CN112130581B - 一种面向空中机动作战的无人机集群协同任务规划方法 - Google Patents
一种面向空中机动作战的无人机集群协同任务规划方法 Download PDFInfo
- Publication number
- CN112130581B CN112130581B CN202010834888.4A CN202010834888A CN112130581B CN 112130581 B CN112130581 B CN 112130581B CN 202010834888 A CN202010834888 A CN 202010834888A CN 112130581 B CN112130581 B CN 112130581B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- uav
- maximum
- individuals
- 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 50
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000011161 development Methods 0.000 claims abstract description 11
- 230000018109 developmental process Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 230000012010 growth Effects 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000003471 anti-radiation Effects 0.000 claims abstract 2
- 230000002431 foraging effect Effects 0.000 claims description 14
- 238000010845 search algorithm Methods 0.000 claims description 13
- 230000000739 chaotic effect Effects 0.000 claims description 12
- 230000017105 transposition Effects 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000006798 recombination Effects 0.000 claims description 7
- 238000005215 recombination Methods 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 5
- 230000009189 diving Effects 0.000 claims description 5
- 238000009395 breeding Methods 0.000 claims description 4
- 230000001488 breeding effect Effects 0.000 claims description 4
- 230000034994 death Effects 0.000 claims description 4
- 230000006378 damage Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000036314 physical performance Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 150000001875 compounds Chemical class 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000033458 reproduction Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
- G05D1/1064—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones specially adapted for avoiding collisions with other aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种面向空中机动作战的无人机集群协同任务规划方法，属于无人机任务规划的技术领域。包括以下步骤，首先建立以无人机执行任务飞行航程最小，固定成本最少，目标收益最大，威胁代价最小为目标函数的任务规划模型；然后借鉴生物生命周期特征，将任务规划寻优过程映射到生命周期生长发育过程中，采用空间平面分割的方法，以各分割平面上一点，组成航迹点集合；本发明既适用于无人驾驶反辐射攻击机执行三维地图下复杂任务环境中的攻击任务，也可用于察打、侦察任务的多无人机协同任务规划。本发明要解决的技术问题为：模拟任务真实场景，添加无人机所有动力学约束，获得三维环境下满足复杂约束的多无人机协同任务分配和航迹规划。
