CN113504798A - 一种仿生物群体协商行为的无人机集群协同目标搜索方法 - Google Patents
一种仿生物群体协商行为的无人机集群协同目标搜索方法 Download PDFInfo
- Publication number
- CN113504798A CN113504798A CN202110738984.3A CN202110738984A CN113504798A CN 113504798 A CN113504798 A CN 113504798A CN 202110738984 A CN202110738984 A CN 202110738984A CN 113504798 A CN113504798 A CN 113504798A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- cluster
- pheromone
- search
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000006399 behavior Effects 0.000 title claims abstract description 37
- 230000009471 action Effects 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 29
- 230000019637 foraging behavior Effects 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 239000003016 pheromone Substances 0.000 claims description 81
- 241000257303 Hymenoptera Species 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 23
- 230000003993 interaction Effects 0.000 claims description 16
- 230000002431 foraging effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims description 2
- 239000011664 nicotinic acid Substances 0.000 claims 2
- 230000001149 cognitive effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 9
- 230000008447 perception Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000272201 Columbiformes Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G05D1/12—Target-seeking control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种仿生物群体协商行为的无人机集群协同目标搜索方法,属于无人机自主控制领域。包括:步骤一:蚁群觅食行为特性分析与寻优机制;步骤二:蚁群协商行为机制建模;步骤三:蚁群协商机制与无人机协同目标搜索场景映射;步骤四:设计无人机协同搜索动作的模型;步骤五:构建无人机收益函数和集群搜索性能函数;步骤六:无人机集群协同搜索动作求解。本发明方法有效地提高无人机集群自组织控制能力;在既保证单个无人机收益的同时,尽可能保证整个无人机集群在搜索过程的收益最大化,提高搜索效率。
Description
技术领域
本发明涉及一种仿生物群体协商行为的无人机集群协同目标搜索方法,属于无人机自主控制领域。
背景技术
随着无人机的自主能力和智能化水平不断提高,其控制方式逐步由单一的遥控、程控方式向人机协同交互控制,甚至完全自主控制方向发展。同时,其任务空域从执行情报、监视与侦察任务的安全性空域向干扰、打击等对抗性空域发展。考虑到单架无人机任务载荷相对单一、执行任务能力有限,需要多架无人机的能力互补和行动协调,以提升整个系统的作战效能。
在面向目标搜索、伤员搜索等搜索任务需求时,无人机集群协同搜索任务场景中的应用受到了国内外学者的广泛关注。然而,不同的搜索任务的环境差异很大,使得搜索任务流程差别较大。其次,搜索的目标类型多样,运动特性也不尽相同,包括:静止目标、移动目标以及故意躲闪和具有攻击无人机能力的目标等。无人机搜索区域一般较大,因此对无人机搜索覆盖率和搜索时效性提出了更高的要求。除了搜索任务和环境本身的难度外,无人机自身也存在一些问题,如:负载受限、探测精度不高、通信距离限制等都会对无人机搜索任务造成直接影响。总之,无人机集群协同搜索问题仍然有很多困难和技术难题亟待解决,需要更为行之有效的方法和策略作为支撑。
