搜索环境E:动态未知环境；其中，无人机群通过自身的传感器检测出目标所携带的通信装置发出的射频信号，通过无人机与目标、无人机群之间的通信交互，来确定自身在未知环境下的相对位置信息。
步骤二：检测目标信号，根据响应阈值的多目标分配模型完成一次自组织分工，形成子群联盟。具体步骤为：
2-1)选定某无人机，检测目标信号，判断选定无人机目标信号是否检出，若是，则进入步骤2-2)；否则进入步骤2-3)；
在未知的三维空间R3环境中，群无人机初始时刻的速度和位置是随机分布的,群无人机中的成员无人机通过自身配置的传感器来检测未知信息目标持续发出的恒定能量。由于传感器最大检测范围的限制，无人机对搜索目标能量信号的检测受传感器最大检测距离的影响，目标信号的检测模型如下式所示：
其中，Q是目标中心发出的恒定信号功率，d表示无人机Ui与目标Tj之间的空间距离，d0为传感器对目标的最大感应距离，I为目标响应阈值强度，m′为目标能量信号传播条件下的衰减系数，rand()表示目标能量信号传播过程中的随机扰动，且为0到1之间服从均匀分布的随机数；
当无人机与目标的距离小于d0时，无人机能检测到目标的信号，当无人机与目标的距离超出传感器的最大检测时，此时目标信号无法检出。
2-2)监听所选定无人机的邻域无人机信号，判断邻域无人机目标信号是否检出，若是，则认定选定无人机为Ⅱ类目标，进行目标选择，进入步骤2-4；否则，选定无人机处于漫游状态，不参与目标搜索。
2-3)认定此无人机为Ⅰ类目标，并且存储目标响应值，进入步骤2-4)。
2-4)构建个性化任务集，采用响应概率评估模型计算出无人机对各个目标的响应概率，再采用赌轮盘式概率算法做出决策选择搜索目标，无人机完成一次编队，形成子群联盟。
群无人机并行式搜索的前提在于无人机如何自组织的参与一组元任务，即：无人机U1所构建的个性化任务集中，如何自我决策选择T1任务还是T2任务。本发明的方法是采用响应概率评估模型计算出无人机对各个目标的响应概率，再采用赌轮盘式概率算法做出决策选择搜索目标，响应概率评估用下式表示：
其中，Ij是无人机Ui检测到目标Tj的信号强度，若Ui能够检测出信号目标的数量为m，则无人机Ui响应目标Tj激励的概率为p(i，j)；
无人机Ui决策过程如下式所示：
其中，z为m个目标中所决策出的目标任务序列。
设有6架无人机、3个搜索目标，由任务激励模型和响应概率评估模型可实现群无人机自组织任务分配情况如下表1所示：
表1各成员无人机在T＝0时刻对目标信号的检测情况
Tab.1 Detection of targget siggnals by UAV members at time T＝0
由表1可知，每架无人机均决策出其目标，最后，具有共同意向目标的成员无人机缔结子群联盟，T1＝{U1，U5}；T2＝{U2，U3}；T3＝{U4}，而成员无人机U6处于漫游搜索状态，不参与目标搜索。
不难注意，由于群无人机任务分配和目标之间的距离相关，无人机检测到的目标信号强度越大，产生的激励越强，其目标的响应评估概率越大，即：该目标所占用的群无人机的资源就越多，其它目标获得的无人机资源就越少，导致无人机群资源配置不合理，从而一定程度上降低了群无人机并行式搜索的效率。
步骤三：基于子群规模均匀化的多目标分配模型，进行子群内部的资源配置，完成二次分配，形成新的子群联盟，使子群内部的无人机资源配置合理化。
针对现有的多目标任务分配模型不足，本发明通过引入闭环调节和合作协同的策略来解决其问题即：先对各个子群内部的无人机资源配置水平进行度量，然后子群之间进行信息交互，采用无人机最低代价法则进行二次分配，直至所有子群成员规模达到均匀化，则视为群无人机任务分配完成。具体步骤为：
3-1)设定子群上限，度量子群联盟：设定群无人机数量为N，目标数量为M，缔结M个子群联盟，进入步骤3-2)；
3-2)判断子群联盟的成员数量Nsub是否等于子群规模上限Nmax，
若是，则进入步骤四；否则，进入步骤3-3)；
3-3)判断子群联盟的成员数量是否大于子群规模上限，若是，则优势地位排序在子群联盟的规模上限之后的成员无人机退出子群联盟，退盟之后的无人机处于漫游状态，携带自身的信息卡片，等待二次任务分配，此时该子群联盟声明招募需求为0，同时与步骤2-2)中处于漫游状态的无人机形成退盟无人机集合；否则，子群联盟做出招募需求，需求成员量为:Nneed＝Nmax-Nsub，进入步骤3-4)；
子群联盟内成员无人机优势地位评估的原则是：Ⅰ类目标的优先权大于Ⅱ类目标的优先权；若优先权相同，则按目标激励信号强度的大小进行评估，即：目标信号强度越大的无人机，其优势地位越高。表2为一组子群联盟内优势个体评估情况。
表2子群联盟内优势个体评估
Tab.2 Assessment of dominant individuals within subgroup alliances
3-4)子群联盟之间相互通信，获得各子群联盟的信息情况，并传达给子群内成员无人机和退盟无人机集合中的漫游无人机，漫游无人机根据各子群的招募情况，基于代价二次决策，继续加盟，形成新的子群联盟，然后返回步骤3-2)。
