CN113359849B - 一种针对运动目标的多无人机协同快速搜索方法 - Google Patents

Abstract

本发明公开的一种针对运动目标的多无人机协同快速搜索方法，属于无人机协同搜索目标领域。本发明实现方法为：建立重点任务区域模型，将运动目标搜索缩减为对重点任务区域的搜索；以缩短无人机的搜索任务时长，降低无人机消耗为优化目标，建立基于动态耦合旅行商的无人机协同运动目标搜索模型，将运动目标搜索问题转化为无人机任务分配和航迹规划问题；针对该模型，定制双层求解架构，分解为任务分配层和路径规划层；将无人机的任务次序和搜索路径解耦，提高求解效率；任务分配规划层采用无人机任务分配优化算法进行求解，路径规划层采用路径搜索算法进行求解；通过任务分配层和路径规划层解耦迭代求解，输出每个无人机对应的任务序列和搜索路径。

Description

一种针对运动目标的多无人机协同快速搜索方法

技术领域

本发明涉及一种针对运动目标的多无人机协同快速搜索方法，属于无人机协同搜索目标 领域。

背景技术

运动目标搜索是多无人机协同搜索的主要应用对象之一，广泛应用于侦查搜救检测等领 域。然而由于目标的运动特性和先验信息误差，导致多无人机协同运动目标难以在有限的时 间发现任务区域内的运动目标。因此需要设计更加高效的无人机协同运动目标搜索方法来缩 短任务搜索任务时长，提升任务效率。

现有多无人机协同运动目标搜索主要分为遍历搜索和迭代搜索两种。遍历搜索通常将对 任务区域进行遍历搜索或者将任务区域分解成子任务区域再进行遍历搜索，这种方法存在任 务时长难以接受和目标发现概率难以保证等问题，尤其是对于运动目标和任务区域较大的情 况，极容易造成目标的逃逸。因此，它仅适用于目标的运动速度极低以及任务区域较小等情 况。而迭代搜索主要基于目标概率地图和信息素等机制，依据先验信息建立信息图，对任务 区域进行迭代搜索的同时，对概率地图和信息素进行实时更新，进一步依据更新之后的信息 图对任务区域进一步搜索。这种方式虽然能够引入任务的先验信息，对区域进行重复搜索， 但是缺乏对重点区域的引导，无人机容易陷入局部搜索，多次迭代后才能找到目标存在概率 较大的区域。对于动目标搜索问题，现有方法存在不足。

发明内容

针对现有运动目标搜索方法中任务时间长，搜索效率低等问题，本发明的目的是提供一 种针对运动目标的多无人机协同快速搜索方法，能够实现对运动目标的多无人机协同快速搜 索，以降低搜索任务时长，提高目标发现效率。

本发明的目的是通过下述技术方案实现的：

本发明公开的一种针对运动目标的多无人机协同快速搜索方法，建立重点任务区域模型， 将运动目标搜索缩减为对重点任务区域的搜索；以缩短无人机的搜索任务时长，降低无人机 消耗为优化目标，建立基于动态耦合旅行商的无人机协同运动目标搜索模型，将运动目标搜 索问题转化为无人机任务分配和航迹规划问题；针对该模型，定制双层求解架构，分解为任 务分配层和路径规划层；将无人机的任务次序和搜索路径解耦，提高求解效率；任务分配规 划层采用无人机任务分配优化算法进行求解，路径规划层采用路径搜索算法进行求解；通过 任务分配层和路径规划层解耦迭代求解，输出每个无人机对应的任务序列和搜索路径。

本发明公开的一种针对运动目标的多无人机协同快速搜索方法，包括以下步骤：

步骤一：初始化搜索任务区域参数、无人机和目标信息。

所述的任务区域参数包括任务区域长度L、宽度W、离散网格大小以及目标存在概率阈 值比例系数δ_p；

所述无人机信息包括各个无人机的初始位置，航向角以及转弯半径，无人机所携带的传 感器的探测范围；

所述目标信息包括各个运动目标的初始位置、运动速度以及运动方向、目标先验信息误 差σ₀、表征目标随机运动的维纳随机系数σ_e。

步骤二：针对三种运动目标类型，根据目标运动信息计算实时动态的概率地图，并根据 实时动态概率地图，建立动态变化的重点任务区域模型，将运动目标搜索缩减为对重点任务 区域的搜索，减少搜索任务时长。

