CN113655811B - 隐式通信下无人机协同跟踪地面目标的期望队形获得方法 - Google Patents
隐式通信下无人机协同跟踪地面目标的期望队形获得方法 Download PDFInfo
- Publication number
- CN113655811B CN113655811B CN202110984261.1A CN202110984261A CN113655811B CN 113655811 B CN113655811 B CN 113655811B CN 202110984261 A CN202110984261 A CN 202110984261A CN 113655811 B CN113655811 B CN 113655811B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- obtaining
- aerial vehicles
- formation
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004891 communication Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 26
- 210000000349 chromosome Anatomy 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000005755 formation reaction Methods 0.000 description 54
- 238000012546 transfer Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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)
Abstract
本发明提供了一种隐式通信下无人机协同跟踪地面目标的期望队形获得方法,能够将几何结构与拓扑结构结合起来进行分析,得到的目标队形信息能够很好的满足预期。本发明无人机期望队形的获得方法,将几何结构与拓扑结构结合起来进行分析,得到准确的目标队形信息。具体地,针对无人机编队对地面目标的跟踪任务,考虑传感器的有限探测范围及无人机间的最短距离(防止碰撞)等约束,以无人机间的欧式距离及相对视线角度为决策变量,以使编队的拓扑结构抗毁性和跟踪任务稳定性(由几何结构决定)最大为目标函数,建立队形优化问题,应用优化问题求解算法得到期望队形。
Description
技术领域
本发明涉及无人机编队技术领域,具体涉及一种隐式通信下无人机协同跟踪地面目标的期望队形获得方法。
背景技术
在多无人机执行任务的过程中,多无人机间往往依赖显式通信建立信息传递链路,通过通信介质与通信设备传递信息。多数文献研究了显式通信条件下的多无人机编队队形优化方法,但是在无人机进入强电磁干扰区域时,无人机间通信受阻,需要依赖隐式通信建立信息传递链路,即各无人机通过有限视野传感器探测信息。此时,多无人机需以编队的形式执行任务,防止有无人机脱离集群。由于隐式通信无法传递编队队形结构信息,需在执行任务前在无人机中载入目标队形信息。目标队形信息与多无人机所执行的任务内容相关,根据不同任务的要求不同的目标队形信息。对于对地面目标的跟踪任务,在执行任务时希望无人机排布相对紧密,使无人机探测范围的交集区域尽可能大。令被跟踪目标处于该区域内,目标将不易于脱离无人机群的探测范围,能够增强跟踪过程的稳定性,在一定程度上降低对目标的失跟率。
在隐式通信条件下,获得针对无人机编队对地面目标的跟踪任务期望队形的方法中,目标队形信息包括队形几何结构及队形拓扑(信息传递的拓扑)结构,现有技术中将队形几何结构和队形拓扑结构分开进行研究,最终得到目标队形信息。但队形几何结构与队形拓扑结构之间存在映射关系,两种结构的变化会相互影响,因此将队形几何结构和队形拓扑结构分开进行研究的方式得到的目标队形信息考虑不全面,不能很好的满足预期。
发明内容
有鉴于此,本发明提供了一种隐式通信下无人机协同跟踪地面目标的期望队形获得方法,能够将几何结构与拓扑结构结合起来进行分析,得到的目标队形信息能够很好的满足预期。
为实现上述目的,本发明技术方案如下:
本发明的一种隐式通信下无人机协同跟踪地面目标的期望队形获得方法,通过求解编队队形优化问题得到无人机编队的期望队形;所述编队队形优化问题为:
maxf(L,φ)=ω1f1+ω2f2