Description
技术领域
本发明属于无人机任务规划的技术领域，更具体的说涉及一种面向控制机动作战的无人机集群协同任务规划方法。
背景技术
无人机是新军事变革的代表性装备，无人作战正在深刻改变战争面貌。随着无人机技术和性能的不断发展及其任务要求的不断提高，很多情况下单架无人机已无法满足任务要求，若能由多架无人机协同工作，可以扩展任务范围，提高系统作战效能。
无人飞行器执行任务，必须预先进行任务规划，由于无人驾驶，UAV对任务规划的要求更为严格。无人机协同任务规划正是实现无人机协同作战的关键技术之一，影响着其作战效能的发挥，无人机任务规划的目的是根据战区地图信息敌方防空系统部署情况找出一条从基地到目标并满足某种性能指标的飞行路线。由于UAV自身动力的特性、UAV在飞行过程中受多种相互耦合因素影响以及所执行任务的多样性、协同性，这些都给无人机协同任务规划带来很大困难。
在基于生物生命周期的群搜索算法中，群中每个个体的觅食位置都代表问题的一个解。个体向最优觅食地点移动的过程就是寻找问题最优解的过程。变种群个体数量的改进生命周期搜索算法高度仿真生物群体的出生、生长、发育、繁殖和死亡，大大提高了最优解出现的概率和对解空间的搜索能力，对于约束复杂且耦合的优化问题也能较好地求解出最优解，在保证算法求解收敛精度的同时，也提高了收敛的速度。目前还没有人研究将生物生命周期的群搜索算法及相关改进算法应用于多无人机协同任务规划的问题中。
发明内容
本发明充分考虑多基地、多目标、多无人机的需求特性，无人机的约束条件，解决现有智能方法应用于多无人机协同任务规划耗时长，对解空间的搜索能力差，优化结果不理想的问题。所述的复杂任务环境包括多山地形、雷达威胁等，无人机约束条件包括，无人机物理约束，无人机间碰撞回避约束。
为了实现上述目的，本发明采用以下技术方案实现：步骤一、根据无人机的物理性能约束，飞行任务要求，任务环境信息，建立无人机协同任务规划数学模型。
所述的无人机物理性能约束包括：最大偏航角，最大爬升/俯冲角，最小航路段长度和最高/最低飞行高度。所述的飞行任务要求包括无人机飞行起点位置和终点位置，固定的目标进入方向和相同的到达时间(时间协同)。所述的任务环境信息包括威胁源的位置和半径，障碍物的位置和形状，；
所述的无人机协同任务规划数学模型包括多无人机协同任务规划的目标函数和UAV物理限制，战场环境信息对任务规划的约束条件。
无人机协同任务规划的目标函数根据应用不同而有所不同，这里以最小飞行总耗能代价、最小威胁代价，最大收益代价为目标函数，如下式所示：
min(f1,f2,f3) (11)
其中PDi表示雷达发现目标的概率，cij表示第i条路线上第j段的长度，
为攻击任务威胁权重，同样为收益权重，其中n为派往敌方基地i的飞机数量；无人机协同路径规划两个最重要的约束条件为路径可飞行性和安全性。可飞行路径要满足无人机运动学约束，特别是机动性条件。安全路径则是回避航路中出现的静止或动态的障碍物。其他约束条件则包括：保持在通信范围内、最小航路段长度等，具体如下：
最大转弯角限制：该约束条件取决于具体UAV的机动性能，其限制了生成的航迹只能在小于等于预先确定的最大角度范围内转弯；若无人机最大转弯角为ψmax，则要求：
其中，
为第i架UAV在第j个节点处的转弯角；
最大爬升/俯冲角限制：取决于UAV自身的机动性能，其限制了航路在垂直平面内上升和俯冲的最大角度；若无人机最大爬升/俯冲角为
则要求：
其中，
为第i架UAV在第j个节点处的爬升/俯冲角；
最低/最高飞行高度约束：其中最高飞行高度取决于UAV自身的机动性能，飞行过程中飞的过低会使得与地面相撞的坠毁概率增加；若无人机最高飞行高度为Hmax，最低飞行高度为Hmin则要求：
其中
为第i条航迹上第k个航迹点距离地面的高度。
无人机间的碰撞回避：两无人机碰撞问题可以表述为:在同一时间两无人机在同一地点发生碰撞。若攻击任务中要求所有无人机同时到达目标基地，则从目标基地开始，航迹相同的长度范围内，各航迹之间的最小距离应大于预设安全距离DS；各UAV之间碰撞回避约束的表达式：
其中
表示从基地开始第i条、第j条航迹相同航迹长度内各点距离；最小航路段长度约束：其限制了UAV在开始改变飞行姿态之前必须直飞的最短距离。为了减少误差，UAV在飞行时，一般不希望迂回行进和频繁的转弯；当最小航路段为lmin时，最小航路段约束的表达式：
其中cij表示第i条路线上第j段的长度：
步骤二、借鉴生物生命周期特征，将任务规划寻优过程映射到生命周期生长发育过程中，采用空间平面分割，以个分割平面上一点，组成航迹点集合：
步骤2.1、将无人机对航迹点的寻优映射到个体按适应度值繁殖和淘汰
步骤2.2、设第i个敌方目标被摧毁需要的最小无人机数量为
设置最大任务分配迭代次数；
步骤2.3、随机初始化飞往i个敌方目标的无人机数Ni，且
每个目标初始化的无人机数分配给各基地，基地分到无人机的数目为该基地的初始化攻击无人机数，若此数量大于该基地的最大可出动无人机数，则返回继续进行初始化无人机分配；
