CN111817770B - 中继无人机部署方法及终端设备 - Google Patents
中继无人机部署方法及终端设备 Download PDFInfo
- Publication number
- CN111817770B CN111817770B CN202010612159.4A CN202010612159A CN111817770B CN 111817770 B CN111817770 B CN 111817770B CN 202010612159 A CN202010612159 A CN 202010612159A CN 111817770 B CN111817770 B CN 111817770B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- honey source
- honey
- bee
- relay
- 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
Images
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
- H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
-
- 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]
-
- 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
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/06—Airborne or Satellite Networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用于无人机技术领域,提供了一种中继无人机部署方法及终端设备,上述方法包括:以中继无人机数量最少为目标函数,以通信节点之间的有效通信距离约束和通信节点之间的安全距离约束为约束条件,建立中继无人机部署模型;对中继无人机部署模型进行求解,得到各个中继无人机的部署位置。本发明能够实现以最少的中继无人机数量来有效完成中继无人机的部署,实用性较强。
Description
技术领域
本发明属于无人机技术领域,尤其涉及一种中继无人机部署方法及终端设备。
背景技术
随着无人作战区域范围的扩展,单架无人机的有效通信范围逐渐成为制约其作战半径的主要矛盾。通过构建中继无人机网络,进行数据链路的“接力”传输,可有效扩展无人机的作战半径。
具有中继功能的无人机系统,通常由一套地面测控系统(ground controlsystem,GCS)和多个功能无人机组成。地面测控系统负责发送控制指令及接收侦察数据等;任务无人机(task Unmanned Aerial Vehicle,TU)执行如侦察、监视、攻击等特定任务;中继无人机(relay Unmanned Aerial Vehicle,RU)用作无线通信的中继节点,使得任务无人机在一定距离下仍可实时与地面测控系统保持信息交互。
目前,对于中继无人机的部署,通常采用粒子群算法将一定数量的中继无人机分配给多个任务,以此来确定中继无人机的位置。但是,这种方法只能在中继无人机数量确定的前提下,对中继无人机进行部署,而无法以最少的中继无人机数量来有效完成中继无人机的部署。
发明内容
有鉴于此,本发明实施例提供了一种中继无人机部署方法及终端设备,以解决现有技术只能在中继无人机数量确定的前提下,对中继无人机进行部署,而无法以最少的中继无人机数量来有效完成中继无人机的部署的问题。
本发明实施例的第一方面提供了一种中继无人机部署方法,包括:
以中继无人机数量最少为目标函数,以通信节点之间的有效通信距离约束和通信节点之间的安全距离约束为约束条件,建立中继无人机部署模型;
对中继无人机部署模型进行求解,得到各个中继无人机的部署位置。
本发明实施例的第二方面提供了一种中继无人机部署系统,包括:
模型建立模块,用于以中继无人机数量最少为目标函数,以通信节点之间的有效通信距离约束和通信节点之间的安全距离约束为约束条件,建立中继无人机部署模型;
部署位置确定模块,用于对中继无人机部署模型进行求解,得到各个中继无人机的部署位置。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如第一方面所述中继无人机部署方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被一个或多个处理器执行时实现如第一方面所述中继无人机部署方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例通过以中继无人机数量最少为目标函数,以通信节点之间的有效通信距离约束和通信节点之间的安全距离约束为约束条件,建立中继无人机部署模型;对中继无人机部署模型进行求解,得到各个中继无人机的部署位置,能够实现以最少的中继无人机的数量来有效完成中继无人机的部署,实用性较强。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的中继无人机部署方法的实现流程示意图;
图2是本发明一实施例提供的实验一的中继节点部署结果示意图;
图3是本发明一实施例提供的DFS-ABC算法和RDFS-ABC算法的运行时间对比示意图;
图4是本发明一实施例提供的实验三中使用PSO算法得到的中继节点部署结果示意图;
图5是本发明一实施例提供的实验三中使用RDFS-ABC算法得到的中继节点部署结果示意图;
图6是本发明一实施例提供的中继无人机部署系统的结构示意图;
图7是本发明一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1是本发明一实施例提供的中继无人机部署方法的实现流程示意图,为了便于说明,仅示出了与本发明实施例相关的部分。本发明实施例的执行主体可以是终端设备。
如图1所示,上述中继无人机部署方法可以包括如下步骤:
S101:以中继无人机数量最少为目标函数,以通信节点之间的有效通信距离约束和通信节点之间的安全距离约束为约束条件,建立中继无人机部署模型。
