CN114200964A - 一种无人机集群协同侦察覆盖分布式自主优化方法 - Google Patents

一种无人机集群协同侦察覆盖分布式自主优化方法 Download PDF

Info

Publication number
CN114200964A
CN114200964A CN202210146501.5A CN202210146501A CN114200964A CN 114200964 A CN114200964 A CN 114200964A CN 202210146501 A CN202210146501 A CN 202210146501A CN 114200964 A CN114200964 A CN 114200964A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
reconnaissance
global
policy
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
Application number
CN202210146501.5A
Other languages
English (en)
Other versions
CN114200964B (zh
Inventor
姚昌华
胡程程
程康
高泽郃
韩贵真
安蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202210146501.5A priority Critical patent/CN114200964B/zh
Publication of CN114200964A publication Critical patent/CN114200964A/zh
Application granted granted Critical
Publication of CN114200964B publication Critical patent/CN114200964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/10—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

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

本发明公开了一种无人机集群协同侦察覆盖分布式自主优化方法，通过将无人机执行不同位置策略和功率策略时获得的收益虚拟化，以收益虚拟来驱动无人机行动的自主决策，通过分布式自主迭代学习算法优化无人机的位置策略和功率策略，实现无人机群所获虚拟收益最大化，该方法使得无人机群能够在侦察区域内自主展开协同，并合理分配侦察资源，提高无人机群的稳定性和灵活性，在不同环境中均能保持稳定的侦察综合效率。