在每一个子群联盟中，对子群联盟资源进行度量之后，设定优势地位最高的成员无人机作为子群发言人。每个子群发言人之间相互通信，报告各自子群的招募情况，并且获取其他子群的信息情况，并以信号帧的形式传达给成员无人机和漫游无人机。
处于漫游状态的无人机获取了各个子群的信息之后，需要进行二次决策，参与二次子群加盟。漫游无人机基于代价二次决策过程考虑两个因素：①群内部成员各自的招募信息情况，②参与意向目标的子群中搜索的距离代价；
①漫游无人机的二次加盟代价函数为：
其中，g1为距离代价权重系数、g2为子群需求代价权重系数，Nmax(j)为第j个子群联盟中的规模上限，d(u,j)为第u个漫游无人机与第j个任务目标之间的距离，La、Lb、Lc分别为三维空间R3限定区域长度、宽度和高度，Nsub(j)第j个子群联盟中的成员数量，n为漫游无人机的数量，q为子群规模数量，fuav(u,j)为第u架漫游无人机选择第j个任务目标所付出的代价值。
②为了优化群无人机并行式搜索的路径，漫游无人机对任务目标所付出的代价越高，则选择该任务目标的几率越小，漫游无人机二次概率决策如下式：
其中，p′(u,j)为第u个漫游无人机对第j个任务目标的选择概率；当漫游无人机确定备选目标时，则实时更新所在备选目标的子群招募数量Nneed，并进行子群通信交换信息，让其它漫游无人机更新子群招募信息、依次进行二次决策；当所有的漫游无人机按二次概率选择成功时，即可使各子群成员均匀化，确定新的子群联盟，保证各个子群规模得到合理的资源配置，有效地完成了群无人机的多目标任务分工。
现设有群无人机N＝30，目标M＝6，群无人机二次任务目标分配结果如表3：形成了6个子群联盟，每个子群联盟内部的成员无人机数量都为5。
表3群无人机二次任务目标分配
Tab.3 secondary task target allocation of swarm UAVS
步骤四：每个子群内部，围绕一个单目标任务，采用基于运动学约束特性的自适应惯性权重扩展式微粒群算法进行细粒度目标搜索，无人机进行位置和速度更新。
无人机在三维空间R3中的坐标表示为：(Xu，Yu，Zu)，其中Xuav(Xt,Yt,Zt)为无人机t时刻的三维空间位置；
此时，无人机的运动学方程由下式表示：
其中，Vuav(t)为无人机在t时刻的运动速度，θ为Vuav(t)在xoy平面的投影与Y轴的夹角，β为Vuav(t)在xoy平面的投影与速度Vuav(t)形成的夹角；
无人机的速度分量由下式表示：
其中，Vuav(t)表示无人机在t时刻的速度；
通过分析比较微粒群算法与群机器人协作搜索状态下的若干基准概念，可以发现它们之间存在着某种映射关系，在惯性权重微粒群算法的基础上加以运动学约束，便可描述这种映射关系。在对比二维群机器人的基础上，考虑三维无人机的运动模型，将三维的运动学约束特性的微粒群算法应用于群无人机系统中，具体表述如下：
其中，Vie(t+1)是无人机t+1时刻的期望速度，XRj(t)和VRj(t)分别表示无人机在t时刻的位置和速度，α表示无人机的运动惯性因子，β为无人机的步幅控制因子，c1和c2表示无人机的个体认知系数和社会认知系数，r1和r2为rand()所生成的随机数，w为惯性权重，XRj *(t)为群无人机t时刻时的个体历史最优位置，gRj *(t)为群无人机t时刻时的群体历史最优位置；
设群无人机搜索的目标的位置为：(Xp，Yp，Zp)，第i个无人机的坐标位置为(Xu，Yu，Zu)，则无人机目标搜索的适应度函数为：
采用标准的惯性权重的微粒群算法可能会陷入局部最优点，使得无人机无法通过群体协作找到目标点，因此，本发明引入了一种改进型自适应惯性权重的微粒群算法，该算法不仅能使粒子群更好的收敛于全局最优点，而且能加快收敛速度，减少系统能耗。
为了优化群无人机在多目标搜索过程的路径，通过对三维运动学约束特性的微粒群算法的参数测试，引入一种和目标距离信息相关的自适应惯性权重的三维微粒群算法，其惯性权值w的调节思想如下：当粒子距离目标的距离过大时，w保持恒定值大范围搜索，当粒子距离目标位置小于一定距离时，w值随着距离值的更新而实现非线性递减，从而不断逼近目标点，进行细粒度搜索；神经网络中的sigmoid函数具有非线性逼近能力，而且其极值范围在0和1之间，由于粒子群中的惯性权重w的取值基本一致，因此，映射关系如下式所示：
函数g(x)只是一个改进的sigmoid函数，其中x为大于0的自然数，在本申请中是引用其函数来自适应调节惯性权重大小，并无实际意义。
将函数引入到与距离相关的群无人机系统中来自适应调节惯性权值大小，具体表达如下所示：
其中，dl为设定的距离阈值，f(i)为该粒子当前时刻的适应值，即距离值d，w为随距离值而变化的惯性权重值。
步骤五：直到所有的子群内部的无人机靠近在搜索目标的附近，则视为搜索成功，否则，继续迭代，不断更新无人机的位置和速度。