在本发明实施例中,中继无人机部署问题是指在作战目标和地面测控系统位置已知的条件下,如何根据无人机作战链路需求及中继无人机的性能,以最少数量的中继无人机完成整个无人机通信链路中继节点的设置问题。
在无人机中继通信网络中,地面测控系统、待执行任务无人机和中继无人机均视为无人机中继通信网络中的通信节点,且假设所有的节点均处于同样的海拔高度。用集合G={g}表示地面测控系统、T={t1,t2,…,tNt}表示待执行任务无人机、R={r1,r2,…rNr}表示中继无人机。其中Nt为任务无人机数量,Nr为中继无人机数量。对应可将GCS、RU和TU的位置以集合的形式表示如公式(1):
式中,xv∈R2表示节点v的位置;XG为地面测控系统的位置集合;XR为中继无人机的位置集合;XT为任务无人机的位置集合。
由于GCS的位置是已知固定的,每个TU的位置是根据作战目标确定的,所以中继节点(中继无人机)的部署位置可根据GCS、TU的位置信息来进行合理设计。TU与GCS的通信模式是端到端通信,假设将一个可行的无人机中继网络视为一个数学函数,以所有节点的位置信息为输入,每个TU与GCS之间的一组中继链路节点为输出,则这个中继网络可由公式(2)表示:
ρ:(XG,XR,XT)→{ρt}t∈T (2)
式(2)中,ρt为任务无人机t和地面测控系统之间的中继网络节点的有序集合形成的一个通信链路,其第k个元素由表示。则第一个元素和最后一个元素应分别为任务无人机t和地面测控系统,其余元素其中i=2,…,ρt-1均为中继无人机。
由于无线信号的平均功率随传播距离呈指数衰减,当两个节点在一定的通信范围d0(即预设通信距离)内时,即认为它们可有效地通信。所以,为了确保所有TU与GCS之间可有效通信,每个通信链路中相邻两个通信节点之间的距离不得大于d0。因此,中继节点之间的有效通信距离约束可采用公式(3)表示:
此外,考虑无人机的空域飞行安全,须限定各无人机之间的安全间隔,即中继无人机之间以及中继无人机和任务无人机之间的安全距离。因此,节点之间的安全距离约束可采用公式(4)表示:
式(4)中,dsf为预设安全距离,即防止无人机之间碰撞的最小安全距离。dsf远小于d0,并且假定TU之间的距离是保持安全的。
在战场环境中,无人机数量越多,越容易被敌雷达探测到,将会增加无人机被敌打击的概率,进而可能会影响整体作战计划。因此为了尽可能的降低被敌雷达探测到的概率,应尽可能的减少中继无人机的数量,来保证更安全地完成作战任务。同时,在空域中,无人机的数量越少,也越有利于无人机的飞行安全。所以,对于中继无人机的部署要在满足通信要求和安全性能的前提下,以最少数量的中继无人机来保证所有任务机与测控系统可进行实时通信。
由此,有效中继无人机数量n可采用公式(5)表示:
n=count(r)=f(XG,XR,XT,ρ) (5)
式(5)中,f(XG,XR,XT,ρ)为中继网络中,有效中继无人机的计数函数,用来统计有效中继无人机的数量,其中,有效中继无人机是指在中继网络中,任务无人机与地面测控系统进行通信所用到的中继无人机。r是指有效中继无人机,count(r)是指对r计数。
在本发明的一个实施例中,所述中继无人机部署模型为:
其中,XG为地面测控系统的位置集合;XR为中继无人机的位置集合;XT为任务无人机的位置集合;ρ为中继网络,ρ:(XG,XR,XT)→{ρt}t∈T;f(XG,XR,XT,ρ)为中继网络中,有效中继无人机的计数函数;S|R|为中继无人机的二维可展开空间;ρt为任务无人机t和地面测控系统之间的中继网络节点的有序集合形成的一个通信链路;为ρt中的第k个元素;为ρt中的第k+1个元素;ρt为ρt中元素的数量;为与之间的距离;d0为预设通信距离;T为任务无人机的集合;R为中继无人机的集合;d(u,v)为u与v之间的距离;u和v均为中继无人机集合和任务无人机集合中的任意一个无人机,且u和v不同;dsf为预设安全距离。
S102:对中继无人机部署模型进行求解,得到各个中继无人机的部署位置。
在本发明实施例中,通过对上述中继无人机部署模型进行求解,可以得到各个中继无人机的部署位置。
由上述描述可知,本发明实施例通过以中继无人机数量最少为目标函数,以通信节点之间的有效通信距离约束和通信节点之间的安全距离约束为约束条件,建立中继无人机部署模型;对中继无人机部署模型进行求解,得到各个中继无人机的部署位置,能够实现以最少的中继无人机的数量来有效完成中继无人机的部署,实用性较强。
在本发明的一个实施例中,上述S102可以包括以下步骤:
S201:根据预设的初始化参数生成初始蜜源种群。
在本发明实施例中,采用基于快速深度优先搜索算法的人工蜂群算法对中继无人机部署模型进行求解。
其中,快速深度优先搜索算法(rapidly depth first search,RDFS)是对深度优先搜索算法(depth first search,DFS)的一种优化。DFS算法属于图算法的一种,是一种针对图和树遍历的经典算法,利用DFS算法可以产生目标图的相应拓扑排序表,利用拓扑排序表可以方便的解决很多图论问题。而对于如何快速找到测控系统GCS通过中继节点RU与所有TU节点之间的可行链路问题,就属于图论问题。
DFS算法可搜索出任意两个节点之间的所有可行链路,但是存在随着节点数量的增加,其计算复杂度成阶次提高的缺点。为有效保证求解效率,对DFS算法的搜索方式进行了优化,提出了RDFS算法,在节点间搜索可行链路时,将依据以下步骤:
(1)将GCS作为第一个被访问的顶点,TU作为未被访问过的顶点;
(2)对访问过的顶点作已访问过的标志;
(3)依次从顶点的未被访问过的第1,2,3,…,n个邻接顶点出发,对其进行深度优先搜索,至访问到TU即停止访问,记录访问链路,无需再继续访问其余顶点;
(4)如果顶点TU未被访问,说明GCS和TU没有可行链路,则结束。
通过以上优化的搜索方式,可有效降低算法求解的时间复杂度,同时仍能找到可行解。具体过程可参照S302的具体实现过程。
人工蜂群算法(artificial bee colony,ABC)是一种基于群智能的全局优化算法。它通过不同分工的蜜蜂间的交流与协作实现群体智能,具有参数设置少、收敛速度快且收敛精度高等优点。但同样在求解中继无人机部署问题时,受限于节点规模,求解效率不高。所以,采用一种基于RDFS的人工蜂群算法(RDFS-ABC)来实现中继无人机部署问题的快速求解。
