CN112327918B - 基于精英学习的多蜂群海域环境自适应搜索算法 - Google Patents

Abstract

本发明公开了一种基于精英学习的多蜂群海域环境自适应搜索算法，包括：获取多个配置相同的无人机在某时刻的决策变量集合和状态向量集合，将无人机的飞行任务区域栅格化，在环境信息不足的搜索阶段，无人机自动选取一个高于当前飞行高度的区域开始搜索，当满足搜索图判断条件中的任意一个时则无人机自动降低飞行高度、开始精确搜索；当无人机的搜索模式、飞行高度发生改变时，对搜索图内的环境信息采用信息更新方法进行自主更新；采用基于精英学习的多蜂群算法对于无人机的效能函数进行优化求解，选取当前时刻中最优的蜜源，并设定为该时刻的输入序列u(k)，同时更新无人机群的状态和搜索图内的环境信息直到搜索任务结束。

Description

基于精英学习的多蜂群海域环境自适应搜索算法

技术领域

本发明涉及无人机技术领域，尤其涉及一种基于精英学习的多蜂群海域环境自适应搜索算法。

背景技术

近年来，伴随无人机控制技术的迅速发展，其在民用、商用和军用领域的作用越来越重要，尤其是在海域环境下的搜索、救援和监测等方面都得到广泛的应用。但由于任务难度大、海域环境复杂、不确定性高及无人机自身能力受限等，使得单无人机往往难以满足海域任务的需求，使得利用多无人机协作的方式来完成任务得到了越来越多的关注。

在搜索算法方面主要有粒子群算法、蚁群算法、遗传算法等，但是已有的搜索方法都是建立在海域风浪不变、任务区域能见度不变、搜索算法模式单一的前提，即传感器性能与飞行高度均固定，均未考虑海域环境复杂对搜索任务带来的影响。基于精英学习的多蜂群海域环境自适应搜索算法，是在传统的人工蜂群算法上进行了多重的改进，采用精英学习的思想，并结合蜜蜂采蜜的特性，发展而来的一种应用于多无人机在不同飞行高度下对海域目标搜索的方法。

发明内容

为了克服多无人机在复杂海域中协同搜索存在的搜索效率低的问题，本发明提供一种基于精英学习的多蜂群海域环境自适应搜索算法，让无人机在飞行高度动态变化时可以采用不同搜索策略，同时对传统的人工蜂群算法改进，提出了基于精英学习的多蜂群算法，保证在不同策略下具备较强的适应性的同时，使得搜索收益达到最大化，有效提高了搜索任务的质量，具体方案包括：

获取多个配置相同的无人机在某时刻的决策变量集合和状态向量集合，同时读取安装在无人机上的图像传感器的探测范围、虚警概率和探测概率；

将无人机的飞行任务区域栅格化，设飞行任务区域中每一个栅格包含相互独立的环境信息，该环境信包括目标存在概率

和环境确定度/>

设无人机的效能函数包括目标发现收益和期望探测收益，统计多个无人机的效能函数之和；

在环境信息不足的搜索阶段，无人机自动选取一个高于当前飞行高度的区域开始搜索，当满足搜索图判断条件中的任意一个时则无人机自动降低飞行高度、开始精确搜索；当无人机的搜索模式、飞行高度发生改变时，对搜索图内的环境信息采用信息更新方法进行自主更新；

采用基于精英学习的多蜂群算法对于无人机的效能函数进行优化求解，其中每一架无人机采用一组蜂群求解，设蜜源的位置代表该无人机的可能解，适应度代表蜜源的质量，初始化蜜源的位置、并对蜜源进行位置更新，计算每个蜜源的适应度值；

使用冒泡排序法对蜜源适应度值进行排列；

选取当前时刻中最优蜜源的数量，并设定为该时刻的输入序列u(k)，同时更新无人机群的状态和搜索图内的环境信息直到搜索任务结束。

进一步的，基于搜索图判断条件、当无搜索图满足以下条件中的任意一个时则无人机自动降低飞行高度：

当搜索图的环境确定度满足

其中/>

为一常数；

当搜索图的目标存在概率满足

即任意栅格的目标存在概况皆不为零时，此时无人机自动降低飞行高度，开始精确搜索，当无人机的搜索模式发生改变，则搜索图内的环境信息采用如下两步进行更新：

当UAVs高度由h^q改变至h^e时，环境信息的更新如下：

将h^q高度下所有栅格内的环境信息由单位栅格表示：

其中,

与/>

为栅格(m^(q),n^(q))包含的单位栅格在x与y方向上坐标的集合；

由单位栅格信息依次计算高度h^e下的所有栅格的环境信息：

其中δ∈(0,1]为因子系数，a＝(m^e-1)·l^e/l^unit与b＝m^e·l^e/l^unit为栅格(m^(e),n^(e))在x方向上包含单位栅格的下限坐标与上限坐标，c＝(n^e-1)·l^e/l^unit与d＝n^e·l^e/l^unit为栅格(m^(e),n^(e))在y方向上包含单位栅格的下限坐标与上限坐标，s＝(l^e/l^unit)²为栅格(m^(e),n^(e))所包含的单位栅格的数目；

