CN113050688B - 重点目标封控中多无人机协同搜索路径规划方法 - Google Patents
重点目标封控中多无人机协同搜索路径规划方法 Download PDFInfo
- Publication number
- CN113050688B CN113050688B CN202110300092.5A CN202110300092A CN113050688B CN 113050688 B CN113050688 B CN 113050688B CN 202110300092 A CN202110300092 A CN 202110300092A CN 113050688 B CN113050688 B CN 113050688B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- time
- coordinate system
- key
- 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 61
- 238000007789 sealing Methods 0.000 title claims abstract description 20
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 57
- 210000000349 chromosome Anatomy 0.000 claims abstract description 35
- 230000002068 genetic effect Effects 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 230000035772 mutation Effects 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000003345 natural gas Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000007728 cost analysis Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000012611 container material Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding 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
- G05D1/107—Simultaneous control of position or course in three dimensions specially adapted for missiles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了重点目标封控中多无人机协同搜索路径规划方法,方法包括步骤:确定约束条件,构建无人机识别任务的分派模型;确定无人机与重点目标相遇时间;重点目标数据预处理;经聚类得到初始染色体基因信息;计算无人机总飞行时间,计算该染色体对应适应度;根据各种群中染色体适应度进行遗传、变异和交叉;判断是否达到遗传代数;选取种群遗传过程中出现的基因最优良子代,将其对应任务序列作为结果。本发明通过坐标系转化建立无人机与商船相遇时间的快速求解方法,采取Kmeans聚类产生初始种群,大幅度提高初始解的可行性,在变异操作中,加入局部搜索,保证变异的多样性,给出最小无人机数量和合理处置方案。
Description
技术领域
本发明属于无人机技术领域,尤其是涉及重点目标封控中多无人机协同搜索路径规划方法。
背景技术
保障重要目标的安全,防止突发事件发生,是封控任务相关单位及人员的首要职责和主要任务。以港口封控为例,重点目标为进港的商船,大致分为三类,分别是运输一般生活物资的商船、运输石油或天然气等重大战略物资等的商船以及运输武器装备等违禁品等商船。
现有的手段能够在较远的距离上发现拟进港商船的地理位置、航向航速等信息,但对其所运载的货物性质则需要使用无人机进行抵近搜索。无人机可以独立部署在重要海域,对海上目标实施长时间、连续的观察与监视任务。搜索装备主要有电视摄像机、前视红外仪和合成孔径雷达等。无人机可以按照提供的位置信息向海上目标接近,然后采取对目标绕飞数周的方式进行多视角拍照摄像,岸基操作员根据回传图像识别目标船只的船名(舷号)、船型(如集装箱船、油船、天然气船、邮轮)、物资类型(如石油、天然气、煤铁矿石、集装箱物资)、旗帜(国籍)等,判断船名与外观是否一致,有无涂改、伪造船名的情况,有无不良记录对比、是否偷运武器装备等。