在本发明的一个实施例中,初始化参数包括种群规模NP和蜜源维度D;
上述S201可以包括以下步骤:
S301:根据种群规模NP、蜜源维度D和安全距离约束,随机生成NP个蜜源。
种群初始化即初始化蜜源位置,每一个蜜源位置代表一个可行解。对于中继无人机的部署问题,可行解即代表一组中继节点,且该组中继节点满足安全性和连通性的要求。安全性是指满足上述安全距离约束,连通性是指每一个任务无人机与地面测控系统之间均具有至少一条可通信的链路。
其中,在NP个蜜源中,每个蜜源的维度均为D,且每个蜜源均满足安全距离约束。
S302:基于快速深度优先搜索方法,判断NP个蜜源是否均满足对所有任务无人机的连通性要求。
在本发明的一个实施例中,上述S302可以包括以下步骤:
将第一蜜源中表示地面测控系统的顶点作为第一个被访问的顶点,表示任务无人机的顶点作为未被访问的顶点;第一蜜源为NP个蜜源中的任意一个蜜源;
依次从第一个被访问的顶点的未被访问的邻接顶点出发,进行深度优先搜索,直至访问到任意一个表示任务无人机的顶点,并记录从第一个被访问的顶点至访问到的任意一个表示任务无人机的顶点的访问链路;其中,当访问到任意一个顶点时,将该顶点标记为已被访问过的顶点;
若所有表示任务无人机的顶点均已被访问过,则确定第一蜜源满足对所有任务无人机的连通性要求;
若存在未被访问过的表示任务无人机的顶点,则确定第一蜜源不满足对所有任务无人机的连通性要求。
S303:若NP个蜜源均满足对所有任务无人机的连通性要求,则NP个蜜源组成初始蜜源种群。
在本发明实施例中,若NP个蜜源均满足对所有任务无人机的连通性要求,则将该NP个蜜源称为初始蜜源种群,将初始蜜源种群中的每一个蜜源均称为初始蜜源。
S304:若在NP个蜜源中存在不满足对所有任务无人机的连通性要求的蜜源,则根据蜜源维度D和安全距离约束,随机生成新的蜜源,并判断新的蜜源是否满足对所有任务无人机的连通性要求,直至生成NP个满足对所有任务无人机的连通性要求的蜜源。
其中,生成的新的蜜源的维度为D,且满足安全距离约束。
可以根据S302的具体实现过程判断新的蜜源是否满足对所有任务无人机的连通性要求。
具体地,在种群初始化中,首先,在任务区域内随机生成D个位置点作为中继无人机RU的节点位置,D为蜜源维度。然后,使用RDFS算法判断中继节点的可行性,即所有任务节点TU可否通过中继节点搜索到测控系统节点GCS间的可行通信链路。在每次搜索过程中,假设测控系统节点的序号为1,而任务节点的序号为2,其余中继节点的序号为3至D+2,从节点1搜索与节点2的连通序列,如果存在连通序列则记录连通序列并停止,进行下一个任务节点的搜索。如果不存在连通序列,说明有任务节点不能和地面测控系统节点连通,生成的节点位置不满足可行性条件,立即结束搜索,重新在任务区域内随机生成D个位置点作为蜜源位置并判断其链路可行性,直到生成NP个满足条件的蜜源。以此,完成种群初始化。
S202:基于变异算子,对引领蜂进行邻域搜索,生成第一邻近蜜源,并基于目标函数,对每个引领蜂对应的初始蜜源和引领蜂对应的第一邻近蜜源进行贪婪选择,生成第一蜜源种群;其中,每个引领蜂对应初始蜜源种群中的一个初始蜜源,第一邻近蜜源满足对所有任务无人机的连通性要求。
在本发明实施例中,在初始蜜源种群中,每个引领蜂对应一个初始蜜源。将经过引领蜂阶段后的蜜源种群称为第一蜜源种群。在经过引领蜂阶段之后生成的第一蜜源种群中,每个引领蜂对应第一蜜源种群中的一个蜜源,该蜜源可能是初始蜜源,也可能是第一邻近蜜源。
在本发明的一个实施例中,初始化参数包括蜜源维度D和蜜源的最大搜索次数;
上述S202可以包括以下步骤:
在1至D之间随机生成两个整数r1和r2;
将第一引领蜂对应的初始蜜源中位于r1和r2之间的位置点进行变异操作,生成第一初始邻近蜜源;第一引领蜂为所有引领蜂中的任意一个引领蜂;
基于快速深度优先搜索方法,判断第一初始邻近蜜源是否满足对所有任务无人机的连通性要求;
若第一初始邻近蜜源不满足对所有任务无人机的连通性要求,则跳转至在1至D之间随机生成两个整数r1和r2的步骤循环执行;
若第一初始邻近蜜源满足对所有任务无人机的连通性要求,则将第一初始邻近蜜源作为第一引领蜂对应的第一邻近蜜源;
基于目标函数,计算第一引领蜂对应的初始蜜源的适应度值和第一引领蜂对应的第一邻近蜜源中的适应度值;
若第一引领蜂对应的第一邻近蜜源中的适应度值优于第一引领蜂对应的初始蜜源的适应度值,则将第一引领蜂对应的第一邻近蜜源作为第一蜜源种群中第一引领蜂对应的蜜源;
若第一引领蜂对应的初始蜜源中的适应度值优于第一引领蜂对应的第一邻近蜜源的适应度值,则跳转至在1至D之间随机生成两个整数r1和r2的步骤循环执行;直至第一引领蜂对应的第一邻近蜜源中的适应度值优于第一引领蜂对应的初始蜜源的适应度值,或第一引领蜂的邻近搜索次数达到蜜源的最大搜索次数;
若第一引领蜂的邻近搜索次数达到蜜源的最大搜索次数,则将第一引领蜂对应的初始蜜源作为第一蜜源种群中第一引领蜂对应的蜜源。
其中,从步骤在1至D之间随机生成两个整数r1和r2开始,到比较第一引领蜂对应的第一邻近蜜源中的适应度值与第一引领蜂对应的初始蜜源的适应度值,并得到比较结果,这个过程执行一次称为执行了一次邻近搜索。第一引领蜂每执行一次邻近搜索,则第一引领蜂的邻近搜索次数自动加1。蜜源的最大搜索次数可以根据实际需求进行设置。
可以根据式(7)计算蜜源的适应度值:
式(7)中,fiti为适应度函数,fi是中继无人机部署模型的目标函数,即在第i个蜜源中所有的TU与GCS连通中所用到的中继节点RU的数量。
具体地,引领蜂通常在蜜源附近进行邻域搜索。为了表示邻域搜索的行为,引入变异算子操作,具体步骤如下:
步骤1:从1到D之间随机生成两个整数r1和r2;
步骤2:将引领蜂对应的初始蜜源中序列码在r1和r2位置中间的几个位置变为随机生成可行域内的位置点。
步骤3:利用RDFS算法检验新的中继位置点是否满足对所有TU节点的连通性要求,若满足则使用新的位置点作为新的蜜源(即第一邻近蜜源),并计算出所使用到的中继节点RU的数量,若不满足则转至步骤1,直至生成满足连通性要求的蜜源。