步骤2.4、对于目标基地、障碍物和雷达进行地图建模，并将地图用多组平行于xoz面的平面等距分割。设平面数量为M,目标点到xoz面的距离为Di，最小航路段长度为lmin，则：
每个平面上的任意一点可能的航迹点，对于一个UAV，一个平面上有且只有一个航迹点。
步骤三、利用了变种群个体数，改进了生命周期群搜索算法(LSO)利用改进生命周期群搜索算法(ILSO)，基于层次优化思想，将多无人机协同任务规划问题分为两层，第一层进行航迹点集合搜索寻优，得到各UAV可飞行路径，第二层将在固定障碍物内的航迹进行再优化得到安全路径；
改进生命周期算法具体实现方法如下：
步骤3.1、初始化各种参数；随机初始化航迹点，第a个基地派出的第j架UAV到第i个敌方目标，此UAV起飞点离所构建的平面最距离最近的为第g个平面,(g＝1,2,···,G)。此平面定义为UAV的初始起飞平面。敌方目标i离所构建的平面中距离最近的为平面r，定义为飞机的终止平面，(r＝1,2,···,R)，则UAVj的初始航迹点集合为
则
其中、(x1,y1,z1)为第一个UAV的终止平面的无人机空间三维坐标系中的位置，(xr,yr,zr)为第r个UAV的终止平面的无人机空间三维坐标系中的位置。步骤3.2、检验初始航迹集合的起始段航线和终止段航线是否存在迂回航迹，若起始段航线存在迂回，取离起点第二近邻平面为初始起飞平面，若终止段航线存在迂回，取离目标点的第二近邻平面为终止平面；正态分布均值μ为
产生的随机变量代入目标函数计算适应度值，作为初代种群的适应度值，其中
为所有敌方目标x坐标的平均值，
其中,HN表示正常巡航情况下飞行高度，Hmax为最高飞行高度，Hmin为最低飞行高度,xR为各敌方基地x坐标的极差；
步骤3.3、将初始种群的最优个体设置为全局初始极值，若个体不满足约束条件，初个体的适应度值设为正无穷；
步骤3.4、生长发育：设第a个基地派出的第j架UAV到第i个敌方目标当前最优的航迹点集合为：
将最优个体的位置进行混沌操作，更新全局极值和最优航迹集合；采用混沌系统：
Sn+1＝uSn(1-Sn),n＝1,2,··· (22)
式中，u为控制参量，一般u＝4
将最优目标点集合记通过归一化处理，映射到[0，1]之间，记为S0；利用Logisticy映射产生n个混沌变量(S1,S2,···,Sn)；
Sj+1＝Sj(1-Sj)，j＝1,2,···,n-1 (23)
将混沌运动的遍历范围转换到优化变量的定义域；计算n个混沌变量的性能函数值(f(S1),f(S2),···,f(Sn))；如果存在f(Sj)优于f(S0)，则
步骤3.5、将种群中的其他个体航迹集合以一定的概率执行同化操作或换位操作；同化是指群内采取社会觅食方式的个体的觅食路径被最优个体同化，追随群内最优个体进行搜索；
式中，r1∈Rn是在(0，1)均匀分布的随机数；公式(**)表示在第k次迭代中第j架UAV的航迹点集合
追随群内当前最优航迹点集合
进行搜索；
群内除最优个体外，采取独立觅食方式的个体其觅食执行方法采取换位算子，个体在其自身具备的能量范围内进行搜索；
式中，
是个体
的换位步长；r2∈Rn是在(0，1)均匀分布的随机数；
和
之间的范围是个体i在第k代搜索最大范围；Δ是整个搜索空间范围；
步骤3.6、繁殖，将种群中的每个航迹集合进行两两配对，执行变种群个体数量的中间重组操作：
Varson＝Varfather+α(Varfather2-Varfather1) (26)
式中，Varson为子代航迹点集合，Varfather1和Varfather2为亲代航迹点，其中α是比例因子，由[-d,1+d]上均匀分布地随机数产生，一般d＝0.25。重组时，先为每一个子代的每一个变量产生一个α，根据出生率产生对应数量的子代个体。步骤3.7、死亡，按适应度值调整种群个体顺序，采用线性排序的方法对群中个体适应值进行调整，并对调整后的目标函数值进行降序排序，最适应个体放置在列表最后一个位置，每个个体的适应度值根据他在种群中的排序位置计算出来；
式中，
(j＝1,2,···,S)是调整后个体的适应度值；S是种群中个体的数量；sp是选择压差；
是UAVj的适应度值
在种群中的排序位置；步骤3.8、计算当前种群数量，若当前种群数量超出种群最大规模，则按轮盘赌的方法淘汰一部分个体，淘汰数量为超出种群最大规模的数量；若未超出，则按轮盘赌的方法淘汰当前种群数量乘以自然死亡率的数量的个体；
步骤3.9、变异，种群中的个体以一定的概率执行方向变异操作；在三维搜索空间中，每个航迹点集合中每个元素的每一维在该维方向上的移动步长为Δl：
其中、无人机最高飞行高度为Hmax，最低飞行高度为Hmin,xR为无人机在空间三维坐标系中，x坐标轴上的飞行高度；
步骤3.110更新全局极值，将最优个体的航迹点集合记为Ug，并检验是否达到航迹规划的最大迭代次数，若达到，进入下一步进行检验；若未达到，则返回初始化参数；
步骤3.11检验是否达到最大任务分配迭代次数，若达到，退出优化，输出结果；若未达到返回步骤2.3；
步骤3.12将在固定障碍物内的航迹进行再优化得到安全路径。
本发明有益效果：