步骤六：建立群无人机并行式搜索性能指标评价模型，然后对评价模型进行收敛性证明和分析。
影响群无人机并行式搜索的性能指标主要为：系统能耗S和搜索耗时T；设单个子群联盟的搜索耗时和系统能耗分别表示为tk和Sk,tk和Sk与系统总能耗S和系统总搜索耗时T之间的关系如下：
T＝max{tk,k＝1,2,...,M} (14)
其中，单个目标协调搜索的搜索耗时tk和系统能耗Sk计算如下式所示：
其中，Nk为第k个子群联盟成员个数，
为第k个子群联盟的目标位置，tk表示第k个子群联盟在迭代t次以后，无人机与目标的距离之和小于阈值ε的最小迭代周期；XRj(t)为t＝tk时的无人机的位置信息；VRj(i)为每迭代一次无人机实际飞行速度，β为步幅控制因子；
由式(13)-(16)可知：群无人机并行式搜索收敛性的关键在于无人机子群联盟内部单目标协调搜索的收敛性，即求证自适应惯性权重扩展式微粒群算法(IAEPSO)的收敛性证明。
本发明借用文献《高尚，汤可宗，蒋新知，杨静宇.粒子群优化算法收敛性分析[J].科学技术与工程，2006.》提出的差分方程来论证本方法的收敛性。假设无人机当前历史最优位置和群体最优位置保持不变，即XRj *(t)和gRj *(t)的值为常数A和B，惯性权重w的值恒为常数，将式(9)中的无人机运动学约束的速度矢量合并如下式所示：
将式(17)中的参数与微粒群算法参数相比较，给定如下定义：
将式(17)(18)相结合，并且令t＝t+1迭代，则微粒群算法简化为：
由式(9)(19)化简得差分方程为：
同理，令βC1+βC2＝C，由特征方程法求解无人机位置时刻值，然后对其求极限可知满足其收敛性的解空间为：
取C＝2时，即惯性权重收敛的解空间处于区间0到1之间，设定无人机运动惯性因子α＝1，步幅控制因子β＝1时，惯性权重的取值在区间0到1之间必然收敛；由(11)(12)式可知，扩展式微粒群算法的自适应惯性权重的取值为0到0.8之间，其为扩展式微粒群算法收敛空间的一个子集，故自适应惯性权重扩展式微粒群算法必然收敛；由于群无人机多目标搜索是由M个目标组合的单目标搜索形式，故由单目标协调搜索的收敛性可知：群无人机并行式搜索必然收敛于其各自的任务目标点。
仿真测试
本发明在Matlab2014a的环境中设计了若干实验，考察了三种搜索模式的搜索效率和系统耗能：响应阈值任务分配模型与扩展式微粒群算法组合搜索模式(TRT+EPSO)、改进响应阈值任务分配模型与扩展式微粒群算法组合搜索模型(ITRT+EPSO)、改进响应阈值任务分配模型与改进型自适应惯性权重的扩展式微粒群算法组合搜索模型(ITRT+IAEPSO)。鉴于算法的随机性，在相同条件的仿真下重复运行30次，并对其中的结果作出客观性的分析。
群无人机系统参数设置
群无人机系统参数设置主要包括搜索主体，搜索对象以及环境设置等，具体见表4所示。其算法的性能评价指标主要为群无人机并行式搜索的系统总耗时T以及系统总能耗S。
表4群无人机系统参数设置
Tab.4 Parameter setting of swarm UAVS system
搜索仿真测试
本实验记录了群无人机系统采用IRTV+IAEPSO模型搜索算法，无人机数量规模为100时的一次仿真结果，其群无人机多目标搜索仿真过程如图2-图7所示，并且基于此仿真图，对其搜索过程进行了详细的描述与分析。
首先，群无人机和目标随机分布在三维搜索空间R3中，目标数量为10个，用黑色小球表示。在T＝0时刻，成员无人机根据传感器探测目标信号强度并且相互通信，进行一次任务分配，形成10个子群联盟，其编队结果如图2所示，分别用了10种不同的符号表示群无人机的目标分配情况。在图3中，具有共同意向目标的成员无人机用不同的符号表示，不同符号形式表示成员无人机所搜索的任务目标不同，即T＝10时刻，群无人机二次任务分配完成，具有共同意向目标的无人机形成子群，并且各子群中成员无人机数量相同。比如，在子群联盟sub2的附近有10架具有共同意向任务目标T2成员无人机，用黑色+号表示，其余子群联盟附近具有共同意向任务目标的成员无人机均用不同符号表示。二次任务分配完成之后，各子群内部的成员无人机通过信息交互与协调控制不断的往各自所搜索的意向任务目标附近靠近，在图4中即T＝20时，各个子群内
部的成员无人机往各自的意向任务目标点靠近。在图5和图6中，由于各个子群内部的成员无人机与目标之间的距离在一定距离阈值范围之内，故成员无人机开始细粒度协同搜索，避免跳过全局最优点，减少系统能耗。最后，如图7所示，所有的成员无人机收敛于目标点，则视为任务目标搜索成功，完成搜索。由于无人机数量过多，会导致其搜索路径仿真图不清晰，故从每个子群中随机选择一个无人机进行其搜索路径绘制，其群无人机系统的搜索路径绘制如图8所示。实验结果表明：任一子群联盟内部的无人机均能根据子群内部的信息交互和个体认知不断往群体的最优信号位置更新，并且均能收敛于目标点，将各自的目标搜索完成。
仿真对比设置
本仿真设置了三组对比模型来实现群无人机多目标并行式搜索，如下表5所示表5群无人机多目标并行式搜索算法