使用变异算子操作对引领蜂进行邻域搜索,采用RDFS算法计算出每个引领蜂的目标函数,并在当前蜜源(即初始蜜源)和新的邻近蜜源(即第一邻近蜜源)之间进行贪婪选择,以保证更好的蜜源被保留下来供进一步进化。贪婪选择是基于蜜源的适应度值,如式(7)所示。
S203:基于轮盘赌方法,从所有引领蜂中选取跟随蜂;其中,每个跟随蜂对应第一蜜源种群中的一个蜜源。
跟随蜂是按轮盘赌方式在引领蜂种群中选择的较优的种群。具体地,根据式(8)从引领蜂种群中选择出较优的引领蜂作为跟随蜂,每个跟随蜂对应第一蜜源种群中的一个蜜源,该蜜源为跟随蜂对应的引领蜂在第一蜜源种群中对应的一个蜜源。
式(8)中,pi为第i个引领蜂被选择的概率;fiti为第i个引领蜂对应的蜜源的适应度值;fitk为第k个引领蜂对应的蜜源的适应度值。
具体可以在[-1,1]之间生成一个随机数,若pi大于该随机数,则第i个引领蜂被选择成为跟随蜂。
S204:对每个跟随蜂执行和引领蜂同样的操作,生成第二蜜源种群。
第一蜜源种群经过跟随蜂阶段之后,变为第二蜜源种群。
跟随蜂阶段与引领蜂阶段类似,同样使用变异算子进行邻域搜索产生新的蜜源,并使用贪婪选择保留更优蜜源,具体过程不再赘述。
S205:判断是否产生侦查蜂。
在本发明的一个实施例中,上述S205可以包括以下步骤:
若在第二蜜源种群中第一跟随蜂对应的蜜源为对应引领蜂对应的初始蜜源,则确定产生侦查蜂,且将第一跟随蜂作为侦查蜂;第一跟随蜂为所有跟随蜂中的任意一个跟随蜂;
若在第二蜜源种群中每个跟随蜂对应的蜜源均不是对应引领蜂对应的初始蜜源,则确定未产生侦查蜂。
具体地,若某个蜜源在经历引领蜂阶段和跟随蜂阶段之后,没有发生任何变化,则将该蜜源对应的跟随蜂作为侦查蜂,将该蜜源作为该侦查蜂对应的蜜源。
S206:若产生侦查蜂,则生成一个满足对所有任务无人机的连通性要求和安全距离约束的随机蜜源,并用随机蜜源代替侦查蜂对应的蜜源,生成第三蜜源种群。
在侦查蜂阶段,针对每一个侦查蜂,生成一个满足对所有任务无人机的连通性要求和安全距离约束的随机蜜源代替该侦查蜂对应的蜜源。
第二蜜源种群在经过侦查蜂阶段之后,变为第三蜜源种群。
S207:判断当前迭代次数是否达到预设迭代次数。
当前迭代次数从0开始,每经历依次迭代,当前迭代次数自动加1。
预设迭代次数可以根据实际需求进行设置。
S208:若当前迭代次数未达到预设迭代次数,则将第三蜜源种群作为新的初始蜜源种群,并跳转至基于变异算子,对引领蜂进行邻域搜索,生成第一邻近蜜源的步骤循环执行。
若当前迭代次数未达到预设迭代次数,则将第三蜜源种群作为新的初始蜜源种群,并跳转至S202循环执行,直至当前迭代次数达到预设迭代次数。
S209:若当前迭代次数达到预设迭代次数,则根据第三蜜源种群输出最优解;其中,最优解为各个中继无人机的部署位置。
若当前迭代次数达到预设迭代次数,则在第三蜜源种群中找到使用中继无人机数量最少的蜜源作为最优解,并输出各个中继无人机的部署位置。
由上述描述可知,本发明实施例提供的中继无人机部署方法采用基于RDFS的ABC算法进行求解,可以有效提高求解效率;RDFS算法优化了深度优先搜索算法的搜索方式,实现了节点间可行链路的快速搜索,可为解决其它图论问题提供参考;本发明实施例提供的中继无人机部署方法可有效解决中继无人机部署问题,且求解得到部署方案实用性更强、效率更高。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下通过仿真实验验证中继无人机部署方法的有效性。其中,仿真实验平台可以为Inter Core i5-7300HQ CPU,8GB,64位Win10操作系统。编程工具为可以Matlab R2017b(64位)。仿真实验参数设置如表1所示,其中包括约束参数、地面测控系统位置及人工蜂群算法参数。
表1实验参数设置
实验一:在作战区域内设置数个目标,验证算法的有效性。
假设作战区域有30个目标需要进行侦察或者攻击,目标点位置坐标如表2所示,进行仿真实验,可得中继节点部署结果如图2所示,图中小圆点表示中继无人机RU的位置,大圆圈表示RU的有效通信范围,大圆点表示目标位置,星号*表示地面测控系统。
表2任务节点位置坐标
实验一的实验结果分析如下:
(1)由图2可得,所有的TU节点都在RU节点的有效通信覆盖范围之内,并且每个RU节点都可以与GCS进行数据链路通信,则说明所有的TU节点都可以通过RU节点与GCS进行数据链路通信,说明了算法的有效性。
(2)在一定任务背景下,利用RDFS-ABC算法可有效求解得到中继无人机的数量及其对应位置信息,说明了算法的可行性。
实验二在同一目标和测控系统属性的情况下,对比DFS-ABC算法和RDFS-ABC算法的运行时间,验证RDFS-ABC算法的求解效率。
设置作战区域内的目标规模为5、10、15、20、25、30,分别进行仿真实验。在不同目标规模下,算法各运行100次,记录算法运行求解时间,取其平均值,可得到统计结果如表3和图3所示。
实验二的实验结果分析如下:
(1)由表3和图3数据可知,在相同目标规模条件下,RDFS-ABC算法的求解时间均小于DFS-ABC算法的运行时间,平均降低了53.56%左右,说明了RDFS-ABC算法的求解效率更高,算法实用性更强。
(2)RDFS-ABC算法的求解效率更高,表明RDFS算法在搜索两点之间可行链路问题上相比于DFS算法更具有一定优越性。
表3两种算法运行的平均时间表
实验三在同一目标和测控系统属性的情况下,对比PSO(particle swarmoptimization,粒子群)算法和RDFS-ABC算法求解精度及收敛性。
设置PSO算法中种群规模为100,最大迭代次数为60,认知参数和社会参数分别为0.7和1.4。假设作战区域内有15个目标,在相同目标规模下,用两种算法各进行仿真实验100次,记录中继节点数量,取其平均值,可得统计结果如表4所示,并记录一次仿真结果如图4、图5所示。
表4中继节点平均数量表
实验三的实验结果分析如下:
(1)由图4、图5可得,所有的TU节点都在RU节点的有效通信覆盖范围之内,并且每个RU节点都可以与GCS进行数据链路通信,说明两种算法都可以实现GCS节点与所有TU节点进行有效链路通信,满足中继节点部署要求。
(2)由表4可得,在相同条件下,PSO算法求解得到的中继无人机数量为8.34架,RDFS-ABC算法求解得到的中继无人机数量平均为7.05架,无人机平均架次降低了15.47%,说明RDFS-ABC算法的求解精度更高。