在港口封控任务中,要求在无人机执行任务过程中无突发事件的情况下,综合考虑无人机数量、初始位置、飞行速度、识别时间、商船行进速度等因素,设计无人机识别任务及飞行路线方案。
发明内容
本发明提出了重点目标封控中多无人机协同搜索路径规划方法,包括以下步骤:
S10:确定约束条件,并构建无人机识别任务的分派模型;
S20:通过坐标系转化确定无人机与重点目标相遇时间;
S30:重点目标数据预处理;
S40:经聚类得到初始染色体基因信息;
S50:计算相应任务序列的无人机总飞行时间,并计算该染色体对应适应度;
S60:根据各种群中染色体适应度进行遗传、变异和交叉;
S70:判断是否达到遗传代数,未达到则返回S50;
S80:选取种群遗传过程中出现的基因最优良子代,将其对应任务序列作为结果。
进一步的,定义每架无人机完成任务的总飞行时间Tm为决策变量,
定义无人机飞行时间目标函数minTm,代表最忙碌无人机完成重点目标识别所耗费的总时间,
所述S10步骤中约束条件为
在识别任务分派方案中,满足在任何时刻,任何无人机飞行总时长均小于临界时间,记为第一个到达CD线重点目标的航行时间
T(m,i)<Tlimit,m=1,...,N,i=1,...,Ni
其中,T(m,i)表示第m架无人机完成对任务序列中第i个重点目标的识别的飞行总时间;Tlimit为总的限制时间,所述CD线为拦截处置区域边界线;
保证每个重点目标被侦察且仅被侦察一次;
其中
消除无人机飞行路径中子环路的约束;
进一步的,所述S10步骤中无人机识别任务的分派模型为
进一步的,所述S20步骤中通过坐标系转化确定无人机与重点目标相遇时间的步骤包括:
S201:根据重点目标在原始坐标系中的位置,计算平移矩阵
其中,x,y为重点目标在原始坐标系中坐标;
S203:计算坐标系旋转矩阵
S204:计算无人机在新坐标系中的坐标,包括如下步骤:
S2041:平移
S2042:旋转
其中,x0,y0是无人机在初始坐标系中的坐标;
x1,y1是无人机在平移坐标系中的坐标;
x2,y2是无人机在转换后坐标系中的坐标;
S205:设定经过相同的时间tf后,无人机与重点目标在y轴的某一处位置相逢,计算tf:
式中,vH为重点目标航行速度;vd为无人机飞行速度。
进一步的,所述S30步骤中,重点目标数据预处理方法包括基于Kmeans聚类方法将全部待识别重点目标进行初步聚类。
进一步的,所述S60步骤中,在所述根据各种群中染色体适应度进行变异操作中,加入局部搜索,仅向子代染色体添加与父代重点目标距离相近的重点目标。
本发明有益效果是本发明通过坐标系转化建立无人机与商船相遇时间的快速求解方法,采取Kmeans聚类产生初始种群,大幅度提高初始解的可行性,在变异操作中,加入局部搜索,保证变异的多样性,给出最小无人机数量和合理处置方案。
附图说明
图1是本发明中重点目标封控中多无人机协同搜索路径规划方法流程图;
图2是本发明中的港口示意图;
图3是本发明中的转换坐标系示意图;
图4是本发明的聚类预处理效果展示图;
图5是本发明的染色体示意图;
图6是本发明的染色体基因示意图;
图7是本发明的个体间基因单点交叉图;
图8是本发明的结合局部搜索的变异方法示意图;
图9是本发明的不同选择策略效果对比图;
图10是本发明的10架无人机执行识别任务的路径图;
图11是本发明的10架无人机的空闲时间示意图;
图12是本发明的5架无人机执行识别任务的路径图;
图13是本发明的5架无人机执行识别任务的详细飞行轨迹图;
图14是本发明的5架无人机的空闲时间示意图;
图15是本发明的4架无人机执行识别任务的路径图;
图16是本发明的4架无人机详细飞行轨迹图。
符号说明
Tm,所有执行识别任务的无人机完成其任务序列的总飞行时间之和,单位h
T(m,i),第m架无人机完成对任务序列中第i个商船的识别的飞行总时间,单位h
Tlimit,第一艘商船到达CD线的时间,单位h
NT,商船的数目,单位艘
N,执行识别任务的无人机数目,单位个
Nm,第m架无人机执行识别商船的数量,单位艘
VH,商船的航行速度,单位km/h
Vd,无人机飞行速度,单位km/h
tf,无人机追赶商船到相遇的时间间隔,单位h
IN,红方成功拦截Ⅱ类商船的总数目,单位个
具体实施方式
下面将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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书的术语“第一”、“第二”、“第三”、“第四”等(如果存在)或“左”、“右”、“前”、“后”、“顶”、“底”是用于区别类似的对象或便于本发明的结构描述,而不必用于描述特定的顺序或先后次序以及限制本发明的结构技术特征。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例,例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例