Tab.5 Multi-target parallel search algorithm of swarm UAVS
模式mode1，以无人机自身的检测能力和邻域通信能力为基础，构建个性化任务集，即任务集中包括Ⅰ类目标和Ⅱ类目标，采用响应阈值模型(TRT)构建子群联盟，即只进行群无人机一次任务分工，对子群内部资源配置情况不进行度量和评估。在子群内部，采用扩展式微粒群算法(EPSO)进行并行式目标搜索。
模式mode2，采用本发明所提出的改进响应阈值多目标任务分配模型(ITRT)，在群无人机一次分工的基础上，引入闭环调节和合作协同的思想对其子群内部资源进行评估度量，做出二次分配，并在此基础上采用扩展式微粒群算法进行协调搜索。
模式mode3，采用本发明提出的改进响应阈值多目标任务分配模型(ITRT)构建子群联盟，在子群联盟内部，采用一种改进自适应惯性权重的扩展式微粒群算法(IAEPSO)进行并行式目标搜索。
改变群无人机系统的种群规模，对以上三种模式在群体规模相同的条件下各自运行30次，采用3种策略组合模式的搜索系统耗时(T)及搜索系统能耗(S)的仿真结果的均值统计后显示如图9、图10所示。
对比结论分析
1)任务分工对群无人机并行式搜索的影响
在图8对比模式mode1和模式mode2，当群无人机的子群规模数分别为20，40，60，80，100时，不论是群无人机系统的搜索耗时和总能耗，模式mode2的搜索效果都会优于mode1，说明改进响应阈值多目标分配模型能够有效改善群无人机并行式搜索效率，降低系统的总耗能。其原因如下：采用模式mode1的任务分配方法形成子群联盟，会导致子群内部成员分配不均匀，出现任务目标所占用的成员无人机数量过多或者过少的情况。经单目标仿真验证可知：子群内部的无人机对目标搜索的效率和其子群规模大小有关，即：占用无人机资源较多的任务目标所在子群获取的信息量充足，每一代迭代过程的群体最优位置占优，从而能够更快逼近目标所在点，加快群无人机搜索效率；占用无人机资源少的目标所在子群由于可能共享的信息较少，会导致其搜索效率较慢，甚至无法找到全局最优点，即无法收敛于目标点，降低群无人机并行式搜索的效率。而采用模式mode2的任务分配方法，正好弥补目标任务所占无人机资源不均匀的缺点，大大提高了无人机并行式多目标搜索的效率。
2)协同搜索对群无人机并行式搜索的影响
如图9、图10所示，模式mode2和模式mode3在同样的群无人机多目标分配模型下，采用不同的协同搜索方法，当群无人机的子群规模数分别为20，40，60，80，100时，模式mode3的搜索耗时和系统总能耗均优于模式mode2，这说明改进型自适应惯性权重扩展式微粒群算法(IAEPSO)能够有效的改善群无人机的协调搜索效率。其原因如下：在采用扩展式微粒群算法时，其搜索效率和粒子的适应度值密切相关，而模式mode2中没有考虑其惯性权重与其适应值之间的关系。在初始时刻，粒子相对目标较远时，惯性权值应该较大，即粒子的运动速度加大，进行大范围的目标搜索，加快了粒子的搜索效率，当适应值到达某一阈值时，为了防止粒子速度过大，而跳过全局最优点，而采用一种非线性函数来自适应调节惯性权值大小，使其尽可能的早点找到目标点，避免路径重复，从而减低了系统能耗，模式mode3正是基于此思想设计的协同搜索算法，克服了模式mode2中协调搜索方法的缺点，大大优化了群无人机并行式搜索的效率。
3)综合分析
针对群无人机多目标搜索问题，影响群无人机多目标搜索的性能指标的因素主要体现在下两个方面：一是多目标任务分配不当，二是协同搜索算法不适。本文在文献《DerrK,Manic M.Multi-robot,multi-target particle swarm optimization search innoisy wireless environments[C]//2nd Conference on Human System Interaction,Pisataway,USA:IEEE,2009:81-86.》提出TRT+EPSO模型上进行了创新，提出了ITRT+IAEPSO模型。如图9、图10所示，模式mode3相对于模式mode1，群无人机并行式搜索的系统总能耗和搜索耗时大大减少，故本发明提出的一种群无人机并行式多目标协同控制方法有效地提高了无人机系统的综合搜索性能。
Claims (6)
1.一种三维群无人机并行式多目标搜索协同作业方法，其特征在于，包括以下步骤：
步骤一：构建三维空间搜索环境，设定各种参数，随机初始化群无人机位置和速度，随机初始化目标的位置；
步骤二：检测目标信号，根据响应阈值的多目标分配模型完成一次自组织分工，形成子群联盟；
步骤二具体步骤为：
2-1)选定某无人机，检测目标信号，判断选定无人机目标信号是否检出，若是，则进入步骤2-2)；否则进入步骤2-3)；
2-2)监听所选定无人机的邻域无人机信号，判断邻域无人机目标信号是否检出，若是，则认定选定无人机为Ⅱ类目标，进行目标选择，进入步骤2-4)；否则，选定无人机处于漫游状态，不参与目标搜索；