所述三种运动目标类型为：类型一：目标初始位置已知，但目标的运动速度大小和方向 未知；类型二：目标的速度大小已知，方向未知；类型三：目标运动速度大小和方向都已知。

针对三种运动目标类型，根据目标运动信息计算实时动态的概率地图，并根据实时动态 概率地图，建立动态变化重点任务区域模型的实现方式如下：

对于初始位置已知，速度的大小和方向都未知的目标类型一，采用式(1)计算目标在任务 区域内的概率密度；

式中f(x,y,Δt)表示经过Δt时间内目标在位置(x,y)处的目标概率密度；(x₀,y₀)表示目标的初 始位置，初始任务时刻为0。

对于初始位置和速度的大小已知，速度方向未知的目标类型二，采用式(2)计算目标在任 务区域内的概率密度；

式中f(x,y,Δt)表示经过Δt时间内目标在位置(x,y)处的目标概率密度；(x₀,y₀)表示目标的初 始位置。

对于初始位置、速度大小和方向都已知的目标类型三，采用式(3)计算目标在任务区域内 的概率密度；

式中f(x,y,Δt)表示经过Δt时间内目标在位置(x,y)处的目标概率密度；(x₀,y₀)表示目标的初始 位置。

根据各个目标对应的运动目标类型分别选用上述三种类型对应的概率密度函数计算公 式，计算概率密度，并根据式(4)计算得到所有网格的目标存在概率，构成目标概率地图 TPM＝{p(i,j)|i＝1,2,...,L_x；j＝1,2,...,L_y}。

其中：i,j分别表示第i和第j个网格，L_x,L_y分别表示网格的长度和宽度。

所述重点任务区域为任务区域中所有目标存在概率大于阈值p_δ的网格集合，阈值p_δ由 式(5)给出：

p_δ＝(1-δ_p)p_max (5)

式中，δ_p为目标存在概率阈值比例系数；p_max为任务区域中目标存在概率最大值。

根据目标运动信息，结合式(1)至式(5)，计算得到目标存在概率大于阈值p_δ的网格集合， 即实现构建重点任务区域模型。

步骤三：以缩短无人机的搜索任务时长，降低无人机消耗为优化目标，建立基于动态耦 合旅行商的无人机协同运动目标搜索模型，将运动目标搜索问题转化为无人机任务分配和航 迹规划问题。所述动态耦合旅行商的无人机协同运动目标搜索模型中无人机的任务次序和搜 索路径耦合严重。

为了缩短无人机的搜索任务时长，降低无人机消耗，以最小化搜索任务时长和无人机消 耗为优化目标，建立如式(6)所示动态耦合旅行商模型。

式中：v_i,L_i分别为第i架无人机的速度和航程，Ω_i,Ω_j,T分别表示第i和第j架无人机的任务 序列以及所有任务序列集合；N表示无人机的数量。其中无人机的模型采用Dubins模型如下 式(7)；

式中：(x,y,γ)为无人机的状态量；(x,y)为无人机的位置；γ为无人机的航向角；无人机速度 v为常值；l为无人机法向加速度。

第i架无人机的航程L_i需要根据其完成搜索任务的航迹计算得到。为了获得无人机的搜索 航迹，进一步建立无人机的搜索路径优化模型，无人机的搜索航程由式(8)给出：

其中p_ik为第i架无人机的第k个重点任务区域的搜索起始点，而该重点区域的所有搜索起始 点集合为P_entry＝{P_entry1,P_entry2,...,P_entry8}。

步骤四：针对步骤三建立的动态耦合旅行商的无人机协同运动目标搜索模型，定制双层 求解架构，将动态耦合旅行商的无人机协同运动目标搜索模型的求解分为任务分配层和路径 规划层，任务分配层为路径规划层提供重点任务区域的搜索次序，路径规划层的求解结果作 为任务分配层的评价指标。将无人机的任务次序和搜索路径解耦，提高对上述模型的求解效 率。其中任务分配规划层采用无人机任务分配优化算法进行求解，路径规划层采用路径搜索 算法进行求解。通过任务分配层和路径规划层解耦迭代求解，输出每个无人机对应的任务序 列和搜索路径。