图6是本发明一实施例提供的中继无人机部署系统的结构示意图,为了便于说明,仅示出与本发明实施例相关的部分。
参见图6,中继无人机部署系统600可以包括:模型建立模块601和部署位置确定模块602。
其中,模型建立模块601,用于以中继无人机数量最少为目标函数,以通信节点之间的有效通信距离约束和通信节点之间的安全距离约束为约束条件,建立中继无人机部署模型;
部署位置确定模块602,用于对中继无人机部署模型进行求解,得到各个中继无人机的部署位置。
可选地,部署位置确定模块602具体用于:
根据预设的初始化参数生成初始蜜源种群;
基于变异算子,对引领蜂进行邻域搜索,生成第一邻近蜜源,并基于目标函数,对每个引领蜂对应的初始蜜源和引领蜂对应的第一邻近蜜源进行贪婪选择,生成第一蜜源种群;其中,每个引领蜂对应初始蜜源种群中的一个初始蜜源,第一邻近蜜源满足对所有任务无人机的连通性要求;
基于轮盘赌方法,从所有引领蜂中选取跟随蜂;其中,每个跟随蜂对应第一蜜源种群中的一个蜜源;
对每个跟随蜂执行和引领蜂同样的操作,生成第二蜜源种群;
判断是否产生侦查蜂;
若产生侦查蜂,则生成一个满足对所有任务无人机的连通性要求和安全距离约束的随机蜜源,并用随机蜜源代替侦查蜂对应的蜜源,生成第三蜜源种群;
判断当前迭代次数是否达到预设迭代次数;
若当前迭代次数未达到预设迭代次数,则将第三蜜源种群作为新的初始蜜源种群,并跳转至基于变异算子,对引领蜂进行邻域搜索,生成第一邻近蜜源的步骤循环执行;
若当前迭代次数达到预设迭代次数,则根据第三蜜源种群输出最优解;其中,最优解为各个中继无人机的部署位置。
可选地,初始化参数包括种群规模NP和蜜源维度D;部署位置确定模块602还可以用于:
根据种群规模NP、蜜源维度D和安全距离约束,随机生成NP个蜜源;
基于快速深度优先搜索方法,判断NP个蜜源是否均满足对所有任务无人机的连通性要求;
若NP个蜜源均满足对所有任务无人机的连通性要求,则NP个蜜源组成初始蜜源种群;
若在NP个蜜源中存在不满足对所有任务无人机的连通性要求的蜜源,则根据蜜源维度D和安全距离约束,随机生成新的蜜源,并判断新的蜜源是否满足对所有任务无人机的连通性要求,直至生成NP个满足对所有任务无人机的连通性要求的蜜源。
可选地,部署位置确定模块602还可以用于:
将第一蜜源中表示地面测控系统的顶点作为第一个被访问的顶点,表示任务无人机的顶点作为未被访问的顶点;第一蜜源为NP个蜜源中的任意一个蜜源;
依次从第一个被访问的顶点的未被访问的邻接顶点出发,进行深度优先搜索,直至访问到任意一个表示任务无人机的顶点,并记录从第一个被访问的顶点至访问到的任意一个表示任务无人机的顶点的访问链路;其中,当访问到任意一个顶点时,将该顶点标记为已被访问过的顶点;
若所有表示任务无人机的顶点均已被访问过,则确定第一蜜源满足对所有任务无人机的连通性要求;
若存在未被访问过的表示任务无人机的顶点,则确定第一蜜源不满足对所有任务无人机的连通性要求。
可选地,初始化参数包括蜜源维度D和蜜源的最大搜索次数;部署位置确定模块602还可以用于:
在1至D之间随机生成两个整数r1和r2;
将第一引领蜂对应的初始蜜源中位于r1和r2之间的位置点进行变异操作,生成第一初始邻近蜜源;第一引领蜂为所有引领蜂中的任意一个引领蜂;
基于快速深度优先搜索方法,判断第一初始邻近蜜源是否满足对所有任务无人机的连通性要求;
若第一初始邻近蜜源不满足对所有任务无人机的连通性要求,则跳转至在1至D之间随机生成两个整数r1和r2的步骤循环执行;
若第一初始邻近蜜源满足对所有任务无人机的连通性要求,则将第一初始邻近蜜源作为第一引领蜂对应的第一邻近蜜源;
基于目标函数,计算第一引领蜂对应的初始蜜源的适应度值和第一引领蜂对应的第一邻近蜜源中的适应度值;
若第一引领蜂对应的第一邻近蜜源中的适应度值优于第一引领蜂对应的初始蜜源的适应度值,则将第一引领蜂对应的第一邻近蜜源作为第一蜜源种群中第一引领蜂对应的蜜源;
若第一引领蜂对应的初始蜜源中的适应度值优于第一引领蜂对应的第一邻近蜜源的适应度值,则跳转至在1至D之间随机生成两个整数r1和r2的步骤循环执行;直至第一引领蜂对应的第一邻近蜜源中的适应度值优于第一引领蜂对应的初始蜜源的适应度值,或第一引领蜂的邻近搜索次数达到蜜源的最大搜索次数;
若第一引领蜂的邻近搜索次数达到蜜源的最大搜索次数,则将第一引领蜂对应的初始蜜源作为第一蜜源种群中第一引领蜂对应的蜜源。
可选地,部署位置确定模块602还可以用于:
若在第二蜜源种群中第一跟随蜂对应的蜜源为对应引领蜂对应的初始蜜源,则确定产生侦查蜂,且将第一跟随蜂作为侦查蜂;第一跟随蜂为所有跟随蜂中的任意一个跟随蜂;
若在第二蜜源种群中每个跟随蜂对应的蜜源均不是对应引领蜂对应的初始蜜源,则确定未产生侦查蜂。
可选地,中继无人机部署模型为:
其中,XG为地面测控系统的位置集合;XR为中继无人机的位置集合;XT为任务无人机的位置集合;ρ为中继网络,ρ:(XG,XR,XT)→{ρt}t∈T;f(XG,XR,XT,ρ)为中继网络中,有效中继无人机的计数函数;S|R|为中继无人机的二维可展开空间;ρt为任务无人机t和地面测控系统之间的中继网络节点的有序集合形成的一个通信链路;为ρt中的第k个元素;为ρt中的第k+1个元素;ρt为ρt中元素的数量;为与之间的距离;d0为预设通信距离;T为任务无人机的集合;R为中继无人机的集合;d(u,v)为u与v之间的距离;u和v均为中继无人机集合和任务无人机集合中的任意一个无人机,且u和v不同;dsf为预设安全距离。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述中继无人机部署系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图7是本发明一实施例提供的终端设备的示意框图。如图7所示,该实施例的终端设备700包括:一个或多个处理器701、存储器702以及存储在所述存储器702中并可在所述处理器701上运行的计算机程序703。所述处理器701执行所述计算机程序703时实现上述各个中继无人机部署方法实施例中的步骤,例如图1所示的步骤S101至S102。或者,所述处理器701执行所述计算机程序703时实现上述中继无人机部署系统实施例中各模块/单元的功能,例如图6所示模块601至602的功能。