2-3)认定此无人机为Ⅰ类目标，并且存储目标响应值，进入步骤2-4)；
2-4)构建个性化任务集，采用响应概率评估模型计算出无人机对各个目标的响应概率，再采用赌轮盘式概率算法做出决策选择搜索目标，无人机完成一次编队，形成子群联盟；
所述步骤2-4)中，响应概率评估用下式表示：
其中，Ij是无人机Ui检测到目标Tj的信号强度，若Ui能够检测出信号目标的数量为m，则无人机Ui响应目标Tj激励的概率为p(i,j)；
无人机Ui决策过程如下式所示：
其中，z为m个目标中所决策出的目标任务序列；
步骤三：基于子群规模均匀化的多目标分配模型，进行子群内部的资源配置，完成二次分配，形成新的子群联盟，使子群内部的无人机资源配置合理化；
所述步骤三具体步骤为：
3-1)设定子群上限，度量子群联盟：设定群无人机数量为N，目标数量为M，缔结M个子群联盟，进入步骤3-2)；
3-2)判断子群联盟的成员数量Nsub是否等于子群规模上限Nmax，
若是，则进入步骤四；否则，进入步骤3-3)；
3-3)判断子群联盟的成员数量是否大于子群规模上限，若是，则优势地位排序在子群联盟的规模上限之后的成员无人机退出子群联盟，退盟之后的无人机处于漫游状态，并与步骤2-2)中处于漫游状态的无人机形成退盟无人机集合；否则，子群联盟做出招募需求，需求成员量为:Nneed＝Nmax-Nsub，进入步骤3-4)；
3-4)子群联盟之间相互通信，获得各子群联盟的信息情况，并传达给子群内成员无人机和退盟无人机集合中的漫游无人机，漫游无人机根据各子群的招募情况，基于代价二次决策，继续加盟，形成新的子群联盟，然后返回步骤3-2)；
步骤四：每个子群内部，围绕一个单目标任务，采用基于运动学约束特性的自适应惯性权重扩展式微粒群算法进行细粒度目标搜索，无人机进行位置和速度更新；
步骤五：直到所有的子群内部的无人机靠近在搜索目标的附近，则视为搜索成功，否则，继续迭代，不断更新无人机的位置和速度；
步骤六：建立群无人机并行式搜索性能指标评价模型，然后对评价模型进行收敛性证明和分析；
步骤六中：影响群无人机并行式搜索的性能指标主要为：系统能耗S和搜索耗时T；设单个子群联盟的搜索耗时和系统能耗分别表示为tk和Sk,tk和Sk与系统总能耗S和系统总搜索耗时T之间的关系如下：
T＝max{tk,k＝1,2,...,M} (14)
其中，单个目标协调搜索的搜索耗时tk和系统能耗Sk计算如下式所示：
其中，Nk为第k个子群联盟成员个数，
为第k个子群联盟的目标位置，tk表示第k个子群联盟在迭代t次以后，无人机与目标的距离之和小于阈值ε的最小迭代周期；XRj(t)为t＝tk时的无人机的位置信息；VRj(i)为每迭代一次无人机实际飞行速度，β为步幅控制因子；
由式(13)-(16)可知：群无人机并行式搜索收敛性的关键在于无人机子群联盟内部单目标协调搜索的收敛性；假设无人机当前历史最优位置和群体最优位置保持不变，即XRj *(t)和gRj *(t)的值为常数A和B，惯性权重w的值恒为常数，将式(9)中的无人机运动学约束的速度矢量合并如下式所示：
将式(17)中的参数与微粒群算法参数相比较，给定如下定义：
将式(17)(18)相结合，并且令t＝t+1迭代，则微粒群算法简化为：
由式(9)(19)化简得差分方程为：
同理，令βC1+βC2＝C，由特征方程法求解无人机位置时刻值，然后对其求极限可知满足其收敛性的解空间为：
取C＝2时，即惯性权重收敛的解空间处于区间0到1之间，设定无人机运动惯性因子α＝1，步幅控制因子β＝1时，惯性权重的取值在区间0到1之间必然收敛；由(11)(12)式可知，扩展式微粒群算法的自适应惯性权重的取值为0到0.8之间，其为扩展式微粒群算法收敛空间的一个子集，故自适应惯性权重扩展式微粒群算法必然收敛；由于群无人机多目标搜索是由M个目标组合的单目标搜索形式，故由单目标协调搜索的收敛性可知：群无人机并行式搜索必然收敛于其各自的任务目标点。
2.根据权利要求1所述的三维群无人机并行式多目标搜索协同作业方法，其特征在于，所述步骤一中，三维空间R3搜索环境由三元组{U,T,E}来表示:
(1)搜索主体U:U＝{Ui，i＝1,2,...,N},其中，N>>M，N表示群无人机的数量，M表示目标的数量；
(2)搜索对象T:T＝{Tj,j＝1,2,...,M},M>>1；
(3)搜索环境E:动态未知环境；其中，无人机群通过自身的传感器检测出目标所携带的通信装置发出的射频信号，通过无人机与目标、无人机群之间的通信交互，来确定自身在未知环境下的相对位置信息。
3.根据权利要求2所述的三维群无人机并行式多目标搜索协同作业方法，其特征在于，所述步骤2-1)中，目标信号的检测模型如下式所示：
其中，Q是目标中心发出的恒定信号功率，d表示无人机Ui与目标Tj之间的空间距离，d0为传感器对目标的最大感应距离，I为目标响应阈值强度，m′为目标能量信号传播条件下的衰减系数，rand()表示目标能量信号传播过程中的随机扰动，且为0到1之间服从均匀分布的随机数；