本实施例以港口封控任务中无人机对商船的搜索为例,说明本发明公开的重点目标封控中多无人机协同搜索路径规划方法,但本发明还可以应用于其它重点目标封控任务中,如在重点楼房的封控中,无人机对来往车辆的识别和搜索等,本发明对此不作限制。本发明使用无人机作为拦截兵力,但本发明也可以使用其它拦截兵力如飞机,导弹等用于重点目标封控任务,本发明对此不作限制。在港口封控任务中,本实施例作以下假设:
1)假设驶向港口的商船均指向圆心,商船匀速前进,商船之间互不影响;
2)假设无人机起始位置为其识别(拦截)首艘商船的位置;
3)假设其他船只不受突发事件中船只影响,仍按原速度原航向行进;
4)假设双方可以实时测定对方航向与位置;
在如图1所示的港口示意图中,考虑到最基本的时间要求,各商船按均匀速度沿指向港口方向航行,即可计算得到第一艘商船到达CD线的时间,该时间为判断任务是否完成的最关键判据。实际情况中,商船航行速度具有一定的梯度分布,且商船数量较多,需充分考虑多架无人机执行识别任务的分派及路径规划问题,在现实中,希望用最少的无人机数量完成识别任务,须尽可能使无人机的“空闲时间”较少。
重点目标封控中多无人机协同搜索路径规划方法包括以下步骤:
S10:确定约束条件,并构建无人机识别任务的分派模型
1)目标函数和决策变量的确立
评价识别任务的分派方案的标准主要是无人机飞行的时间成本。建立时间函数,缩短无人机完成任务的总体飞行时间,这样一是能够提高无人机执行识别任务的效率;二是分派给每架无人机均匀的任务负载,即执行任务量相当的识别任务;三是可以根据与问题基本要求时间的比较分析适当调配无人机数目。
首先,对全局进行规划,建立无人机识别任务的分派模型。针对每架无人机完成一个任务序列的识别周期,设置其完成任务的总飞行时间Tm为决策变量,进而建立目标函数,使得无人机飞行时间函数取得最优解,目标函数具体形式如下式
min Tm
该值代表最“忙碌”的无人机完成商船识别所耗费的总时间。让这个总时间尽可能的小,代表着通过算法逼迫这架无人机寻找最短路径,也逼迫不同无人机之间负载均衡。
2)时间成本的计算
时间成本分析需要考虑每架无人机执行其相应识别任务的飞行总时间,主要包括无人机识别商船所需的时间以及无人机在完成一艘商船的识别任务后前往任务序列中下一艘商船预判位置处过程中耗费的时间。
由于无人机的续航时间为30小时,而最快到达拦截海域CD线的商船仅需8小时,因此在时间成本计算时并不需要关注无人机的续航时间。同时无人机的机动性能优良,具备120km/h的巡航速度,且可不考虑旋回半径,因此其在飞行过程中进行转向等操作时并不会带来额外的时间成本。假定各无人机的起始位置为其任务序列中第一艘商船的位置,此时不需要考虑其飞往识别首艘商船过程的消耗的时间成本。
综合上面对无人机执行识别任务的时间成本分析,完成所有商船识别的时间成本计算公式如下所示
进而,可求得所有无人机中完成其识别任务所用时间的最小值为
3)约束条件的确立
a)在实际的识别任务分派方案当中,需要满足在任何时刻,任何无人机飞行总时长均小于临界时间,记为第一艘到达CD线商船的航行时间;
T(m,i)<Tlimit,m=1,...,N,i=1,...,Ni
其中,T(m,i)表示第m架无人机完成对任务序列中第i个商船的识别的飞行总时间;Tlimit为总的限制时间;
b)保证每个目标被侦察且仅被侦察一次;
其中
c)消除无人机飞行路径中子环路的约束;
4)无人机识别任务分派模型建立
综上,无人机任务分配模型建立为:
S20:通过坐标系转化确定无人机与重点目标相遇时间
建立模型中的决策变量为无人机完成其任务序列的总飞行时间,包括识别时间和追赶时间。识别时间为无人机跟随商船行进的固定10分钟,而追赶时间为无人机完成一个商船目标到下一个目标的时间,该时间的长短一方面由规划的无人机任务序列所决定,另一方面,与无人机设计的追击路线也有很大关系。启发式算法当中通过随机生成任务序列并分配给各个无人机,无人机的识别路径同时也已经被确定了,由于商船航行方向也是固定的,那么为了提高无人机识别商船的效率,只能通过对无人机到达商船的较优路径进行计算。
首先,为了计算便捷和直观明了,将坐标系转换到下一个识别商船目标上,坐标系y轴与商船航行方向一致,具体坐标系如图3所示。
而无人机此时在原始坐标系中坐标为识别完上一艘商船跟随到达位置处坐标,需要把无人机坐标也转换到现坐标系当中,首先考虑目标商船在原始坐标系中的位置,可计算得到平移矩阵为
其中,x,y为目标商船在原始坐标系中坐标。
进而可计算得到坐标系旋转矩阵