Description

一种无人机集群协同侦察覆盖分布式自主优化方法
技术领域
本发明涉及无人机协同侦察系统，具体涉及一种无人机集群协同侦察覆盖分布式自主优化方法。
背景技术
在遭遇自然灾害时或者战场的紧急区域，现有的侦察设备可能遭到破坏无法正常使用，此时如何利用有限的负载资源来获得最大的情报信息至关重要；无人机由于其体积小，灵活性强等特点，已经在军事和民用领域有了广泛的应用。在紧急区域，无人机很适合用于侦察失去掌控的地区从而获取目标区域的信息，并为进一步的救援或者战斗工作提供帮助；多无人机协同侦察是无人机的一种重要应用，要求无人机在一定约束的条件下协同对指定区域进行侦察；协同侦察可以有效增强无人机侦察的效率和质量，是未来无人机作战模式的重要趋势。多无人机协同侦察存在如下几方面优势：高效，当存在大量任务区域需要进行侦察时，单个无人机完成侦察任务所消耗的时间会超出无人机的续航时间，如果采用多无人机侦察，只需要给每架无人机分配指定的区域，可以有效减少时间的消耗；稳定，如果只存在单架无人机进行侦察任务时，如果无人机发生故障则会导致任务中断，使用多架无人机协同侦察时，当其中一架或者多架无人机出现故障时，会有其他的无人机来接替故障无人机的工作，保障侦察工作的顺利完成；灵活，单个无人机在进行侦察时所携带的侦察载荷有限，如果侦察载荷不能用于目标区域时，只能中断侦察任务的执行，而在使用多架无人机侦察时，无人机可以携带不同的侦察载荷来针对不同的任务场景。
现有技术虽然对无人机协同侦察有所研究，但主要集中在研究无人机协同侦察的路径优化，默认目标在指定区域一直存在，忽视了目标间隔性出现这种可能性。从侦察的方式来看，大部分现有研究采取无人机巡逻侦察方式，对侦察的成功率考虑不足。因此，有必要研究无人机集群在侦察中，面对目标不同出现概率的场景的侦察覆盖技术。
发明内容
本发明的目的：在于提供一种无人机集群协同侦察覆盖分布式自主优化方法，使得无人机群能够针对指定复杂区域，根据侦察区域内目标出现的分布情况，通过系统协同任务分配和算法迭代，通过集中决策的方式，合理分配无人机系统中每一架无人机的位置策略和功率策略，提高无人机群对于侦察区域的侦察能力。
为实现以上功能，本发明设计一种无人机集群协同侦察覆盖分布式自主优化方法，包括以下步骤：步骤S1.初始化无人机群中各无人机的位置策略和功率策略，基于无人机群中各无人机的位置策略和功率策略的选择，构建无人机群行动决策。
侦察区域内存在至少一个预设待侦察目标点，基于无人机群行动决策、无人机群中各无人机分别对各预设待侦察目标点的侦察成功率、无人机群中各无人机分别侦察各预设待侦察目标点所需时间，构建全局侦察覆盖效用、全局侦察覆盖能量效率。
基于全局侦察覆盖效用、全局侦察覆盖能量效率，构建无人机群执行不同行动决策时获得的虚拟收益模型。
步骤S2.基于无人机群的行动决策的选择、以及虚拟收益模型，构建该行动决策下的全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数，其中全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数用于表征无人机群中各无人机位置策略和功率策略变化时对所获虚拟收益模型的影响。
步骤S3.基于虚拟收益模型，结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响，通过分布式自主迭代学习，优化无人机群中各无人机的位置策略和功率策略，实现无人机群所获虚拟收益最大化。
作为发明的一种优选技术方案：步骤S1中构建无人机群执行不同行动决策时获得 的虚拟收益模型的具体步骤如下：步骤S11.针对无人机群中任意一个无人机n，基于侦察区 域地形信息，构建无人机n对侦察区域内其中一个预设待侦察目标点i的侦察成功率
Figure 100002_DEST_PATH_IMAGE001
如下式：
Figure 100002_DEST_PATH_IMAGE002
式中，i为侦察区域内其中一个预设待侦察目标点，
Figure 100002_DEST_PATH_IMAGE003
，I为侦察区域内所有待侦 察目标点的集合，
Figure 100002_DEST_PATH_IMAGE004
为侦察的初始距离，
Figure 100002_DEST_PATH_IMAGE005
为预设侦察成功率与侦察距离的预设系数，
Figure 100002_DEST_PATH_IMAGE006
为无人机n的高度，
Figure 100002_DEST_PATH_IMAGE007
为无人机n水平坐标，
Figure 100002_DEST_PATH_IMAGE008
为预设待侦察目标点i的水平坐 标。
步骤S12.基于无人机与空中服务器以传输图片进行通信的方式，构建无人机n侦 察预设待侦察目标点i所消耗的时间
Figure 100002_DEST_PATH_IMAGE009
如下式：
Figure 100002_DEST_PATH_IMAGE010
式中，b为无人机与空中服务器之间所传输的图片中一个像素的比特数，r为所述 图片的分辨率，B为传输信息的带宽，
Figure 100002_DEST_PATH_IMAGE011
为无人机n上传信息所消耗的功率，
Figure 100002_DEST_PATH_IMAGE012
为传输信道的 噪声系数，
Figure 100002_DEST_PATH_IMAGE013
为空中服务器的水平坐标。
步骤S13.基于无人机n对侦察区域内其中一个预设待侦察目标点i的侦察成功率
Figure 738964DEST_PATH_IMAGE001
、预设待侦察目标点i出现的概率
Figure 100002_DEST_PATH_IMAGE014
，构建无人机群对预设待侦察目标点i的侦察成功 率
Figure 100002_DEST_PATH_IMAGE015
如下式：
Figure 100002_DEST_PATH_IMAGE016
式中，N为无人机群中无人机的数量。
步骤S14.基于无人机群对预设待侦察目标点i的侦察成功率
Figure 157570DEST_PATH_IMAGE015
，构建全局侦察覆 盖效用U如下式：
Figure 100002_DEST_PATH_IMAGE017
式中，
Figure 100002_DEST_PATH_IMAGE018
为无人机群中各无人机上传信息时间的最大值，I为侦察区域内所有 待侦察目标点的集合。
步骤S15.基于全局侦察覆盖效用U，构建全局侦察覆盖能量效率G如下式：
Figure 100002_DEST_PATH_IMAGE019
式中，
Figure 100002_DEST_PATH_IMAGE020
表示无人机群中其中一个无人机n的功率策略。
步骤S16.基于无人机群中各无人机的位置策略和功率策略，构建虚拟收益模型：
Figure 100002_DEST_PATH_IMAGE021
，其中P表示各无人机功率策略的集合，S表示各无人机位置策略的集合。
作为发明的一种优选技术方案：步骤S2中构建全局侦察覆盖效用的势能函数、全 局侦察覆盖能量效率的势能函数的具体步骤如下：步骤S21.将无人机群中的一个无人机n 的侦察覆盖区域定义为
Figure 100002_DEST_PATH_IMAGE022
，将与无人机n存在重叠侦察覆盖区域的无人机定义为邻居无人 机，其中邻居无人机的侦察覆盖区域定义为
Figure 100002_DEST_PATH_IMAGE023
，各无人机的侦察覆盖区域满足
Figure 100002_DEST_PATH_IMAGE024
； 无人机n基于其位置策略移动到下一位置，该位置记为
Figure 100002_DEST_PATH_IMAGE025
，移动至位置
Figure 180715DEST_PATH_IMAGE025
的无人机n的侦察 覆盖区域为
Figure 100002_DEST_PATH_IMAGE026
，位于位置
Figure 326657DEST_PATH_IMAGE025
的无人机n的邻居无人机的侦察覆盖区域为
Figure 100002_DEST_PATH_IMAGE027
，针对各无人机 的位置策略，构建全局侦察覆盖效用的势能函数如下式：
Figure 100002_DEST_PATH_IMAGE028
式中，
Figure 100002_DEST_PATH_IMAGE029
为无人机n的位置策略为
Figure 100002_DEST_PATH_IMAGE030
时的全局侦察覆盖效用的势能函数，
Figure 93360DEST_PATH_IMAGE030
为无人机n的位置策略，
Figure 100002_DEST_PATH_IMAGE031
为无人机群中除无人机n以外的其他各无人机的位置策略，
Figure 100002_DEST_PATH_IMAGE032
为无人机n的位置策略为
Figure 417288DEST_PATH_IMAGE030
时的全局侦察覆盖效用。
针对无人机n进行位置策略的改变，将无人机n的位置策略由
Figure 497370DEST_PATH_IMAGE030
变为
Figure 100002_DEST_PATH_IMAGE033
，其位置策 略的改变引起的全局侦察覆盖效用的势能函数的变化如下式：