其中,L为无人机间的欧式距离矩阵,φ为无人机间的相对视线角度矩阵,矩阵L和矩阵φ的对角线元素都是0;ω1为抗毁性评价函数f1的权重向量,ω2为跟踪任务稳定性评价函数f2的权重向量,ω1,ω2∈[0,1],ω1+ω2=1;
其中,抗毁性评价函数f1为无向图的自然连通度与其最大自然连通度的比值;其中,所述无向图通过忽略有向图中边的方向得到,所述有向图为表示无人机集群的信息传递拓扑结构图;所述无向图的自然连通度的计算公式为/>N为无人机集群中的无人机总数,λi为所述无向图邻接矩阵的特征值;所述无向图的最大自然连通度为无向图为全连通图时的自然连通度;
跟踪任务稳定性评价函数f2通过如下方式获得:
在目标区域Xmax×Ymax内均匀排布若干点;
获得一个探测圆域内处于交集区域的点数与该探测圆域内所有点数的比值即为跟踪任务稳定性评价函数f2;所述交集区域为该探测圆域内与所有其他探测圆域的交集区域;
(xi,yi)表示第i个无人机的绝对位置坐标;lij表示第i个无人机和第j个无人机间的欧氏距离;dmin为避免无人机碰撞的最小距离;lea为所述有向图的邻接矩阵包含的全零列数目。
其中,通过遗传算法、模拟退火算法、粒子群算法或蚁群算法求解编队队形优化问题。
其中,通过遗传算法求解编队队形优化问题的具体步骤为:
步骤21,初始化遗传算法的进化参数,包括最大迭代次数G、种群大小NIND、交叉概率Pc以及变异概率Pm;
步骤22,确定解的编码形式:
设定某无人机为1号无人机,编码包括1号无人机与其余无人机的欧式距离与相对视线角度;
步骤23,种群初始化:
将1号无人机的绝对位置坐标设置为目标区域的中心点1号无人机与第i个无人机的欧式距离l1i与相对视线角度/>的生成范围为:
在范围内随机生成NIND个初始解,完成种群的初始化;
步骤24,通过解码得到编队的几何结构、拓扑结构以及每架无人机的绝对位置:
步骤25,利用Deb可行性法则处理所述优化问题的约束条件,对染色体解码后,根据各无人机间的绝对与相对位置信息判断违反区域约束与无人机间最短距离约束的无人机个数以及无法探测到其它无人机的无人机个数,根据违反约束的无人机个数表示解对于三个约束的违反程度,再结合所述优化问题的评价函数设计适应度函数;其中,所述适应度表示对于优化问题三个约束条件的违反程度,所述适应度函数为:
其中,Rb为惩罚因子,Rb=R1+R2+R3,R1为目标区域约束违反程度,R2为无人机间最短距离约束违反程度,R3为连通性约束违反程度;gmin为当前代内最差解的最小适应度;
步骤26,根据适应度大小设置各个染色体被选择的概率,各个体被选中的概率与其适应度大小成正比;
采用轮盘赌的选择策略对种群内的个体进行选择;
步骤27,采用单点交叉的交叉方式对染色体进行交叉操作,具体如下:
将种群内的个体随机两两配对并按照概率Pc进行单点交叉,父代间保留交叉点前的基因,交换交叉点后的基因,形成新的子代个体,更新种群;
步骤28,使用均匀变异算子对染色体进行变异操作,具体如下:
按照概率Pm选取变异个体进行单点变异,在步骤23中1号无人机与其余无人机的欧式距离l1i与相对视线角度的生成范围内,随机生成均匀分布的新的数值用以代替原本将要变异的基因,最终形成下一代群体;
步骤29,重复步骤24-28,直到达到最大迭代次数G,选择种群中适应度最大的解为最终解,得到无人机编队的期望队形。
其中,所述步骤24中,通过解码得到编队的几何结构与拓扑结构以及每架无人机的绝对位置,具体如下:
几何结构:考虑除1号无人机外的任意两架无人机,设为vi和vj,在步骤22中得到vi和vj与1号无人机间的欧式距离和相对视线角度,从而得到位置向量和/>通过向量减法得到向量/>从而得到vi和vj之间的欧式距离lij和相对视线角度/>具体计算方法如下式所示:
拓扑结构:vi和vj满足:
lij≤dis
其中,α为朝向角;
绝对位置:考虑除1号无人机外的任意一架无人机,设为vk,在步骤22中得到vk与1号无人机间的欧式距离和相对视线角度,在步骤23中得到1号无人机的绝对位置坐标,据此得到vk的绝对位置坐标,具体计算方法如下式所示:
其中,目标区域约束违反程度R1表示为:
其中,a为违反目标区域约束的无人机个数。
其中,所述违反目标区域约束的无人机个数获得方式为:通过步骤24得到所有无人机的绝对位置坐标,根据目标区域约束条件,判断每架无人机是否处于目标区域内得到所述违反目标区域约束的无人机个数。
其中,无人机间最短距离约束违反程度R2表示为:
其中,b为违反最短距离约束的无人机对数。