本发明提供一种基于空中机动作战任务背景多无人机协同任务规划方法，建立以无人机任务规划数学模型，然后借鉴生物生命周期特征，将任务规划寻优过程映射到生命周期生长发育过程中，采用空间平面分割，以个分割平面上一点，组成航迹点集合。利用了变种群个体数，改进了生命周期群搜索算法(LSO)利用改进生命周期群搜索算法(ILSO)，基于层次优化思想，将多无人机协同任务规划问题分为两层，第一层进行航迹点集合搜索寻优，得到各UAV可飞行路径，第二层将在固定障碍物内的航迹进行再优化得到安全路径得到安全路径，用于解决多无人机协同航迹规划问题。。
附图说明
图1为任务规划流程图；
图2为中间重组交叉算子示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图与实例对本发明作进一步详细说明，但所举实例不作为对本发明的限定。
实施例一：
本实施例公开的一种面向空中机动作战无人机集群协同任务规划方法，具体实施步骤如下：
步骤一、无人机协同任务规划数学模型的建立。
根据各UAV的最大航程距离约束、最大转弯角、最大爬升和俯冲角、最低和最高飞行高度、最小无人机之间安全距离以及任务规划目的建立的无人机协同任务规划的数学模型如式(29)-(35)所示：
无人机协同任务规划目标函数：
min(f1,f2,f3) (29)
无人机最大转弯角度约束：
无人机最大爬升俯冲角度约束：
无人机最低/最高飞行高度约束：
无人机间的碰撞回避约束：
无人机最小航路段长度约束：
步骤二、借鉴生物生命周期特征，将任务规划寻优过程映射到生命周期生长发育过程中，采用空间平面分割，以个分割平面上一点，组成航迹点集合：
步骤2.1、将无人机对航迹点的寻优映射到个体按适应度值繁殖和淘汰；
步骤2.2、设第i个敌方目标被摧毁需要的最小无人机数量为
设置最大任务分配迭代次数；
步骤2.3、随机初始化飞往i个敌方目标的无人机数Ni，且
每个目标初始化的无人机数分配给各基地，基地分到无人机的数目为该基地的初始化攻击无人机数，若此数量大于该基地的最大可出动无人机数，则返回继续进行初始化无人机分配；
步骤2.4、对于目标基地、障碍物和雷达进行地图建模，并将地图用多组平行于xoz面的平面等距分割。设平面数量为M,目标点到xoz面的距离为Di，最小航路段长度为lmin，则：
步骤2.5、每个平面上的任意一点可能的航迹点，对于一个UAV，一个平面上有且只有一个航迹点。
步骤三、利用了变种群个体数，改进了生命周期群搜索算法(LSO)利用改进生命周期群搜索算法(ILSO)，基于层次优化思想，将多无人机协同任务规划问题分为两层，第一层进行航迹点集合搜索寻优，得到各UAV可飞行路径，第二层将在固定障碍物内的航迹进行再优化得到安全路径；
ILSO算法的具体实现方法如下：
步骤3.1、初始化各种参数；随机初始化航迹点，第a个基地派出的第j架UAV到第i个敌方目标，此UAV起飞点离所构建的平面最距离最近的为第g个平面,(g＝1,2,···,G)。此平面定义为UAV的初始起飞平面。敌方目标i离所构建的平面中距离最近的为平面r，定义为飞机的终止平面，(r＝1,2,···,R)。则UAVj的初始航迹点集合为
则
(x1,y1,z1)为第一个UAV的终止平面的无人机空间三维坐标系中的位置，(xr,yr,zr)为第r个UAV的终止平面的无人机空间三维坐标系中的位置。
步骤3.2、检验初始航迹集合的起始段航线和终止段航线是否存在迂回航迹，若起始段航线存在迂回，取离起点第二近邻平面为初始起飞平面，若终止段航线存在迂回，取离目标点的第二近邻平面为终止平面；正态分布均值μ为
产生的随机变量代入目标函数计算适应度值，作为初代种群的适应度值，其中
为所有敌方目标x坐标的平均值，
其中,HN表示正常巡航情况下飞行高度，Hmax为最高飞行高度，Hmin为最低飞行高度,xR为各敌方基地x坐标的极差；
步骤3.3、将初始种群的最优个体设置为全局初始极值，若个体不满足约束条件，初个体的适应度值设为正无穷；
步骤3.4、生长发育：设第a个基地派出的第j架UAV到第i个敌方目标当前最优的航迹点集合为：
其中、(x'1,y'1,z'1)为UAV在第一个终止平面的最优位置，(x'r,y'r,z'r)为UAV在第r个终止平面的最优位置，将最优个体的位置进行混沌操作，更新全局极值和最优航迹集合；采用混沌系统：
Sn+1＝uSn(1-Sn),n＝1,2,··· (39)
式中，u为控制参量，一般u＝4
将最优目标点集合记通过归一化处理，映射到[0，1]之间，记为S0；利用Logisticy映射产生n个混沌变量(S1,S2,···,Sn)；
Sj+1＝Sj(1-Sj)，j＝1,2,···,n-1 (40)
将混沌运动的遍历范围转换到优化变量的定义域；计算n个混沌变量的性能函数值(f(S1),f(S2),···,f(Sn))；如果存在f(Sj)优于f(S0)，则
步骤3.5、将种群中的其他个体航迹集合以一定的概率执行同化操作或换位操作；同化是指群内采取社会觅食方式的个体的觅食路径被最优个体同化，追随群内最优个体进行搜索；
式中，r1∈Rn是在(0，1)均匀分布的随机数；公式(41)表示在第k次迭代中第j架UAV的航迹点集合
追随群内当前最优航迹点集合
进行搜索；
群内除最优个体外，采取独立觅食方式的个体其觅食执行方法采取换位算子，个体在其自身具备的能量范围内进行搜索；
式中，
是个体
的换位步长；r2∈Rn是在(0，1)均匀分布的随机数；
和
