CN113807591A - 一种通信距离受限的无人机集群站点协同优化部署方法 - Google Patents

Abstract

本发明公开一种通信距离受限的无人机集群站点协同优化部署方法，应用于电子侦察领域，为解决不规则凸部署区域下通信距离受限的无人机集群协同侦察站点优化部署问题；本发明的方法，首先，以不规则凸部署区域和通信距离为约束条件，以目标区域定位精度的克拉美罗下界的迹的平均值为目标函数，建立优化模型；其次，分析传统基于惩罚因子的粒子群优化算法因站点修正引起的优化效率低下问题，重构优化模型；最后，利用本发明提出的具有复杂区域边界初始化功能的粒子群优化算法求解重构优化模型，获取无人机集群协同侦察系统站点位置。本发明的优点是算法优化效率高，能够大幅度提高无人机集群协同侦察系统对侦察区域的定位性能。

Description

一种通信距离受限的无人机集群站点协同优化部署方法

技术领域

本发明属于电子侦察领域，特别涉及一种针对不规则凸部署区域下通信距离受限的无人机集群协同侦察系统站点优化部署技术。

背景技术

无人机系统因其损耗小、成本低、容错率大等特点已广泛应用于现代军事和民用中，搭配TDOA无源定位系统可兼具高隐蔽性能与高定位精度等优点。随着战场态势日趋复杂，单套TDOA无源定位系统在站点延长线上定位精度较差的缺点被放大，导致其难以满足当前高精度、全方位的定位要求。一种可行的方法是利用多套无人机TDOA无源定位系统通过一些关键技术协同配合有机构成一套无人机集群协同侦察系统，实现“1+1>2”的效果。依据无线电传输理论和文献“Research of cooperative control based on multiple UAVssecure communications.In:15th International Conference on Instrumentation andMeasurement,Computer,Communication and Control,pp.135-140.IEEE,Qinhuangdao(2015)”，无人机集群协同侦察系统的侦察性能受系统站点位置和站点间通信距离的影响。因此，以最大通信距离为限制条件，优化系统站点位置可提升定位性能。

从现有工作看，多数研究者在部署区域为规则图形(如圆、正方形、长方形等)下，研究了无人机站点优化部署问题，如文献“基于粒子群算法的多机无源定位系统优化布站[J].计算机与数字工程,2021,49(03):487-492”。实际上，受战场地理环境影响，系统站点部署区域多为不规则状。对此，文献“基于几何稀释度的多站外源时差定位最优布站方法[J].电子信息对抗技术,2018,33(5):37-40+72”，提出了基于惩罚因子的粒子群优化算法(penalty-factor-based particle swarm optimization,PFB-PSO)，初步解决了不规则部署区域的站点部署问题，但受站点修正影响，该算法优化效率较低，难以满足高定位精度要求，同时该文献研究并未涉及通信距离约束问题。文献“通信距离受限的协同侦察系统站点优化部署算法[J].现代雷达,2020,42(11):32-37”研究了通信距离受限的组网雷达站点优化部署问题，提出了混合粒子群优化算法(mixed coding particle swarm optimization,MCPSO)，相较于传统粒子群优化算法(traditional particle swarm optimization,TPSO)，该算法提高了组网雷达定位性能，但在不规则凸部署区域下此算法有效性受到严峻挑战。

发明内容

为解决不规则凸部署区域下通信距离受限的无人机集群协同侦察站点优化部署问题，本发明提出一种通信距离受限的无人机集群站点协同优化部署方法。

本发明采用的技术方案为：一种通信距离受限的无人机集群站点协同优化部署方法，应用场景为：一套部署在不规则凸区域B上无人机群侦察系统f，所述无人机群侦察系统f包括I套TDOA定位系统φ_i,i＝1,2,…,I，第i套TDOA定位系统包含1架主无人机，主无人机站点位置为

