CN112995898B - 基于cassa优化的无人机集群置信传播协同定位方法 - Google Patents
基于cassa优化的无人机集群置信传播协同定位方法 Download PDFInfo
- Publication number
- CN112995898B CN112995898B CN202110261909.2A CN202110261909A CN112995898B CN 112995898 B CN112995898 B CN 112995898B CN 202110261909 A CN202110261909 A CN 202110261909A CN 112995898 B CN112995898 B CN 112995898B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- sparrow
- value
- node
- 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 51
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 title description 2
- 241000287127 Passeridae Species 0.000 claims abstract description 88
- 238000010845 search algorithm Methods 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 23
- 230000000739 chaotic effect Effects 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 9
- 230000002431 foraging effect Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 244000062645 predators Species 0.000 claims description 6
- 230000036626 alertness Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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
- H04W84/08—Trunked mobile radio systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于CASSA优化的无人机集群置信传播协同定位方法，属于群体无人机编队协同定位导航技术领域。该方法包含以下步骤：（1）初始化所有无人机节点；（2）计算无人机节点的自身位置预测信息，计算集群之间的协同信息；（3）计算t时刻无人机i测距范围内所有组合构型的GDOP，混沌初始化麻雀搜索算法；（4）采用CASSA，选择出GDOP最优的构型组合方式，无人机i与该最优构型进行协同信息交互；（5）回到步骤（2）进行迭代，根据无人机边缘后验位置概率分布求得后验位置估计值，直到后验位置信息收敛。本发明在网络中能够提高低成本无人机的定位精度，适用于大规模、大范围无人机网络以及卫星拒止等复杂飞行环境，适合工程实际应用。
Description
技术领域
本发明涉及一种基于CASSA(混沌自适应麻雀搜索算法)优化的无人机集群置信传播协同定位方法，属于群体无人机编队协同定位导航技术领域。
背景技术
随着技术的发展，无人机集群编队拥有比单个无人机更高的性能、效率、可靠性和安全性，结合了单机的导航定位与控制理论技术，广泛应用于协同作战、战场侦察、协同搜索等领域。得益于近几年通讯技术的迅速发展，无人机集群与无线传感网络有一些相似的技术，其中协作定位是提供准确、可靠定位信息的主流手段之一。无人机集群编队在实现各自自主导航的基础上，通过数据链等的信息交互，互通有无，结合其他无人机节点的导航信息，不断提高修正自身的定位精度。