为了提高求解效率和优化结果的最优性，作为优选，任务分配规划层采用基于反向学习 和精英策略的遗传算法求解，基于反向学习和精英策略的遗传算法求解无人机重点任务区域 分配次序实现方法如下：

遗传算法步骤4.1：初始化种群中重点任务区域搜索次序和切割位置。采用双染色体编码， 第一条染色体表示步骤二所建立的重点任务区域搜索次序，第二条染色体表示对第一条染色 体的切割位置，随机生成重点任务区域次序和切割位置，用第二条染色体切割第一条染色体 获得各个无人机的搜索任务序列。

遗传算法步骤4.2：计算重点任务区域搜索次序的反向个体。采用式(9)计算当前种群中所 有个体的反向个体，即得到重点任务区域搜索次序个体的反向搜索次序。

其中z_i,

分别是第i个个体及其反向个体；a,b分别是重点任务区域数量的最大值和最小值。

遗传算法步骤4.3：计算所有个体的搜索路径长度，将搜索路径长度作为个体的适应度值。 求解每个无人机对自身任务序列的搜索路径，获得每个无人机对应的搜索路径长度。

遗传算法步骤4.4：基于精英策略和轮盘赌进行个体选择操作。将个体按照无人机搜索路 径长度进行从小到大进行排序，无人机搜索路径长度最小的个体直接保存到下一代种群中， 从剩下所有个体中采用轮盘赌策略选择产生子代个体。

遗传算法步骤4.5：交叉遗传操作。对于利用轮盘赌策略选择产生的子代个体，重点任务 区域序列染色体采用部分交叉操作产生子代染色体，切割位点染色体采用随机重生策略产生 子代染色体。

遗传算法步骤4.6：变异遗传操作。采用重点任务区域序列染色体上随机选择两个位置进 行变异，改变该位置上的重点任务区域编号，获得新的重点任务区域序列。

遗传算法步骤4.7：判断算法是否收敛。若满足收敛条件，则获得重点任务区域的最优分 配次序，并依据路径规划层求解获得各个无人机的搜索航迹。否则转至遗传算法步骤4.3。

为了进一步减少搜索路径规划的求解维度，作为优选，路径规划层采用基于滚动时域优 化的深度优先搜索算法进行求解。基于滚动时域优化的深度优先搜索算法求解搜索路径具体 实现方法如下：

路径规划步骤4.1：初始化滚动优化窗口内重点任务区域数量N_p和无人机搜索初始位置。

路径规划步骤4.2：在滚动优化窗口内，求解无人机从起始位置开始，依次对滚动优化窗 口内N_p个重点任务区域进行深度优先遍历搜索，获得滚动优化窗口内N_p个任务区域的最优 搜索航迹，并计算滚动优化优化窗口内无人机的搜索航程。

路径规划步骤4.3：滚动优化窗口向前移动。将上一优化窗口内最优搜索航迹的最后一个 航迹点作为搜索起始位置，滚动优化窗口向前推移，在当前滚动优化窗口内，基于深度优先 搜索算法求解无人机的搜索航迹。

路径规划步骤4.4：判断是否全部完成了对所分配重点任务区域序列的搜索航迹规划。若 是，则算法结束，转至下一步；否则转至步骤路径规划4.2。

路径规划步骤4.5：依次累加各个滚动优化优化窗口内无人机的搜索路径长度，获得该重 点任务序列的搜索路径长度，并且获得无人机对该任务序列的搜索航迹路径。

步骤五：根据双层求解架构所求解得到的每个无人机对应的任务序列和搜索路径，将运 动目标搜索缩减为对重点任务区域的搜索，减少搜索任务时长，提高搜索效率，即实现对运 动目标的多无人机协同快速搜索。

有益效果：

1.本发明公开的一种针对运动目标的多无人机协同快速搜索方法，通过实时动态的概率 地图，建立动态变化的重点任务区域，将运动目标搜索缩减为对重点任务区域的搜索，减少 搜索任务时长；进一步建立基于动态耦合旅行商的无人机协同运动目标搜索模型，将运动目 标搜索问题转化为多无人机协同任务分配和航迹规划问题，进一步缩短无人机对运动目标的 搜索时长，提高运动目标的搜索效率。