从无人机集群协同控制方法的角度来看无人机集群协同搜索问题,分为集中式协同控制和分布式协同控制两类。比如:通过设计合理的代价函数,将无人机协同搜索任务规划问题转化为优化问题,并利用蚁群算法、粒子群算法、鸽群优化等智能优化方法进行集中式处理,得到所有无人机的最优路径。虽然该方法可以在一定程度上得到全局最优解,然而这类方法存在适应性差、实时性低等不足。相较于集中式协同控制方法,分布式协同控制方法具有高可靠性、低计算负荷等优势。通常需要建立包括:任务环境模型、传感器模型、动态通信拓扑模型、协同搜索-攻击模型等模型,并在此基础上利用诸如:滚动时域控制、马尔科夫链决策等分布式决策方法的目标搜索控制。
考虑到生物群集系统所具有的自主性、智能性、鲁棒性以及与无人机集群系统之间的相似关系。人们试图通过对鸟群、鱼群、蜂群等群体如何形成协调一致运动和决策的内在机理的研究,解决无人机集群的协调决策和控制中的关键问题和技术瓶颈。在自然界中,生物群集中的个体仅遵循简单的行为规则和环境与邻近同伴间的信息交互,便能自适应调节自身的行为状态和行为模式。虽然个体智能有限、行为能力有限,在群集内在的行为机理和决策机制的驱动下,整个群体由局部到全局可涌现出复杂的智能行为,完成诸如迁徙、栖息、觅食、筑巢、御敌等复杂的团队活动,使群体呈现出协调、有序的自组织状态。因此,作为一门交叉性强的前沿性学科,生物群集行为机制和机理的研究吸引了来自生物学、物理学、计算机图形学、数学、系统工程等多个学科领域的专家学者共同探索研究,试图解开群集动物交互、决策,并逐步演化生成协调有序的集体运动奥秘。
蚁群协商机制是模拟自然界中蚂蚁觅食的过程中通过信息素传递交流信息寻找蚁巢与食物源之间的最短路径的原理。即蚂蚁在觅食过程中,会在其经过的轨迹上留下信息素,而且能确定该物质的存在强度,以此指导自己的运动方向,在多种选择间作出判断。蚂蚁倾向于信息素浓度高的轨迹运动,在同等的时间里,有同等概率(相同的数量)的蚂蚁情况下,较短轨迹上的蚂蚁花更少的时间就能来回,则较短路径上的信息素量就遗留下的多,逐渐的选择较短轨迹运动的蚂蚁也越来越多,基本上所有蚂蚁都沿它们发现的最短路径运动了。
本发明拟在研究蚁群觅食行为特征与内部机理的基础上,提出并实现一种仿生物群体协商行为的无人机集群分布式协同任务自组织方法,用于解决无人机协同目标搜索问题。
发明内容
本发明通过对蚁群觅食行为的研究,提出了一种仿生物群体协商行为的无人机集群协同目标搜索方法,以解决多无人机协同目标搜索问题,在想定的任务场景下,充分发挥无人机生存力强、造价低廉、自主灵活、稳健可靠等优势,实现对未知空间位置的目标的快速搜索,有效提高无人机集群自组织控制能力,主要步骤如下:
步骤一:蚁群觅食行为特性分析与寻优机制
作为蚁群蚁觅食行为仿真的关键点之一,在信息素设计需作出如下基本假设:
(1)蚂蚁利用信息素实现与个体和环境的通信,即:每只蚂蚁仅根据其周围的局部环境产生影响;
(2)蚂蚁对环境的感知由其自身行为决定,即:蚂蚁个体能够自适应调节自身行为适应环境变化;
(3)蚁群的觅食的分布式特性,即:每个个体仅根据对环境的感知做出独立决策。
因此,将蚁群觅食过程分为两个基本阶段:适应阶段与协作阶段。在适应阶段,蚂蚁个体根据积累的信息不断调整自身行为。即:路径上经过的蚂蚁越多,信息量越大,则该路径越容易被选择。在协作阶段,可选路径之间通过信息交互,期望产生更优的路径。通过局部交互进行个体决策,最终使得整个群体从宏观上涌现出自组织性、协作性、稳定性以及对环境的适应性,这与无人集群局部交互和分布式决策相匹配。
步骤二:蚁群协商行为机制建模
在步骤一分析的基础上,充分借鉴自然界中蚁群智能的自组织性、协调性、强鲁棒性等特点,实现对蚁群协商行为机制的建模。类比于无人机仅在局部感知能力下,通过同其他无人机和环境的交互实现复杂的行为模式,在群体层面涌现出智能。
S21、基于并行策略的蚁群结构模型
通过构建蚁群信息素场直观体现出蚂蚁在觅食过程的局部交互特征。因此,基于该局部交互行为特征的分布式蚁群交互结构模型,如图2所示,不考虑蚂蚁个体之间的差异性,每个个体单元分配一个独立的计算节点;同时将该个体单元与无人机建立对应关系,通过数据链路构成分布式通信结构。
开始搜索时,蚂蚁个体可感知自身范围内邻居个体的位置,因此个体状态和邻居关系可以描述为:
其中,Sj(t)代表邻居个体的位置和信息素分布情况,γj(t)表示邻居的信息素值,AS={1,2,...,Nu}表示蚁群集合,Nu表示蚁群规模。
在利用蚁群协商行为解决无人机集群协同目标搜索问题时,将蚂蚁觅食过程对应于无人机对任务区域执行目标搜索。因此,蚁群规模应与无人机的规模相同。此外,需要注意的是如果在任务搜索空间中存在障碍物,障碍物所占据的位置的信息素值始终为0。
在分布式蚁群协同搜索机制中,蚂蚁个体具有和无人机平台一样的感知、通信和自我更新的能力,同时受到平台性能和空间避碰的约束,环境信息素结构与蚂蚁个体相对应。由于采用无中心节点的分布式体系结构,所以整个群体中不存在全局信息素结构,不同区域的信息素浓度反应了该区域对个体的吸引程度,影响个体行为的决策和判断。根据自身的运动状态信息、获取的任务区域相关信息以及接受的来自其他蚂蚁个体的信息对自身维护的本地环境信息素进行更新。