目前集群中每一架无人机都是网络中的一个节点，进行数据接收和发送，实现导航状态的估计。在卫星拒止情况下，只能依靠集群网络中提供的信息进行估计。但是网络中协同信息对组网的无人机集群估计是完全过剩的，并且很多信息对定位精度贡献不高，甚至会影响实时性，导致计算负荷大且对通信带宽需求大，无法满足编队过程中对导航定位信息的精度及实时性需求。如何对节点的协同信息进行筛选，找到稳定可靠的信源无人机是集群无人机中需要解决的难题。集群的协同精度不仅与自身的传感器设备有关，还与多无人机的飞行构型有关。构型的优劣可以用几何精度因子(GDOP)描述，几何精度因子越小，对集群定位就越有利。需要考虑集群无人机导航中的信源节点的筛选问题，利用几何精度因子作为筛选标准，选择出对当前无人机节点GDOP最优的组合方式，可以建模成为最优化问题。麻雀搜索算法是一种新型的群体智能优化算法，比传统的优化算法更具有收敛快，稳定性好，鲁棒性强，适用于集群编队这类实时性要求高的应用场景。因此研究基于改进麻雀搜索算法优化的无人机集群协同定位方法，从而提高导航系统性能，将具有重要的研究意义。
发明内容
本发明提出了一种基于CASSA优化的无人机集群置信传播协同定位方法，利用一种新型的智能优化算法——麻雀搜索算法，并且在原始的麻雀搜索算法的基础上进行了改进，来寻找集群无人机最优化的最优构型问题。在置信传播算法的基础上，利用麻雀搜索算法寻优得到的最优构型，只与最优构型的无人机节点进行协同修正信息的交互，从而实现了对低贡献度信息的排出和筛选，在保证精度的基础上简化了计算量。
本发明为解决上述技术问题采用以下技术方案：
一种基于CASSA优化的无人机集群置信传播协同定位方法，包括如下步骤：
步骤1，初始化所有节点的位置概率分布；
步骤2，计算无人机节点的自身位置预测信息，并且通过网络传播自身信息和测距范围内的相对测距信息，计算相应的协同信息；
步骤3，计算t时刻无人机i测距范围内所有组合构型的GDOP，混沌初始化麻雀搜索算法；
步骤4，将每一种组合的GDOP作为麻雀搜索算法的适应度函数，执行自适应混沌麻雀搜索算法，选出最优GDOP的构型组合方式，无人机i与该最优构型进行协同信息交互；
步骤5，回到步骤2进行迭代，直到后验位置信息收敛。
步骤1所述初始化所有节点的位置概率分布
代表无人机i在t时刻ECEF系下的位置信息，
为无人机i在t时刻在ECEF系下的值。
步骤2所述测距范围内的相邻无人机均属于集合Ui，
为无人机i与j之间的测距值，所有集合Ui内与无人机i的测距值为
无人机i机载导航设备得到定位
为无人机i在t时刻机载导航设备在ECEF系下的值。
所述步骤3的具体过程如下：
在无人机
处进行泰勒展开并保留一阶项，得到：
其中，hxj、hyj、hzj为节点j到节点i的三个方向余弦；
为节点i的近似位置与真实位置之差，
为ECEF系下三个坐标值轴上近似位置与真实位置的差值，上式扩展成如下形式：
其中，
为无人机i与k的测距值，hxk、hyk、hzk为节点k到节点i的三个方向余弦，
为无人机i与l测距值，hxl、hyl、hzl为节点l到节点i的三个方向余弦，Hi为方向余弦矩阵，
为方向余弦矩阵的转置，
为无人机测距值矩阵；
载体位置偏差的误差协方差为
σ2为测距误差的方差，GDOP就被定义为
的迹的平方根。
其中：tr()表示矩阵的迹。
所述步骤4的具体过程如下：
1)进行麻雀搜索算法混沌初始化：
Tent映射表达式如下：
其中Zk+1、Zk为k+1和k时刻的状态值，β为映射参数；
2)计算所有组合的GDOP：
麻雀搜索算法中，使用虚拟麻雀去进行食物寻找的过程就是寻优的过程，那么由n只麻雀组成的种群表示为：
其中，S为麻雀种群矩阵，Fs为所有适应度值矩阵，
为第n只麻雀的d维解，即指代一架无人机节点，
为麻雀算法中一只麻雀的一维数组，即指代d个无人机的组合方式，
为第n只麻雀的适应度值，即第n种组合方式的GDOP值；
计算每一只麻雀适应度fi，即每一种组合方式的GDOP，选出当前最优值fb和其对应的无人机组合方式
以及当前最劣的适应度值fw和其对应无人机组合方式
3)更新麻雀搜索算法中发现者位置：
麻雀觅食过程抽象为发现者-加入者模型，并加入警戒者机制，发现者位置更新方程如下:
其中itermax为最大迭代次数，
为第j个麻雀在第k维在iter时刻的无人机编号，
为第j个麻雀在第k维在iter+1时刻的无人机编号，α为(0,1]之间的均匀随机数，Q为服从正太分布的随机数，L为一个元素都为1的1×d矩阵，R2∈[0,1]和ST∈[0.5,1]分别为预警值和安全值；预警值小于安全值时候搜索环境安全，发现者能广泛搜索，带领种群获得更好的适应度值；当预警值大于安全值表示麻雀遇到了捕食者，迅速调整策略飞向安全区。
4)更新麻雀搜索算法中加入者位置：
加入者在觅食过程中位置更新过程如下：
其中，