2.本发明公开的一种针对运动目标的多无人机协同快速方法，针对基于动态耦合旅行商 的无人机协同运动目标搜索模型，定制双层求解架构，将该问题分解为任务分配层和路径规 划层，在任务分配层采用基于反向学习和精英策略的遗传算法优化各个无人机的重点任务区 域分配结果，在路径规划层采用基于滚动时域优化的深度优先搜索算法求解无人机的搜索航 迹，将无人机的任务次序和搜索路径解耦，提高对基于动态耦合旅行商的无人机协同运动目 标搜索模型的求解效率。

3.本发明公开的一种针对运动目标的多无人机协同快速方法，针对深度优化搜索算法遍 历所有可行的搜索路径，优化变量维度高，计算量巨大，耗时较长等问题，引入滚动优化机 制，仅在滚动优化窗口内利用深度优先搜索算法求解最优航迹，在无人机任务次序和搜索路 径解耦的基础上，进一步降低优化问题的维度，提升求解效率。

附图说明

图1为本发明公开的一种针对运动目标的多无人机协同快速方法的流程图；

图2为基于反向学习精英策略的遗传算法任务分配流程图；

图3为基于滚动时域优化的深度优先搜索算法航迹规划流程图；

图4为重点任务区域搜索示意图；

图5为针对运动目标的搜索航迹规划结果图。

具体实施方式

为了更好地说明本发明的目的和优点，下面结合附图和仿真案例对本发明内容作进一步 说明。

实施例1：

任务区域为100km×100km，任务区域内存在12个目标，目标的初始位置随机生成，4 架无人机执行搜索任务。仿真环境为装载MATLAB2019b的台式电脑，配置为Windows10，Intel(R)Core(TM)CPU i7-7500 2.93GHz，运行16GB。

为了验证本发明公开的一种针对运动目标的多无人机协同快速方法的可行性与有益效 果，下面在案例中对本发明的技术方案进行清楚、详细地描述，该方法的流程图如图1所示。 本实例公开的一种针对运动目标的多无人机协同快速方法，具体实现步骤如下：

步骤一:初始化搜索任务区域参数、无人机和目标信息；

所述的任务区域参数包括任务区域长度L＝100、宽度W＝100、离散网格大小100×100以 及目标存在概率阈值比例系数δ_p＝0.8；

所述无人机参数包括各个无人机的初始位置及航向角如表1所示，转弯半径均为2km， 无人机所携带的传感器的探测范围为3km；

表1无人机初始信息

所述目标信息包括各个运动目标的初始位置、运动速度以及运动方向如表2所示、目标先验 信息误差σ₀＝2、表征目标随机运动的维纳随机系数σ_e＝1。

表2目标信息

步骤二：针对三种运动目标类型，根据目标运动信息计算实时动态的概率地图，并根据 实时动态概率地图，建立动态变化的重点任务区域模型，对重点任务区域搜索示意图如图4 所示，将运动目标搜索缩减为对重点任务区域的搜索，减少搜索任务时长。

针对三种运动目标类型：类型一：目标初始位置已知，但目标的运动速度大小和方向未 知；类型二：目标的速度大小已知，方向未知；类型三：目标运动速度大小和方向都已知。 针对上述三种运动目标类型，根据目标运动信息计算实时动态的概率地图，并根据实时动态 概率地图，建立动态变化重点任务区域模型的实现方式如下：