其中,所述违反最短距离约束的无人机对数获得方式为:通过步骤24得到所有无人机间的欧氏距离,根据无人机间最短距离约束条件,判断任意两架无人机间距离是否大于规定的最小距离得到所述违反最短距离约束的无人机对数。
其中,连通性约束违反程度R3表示为:
其中,所述有向图的邻接矩阵包含的全零列数目lea的获得方式为:通过步骤24得到所有无人机间的欧氏距离与相对视线角度,判断各无人机间的连通关系,求得所述有向图的邻接矩阵A,进而得到全零列数目lea。
有益效果:
本发明无人机期望队形的获得方法,将几何结构与拓扑结构结合起来进行分析,得到准确的目标队形信息。具体地,针对无人机编队对地面目标的跟踪任务,考虑传感器的有限探测范围及无人机间的最短距离(防止碰撞)等约束,以无人机间的欧式距离及相对视线角度为决策变量,以使编队的拓扑结构抗毁性和跟踪任务稳定性(由几何结构决定)最大为目标函数,建立队形优化问题,应用优化问题求解算法得到期望队形。
本发明利用遗传算法求解优化问题,遗传算法具有较强的鲁棒性,是一种高效、并行、全局的搜索方法,适合于求解本发明所提出的复杂优化问题。通过编码的合理设计能够使算法完备地探索解空间,每条染色体(个体)代表一个问题解,包含了所有无人机的位置信息,据此可得编队队形。
本发明在利用遗传算法求解优化问题时,利用Deb可行性法则处理所述优化问题的约束条件,针对问题特性设计新的惩罚因子并用以评价不可行个体的适应度,以加快种群的进化速度,引导种群向着可行与更优的方向进化。该惩罚因子在算法进化初期作用更大,在不可行个体在种群中占比较大的情况下,给予约束程度小的个体相比于约束程度大的个体更高的适应度与更大的遗传概率,以加快种群向可行与更优方向进化。
本发明方法适用于隐式通信下不同规模无人机编队执行对地面目标跟踪任务的情形,在执行跟踪任务时,无人机编队保持期望队形跟踪目标,目标将不易脱离无人机群的探测范围,能够增强跟踪过程的稳定性,在一定程度上降低对目标的失跟率。
附图说明
图1为本发明实施例无人机传感器前向探测范围示意图。
图2本发明实施例连通有向树状拓扑(N=5)示意图。
图3本发明实施例连通有向树状拓扑的邻接矩阵(N=5)示意图。
图4本发明实施例有向图中的冗余路径转化为无向图中的闭合路径示意图。
图5本发明实施例无人机集群跟踪地面目标示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本实施例中设集群中共有N个无人机,假设所有无人机都处于同一高度,因此考虑二维平面内无人机之间的相对位置关系,划定大小Xmax×Ymax(km2)的目标区域。由上述无人机获取信息的方式可知,信息在无人机间单向传递,因此用有向图D=(V,E,A)来表示无人机集群的信息传递拓扑结构,一个无人机视作一个无人机节点,其中V={v1,v2,...,vN}为所有无人机节点的集合,E为该有向图的边集,若vi可通过传感器获得vj的信息(i,j≤N),则存在一条由无人机节点vj指向无人机节点vi的有向边<j,i>∈E。A=(aij)N×N为有向图D的邻接矩阵,若存在有向边<j,i>∈E则aji=1,否则aji=0。
无人机的传感器探测范围如图1所示。最远探测距离为dis,前向视角(探测范围边界与无人机朝向的夹角)为ang,ang∈(0,π/2)。
本实施例隐式通信下无人机协同跟踪地面目标的期望队形获得方法,包括如下步骤:
步骤1,建立编队队形优化问题:
maxf(L,φ)=ω1f1+ω2f2(12)
其中ω1,ω2为权重向量,ω1,ω2∈[0,1],ω1+ω2=1。
本发明的优化问题是隐式通信条件下,考虑跟踪任务稳定性和拓扑结构性能的编队队形优化问题,适用于不同规模无人机编队执行对地面目标跟踪任务的情形。
其中,本实施例的编队队形优化问题的决策变量包含每两个无人机节点间的欧氏距离和相对视线角度(两点连线与大地坐标系横轴正向的夹角)。
具体地,vi和vj(i≠j)间的欧氏距离记作lij,vj相对于vi的视线角度记作 将上述决策变量分别存入矩阵L=(lij)N×N和/>中,矩阵对角线元素都是0。
优化问题的约束条件具体如下:
(1)目标区域约束:
设无人机的绝对位置坐标为(xi,yi),i=1,...,N,要求各无人机在指定区域内运动,则
0≤xi≤Xmax,0≤yi≤Ymax(1)
(2)无人机间最短距离约束:
为避免无人机间发生碰撞,同时考虑到无人机间距离较近时会产生耦合效应,因此规定无人机间的距离应大于等于最小距离dmin,即
lij≥dmin,i≠j,i=1,...,N,j=1,...,N(2)