为当前发现者占据的最优位置，A为元素随机为1或-1的1×d，A+为A的伪逆矩阵A+＝AT(AAT)-1；当j＞n/2，适应度值较低的第j个加入者没有食物，十分饥饿，此时需要飞往其它地方觅食；
5)更新麻雀搜索算法中警戒者位置：
负责侦查预警的警戒者总数量的10％到20％，位置更新如下：
其中，
为当前最优值对应的无人机组合方式，κ作为步长控制参数，标准正太分布随机数；K为[-1,1]的随机数；ε为常数；当fj＞fb表示麻雀位于种群边缘，容易受到捕食者攻击；fj＝fb表示处于种群中间的麻雀意识到了危险，需要靠近其它麻雀调整策略，避免风险；
6)进行自适应t分布变异：
设定变异阈值，当小于阈值时候，对麻雀进行自适应t分布变异
其中，η为变异控制因子，
为变异前的麻雀个体，
为变异后的麻雀个体，t(iter)是以迭代次数iter为参数自由度的t分布，算法初期iter值较小，t分布变异近似于具有良好全局搜索能力的柯西分布；后期iter值较大，近似于具有良好局部搜索能力的高斯分布变异。
7)判断CASSA算法运行是否达到最大迭代或者满足停止条件，满足则退出，输出结果，否则，重复执行步骤2)-6)。
本发明的有益效果如下：
本发明方法对原始的麻雀搜索算法进行了改进，混沌初始化并且进行自适应t分布变异，有利于算法跳出局部最优和快速收敛，结果优于原始麻雀搜索算法、粒子群算法和改进粒子群算法，精度更高，稳定性更好，鲁棒性更强。在此基础上，使用置信传播算法框架进行不断信息更新推断，利用GDOP值为适应度函数的混沌自适应麻雀搜索算法，寻优得到当前时刻无人机的最优几何构型，只与最优构型的无人机节点进行协同修正信息的交互。定位精度优于随机进行协同的置信传播算法，有效地提高组合导航系统的精度，适合工程应用。
附图说明
图1为本发明方法编队无人机初始位置分布图。
图2是本发明方法无人机的航迹图。
图3是本发明基于CASSA优化的无人机集群置信传播协同定位方法的架构图。
图4是本发明算法与传统粒子群算法、改进粒子群算法以及原始麻雀搜索算法的对比图。
图5(a)是本发明算法的僚机和无协同的僚机X轴误差对比图；图5(b)是本发明算法的僚机和无协同的僚机Y轴误差对比图；图5(c)是本发明算法的僚机和无协同的僚机Z轴误差对比图。
图6是本发明算法与原始随机协同的置信传播随机对比CDF图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
图1位本发明方法中集群无人机的初始位置，图2位编队无人机的飞行轨迹，按照图3所示的算法执行流程图对集群无人机进行定位。如图3所示，本发明所述的基于CASSA(混沌自适应麻雀搜索算法)优化的无人机集群置信传播协同定位方法原理是：集群无人机中长机搭载高精度传感器，僚机通过测距手段获得测距信息并进行信息交换，推断自身位置。利用置信传播算法框架进行不断信息更新推断，在无人机进行信息交互时，利用GDOP值为适应度函数的混沌自适应麻雀搜索算法，寻优得到当前时刻无人机的最优几何构型，只与最优构型的无人机节点进行协同修正信息的交互，从而实现了对低贡献度信息的排出和筛选，在保证精度的基础上简化了计算量。
本发明的具体实施方式如下：
1、初始化所有节点的位置概率分布
代表无人机i在t时刻ECEF(地球坐标系)系下的位置信息，
为无人机i在t时刻在ECEF系下的值。
2、计算无人机节点的自身位置预测信息，并且通过网络传播自身信息和测距范围内的相对测距信息，计算相应的协同信息
令无人机i在测距范围内的相邻无人机均属于集合Ui，
为无人机i与j之间的测距值，所有集合Ui内与无人机i的测距值为
无人机i机载导航设备给出的定位为
为无人机i在t时刻机载导航设备在ECEF系下的值，编队内所有无人机的定位问题可描述为在给定量测信息条件下的后验概率分布求解的问题
3、计算t时刻无人机i测距范围内所有组合构型的几何精度因子(GDOP)，混沌初始化麻雀搜索算法
在无人机
处进行泰勒展开并保留一阶项，得到：
其中，hxj、hyj、hzj为节点j到节点i的三个方向余弦；
为节点i的近似位置与真实位置之差，
为ECEF系下三个坐标值轴上近似位置与真实位置的差值。上式可扩展成如下形式：
其中，
为无人机i与k的测距值，hxk、hyk、hzk为节点k到节点i的三个方向余弦，
为无人机i与l测距值，hxl、hyl、hzl为节点l到节点i的三个方向余弦，Hi为方向余弦矩阵，
为方向余弦矩阵的转置，
为无人机测距值矩阵。
载体位置偏差的误差协方差为
σ2为测距误差的方差，GDOP就被定义为
的迹的平方根。
其中：tr()表示矩阵的迹。
