CN113848987B - 无人机群协同目标搜索中的动态路径规划方法及系统 - Google Patents

Abstract

本发明公开了一种无人机群协同目标搜索中的动态路径规划方法及系统，包括：初始化搜索任务及优化算法相关参量；将搜索区域和路径进行离散化处理，基于滚动时域控制策略设计当前时刻的目标函数集合；使用麻雀算法优化当前时刻的各单目标函数，得到最优解/最劣解；基于TOPSIS法构造综合效能函数，进行目标函数集合的组合优化；以当前时刻的最优解作为下一时刻的搜索路径点，循环迭代优化直至达到终止条件，规划出无人机完整的搜索路径。本发明的无人机群协同目标搜索中的动态路径规划方法在求解质量上有着明显的优势，能够在动态环境中为无人机群快速找到无障碍的最优搜索路径。

Description

无人机群协同目标搜索中的动态路径规划方法及系统

技术领域

本发明涉及无人机群协同目标搜索中的动态路径规划，属于无人机协同搜索技术领域。

背景技术

近年来，随着无人机相关技术的发展，无人机的应用已经渗透进了社会的方方面面。由于其自身的物理环境的适应能力强、风险小、代价小和无人员伤亡的特点，是关键、时间敏感任务搜救不可或缺的工具。但是由于任务环境越来越复杂，具有全方位、大范围的特点，单架无人机对目标区域的搜索越来越困难，短时间内常常无法完成所有搜索任务。因此研究多无人机之间的协作机制有助于解决更复杂、更具有价值的应用问题。为每架无人机分配一个或一组有序的任务，使得无人机整体作战效率达到最优。其中无人机集群在协同搜索中往往涉及动态路径规划的问题，如何为无人机集群选择无障碍的最优搜索路径是至关重要的，该问题涉及到多目标优化问题。

在对多个目标的处理方法上，主要存在以下几种方式，一种是通过加权的方法将多目标优化问题转化为单目标优化问题；一种是利用帕累托支配关系求得一组互不支配的解。其中TOPSIS法(Technique for Order Preference by Similarity to IdealSolution)为逼近理想解排序法，是一种常用的综合评价方法，其能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。为了对众多方案给出一个排序，在给出所有方案之后，可以根据这些数据，构造出一个所有方案组成的系统中的理想最优解和最劣解。而TOPSIS的想法就是，通过一定的计算，评估方案系统中任何一个方案距离理想最优解和最劣解的综合距离。如果一个方案距离理想最优解越近，距离最劣解越远，就有理由认为这个方案更好。

在实际无人机协同目标搜索问题中大都具有多个目标且需要同时满足，即在同一问题模型中同时存在几个非线性目标，而这些目标函数需要同时进行优化处理，但往往这些目标之间又相互冲突。每个目标不可能都同时达到最优，必须各有权重。但究竟需要怎样分配这样的权重，并得到最有分配方案，已经成为人们研究的热点问题。传统线性加权求和法仅仅将多目标优化问题中的N个目标按其相应比重赋以适当的加权系数，但往往主观权重，客观性较差；因此本发明将TOPSIS法和传统的麻雀算法进行结合，首先选择麻雀算法分别对多个目标函数进行寻优，再使用TOPSIS法构建综合效能函数，最后再使用麻雀算法对综合效能函数进行最终寻优。该方案的设计不仅克服了传统线性加权法的客观性较差的不足，还能通过智能算法的单目标函数寻优，更好实现评估方案中的最优方案选择。

发明内容

发明目的：针对现有技术中多目标优化问题，本发明提出了一种无人机群协同目标搜索中的动态路径规划方法及系统，旨在弥补动态环境下的求解方案精确性不足等缺点，从而有效提高动态搜索环境下的无人机自主控制水平。