当h^e>h^q，即UAVs上升高度时，δ＝1，单位栅格确定度的和的平均数即为改变高度后栅格的确定度；当h^e<h^q，即UAVs下降高度时，确定度信息将会受到影响，δ∈(0,1)为一变量，具体取值应视UAV的传感器性能与下降高度的差所决定。

进一步的，选取当前时刻中最优蜜源的数量时：

对蜜源计算后的适应值使用冒泡排序法，从大至小选出M个序号列入G(FES)中，其中M定义如下：

其中

MAX.FES为最大迭代次数，SN为蜜源数量，μ(h^λ)×SN表示算法选取精英个体过程中的阈值，则最优蜜源数量μ(h^λ)为：

其中μ∈(0,1)为一固定值，h^λ为UAV当前的飞行高度，h_min与h_max分别为UAV允许飞行的最低高度与最高高度，μ×SN为UAV在最低飞行高度h_min下精英个体的数量。

由于采用了上述技术方案，本发明提供的一种基于精英学习的多蜂群海域环境自适应搜索算法，该方法针对于不同的海域情况与不同的环境信息，无人机群会动态做出调整，并且在环境模型的建立中设计了动态信息更新的过程，保证了系统在执行搜索任务时所需信息的实时性；在标准蜂群算法的基础上融合了精英学习思想，使算法在快速性和准确性上得到了改善，同时算法会根据无人机群当前的状态做出细微调整，保证算法更适用于当前的搜索任务，使无人机群系统完成对目标的搜索。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于精英学习的多蜂群海域环境自适应搜索算法的流程图；

图2为无人机群在粗略搜索下的仿真图像；

图3为无人机群在精细搜索下的仿真图像。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1所示的一种基于精英学习的多蜂群海域环境自适应搜索算法，具体包括如下步骤：

步骤一：选用多架具有相同配置与性能的无人机，该无人机可在高度为h的海面上飞行，其中高度h受无人机性能约束有h∈[h_min,h_max]；记u(k)＝[u_i(k),i＝1,2,...,N_v]为所有无人机在k时刻决策变量的集合，s(k)＝(s_i(k),i＝1,2,...,N_v)为所有无人机状态向量的集合。

在每一架无人机的下方均装有图像传感器，其中传感器的探测距离描述为传感器与目标之间的直线距离，由于本文将传感器置于无人机下方，因此探测距离即为当前的飞行高度h^λ；传感器的探测范围E^λ、描述为探测到海域面积的大小；传感器的虚警概率p_f(h^λ)描述为无人机于h^λ高度下在其探测范围内检测错误可能性：

/>

其中，p_f(h^λ)∈[0,p_f(max)]，p_f(max)为传感器在高度h_max下的最大虚警概率。传感器的探测概率p_d(h^λ)描述为无人机于h^λ高度下在其探测范围内发现目标的可能性：

其中，p_d(h^λ)∈[0,p_d(max)]，p_d(max)为传感器在h_min处的探测概率。

步骤二：将任务区域E栅格化，无人机飞行高度的改变将会导致栅格的大小与总数发生改变，记第i架无人机在h^λ高度下的任意栅格的坐标为

其中/>

与/>

分别为x方向上的栅格数目与y方向上的栅格数目。

任务区域中每一个栅格均包含相互独立的环境信息(目标存在概率和环境确定度)。目标存在概率

表示在k时刻UAV工作在高度h^λ下栅格(m^λ,n^λ)处目标存在的概率：

其中b_k表示传感器的探测状态，τ∈[0,1]表示动态因子。环境确定度

反映了无人机对搜索图中某一栅格的了解程度：

其中τ_c∈[0,1]为确定度动态信息因子；χ∈[0,1]表示传感器性能的好坏。

步骤三：第i架UAV的效能函数J_i(s_i(k),u_i(k))为单架无人机在规定时间内，尽可能地去探索未知的任务区域及搜索到目标，效能函数由目标发现收益J_p和期望探测收益J_F组成，定义为：J_i(s(k),u(k))＝ω₁J_p(k)+ω₂J_F(k)，其中0≤ω_i≤1(i＝1,2)分别代表不同收益对效能函数的影响，在执行任务中，综合实际情况取值。多UAV搜索效能函数定义为各UAV的效能函数之和：

步骤四：在环境信息不足的搜索阶段，UAVs会自动选取一个高于当前飞行高度的高度开始搜索，由于此高度下海域内的栅格面积较大且栅格数目较少，因此UAVs可以较为快速的完成对任务区域的了解，即粗略搜索；经过一段时间的粗略搜索后，若满足以下两个条件中的一个时则认定已对任务区域初步了解：