(3)连通性约束:
无人机集群在前进时可达到一致性的充分条件是集群的信息传递的拓扑结构图是连通的。无人机节点vi可以获得无人机节点vj的信息需满足以下条件:设所有无人机的朝向角(朝向与大地坐标系横轴正方向的夹角)为α,则
lij≤dis(3)
根据上述条件得到邻接矩阵A。
该优化问题的拓扑结构为有向树状拓扑,如图2所示,其中有箭头的连线代表图D中的有向边。在A中只有集群的总领航者对应的列为全零列,说明除总领航者外的无人机都可以探测到集群中无人机的信息,连通有向树状拓扑的邻接矩阵(N=5)如图3所示,只有第3列为全零列,对应的无人机为集群的总领航者。若存在其他全零列,说明该列对应的无人机脱离集群,拓扑结构图不连通。记A包含lea个全零列,约束(3)表述为:
lea=1
即A中只能有一个全零列,该列对应无人机集群的总领航者,编队中只能有一个总领航者。
优化问题的评价函数具体如下,包含两个评价指标:
(1)拓扑结构抗毁性:拓扑结构抗毁性是指集群中若干无人机损毁或失效后,其余无人机仍可保持信息传递拓扑图的连通。
本发明应用自然连通度来评价拓扑结构的抗毁性。自然连通度在物理中刻画了网络中不同长度闭环路径的数目,从冗余替代路径的角度刻画了网络抗毁性能。闭环路径指从一个无人机节点出发通过若干无人机节点后仍能回到该无人机节点的路径。设nk为网络中路径长度为k的闭环路径数,则网络中闭环路径总数S为
闭环路径越长,无人机节点的通信成本较高,且工作性能相对较差,因此对在上式中引入对nk的加权,为防止S的发散,权值的设计如下所示:
设λi为邻接矩阵的特征值,则
当N较大时S也较大,因此将上式简化得到自然连通度的计算公式如下所示:
本优化问题考虑的拓扑结构为有向树状拓扑结构,从根无人机节点到子无人机节点的冗余替换路径数可以反映网络的抗毁性,冗余路径越多,当根无人机节点到子无人机节点中间有无人机节点被毁时,子无人机节点可通过冗余路径获得根无人机节点的信息。但有向树状拓扑中没有上述闭合路径,不能直接应用自然连通度。有向树状拓扑结构是弱连通结构,忽略图D中边的方向可得到无向图G=(V,E′,A′)。在图G中,根无人机节点到子无人机节点的多条路径可构成闭合路径,如图4所示。
这种闭合路径越多,也就说明到子无人机节点的冗余替换路径越多,网络抗毁性能越好。因此无向图图G的邻接矩阵A′的特征值和自然连通度计算公式可得到图G的自然连通度用来表征有向图D的抗毁性。式中λi为A′的特征值。/>的值越大,拓扑结构抗毁性越强。
当图G为全连通图时具有最大自然连通度通过归一化处理得到抗毁性评价函数:
(2)跟踪任务稳定性:应用各无人机对地探测区域的交集面积评价跟踪任务稳定性。如图5所示,令被跟踪目标处于该交集区域内,当集群中有无人机被毁时,其余无人机继续跟踪该目标。该交集面积越大,目标越不易于脱离无人机群的探测范围,能够增强跟踪过程的稳定性,在一定程度上降低对目标的失跟率。应用蒙特卡洛方法近似得到交集区域的面积,具体方法如下:在目标区域Xmax×Ymax内均匀排布若干点,其中一个探测圆域内共有M个点,有m个点处于交集区域,得到表征跟踪任务稳定性的评价函数为:
f2越大,说明交集区域的面积越大,在跟踪时若保持该拓扑结构,且使目标位于该交集区域可有效降低失跟率。
步骤2,可以采用遗传算法、模拟退火算法、粒子群算法或蚁群算法求解步骤1建立的优化问题,本实施例采用遗传算法,遗传算法具有较强的鲁棒性,是一种高效、并行、全局的搜索方法,适合于求解本发明所提出的复杂优化问题。通过编码的合理设计能够使算法完备地探索解空间,每条染色体(个体)代表一个问题解,包含了所有无人机的位置信息,据此可得编队队形。具体包括如下步骤:
步骤21,初始化遗传算法的进化参数,包括最大迭代次数G、种群大小NIND、交叉概率Pc以及变异概率Pm。
其中,交叉概率Pc=0.9,变异概率Pm=0.05。
步骤22,确定解的编码形式:
设定某无人机为1号无人机,编码包括第1号无人机与其余无人机的欧式距离与相对视线角度,如下所示:
步骤23,种群初始化:
将1号无人机的绝对位置坐标设置为目标区域的中心点1号无人机与其余无人机的欧式距离l1i与相对视线角度/>的生成范围为:
在范围内随机生成NIND个初始解,完成种群的初始化。
步骤24,通过解码可得到编队的几何结构与拓扑结构以及每架无人机的绝对位置,具体如下:
(1)几何结构:考虑除1号无人机外的任意两架无人机(设为vi和vj),在步骤22中可得到vi和vj与1号无人机间的欧式距离和相对视线角度,从而得到位置向量和/>通过向量减法得到向量/>从而得到vi和vj之间的欧式距离lij和相对视线角度/>具体计算方法如下式所示:
应用上述方法可得到矩阵L,φ,即所有无人机间的欧式距离与相对视线角度。
(2)拓扑结构:vi和vj若满足(其中α为朝向角):
lij≤dis(20)
则vj在vi的可探测范围内,信息传递拓扑图中存在一条由vj指向vi的有向边,通过上述方法得到编队的拓扑结构。
(3)绝对位置:考虑除1号无人机外的任意一架无人机(设为vk),在步22中可得到vk与1号无人机间的欧式距离和相对视线角度,在步骤23中可得到1号无人机的绝对位置坐标,据此可以得到vk的绝对位置坐标。具体计算方法如下式所示:
步骤25,利用Deb可行性法则处理所述优化问题的约束条件,对染色体解码后,根据各无人机间的绝对与相对位置信息判断违反区域约束与无人机间最短距离约束的无人机个数以及无法探测到其它无人机的无人机个数,根据违反约束的无人机个数表示解对于三个约束的违反程度,再结合所述优化问题的评价函数设计适应度函数。
其中,适应度表示对于优化问题三个约束条件的违反程度,具体如下:
(1)目标区域约束:通过步骤24得到所有无人机的绝对位置坐标,根据目标区域约束条件,即式(1)判断每架无人机是否处于目标区域内,得到违反目标区域约束的无人机个数为a,则目标区域约束违反程度R1表示为:
(2)无人机间最短距离约束:通过步骤24得到所有无人机间的欧氏距离,根据无人机间最短距离约束条件,即式(2)判断任意两架无人机间距离是否大于规定的最小距离,得到违反最短距离约束的无人机对数为b,则无人机间最短距离约束违反程度R2表示为:
其中,
(3)连通性约束:通过步骤24得到所有无人机间的欧氏距离与相对视线角度,根据式(3)与式(4)判断各无人机间的连通关系,求得所述有向图的邻接矩阵A,进而得到全零列数目lea,则连通性约束违反程度R3表示为:
在优化问题的基础上,根据Deb可行性法则设计适应度函数。对于可行解,适应度gf等于目标函数值,结合式(12),适应度gf的计算公式为
gf=f(L,φ)(27)
其中,当前代内最差解的最小适应度为gmin。
对于不可行解,在gmin的基础上引入惩罚因子Rb,惩罚因子Rb的计算公式为:
Rb=R1+R2+R3(28)
不可行解的适应度gif为
因此,适应度函数设计为:
利用Deb可行性法则对问题约束进行处理,针对问题特性设计新的惩罚因子并用以评价不可行个体的适应度,以加快种群的进化速度,引导种群向着可行与更优的方向进化。该惩罚因子在算法进化初期作用更大,在不可行个体在种群中占比较大的情况下,给予约束程度小的个体相比于约束程度大的个体更高的适应度与更大的遗传概率,以加快种群向可行与更优方向进化。
步骤26,根据适应度大小设置各个染色体被选择的概率,各个体被选中的概率与其适应度大小成正比。具体地,每个个体被选择的概率为其中gsum为所有个体的适应度总和。
采用轮盘赌的选择策略对种群内的个体进行选择。
步骤27,采用单点交叉的交叉方式对染色体进行交叉操作,具体如下:
将种群内的个体随机两两配对并按照概率Pc进行单点交叉,父代间保留交叉点前的基因,交换交叉点后的基因,形成新的子代个体,更新种群。
步骤28,使用均匀变异算子对染色体进行变异操作,具体如下:
按照概率Pm选取变异个体进行单点变异,在步骤23中的式(15)与式(16)范围内随机生成均匀分布的新的数值用以代替原本将要变异的基因,最终形成下一代群体。
步骤29,重复步骤24-28,直到达到最大迭代次数G,选择种群中适应度最大的解为最终解,即可得到无人机编队的期望队形。
综上所述,以上仅为本发明的较佳实施例而已,并非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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种隐式通信下无人机协同跟踪地面目标的期望队形获得方法,其特征在于,通过求解编队队形优化问题得到无人机编队的期望队形;所述编队队形优化问题为:
maxf(L,φ)=ω1f1+ω2f2
其中,L为无人机间的欧式距离矩阵,φ为无人机间的相对视线角度矩阵,矩阵L和矩阵φ的对角线元素都是0;ω1为抗毁性评价函数f1的权重向量,ω2为跟踪任务稳定性评价函数f2的权重向量,ω1,ω2∈[0,1],ω1+ω2=1;