技术方案：为实现上述发明目的，本发明采用如下技术方案：

一种无人机群协同目标搜索中的动态路径规划方法，包括如下步骤：

步骤1：初始化参量集，包括搜索任务参数和优化算法参数；

步骤2：将搜索区域划分为离散网格，并将搜索目标过程中无人机经历的路径进行离散化处理，基于滚动时域控制策略设计当前时刻t的目标函数集合{协同搜索效益G_R(t)，协同路径规划收益E_R(t)，协同搜索代价C_R(t)}；其中协同搜索效益描述在t时刻无人机集群经过选定路径点的搜索过程中，沿途发现目标的可能性；协同路径规划收益指导无人机集群尽可能去搜索没有搜索过的区域；协同搜索代价描述无人机飞行到目标点过程中的威胁；

步骤3：使用麻雀算法优化当前时刻的各单目标函数，得到各单目标函数的最优和最劣理想点；

步骤4：基于TOPSIS法构造目标函数集合中多目标优化的综合效能函数，并使用麻雀算法对综合效能函数进行优化；

步骤5：以当前时刻t的最优解的第一项作为下一时刻的搜索路径点，循环执行步骤2至步骤5直到达到终止条件，规划出无人机完整的搜索路径。

作为优选，所述步骤2中，路径离散化处理是将无人机群在t时刻的位置Y(t)以及接下来的路径点的位置表示为[Y(t+1|t)|,Y(t+2|t),...Y(t+j|t)]，Y(t)＝[y₁(t),y₂(t),...,y_N(t)]^T，其中y_i(t)表示第i架无人机t时刻的位置，

为无人机数量，j为滚动时域控制窗口包含的状态节点数。

作为优选，协同搜索效益G_R(t)表示为：

其中，

为第i架无人机在t时刻环境地图编号为v的网格中的目标存在概率；

表示第i架无人机在经过选定航迹点[Y(t+1|t),Y(t+2|t),...Y(t+j|t)]的搜索过程中，在环境地图上的侦察范围；

用来确定是否发现目标，定义如下：

其中，ε_p为概率阈值。

作为优选，协同路径规划收益E_R(t)表示为：

其中，

为第i架无人机在t时刻对第v个网格的目标确定度。

作为优选，确定度根据如下公式更新：

其中，τ_c∈[0,1]为确定度的动态信息因子；SENi为第i架无人机传感器探测范围内的所有网格的编号。

作为优选，协同搜索代价C_R(t)表示为：

其中，

和

分别是t时刻第i架无人机和第j个威胁的三维坐标；N_threa是威胁的数量。

作为优选，所述步骤3中，使用麻雀算法优化当前时刻的目标函数具体内容包括：

步骤31：初始化麻雀种群，包括种群个体的数量，最大迭代次数，发现者占比，警戒者占比，预警值，以及安全阈值；每只麻雀对应无人机群当前及接下来若干时刻的位置集合；

步骤32：当迭代次数达到最大迭代次数之前，计算每个个体的适应度值，并从优到劣排序，选择第一个个体作为最优个体，并记录最优个体/最差个体的位置和其对应的适应度值；

步骤33：按照麻雀算法规则更新种群；

步骤34：循环执行步骤32和步骤33，直到达到最大迭代次数，输出得到种群的最优/最差个体的位置和其对应的适应度值。

作为优选，所述步骤4中，基于TOPSIS法构造的多目标优化的综合效能函数δ(Y)表示为：

其中,

和

分别为三个单目标函数的最优理想函数值和最劣理想函数值，δ^PIS(Y)为目标函数的优化结果与最优解的距离；δ^NIS(Y)为实际目标函数的优化结果与最劣解的距离；w₁、w₂和w₃为权重因子，其中w₁+w₂+w₃＝1。

基于相同的发明构思，本发明提供的一种无人机群协同目标搜索中的动态路径规划系统，包括：

初始化模块，用于初始化参量集，包括搜索任务参数和优化算法参数；

目标函数设计模块，用于将搜索区域划分为离散网格，并将搜索目标过程中无人机经历的路径进行离散化处理，基于滚动时域控制策略设计当前时刻t的目标函数集合{协同搜索效益G_R(t)，协同路径规划收益E_R(t)，协同搜索代价C_R(t)}；其中协同搜索效益描述在t时刻无人机集群经过选定路径点的搜索过程中，沿途发现目标的可能性；协同路径规划收益指导无人机集群尽可能去搜索没有搜索过的区域；协同搜索代价描述无人机飞行到目标点过程中的威胁；