当无人机与目标的距离小于d0时，无人机能检测到目标的信号，当无人机与目标的距离超出传感器的最大检测时，此时目标信号无法检出。
4.根据权利要求3所述的三维群无人机并行式多目标搜索协同作业方法，其特征在于，所述步骤3-3)中，子群联盟内成员无人机优势地位评估的原则是：Ⅰ类目标的优先权大于Ⅱ类目标的优先权；若优先权相同，则按目标激励信号强度的大小进行评估，即：目标信号强度越大的无人机，其优势地位越高。
5.根据权利要求3所述的三维群无人机并行式多目标搜索协同作业方法，其特征在于，所述步骤3-4)中，漫游无人机基于代价二次决策过程考虑两个因素：①群内部成员各自的招募信息情况，②参与意向目标的子群中搜索的距离代价；
①漫游无人机的二次加盟代价函数为：
其中，g1为距离代价权重系数、g2为子群需求代价权重系数，Nmax(j)为第j个子群联盟中的规模上限，d(u,j)为第u个漫游无人机与第j个任务目标之间的距离，La、Lb、Lc分别为三维空间R3限定区域长度、宽度和高度，Nsub(j)第j个子群联盟中的成员数量，n为漫游无人机的数量，q为子群规模数量，fuav(u,j)为第u架漫游无人机选择第j个任务目标所付出的代价值；
②为了优化群无人机并行式搜索的路径，漫游无人机对任务目标所付出的代价越高，则选择该任务目标的几率越小，漫游无人机二次概率决策如下式：
其中，p′(u,j)为第u个漫游无人机对第j个任务目标的选择概率；当漫游无人机确定备选目标时，则实时更新所在备选目标的子群招募数量Nneed，并进行子群通信交换信息，让其它漫游无人机更新子群招募信息、依次进行二次决策；当所有的漫游无人机按二次概率选择成功时，确定新的子群联盟，完成了群无人机的多目标任务分工。
6.根据权利要求3所述的三维群无人机并行式多目标搜索协同作业方法，其特征在于，所述步骤四中，无人机在三维空间R3中的坐标表示为：(Xu，Yu，Zu)，其中Xuav(Xt,Yt,Zt)为无人机t时刻的三维空间位置；
此时，无人机的运动学方程由下式表示：
其中，Vuav(t)为无人机在t时刻的运动速度，θ为Vuav(t)在xoy平面的投影与Y轴的夹角，β为Vuav(t)在xoy平面的投影与速度Vuav(t)形成的夹角；
无人机的速度分量由下式表示：
其中，Vuav(t)表示无人机在t时刻的速度；
在对比二维群机器人的基础上，考虑三维无人机的运动模型，将三维的运动学约束特性的微粒群算法应用于群无人机系统中，具体表述如下：
其中，Vie(t+1)是无人机t+1时刻的期望速度，XRj(t)和VRj(t)分别表示无人机在t时刻的位置和速度，α表示无人机的运动惯性因子，β为无人机的步幅控制因子，c1和c2表示无人机的个体认知系数和社会认知系数，r1和r2为rand()所生成的随机数，w为惯性权重，XRj *(t)为群无人机t时刻时的个体历史最优位置，gRj *(t)为群无人机t时刻时的群体历史最优位置；
设群无人机搜索的目标的位置为：(Xp，Yp，Zp)，第i个无人机的坐标位置为(Xu，Yu，Zu)，则无人机目标搜索的适应度函数为：
为了优化群无人机在多目标搜索过程的路径，通过对三维运动学约束特性的微粒群算法的参数测试，引入一种和目标距离信息相关的自适应惯性权重的三维微粒群算法，其惯性权值w的调节思想如下：当粒子距离目标的距离过大时，w保持恒定值大范围搜索，当粒子距离目标位置小于一定距离时，w值随着距离值的更新而实现非线性递减，从而不断逼近目标点，进行细粒度搜索；神经网络中的sigmoid函数具有非线性逼近能力，而且其极值范围在0和1之间，由于粒子群中的惯性权重w的取值基本一致，因此，映射关系如下式所示：
将函数引入到与距离相关的群无人机系统中来自适应调节惯性权值大小，具体表达如下所示：
其中，dl为设定的距离阈值，f(i)为该粒子当前时刻的适应值，即距离值d，w为随距离值而变化的惯性权重值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010363535.0A CN111580564B (zh) | 2020-04-30 | 2020-04-30 | 一种三维群无人机并行式多目标搜索协同作业方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010363535.0A CN111580564B (zh) | 2020-04-30 | 2020-04-30 | 一种三维群无人机并行式多目标搜索协同作业方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111580564A CN111580564A (zh) | 2020-08-25 |
| CN111580564B true CN111580564B (zh) | 2022-06-10 |
Family