其中,抗毁性评价函数f1为无向图的自然连通度与其最大自然连通度的比值;其中,所述无向图通过忽略有向图中边的方向得到,所述有向图为表示无人机集群的信息传递拓扑结构图;所述无向图的自然连通度的计算公式为/>N为无人机集群中的无人机总数,λi为所述无向图邻接矩阵的特征值;所述无向图的最大自然连通度为无向图为全连通图时的自然连通度;
跟踪任务稳定性评价函数f2通过如下方式获得:
在目标区域Xmax×Ymax内均匀排布若干点;
获得一个探测圆域内处于交集区域的点数与该探测圆域内所有点数的比值即为跟踪任务稳定性评价函数f2;所述交集区域为该探测圆域内与所有其他探测圆域的交集区域;(xi,yi)表示第i个无人机的绝对位置坐标;lij表示第i个无人机和第j个无人机间的欧氏距离;dmin为避免无人机碰撞的最小距离;lea为所述有向图的邻接矩阵包含的全零列数目;
通过遗传算法求解编队队形优化问题,具体步骤为:
步骤21,初始化遗传算法的进化参数,包括最大迭代次数G、种群大小NIND、交叉概率Pc以及变异概率Pm;
步骤22,确定解的编码形式:
设定某无人机为1号无人机,编码包括1号无人机与其余无人机的欧式距离与相对视线角度;
步骤23,种群初始化:
将1号无人机的绝对位置坐标设置为目标区域的中心点1号无人机与第i个无人机的欧式距离l1i与相对视线角度/>的生成范围为:
在范围内随机生成NIND个初始解,完成种群的初始化;
步骤24,通过解码得到编队的几何结构、拓扑结构以及每架无人机的绝对位置;
步骤25,利用Deb可行性法则处理所述优化问题的约束条件,对染色体解码后,根据各无人机间的绝对与相对位置信息判断违反区域约束与无人机间最短距离约束的无人机个数以及无法探测到其它无人机的无人机个数,根据违反约束的无人机个数表示解对于三个约束的违反程度,再结合所述优化问题的评价函数设计适应度函数;其中,所述适应度表示对于优化问题三个约束条件的违反程度,所述适应度函数为:
其中,Rb为惩罚因子,Rb=R1+R2+R3,R1为目标区域约束违反程度,R2为无人机间最短距离约束违反程度,R3为连通性约束违反程度;gmin为当前代内最差解的最小适应度;
步骤26,根据适应度大小设置各个染色体被选择的概率,各个体被选中的概率与其适应度大小成正比;
采用轮盘赌的选择策略对种群内的个体进行选择;
步骤27,采用单点交叉的交叉方式对染色体进行交叉操作,具体如下:
将种群内的个体随机两两配对并按照概率PC进行单点交叉,父代间保留交叉点前的基因,交换交叉点后的基因,形成新的子代个体,更新种群;
步骤28,使用均匀变异算子对染色体进行变异操作,具体如下:
按照概率Pm选取变异个体进行单点变异,在步骤23中1号无人机与其余无人机的欧式距离l1i与相对视线角度的生成范围内,随机生成均匀分布的新的数值用以代替原本将要变异的基因,最终形成下一代群体;
步骤29,重复步骤24-28,直到达到最大迭代次数G,选择种群中适应度最大的解为最终解,得到无人机编队的期望队形。
2.如权利要求1所述的期望队形获得方法,其特征在于,所述步骤24中,通过解码得到编队的几何结构与拓扑结构以及每架无人机的绝对位置,具体如下:
几何结构:考虑除1号无人机外的任意两架无人机,设为vi和vj,在步骤22中得到vi和vj与1号无人机间的欧式距离和相对视线角度,从而得到位置向量和/>通过向量减法得到向量/>从而得到vi和vj之间的欧式距离lij和相对视线角度/>具体计算方法如下式所示:
拓扑结构:vi和vj满足:
lij≤dis
其中,α为朝向角;
绝对位置:考虑除1号无人机外的任意一架无人机,设为vk,在步骤22中得到vk与1号无人机间的欧式距离和相对视线角度,在步骤23中得到1号无人机的绝对位置坐标,据此得到vk的绝对位置坐标,具体计算方法如下式所示:
3.如权利要求1或2所述的期望队形获得方法,其特征在于,目标区域约束违反程度R1表示为:
其中,a为违反目标区域约束的无人机个数。
4.如权利要求3所述的期望队形获得方法,其特征在于,所述违反目标区域约束的无人机个数获得方式为:通过步骤24得到所有无人机的绝对位置坐标,根据目标区域约束条件,判断每架无人机是否处于目标区域内得到所述违反目标区域约束的无人机个数。
5.如权利要求1或2所述的期望队形获得方法,其特征在于,无人机间最短距离约束违反程度R2表示为:
其中,b为违反最短距离约束的无人机对数。
6.如权利要求5所述的期望队形获得方法,其特征在于,所述违反最短距离约束的无人机对数获得方式为:通过步骤24得到所有无人机间的欧氏距离,根据无人机间最短距离约束条件,判断任意两架无人机间距离是否大于规定的最小距离得到所述违反最短距离约束的无人机对数。