J架副无人机，副无人机站点位置为

主副无人机站点间最大通信距离为R_max；侦察区域为L；

所述方法包括以下步骤：

S1、以不规则凸部署区域和通信距离为约束条件，以目标区域定位精度的克拉美罗下界的迹的平均值为目标函数，建立优化模型；

S2、考虑通信距离的影响，对副无人机站点位置进行修正；

S3、对副无人机站点位置修正后的优化模型，采用具有复杂区域边界初始化功能的粒子群优化算法进行求解，得到无人机集群协同侦察系统站点位置。

步骤S2对副无人机站点位置进行修正的表达式为：

其中，

为副无人机站点修正位置，ω为修正因子。

步骤S3所述副无人机站点位置修正后的优化模型，具体为：

min tr_CRLB(f)

f＝{φ_i,i＝1,…,I}

φ_i＝(x_i0,y_i0,z₀,θ_i1,…,θ_iJ,r_i1,…,r_iJ)

s.t.(x_i0,y_i0,z₀)∈B

r_ij∈(0,min(dist,r_max)]，i＝1,…,I；j＝1,…,J

步骤S3的求解过程为：

A1、决策变量

初始化；首先，离散化区域B的边界得到边界点集

其次，寻找一个能够覆盖部署区域B的规则区域C，并在区域C内随机均匀投掷N_C(N_C＞＞n_c)个点；随后，从N_C点中筛选出属于区域B的n_c个粒子；

A2、决策变量θ、r初始化；首先，对θ参数初始化，当

位于区域B内时，θ的初始化范围为[0,2π]；当

位于区域B边界上时，θ的初始化范围是为[θ_min,θ_max]；其次，对r参数初始化，计算在θ角度上，主站到边界的距离dist，得到r的初始化范围为(0,min(dist,r_max)]；

表示第s个粒子的第i套TDOA定位系统的主无人机站点参数；

A3更新粒子信息，并进行迭代；达到迭代停止条件，得到无人机集群协同侦察系统站点位置；

更新过程如下：

其中，d为粒子的维度，s表示第s个粒子，k表示当前迭代次数，v为粒子运动速度，ψ表示当前可行解，p代表个体最优解，g表示全局最优解。

步骤A1所述筛选的准则为：

计算与边界相邻两点的外积

当所有外积的方向一致时，粒子

就属于区域B内；当所有外积除零向量外，其他外积方向一致，粒子

就属于区域B边界上。

本发明的有益效果：本发明首先，以不规则凸部署区域和通信距离为约束条件，以目标区域定位精度的克拉美罗下界的迹的平均值为目标函数，建立优化模型；其次，分析传统基于惩罚因子的粒子群优化算法因站点修正引起的优化效率低下问题，重构优化模型；最后，利用本发明提出的具有复杂区域边界初始化功能的粒子群优化算法求解重构优化模型，获取无人机集群协同侦察系统站点位置；本发明的优点是算法优化效率高，能够大幅度提高无人机集群协同侦察系统对侦察区域的定位性能。

附图说明

图1为无人机集群协同侦察示意图。

图2为主站位置对θ、r的影响示意图；

其中，(a)为主站位置对θ约束范围影响示意图；(b)为主站位置固定下，θ对r约束范围影响示意图。

图3为不规则凸部署区域1位置示意图。

图4为在不规则凸部署区域1下传统算法与本发明算法的迭代结果示意图。

图5为部署区域1下侦察区域定位精度的CRLB的迹分布示意图。

图6为部署区域1下的无人机集群协同侦察系统站点部署结果示意图。

图7为不规则凸部署区域2位置示意图。

图8为在不规则凸部署区域2下传统算法与本发明算法的迭代结果示意图。

图9为部署区域2下侦察区域定位精度的CRLB的迹分布示意图。

图10为部署区域2下的无人机集群协同侦察系统站点部署结果示意图。

具体实施方式

本发明主要采用计数值仿真实验的方法进行验证，所有步骤、结论均在Matlab2016a上验证正确。下面结合附图1-10对本发明内容作进一步说明。

步骤1：建立无人机群侦察系统场景图，初始化系统参数

如图1，一套部署在不规则凸区域B上无人机群侦察系统f由2套TDOA定位系统φ_i,i＝1,2构成，第i套TDOA定位系统包含1架主无人机，其站点位置为

3架副无人机，其站点位置为

主副无人机站点间最大通信距离为R_max＝30km；侦察区域为L＝{x∈[-200km,200km],y∈[-200km,200km],z＝10km}，

离散网格大小为10km×10km，并假设目标辐射源位于网格单元中心。

步骤2：依据场景图建立优化模型

2.1、假设第k个目标辐射源位置x_k的无偏估计量为

观测值为z_k，第i套TDOA定位系统对x_k估计误差的方差矩阵的下界可表示为：

其中，T为转置符号，F是Fisher信息矩阵。通常，克拉美罗下界(Cramer-Rao LowerBound,CRLB)的迹可表征无偏的目标位置估计量在各个维度上的方差之和。假设，无人机站址误差均服从均值为0，标准差为σ_s＝6×10^-3的高斯分布，副无人机与主无人机距离测量误差均服从均值为0，标准差为