Figure 100002_DEST_PATH_IMAGE034
式中，
Figure 100002_DEST_PATH_IMAGE035
为无人机n的位置策略变为
Figure 186017DEST_PATH_IMAGE033
时的全局侦察覆盖效用的势能函 数，
Figure 100002_DEST_PATH_IMAGE036
为无人机n及其所有邻居无人机的侦察覆盖区域的集合，
Figure 100002_DEST_PATH_IMAGE037
为无人机n的位置策 略为
Figure 231726DEST_PATH_IMAGE030
时，对预设待侦察目标点i的侦察成功率，
Figure 100002_DEST_PATH_IMAGE038
为无人机n的位置策略变为
Figure 913506DEST_PATH_IMAGE033
时，对 预设待侦察目标点i的侦察成功率，k为无人机群中除无人机n及其各邻居无人机以外的一 个无人机，
Figure 100002_DEST_PATH_IMAGE039
为无人机k对预设待侦察目标点i的侦察成功率。
步骤S22.针对无人机n的功率策略的改变，构建全局侦察覆盖能量效率的势能函数如下式：
Figure 100002_DEST_PATH_IMAGE040
式中，
Figure 100002_DEST_PATH_IMAGE041
为无人机n的功率策略为
Figure 857715DEST_PATH_IMAGE020
时的全局侦察覆盖能量效率的势能函 数，
Figure 719361DEST_PATH_IMAGE020
为无人机n的功率策略，
Figure 100002_DEST_PATH_IMAGE042
为无人机群中除无人机n以外的其他各无人机的功率策 略，
Figure 100002_DEST_PATH_IMAGE043
为无人机n的功率策略为
Figure 693613DEST_PATH_IMAGE020
时无人机群对预设待侦察目标点i的侦察成功 率，
Figure 100002_DEST_PATH_IMAGE044
为无人机群中一个无人机m的功率策略，其中
Figure 100002_DEST_PATH_IMAGE045
。
针对无人机n的功率策略由
Figure 624922DEST_PATH_IMAGE020
变化到
Figure 100002_DEST_PATH_IMAGE046
时，该变化引起的全局侦察覆盖能量效率 的势能函数的变化如下式：
Figure 100002_DEST_PATH_IMAGE047
式中，
Figure 100002_DEST_PATH_IMAGE048
为无人机n的功率策略为
Figure 368012DEST_PATH_IMAGE046
时的全局侦察覆盖能量效率的势能函 数，
Figure 100002_DEST_PATH_IMAGE049
为无人机n的功率策略为
Figure 393868DEST_PATH_IMAGE046
时无人机群对预设待侦察目标点i的侦察成功 率。
作为发明的一种优选技术方案：步骤S3中基于虚拟收益模型，结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响，通过分布式自主迭代学习，优化无人机群中各无人机的位置策略和功率策略，实现无人机群所获虚拟收益最大化的具体步骤如下：步骤S31.在无人机群中随机选择一个无人机j，构建无人机j的状态参数如下式：
Figure 100002_DEST_PATH_IMAGE050
式中，t为当前时刻，
Figure 100002_DEST_PATH_IMAGE051
为无人机j当前时刻的状态参数，
Figure 100002_DEST_PATH_IMAGE052
为无人机j当前时 刻的位置策略，
Figure 100002_DEST_PATH_IMAGE053
为无人机j当前时刻的功率策略。
针对无人机j选择一个位置策略
Figure 100002_DEST_PATH_IMAGE054
，其他无人机位置保持不变。
步骤S32.计算无人机j基于当前时刻的位置策略的全局侦察覆盖效用
Figure 100002_DEST_PATH_IMAGE055
和 无人机j基于位置策略
Figure 716966DEST_PATH_IMAGE054
进行移动后的全局侦察覆盖效用
Figure 100002_DEST_PATH_IMAGE056
，其中
Figure 100002_DEST_PATH_IMAGE057
为无人 机j基于位置策略
Figure 865182DEST_PATH_IMAGE054
进行移动后的状态参数。
步骤S33.针对无人机j，根据下式计算无人机j下一时刻保持当前位置策略的概率
Figure 100002_DEST_PATH_IMAGE058
和改变位置策略的概率
Figure 100002_DEST_PATH_IMAGE059
，其中
Figure 100002_DEST_PATH_IMAGE060
为无人机j 下一时刻的状态参数：
Figure 100002_DEST_PATH_IMAGE061
式中，
Figure 100002_DEST_PATH_IMAGE062
为预设学习系数。
步骤S34.更新该无人机的状态参数为
Figure 908617DEST_PATH_IMAGE060
，然后从无人机群中的其他各无人 机中随机选择一个无人机，重复步骤S31至步骤S33的位置策略选择过程，直至达到预设最 大迭代次数，保存预设最大迭代次数所对应的无人机群中各无人机的状态参数。
步骤S35.在无人机群中随机选择一个无人机k，构建无人机k的状态参数如下式：
Figure 100002_DEST_PATH_IMAGE063
式中，
Figure 100002_DEST_PATH_IMAGE064
为无人机k当前时刻的状态参数，
Figure 100002_DEST_PATH_IMAGE065
为无人机k当前时刻的位置策 略，
Figure 100002_DEST_PATH_IMAGE066
为无人机k当前时刻的功率策略。
针对无人机k选择一个功率策略
Figure 100002_DEST_PATH_IMAGE067
，其他无人机功率保持不变。
步骤S36.计算无人机k基于当前时刻的功率策略的全局侦察覆盖能量效率
Figure 100002_DEST_PATH_IMAGE068
，以及无人机k基于功率策略
Figure 440679DEST_PATH_IMAGE067
的全局侦察覆盖能量效率
Figure 100002_DEST_PATH_IMAGE069
，其中
Figure 100002_DEST_PATH_IMAGE070
为无人机k基于功率策略
Figure 814022DEST_PATH_IMAGE067
进行功率改变后的状态参数，
Figure 100002_DEST_PATH_IMAGE071
为无人机群中除无人机k以外的其他各无人机的状态参数。
步骤S37.针对无人机k，根据下式计算无人机k下一时刻保持当前功率策略的概率
Figure 100002_DEST_PATH_IMAGE072
和改变功率策略的概率
Figure 100002_DEST_PATH_IMAGE073
，其中
Figure 100002_DEST_PATH_IMAGE074
为无人机k下一时刻的状态参数：
Figure 100002_DEST_PATH_IMAGE075
步骤S38.更新无人机k的状态参数为
Figure 826148DEST_PATH_IMAGE074
，然后从无人机群中的其他各无人 机中随机选择一个无人机，重复步骤S35至步骤S37的功率策略选择过程，直至达到预设最 大迭代次数，保存预设最大迭代次数所对应的无人机群中各无人机的状态参数，此时各无 人机的位置策略和功率策略使无人机群所获虚拟收益最大。
有益效果：相对于现有技术，本发明的优点包括：本发明设计了一种无人机集群协同侦察覆盖分布式自主优化方法，使无人机群能够根据侦察区域自主地展开协同，并合理分配侦察资源，并且不会因为巡逻式的侦察错过目标的出现，提高了无人机集群系统的稳定性和灵活性，在不同环境中均能保持稳定的侦察综合效率。
附图说明
图1是根据本发明实施例提供的无人机群的示意图；
图2是根据本发明实施例提供的无人机对预设待侦察目标点的侦察示意图；
图3是根据本发明实施例提供的预设待侦察目标点出现的概率密度图；
图4是根据本发明实施例提供的无人机群初始分布位置设置图；
图5是根据本发明实施例提供的优化后无人机群的分布位置图；
图6是根据本发明实施例提供的不同数量的无人机组成的无人机群的全局侦察覆盖效用对比图；
图7是根据本发明实施例提供的不同数量的无人机组成的无人机群的总功率对比图；
图8是根据本发明实施例提供的不同数量的无人机组成的无人机群的全局侦察覆盖能量效率对比图。
具体实施方式
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明实施例提供的一种无人机集群协同侦察覆盖分布式自主优化方法，包括以下步骤：步骤S1.初始化无人机群中各无人机的位置策略和功率策略，基于无人机群中各无人机的位置策略和功率策略的选择，构建无人机群行动决策。