单目标优化模块，用于使用麻雀算法优化当前时刻的各单目标函数，得到各单目标函数的最优和最劣理想点；

多目标优化模块，用于基于TOPSIS法构造目标函数集合中多目标优化的综合效能函数，并使用麻雀算法对综合效能函数进行优化；

以及，动态路径规划模块，用于以当前时刻t的最优解的第一项作为下一时刻的搜索路径点，循环对各时刻进行目标设计和单目标、多目标的优化直到达到终止条件，规划出无人机完整的搜索路径。

基于相同的发明构思，本发明提供的一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的无人机群协同目标搜索中的动态路径规划方法。

有益效果：本发明针对多无人机协同搜索中的动态路径规划问题，开发了一种无人机群协同目标搜索中的动态路径规划方法，该方法首先对算法所需参数进行初始化，进而基于滚动时域控制策略设计当前时刻的目标函数集合，使用麻雀算法优化当前时刻的单目标函数；并基于TOPSIS法优化目标函数集合，找到综合效益最高的路径集合。综合使用麻雀算法和TOPSIS法处理多目标函数，可以有效提高无人机路径规划的求解精度和效率，使无人机群在动态搜索环境中也能快速找到无障碍的最优搜索路径。

附图说明

图1为本发明实施例中的无人机协同路径规划流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明实施例公开的一种无人机群协同目标搜索中的动态路径规划方法，具体包含以下步骤：

步骤1：初始化参量集。主要包括场景大小D_X×D_Y、无人机数量N、威胁区域数量N_threat和目标点数量N_obj等搜索任务相关参数，以及麻雀种群、最大迭代次数等优化算法相关参数。

本发明设置任务搜索区域为S，并将S划分为D_x×D_y的离散网格。其中，网格(a,b)的编号记为v＝a+(b-1)×D_y，v∈{1,2,3,...,D_x×D_y}；D_x和D_y分别表示在长度和宽度上的网格数。本发明对每一个网格v∈{1,2,3,...,D_x×D_y}赋予一定的初始数值z_v(t)和x_v(t)，z_v(t)表示v网格内存在目标的概率，取值[0,1]内；x_v(t)表示无人机在t时刻对第v个网格的信息把握度，是一个标量，x_v(t)越大表示无人机在t时刻对第v个网格的确定度越高。

在无人机执行任务搜索之前，需要根据先验信息，采用概率的方法对网格信息进行初始化，包括目标存在概率以及无人机对离散地图的确定度。

(1)目标存在概率的初始化及更新。

假设网格v处的坐标为(x_j,y_j)，根据先验信息已知任务区域内的N_obj个目标的大致初始位置坐标分别为

此时利用下面的公式对网格v处目标存在概率进行初始化：

在对无人机群进行路径规划过程中，本发明利用贝叶斯定理对每个无人机i所探测范围内的网格的目标存在概率进行更新，公式如下：

其中，t＝0,1,2...；v＝1,2,..,D_x×D_y；n_i(t)＝1表示在第i架无人机的传感器视场角30°范围内探测到目标，这里视场角30°范围指在可探测距离内，以无人机传感器为顶点，以被测物体可被传感器探测的两条边缘构成的夹角，n_i(t)＝0表示在第i架无人机的传感器视场角30°范围内没探测到目标；P_D是第i架无人机的探测概率，即如果探测范围内有目标且传感器能探测到或者探测范围内没有目标且传感器未探测到，否则即虚警，概率为P_F；z_v(t)为t时刻第v个网格处的目标存在概率；M为在第i架无人机的传感器范围内覆盖的离散网格数；SENi为第i架无人机传感器视场角30°探测范围内的所有网格的编号。

(2)确定度的初始化及更新。

本发明采用确定度来动态衡量无人机对离散地图的确定程度，确定度的初始化使用如下公式：

x_v(0)＝-z_v(0)·log₂z_v(0)-(1-z_v(0))·log₂(1-z_v(0))