1)搜索图的环境确定度满足

其中/>

为一常数，具体数值应视具体搜索任务而定；

2)搜索图的目标存在概率满足

即任意栅格的目标存在概况皆不为零。

此时UAVs自动降低飞行高度，开始精确搜索。当无人机的搜索模式发生改变，即飞行高度发生改变时，搜索图内的环境信息需要通过一下两步更新：

当UAVs高度由h^q改变至h^e时，环境信息的更新如下：

(1)将h^q高度下所有栅格内的环境信息由单位栅格所表示，有如下公式：

其中,

与/>

为栅格(m^(q),n^(q))包含的单位栅格在x与y方向上坐标的集合。

(2)由单位栅格信息依次计算出h^e高度下的所有栅格的环境信息，有如下公式：

其中δ∈(0,1]为因子系数，a＝(m^e-1)·l^e/l^unit与b＝m^e·l^e/l^unit为栅格(m^(e),n^(e))在x方向上包含单位栅格的下限坐标与上限坐标，c＝(n^e-1)·l^e/l^unit与d＝n^e·l^e/l^unit为栅格(m^(e),n^(e))在y方向上包含单位栅格的下限坐标与上限坐标，s＝(l^e/l^unit)²为栅格(m^(e),n^(e))所包含的单位栅格的数目。当h^e>h^q，即UAVs上升高度时，δ＝1，单位栅格确定度的和的平均数即为改变高度后栅格的确定度；当h^e<h^q，即UAVs下降高度时，确定度信息将会受到影响，δ∈(0,1)为一变量，具体取值应视UAV的传感器性能与下降高度的差所决定。

步骤五：针对于步骤三中所提出的效能函数J(k)，采用人工蜂群算法对其求解。其中每一架无人机均用一组蜂群求解，蜜源的位置代表了该无人机的一个可能的解，通过有限次地迭代寻找到最优的蜜源，即该无人机的最优决策。本发明对该算法进行改进，引入了精英学习的思想，使得算法可以更好地解决复杂地搜索问题。

首先初始化蜜源的位置，通过

对蜜源的位置更新，其中x_i,j,i∈{1,2,...,SN},j∈{1,2,...,D}，表示蜜源的位置，/>

为一个随机的常数，G(FES)为精英个体集合，FES为优秀蜜源的序号的集合。

随后通过f_i＝(1-σ)×J_i(s_i(k),u_i(k))+σ式计算每个蜜源的适应度，适应度的大小反应了蜜源的质量，其中，σ∈[0,1]为一常数，σ的存在使得算法在J_i(s_i(k),u_i(k))过小的情况下蜜源也有较为合适的适应值，保证了求解的质量。

步骤六：对蜜源计算后的适应值使用冒泡排序法，从大至小选出M个序号列入G(FES)中，其中M定义如下：

其中

MAX.FES为最大迭代次数，SN为蜜源数量，μ(h^λ)×SN表示算法选取精英个体过程中的阈值，μ(h^λ)定义如下：

其中μ∈(0,1)为一固定值，代表UAV在最低飞行高度h_min下精英个体的数量最少为μ×SN，保证了群体的多样性。

当无人机群处于粗略搜索阶段时，系统的首要任务去了解未知环境，因此算法更偏向于去开发新的解，此情况下保留G(FES)中较多的精英个体可以使蜜蜂在求取新蜜源位置时更为随机。而当无人机群处于仔细搜索阶段时，系统的任务变为精确地寻找到目标，因此算法更偏向于去探索新的解，此情况下保留G(FES)中较少的精英个体可以使算法引导蜜蜂在求取新蜜源位置时向精英个体方向靠拢。总之，不同搜索阶段下保留的精英个体数目的不同，将会使得算法在不同阶段的求解倾向不同，满足了自适应搜索的需求，同时精英个体的引入将会使算法本身的收敛速度加快，加强了系统自身的快速性。

步骤七：选取当前时刻中最优的蜜源，并设定为该时刻的输入序列u(k)，同时更新无人机群的状态s(k)及搜索图环境信息。

步骤八：重复步骤四到步骤七，直到搜索任务结束。

实施例：

首先是对搜索环境的建模，4艘目标舰艇随机分布在任务海域大小为9km×9km的海域。4架UAV处于海域的四角对任务海域进行搜索，设定UAV的最大虚警概率p_f(max)＝0.3，最大探测概率p_d(max)＝0.95，UAVs可在20米到300米的高度内飞行，转向角限制为φ∈[-π/4,π/4]，决策周期为10s，目标舰艇速度为5m/s。