由上面给出的平移和旋转矩阵,可实现无人机在新坐标系中的坐标计算,具体计算过程如下
先平移
再旋转
其中,x0,y0是无人机的在初始坐标系中的坐标;
x1,y1是无人机在平移坐标系中的坐标;
x2,y2是无人机在转换后坐标系中的坐标。
此时,通过上式进行转换得到了无人机的新坐标,由于目标商船此时仍处于航行状态,但在新坐标系当中其沿着y轴航行,因此无人机追赶截到目标商船的预期位置始终在y轴正方向上。因此可设经过相同的时间tf后,无人机与目标商船在y轴的某一处位置相逢,建立方程如下所示
其中φ为无人机预判去往商船预计位置与现有位置间的偏转角度。
通过对上述方程的求解,可得
式中,vH为目标商船航行速度;vd为无人机飞行速度。
由于tf自身的非负性,同时求解上述方程只能得到两个符号相异的结果,因此计算所得的tf即为无人机追赶目标商船所需的最短时间,这对于缩短无人机识别路径,提高无人机的使用效率具有极大的作用。
S30:商船数据预处理
首先对商船轨迹进行分析,由于商船在海域上分散较为开阔且每艘航速也存在很大差异,基于启发式算法的直接求解较为困难,搜索到可行解的可能性也相对较低。因此,首先需要对商船的相关数据进行预处理。基于Kmeans聚类方法,按照商船的初始位置、航速、到达CD线所需时间等信息将全部待识别商船进行初步聚类。经聚类后的商船在到达港口的过程中大体上会在相邻海域内,这对于快速寻找可行解,减少模型计算量具有极大作用,同时能够帮助提高无人机的识别效率。
参照预估的无人机个数,将商船分成相应数量的群体,并将其随机分派到每架无人机,以此作为遗传算法中设定的两条染色体的初始组成。在此基础上,两条染色体上的基因进行交叉、变异、遗传等操作,最终得到该问题的近似最优解。经过对商船数据聚类预处理,可以得到的多个初始个体的染色体基因,聚类预处理效果如图4所示。
通过对商船数据预处理后得到遗传算法的初始种群。由图4不难看出,虽然同样是将数据划分为6类,但是Kmeans聚类结果之间体现出了一定的差异性,为遗传算法提供了初始种群的多样性,这对于之后种群间的交叉以及种群基因的变异带来了更多的可能性,增大了搜索到近似最优可行解的概率。
S40:经聚类得到初始染色体基因信息
经过上述对商船数据的聚类预处理,本发明可以得到遗传算法所需的两条染色体上的基因初始信息,如图5所示。
图5中的上方染色体为无人机数量染色体,采取实整数编码,其内部带编号区域的基因表示该架无人机要识别的商船的数量;下方的染色体代表了商船的识别序列,采取排列编码,其内基因与上方染色体基因相对应,且基因与基因间的识别序列互不交叉重叠,总和表示了所有待识别商船数目;图5中为选取5架无人机执行识别任务时,其在遗传算法中的染色体基因序列。
S50:计算相应任务序列的无人机总飞行时间,并计算该染色体对应适应度
根据S20中的步骤计算出相应任务序列的无人机总飞行时间,并计算该染色体对应适应度。计算该染色体对应适应度的方法与传统遗传算法相同,在此不再赘述。
S60:根据各种群中染色体适应度进行遗传、变异和交叉
将预处理过后数据作为商船识别任务序列存储到下方染色体基因序列中,上下染色体相互对应,即生成了个体的一对初始染色体。本发明通过改进遗传算法,结合局部搜索的思想,定义了遗传中产生的交叉和变异行为,通过交叉和变异操作,一方面加强种群出现新基因的可能性,另一方面,通过精英策略保证优势种群的遗传。
图6展示了染色体上的基因序列,一条染色体上由多个基因组成,由一个个断点隔开。当中基因表示了商船的任务序列,而与之相对应的是无人机编号,在遗传过程中个体之间的基因通过随机交叉行为从而产生新的基因,具体交叉方式如图7所示。
本发明采用单点交叉方式实现个体间基因的交叉行为,对于不同个体的相同编号的无人机,为其分派的任务序列长度也会有所差异,即基因的长度不同。当两个个体进行交叉,通过比较两个基因的内部任务序列,通过交换序列中单个任务编号实现不同个体的单点交叉,如图7所示的两个基因经交叉后变成两个新的任务序列。
在群体基因进行遗传的过程当中,变异是产生或好或坏的新基因的另一主要途径,在大多数遗传算法当中多采用随机变异的方式定义变异,通过设定一个固定的变异概率,在每一代向下遗传的过程中种群中的个体基因以此概率发生突变,即增加了基因的多样性,避免了不能出现更优良基因的事件。但是在本问题当中,本发明首先通过对商船数据进行聚类预处理,得到了位置相近的商船分类,采用传统的随机变异虽然也增加了基因的多样性,为求解得到问题的近似最优解提供了新的可能,但实际上由于基因产生变异的随机性造成了更多不必要的不合理解。为了改善此种变异带来的后果,基于此目的,本发明结合局部搜索方法来定义基因变异的方法。