7.如权利要求1或2所述的期望队形获得方法,其特征在于,连通性约束违反程度R3表示为:
8.如权利要求7所述的期望队形获得方法,其特征在于,所述有向图的邻接矩阵包含的全零列数目lea的获得方式为:通过步骤24得到所有无人机间的欧氏距离与相对视线角度,判断各无人机间的连通关系,求得所述有向图的邻接矩阵A,进而得到全零列数目lea。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984261.1A CN113655811B (zh) | 2021-08-25 | 2021-08-25 | 隐式通信下无人机协同跟踪地面目标的期望队形获得方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984261.1A CN113655811B (zh) | 2021-08-25 | 2021-08-25 | 隐式通信下无人机协同跟踪地面目标的期望队形获得方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113655811A CN113655811A (zh) | 2021-11-16 |
CN113655811B true CN113655811B (zh) | 2024-05-07 |
Family
ID=78482031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110984261.1A Active CN113655811B (zh) | 2021-08-25 | 2021-08-25 | 隐式通信下无人机协同跟踪地面目标的期望队形获得方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113655811B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116723487B (zh) * | 2023-08-11 | 2023-11-07 | 四川腾盾科技有限公司 | 基于随机运动模型及拓扑预测的抗干扰群拓扑优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618701A (zh) * | 2019-08-26 | 2019-12-27 | 中国人民解放军国防科技大学 | 用于目标跟踪的多无人机协同优化方法及系统 |
WO2020049342A1 (en) * | 2018-09-06 | 2020-03-12 | Telefonaktiebolaget Lm Ericsson (Publ) | Wireless device indentification and tracking |
CN112051862A (zh) * | 2020-09-18 | 2020-12-08 | 中国人民解放军海军航空大学 | 面向观测优化的多机异类传感器协同多目标跟踪 |
CN113204236A (zh) * | 2021-04-14 | 2021-08-03 | 华中科技大学 | 一种智能体路径跟踪控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MY184651A (en) * | 2014-01-20 | 2021-04-14 | Pillay Venkateshwara | A system for mapping and tracking ground targets |
-
2021
- 2021-08-25 CN CN202110984261.1A patent/CN113655811B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020049342A1 (en) * | 2018-09-06 | 2020-03-12 | Telefonaktiebolaget Lm Ericsson (Publ) | Wireless device indentification and tracking |
CN110618701A (zh) * | 2019-08-26 | 2019-12-27 | 中国人民解放军国防科技大学 | 用于目标跟踪的多无人机协同优化方法及系统 |
CN112051862A (zh) * | 2020-09-18 | 2020-12-08 | 中国人民解放军海军航空大学 | 面向观测优化的多机异类传感器协同多目标跟踪 |