示例性地,所述计算机程序703可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器702中,并由所述处理器701执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序703在所述终端设备700中的执行过程。例如,所述计算机程序703可以被分割成模型建立模块和部署位置确定模块,各模块具体功能如下:
模型建立模块,用于以中继无人机数量最少为目标函数,以通信节点之间的有效通信距离约束和通信节点之间的安全距离约束为约束条件,建立中继无人机部署模型;
部署位置确定模块,用于对中继无人机部署模型进行求解,得到各个中继无人机的部署位置。
其它模块或者单元可参照图6所示的实施例中的描述,在此不再赘述。
所述终端设备700可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备700包括但不仅限于处理器701、存储器702。本领域技术人员可以理解,图7仅仅是终端设备700的一个示例,并不构成对终端设备700的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备700还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器701可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器702可以是所述终端设备700的内部存储单元,例如终端设备700的硬盘或内存。所述存储器702也可以是所述终端设备700的外部存储设备,例如所述终端设备700上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器702还可以既包括终端设备700的内部存储单元也包括外部存储设备。所述存储器702用于存储所述计算机程序703以及所述终端设备700所需的其他程序和数据。所述存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种中继无人机部署方法,其特征在于,包括:
以中继无人机数量最少为目标函数,以通信节点之间的有效通信距离约束和通信节点之间的安全距离约束为约束条件,建立中继无人机部署模型;
对所述中继无人机部署模型进行求解,得到各个中继无人机的部署位置;
所述对所述中继无人机部署模型进行求解,得到各个中继无人机的部署位置,包括:
根据预设的初始化参数生成初始蜜源种群;
基于变异算子,对引领蜂进行邻域搜索,生成第一邻近蜜源,并基于所述目标函数,对每个引领蜂对应的初始蜜源和引领蜂对应的第一邻近蜜源进行贪婪选择,生成第一蜜源种群;其中,每个引领蜂对应所述初始蜜源种群中的一个初始蜜源,所述第一邻近蜜源满足对所有任务无人机的连通性要求;
基于轮盘赌方法,从所有引领蜂中选取跟随蜂;其中,每个跟随蜂对应所述第一蜜源种群中的一个蜜源;
对每个跟随蜂执行和所述引领蜂同样的操作,生成第二蜜源种群;
判断是否产生侦查蜂;
若产生侦查蜂,则生成一个满足对所有任务无人机的连通性要求和所述安全距离约束的随机蜜源,并用所述随机蜜源代替所述侦查蜂对应的蜜源,生成第三蜜源种群;
判断当前迭代次数是否达到预设迭代次数;
若当前迭代次数未达到所述预设迭代次数,则将所述第三蜜源种群作为新的初始蜜源种群,并跳转至所述基于变异算子,对引领蜂进行邻域搜索,生成第一邻近蜜源的步骤循环执行;
若当前迭代次数达到所述预设迭代次数,则根据所述第三蜜源种群输出最优解;其中,所述最优解为所述各个中继无人机的部署位置。
2.根据权利要求1所述的中继无人机部署方法,其特征在于,所述初始化参数包括种群规模NP和蜜源维度D;
所述根据预设的初始化参数生成初始蜜源种群,包括:
根据所述种群规模NP、蜜源维度D和所述安全距离约束,随机生成NP个蜜源;
基于快速深度优先搜索方法,判断所述NP个蜜源是否均满足对所有任务无人机的连通性要求;
若所述NP个蜜源均满足对所有任务无人机的连通性要求,则所述NP个蜜源组成初始蜜源种群;
若在所述NP个蜜源中存在不满足对所有任务无人机的连通性要求的蜜源,则根据所述蜜源维度D和所述安全距离约束,随机生成新的蜜源,并判断所述新的蜜源是否满足对所有任务无人机的连通性要求,直至生成NP个满足对所有任务无人机的连通性要求的蜜源。
3.根据权利要求2所述的中继无人机部署方法,其特征在于,所述基于快速深度优先搜索方法,判断所述NP个蜜源是否均满足对所有任务无人机的连通性要求,包括:
将第一蜜源中表示地面测控系统的顶点作为第一个被访问的顶点,表示任务无人机的顶点作为未被访问的顶点;所述第一蜜源为所述NP个蜜源中的任意一个蜜源;
依次从所述第一个被访问的顶点的未被访问的邻接顶点出发,进行深度优先搜索,直至访问到任意一个表示任务无人机的顶点,并记录从所述第一个被访问的顶点至所述访问到的任意一个表示任务无人机的顶点的访问链路;其中,当访问到任意一个顶点时,将该顶点标记为已被访问过的顶点;
若所有表示任务无人机的顶点均已被访问过,则确定所述第一蜜源满足对所有任务无人机的连通性要求;
若存在未被访问过的表示任务无人机的顶点,则确定所述第一蜜源不满足对所有任务无人机的连通性要求。
4.根据权利要求1所述的中继无人机部署方法,其特征在于,所述初始化参数包括蜜源维度D和蜜源的最大搜索次数;
所述基于变异算子,对引领蜂进行邻域搜索,生成第一邻近蜜源,并基于所述目标函数,对每个引领蜂对应的初始蜜源和引领蜂对应的第一邻近蜜源进行贪婪选择,生成第一蜜源种群,包括:
在1至D之间随机生成两个整数r1和r2;
将第一引领蜂对应的初始蜜源中位于r1和r2之间的位置点进行变异操作,生成第一初始邻近蜜源;第一引领蜂为所有引领蜂中的任意一个引领蜂;
基于快速深度优先搜索方法,判断所述第一初始邻近蜜源是否满足对所有任务无人机的连通性要求;
若所述第一初始邻近蜜源不满足对所有任务无人机的连通性要求,则跳转至所述在1至D之间随机生成两个整数r1和r2的步骤循环执行;
若所述第一初始邻近蜜源满足对所有任务无人机的连通性要求,则将所述第一初始邻近蜜源作为所述第一引领蜂对应的第一邻近蜜源;