ID=72126355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010363535.0A Active CN111580564B (zh) | 2020-04-30 | 2020-04-30 | 一种三维群无人机并行式多目标搜索协同作业方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111580564B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112405547B (zh) * | 2020-11-30 | 2022-03-08 | 湖南科技大学 | 未知环境下的群机器人多目标搜索方法 |
| CN113342030B (zh) * | 2021-04-27 | 2022-07-08 | 湖南科技大学 | 基于强化学习的多无人机协同自组织控制方法及系统 |
| CN113189588B (zh) * | 2021-04-30 | 2022-05-03 | 电子科技大学 | 集群无人机合成孔径雷达高帧率成像方法 |
| CN113190041B (zh) * | 2021-04-30 | 2022-05-10 | 哈尔滨工业大学 | 一种基于约束松弛技术的无人机集群在线目标分配方法 |
| CN113543264B (zh) * | 2021-07-26 | 2022-06-10 | 中南大学 | 一种非均匀路由协议设计方法 |
| CN114636970A (zh) * | 2022-02-21 | 2022-06-17 | 中国人民解放军战略支援部队信息工程大学 | 一种基于被动合成孔径的多无人机协同直接定位方法 |
| CN114859979B (zh) * | 2022-07-07 | 2022-09-23 | 南京信息工程大学 | 无人机集群自主协同侦察时间资源分布式分配方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279793A (zh) * | 2013-04-25 | 2013-09-04 | 北京航空航天大学 | 一种确定环境下的无人飞行器编队任务分配方法 |
| CN104950673A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种无人机群协作打击目标分配方法 |
| CN107045458A (zh) * | 2017-03-09 | 2017-08-15 | 西北工业大学 | 基于多目标量子粒子群算法的无人机协同任务分配方法 |
| CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
| CN109739087A (zh) * | 2018-12-29 | 2019-05-10 | 齐鲁工业大学 | 基于多目标粒子群算法的多智能体制造过程优化方法 |
| CN110232492A (zh) * | 2019-04-01 | 2019-09-13 | 南京邮电大学 | 一种基于改进离散粒子群算法的多无人机协同任务调度方法 |
-
2020
- 2020-04-30 CN CN202010363535.0A patent/CN111580564B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279793A (zh) * | 2013-04-25 | 2013-09-04 | 北京航空航天大学 | 一种确定环境下的无人飞行器编队任务分配方法 |
| CN104950673A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种无人机群协作打击目标分配方法 |
| CN107045458A (zh) * | 2017-03-09 | 2017-08-15 | 西北工业大学 | 基于多目标量子粒子群算法的无人机协同任务分配方法 |
| CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
| CN109739087A (zh) * | 2018-12-29 | 2019-05-10 | 齐鲁工业大学 | 基于多目标粒子群算法的多智能体制造过程优化方法 |
| CN110232492A (zh) * | 2019-04-01 | 2019-09-13 | 南京邮电大学 | 一种基于改进离散粒子群算法的多无人机协同任务调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111580564A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111580564B (zh) | 一种三维群无人机并行式多目标搜索协同作业方法 | |