4、将每一种组合的GDOP作为麻雀搜索算法的适应度函数，执行混沌自适应麻雀搜索算法(CASSA)，选出最优GDOP的构型组合方式，无人机i与该最优构型进行协同信息交互
(4.1)进行麻雀搜索算法混沌初始化：
智能算法的初始值都由随机数产生，会使数值远离最优值，影响最终效果。TentMap混沌模型是一个经典的混沌模型，采用Tent映射代替随机数，能够有效保持种群的多样性，改善全局搜索能力，Tent映射表达式如下：
其中Zk+1、Zk为k+1和k时刻的状态值，β为映射参数，提高群体的多样性和覆盖性。
(4.2)计算所有组合的GDOP：
麻雀搜索算法中，使用虚拟麻雀去进行食物寻找的过程就是寻优的过程，那么由n只麻雀组成的种群可表示为：
其中，S为麻雀种群矩阵，Fs为所有适应度值矩阵，
为第n只麻雀的d维解，即指代一架无人机节点，
为麻雀算法中一只麻雀的一维数组，即指代d个无人机的组合方式，n是麻雀的数量，d为待优化问题变量的维数，
为第n只麻雀的适应度值，即第n种组合方式的GDOP值。
计算每一只麻雀适应度fi，即每一种组合方式的GDOP，选出当前最优值fb和其对应的无人机组合方式
以及当前最劣的适应度值fw和其对应无人机组合方式
(4.3)更新麻雀搜索算法中发现者位置：
麻雀觅食过程可抽象为发现者-加入者模型，并加入警戒者机制。发现者自身适应度值高，搜索范围广，引领种群进行搜索和觅食。发现者位置更新方程如下:
其中itermax为最大迭代次数，
为第j个麻雀在第k维在iter时刻的无人机编号，
为第j个麻雀在第k维在iter+1时刻的无人机编号，α为(0,1]之间的均匀随机数，Q为服从正太分布的随机数，L为一个元素都为1的1×d矩阵，R2∈[0,1]和ST∈[0.5,1]分别为预警值和安全值。预警值小于安全值时候搜索环境安全，发现者可广泛搜索，带领种群获得更好的适应度值；当预警值大于安全值表示麻雀遇到了捕食者，迅速调整策略飞向安全区。
(4.4)更新麻雀搜索算法中加入者位置：
加入者在觅食过程中位置更新过程如下：
其中，
为当前发现者占据的最优位置，A为元素随机为1或-1的1×d，A+为A的伪逆矩阵A+＝AT(AAT)-1。当j＞n/2，适应度值较低的第j个加入者没有食物，十分饥饿，此时需要飞往其它地方觅食。
(4.5)更新麻雀搜索算法中警戒者位置：
负责侦查预警的警戒者总数量的10％到20％，位置更新如下：
其中，
为当前最优值对应的无人机组合方式，κ作为步长控制参数，标准正太分布随机数；K为[-1,1]的随机数；ε为常数，以避免分母出现零。当fj＞fb表示麻雀位于种群边缘，容易受到捕食者攻击；fj＝fb表示处于种群中间的麻雀意识到了危险，需要靠近其它麻雀调整策略，避免风险。
(4.6)进行自适应t分布变异：
设定变异阈值，当小于阈值时候，对麻雀进行自适应t分布变异。
其中，η为变异控制因子，
为变异前的麻雀个体，
为变异后的麻雀个体，t(iter)是以迭代次数iter为参数自由度的t分布，算法初期iter值较小，t分布变异近似于具有良好全局搜索能力的柯西分布；后期iter值较大，近似于具有良好局部搜索能力的高斯分布变异。
(4.7)判断CASSA算法运行是否达到最大迭代或者满足停止条件，满足则退出，输出结果，否则，重复执行Step2)-6)。
5、回到步骤2进行迭代，直到后验位置信息收敛，由于单个无人机测距范围有限，要把高精度协同信息传播至集群所有无人机，因此需要回到步骤2进行迭代，直到后验位置信息收敛，并求后验信息的最小均方误差(MMSE),作为t+1时刻的预测信息。
为了验证发明所提出的基于CASSA优化的无人机集群置信传播协同定位方法的正确性和有效性，采用本发明方法建立模型，利用MATLAB仿真验证。设计集群无人机初始位置如图1所示，飞行轨迹如图2所示。
对本发明所述的基于CASSA优化的无人机集群置信传播协同定位方法进行验证，测试CASSA(混沌自适应麻雀搜索算法)性能，与原始麻雀搜索算法、粒子群算法和改进粒子群算法性能对比曲线如图4所示。
图5(a)、图5(b)、图5(c)分别为本发明算法的僚机在地球坐标系三个轴的位置误差曲线与无协同情况的对比图。图5中带上三角形标记符的曲线代表无协同僚机的位置误差曲线。采用了本发明提出的方法，使得低成本的僚机定位精度有明显提高，具有有益的工程应用价值。图6为本发明算法与原始随机进行协同的置信传播算法的误差的累积分布函数(CDF)，可以看出相较于原始置信传播算法的僚机，采用本发明提出的方法，使得僚机的导航系统精度有了提升，简化了算法运算量，实现了运算量和精度的平衡，适用于集群无人机协同定位算法在工程中的实际运用。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (4)