基于所述目标函数,计算所述第一引领蜂对应的初始蜜源的适应度值和所述第一引领蜂对应的第一邻近蜜源中的适应度值;
若所述第一引领蜂对应的第一邻近蜜源中的适应度值优于所述第一引领蜂对应的初始蜜源的适应度值,则将所述第一引领蜂对应的第一邻近蜜源作为所述第一蜜源种群中所述第一引领蜂对应的蜜源;
若所述第一引领蜂对应的初始蜜源中的适应度值优于所述第一引领蜂对应的第一邻近蜜源的适应度值,则跳转至所述在1至D之间随机生成两个整数r1和r2的步骤循环执行;直至所述第一引领蜂对应的第一邻近蜜源中的适应度值优于所述第一引领蜂对应的初始蜜源的适应度值,或所述第一引领蜂的邻近搜索次数达到所述蜜源的最大搜索次数;
若所述第一引领蜂的邻近搜索次数达到所述蜜源的最大搜索次数,则将所述第一引领蜂对应的初始蜜源作为所述第一蜜源种群中所述第一引领蜂对应的蜜源。
5.根据权利要求1所述的中继无人机部署方法,其特征在于,所述判断是否产生侦查蜂,包括:
若在所述第二蜜源种群中第一跟随蜂对应的蜜源为对应引领蜂对应的初始蜜源,则确定产生侦查蜂,且将所述第一跟随蜂作为侦查蜂;所述第一跟随蜂为所有跟随蜂中的任意一个跟随蜂;
若在所述第二蜜源种群中每个跟随蜂对应的蜜源均不是对应引领蜂对应的初始蜜源,则确定未产生侦查蜂。
6.根据权利要求1至5任一项所述的中继无人机部署方法,其特征在于,所述中继无人机部署模型为:
其中,XG为地面测控系统的位置集合;XR为中继无人机的位置集合;XT为任务无人机的位置集合;ρ为中继网络,ρ:(XG,XR,XT)→{ρt}t∈T;f(XG,XR,XT,ρ)为中继网络中,有效中继无人机的计数函数;S|R|为中继无人机的二维可展开空间;ρt为任务无人机t和地面测控系统之间的中继网络节点的有序集合形成的一个通信链路;为ρt中的第k个元素;为ρt中的第k+1个元素;ρt为ρt中元素的数量;为与之间的距离;d0为预设通信距离;T为任务无人机的集合;R为中继无人机的集合;d(u,v)为u与v之间的距离;u和v均为中继无人机集合和任务无人机集合中的任意一个无人机,且u和v不同;dsf为预设安全距离。
7.一种中继无人机部署系统,其特征在于,包括:
模型建立模块,用于以中继无人机数量最少为目标函数,以通信节点之间的有效通信距离约束和通信节点之间的安全距离约束为约束条件,建立中继无人机部署模型;
部署位置确定模块,用于对所述中继无人机部署模型进行求解,得到各个中继无人机的部署位置;
所述部署位置确定模块具体用于:
根据预设的初始化参数生成初始蜜源种群;
基于变异算子,对引领蜂进行邻域搜索,生成第一邻近蜜源,并基于所述目标函数,对每个引领蜂对应的初始蜜源和引领蜂对应的第一邻近蜜源进行贪婪选择,生成第一蜜源种群;其中,每个引领蜂对应所述初始蜜源种群中的一个初始蜜源,所述第一邻近蜜源满足对所有任务无人机的连通性要求;
基于轮盘赌方法,从所有引领蜂中选取跟随蜂;其中,每个跟随蜂对应所述第一蜜源种群中的一个蜜源;
对每个跟随蜂执行和所述引领蜂同样的操作,生成第二蜜源种群;
判断是否产生侦查蜂;
若产生侦查蜂,则生成一个满足对所有任务无人机的连通性要求和所述安全距离约束的随机蜜源,并用所述随机蜜源代替所述侦查蜂对应的蜜源,生成第三蜜源种群;
判断当前迭代次数是否达到预设迭代次数;
若当前迭代次数未达到所述预设迭代次数,则将所述第三蜜源种群作为新的初始蜜源种群,并跳转至所述基于变异算子,对引领蜂进行邻域搜索,生成第一邻近蜜源的步骤循环执行;
若当前迭代次数达到所述预设迭代次数,则根据所述第三蜜源种群输出最优解;其中,所述最优解为所述各个中继无人机的部署位置。
8.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述中继无人机部署方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被一个或多个处理器执行时实现如权利要求1至6任一项所述中继无人机部署方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612159.4A CN111817770B (zh) | 2020-06-30 | 2020-06-30 | 中继无人机部署方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612159.4A CN111817770B (zh) | 2020-06-30 | 2020-06-30 | 中继无人机部署方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111817770A CN111817770A (zh) | 2020-10-23 |
CN111817770B true CN111817770B (zh) | 2022-06-14 |
Family
ID=72856600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010612159.4A Active CN111817770B (zh) | 2020-06-30 | 2020-06-30 | 中继无人机部署方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111817770B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106406346A (zh) * | 2016-11-01 | 2017-02-15 | 北京理工大学 | 一种多无人机协同快速覆盖搜索航迹规划方法 |
CN109669475A (zh) * | 2019-01-22 | 2019-04-23 | 北京航空航天大学 | 基于人工蜂群算法的多无人机三维编队重构方法 |
CN109819453A (zh) * | 2019-03-05 | 2019-05-28 | 西安电子科技大学 | 基于改进遗传算法的成本最优化无人机基站部署方法 |
KR102009608B1 (ko) * | 2018-09-19 | 2019-08-09 | 인하대학교 산학협력단 | 센서 네트워크에서 uav의 센싱 데이터 정보 최대화를 위한 pso 기반 uav 위치 탐색 방법 및 장치 |