其中，t＝0,1,2...；x_v(0)是0时刻无人机群对第v个网格的综合目标确定度。

在无人机群协同路径规划的过程中，随着无人机群对离散地图搜索次数的增加，无人机群对此离散地图的了解会不断加深，因此对于每一架无人机i，其对侦测范围内的网格集合SENi的确定度的更新将采用如下公式：

其中，t＝0,1,2...；

是无人机i在t时刻对第v个网格的目标确定度；τ_c∈[0,1]为确定度的动态信息因子；考虑到环境信息是动态变化的，如果v网格未被无人机传感器探测，则该网格的信息确定度会逐渐降低；反之，如果v网格有被无人机传感器探测，则该网格的信息确定度会升高。

步骤2：实时目标函数设计。基于滚动时域控制策略设计当前时刻t的目标函数集合L(t)＝{协同搜索效益G_R(t),协同路径规划收益E_R(t),协同搜索代价C_R(t)}；具体包括：

步骤2.1：路径离散化处理。为了合理地描述无人机集群在搜索目标过程中的状态，需要给出一个搜索收益指标。从目标出现概率的角度，无人机越是前往可能出现目标的区域，收益就越高；从路径规划过程中无人机动态获得信息的角度，无人机越是前往没有搜索过的区域，收益就越高；从搜索环境内可能存在的威胁区域的角度，无人机越是远离威胁区域，收益就越高。同时，由于搜索过程中得到的信息是动态变化的，所以本发明使用滚动时域控制策略把搜索目标过程中所有无人机经历的路径均离散化处理，滚动时域控制策略在优化时把整个侦察过程分为一个个相互重叠且一直向前推进的优化区间；设每个滚动时域控制窗口包含j个状态节点。每一个时刻t，只需要规划接下来的t+1,t+2,...,t+j时刻的最优搜索路径点集为[Y(t+1|t)|,Y(t+2|t),...Y(t+j|t)]，Y(t)＝[y₁(t),y₂(t),...,y_N(t)]^T，其中y_i(t)表示第i架无人机t时刻的位置，

步骤2.2：目标函数集合的设计；

设计目标函数之前，首先根据先验信息获取目标点的数量N_obj和坐标

威胁区的数量N_threat和坐标

目标函数由三部分共同组成，分别为：

(1)协同搜索效益G_R(t)：协同搜索收益G_R(t)描述了在t时刻无人机集群经过选定航迹点[Y(t+1|t),Y(t+2|t),...Y(t+j|t)]的搜索过程中，沿途发现目标的可能性，表达式如下：

其中，

为第i架无人机在t时刻环境地图编号为v的网格中的目标存在概率；

表示第i架无人机在经过选定航迹点[Y(t+1|t),Y(t+2|t),...Y(t+j|t)]的搜索过程中，在环境地图上的侦察范围；

用来确定是否发现目标，即当目标存在概率大于某个概率阈值ε_p时，认为无人机可能会发现目标，

的定义如下：

其中，ε_p为概率阈值。

(2)协同路径规划收益E_R(t)：在协同路径规划过程中应该使无人机集群尽可能去搜索没有搜索过的区域；无人机选择搜索方向上所对应的确定度越小、目标存在概率越大，则协同路径规划收益越大；

协同路径规划收益定义为：

其中，

表示第i架无人机在经过选定航迹点[Y(t+1|t),Y(t+2|t),...Y(t+j|t)]的搜索过程中，在环境地图上的侦察范围，

为第i架无人机在

的范围内的网格v的确定度；

(3)协同搜索代价C_R(t)：无人机群目标搜索过程中的代价表现为无人机飞行到目标点过程中的威胁代价，无人机群应能在目标搜索的过程中自主避开威胁区域。威胁代价采用下面的公式进行预估：