之间的范围是个体i在第k代搜索最大范围；Δ是整个搜索空间范围；
步骤3.6、繁殖，将种群中的每个航迹集合进行两两配对，执行变种群个体数量的中间重组操作：
Varson＝Varfather+α(Varfather2-Varfather1) (43)
式中，Varson为子代航迹点集合，Varfather1和Varfather2为亲代航迹点，其中α是比例因子，由[-d,1+d]上均匀分布地随机数产生，一般d＝0.25。重组时，先为每一个子代的每一个变量产生一个α，根据出生率产生对应数量的子代个体。
步骤3.7、死亡，按适应度值调整种群个体顺序，采用线性排序的方法对群中个体适应值进行调整，并对调整后的目标函数值进行降序排序，最适应个体放置在列表最后一个位置，每个个体的适应度值根据他在种群中的排序位置计算出来；
式中，
(j＝1,2,···,S)是调整后个体的适应度值；S是种群中个体的数量；sp是选择压差；
是UAVj的适应度值
在种群中的排序位置；
步骤3.8、计算当前种群数量，若当前种群数量超出种群最大规模，则按轮盘赌的方法淘汰一部分个体，淘汰数量为超出种群最大规模的数量；若未超出，则按轮盘赌的方法淘汰当前种群数量乘以自然死亡率的数量的个体；
步骤3.9、变异，种群中的个体以一定的概率执行方向变异操作；在三维搜索空间中，每个航迹点集合中每个元素的每一维在该维方向上的移动步长为Δl：
其中、无人机最高飞行高度为Hmax，最低飞行高度为Hmin,xR为无人机在空间三维坐标系中，x坐标轴上的飞行高度；
步骤3.10、更新全局极值，将最优个体的航迹点集合记为Ug，并检验是否达到航迹规划的最大迭代次数，若达到，进入下一步进行检验；若未达到，则返回步骤3.1，初始化参数；
步骤3.11、检验是否达到最大任务分配迭代次数，若达到，退出优化，输出结果；若未达到返回步骤2.3；
步骤3.12、将在固定障碍物内的航迹进行再优化得到安全路径；
以上的具体描述，是对发明目的、技术方案的进一步详细说明，应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本案进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本案的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本案技术方案的精神，其均应涵盖在本案请求保护的技术方案范围当中。
Claims (6)
1.一种面向空中机动作战的无人机集群协同任务规划方法，其特征在于；所述的无人机集群协同任务规划方法用于无人驾驶反辐射攻击机执行三维地图下复杂任务环境中的攻击任务，也可用于察打、侦察任务的多无人机协同任务规划；
所述的无人机集群协同任务规划方法包括以下步骤：
步骤一.根据无人机的物理性能约束，飞行任务要求，任务环境信息，建立无人机协同任务规划数学模型；
步骤二.借鉴生物生命周期特征，将任务规划寻优过程映射到生命周期生长发育过程中，采用空间平面分割，以一个分割平面上的一点，组成航迹点集合；
所述的步骤二中借鉴生物生命周期特征，将任务规划寻优过程映射到生命周期生长发育过程中，采用空间平面分割，以一个分割平面上一点，组成航迹点集合：
1)将无人机对航迹点的寻优映射到个体按适应度值繁殖和淘汰；
2)设第i个敌方目标被摧毁需要的最小无人机数量为
设置最大任务分配迭代次数；
3)随机初始化飞往i个敌方目标的无人机数Ni，且
每个目标初始化的无人机数分配给各基地，基地分到无人机的数目为该基地的初始化攻击无人机数，若此数量大于该基地的最大可出动无人机数，则返回继续进行初始化无人机分配；
4)对于目标基地、障碍物和雷达进行地图建模，并将地图用多组平行于xoz面的平面等距分割，设平面数量为M,目标点i到xoz面的距离为Di，最小航路段长度为lmin，则：
5)每个平面上的任意一点可能的航迹点，对于一个UAV，一个平面上有且只有一个航迹点；
步骤三.利用了变种群个体数，改进了生命周期群搜索算法(LSO)，利用改进生命周期群搜索算法(ILSO)，基于层次优化思想，将多无人机协同任务规划问题分为两层，第一层进行航迹点集合搜索寻优，得到各UAV可飞行路径，第二层将在固定障碍物内的航迹进行再优化得到安全路径。
2.根据权利要求1所述的一种面向空中机动作战的无人机集群协同任务规划方法，其特征在于：所述的步骤一中，所述的无人机物理性能约束包括：最大偏航角，最大爬升/俯冲角，最小航路段长度和最高/最低飞行高度，所述的飞行任务要求包括无人机飞行起点位置和终点位置，固定的目标进入方向和相同的到达时间，所述的任务环境信息包括威胁源的位置和半径，障碍物的位置和形状。
3.根据权利要求1或2所述的一种面向空中机动作战的无人机集群协同任务规划方法，其特征在于：所述的步骤一中，所述的无人机协同任务规划数学模型包括多无人机协同任务规划的目标函数和UAV物理限制，战场环境信息对任务规划的约束条件；无人机协同任务规划的目标函数根据应用不同而有所不同，以最小飞行总耗能代价、最小威胁代价，最大收益代价为目标函数，如下式所示：
min(f1,f2,f3) (1)
其中PDi表示雷达发现目标的概率，cij表示第i条路线上第j段的长度，
为攻击任务威胁权重，同样为收益权重，其中n为派往敌方基地i的飞机数量。