-
2020
- 2020-06-30 CN CN202010612159.4A patent/CN111817770B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106406346A (zh) * | 2016-11-01 | 2017-02-15 | 北京理工大学 | 一种多无人机协同快速覆盖搜索航迹规划方法 |
KR102009608B1 (ko) * | 2018-09-19 | 2019-08-09 | 인하대학교 산학협력단 | 센서 네트워크에서 uav의 센싱 데이터 정보 최대화를 위한 pso 기반 uav 위치 탐색 방법 및 장치 |
CN109669475A (zh) * | 2019-01-22 | 2019-04-23 | 北京航空航天大学 | 基于人工蜂群算法的多无人机三维编队重构方法 |
CN109819453A (zh) * | 2019-03-05 | 2019-05-28 | 西安电子科技大学 | 基于改进遗传算法的成本最优化无人机基站部署方法 |
Non-Patent Citations (3)
Title |
---|
Placement Optimization of UAV-Mounted Mobile Base Stations;Jiangbin Lyu et al;《IEEE Communications Letters》;20161129;第21卷(第3期);全文 * |
Post-Disaster Unmanned Aerial Vehicle Base Station Deployment Method Based on Artificial Bee Colony Algorithm;Jialiuyuan Li et al;《IEEE Access》;20191119;第7卷;全文 * |
基于改进遗传算法的多无人机协同侦察航迹规划;李文广等;《中国惯性技术学报》;20200430;第28卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111817770A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
Wang et al. | A hybrid metaheuristic DE/CS algorithm for UCAV three-dimension path planning | |
WO2010112907A1 (en) | Assigning weapons to threats | |
CN110061870B (zh) | 一种战术互联网中基于节点与边联合效能评估方法 | |
CN109313809B (zh) | 一种图像匹配方法、装置及存储介质 | |
CN112801540B (zh) | 基于无人集群的智能协同架构设计方法 | |
CN110031007B (zh) | 一种航迹规划方法、装置及计算机可读存储介质 | |
CN112001309A (zh) | 基于无人机集群的目标搜索方法、装置、设备及存储介质 | |
Nazarzehi et al. | Distributed 3d dynamic search coverage for mobile wireless sensor networks | |
Fu et al. | A two-layer task assignment algorithm for UAV swarm based on feature weight clustering | |
CN114625162A (zh) | 基于混合算法的无人机最优路径规划方法、系统及介质 | |
CN111817770B (zh) | 中继无人机部署方法及终端设备 | |
Sastre et al. | Collision-free swarm take-off based on trajectory analysis and UAV grouping | |
CN113063419A (zh) | 一种无人机路径规划方法及系统 | |
Geng et al. | Cooperative task planning for multiple autonomous UAVs with graph representation and genetic algorithm | |
CN116088586A (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
Tuba et al. | Water cycle algorithm for robot path planning | |
Jarray et al. | Multi-Verse Algorithm based Approach for Multi-criteria Path Planning of Unmanned Aerial Vehicles | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
CN113793295A (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
CN114980007A (zh) | 无线传感器节点部署方法、装置、设备及可读存储介质 | |
CN113849400A (zh) | 一种测试场景库生成方法、装置、设备及存储介质 | |
Ye et al. | Multi-UAV task assignment based on satisficing decision algorithm | |
CN111460237A (zh) | 一种数据查询的方法、装置、可读存储介质和电子设备 | |
Li et al. | Improved heuristic algorithms for UAVs path planning in hazardous environment |
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 |