其中，

和

分别是t时刻第i架无人机和第j个威胁的三维坐标。

步骤3：单目标函数优化：使用麻雀算法优化当前时刻的目标函数，得到各单目标函数的最优和最劣理想点；具体包括：

步骤3.1：初始化麻雀参量集：初始化麻雀种群(种群个体位置随机分布)，包括种群个体的数量n，代表变量的麻雀个体维度d，最大迭代次数iter_max，发现者占比Ps，警戒者占比Pa，Ps∈[0,1]，Pa∈[0,1]，预警值R₂∈[0,1]，安全阈值ST∈[0.5,1]。

此外，每只麻雀对应无人机群当前及接下来若干时刻的位置集合{Y(t)，Y(t+1),…}，考虑到无人机群位置的动态变化特性，取该位置集合为{Y(t)，Y(t+1),Y(t+2)}；

步骤3.2：适应度计算及排序：当迭代次数达到最大迭代次数iter_max之前，计算n个个体的适应度值(即对应单目标函数值)，并从优到劣排序，选择第一个个体作为最优个体，并记录最优/最差个体的位置和其对应的最佳适应度值；

步骤3.3：按照麻雀算法规则更新种群；具体包括：

步骤3.31：麻雀角色分布；按照步骤3.2中适应度值排序，取前n*Ps个个体作为发现者，剩余n-n*Ps个个体作为加入者，从所有n个个体中随机选取n*Pa个个体作为警戒者；

步骤3.32：发现者位置更新；

发现者的位置更新规则如下：

其中，t’代表当前时刻的迭代数，j＝1,2,3,...,d。

表示在t’时刻第i个麻雀在第j维中的位置信息。α∈(0,1]是一个随机数，是一个步长控制因子。R₂∈[0,1]是麻雀个体的预警值，ST∈[0.5,1]表示一个安全阈值，如果该发现者的预警值过高超过了安全阈值，则其会向其它麻雀发出警告，麻雀种群会移动到其它安全的地方觅食，如果发现者的预警值在安全阈值内，则其将继续为种群搜寻食物。Q是一个标准正态分布的随机数。L是一个全1矩阵，规模为1×d；

步骤3.33：加入者位置更新；除去发现者，其余麻雀均为加入者。在觅食过程中，加入者会跟随发现者搜寻食物，当过多的加入者聚集在同一片区域时，他们将飞往其他区域觅食。加入者的位置更新规则如下：

其中，X_p是当前时刻中发现者的最优位置，X_worst则表示当前时刻全局当中最差的位置。A是一个1×d的矩阵，该矩阵中每个元素随机取值1或-1，并且A⁺＝A^T(AA^T)-1。

步骤3.34：警戒者位置更新；根据麻雀觅食的行为规则，种群中还需要规定一定比例的警戒麻雀，占总数量的10％到20％，每一次迭代会随机选择种群中的麻雀作为警戒者，当其位于种群的边缘时，为了避免被捕食，他们会向种群中心靠(即当前时刻的最优位置的发现者)，相反如果位于种群中心的警戒者感知到了危险，他们会向种群中的其他麻雀靠拢。警戒者的位置更新规则如下:

其中，X_best是当前时刻麻雀种群中的最优个体的位置。β是一个标准正态分布的随机数，是一个步长控制因子。K∈[-1,1]是一个随机数，是一个步长控制因子。f_i则是第i个麻雀个体的适应度值。f_g和f_w分别是当前时刻麻雀种群的最佳个体的适应度值、最差个体的适应度值。ε是一个非常小的常数，用以避免分母出现零。

步骤3.4：循环执行步骤3.2和步骤3.3，继续迭代直到达到最大迭代次数，输出得到种群的最优个体的位置(即全局最优解)和其对应的最佳适应度值。

步骤4：组合函数优化：基于TOPSIS法对步骤2中目标函数集合进行组合优化；具体包括：

步骤4.1：求各单目标函数的最优最劣理想点；将使用步骤3所述的麻雀算法分别优化三个单目标函数，求得其最优理想函数值

(i＝1,2,3,分别对应目标函数(1)-(3))和最劣理想函数值

步骤4.2：建立多目标优化函数δ(Y)；根据步骤4.1中的最优理想函数值和最劣理想函数值，基于TOPSIS法构造多目标优化的综合效能函数δ(Y)；

基于步骤4.1中得到的

和

依照下列公式计算出多目标优化的综合效能δ(Y):