CN113204236A (zh) * | 2021-04-14 | 2021-08-03 | 华中科技大学 | 一种智能体路径跟踪控制方法 |
Non-Patent Citations (1)
Title |
---|
面向任务的无人/有人机混合编队协同问题研究;胡凯;中国优秀硕士学位论文电子期刊网 社会科学I辑》(第9期);第7-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113655811A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733421B (zh) | 一种针对有人无人机协同对地作战的任务规划方法 | |
Abdel-Basset et al. | A novel whale optimization algorithm integrated with Nelder–Mead simplex for multi-objective optimization problems | |
Yang et al. | Path planning for single unmanned aerial vehicle by separately evolving waypoints | |
CN109631900A (zh) | 一种无人机三维航迹多目标粒子群全局规划方法 | |
CN112327862B (zh) | 一种不确定环境下多机器人协同搜索的路径规划方法 | |
CN111256697B (zh) | 一种针对路径点聚类机器学习的无人机航迹规划方法 | |
CN110766254A (zh) | 一种基于改进遗传算法的多无人机协同任务分配方法 | |
CN111709571B (zh) | 一种船舶避碰路线确定方法、装置、设备及可存储介质 | |
CN105512769A (zh) | 基于遗传规划的无人机航迹规划系统及方法 | |
CN111273686B (zh) | 一种三维环境下多无人机同时到达指定地的路径规划方法 | |
CN112214031B (zh) | 基于遗传粒子群算法的多节点协同着陆位置规划方法 | |
CN110986960B (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
CN113655811B (zh) | 隐式通信下无人机协同跟踪地面目标的期望队形获得方法 | |
CN112926825B (zh) | 基于多目标量子磷虾群机制的多无人机任务分配方法 | |
CN113741513A (zh) | 隐式通信条件下多无人机对地搜索任务编队队形优化方法 | |
CN115357031B (zh) | 一种基于改进蚁群算法的船舶路径规划方法及系统 | |
CN115755963B (zh) | 一种考虑载具投递模式的无人机群协同任务规划方法 | |
CN116225066A (zh) | 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法 | |
CN115903896A (zh) | 一种基于代理模型优化的多无人机路径规划方法 | |
CN117093019A (zh) | 改进狼群算法的无人机电力线路路径规划方法 | |
CN116050603A (zh) | 基于混合智能方法的暗挖隧道变形预测和优化方法及设备 | |
Liu et al. | Multi-uavs cooperative coverage reconnaissance with neural network and genetic algorithm | |
CN103473599A (zh) | 一种基于遗传算法和卡尔曼滤波的rbfn组合训练方法 | |
Xie et al. | A novel adaptive parameter strategy differential evolution algorithm and its application in midcourse guidance maneuver decision-making | |
CN116400737B (zh) | 一种基于蚁群算法的安全路径规划系统 |
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 |