| CN111487995B (zh) | 基于三维简化虚拟模型的群无人机多目标搜索协作方法 | |
| Chen et al. | Mean field deep reinforcement learning for fair and efficient UAV control | |
| Zhang et al. | Dynamic multi-role adaptive collaborative ant colony optimization for robot path planning | |
| CN110608743A (zh) | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 | |
| CN103971160B (zh) | 基于复杂网络的粒子群优化方法 | |
| CN108731684A (zh) | 一种多无人机协同区域监视的航路规划方法 | |
| Wang et al. | Rank-driven salp swarm algorithm with orthogonal opposition-based learning for global optimization | |
| CN114142908B (zh) | 一种面向覆盖侦察任务的多无人机通信资源分配方法 | |
| Sonny et al. | Autonomous UAV path planning using modified PSO for UAV-assisted wireless networks | |
| CN110958625B (zh) | 一种基于移动边缘智能的实时多模态语言分析系统和方法 | |
| CN113504798A (zh) | 一种仿生物群体协商行为的无人机集群协同目标搜索方法 | |
| Khodaparast et al. | Deep reinforcement learning based energy efficient multi-UAV data collection for IoT networks | |
| CN114706422A (zh) | 基于未知环境碰撞冲突预测的群机器人多目标搜索方法 | |
| CN111813144A (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
| Zhao et al. | Adaptive swarm intelligent offloading based on digital twin-assisted prediction in VEC | |
| CN114679729B (zh) | 一种雷达通信一体化的无人机协同多目标探测方法 | |
| Liu et al. | Multi-UAV cooperative task assignment based on orchard picking algorithm | |
| CN115237151A (zh) | 一种基于信息素启发的群无人机多运动目标搜索方法 | |
| Han et al. | Dynamic collaborative charging algorithm for mobile and static nodes in Industrial Internet of Things | |
| Jiang et al. | A multi-objective optimization problem solving method based on improved golden jackal optimization algorithm and its application | |
| Liu et al. | Multiple UAV formations delivery task planning based on a distributed adaptive algorithm | |
| Zhang et al. | Deep reinforcement learning for UAV swarm rendezvous behavior | |
| Wu et al. | Mobility-aware deep reinforcement learning with seq2seq mobility prediction for offloading and allocation in edge computing | |
| Gao et al. | MO-AVC: Deep Reinforcement Learning Based Trajectory Control and Task Offloading in Multi-UAV Enabled MEC Systems |
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 |