其中,δ^PIS(Y)为目标函数的优化结果与最优解的距离；δ^NIS(Y)为实际目标函数的优化结果与最劣解的距离；w₁、w₂和w₃为权重因子，其中w₁+w₂+w₃＝1。从公式可以看出，目标函数的优化结果与最优理想函数值的距离越近，其综合效能就越大；反之则越小

步骤4.3：以步骤4.2中的综合效能函数δ(Y)作为优化目标，使用步骤3所述的麻雀算法优化函数δ(Y)。

步骤5：循环结束判断：如果达到终止条件(找到所有目标、任务结束等)，则规划出无人机完整的搜索路径；否则回到步骤2，继续进行迭代；最终得到目标搜索过程中动态规划的最优搜索路径。

基于相同的发明构思，本发明实施例公开的一种无人机群协同目标搜索中的动态路径规划系统，包括：初始化模块，用于初始化参量集，包括搜索任务参数和优化算法参数；目标函数设计模块，用于将搜索区域划分为离散网格，并将搜索目标过程中无人机经历的路径进行离散化处理，基于滚动时域控制策略设计当前时刻t的目标函数集合{协同搜索效益G_R(t)，协同路径规划收益E_R(t)，协同搜索代价C_R(t)}；单目标优化模块，用于使用麻雀算法优化当前时刻的各单目标函数，得到各单目标函数的最优和最劣理想点；多目标优化模块，用于基于TOPSIS法构造目标函数集合中多目标优化的综合效能函数，并使用麻雀算法对综合效能函数进行优化；以及动态路径规划模块，用于以当前时刻t的最优解的第一项作为下一时刻的搜索路径点，循环对各时刻进行目标设计和单目标、多目标的优化直到达到终止条件，规划出无人机完整的搜索路径。各模块的具体实施细节参见上述方法实施例，此处不再赘述。

基于相同的发明构思，本发明实施例公开的一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现上述的无人机群协同目标搜索中的动态路径规划方法。

Claims (10)

1.一种无人机群协同目标搜索中的动态路径规划方法，其特征在于，包括如下步骤：

步骤1：初始化参量集，包括搜索任务参数和优化算法参数；

步骤2：将搜索区域划分为离散网格，并将搜索目标过程中无人机经历的路径进行离散化处理，基于滚动时域控制策略设计当前时刻t的目标函数集合{协同搜索效益G_R(t)，协同路径规划收益E_R(t)，协同搜索代价C_R(t)}；其中协同搜索效益描述在t时刻无人机集群经过选定路径点的搜索过程中，沿途发现目标的可能性；协同路径规划收益指导无人机集群尽可能去搜索没有搜索过的区域；协同搜索代价描述无人机飞行到目标点过程中的威胁；

步骤3：使用麻雀算法优化当前时刻的各单目标函数，得到各单目标函数的最优和最劣理想点；

步骤4：基于TOPSIS法构造目标函数集合中多目标优化的综合效能函数，并使用麻雀算法对综合效能函数进行优化；

步骤5：以当前时刻t的最优解的第一项作为下一时刻的搜索路径点，循环执行步骤2至步骤5直到达到终止条件，规划出无人机完整的搜索路径。

2.根据权利要求1所述的一种无人机群协同目标搜索中的动态路径规划方法，其特征在于，所述步骤2中，路径离散化处理是将无人机群在t时刻的位置Y(t)以及接下来的路径点的位置表示为[Y(t+1|t)|,Y(t+2|t),...Y(t+j|t)]，Y(t)＝[y₁(t),y₂(t),...,y_N(t)]^T，其中y_i(t)表示第i架无人机t时刻的位置，