的高斯分布，得第i套TODA定位系统对第k个目标辐射位置的定位精度的CRLB为

tr_CRLB_k(φ_i)＝tr((Q^TR^-1Q)^-1)

其中，

R＝(cσ_s)²[I_J×J+l_J×J]

其中，I_J×J为J阶方阵，其元素均为1；l_J×J为J阶单位矩阵；

2.2、依据预估性能最优的信息融合原则，得无人机集群协同侦察系统对第k个目标辐射位置的定位精度的CRLB的迹为

tr_CRLB_k(f)＝min{tr_CRLB_k(φ₁),tr_CRLB_k(φ₂)}

2.3、取侦察区域定位精度的CRLB的迹的平均值作为目标函数，表示为

得到优化模型为

min tr_CRLB(f)

f＝{φ_i,i＝1，2}

步骤3：重构优化模型

3.1、分析优化模型局限性

现有传统PFB-PSO算法可以求解上述优化问题，其优化模型转变为如下形式

min(tr_CRLB(f)+∑g_ij)

f＝{φ_i,i＝1,2}

其中，g_ij为惩罚因子。受通信距离影响，副无人机站点位置需进行如下修正

式中，

为副无人机站点修正位置，ω为修正因子。

尽管传统PFB-PSO算法可以解决不规则凸部署区域下通信距离受限的协同侦察系统站点优化配置问题，但受站点修正影响，传统PFB-PSO算法优化效率降低。

3.2、重构优化模型

为避免副无人机站点修正引起的优化效率下降问题，在极坐标下表示副无人机站点位置，并将通信距离约束条件转变为决策变量。转化过程如下，

x_ij＝x_i0+r_ij×cosθ_ij

y_ij＝y_i0+r_ij×sinθ_ij,1≤i≤I,1≤j≤J

其中，θ为角度，r为通信距离。

经分析，在不规则凸部署区域下，θ与r的约束范围随着主站位置的变化而变化。因此求解θ、r的约束范围对重构优化模型至关重要。

(1)求解θ约束范围。如图2(a)中，当主站位于部署区域内部时，θ约束范围为[0,2π]；当主站位于部署区域边界上，θ约束范围为[θ_min,θ_max]，θ_min、θ_max分别表示约束范围下限、上限。

(2)求解r约束范围。图2(b)中，当主站位置确定时，r是θ的单值函数

记为r＝f(θ)。计算在θ角度上，主站到边界的距离dist，得到r的约束范围为(0,min(dist,r_max)]。

得到重构的优化模型为

min tr_CRLB(f)

f＝{φ_i,i＝1,2}

φ_i＝(x_i0,y_i0,z₀,θ_i1,…,θ_i3,r_i1,…,r_i3)

s.t.(x_i0,y_i0,z₀)∈B

r_ij∈(0,min(dist,r_max)]，i＝1,2；j＝1,2,3

重构的优化模型解决了原优化模型中存在的站点修正问题，但同时引入了多个动态约束条件，使优化问题转为动态约束条件下的单目标优化问题。为求解此类优化问题，需提出一种新算法。

步骤4：采用具有复杂区域边界初始化功能的粒子群优化算法求解重构优化模型，获取无人机集群协同侦察系统站点位置。

4.1、决策变量

初始化。首先，离散化区域B的边界得到边界点集

其次，寻找一个能够覆盖部署区域B的规则区域C，并在区域C内随机均匀投掷N_C(N_C＞＞n_c)个点。随后，从N_C(N_C＝10,000)个点中筛选出属于区域B的n_c(n_c＝500)个粒子。

筛选准则如下，以第s个粒子的第i套TDOA定位系统的主无人机站点位置参数

为例，计算与边界相邻两点的外积

当所有外积的方向一致时，粒子

就属于区域B内；当所有外积除零向量外，其他外积方向一致，粒子

就属于区域B边界上。最后，从这些属于区域B的粒子中筛选出一个粒子规模为S(S＝200)的初始粒子群。

4.2、决策变量θ、r初始化。以第s个粒子的第n套TDOA定位系统的主无人机站点参数

首先，对θ参数初始化。如图2，当

位于区域B内时，θ的初始化范围为[0,2π]；当

位于区域B边界上时，θ的初始化范围是为[θ_min,θ_max]。其次，对r参数初始化。计算在θ角度上，主站到边界的距离dist，得到r的初始化范围为(0,min(dist,r_max)]。