找到遗传染色体中长度最短的基因序列(即最“空闲”的无人机识别序列),对其序列中的每一个商船编号50km范围内的非本基因的商船进行局部搜索,将找寻到的商船编号统一放入到一个后备集当中,随后随机选取其中的3个添加到该最短基因序列,此种变异方式为增添式变异方法,如图8所示。基于该种变异方法,一方面不会将距离任务序列较远的商船加进来,使得新产生的基因变得极坏;另一方面,通过这种增添式变异方法,可以使每个无人机的任务序列长度较为均衡,不会出现有无人机较为“空闲”的变异基因。
如果说交叉和变异分别是在种群个体间和个体染色体内部产生新的基因,那么遗传就是保证涌现出的新的优良基因能够保持下去的重要途径。传统的轮盘赌选择方式,将基因视作相互独立的,按照其适应度的比值决定基因遗传下去的概率。而遗传算法中的基因,并不一定真实地反映了待求解问题的本质,因此各个基因之间未必就相互独立,如果只是简单地进行杂交,很可能把较好的组合给破坏了,这样就没有达到累积较好基因的目的,反而把原本很好的基因给破坏了。为了防止当前群体的最优个体在下一代发生丢失,导致遗传算法不能收敛到全局最优解,本发明采用“精英选择”策略,其内涵是把群体在进化过程中迄今出现的最好个体(称为精英个体,是种群进化到当前为止遗传算法搜索到的适应度值最高的个体,它具有最好的基因结构和优良特性)不进行配对交叉而直接复制到下一代中,这种选择操作因此又称为复制。
精英保留策略可以避免最优个体因为杂交操作而被破坏,而具有精英保留的标准遗传算法已经被证明是全局收敛的。因此,在对无人机识别任务分派问题进行求解的过程中,本发明分别进行了基于精英保留策略、排序法和随机选择策略的尝试,具体结果参见图9,通过对比其收敛效果可以发现采取精英选择策略的遗传方法能够使后代种群整体较快趋向本发明设定的自然条件,满足筛选出较优基因。
通过计算每代种群经遗传、变异及交叉等行为后的种群基因适应度,适应度由无人机执行完其对应任务序列的总飞行时间规定,将时间约束减去无人机完成任务序列的总飞行时间的数值作为其适应度,对于某些不合理的识别任务分派,会得到小于0的适应度,即会随着遗传过程在子代中被淘汰。因此,种群会筛选出表现较快完成识别任务的基因,在基于精英保留策略的遗传规则下,优良的基因会一直被自然所选择,随着数代的遗传整个群体均表现出较好的适应“自然”的能力。该种适应度准则的实际意义是令每架无人机尽可能高效地完成其识别任务,通过判断子代表现出的适应度数值来判断是否给定无人机架次仍具备余力,以此作为增减无人机数量的依据。
S70:判断是否达到遗传代数,未达到则返回S50
S80:选取种群遗传过程中出现的基因最优良子代,将其对应任务序列作为结果。
下面对本发明提供的重点目标封控任务中多无人机协同搜索路径规划方法通过实验验证。
首先,本发明假定需要10架无人机才能完成全部商船的识别任务,此时通过建立的上述求解模型得到了如图10所示的结果。
由图10不难看出,10架无人机识别商船的飞行路径较为密集,在距离CD线较远位置就已经完成了对所有商船的的识别任务。每架无人机的“空闲”时间,即临界约束时间减去无人机的总飞行时间如图11所示。
由图11可知采用10架无人机对所有商船进行识别是对无人机资源的浪费,多数无人机处于极为空闲的状态,因此可以减少无人机数量,探求所需的最少无人机数量。基于二分法的思想,本发明又对5架无人机完成识别任务的任务分派模型进行了求解,计算结果如图12所示。
与10架无人机执行任务情况进行对比,可以发现明显五架无人机的识别路径更加靠近CD线,这是由于其工作的效力减少导致的正常效率降低,同时对其路径的要求也更为严苛,不能产生随意的飞行轨迹。其每架无人机的具体路径展示如图13所示:
图13中给出了5架无人机执行识别任务的详细飞行轨迹,图中编号处为无人机与商船的初始相遇点,Start处标点商船为无人机任务序列中第一艘商船的初始位置,蓝色实线部分表示与目标商船相遇并对随其进行识别侦察的飞行轨迹,红色虚线部分为其到达任务序列中下一艘船的路径,最后End处标点商船即表示无人机完成其识别任务序列的最终商船行进位置。
下列编码代表了商船的具体编号,其具体飞行路径如下:
Uav1:3→2→21→33→10→24→18→36→20→11→13→26→42;
Uav2:43→51→66→52→22→32→38→54→67→64→77→78→48→57→63;
Uav3:62→79→46→37→56→53→49→50→58→55→83→74→72→71→80→70→84;
Uav4:14→17→15→9→1→4→8→5→7→6→31→34→35→16→28→23→12→19→30→25;
Uav5:45→40→27→29→47→68→41→69→73→75→39→60→59→44→61→76→65→81→82。
虽然本发明完成了对该问题的求解,但实际上该可行解仅经过几代迭代就已经得到,因此该解并不是该问题的近似最优解,这一点从其杂乱的飞行轨迹即可看出。同时,该解的“空闲”时间如图14所示,仍展现出了极大的进步空间。