N为无人机数量，j为滚动时域控制窗口包含的状态节点数。

3.根据权利要求2所述的一种无人机群协同目标搜索中的动态路径规划方法，其特征在于，协同搜索效益G_R(t)表示为：

其中，

为第i架无人机在t时刻环境地图编号为v的网格中的目标存在概率；

表示第i架无人机在经过选定航迹点[Y(t+1|t),Y(t+2|t),...Y(t+j|t)]的搜索过程中，在环境地图上的侦察范围；

用来确定是否发现目标，定义如下：

其中，ε_p为概率阈值。

4.根据权利要求2所述的一种无人机群协同目标搜索中的动态路径规划方法，其特征在于，协同路径规划收益E_R(t)表示为：

其中，

为第i架无人机在t时刻环境地图编号为v的网格中的目标存在概率；

表示第i架无人机在经过选定航迹点[Y(t+1|t),Y(t+2|t),...Y(t+j|t)]的搜索过程中，在环境地图上的侦察范围；

为第i架无人机在t时刻对第v个网格的目标确定度。

5.根据权利要求4所述的一种无人机群协同目标搜索中的动态路径规划方法，其特征在于，确定度根据如下公式更新：

其中，τ_c∈[0,1]为确定度的动态信息因子；SENi为第i架无人机传感器探测范围内的所有网格的编号。

6.根据权利要求2所述的一种无人机群协同目标搜索中的动态路径规划方法，其特征在于，协同搜索代价C_R(t)表示为：

其中，

和

分别是t时刻第i架无人机和第j个威胁的三维坐标；N_threat是威胁的数量。

7.根据权利要求1所述的一种无人机群协同目标搜索中的动态路径规划方法，其特征在于，所述步骤3中，使用麻雀算法优化当前时刻的目标函数具体内容包括：

步骤31：初始化麻雀种群，包括种群个体的数量，最大迭代次数，发现者占比，警戒者占比，预警值，以及安全阈值；每只麻雀对应无人机群当前及接下来若干时刻的位置集合；

步骤32：当迭代次数达到最大迭代次数之前，计算每个个体的适应度值，并从优到劣排序，选择第一个个体作为最优个体，并记录最优个体/最差个体的位置和其对应的适应度值；

步骤33：按照麻雀算法规则更新种群；

步骤34：循环执行步骤32和步骤33，直到达到最大迭代次数，输出得到种群的最优/最差个体的位置和其对应的适应度值。

8.根据权利要求1所述的一种无人机群协同目标搜索中的动态路径规划方法，其特征在于，所述步骤4中，基于TOPSIS法构造的多目标优化的综合效能函数δ(Y)表示为：

其中,

和

分别为三个单目标函数的最优理想函数值和最劣理想函数值，δ^PIS(Y)为目标函数的优化结果与最优解的距离；δ^NIS(Y)为实际目标函数的优化结果与最劣解的距离；w₁、w₂和w₃为权重因子，其中w₁+w₂+w₃＝1。

9.一种无人机群协同目标搜索中的动态路径规划系统，其特征在于，包括：

初始化模块，用于初始化参量集，包括搜索任务参数和优化算法参数；

目标函数设计模块，用于将搜索区域划分为离散网格，并将搜索目标过程中无人机经历的路径进行离散化处理，基于滚动时域控制策略设计当前时刻t的目标函数集合{协同搜索效益G_R(t)，协同路径规划收益E_R(t)，协同搜索代价C_R(t)}；其中协同搜索效益描述在t时刻无人机集群经过选定路径点的搜索过程中，沿途发现目标的可能性；协同路径规划收益指导无人机集群尽可能去搜索没有搜索过的区域；协同搜索代价描述无人机飞行到目标点过程中的威胁；

单目标优化模块，用于使用麻雀算法优化当前时刻的各单目标函数，得到各单目标函数的最优和最劣理想点；

多目标优化模块，用于基于TOPSIS法构造目标函数集合中多目标优化的综合效能函数，并使用麻雀算法对综合效能函数进行优化；

以及，动态路径规划模块，用于以当前时刻t的最优解的第一项作为下一时刻的搜索路径点，循环对各时刻进行目标设计和单目标、多目标的优化直到达到终止条件，规划出无人机完整的搜索路径。

10.一种计算机系统，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现根据权利要求1-8任一项所述的无人机群协同目标搜索中的动态路径规划方法。

Images