4.根据权利要求3所述的一种面向空中机动作战的无人机集群协同任务规划方法，其特征在于：所述的步骤一中无人机协同路径规划两个最重要的约束条件为路径可飞行性和安全性；可飞行路径要满足无人机运动学约束，安全路径则是回避航路中出现的静止或动态的障碍物，其他约束条件则包括：保持在通信范围内、最小航路段长度，具体如下：最大转弯角限制：该约束条件取决于具体UAV的机动性能，其限制了生成的航迹只能在小于等于预先确定的最大角度范围内转弯；若无人机最大转弯角为ψmax，则要求：
其中，
为第i架UAV在第j个节点处的转弯角；
最大爬升/俯冲角限制：取决于UAV自身的机动性能，其限制了航路在垂直平面内上升和俯冲的最大角度；若无人机最大爬升/俯冲角为
则要求：
其中，
为第i架UAV在第j个节点处的爬升/俯冲角；
最低/最高飞行高度约束：其中最高飞行高度取决于UAV自身的机动性能，飞行过程中飞的过低会使得与地面相撞的坠毁概率增加；若无人机最高飞行高度为Hmax，最低飞行高度为Hmin则要求：
其中
为第i条航迹上第K个航迹点距离地面的高度。
5.根据权利要求1或4所述的一种面向空中机动作战的无人机集群协同任务规划方法，其特征在于：无人机间的碰撞回避：两无人机碰撞问题可以表述为:在同一时间两无人机在同一地点发生碰撞，若攻击任务中要求所有无人机同时到达目标基地，则从目标基地开始，航迹相同的长度范围内，各航迹之间的最小距离应大于预设安全距离DS；各UAV之间碰撞回避约束的表达式：
min DISk(rΔl i,rΔl j)＞Ds，k＝1,2,···,K (6)
其中DISk(rΔl i,rΔl j)表示从基地开始第i条、第j条相同航迹长度内各点距离；
最小航路段长度约束：其限制了UAV在开始改变飞行姿态之前必须直飞的最短距离，为了减少误差，UAV在飞行时，不希望迂回行进和频繁的转弯；当最小航路段为lmin时，最小航路段约束的表达式：
其中cij表示第i条路线上第j段的长度：
6.根据权利要求1、2、4中任意一项权利要求所述的一种面向空中机动作战的无人机集群协同任务规划方法，其特征在于：所述的步骤三利用了变种群个体数，改进了生命周期群搜索算法(LSO)利用改进生命周期群搜索算法(ILSO)，基于层次优化思想，将多无人机协同任务规划问题分为两层，第一层进行航迹点集合搜索寻优，得到各UAV可飞行路径，第二层将在固定障碍物内的航迹进行再优化得到安全路径；
1)初始化各种参数；随机初始化航迹点，第a个基地派出的第j架UAV到第i个敌方目标，此UAV起飞点离所构建的平面距离最近的为第g个平面,g＝1,2,···,G，此平面定义为UAV的初始起飞平面，敌方目标i离所构建的平面中距离最近的为平面r，定位为飞机的终止平面，r＝1,2,···,R，则UAVj的初始航迹点集合为
则
2)检验初始航迹集合的起始段航线和终止段航线是否存在迂回航迹，若起始段航线存在迂回，取离起点第二近邻平面为初始起飞平面，若终止段航线存在迂回，取离目标点的第二近邻平面为终止平面；正态分布均值μ为
产生的随机变量代入目标函数计算适应度值，作为初代种群的适应度值，其中
为所有敌方目标x坐标的平均值，HN表示正常巡航情况下飞行高度；
3)将初始种群的最优个体设置为全局初始极值，若个体不满足约束条件，初个体的适应度值设为正无穷；
4)生长发育：设第a个基地派出的第j架UAV到第i个敌方目标当前最优的航迹点集合为：
将最优个体的位置进行混沌操作，更新全局极值和最优航迹集合；采用混沌系统，将最优目标点集合记通过归一化处理；
6)将种群中的其他个体航迹集合以一定的概率执行同化操作或换位操作；同化是指群内采取社会觅食方式的个体的觅食路径被最优个体同化，追随群内最优个体进行搜索；
群内除最优个体外，采取独立觅食方式的个体其觅食执行方法采取换位算子，个体在其自身具备的能量范围内进行搜索；
7)繁殖，将种群中的每个航迹集合进行两两配对，执行变种群个体数量的中间重组操作：
Varson＝Varfather+α(Varfather2-Varfather1) (9)
式中，Varson为子代航迹点集合，Varfather1为亲代航迹点，其中α是比例因子，由[-d,1+d]上均匀分布地随机数产生，d＝0.25，重组时，先为每一个子代的每一个变量产生一个α，根据出生率产生对应数量的子代个体；
8)死亡，按适应度值调整种群个体顺序，采用线性排序的方法对群中个体适应值进行调整，并对调整后的目标函数值进行降序排序，最适应个体放置在列表最后一个位置，每个个体的适应度值根据他在种群中的排序位置计算出来；
计算当前种群数量，若当前种群数量超出种群最大规模，则按轮盘赌的方法淘汰一部分个体，淘汰数量为超出种群最大规模的数量；若未超出，则按轮盘赌的方法淘汰当前种群数量乘以自然死亡率的数量的个体；
9)变异，种群中的个体以一定的概率执行方向变异操作；在三维搜索空间中，每个航迹点集合中每个元素的每一维在该维方向上的移动步长为Δlz，
10)更新全局极值，将最优个体的航迹点集合记为Ug，并检验是否达到航迹规划的最大迭代次数，若达到，进入下一步进行检验；若未达到，则返回初始化参数；