对于初始位置已知，速度的大小和方向都未知的目标类型一，采用式(10)计算目标在任 务区域内的概率密度；

式中f(x,y,Δt)表示经过Δt时间内目标在位置(x,y)处的目标概率密度；(x₀,y₀)表示目标的初 始位置，初始任务时刻为0。

对于初始位置和速度的大小已知，速度方向未知的目标类型二，采用式(11)计算目标在任 务区域内的概率密度；

式中f(x,y,Δt)表示经过Δt时间内目标在位置(x,y)处的目标概率密度；(x₀,y₀)表示目标的初 始位置。

对于初始位置、速度大小和方向都已知的目标类型三，采用式(12)计算目标在任务区域 内的概率密度；

式中f(x,y,Δt)表示经过Δt时间内目标在位置(x,y)处的目标概率密度；(x₀,y₀)表示目标的初始 位置。

根据各个目标对应的运动目标类型分别选用上述三种类型对应的概率密度函数计算公 式，计算概率密度，并根据式(13)计算得到所有网格的目标存在概率，构成目标概率地图 TPM＝{p(i,j)|i＝1,2,...,L_x；j＝1,2,...,L_y}。

其中：i,j分别表示第i和第j个网格，L_x,L_y分别表示网格的长度和宽度。

所述重点任务区域为任务区域中所有目标存在概率大于阈值p_δ的网格集合，阈值p_δ由 式(14)给出：

p_δ＝(1-δ_p)p_max (14)

式中，δ_p为目标存在概率阈值比例系数；p_max为任务区域中目标存在概率最大值。

根据目标运动信息，结合式(10)-式(14)，计算得到目标存在概率大于阈值p_δ的网格集 合，即实现构建重点任务区域模型。

步骤三：以缩短无人机的搜索任务时长，降低无人机消耗为优化目标，建立基于动态耦 合旅行商的无人机协同运动目标搜索模型，将运动目标搜索问题转化为无人机任务分配和航 迹规划问题。所述动态耦合旅行商的无人机协同运动目标搜索模型中无人机的任务次序和搜 索路径耦合严重。

为了缩短无人机的搜索任务时长，降低无人机消耗，以最小化搜索任务时长和无人机消 耗为优化目标，建立如式(15)所示动态耦合旅行商模型。

式中：v_i,L_i分别为第i架无人机的速度和航程，Ω_i,Ω_j,T分别表示第i和第j架无人机的任务 序列以及所有任务序列集合；N表示无人机的数量。其中无人机的模型采用Dubins模型如下 式(16)；

式中：(x,y,γ)为无人机的状态量；(x,y)为无人机的位置；γ为无人机的航向角；无人机速度 v为常值；l为无人机法向加速度。

第i架无人机的航程L_i需要根据其完成搜索任务的航迹计算得到。为了获得无人机的搜索 航迹，进一步建立无人机的搜索路径优化模型，无人机的搜索航程由式(17)给出：

其中p_ik为第i架无人机的第k个重点任务区域的搜索起始点，而该重点区域的所有搜索起始 点集合为P_entry＝{P_entry1,P_entry2,...,P_entry8}。

步骤四：针对步骤三建立的动态耦合旅行商的无人机协同运动目标搜索模型，定制双层 求解架构，将动态耦合旅行商的无人机协同运动目标搜索模型的求解分为任务分配层和路径 规划层，任务分配层为路径规划层提供重点任务区域的搜索次序，路径规划层的求解结果作 为任务分配层的评价指标。将无人机的任务次序和搜索路径解耦，提高对上述模型的求解效 率。其中任务分配规划层采用无人机任务分配优化算法进行求解，路径规划层采用路径搜索 算法进行求解。通过任务分配层和路径规划层解耦迭代求解，输出每个无人机对应的任务序 列和搜索路径。

为了提高求解效率和优化结果的最优性，任务分配规划层采用基于反向学习和精英策略 的遗传算法求解，其求解流程图如图2所示。基于反向学习和精英策略的遗传算法求解无人机 重点任务区域分配次序实现方法如下：

遗传算法步骤4.1：初始化种群中重点任务区域搜索次序和切割位置。采用双染色体编码， 第一条染色体表示步骤二所建立的重点任务区域搜索次序，第二条染色体表示对第一条染色 体的切割位置，随机生成重点任务区域次序和切割位置，用第二条染色体切割第一条染色体 获得各个无人机的搜索任务序列。