第i个蚂蚁个体t时刻的信息素结构表达为:
S22、面向搜索任务的信息素更新模型
S221、避免重复搜索的信息素更新
为避免其他蚂蚁对同一个区域的重复搜索,提高搜索效率,蚂蚁走过的区域遗留的信息素信息随着时间的推移衰减。这部分信息素更新时,充分考虑当前蚂蚁个体与其所掌握的交互的邻居蚂蚁的信息素分布状况,因此,信息素更新方式如下:
其中,表示t+1时刻第i个蚂蚁在网格坐标(x,y)处的信息素浓度值,Δγ(x,y)(t)表示在网格坐标(x,y)的信息素浓度减小值,表示t时刻第j个蚂蚁对当前网格的确定度,α∈(0,1)为衰减率,Rd为探测半径,||·||表示t时刻第j个蚂蚁到网格坐标(x,y)的距离。
S222、环境不确定性的信息素更新
在蚁群进行搜索之前,对环境一无所知,此时环境的不确定度为零。随着时间的推移,蚂蚁对经过的区域的环境的食物存在状况有所认识和了解。因此,用环境不确定度来表征蚁群对环境的认知程度,也可以表征未搜索过区域。因此各个网格内的信息素浓度是一个逐渐增加的过程,其更新方式如下:
其中,c∈(0,1)表示环境不确定度因子,其值越大说明动态性越强。同时随时间的推移环境信息素浓度越大,对蚂蚁的吸引力越强。
S23、有限距离的信息交互机制模型
信息素又可以分为强化信息素和抑制信息素,即:在召集行为中,个体将食物源的信息积极传递给邻居个体,引导个体根据食物源质量择优选择跟随个体的数量,并且食物源质量越高,引导跟随个体的概率越高。然而,随着召集的跟随个体的数量的增加,蚁群对该食物源的觅食的趋向性趋于饱和。此时将会对参与觅食的个体数量加以约束,避免资源的浪费。因此,在网格坐标(x,y)处t+1时刻的信息素浓度表示为强化信息素与抑制信息素的叠加:
步骤三:蚁群协商机制与无人机协同目标搜索场景映射
将无人机集群类比为蚁群,即:在蚁群中,每个个体与其他蚂蚁之间通过信息素进行信息交互与任务协作,这样能产生合适的本地动作以达到整体的全局协同的结果。从蚁群协商机制到无人机集群协同搜索过程的映射如下表1。
蚁群协商机制 | 多无人机协同搜索定位过程 |
蚂蚁个体 | 单架无人机 |
食物源 | 任务区域的目标 |
从蚁巢到食物源的路径 | 任务区域可飞路径 |
食物搬运 | 对目标的任务行为 |
蚂蚁感知区域 | 无人机探测范围 |
蚂蚁间感知信息素 | 无人机间信息交互 |
蚂蚁感知环境 | 无人机间接通信协调机制 |
表1
需要说明的是,信息素作为中间媒介直接释放到环境中,间接影响蚁群中的其他个体。在这个过程中体现出蚁群个体之间的协商和间接协调通信的作用,从而通过信息素浓度来影响其他个体的行为决策。而无人机集群协同目标搜索任务由于没有实际存在的信息素这一物理媒介,因此抽象为蚁群信息素场,即:每个无人机个体都拥有自己的信息素场,物理层面上表现为内存空间中存储的状态信息。通过无人机之间的拓扑结构和局部通信对蚁群的信息素场进行信息交换,从而实现从局部到全局的协同,在整个协同的过程中体现出群体内成员的协商决策过程。
因此,Nu个无人机对未知的任务区域进行搜索,无人机集合记作V={v1,v2,...,vNu}。每架无人机各自进行决策以实现对任务区域的搜索。任务区域被均匀地划分为单元格的形式,每个单元格的中心点用无人机集群集合g=(x,y)表示。在执行任务过程中,每架无人机单独对其传感器覆盖范围内的区域进行探测,其感知范围为:
Ci={g|||g-si||≤Rd} (7)
其中,Rd表示无人机的探测半径(与步骤二中的含义相一致),si表示无人机i的位置。为了简化问题,如果网格的中心点位置在无人机的感知范围内,则认为该网格能够被完全探测到。
此外,任务场景中的目标数量为NT,其水平位置表示为(xT,yT)。将无人机构成的网络图标记为该网络节点集合和边集合,分别表示为:
V={v1,v2,...,vNu}
E={(vi,vj)|||si-sj||≤Rc} (8)
其中,si,sj表示无人机i和无人机j的位置,Rc表示无人机的通信半径,因此,无人机vi的邻居集合表示为Ni={vj∈V|(vi,vj)∈E}。
步骤四:设计无人机协同搜索动作的模型
将任务区域进行网格化处理,方便表示每个网格中信息素的浓度值和目标的存在状况。同时,无人机在执行搜索任务过程中的性能与其所处的位置相关。因此,需要对参与协同搜索任务的无人机的动作集合进行设计,该步骤可简化无人机的动力学模型为有限的动作集合。
步骤五:构建无人机收益函数和集群搜索性能函数
结合步骤四设计的无人机协同搜索动作结合可知,整个集群的可选动作集合表示为{Ai,i=1,2,...,Nu},因此,在任意时刻无人机集群联合可选动作集合表示为:
为了方便表示,将除i无人机之外的无人机集群的动作集合表示为:
a-i=(a1,...,ai-1,...,aNu) (10)
因此,a=(ai,a-i)对应的动作效用函数表示为Ui(a)=Ui(ai,a-i)。