侦察区域内存在至少一个预设待侦察目标点，基于无人机群行动决策、无人机群中各无人机分别对各预设待侦察目标点的侦察成功率、无人机群中各无人机分别侦察各预设待侦察目标点所需时间，构建全局侦察覆盖效用、全局侦察覆盖能量效率。
基于全局侦察覆盖效用、全局侦察覆盖能量效率，构建无人机群执行不同行动决策时获得的虚拟收益模型。
步骤S2.基于无人机群的行动决策的选择、以及虚拟收益模型，构建该行动决策下的全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数，其中全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数用于表征无人机群中各无人机位置策略和功率策略变化时对所获虚拟收益模型的影响。
步骤S3.基于虚拟收益模型，结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响，通过分布式自主迭代学习，优化无人机群中各无人机的位置策略和功率策略，实现无人机群所获虚拟收益最大化。
本发明实施例提供的一种无人机集群协同侦察覆盖分布式自主优化方法，无人机 群的示意图参考图1，步骤S1中构建无人机群执行不同行动决策时获得的虚拟收益模型的 具体步骤如下：步骤S11.无人机对预设待侦察目标点的侦察示意图参考图2，针对无人机群 中任意一个无人机n，基于侦察区域地形信息，构建无人机n对侦察区域内其中一个预设待 侦察目标点i的侦察成功率
Figure 465202DEST_PATH_IMAGE001
如下式：
Figure 973806DEST_PATH_IMAGE002
式中，i为侦察区域内其中一个预设待侦察目标点，
Figure 139339DEST_PATH_IMAGE003
，I为侦察区域内所有待侦 察目标点的集合，
Figure 144204DEST_PATH_IMAGE004
为侦察的初始距离，
Figure 208237DEST_PATH_IMAGE005
为预设侦察成功率与侦察距离的预设系数，
Figure 753488DEST_PATH_IMAGE006
为无人机n的高度，
Figure 852157DEST_PATH_IMAGE007
为无人机n水平坐标，
Figure 90240DEST_PATH_IMAGE008
为预设待侦察目标点i的水平坐 标。
步骤S12.基于无人机与空中服务器以传输图片进行通信的方式，构建无人机n侦 察预设待侦察目标点i所消耗的时间
Figure 641569DEST_PATH_IMAGE009
如下式：
Figure 990511DEST_PATH_IMAGE010
式中，b为无人机与空中服务器之间所传输的图片中一个像素的比特数，r为所述 图片的分辨率，B为传输信息的带宽，
Figure 678106DEST_PATH_IMAGE011
为无人机n上传信息所消耗的功率，
Figure 87091DEST_PATH_IMAGE012
为传输信道的 噪声系数，
Figure 199752DEST_PATH_IMAGE013
为空中服务器的水平坐标。
步骤S13.基于无人机n对侦察区域内其中一个预设待侦察目标点i的侦察成功率
Figure 352385DEST_PATH_IMAGE001
、预设待侦察目标点i出现的概率
Figure 284700DEST_PATH_IMAGE014
，构建无人机群对预设待侦察目标点i的侦察成功 率
Figure 38154DEST_PATH_IMAGE015
如下式：
Figure 124928DEST_PATH_IMAGE016
式中，N为无人机群中无人机的数量。
其中预设待侦察目标点i出现的概率
Figure 317137DEST_PATH_IMAGE014
由先验知识和侦察区域的地形信息获得。
在一个实施例中，预设待侦察目标点出现的概率密度图参考图3，侦察区域划分为 50
Figure DEST_PATH_IMAGE076
50的网格，每个刻度为150m，图3中侦察区域的亮度表示预设待侦察目标点出现的概 率，其中坐标（15，35）和坐标（35，15）两个点为预设待侦察目标点出现的主要区域；对应预 设待侦察目标点出现的概率密度预设的无人机群初始分布位置设置图参考图4，其中图片 的分辨率r=256，无人机与空中服务器之间所传输的图片中一个像素的比特数b=8, 传输信 息的带宽B=20MHz，传输信道的噪声系数
Figure DEST_PATH_IMAGE077
，无人机n的高度
Figure DEST_PATH_IMAGE078
，侦察 的初始距离
Figure DEST_PATH_IMAGE079
，预设侦察成功率与侦察距离的预设系数
Figure DEST_PATH_IMAGE080
。
步骤S14. 由于无人机群的侦察在实际应用中对时效性的要求很高，侦察信息获 取的速度对侦察的价值有重要影响，因此，在无人机群的侦察过程中，一方面需要提高无人 机群的全局侦察覆盖效用，另一方面，需要减小各无人机信息上传所耗费的时间，因此，基 于无人机群对预设待侦察目标点i的侦察成功率
Figure 244904DEST_PATH_IMAGE015
，构建全局侦察覆盖效用U如下式：
Figure 231577DEST_PATH_IMAGE017
式中，
Figure 743330DEST_PATH_IMAGE018
为无人机群中各无人机上传信息时间的最大值，I为侦察区域内所有 待侦察目标点的集合。
步骤S15.无人机的能耗问题是制约无人机进行长时间工作的关键因素，在侦察场景中，通过减小各无人机的功率来减少无人机群的总能耗，因此，基于全局侦察覆盖效用U，构建全局侦察覆盖能量效率G如下式：
Figure 739230DEST_PATH_IMAGE019
式中，
Figure 567509DEST_PATH_IMAGE020
表示无人机群中其中一个无人机n的功率策略。
步骤S16.基于无人机群中各无人机的位置策略和功率策略，构建虚拟收益模型：
Figure 489197DEST_PATH_IMAGE021
，其中P表示各无人机功率策略的集合，S表示各无人机位置策略的集合，在 虚拟收益模型中，更高的全局侦察覆盖能量效率G意味着更高的无人机群的侦察覆盖效用， 以及更低的无人机群总能耗。
本发明实施例提供的一种无人机集群协同侦察覆盖分布式自主优化方法，步骤S2 中构建全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数的具体步骤如 下：步骤S21.将无人机群中的一个无人机n的侦察覆盖区域定义为
Figure 712413DEST_PATH_IMAGE022
，将与无人机n存在重 叠侦察覆盖区域的无人机定义为邻居无人机，其中邻居无人机的侦察覆盖区域定义为
Figure 698955DEST_PATH_IMAGE023
， 各无人机的侦察覆盖区域满足
Figure 460368DEST_PATH_IMAGE024
；无人机n基于其位置策略移动到下一位置，该位 置记为
Figure 552958DEST_PATH_IMAGE025
，移动至位置
Figure 275189DEST_PATH_IMAGE025
的无人机n的侦察覆盖区域为
Figure 488258DEST_PATH_IMAGE026
，位于位置
Figure 291129DEST_PATH_IMAGE025
的无人机n的邻居无 人机的侦察覆盖区域为
Figure 554620DEST_PATH_IMAGE027
，无人机n在改变自身的位置策略的过程中，全局侦察覆盖效用 不会因为任一无人机的位置策略改变而变化时，即达到纳什均衡，虚拟收益模型的虚拟收 益达到最大。
针对各无人机的位置策略，构建全局侦察覆盖效用的势能函数如下式：
Figure 764146DEST_PATH_IMAGE028
式中，
Figure 200813DEST_PATH_IMAGE029
为无人机n的位置策略为
Figure 812185DEST_PATH_IMAGE030
时的全局侦察覆盖效用的势能函数，
Figure 246577DEST_PATH_IMAGE030
为无人机n的位置策略，
Figure 955119DEST_PATH_IMAGE031
为无人机群中除无人机n以外的其他各无人机的位置策略，
Figure 946209DEST_PATH_IMAGE032
为无人机n的位置策略为
Figure 536721DEST_PATH_IMAGE030
时的全局侦察覆盖效用。
针对无人机n进行位置策略的改变，将无人机n的位置策略由
Figure 768113DEST_PATH_IMAGE030
变为
Figure 247505DEST_PATH_IMAGE033
，其位置策 略的改变引起的全局侦察覆盖效用的势能函数的变化如下式：
Figure 730701DEST_PATH_IMAGE034
式中，
Figure 549622DEST_PATH_IMAGE035
为无人机n的位置策略变为
Figure 138866DEST_PATH_IMAGE033
时的全局侦察覆盖效用的势能函 数，
Figure 810281DEST_PATH_IMAGE036
为无人机n及其所有邻居无人机的侦察覆盖区域的集合，
Figure 330124DEST_PATH_IMAGE037
为无人机n的位置策 略为