遗传算法步骤4.2：计算重点任务区域搜索次序的反向个体。采用式(18)计算当前种群中 所有个体的反向个体，即得到重点任务区域搜索次序个体的反向搜索次序。

其中z_i,

分别是第i个个体及其反向个体；a,b分别是重点任务区域数量的最大值和最小值。

遗传算法步骤4.3：计算所有个体的搜索路径长度，将搜索路径长度作为个体的适应度值。 求解每个无人机对自身任务序列的搜索路径，获得每个无人机对应的搜索路径长度。

遗传算法步骤4.4：基于精英策略和轮盘赌进行个体选择操作。将个体按照无人机搜索路 径长度进行从小到大进行排序，无人机搜索路径长度最小的个体直接保存到下一代种群中， 从剩下所有个体中采用轮盘赌策略选择产生子代个体。

遗传算法步骤4.5：交叉遗传操作。对于利用轮盘赌策略选择产生的子代个体，重点任务 区域序列染色体采用部分交叉操作产生子代染色体，切割位点染色体采用随机重生策略产生 子代染色体。

遗传算法步骤4.6：变异遗传操作。采用重点任务区域序列染色体上随机选择两个位置进 行变异，改变该位置上的重点任务区域编号，获得新的重点任务区域序列。

遗传算法步骤4.7：判断算法是否收敛。若满足收敛条件，则获得重点任务区域的最优分 配次序，并依据路径规划层求解获得各个无人机的搜索航迹。否则转至遗传算法步骤4.3。

为了进一步减少搜索路径规划的求解维度，路径规划层采用基于滚动时域优化的深度优 先搜索算法进行求解，其求解流程图如图3所示。基于滚动时域优化的深度优先搜索算法求解 搜索路径具体实现方法如下：

路径规划步骤4.1：初始化滚动优化窗口内重点任务区域数量N_p和无人机搜索初始位置。

路径规划步骤4.2：在滚动优化窗口内，求解无人机从起始位置开始，依次对滚动优化窗 口内N_p个重点任务区域进行深度优先遍历搜索，获得滚动优化窗口内N_p个任务区域的最优 搜索航迹，并计算滚动优化优化窗口内无人机的搜索航程。

路径规划步骤4.3：滚动优化窗口向前移动。将上一优化窗口内最优搜索航迹的最后一个 航迹点作为搜索起始位置，滚动优化窗口向前推移，在当前滚动优化窗口内，基于深度优先 搜索算法求解无人机的搜索航迹。

路径规划步骤4.4：判断是否全部完成了对所分配重点任务区域序列的搜索航迹规划。若 是，则算法结束，转至下一步；否则转至步骤路径规划4.2。

路径规划步骤4.5：依次累加各个滚动优化优化窗口内无人机的搜索路径长度，获得该重 点任务序列的搜索路径长度，并且获得无人机对该任务序列的搜索航迹路径。

步骤五：根据双层求解架构所求解得到的每个无人机对应的任务序列和搜索路径，将运 动目标搜索缩减为对重点任务区域的搜索，减少搜索任务时长，提高搜索效率，即实现对运 动目标的多无人机协同快速搜索。

基于本实施例公开的一种针对运动目标的多无人机协同快速方法的搜索航迹结果如图5 所示。结果表明，本发明能够探测发现任务区域内的所有运动目标，提高了目标发现效率； 同时无人机仅对重点任务区域进行搜索，显著降低了搜索任务时长和无人机消耗。本发明能 够实现快速对任务区域内的运动目标进行搜索；通过定制双层求解架构，将动目标搜索问题 转化为任务分配和航迹规划问题，在任务分配层采用基于反向学习和精英策略的遗传算法进 行求解各个无人机的任务次序，在路径规划层采用基于滚动时域优化的深度优先搜索算法求 解无人机的搜索路径，进一步优化无人机的搜索航迹，实现无人机之间的高效协同。

以上的具体描述，是对发明的目的、技术方案和有益效果的进一步详细说明，所应理解 的是，以上所述仅为本发明的具体实施实例，仅用于解释本发明，并不用于限定本发明的保 护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在 本发明的保护范围之内。

Claims (3)