为了探究该问题所需的最少无人机个数,本发明求解了3架无人机执行识别任务的情况,但是经过长时间运算求解,仍然未能得到满足要求的可行解。因此本发明判断4架无人机有较大可能为该模型求得的最少无人机个数,通过对此问题的求解,本发明得到了采用4架无人机完成识别任务的可行解,验证了最初的判断,具体计算结果展示见图15。
4架无人机执行识别任务的详细路径如图16所示:
4架无人机具体飞行路径如下:
Uav1:43→78→58→55→49→53→50→56→62→46→37→41→69→79→80→83→70→71→84;
Uav2:10→18→36→2→13→11→20→26→32→42→22→38→52→48→51→66→54→57→63→67→77→64;
Uav3:25→40→60→27→29→68→47→39→75→76→59→45→44→61→65→81→82→73→74→72;
Uav4:14→17→15→30→19→12→9→1→4→5→7→6→8→23→28→16→31→35→34→33→24→21→3。
比较4架和5架无人机执行识别任务可行解的飞行路径,不难发现4架的飞行轨迹更具有规律性,虽然由于无人机数量的减少导致每架执行任务的无人机飞行路径更长,但却并未出现之前更多架数无人机路径中的绕环路径现象,经过求解本发明得到每架无人机的“空闲”时间均为较小值,因此认为3架无人机不具备识别全部商船的能力,这与本发明之前无法求解3架无人机的识别任务分派问题相吻合。综上所述,本发明认为4架无人机是完成识别商船任务的最少无人机数量,具体飞行路径由上面展示结果给出。
综上,按照上述方法对无人机识别任务分派问题进行求解,在这里本发明先按照悲观地估计,可能需要多达10架无人机才能够完成对所有商船的识别任务。模型计算结果表明如若利用10架无人机去识别商船,可以在几代之内很快地求得任务分派的可行解,同时其最优基因表明每架无人机均有较高的空闲时间,说明采用10架无人机浪费了其许多识别能力。因此,本发明又采取5架无人机进行求解,发现同样在很短的计算时间内得到了较优的可行解,而其剩余空闲时间总和为9小时以上,而整个问题的时间约束仅不到8.5小时,表明可能低于5架无人机也能够完成目标任务。接下来本发明对3架无人机的情况进行求解,但是经过漫长的计算时间仍未能发现满足任务要求的可行解,所以本发明判断问题一的近似最优解有较大可能为四架无人机,并通过计算验证了该判断的正确性。
综上,本发明的有益效果是通过坐标系转化建立无人机与商船相遇时间的快速求解方法,采取Kmeans聚类产生初始种群,大幅度提高初始解的可行性,在变异操作中,加入局部搜索,保证变异的多样性,给出最小无人机数量和合理处置方案。
以上仅是本发明的优选实施例,并非对本发明作任何形式上的限制。虽然本发明已以优选实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围的情况下,都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (5)
1.重点目标封控中多无人机协同搜索路径规划方法,其特征在于,
所述方法包括以下步骤:
S10:确定约束条件,并构建无人机识别任务的分派模型;
S20:通过坐标系转化确定无人机与重点目标相遇时间;
S30:重点目标数据预处理;
S40:经聚类得到初始染色体基因信息;
S50:计算相应任务序列的无人机总飞行时间,并计算该染色体对应适应度;
S60:根据各种群中染色体适应度进行遗传、变异和交叉;
S70:判断是否达到遗传代数,未达到则返回S50;
S80:选取种群遗传过程中出现的基因最优良子代,将其对应任务序列作为结果;
其中,定义每架无人机完成任务的总飞行时间Tm为决策变量,
定义无人机飞行时间目标函数minTm,代表最忙碌无人机完成重点目标识别所耗费的总时间,
所述S10步骤中约束条件为
在识别任务分派方案中,满足在任何时刻,任何无人机飞行总时长均小于临界时间,记为第一个到达CD线重点目标的航行时间
T(m,i)<Tlimit,m=1,...,N,i=1,...,Ni
其中,T(m,i)表示第m架无人机完成对任务序列中第i个重点目标的识别的飞行总时间;Tlimit为总的限制时间,所述CD线为拦截处置区域边界线;
保证每个重点目标被侦察且仅被侦察一次;
其中
消除无人机飞行路径中子环路的约束:
3.根据权利要求1所述的重点目标封控中多无人机协同搜索路径规划方法,其特征在于,所述S20步骤中通过坐标系转化确定无人机与重点目标相遇时间的步骤包括:
S201:根据重点目标在原始坐标系中的位置,计算平移矩阵
其中,x,y为重点目标在原始坐标系中坐标;
S203:计算坐标系旋转矩阵