在搜索过程中,由于机载传感器信号衰减的作用,传感器性能往往随着探测距离||g-si||逐渐衰减,故采用f(||g-si||)表示传感器的衰减作用。因此,进一步将无人机i动作收益函数展开为:
其中,η(g)表示目标的存在概率函数,该函数值与通过蚁群信息素获取的信息素值相对应。由此可知,无人机i动作收益函数等价于该无人机加入集群后使得整个无人机集群的收益增加值。
整个无人机集群搜索性能函数用表示Φ(a)=Φ(ai,a-i),进一步将其展开为:
由公式(11)和公式(13)可知,对于任意i=1,2,...,Nu,a′i∈Ai,a-i∈A-i,满足:Ui(a′i,a-i)-Ui(ai,a-i)=Φ(a′i,a-i)-Φ(ai,a-i)。也就是说,无人机i可以通过提高其收益值Ui(a)来增加集群的搜索效能Φ(a)。
步骤六:无人机集群协同搜索动作求解
利用二分对数-线性学习算法对无人机集群协同搜索动作进行求解。在求解过程中,任意时刻以相同的概率随机挑选一架无人机vi∈V改变其位置。在实际应用的过程中,对无人机随机选择过程可以通过异步时间模型来实现。假设除无人机vi之外,剩余的无人机在当前时刻保持前一时刻的动作,则有a-i(t)=a-i(t-1)。
当无人机vi选择完尝试动作a′i之后,将根据如下策略更新其在下一时刻t的动作,即:
其中,P(ai(t)=ai(t-1)),P(ai(t)=a′i)分别表示无人机选择前一时刻ai(t-1)和尝试动作a′i的概率。Ui(a(t-1)),Ui(a′i,a-i(t-1))分别表示当前的收益以及其采用尝试动作的期望收益。κ表示调节噪声大小,可用该参数表征无人机选择次优动作的可能性,并且当时κ→0,无人机几乎以概率值为1选择当前的最佳应对动作。
此外,无人机的动作选择概率与无人机集群的搜索性能函数之间满足:
本发明一种仿生物群体协商行为的无人机集群协同目标搜索方法,其优点及功效在于:1)通过借鉴自然界中蚁群自组织性、协调性好、鲁棒性强等特点,使得无人机仅仅在局部感知能力下,通过同其他无人机协商和环境的相互作用实现无人机行为的控制,同时有效地提高无人机集群自组织控制能力。2)将无人机协同搜索动作与无人机收益函数和集群搜索性能函数结合,利用二分对数-线性学习算法生成无人机的优化动作,在既保证单个无人机收益的同时,尽可能保证整个无人机集群在搜索过程的收益最大化,提高搜索效率。
附图说明
图1蚁群觅食路径选择示意图
图2分布式蚁群交互结构模型
图3无人机协同搜索动作示意图
图4无人机集群协同目标搜索流程图
图5无人机协同目标搜索初始状态
图6无人机协同目标搜索最终状态
x——全局坐标系x轴
y——全局坐标系y轴
Nx——沿全局坐标系x轴方向划分网格数
Ny——沿全局坐标系y轴划方向划分网格数
Lx——x轴方向划分网格的长度
Ly——y轴划方向划分网格的长度
具体实施方式
下面通过一个具体的无人机集群协同定位实例来验证本发明所提出的方法的有效性。实验计算机配置为Intel Core i7-7700HQ处理器,2.8Ghz主频,8G内存,软件为MATLAB 2018a版本。仿生物群体协商行为的无人机集群协同目标搜索方法具体实现过程如图4所示。在任务场景中考虑障碍物的存在情况,障碍物的4条边界的拐点坐标分别为:边界1-(50,15),(50,21),(75,21),(75,65),(81,65),(81,15);边界2-(15,15),(21,15),(21,65),(15,65);边界3-(35,65),(55,65),(55,59),(35,59),边界4-(35,45),(55,45),(55,39),(35,39)。
步骤一:蚁群觅食行为特性分析与寻优机制
作为蚁群蚁觅食行为仿真的关键点之一,在信息素设计时作出如下基本假设:
(1)蚂蚁利用信息素实现与个体和环境的通信,即:每只蚂蚁仅根据其周围的局部环境产生影响;
(2)蚂蚁对环境的感知由其自身行为决定,即:蚂蚁个体能够自适应调节自身行为适应环境变化;
(3)蚁群的觅食的分布式特性,即:每个个体仅根据对环境的感知做出独立决策。
因此,将蚁群觅食过程分为两个基本阶段:适应阶段与协作阶段。在适应阶段,蚂蚁个体根据积累的信息不断调整自身行为。即:路径上经过的蚂蚁越多,信息量越大,则该路径越容易被选择。在协作阶段,可选路径之间通过信息交互,期望产生更优的路径。通过局部交互进行个体决策,最终使得整个群体从宏观上涌现出自组织性、协作性、稳定性以及对环境的适应性,这与无人集群局部交互和分布式决策向匹配。
步骤二:蚁群协商行为机制建模
在步骤一的基础上,通过借鉴自然界中蚁群智能的自组织性、协调性、强鲁棒性等特点,实现在局部感知能力下的蚁群协商行为机制建模。
S21、基于并行策略的蚁群结构模型
根据蚂蚁在觅食行为特征构建基于并行策略的自组织交互结构模型,个体状态和邻居关系如公式(1)所示。令蚂蚁的数量Nu=10,初始水平位置(x(0),y(0))为(5,7),(10,7),(15,7),(20,7),(25,7),(5,12),(10,12),(15,12),(20,12),(25,12)。第i个蚂蚁个体t时刻的信息素结构如公式(2)所示,其中x=1,2,...,100,y=1,2,...,80。