4.3、根据以下公式更新粒子信息，并进行迭代，更新过程如下

式中，d为粒子的维度，s表示第s个粒子，k表示当前迭代次数，v为粒子运动速度，ψ表示当前可行解，p代表个体最优解，g表示全局最优解。直到满足最大迭代次数200终止迭代，获取无人机集群协同侦察系统站点位置。

具有复杂区域寻优功能的粒子群优化算法参数设置如表1所示。

表1参数设置

参数名称	数量
		粒子种群数量	200
个体学习因子	2
		社会学习因子	2
最大惯性因子	0.95
		最小惯性因子	0.15
迭代次数	100

图3和图7是本发明方法的两种凸部署区域示意图。图4和图8分别表示两种凸部署区域下的迭代示意图。容易看出，本发明所提方法较传统方法收敛效率更好。图5和图9表示两种凸部署区域下，不同算法对侦察区域定位精度的CRLB的迹的分布影响情况。可以看出，传统算法下，CRLB的迹的分布线条陡峭，中心点与边界点差距大；本发明所提算法下，CRLB的迹的分布较为均匀，中心点与边界点差距小。反映出本发明所提算法整体定位性能好于传统算法，更适合无人机集群协同侦察系统对敌方目标侦察。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。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权利要求范围之内。

Claims (5)

1.一种通信距离受限的无人机集群站点协同优化部署方法，其特征在于，应用场景为：一套部署在不规则凸区域B上无人机群侦察系统f，所述无人机群侦察系统f包括I套TDOA定位系统φ_i,i＝1,2,…,I，第i套TDOA定位系统包含1架主无人机，主无人机站点位置为

J架副无人机，副无人机站点位置为

主副无人机站点间最大通信距离为R_max；侦察区域为L；

所述方法包括以下步骤：

S1、以不规则凸部署区域和通信距离为约束条件，以目标区域定位精度的克拉美罗下界的迹的平均值为目标函数，建立优化模型；

S2、考虑通信距离的影响，对副无人机站点位置进行修正；

S3、对副无人机站点位置修正后的优化模型，采用具有复杂区域边界初始化功能的粒子群优化算法进行求解，得到无人机集群协同侦察系统站点位置。

2.根据权利要求1所述的一种通信距离受限的无人机集群站点协同优化部署方法，其特征在于，步骤S2对副无人机站点位置进行修正的表达式为：

其中，

为副无人机站点修正位置，ω为修正因子。

3.根据权利要求1所述的一种通信距离受限的无人机集群站点协同优化部署方法，其特征在于，步骤S3所述副无人机站点位置修正后的优化模型，具体为：

4.根据权利要求3所述的一种通信距离受限的无人机集群站点协同优化部署方法，其特征在于，步骤S3的求解过程为：

A1、决策变量

初始化；首先，离散化区域B的边界得到边界点集

其次，寻找一个能够覆盖部署区域B的规则区域C，并在区域C内随机均匀投掷N_C(N_C＞＞n_c)个点；随后，从N_C点中筛选出属于区域B的n_c个粒子；

A2、决策变量θ、r初始化；首先，对θ参数初始化，当

位于区域B内时，θ的初始化范围为[0,2π]；当

位于区域B边界上时，θ的初始化范围是为[θ_min,θ_max]；其次，对r参数初始化，计算在θ角度上，主站到边界的距离dist，得到r的初始化范围为(0,min(dist,r_max)]；

表示第s个粒子的第i套TDOA定位系统的主无人机站点参数；

A3、更新粒子信息，并进行迭代；达到迭代停止条件，得到无人机集群协同侦察系统站点位置；

更新过程如下：

其中，d为粒子的维度，s表示第s个粒子，k表示当前迭代次数，v为粒子运动速度，ψ表示当前可行解，p代表个体最优解，g表示全局最优解。

5.根据权利要求4所述的一种通信距离受限的无人机集群站点协同优化部署方法，其特征在于，步骤A1所述筛选的准则为：

计算与边界相邻两点的外积

当所有外积的方向一致时，粒子

就属于区域B内；当所有外积除零向量外，其他外积方向一致，粒子

就属于区域B边界上。

Images