对于一个完全未知的任务海域，由于无任何先验信息，因此UAVs在任务开始时便进入粗略搜索阶段，如图2所示，此阶段下UAVs选择80m的高度飞行，每个栅格大小为300m×300m，固海域被划分为30×30的正方形栅格，经计算后可获知80m高度下UAVs探测概率p_d＝0.74、虚警概率p_f＝0.06，搜索效能函数的影响因子ω1＝0.4，ω2＝0.6，粗略搜索的初始阶段，受海域信息未知的影响，UAVs的决策是完全随机的，由于在此阶段下UAVs的探测范围变大，海域信息将会很快被了解，当满足一定条件时，认定粗略搜索阶段完成。

随后UAVs进入精细搜索初始阶段，如图3所示，其飞行高度由粗略搜索的80m下降到50m，此时任务区域均匀划分为45×45的正方形栅格，每个栅格的大小为200m×200m。此高度下UAVs的探测概率p_d＝0.84，虚警概率p_f＝0.03，决策周期设置为60。在精细搜索阶段时，UAVs的首要任务是对粗略搜索阶段下所判定的重点可疑区域进行搜索。由仿真图像可以看出，随着时间的进行，UAVs在重点可疑区域中可以多次地发现目标舰艇。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种基于精英学习的多蜂群海域环境自适应搜索算法，其特征在于包括：

获取多个配置相同的无人机在某时刻的决策变量集合和状态向量集合，同时读取安装在无人机上的图像传感器的探测范围、虚警概率和探测概率；

将无人机的飞行任务区域栅格化，设飞行任务区域中每一个栅格包含相互独立的环境信息，该环境信包括目标存在概率

和环境确定度/>

设无人机的效能函数包括目标发现收益和期望探测收益，统计多个无人机的效能函数之和；

在环境信息不足的搜索阶段，无人机自动选取一个高于当前飞行高度的区域开始搜索，当满足搜索图判断条件中的任意一个时则无人机自动降低飞行高度、开始精确搜索；当无人机的搜索模式、飞行高度发生改变时，对搜索图内的环境信息采用信息更新方法进行自主更新；

采用基于精英学习的多蜂群算法对于无人机的效能函数进行优化求解，其中每一架无人机采用一组蜂群求解，设蜜源的位置代表该无人机的可能解，适应度代表蜜源的质量，初始化蜜源的位置、并对蜜源进行位置更新，计算每个蜜源的适应度值；

使用冒泡排序法对蜜源适应度值进行排列；

选取当前时刻中最优蜜源的数量，并设定为该时刻的输入序列u(k)，同时更新无人机群的状态和搜索图内的环境信息直到搜索任务结束；

基于搜索图判断条件、当无搜索图满足以下条件中的任意一个时则无人机自动降低飞行高度：

当搜索图的环境确定度满足

其中/>

为一常数；

当搜索图的目标存在概率满足

即任意栅格的目标存在概况皆不为零时，此时无人机自动降低飞行高度，开始精确搜索，当无人机的搜索模式发生改变，则搜索图内的环境信息采用如下两步进行更新：

当UAVs高度由h^q改变至h^e时，环境信息的更新如下：

将h^q高度下所有栅格内的环境信息由单位栅格表示：

其中,

与/>

为栅格(m^(q),n^(q))包含的单位栅格在x与y方向上坐标的集合；

由单位栅格信息依次计算高度h^e下的所有栅格的环境信息：

其中δ∈(0,1]为因子系数，a＝(m^e-1)·l^e/l^unit与b＝m^e·l^e/l^unit为栅格(m^(e),n^(e))在x方向上包含单位栅格的下限坐标与上限坐标，c＝(n^e-1)·l^e/l^unit与d＝n^e·l^e/l^unit为栅格(m^(e),n^(e))在y方向上包含单位栅格的下限坐标与上限坐标，s＝(l^e/l^unit)²为栅格(m^(e),n^(e))所包含的单位栅格的数目；

当h^e＞h^q，即UAVs上升高度时，δ＝1，单位栅格确定度的和的平均数即为改变高度后栅格的确定度；当h^e＜h^q，即UAVs下降高度时，确定度信息将会受到影响，δ∈(0,1)为一变量，具体取值应视UAV的传感器性能与下降高度的差所决定。

2.根据权利要求1所述的方法，其特征还在于：选取当前时刻中最优蜜源的数量时：

对蜜源计算后的适应值使用冒泡排序法，从大至小选出M个序号列入G(FES)中，其中M定义如下：

其中

MAX.FES为最大迭代次数，SN为蜜源数量，μ(h^λ)×SN表示算法选取精英个体过程中的阈值，则最优蜜源数量μ(h^λ)为：

其中μ∈(0,1)为一固定值，h^λ为UAV当前的飞行高度，h_min与h_max分别为UAV允许飞行的最低高度与最高高度，μ×SN为UAV在最低飞行高度h_min下精英个体的数量。

Images