S22、面向搜索任务的信息素更新模型
S221、避免多次重复搜索的信息素更新
在蚁群进行搜索之前,对环境一无所知,此时环境的不确定度为零。随着时间的推移,蚂蚁对经过的区域的环境的食物存在状况有所认识和了解。对蚁群搜索过的区域进行信息素更新,令确定系数α=0.5,探测半径Rd=10,利用公式(3)对信息素进行更新。
S222、环境不确定性的信息素更新
在环境不确定性随时间推移带来的信息素更新机制下,可使得蚂蚁在搜索范围尽可能地覆盖整个任务区域。令环境不确定度因子c=0.5,随着时间的推移,各个网格内的信息素浓度进一步增加,其更新方式如公式(4)所示。
S23、有限距离的信息交互机制模型
在网格坐标(x,y)处t+1时刻的信息素浓度表示为强化信息素与抑制信息素的叠加如公式(5)-(6)所示。
步骤三:蚁群协商机制与无人机协同目标搜索场景映射
从蚁群协商机制到无人机集群协同搜索过程的映射如前文所述的表1,不同于蚂蚁二维平面的运动,假设Nu=10架无人机在30的高度飞行,每架无人机单独对其传感器覆盖范围内地区域进行探测(如公式(7)所示),无人机的探测半径Rd与步骤二中的含义相一致,无人机的通信半径Rc=40。此外,在任务场景中,令目标数量为NT=5,其水平位置表示为(xT,yT)分为(30,50),(40,20),(60,30),(70,70),(90,40)。
步骤四:设计无人机协同搜索动作的模型
由于将任务区域进行网格化处理来表示每个网格中信息素的浓度值和目标的存在状况。同时,无人机在执行搜索任务过程中的性能与其所处的位置相关,因此,需要对参与协同搜索任务的无人机的动作集合进行设计,该步骤可简化无人机的动力学模型为有限的动作集合。
设无人机vi∈V的动作集合用表示Ai,即:同时,无人机的动作选择为ai∈Ai。因此,整个无人机集群所选择的动作集合表示为由于无人机在t时刻的备选位置由其在t-1时刻的位置决定,所有其可选动作集合是在(t-1)时刻所选择的动作的函数,记作并且
如图3所示,在网格化的任务空间中,五角星表示目标位置,黑色圆圈表示障碍物,黑色三角形表示无人机,无人机的可选动作集合用箭头表示,虚线表示无人机的探测范围。
步骤五:构建无人机收益函数和集群搜索性能函数
结合步骤四设计的无人机协同搜索动作结合可知,整个集群的可选动作集合表示为{Ai,i=1,2,...,Nu},因此,在任意时刻无人机集群联合可选动作集合如公式(9)所示。在搜索过程中,由于机载传感器信号衰减的作用,传感器性能往往随着探测距离||g-si||逐渐衰减,故采用f(||g-si||)表示传感器的衰减作用。因此,将无人机i动作收益函数如公式(11)所示。整个无人机集群搜索性能函数用如公式(13)所示。
步骤六:无人机集群协同搜索动作求解
Claims (3)
1.一种仿生物群体协商行为的无人机集群协同目标搜索方法,其特征在于:
步骤一:蚁群觅食行为特性分析与寻优机制,得出蚂蚁觅食过程分为两个基本阶段:适应阶段与协作阶段;在适应阶段,蚂蚁个体根据积累的信息不断调整自身行为;在协作阶段,可选路径之间通过信息交互,期望产生更优的路径;这与无人集群局部交互和分布式决策相匹配;
步骤二:蚁群协商行为机制建模,具体包括:
S21、基于并行策略的蚁群结构模型;
S22、面向搜索任务的信息素更新模型;
步骤三:蚁群协商机制与无人机协同目标搜索场景映射;
步骤四:设计无人机协同搜索动作的模型,无人机在执行搜索任务过程中的性能与其所处的位置相关,该步骤可简化无人机的动力学模型为有限的动作集合;
步骤五:构建无人机收益函数和集群搜索性能函数,利用传感器的衰减强度和无人机可选动作集构建无人机的收益函数;同时,从无人机的收益与集群搜索性能相一致出发,构建集群搜索性能函数;
步骤六:无人机集群协同搜索动作求解,利用二分对数-线性学习算法对无人机集群协同搜索动作进行求解。
2.根据权利要求1所述的仿生物群体协商行为的无人机集群协同目标搜索方法,其特征在于:所述S22面向搜索任务的信息素更新模型,具体过程如下:
S221、避免重复搜索的信息素更新
为避免其他蚂蚁对同一个区域的重复搜索,提高搜索效率,蚂蚁走过的区域遗留的信息素信息随着时间的推移应适当的衰减;这部分信息素更新时,充分考虑当前蚂蚁个体与其所掌握的交互的邻居蚂蚁的信息素分布状况,因此,信息素更新方式如下:
其中,表示t+1时刻第i个蚂蚁在网格坐标(x,y)处的信息素浓度值,△γ(x,y)(t)表示在网格坐标(x,y)的信息素浓度减小值,表示t时刻第j个蚂蚁对当前网格的确定度,α∈(0,1)为衰减率,Rd为探测半径,||·||表示t时刻第j个蚂蚁到网格坐标(x,y)的距离;
S222、环境不确定性的信息素更新
采用环境的不确定度用来表征蚁群对环境的认知程度,也可以表征蚁群还有哪些区域未搜索过;因此各个网格内的信息素浓度是一个逐渐增加的过程,其更新方式如下:
其中,c∈(0,1)表示环境不确定度因子,其值越大说明动态性越强;
S23、有限距离的信息交互机制模型