1.一种针对运动目标的多无人机协同快速搜索方法，其特征在于：包括以下步骤，

步骤一：初始化搜索任务区域参数、无人机和目标信息；

所述的任务区域参数包括任务区域长度L、宽度W、离散网格大小以及目标存在概率阈值比例系数δ_p；

无人机信息包括各个无人机的初始位置，航向角以及转弯半径，无人机所携带的传感器的探测范围；

所述目标信息包括各个运动目标的初始位置、运动速度以及运动方向、目标先验信息误差σ₀、表征目标随机运动的维纳随机系数σ_e；

步骤二：针对三种运动目标类型，根据目标运动信息计算实时动态的概率地图，并根据实时动态概率地图，建立动态变化的重点任务区域模型，将运动目标搜索缩减为对重点任务区域的搜索，减少搜索任务时长；

所述三种运动目标类型为：类型一：目标初始位置已知，但目标的运动速度大小和方向未知；类型二：目标的速度大小已知，方向未知；类型三：目标运动速度大小和方向都已知；

步骤三：以缩短无人机的搜索任务时长，降低无人机消耗为优化目标，建立基于动态耦合旅行商的无人机协同运动目标搜索模型，将运动目标搜索问题转化为无人机任务分配和航迹规划问题；所述动态耦合旅行商的无人机协同运动目标搜索模型中无人机的任务次序和搜索路径耦合严重；

步骤四：针对步骤三建立的动态耦合旅行商的无人机协同运动目标搜索模型，定制双层求解架构，将动态耦合旅行商的无人机协同运动目标搜索模型的求解分为任务分配层和路径规划层，任务分配层为路径规划层提供重点任务区域的搜索次序，路径规划层的求解结果作为任务分配层的评价指标；将无人机的任务次序和搜索路径解耦，提高对上述模型的求解效率；其中任务分配规划层采用无人机任务分配优化算法进行求解，路径规划层采用路径搜索算法进行求解；通过任务分配层和路径规划层解耦迭代求解，输出每个无人机对应的任务序列和搜索路径；

步骤五：根据双层求解架构所求解得到的每个无人机对应的任务序列和搜索路径，将运动目标搜索缩减为对重点任务区域的搜索，减少搜索任务时长，提高搜索效率，即实现对运动目标的多无人机协同快速搜索；

针对三种运动目标类型，根据目标运动信息计算实时动态的概率地图，并根据实时动态概率地图，建立动态变化重点任务区域模型的实现方式如下，

对于初始位置已知，速度的大小和方向都未知的目标类型一，采用式计算目标在任务区域内的概率密度；

式中f(x,y,Δt)表示经过Δt时间内目标在位置(x,y)处的目标概率密度；(x₀,y₀)表示目标的初始位置，初始任务时刻为0；

对于初始位置和速度的大小已知，速度方向未知的目标类型二，采用式计算目标在任务区域内的概率密度；

式中f(x,y,Δt)表示经过Δt时间内目标在位置(x,y)处的目标概率密度；(x₀,y₀)表示目标的初始位置；

对于初始位置、速度大小和方向都已知的目标类型三，采用式计算目标在任务区域内的概率密度；

式中f(x,y,Δt)表示经过Δt时间内目标在位置(x,y)处的目标概率密度；(x₀,y₀)表示目标的初始位置；

根据各个目标对应的运动目标类型分别选用上述三种类型对应的概率密度函数计算公式，计算概率密度，并根据式计算得到所有网格的目标存在概率，构成目标概率地图TPM＝{p(i,j)|i＝1,2,...,L_x；j＝1,2,...,L_y}；

其中：i,j分别表示第i和第j个网格，L_x,L_y分别表示网格的长度和宽度；

所述重点任务区域为任务区域中所有目标存在概率大于阈值p_δ的网格集合，阈值p_δ由式给出：

p_δ＝(1-δ_p)p_max (5)

式中，δ_p为目标存在概率阈值比例系数；p_max为任务区域中目标存在概率最大值；

根据目标运动信息，结合式(1)至式(5)，计算得到目标存在概率大于阈值p_δ的网格集合，即实现构建重点任务区域模型；

步骤三实现方法为，

为了缩短无人机的搜索任务时长，降低无人机消耗，以最小化搜索任务时长和无人机消耗为优化目标，建立如式所示动态耦合旅行商模型；

式中：v_i,L_i分别为第i架无人机的速度和航程，Ω_i,Ω_j,T分别表示第i和第j架无人机的任务序列以及所有任务序列集合；N表示无人机的数量；其中无人机的模型采用Dubins模型如下式；