11)检验是否达到最大任务分配迭代次数，若达到，退出优化，输出结果；若未达到返回步骤二中的第3)步。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010834888.4A CN112130581B (zh) | 2020-08-19 | 2020-08-19 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010834888.4A CN112130581B (zh) | 2020-08-19 | 2020-08-19 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112130581A CN112130581A (zh) | 2020-12-25 |
| CN112130581B true CN112130581B (zh) | 2022-06-17 |
Family
ID=73850363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010834888.4A Active CN112130581B (zh) | 2020-08-19 | 2020-08-19 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112130581B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112880688B (zh) * | 2021-01-27 | 2023-05-23 | 广州大学 | 基于混沌自适应麻雀搜索算法的无人机三维航迹规划方法 |
| CN112965521B (zh) * | 2021-02-07 | 2022-02-18 | 北京理工大学 | 一种多目标任务分配方法 |
| CN112801540B (zh) * | 2021-02-24 | 2023-12-05 | 中国人民解放军国防科技大学 | 基于无人集群的智能协同架构设计方法 |
| CN113126652B (zh) * | 2021-04-02 | 2022-09-30 | 中国人民解放军海军航空大学 | 无人机集群协同电子侦察的调度方法及装置 |
| CN113238579B (zh) * | 2021-05-18 | 2022-06-07 | 西安电子科技大学 | 一种基于Oc-ACO算法的多无人机集群编队避障方法 |
| CN113776532B (zh) * | 2021-07-27 | 2023-08-11 | 昆明理工大学 | 一种基于分组混合优化群搜索算法的无人机巡检线路航迹规划方法 |
| CN113759971B (zh) * | 2021-08-30 | 2023-11-07 | 中国人民解放军国防科技大学 | 一种面向无人机协同侦察的路径规划方法 |
| CN113959449B (zh) * | 2021-12-22 | 2022-03-11 | 中国人民解放军空军预警学院 | 一种多无人机搜索航路规划方法及装置 |
| CN114200964B (zh) * | 2022-02-17 | 2022-04-26 | 南京信息工程大学 | 一种无人机集群协同侦察覆盖分布式自主优化方法 |
| CN114740883B (zh) * | 2022-03-09 | 2023-05-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种协同点侦察任务规划跨层联合优化方法 |
| CN114721423B (zh) * | 2022-03-15 | 2023-06-06 | 北京理工大学 | 考虑避碰约束的多无人机协同到达预置目标的分配方法 |
| CN114815900B (zh) * | 2022-06-23 | 2022-09-27 | 中国科学院自动化研究所 | 无人集群对抗方法、装置、电子设备及存储介质 |
| CN115329595B (zh) * | 2022-08-31 | 2023-04-14 | 哈尔滨工业大学 | 一种基于知识与经验的无人机集群任务规划方法及系统 |
| CN115686071B (zh) * | 2022-12-29 | 2023-03-10 | 中国电子科技集团公司第二十八研究所 | 一种多无人机协同攻击航路实时规划方法及装置 |
| CN115856985B (zh) * | 2023-02-27 | 2023-05-12 | 西南科技大学 | 一种大气放射性污染的无人机协同监测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343569A (zh) * | 2018-11-19 | 2019-02-15 | 南京航空航天大学 | 多无人机集群自组织协同察打任务规划方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8244469B2 (en) * | 2008-03-16 | 2012-08-14 | Irobot Corporation | Collaborative engagement for target identification and tracking |