信息素又可以分为强化信息素和抑制信息素,在网格坐标(x,y)处t+1时刻的信息素浓度表示为强化信息素与抑制信息素的叠加:
3.根据权利要求1所述的仿生物群体协商行为的无人机集群协同目标搜索方法,其特征在于:步骤五所述的构建无人机收益函数和集群搜索性能函数,具体过程如下:
结合步骤四设计的无人机协同搜索动作结合可知,整个集群的可选动作集合表示为{Ai,i=1,2,...,Nu},因此,在任意时刻无人机集群联合可选动作集合表示为:
为了方便表示,将除i无人机之外的无人机集群的动作集合表示为:
因此,a=(ai,a-i)对应的动作效用函数表示为Ui(a)=Ui(ai,a-i);
在搜索过程中,由于机载传感器信号衰减的作用,传感器性能往往随着探测距离||g-si||逐渐衰减,故采用f(||g-si||)表示传感器的衰减作用;因此,进一步将无人机i动作收益函数展开为:
其中,η(g)表示目标的存在概率函数,该函数值与通过蚁群信息素获取的信息素值相对应;由此可知,无人机i动作收益函数等价于该无人机加入集群后使得整个无人机集群的收益增加值;
整个无人机集群搜索性能函数用表示Φ(a)=Φ(ai,a-i),进一步将其展开为:
对于任意i=1,2,...,Nu,a′i∈Ai,a-i∈A-i,满足:Ui(a′i,a-i)-Ui(ai,a-i)=Φ(a′i,a-i)-Φ(ai,a-i);也就是说,无人机i可以通过提高其收益值Ui(a)来增加集群的搜索效能Φ(a)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738984.3A CN113504798B (zh) | 2021-06-30 | 2021-06-30 | 一种仿生物群体协商行为的无人机集群协同目标搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738984.3A CN113504798B (zh) | 2021-06-30 | 2021-06-30 | 一种仿生物群体协商行为的无人机集群协同目标搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113504798A true CN113504798A (zh) | 2021-10-15 |
CN113504798B CN113504798B (zh) | 2023-11-17 |
Family
ID=78009502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110738984.3A Active CN113504798B (zh) | 2021-06-30 | 2021-06-30 | 一种仿生物群体协商行为的无人机集群协同目标搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113504798B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114020031A (zh) * | 2021-11-16 | 2022-02-08 | 南京航空航天大学 | 基于改进鸽群优化的无人机集群协同动态目标搜索方法 |
CN114138011A (zh) * | 2021-11-23 | 2022-03-04 | 北京航空航天大学 | 一种基于飞蛾信息素机制的无人机集群目标搜索方法 |
CN115129082A (zh) * | 2022-07-13 | 2022-09-30 | 安徽大学 | 一种用于污染源搜索的感知探测无人机集群协同控制方法 |
CN115220441A (zh) * | 2022-03-24 | 2022-10-21 | 华东师范大学 | 一种基于生物视觉感知的无人小车集群任务协同方法 |
CN115630710A (zh) * | 2022-11-16 | 2023-01-20 | 清华大学 | 基于自组织群组的多智能体强化学习方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110071544A (ko) * | 2009-12-21 | 2011-06-29 | 강원대학교산학협력단 | 개미 알고리즘을 이용한 무선 센서 네트워크에서의 클러스터링 최적 설계 방법 |
US20180333855A1 (en) * | 2017-05-19 | 2018-11-22 | Stc.Unm | System and methods for multiple-place swarm foraging with dynamic depots |
CN109191004A (zh) * | 2018-09-25 | 2019-01-11 | 中国人民解放军空军工程大学 | 一种多无人机测绘任务分配方法和装置 |