S204:计算无人机在新坐标系中的坐标,包括如下步骤:
S2041:平移
S2042:旋转
其中,x0,y0是无人机在初始坐标系中的坐标;
x1,y1是无人机在平移坐标系中的坐标;
x2,y2是无人机在转换后坐标系中的坐标;
S205:设定经过相同的时间tf后,无人机与重点目标在y轴的某一处位置相逢,计算tf:
式中,vH为重点目标航行速度;vd为无人机飞行速度。
4.根据权利要求1所述的重点目标封控中多无人机协同搜索路径规划方法,其特征在于,所述S30步骤中,所述重点目标数据预处理方法包括基于Kmeans聚类方法将全部待识别重点目标进行初步聚类。
5.根据权利要求1所述的重点目标封控中多无人机协同搜索路径规划方法,其特征在于,所述S60步骤中,在所述根据各种群中染色体适应度进行变异操作中,加入局部搜索,仅向子代染色体添加与父代重点目标距离相近的重点目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300092.5A CN113050688B (zh) | 2021-03-22 | 2021-03-22 | 重点目标封控中多无人机协同搜索路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300092.5A CN113050688B (zh) | 2021-03-22 | 2021-03-22 | 重点目标封控中多无人机协同搜索路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113050688A CN113050688A (zh) | 2021-06-29 |
CN113050688B true CN113050688B (zh) | 2022-03-29 |
Family
ID=76513971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300092.5A Active CN113050688B (zh) | 2021-03-22 | 2021-03-22 | 重点目标封控中多无人机协同搜索路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113050688B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762593B (zh) * | 2021-07-23 | 2023-06-09 | 合肥工业大学 | 地震灾后无人机应急物资配送方法和装置 |
CN114510072B (zh) * | 2022-01-18 | 2022-12-06 | 香港理工大学深圳研究院 | 基于进化迁移优化的多无人机路径规划方法、终端及介质 |
CN114596729B (zh) * | 2022-02-22 | 2023-04-07 | 中国人民解放军国防科技大学 | 港口区封锁控制商船的方法和控制设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169608A (zh) * | 2017-05-27 | 2017-09-15 | 合肥工业大学 | 多无人机执行多任务的分配方法及装置 |
CN109242290A (zh) * | 2018-08-28 | 2019-01-18 | 北京航空航天大学 | 一种无人机群行动方案自动生成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766254A (zh) * | 2018-07-27 | 2020-02-07 | 深圳市白麓嵩天科技有限责任公司 | 一种基于改进遗传算法的多无人机协同任务分配方法 |
CN112525195B (zh) * | 2020-11-20 | 2022-03-01 | 中国人民解放军国防科技大学 | 基于多目标遗传算法的飞行器航迹快速规划方法 |
-
2021
- 2021-03-22 CN CN202110300092.5A patent/CN113050688B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169608A (zh) * | 2017-05-27 | 2017-09-15 | 合肥工业大学 | 多无人机执行多任务的分配方法及装置 |
CN109242290A (zh) * | 2018-08-28 | 2019-01-18 | 北京航空航天大学 | 一种无人机群行动方案自动生成方法 |
Non-Patent Citations (1)
Title |
---|