| KR102010568B1 (ko) * | 2017-06-27 | 2019-08-13 | 광운대학교 산학협력단 | 다수의 무인비행체 시스템과 군집 지능을 사용한 현실 ３ｄ 공간 탐색 시스템 및 방법 |
| CN110609552B (zh) * | 2019-09-12 | 2022-08-02 | 哈尔滨工程大学 | 一种水下无人航行器编队平面航迹规划方法 |
| CN110608743B (zh) * | 2019-10-18 | 2020-11-06 | 南京航空航天大学 | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 |
-
2020
- 2020-08-19 CN CN202010834888.4A patent/CN112130581B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343569A (zh) * | 2018-11-19 | 2019-02-15 | 南京航空航天大学 | 多无人机集群自组织协同察打任务规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112130581A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112130581B (zh) | 一种面向空中机动作战的无人机集群协同任务规划方法 | |
| CN108549407B (zh) | 一种多无人机协同编队避障的控制算法 | |
| CN110031004B (zh) | 基于数字地图的无人机静态和动态路径规划方法 | |
| CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
| CN101286071B (zh) | 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 | |
| CN110825113B (zh) | 一种适用于四旋翼无人机集群飞行的队形保持方法 | |
| 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 | |
| CN109871032A (zh) | 一种基于模型预测控制的多无人机编队协同控制方法 | |
| CN109669475A (zh) | 基于人工蜂群算法的多无人机三维编队重构方法 | |
| CN112666981B (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
| CN113311859A (zh) | 一种无人机集群有限时间仿射编队飞行控制方法 | |
| CN114840020A (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
| CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
| CN115657730B (zh) | 一种大规模多旋翼无人机鲁棒分簇编队控制方法 | |
| CN110986958A (zh) | 基于多种群协作果蝇优化的多无人机协同路径规划方法 | |
| CN110793522B (zh) | 一种基于蚁群算法的航迹规划方法 | |
| Ma et al. | Chaotic random opposition-based learning and Cauchy mutation improved moth-flame optimization algorithm for intelligent route planning of multiple UAVs | |
| CN111811513A (zh) | 一种多无人机协同覆盖及避障的航迹规划方法 | |
| CN114138022A (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
| Fan et al. | Path planning for a reconnaissance UAV in uncertain environment | |
| CN114721423B (zh) | 考虑避碰约束的多无人机协同到达预置目标的分配方法 | |
| CN114967735A (zh) | 一种多ucav协同实时航迹规划方法 | |
| CN112161626B (zh) | 一种基于航路跟踪映射网络的高可飞性航路规划方法 | |
| Chen et al. | A Two‐Stage Method for UCAV TF/TA Path Planning Based on Approximate Dynamic Programming | |
| CN114777789A (zh) | 一种基于球面矢量鸽群算法的三维避障航路规划方法 |
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 |