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 |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN110456815A (zh) * | 2019-07-04 | 2019-11-15 | 北京航空航天大学 | 一种基于行军蚁启发式智能的无人机集群协同定位方法 |
-
2021
- 2021-06-30 CN CN202110738984.3A patent/CN113504798B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110071544A (ko) * | 2009-12-21 | 2011-06-29 | 강원대학교산학협력단 | 개미 알고리즘을 이용한 무선 센서 네트워크에서의 클러스터링 최적 설계 방법 |
US20180333855A1 (en) * | 2017-05-19 | 2018-11-22 | Stc.Unm | System and methods for multiple-place swarm foraging with dynamic depots |
CN109191004A (zh) * | 2018-09-25 | 2019-01-11 | 中国人民解放军空军工程大学 | 一种多无人机测绘任务分配方法和装置 |
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 |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN110456815A (zh) * | 2019-07-04 | 2019-11-15 | 北京航空航天大学 | 一种基于行军蚁启发式智能的无人机集群协同定位方法 |
Non-Patent Citations (7)
Title |
---|
HUSHENG WU: "Modeling and simulation of dynamic ant colony’s labor division for task allocation of UAV swarm", 《PHYSICA A》 * |
SARA PEREZ-CARABAZA: "Ant colony optimization for multi-UAV minimum time search in uncertain domains", 《APPLIED SOFT COMPUTING》 * |
吴蕊: "基于并行蚁群算法的无人机协同任务/航迹规划应用研究", 《现代导航》 * |
段海滨: "基于并行蚁群优化的多UCAV 任务分配仿真平台", 《航空学报》 * |
田伟;张安;: "改进蚁群算法的无人机航路规划", 火力与指挥控制, no. 11 * |
申燕凯: "仿鸽群被动式惯性应急避障的无人机集群飞行验证", 《中国科学》 * |
韦新宇: "基于蚁群搜捕行为的多无人机协同体系结构探究", 《江苏科技信息》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114020031A (zh) * | 2021-11-16 | 2022-02-08 | 南京航空航天大学 | 基于改进鸽群优化的无人机集群协同动态目标搜索方法 |
CN114020031B (zh) * | 2021-11-16 | 2023-09-22 | 南京航空航天大学 | 基于改进鸽群优化的无人机集群协同动态目标搜索方法 |
CN114138011A (zh) * | 2021-11-23 | 2022-03-04 | 北京航空航天大学 | 一种基于飞蛾信息素机制的无人机集群目标搜索方法 |
CN115220441A (zh) * | 2022-03-24 | 2022-10-21 | 华东师范大学 | 一种基于生物视觉感知的无人小车集群任务协同方法 |
CN115220441B (zh) * | 2022-03-24 | 2024-07-12 | 华东师范大学 | 一种基于生物视觉感知的无人小车集群任务协同方法 |
CN115129082A (zh) * | 2022-07-13 | 2022-09-30 | 安徽大学 | 一种用于污染源搜索的感知探测无人机集群协同控制方法 |
CN115129082B (zh) * | 2022-07-13 | 2023-09-29 | 安徽大学 | 一种用于污染源搜索的感知探测无人机集群协同控制方法 |
CN115630710A (zh) * | 2022-11-16 | 2023-01-20 | 清华大学 | 基于自组织群组的多智能体强化学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113504798B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Puente-Castro et al. | A review of artificial intelligence applied to path planning in UAV swarms | |