基于灰狼算法的多无人作战飞机协同航迹规划研究;周楚涵;《第九届中国航空学会青年科技论坛》;20201130;正文第1044-1047页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113050688A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113050688B (zh) | 重点目标封控中多无人机协同搜索路径规划方法 | |
Dulebenets | An adaptive island evolutionary algorithm for the berth scheduling problem | |
CN112580261A (zh) | 一种多船避碰决策方法及装置 | |
CN109597920B (zh) | 一种基于实时ais的船舶目标黑白名单维护方法 | |
CN112866902B (zh) | 一种动态危险船载环境自适应应急导航方法 | |
CN113093733B (zh) | 一种无人艇集群对海打击方法 | |
CN111121784A (zh) | 一种无人侦察机航路规划方法 | |
CN112819255A (zh) | 基于粒子群-遗传算法的多准则船舶航线确定方法、装置、计算机设备及可存储介质 | |
CN115167404A (zh) | 一种基于迁移强化学习的海上自主水面船舶避碰决策方法 | |
Tao et al. | A bi-objective optimization for integrated truck operation and storage allocation considering traffic congestion in container terminals | |
Pratap et al. | The robust quay crane allocation for a discrete bulk material handling port | |
Tan et al. | Criteria and rule based obstacle avoidance for USVs | |
CN116255986A (zh) | 一种基于决策者偏好的多无人机协同侦察航迹规划方法 | |
Xia et al. | Research on safety and efficiency warranted vessel scheduling in unidirectional multi-junction waterways of port waters | |
CN114840029A (zh) | 一种考虑无人机机动性约束的跳跃网格搜索方法 | |
Pang et al. | Marine Rescue Target Assignment Method Based on Multi-String Chromosome Genetic | |
CN116452306B (zh) | 一种面向智能化作战任务的招投标分发方法 | |
Fu et al. | Method for collision avoidance by USV based on improved genetic algorithm | |
Zhao et al. | A novel strategy for stowage planning of 40 feet containers in container terminals | |
CN114596729B (zh) | 港口区封锁控制商船的方法和控制设备 | |
Artana et al. | IMPLEMENTATION OF INTELLIGENT CONTROL FOR OPTIMIZATION OF FLEET PLACEMENT TNI-AL SHIPS USING GENETIC ALGORITHM | |
Arango et al. | Genetic algorithm for the dynamic berth allocation problem in real time | |
Nishimura | Path location problem for the marine container terminal with arbitrary configuration | |
CN117474297B (zh) | 一种面向自动化码头的船舶泊位和岸桥分配的优化方法 | |
Gracia | A methodological framework to allocate storage space for outbound containers |
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 |