式中：(x,y,γ)为无人机的状态量；(x,y)为无人机的位置；γ为无人机的航向角；无人机速度v为常值；l为无人机法向加速度；

第i架无人机的航程L_i需要根据其完成搜索任务的航迹计算得到；为了获得无人机的搜索航迹，进一步建立无人机的搜索路径优化模型，无人机的搜索航程由式给出：

其中p_ik为第i架无人机的第k个重点任务区域的搜索起始点，而重点区域的所有搜索起始点集合为P_entry＝{P_entry1,P_entry2,...,P_entry8}。

2.如权利要求1所述的一种针对运动目标的多无人机协同快速搜索方法，其特征在于：为了提高求解效率和优化结果的最优性，任务分配规划层采用基于反向学习和精英策略的遗传算法求解，基于反向学习和精英策略的遗传算法求解无人机重点任务区域分配次序实现方法如下，

遗传算法步骤4.1：初始化种群中重点任务区域搜索次序和切割位置；采用双染色体编码，第一条染色体表示步骤二所建立的重点任务区域搜索次序，第二条染色体表示对第一条染色体的切割位置，随机生成重点任务区域次序和切割位置，用第二条染色体切割第一条染色体获得各个无人机的搜索任务序列；

遗传算法步骤4.2：计算重点任务区域搜索次序的反向个体；采用式计算当前种群中所有个体的反向个体，即得到重点任务区域搜索次序个体的反向搜索次序；

其中z_i,

分别是第i个个体及其反向个体；a,b分别是重点任务区域数量的最大值和最小值；

遗传算法步骤4.3：计算所有个体的搜索路径长度，将搜索路径长度作为个体的适应度值；求解每个无人机对自身任务序列的搜索路径，获得每个无人机对应的搜索路径长度；

遗传算法步骤4.4：基于精英策略和轮盘赌进行个体选择操作；将个体按照无人机搜索路径长度进行从小到大进行排序，无人机搜索路径长度最小的个体直接保存到下一代种群中，从剩下所有个体中采用轮盘赌策略选择产生子代个体；

遗传算法步骤4.5：交叉遗传操作；对于利用轮盘赌策略选择产生的子代个体，重点任务区域序列染色体采用部分交叉操作产生子代染色体，切割位点染色体采用随机重生策略产生子代染色体；

遗传算法步骤4.6：变异遗传操作；采用重点任务区域序列染色体上随机选择两个位置进行变异，改变该位置上的重点任务区域编号，获得新的重点任务区域序列；

遗传算法步骤4.7：判断算法是否收敛；若满足收敛条件，则获得重点任务区域的最优分配次序，并依据路径规划层求解获得各个无人机的搜索航迹；否则转至遗传算法步骤4.3。

3.如权利要求2所述的一种针对运动目标的多无人机协同快速搜索方法，其特征在于：为了进一步减少搜索路径规划的求解维度，路径规划层采用基于滚动时域优化的深度优先搜索算法进行求解；基于滚动时域优化的深度优先搜索算法求解搜索路径具体实现方法如下：

路径规划步骤4.1：初始化滚动优化窗口内重点任务区域数量N_p和无人机搜索初始位置；

路径规划步骤4.2：在滚动优化窗口内，求解无人机从起始位置开始，依次对滚动优化窗口内N_p个重点任务区域进行深度优先遍历搜索，获得滚动优化窗口内N_p个任务区域的最优搜索航迹，并计算滚动优化优化窗口内无人机的搜索航程；

路径规划步骤4.3：滚动优化窗口向前移动；将上一优化窗口内最优搜索航迹的最后一个航迹点作为搜索起始位置，滚动优化窗口向前推移，在当前滚动优化窗口内，基于深度优先搜索算法求解无人机的搜索航迹；

路径规划步骤4.4：判断是否全部完成了对所分配重点任务区域序列的搜索航迹规划；若是，则算法结束，转至下一步；否则转至步骤路径规划4.2；

路径规划步骤4.5：依次累加各个滚动优化优化窗口内无人机的搜索路径长度，获得该重点任务序列的搜索路径长度，并且获得无人机对该任务序列的搜索航迹路径。

Images