Figure 505016DEST_PATH_IMAGE030
时，对预设待侦察目标点i的侦察成功率，
Figure 780008DEST_PATH_IMAGE038
为无人机n的位置策略变为
Figure 673140DEST_PATH_IMAGE033
时，对 预设待侦察目标点i的侦察成功率，k为无人机群中除无人机n及其各邻居无人机以外的一 个无人机，
Figure 996674DEST_PATH_IMAGE039
为无人机k对预设待侦察目标点i的侦察成功率。
步骤S22.针对无人机n的功率策略的改变，构建全局侦察覆盖能量效率的势能函数如下式：
Figure 337657DEST_PATH_IMAGE040
式中，
Figure 222698DEST_PATH_IMAGE041
为无人机n的功率策略为
Figure 101662DEST_PATH_IMAGE020
时的全局侦察覆盖能量效率的势能函 数，
Figure 453053DEST_PATH_IMAGE020
为无人机n的功率策略，
Figure 101072DEST_PATH_IMAGE042
为无人机群中除无人机n以外的其他各无人机的功率策 略，
Figure 281649DEST_PATH_IMAGE043
为无人机n的功率策略为
Figure 883794DEST_PATH_IMAGE020
时无人机群对预设待侦察目标点i的侦察成功 率，
Figure 549130DEST_PATH_IMAGE044
为无人机群中一个无人机m的功率策略，其中
Figure 5651DEST_PATH_IMAGE045
。
针对无人机n的功率策略由
Figure 278500DEST_PATH_IMAGE020
变化到
Figure 633520DEST_PATH_IMAGE046
时，该变化引起的全局侦察覆盖能量效率 的势能函数的变化如下式：
Figure 836969DEST_PATH_IMAGE047
式中，
Figure 961045DEST_PATH_IMAGE048
为无人机n的功率策略为
Figure 591746DEST_PATH_IMAGE046
时的全局侦察覆盖能量效率的势能函 数，
Figure 496379DEST_PATH_IMAGE049
为无人机n的功率策略为
Figure 503519DEST_PATH_IMAGE046
时无人机群对预设待侦察目标点i的侦察成功 率。
无人机群中的各无人机在调整自身位置策略和功率策略时，对自身效用的影响和全局侦察覆盖效用的影响一致，因此全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数可以被转化为精确势能博弈，根据精确势能博弈的定义，上述全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数均存在最优的位置策略和功率策略，使得虚拟收益模型的虚拟收益达到最大。
本发明实施例提供的一种无人机集群协同侦察覆盖分布式自主优化方法，无人机集群协同覆盖问题转化为精确势能博弈问题后，存在使得全局侦察覆盖效用、全局侦察覆盖能量效率最大化的位置策略和功率策略，因此为避免无人机群在进行迭代的过程中陷入局部最优，无法收敛到最佳状态，根据如下方法对该精确势能博弈的纳什均衡进行求解。
步骤S3中基于虚拟收益模型，结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响，通过分布式自主迭代学习，优化无人机群中各无人机的位置策略和功率策略，实现无人机群所获虚拟收益最大化的具体步骤如下：步骤S31.在无人机群中随机选择一个无人机j，构建无人机j的状态参数如下式：
Figure 482101DEST_PATH_IMAGE050
式中，t为当前时刻，
Figure 549283DEST_PATH_IMAGE051
为无人机j当前时刻的状态参数，
Figure 924901DEST_PATH_IMAGE052
为无人机j当前时 刻的位置策略，
Figure 983335DEST_PATH_IMAGE053
为无人机j当前时刻的功率策略。
针对无人机j选择一个位置策略
Figure 206637DEST_PATH_IMAGE054
，其他无人机位置保持不变。
步骤S32.计算无人机j基于当前时刻的位置策略的全局侦察覆盖效用
Figure 867557DEST_PATH_IMAGE055
和 无人机j基于位置策略
Figure 730471DEST_PATH_IMAGE054
进行移动后的全局侦察覆盖效用
Figure 79412DEST_PATH_IMAGE056
，其中
Figure 32587DEST_PATH_IMAGE057
为无人 机j基于位置策略
Figure 441572DEST_PATH_IMAGE054
进行移动后的状态参数。
步骤S33.针对无人机j，根据下式计算无人机j下一时刻保持当前位置策略的概率
Figure DEST_PATH_IMAGE081
和改变位置策略的概率
Figure DEST_PATH_IMAGE082
，其中
Figure 293247DEST_PATH_IMAGE060
为无人机j下一时刻的状态参数：
Figure 180300DEST_PATH_IMAGE061
式中，
Figure 299566DEST_PATH_IMAGE062
为预设学习系数。
步骤S34.更新该无人机的状态参数为
Figure 380916DEST_PATH_IMAGE060
，然后从无人机群中的其他各无人 机中随机选择一个无人机，重复步骤S31至步骤S33的位置策略选择过程，直至达到预设最 大迭代次数，保存预设最大迭代次数所对应的无人机群中各无人机的状态参数。
步骤S35.在无人机群中随机选择一个无人机k，构建无人机k的状态参数如下式：
Figure 405373DEST_PATH_IMAGE063
式中，
Figure 597582DEST_PATH_IMAGE064
为无人机k当前时刻的状态参数，
Figure 820622DEST_PATH_IMAGE065
为无人机k当前时刻的位置策 略，
Figure 61155DEST_PATH_IMAGE066
为无人机k当前时刻的功率策略。
针对无人机k选择一个功率策略
Figure 572908DEST_PATH_IMAGE067
，其他无人机功率保持不变。
步骤S36.计算无人机k基于当前时刻的功率策略的全局侦察覆盖能量效率
Figure DEST_PATH_IMAGE083
，以及无人机k基于功率策略
Figure 178595DEST_PATH_IMAGE067
的全局侦察覆盖能量效率
Figure DEST_PATH_IMAGE084
，其中
Figure 85503DEST_PATH_IMAGE070
为无人机k基于功率策略
Figure 508656DEST_PATH_IMAGE067
进行功率改变后的状态参数，
Figure 242126DEST_PATH_IMAGE071
为无人机群中除无人机k以外的其他各无人机的状态参数。
步骤S37.针对无人机k，根据下式计算无人机k下一时刻保持当前功率策略的概率
Figure DEST_PATH_IMAGE085
和改变功率策略的概率
Figure DEST_PATH_IMAGE086
，其中
Figure 104033DEST_PATH_IMAGE074
为无人机k下一时刻的状态参数：
Figure 740813DEST_PATH_IMAGE075
步骤S38.更新无人机k的状态参数为
Figure 833403DEST_PATH_IMAGE074
，然后从无人机群中的其他各无人 机中随机选择一个无人机，重复步骤S35至步骤S37的功率策略选择过程，直至达到预设最 大迭代次数，保存预设最大迭代次数所对应的无人机群中各无人机的状态参数，此时各无 人机的位置策略和功率策略使无人机群所获虚拟收益最大。
在一个实施例中，优化后无人机群的分布位置图参考图5，图5中侦察区域的亮度表示无人机群对预设待侦察目标点的侦察成功率，无人机群中的各无人机集中分布于侦察区域内预设待侦察目标点周围，并且存在多个无人机同时侦察同一个区域，起到协作的效果。
不同数量的无人机组成的无人机群的全局侦察覆盖效用对比图参考图6，在不同数量的无人机组成的无人机群中，无人机群的全局侦察覆盖效用均能达到收敛，并且随着无人机数量的增加，无人机群的全局侦察覆盖效用也在逐步提升，但是提升幅度随无人机数量的增加逐步减小，在实际应用中可以按照侦察要求派出所需数量的无人机。
不同数量的无人机组成的无人机群的总功率对比图参考图7，在不同数量的无人机组成的无人机群中，无人机群总功率均能达到收敛，并且随着无人机数量的增加，无人机群总功率提高，在实际情况中，可以根据实际需求更改各无人机的功率值。
不同数量的无人机组成的无人机群的全局侦察覆盖能量效率对比图参考图8，在不同数量的无人机组成的无人机群中，无人机群的全局侦察覆盖能量效率均能达到收敛，并且随着无人机数量的增加，无人机群的全局侦察覆盖能量效率降低，在实际情况中，可以根据实际需求选择无人机的数量来应对不同的情况。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (4)