1.一种基于CASSA优化的无人机集群置信传播协同定位方法，其特征在于，包括如下步骤：
步骤1，初始化所有节点的位置概率分布；
步骤2，计算无人机节点的自身位置预测信息，并且通过网络传播自身信息和测距范围内的相对测距信息，计算相应的协同信息；
步骤3，计算t时刻无人机i测距范围内所有组合构型的几何精度因子GDOP，混沌初始化麻雀搜索算法；
步骤4，将每一种组合的GDOP作为麻雀搜索算法的适应度函数，执行自适应混沌麻雀搜索算法，选出最优GDOP的构型组合方式，无人机i与该最优构型进行协同信息交互；
所述步骤4的具体过程如下：
1)进行麻雀搜索算法混沌初始化：
Tent映射表达式如下：
其中Zk+1、Zk为k+1和k时刻的状态值，β为映射参数；
2)计算所有组合的GDOP：
麻雀搜索算法中，使用虚拟麻雀去进行食物寻找的过程就是寻优的过程，那么由n只麻雀组成的种群表示为：
其中，S为麻雀种群矩阵，Fs为所有适应度值矩阵，
为第n只麻雀的d维解，即指代一架无人机节点，
为麻雀算法中一只麻雀的一维数组，即指代d个无人机的组合方式，
为第n只麻雀的适应度值，即第n种组合方式的GDOP值；
计算每一只麻雀适应度fi，即每一种组合方式的GDOP，选出当前最优值fb和其对应的无人机组合方式
以及当前最劣的适应度值fw和其对应无人机组合方式
3)更新麻雀搜索算法中发现者位置：
麻雀觅食过程抽象为发现者-加入者模型，并加入警戒者机制，发现者位置更新方程如下:
其中itermax为最大迭代次数，
为第j个麻雀在第k维在iter时刻的无人机编号，
为第j个麻雀在第k维在iter+1时刻的无人机编号，α为(0,1]之间的均匀随机数，Q为服从正太分布的随机数，L为一个元素都为1的1×d矩阵，R2∈[0,1]和ST∈[0.5,1]分别为预警值和安全值；预警值小于安全值时候搜索环境安全，发现者能广泛搜索，带领种群获得更好的适应度值；当预警值大于安全值表示麻雀遇到了捕食者，迅速调整策略飞向安全区；
4)更新麻雀搜索算法中加入者位置：
加入者在觅食过程中位置更新过程如下：
其中，
为当前发现者占据的最优位置，A为元素随机为1或-1的1×d，A+为A的伪逆矩阵A+＝AT(AAT)-1；当j＞n/2，适应度值较低的第j个加入者没有食物，十分饥饿，此时需要飞往其它地方觅食；
5)更新麻雀搜索算法中警戒者位置：
负责侦查预警的警戒者总数量的10％到20％，位置更新如下：
其中，
为当前最优值对应的无人机组合方式，κ作为步长控制参数，标准正太分布随机数；K为[-1,1]的随机数；ε为常数；当fj＞fb表示麻雀位于种群边缘，容易受到捕食者攻击；fj＝fb表示处于种群中间的麻雀意识到了危险，需要靠近其它麻雀调整策略，避免风险；
6)进行自适应t分布变异：
设定变异阈值，当小于阈值时候，对麻雀进行自适应t分布变异
其中，η为变异控制因子，
为变异前的麻雀个体，
为变异后的麻雀个体，t(iter)是以迭代次数iter为参数自由度的t分布，算法初期iter值较小，t分布变异近似于具有良好全局搜索能力的柯西分布；后期iter值较大，近似于具有良好局部搜索能力的高斯分布变异；
7)判断CASSA算法运行是否达到最大迭代或者满足停止条件，满足则退出，输出结果，否则，重复执行步骤2)-6)；
步骤5，回到步骤2进行迭代，直到后验位置信息收敛。
2.根据权利要求1所述的基于CASSA优化的无人机集群置信传播协同定位方法，其特征在于，步骤1所述初始化所有节点的位置概率分布
代表无人机i在t时刻地心地固ECEF系下的位置信息，
为无人机i在t时刻在ECEF系下的值。
3.根据权利要求1所述的基于CASSA优化的无人机集群置信传播协同定位方法，其特征在于，步骤2所述测距范围内的相邻无人机均属于集合Ui，
为无人机i与j之间的测距值，所有集合Ui内与无人机i的测距值为
无人机i机载导航设备得到定位
为无人机i在t时刻机载导航设备在ECEF系下的值。
4.根据权利要求3所述的基于CASSA优化的无人机集群置信传播协同定位方法，其特征在于，所述步骤3的具体过程如下：
在无人机
处进行泰勒展开并保留一阶项，得到：
其中，hxj、hyj、hzj为节点j到节点i的三个方向余弦；
为节点i的近似位置与真实位置之差，
为ECEF系下三个坐标值轴上近似位置与真实位置的差值，上式扩展成如下形式：