CN113504798A (zh) | 一种仿生物群体协商行为的无人机集群协同目标搜索方法 | |
Nedjah et al. | Review of methodologies and tasks in swarm robotics towards standardization | |
Ahmed et al. | Swarm intelligence: concepts, models and applications | |
CN110456815A (zh) | 一种基于行军蚁启发式智能的无人机集群协同定位方法 | |
Luo et al. | Multi-agent collaborative exploration through graph-based deep reinforcement learning | |
Konda et al. | Decentralized function approximated q-learning in multi-robot systems for predator avoidance | |
CN113848987A (zh) | 无人机群协同目标搜索中的动态路径规划方法及系统 | |
CN117556979B (zh) | 基于群体智能搜索的无人机平台与载荷一体化设计方法 | |
Su et al. | An improved adaptive differential evolution algorithm for single unmanned aerial vehicle multitasking | |
Hamami et al. | A systematic review on particle swarm optimization towards target search in the swarm robotics domain | |
Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
Palmieri et al. | Discrete firefly algorithm for recruiting task in a swarm of robots | |
CN117930863A (zh) | 一种基于数字孪生和深度强化学习的集群协同目标搜索方法 | |
Pessin et al. | Swarm intelligence and the quest to solve a garbage and recycling collection problem | |
Xiao et al. | An analytical approach to the similarities between swarm intelligence and artificial neural network | |
Yang | Reinforcement learning for multi-robot system: A review | |
Ayesha et al. | A Study on Swarm Intelligence and Its Various Clustering Algorithms in Medical Diagnosis | |
Wang et al. | Cooperatively pursuing a target unmanned aerial vehicle by multiple unmanned aerial vehicles based on multiagent reinforcement learning | |
Casas | Deep reinforcement learning for urban traffic light control | |
Zhang et al. | Deep reinforcement learning for UAV swarm rendezvous behavior | |
Mete et al. | Coordinated Multi-Robot Exploration using Reinforcement Learning | |
Liu | Shortest path selection algorithm for cold chain logistics transportation based on improved artificial bee colony | |
Junkai et al. | Hybrid particle swarm optimisation approach for 3D path planning of UAV | |
Shanthi et al. | Particle swarm optimization |
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 |