1.一种无人机集群协同侦察覆盖分布式自主优化方法，其特征在于，包括以下步骤：
步骤S1.初始化无人机群中各无人机的位置策略和功率策略，基于无人机群中各无人机的位置策略和功率策略的选择，构建无人机群行动决策；
侦察区域内存在至少一个预设待侦察目标点，基于无人机群行动决策、无人机群中各无人机分别对各预设待侦察目标点的侦察成功率、无人机群中各无人机分别侦察各预设待侦察目标点所需时间，构建全局侦察覆盖效用、全局侦察覆盖能量效率；
基于全局侦察覆盖效用、全局侦察覆盖能量效率，构建无人机群执行不同行动决策时获得的虚拟收益模型；
步骤S2.基于无人机群的行动决策的选择、以及虚拟收益模型，构建该行动决策下的全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数，其中全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数用于表征无人机群中各无人机位置策略和功率策略变化时对所获虚拟收益模型的影响；
步骤S3.基于虚拟收益模型，结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响，通过分布式自主迭代学习，优化无人机群中各无人机的位置策略和功率策略，实现无人机群所获虚拟收益最大化。
2.如权利要求1所述的一种无人机集群协同侦察覆盖分布式自主优化方法，其特征在于，步骤S1中构建无人机群执行不同行动决策时获得的虚拟收益模型的具体步骤如下：
步骤S11.针对无人机群中任意一个无人机n，基于侦察区域地形信息，构建无人机n对 侦察区域内其中一个预设待侦察目标点i的侦察成功率
Figure DEST_PATH_IMAGE001
如下式：
Figure DEST_PATH_IMAGE002
式中，i为侦察区域内其中一个预设待侦察目标点，
Figure DEST_PATH_IMAGE003
，I为侦察区域内所有待侦察目 标点的集合，
Figure DEST_PATH_IMAGE004
为侦察的初始距离，
Figure DEST_PATH_IMAGE005
为预设侦察成功率与侦察距离的预设系数，
Figure DEST_PATH_IMAGE006
为 无人机n的高度，
Figure DEST_PATH_IMAGE007
为无人机n水平坐标，
Figure DEST_PATH_IMAGE008
为预设待侦察目标点i的水平坐标；
步骤S12.基于无人机与空中服务器以传输图片进行通信的方式，构建无人机n侦察预 设待侦察目标点i所消耗的时间
Figure DEST_PATH_IMAGE009
如下式：
Figure DEST_PATH_IMAGE010
式中，b为无人机与空中服务器之间所传输的图片中一个像素的比特数，r为所述图片 的分辨率，B为传输信息的带宽，
Figure DEST_PATH_IMAGE011
为无人机n上传信息所消耗的功率，
Figure DEST_PATH_IMAGE012
为传输信道的噪声 系数，
Figure DEST_PATH_IMAGE013
为空中服务器的水平坐标；
步骤S13.基于无人机n对侦察区域内其中一个预设待侦察目标点i的侦察成功率
Figure 851086DEST_PATH_IMAGE001
、 预设待侦察目标点i出现的概率
Figure DEST_PATH_IMAGE014
，构建无人机群对预设待侦察目标点i的侦察成功率
Figure DEST_PATH_IMAGE015
如下式：
Figure DEST_PATH_IMAGE016
式中，N为无人机群中无人机的数量；
步骤S14.基于无人机群对预设待侦察目标点i的侦察成功率
Figure 227882DEST_PATH_IMAGE015
，构建全局侦察覆盖效 用U如下式：
Figure DEST_PATH_IMAGE017
式中，
Figure DEST_PATH_IMAGE018
为无人机群中各无人机上传信息时间的最大值，I为侦察区域内所有待侦察 目标点的集合；
步骤S15.基于全局侦察覆盖效用U，构建全局侦察覆盖能量效率G如下式：
Figure DEST_PATH_IMAGE019
式中，
Figure DEST_PATH_IMAGE020
表示无人机群中其中一个无人机n的功率策略；
步骤S16.基于无人机群中各无人机的位置策略和功率策略，构建虚拟收益模型：
Figure DEST_PATH_IMAGE021
，其中P表示各无人机功率策略的集合，S表示各无人机位置策略的集合。
3.如权利要求2所述的一种无人机集群协同侦察覆盖分布式自主优化方法，其特征在于，步骤S2中构建全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数的具体步骤如下：
步骤S21.将无人机群中的一个无人机n的侦察覆盖区域定义为
Figure DEST_PATH_IMAGE022
，将与无人机n存在重 叠侦察覆盖区域的无人机定义为邻居无人机，其中邻居无人机的侦察覆盖区域定义为
Figure DEST_PATH_IMAGE023
， 各无人机的侦察覆盖区域满足
Figure DEST_PATH_IMAGE024
；无人机n基于其位置策略移动到下一位置，该位 置记为
Figure DEST_PATH_IMAGE025
，移动至位置
Figure 693105DEST_PATH_IMAGE025
的无人机n的侦察覆盖区域为
Figure DEST_PATH_IMAGE026
，位于位置
Figure 337582DEST_PATH_IMAGE025
的无人机n的邻居无 人机的侦察覆盖区域为
Figure DEST_PATH_IMAGE027
，针对各无人机的位置策略，构建全局侦察覆盖效用的势能函数 如下式：
Figure DEST_PATH_IMAGE028
式中，
Figure DEST_PATH_IMAGE029
为无人机n的位置策略为
Figure DEST_PATH_IMAGE030
时的全局侦察覆盖效用的势能函数，
Figure 525855DEST_PATH_IMAGE030
为无 人机n的位置策略，
Figure DEST_PATH_IMAGE031
为无人机群中除无人机n以外的其他各无人机的位置策略，
Figure DEST_PATH_IMAGE032
为无人机n的位置策略为
Figure 597586DEST_PATH_IMAGE030
时的全局侦察覆盖效用；
针对无人机n进行位置策略的改变，将无人机n的位置策略由
Figure 51570DEST_PATH_IMAGE030
变为
Figure DEST_PATH_IMAGE033
，其位置策略的 改变引起的全局侦察覆盖效用的势能函数的变化如下式：
Figure DEST_PATH_IMAGE034
式中，
Figure DEST_PATH_IMAGE035
为无人机n的位置策略变为
Figure 437420DEST_PATH_IMAGE033
时的全局侦察覆盖效用的势能函数，
Figure DEST_PATH_IMAGE036
为无人机n及其所有邻居无人机的侦察覆盖区域的集合，
Figure DEST_PATH_IMAGE037
为无人机n的位置策略为
Figure 417884DEST_PATH_IMAGE030
时，对预设待侦察目标点i的侦察成功率，