其中，
为无人机i与k的测距值，hxk、hyk、hzk为节点k到节点i的三个方向余弦，
为无人机i与l测距值，hxl、hyl、hzl为节点l到节点i的三个方向余弦，Hi为方向余弦矩阵，
为方向余弦矩阵的转置，
为无人机测距值矩阵；
载体位置偏差的误差协方差为
σ2为测距误差的方差，GDOP就被定义为(Hi THi)-1的迹的平方根；
其中：tr()表示矩阵的迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110261909.2A CN112995898B (zh) | 2021-03-10 | 2021-03-10 | 基于cassa优化的无人机集群置信传播协同定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110261909.2A CN112995898B (zh) | 2021-03-10 | 2021-03-10 | 基于cassa优化的无人机集群置信传播协同定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112995898A CN112995898A (zh) | 2021-06-18 |
| CN112995898B true CN112995898B (zh) | 2022-06-10 |
Family
ID=76334846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110261909.2A Active CN112995898B (zh) | 2021-03-10 | 2021-03-10 | 基于cassa优化的无人机集群置信传播协同定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112995898B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113552899B (zh) * | 2021-07-09 | 2022-05-10 | 中国人民解放军国防科技大学 | 一种通信链路受限下的多无人机自主协同搜索方法 |
| CN113759313B (zh) * | 2021-07-23 | 2023-09-29 | 哈尔滨工程大学 | 一种基于混沌麻雀算法的时差/频差定位方法 |
| CN113794286A (zh) * | 2021-09-06 | 2021-12-14 | 湖北工业大学 | 一种无线电能传输系统参数优化方法及装置 |
| CN113945769B (zh) * | 2021-10-15 | 2022-06-10 | 中国科学院大气物理研究所 | 基于双种群粒子群法的闪电三维定位方法 |
| CN113867411B (zh) * | 2021-11-18 | 2023-06-16 | 深圳大学 | 一种无人机集群定位方法、装置及计算机设备 |
| CN114336784A (zh) * | 2022-01-07 | 2022-04-12 | 国家电网有限公司 | 考虑多维度源网荷储的主动配电网协调优化方法 |
| CN114885379B (zh) * | 2022-04-29 | 2024-06-25 | 西北核技术研究所 | 一种大规模无人机集群自适应分簇组网方法 |
| CN116321418B (zh) * | 2023-03-02 | 2024-01-02 | 中国人民解放军国防科技大学 | 一种基于节点构型优选的集群无人机融合估计定位方法 |
| CN116299597B (zh) * | 2023-05-18 | 2023-08-15 | 北京航空航天大学 | 一种基于改进粒子滤波算法的导航增强协同定位方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108594274B (zh) * | 2018-02-01 | 2021-09-03 | 沈阳航空航天大学 | 一种自适应混沌粒子群优化的组合导航选星方法 |
| CN108810823A (zh) * | 2018-07-12 | 2018-11-13 | 南京航空航天大学 | 针对无线传感网络协作定位的协同修正信息筛选方法 |
| KR102258732B1 (ko) * | 2019-07-19 | 2021-05-31 | 배재대학교 산학협력단 | 무인 비행체의 군집 비행 제어 시스템 및 방법 |
| CN112146650B (zh) * | 2020-09-18 | 2022-04-01 | 南京航空航天大学 | 一种用于无人蜂群协同导航的构型优化方法 |
| CN112461247B (zh) * | 2020-12-16 | 2023-05-23 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
-
2021
- 2021-03-10 CN CN202110261909.2A patent/CN112995898B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112995898A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112995898B (zh) | 基于cassa优化的无人机集群置信传播协同定位方法 | |
| CN108616302B (zh) | 一种功率控制下的无人机多重覆盖模型及部署方法 | |
| 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 | |
| CN112788699B (zh) | 一种飞行自组织网网络拓扑确定方法及系统 | |
| CN110879921B (zh) | 一种基于时空相关性的卫星网络流量预测方法 | |
| CN111123341A (zh) | 无人机群三维协同定位方法 | |
| CN109617888A (zh) | 一种基于神经网络的异常流量检测方法及系统 | |
| CN114115329B (zh) | 中继协同无人机任务规划方法及装置 | |
| Dong et al. | Joint optimization of deployment and trajectory in UAV and IRS-assisted IoT data collection system | |
| CN112770256B (zh) | 一种无人机自组织网络中的节点轨迹预测方法 | |
| CN112666981A (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 | |
| CN115435787B (zh) | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 | |
| CN113448703A (zh) | 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 | |
| CN111121784A (zh) | 一种无人侦察机航路规划方法 | |
| CN113777571B (zh) | 一种基于深度学习的无人机集群动态方向图综合方法 | |
| Li et al. | Large-scale fixed-wing UAV swarm system control with collision avoidance and formation maneuver | |
| CN109062245A (zh) | 一种无人机地面站系统软件的可靠性智能分配方法 | |
| CN115567353A (zh) | 一种面向雷达组网系统的干扰多波束调度和干扰功率联合优化方法 | |
| Zhicai et al. | A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm | |
| CN114138011A (zh) | 一种基于飞蛾信息素机制的无人机集群目标搜索方法 | |
| CN114065518A (zh) | 一种干扰资源分配方法及系统 | |
| CN113867412A (zh) | 一种基于虚拟领航的多无人机航迹规划方法 | |
| CN116698032A (zh) | 基于多目标自组织松鼠觅食机制的无人机航迹规划方法 | |
| CN114200960B (zh) | 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法 | |
| CN116972694A (zh) | 一种面向无人机集群攻击的反制方法和系统 |
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 |