Figure DEST_PATH_IMAGE038
为无人机n的位置策略变为
Figure 473564DEST_PATH_IMAGE033
时，对预设待 侦察目标点i的侦察成功率，k为无人机群中除无人机n及其各邻居无人机以外的一个无人 机，
Figure DEST_PATH_IMAGE039
为无人机k对预设待侦察目标点i的侦察成功率；
步骤S22.针对无人机n的功率策略的改变，构建全局侦察覆盖能量效率的势能函数如下式：
Figure DEST_PATH_IMAGE040
式中，
Figure DEST_PATH_IMAGE041
为无人机n的功率策略为
Figure 664112DEST_PATH_IMAGE020
时的全局侦察覆盖能量效率的势能函数，
Figure 338807DEST_PATH_IMAGE020
为无人机n的功率策略，
Figure DEST_PATH_IMAGE042
为无人机群中除无人机n以外的其他各无人机的功率策略，
Figure DEST_PATH_IMAGE043
为无人机n的功率策略为
Figure 111460DEST_PATH_IMAGE020
时无人机群对预设待侦察目标点i的侦察成功率，
Figure DEST_PATH_IMAGE044
为无人机群中一个无人机m的功率策略，其中
Figure DEST_PATH_IMAGE045
；
针对无人机n的功率策略由
Figure 790572DEST_PATH_IMAGE020
变化到
Figure DEST_PATH_IMAGE046
时，该变化引起的全局侦察覆盖能量效率的势 能函数的变化如下式：
Figure DEST_PATH_IMAGE047
式中，
Figure DEST_PATH_IMAGE048
为无人机n的功率策略为
Figure 281465DEST_PATH_IMAGE046
时的全局侦察覆盖能量效率的势能函数，
Figure DEST_PATH_IMAGE049
为无人机n的功率策略为
Figure 868173DEST_PATH_IMAGE046
时无人机群对预设待侦察目标点i的侦察成功率。
4.如权利要求3所述的一种无人机集群协同侦察覆盖分布式自主优化方法，其特征在于，步骤S3中基于虚拟收益模型，结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响，通过分布式自主迭代学习，优化无人机群中各无人机的位置策略和功率策略，实现无人机群所获虚拟收益最大化的具体步骤如下：
步骤S31.在无人机群中随机选择一个无人机j，构建无人机j的状态参数如下式：
Figure DEST_PATH_IMAGE050
式中，t为当前时刻，
Figure DEST_PATH_IMAGE051
为无人机j当前时刻的状态参数，
Figure DEST_PATH_IMAGE052
为无人机j当前时刻的 位置策略，
Figure DEST_PATH_IMAGE053
为无人机j当前时刻的功率策略；
针对无人机j选择一个位置策略
Figure DEST_PATH_IMAGE054
，其他无人机位置保持不变；
步骤S32.计算无人机j基于当前时刻的位置策略的全局侦察覆盖效用
Figure DEST_PATH_IMAGE055
和无人 机j基于位置策略
Figure 33616DEST_PATH_IMAGE054
进行移动后的全局侦察覆盖效用
Figure DEST_PATH_IMAGE056
，其中
Figure DEST_PATH_IMAGE057
为无人机j基 于位置策略
Figure 431100DEST_PATH_IMAGE054
进行移动后的状态参数；
步骤S33.针对无人机j，根据下式计算无人机j下一时刻保持当前位置策略的概率
Figure DEST_PATH_IMAGE058
和改变位置策略的概率
Figure DEST_PATH_IMAGE059
，其中
Figure DEST_PATH_IMAGE060
为无人机j 下一时刻的状态参数：
Figure DEST_PATH_IMAGE061
式中，
Figure DEST_PATH_IMAGE062
为预设学习系数；
步骤S34.更新该无人机的状态参数为
Figure 658556DEST_PATH_IMAGE060
，然后从无人机群中的其他各无人机中 随机选择一个无人机，重复步骤S31至步骤S33的位置策略选择过程，直至达到预设最大迭 代次数，保存预设最大迭代次数所对应的无人机群中各无人机的状态参数；
步骤S35.在无人机群中随机选择一个无人机k，构建无人机k的状态参数如下式：
Figure DEST_PATH_IMAGE063
式中，
Figure DEST_PATH_IMAGE064
为无人机k当前时刻的状态参数，
Figure DEST_PATH_IMAGE065
为无人机k当前时刻的位置策略，
Figure DEST_PATH_IMAGE066
为无人机k当前时刻的功率策略；
针对无人机k选择一个功率策略
Figure DEST_PATH_IMAGE067
，其他无人机功率保持不变；
步骤S36.计算无人机k基于当前时刻的功率策略的全局侦察覆盖能量效率
Figure DEST_PATH_IMAGE068
，以及无人机k基于功率策略
Figure 422857DEST_PATH_IMAGE067
的全局侦察覆盖能量效率
Figure DEST_PATH_IMAGE069
，其中
Figure DEST_PATH_IMAGE070
为无人机k基于功率策略
Figure 983151DEST_PATH_IMAGE067
进行功率改变后的状态参数，
Figure DEST_PATH_IMAGE071
为无人机群中除无人机k以外的其他各无人机的状态参数；
步骤S37.针对无人机k，根据下式计算无人机k下一时刻保持当前功率策略的概率
Figure DEST_PATH_IMAGE072
和改变功率策略的概率
Figure DEST_PATH_IMAGE073
，其中
Figure DEST_PATH_IMAGE074
为无人机k下一时刻的状态参数：
Figure DEST_PATH_IMAGE075
步骤S38.更新无人机k的状态参数为
Figure 315650DEST_PATH_IMAGE074
，然后从无人机群中的其他各无人机中 随机选择一个无人机，重复步骤S35至步骤S37的功率策略选择过程，直至达到预设最大迭 代次数，保存预设最大迭代次数所对应的无人机群中各无人机的状态参数，此时各无人机 的位置策略和功率策略使无人机群所获虚拟收益最大。
CN202210146501.5A 2022-02-17 2022-02-17 一种无人机集群协同侦察覆盖分布式自主优化方法 Active CN114200964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210146501.5A CN114200964B (zh) 2022-02-17 2022-02-17 一种无人机集群协同侦察覆盖分布式自主优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210146501.5A CN114200964B (zh) 2022-02-17 2022-02-17 一种无人机集群协同侦察覆盖分布式自主优化方法

Publications (2)

Publication Number Publication Date
CN114200964A true CN114200964A (zh) 2022-03-18
CN114200964B CN114200964B (zh) 2022-04-26

Family

ID=80645606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210146501.5A Active CN114200964B (zh) 2022-02-17 2022-02-17 一种无人机集群协同侦察覆盖分布式自主优化方法

Country Status (1)

Country Link
CN (1) CN114200964B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104155999A (zh) * 2014-07-31 2014-11-19 海南大学 战场环境下多无人机时敏任务动态分配算法
CN105278542A (zh) * 2015-09-23 2016-01-27 沈阳航空航天大学 多无人机协同打击任务的攻防对策最优策略方法
US20170045886A1 (en) * 2014-09-05 2017-02-16 SZ DJI Technology Co., Ltd Context-based flight mode selection
CN108616302A (zh) * 2018-04-28 2018-10-02 中国人民解放军陆军工程大学 一种功率控制下的无人机多重覆盖模型及部署方法
US20190103032A1 (en) * 2017-10-03 2019-04-04 Topcon Corporation Unmanned aerial vehicle, data processing device, path selection device, processing method and processing program
CN109961657A (zh) * 2019-03-01 2019-07-02 北京邮电大学 一种无人机调配方法、无人机及控制台
CN110134146A (zh) * 2019-06-14 2019-08-16 西北工业大学 一种不确定环境下的分布式多无人机任务分配方法
CN110196605A (zh) * 2019-04-26 2019-09-03 大连海事大学 一种强化学习的无人机群在未知海域内协同搜索多动态目标方法
US20200160732A1 (en) * 2017-06-30 2020-05-21 Nec Corporation Area evaluation system, method, and program
CN111367317A (zh) * 2020-03-27 2020-07-03 中国人民解放军国防科技大学 基于贝叶斯学习的无人机集群在线任务规划方法
US20200250998A1 (en) * 2016-06-10 2020-08-06 ETAK Systems, LLC Drone Air Traffic Control over wireless networks for package delivery cancelation
CN111695776A (zh) * 2020-05-11 2020-09-22 清华大学 无人机集群分布式在线协同区域侦察方法及装置
CN112016812A (zh) * 2020-08-06 2020-12-01 中南大学 多无人机任务调度方法、系统及存储介质
CN112130581A (zh) * 2020-08-19 2020-12-25 昆明理工大学 一种面向空中机动作战的无人机集群协同任务规划方法
CN112902969A (zh) * 2021-02-03 2021-06-04 重庆大学 一种无人机在数据收集过程中的路径规划方法
CN112925350A (zh) * 2021-01-15 2021-06-08 中国人民解放军战略支援部队航天工程大学 一种多无人机分布式协同目标搜索方法
CN112950085A (zh) * 2021-04-07 2021-06-11 江苏大势航空科技有限公司 无人机集群监测方法、计算机存储介质及电子设备
CN113190038A (zh) * 2021-04-19 2021-07-30 北京理工大学 一种无人机集群空中区域侦察任务的分配方法
CN213934636U (zh) * 2020-11-30 2021-08-10 南京信息工程大学 一种四旋翼无人机编队搜索控制系统
CN113625771A (zh) * 2021-09-10 2021-11-09 中国人民解放军国防科技大学 一种影子跟随的单无人机区域覆盖路径规划方法
CN113867418A (zh) * 2021-09-17 2021-12-31 南京信息工程大学 一种无人机集群自主协同侦察任务调度方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104155999A (zh) * 2014-07-31 2014-11-19 海南大学 战场环境下多无人机时敏任务动态分配算法
US20170045886A1 (en) * 2014-09-05 2017-02-16 SZ DJI Technology Co., Ltd Context-based flight mode selection
CN105278542A (zh) * 2015-09-23 2016-01-27 沈阳航空航天大学 多无人机协同打击任务的攻防对策最优策略方法
US20200250998A1 (en) * 2016-06-10 2020-08-06 ETAK Systems, LLC Drone Air Traffic Control over wireless networks for package delivery cancelation
US20200160732A1 (en) * 2017-06-30 2020-05-21 Nec Corporation Area evaluation system, method, and program
US20190103032A1 (en) * 2017-10-03 2019-04-04 Topcon Corporation Unmanned aerial vehicle, data processing device, path selection device, processing method and processing program
CN108616302A (zh) * 2018-04-28 2018-10-02 中国人民解放军陆军工程大学 一种功率控制下的无人机多重覆盖模型及部署方法
CN109961657A (zh) * 2019-03-01 2019-07-02 北京邮电大学 一种无人机调配方法、无人机及控制台
CN110196605A (zh) * 2019-04-26 2019-09-03 大连海事大学 一种强化学习的无人机群在未知海域内协同搜索多动态目标方法
CN110134146A (zh) * 2019-06-14 2019-08-16 西北工业大学 一种不确定环境下的分布式多无人机任务分配方法
CN111367317A (zh) * 2020-03-27 2020-07-03 中国人民解放军国防科技大学 基于贝叶斯学习的无人机集群在线任务规划方法
CN111695776A (zh) * 2020-05-11 2020-09-22 清华大学 无人机集群分布式在线协同区域侦察方法及装置
CN112016812A (zh) * 2020-08-06 2020-12-01 中南大学 多无人机任务调度方法、系统及存储介质
CN112130581A (zh) * 2020-08-19 2020-12-25 昆明理工大学 一种面向空中机动作战的无人机集群协同任务规划方法
CN213934636U (zh) * 2020-11-30 2021-08-10 南京信息工程大学 一种四旋翼无人机编队搜索控制系统
CN112925350A (zh) * 2021-01-15 2021-06-08 中国人民解放军战略支援部队航天工程大学 一种多无人机分布式协同目标搜索方法
CN112902969A (zh) * 2021-02-03 2021-06-04 重庆大学 一种无人机在数据收集过程中的路径规划方法
CN112950085A (zh) * 2021-04-07 2021-06-11 江苏大势航空科技有限公司 无人机集群监测方法、计算机存储介质及电子设备
CN113190038A (zh) * 2021-04-19 2021-07-30 北京理工大学 一种无人机集群空中区域侦察任务的分配方法
CN113625771A (zh) * 2021-09-10 2021-11-09 中国人民解放军国防科技大学 一种影子跟随的单无人机区域覆盖路径规划方法
CN113867418A (zh) * 2021-09-17 2021-12-31 南京信息工程大学 一种无人机集群自主协同侦察任务调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MARCO ANDREETTO，等: "A Cooperative Monitoring Technique Using Visually Servoed Drones", 《 2015 IEEE WORKSHOP ON ENVIRONMENTAL, ENERGY, AND STRUCTURAL MONITORING SYSTEMS (EESMS) PROCEEDINGS》 *
王尔申，等: "改进目标收益函数的无人机集群空地对抗模型", 《南京航空航天大学学报》 *

Also Published As

Publication number Publication date
CN114200964B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN111352417B (zh) 异构多无人机协同路径的快速生成方法
CN108616302B (zh) 一种功率控制下的无人机多重覆盖模型及部署方法
CN111194038B (zh) 多无人机移动基站位置部署方法
CN108882201B (zh) 一种面向能量效率的无人机集群网络中继传输选择方法
CN111432433B (zh) 基于强化学习的无人机中继智能流量卸载方法
WO2022077817A1 (zh) 一种基于视觉与性能约束的多无人机协同控制方法及系统
CN108632831A (zh) 一种基于动态航迹的无人机群频谱资源分配方法
CN110913402A (zh) 一种联合优化通信与编队的高覆盖效率的无人机自组网分簇方法
CN114142908B (zh) 一种面向覆盖侦察任务的多无人机通信资源分配方法
CN110727903B (zh) 一种有限覆盖资源实现最大观测面积的卫星任务规划方法
CN114048689A (zh) 基于深度强化学习的多无人机空中充电和任务调度方法
CN112702713B (zh) 一种多约束条件下的低空无人机通信部署方法
CN112817327B (zh) 一种通信约束下的多无人机协同搜索方法
CN113206701A (zh) 一种无人机飞行基站的三维部署和功率分配联合优化方法
CN112580537A (zh) 一种用于多无人机系统持续覆盖特定区域的深度强化学习方法
CN114638155A (zh) 一种基于智能机场的无人机任务分配与路径规划方法
CN114025361A (zh) 面向协同中继任务的多无人机网络拓扑构造与规划方法
Han et al. Distributed UAV deployment in hostile environment: A game-theoretic approach
Hu et al. Multi-UAV coverage path planning: A distributed online cooperation method
Sobouti et al. Managing sets of flying base stations using energy efficient 3D trajectory planning in cellular networks
CN114200964B (zh) 一种无人机集群协同侦察覆盖分布式自主优化方法
CN117726153A (zh) 一种适用于无人机集群作业任务的实时重归划方法
Wang et al. An efficient and robust UAVs’ path planning approach for timely data collection in wireless sensor networks
CN116595864A (zh) 一种基于均值漂移聚类算法优化的多无人机任务分配方法
Xiong et al. Wireless resources cooperation of assembled small UAVs for data collections of IoT

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