CN114237292A - 无人机集群控制的分布式决策方法及相关设备 - Google Patents
无人机集群控制的分布式决策方法及相关设备 Download PDFInfo
- Publication number
- CN114237292A CN114237292A CN202111545873.7A CN202111545873A CN114237292A CN 114237292 A CN114237292 A CN 114237292A CN 202111545873 A CN202111545873 A CN 202111545873A CN 114237292 A CN114237292 A CN 114237292A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- group
- aerial vehicle
- cluster
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004891 communication Methods 0.000 claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 230000004927 fusion Effects 0.000 claims description 46
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 238000007499 fusion processing Methods 0.000 claims description 7
- 238000005304 joining Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 10
- 239000011159 matrix material Substances 0.000 description 15
- 239000006185 dispersion Substances 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G05D1/10—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)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种无人机集群控制的分布式决策方法及相关设备，该决策方法包括：集群中各无人机基于友方力量信息和目标信息，利用主动选择分群算法将集群中所有无人机分为多个群组；每个群组基于该群组中无人机的通信范围建立群内拓扑结构；每个群组中的群首无人机基于拓扑结构收集群成员无人机采集的目标信息并且基于目标信息生成控制决策，各无人机执行相应的控制决策。本申请提供的决策方法可以适应无人机集群分布式决策需要，达到较好的决策效果，使无人机集群能够执行多样化的、不同需求的任务，并为无人机集群提供行动方案。
Description
技术领域
本申请涉及无人机集群技术领域，尤其涉及一种无人机集群控制的分布式决策方法。
背景技术
随着无人装备在民用和军用等多个领域的应用，无人机集群控制的重要性越来越凸显，无人机集群在对抗环境中的应用，使得对目标意图的判断更加困难。相比于传统双方对抗任务，在运用无人机集群执行任务时，决策者不用考虑驾驶员生命安全、技术熟练程度等带来的限制，可以指派无人机集群去执行枯燥乏味、环境恶劣、危险性高、深入目标后方(Dull,Dirty,Dangerous,Deep,4D)的对抗任务，达到意想不到的任务完成效果。
在大规模的对抗环境中，控制中心很容易受到对方的针对性攻击，一旦控制中心受损，将导致我方整体体系功能上的瘫痪。在执行对抗任务时，无人机集群往往会面临多个目标、多种任务的复杂情况，在没有控制中心的情况下，如何对环境态势进行综合判断、对目标分配和任务规划做出合理决策，是无人机集群大规模应用的重大挑战。
发明内容
有鉴于此，本申请的目的在于提出一种无人机集群控制的分布式决策方法、装置、设备及存储介质。
基于上述目的，本申请提供了一种无人机集群控制的分布式决策方法，包括：集群中各无人机采集通信范围内的友方力量信息和目标信息；基于所述友方力量信息和所述目标信息，利用主动选择分群算法将集群中所有无人机分为多个群组，确定各所述群组中的群首无人机和/或群成员无人机，所述多个群组构成群组集合；对于每个所述群组，基于该群组中无人机的所述通信范围建立群内拓扑结构；对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构收集该群组中所述群成员无人机采集的所述目标信息，并对所述目标信息进行融合，生成融合信息；对于每个所述群组，该群组中的所述群首无人机基于所述融合信息生成控制决策，并基于所述拓扑结构将所述控制决策共享给该群组中的所述群成员无人机；所述群组中的各无人机执行相应的所述控制决策。
可选地，所述友方力量信息包括邻居数，所述目标信息包括目标数量，所述基于所述友方力量信息和所述目标信息，利用主动选择分群算法将集群中所有无人机分为多个群组，确定各所述群组中的群首无人机和/或群成员无人机，所述多个群组构成群组集合，包括：对于集群中的每架无人机，从该无人机采集的所述友方力量信息中获取所述邻居数，从该无人机采集的所述目标信息中获取所述目标数量；集群中所有无人机迭代地执行下列第一操作：基于所述邻居数从未加入所述群组集合的无人机中选取预设数量架无人机作为群首无人机，所述群首无人机创建对应的目标群组，其中，所述预设数量大于等于所述目标数量，每个所述群首无人机对应创建一个所述目标群组；将所述集群中除加入所述群组集合之外的其余无人机作为跟随无人机，所述跟随无人机基于第二规则加入到所述目标群组中，并成为所述目标群组的所述群成员无人机；响应于确定所述未加入所述群组集合的无人机的所述邻居数均为0，停止所述第一操作，所述未加入所述群组集合的无人机分别创建一个新建群组，并成为该新建群组的所述群首无人机。
可选地，所述其余无人机作为跟随无人机，基于第二规则加入到所述目标群组中，并成为该目标群组的所述群成员无人机，包括：所述跟随无人机迭代地执行下列第二操作：对于每一架所述跟随无人机，响应于确定该跟随无人机的所述通信范围内存在满足第一要求的所述群首无人机或所述群成员无人机，该跟随无人机加入该所述群首无人机或所述群成员无人机所在的所述目标群组，并成为该所述目标群组的所述群成员无人机；响应于确定所有所述目标群组中的所述群成员无人机的数量保持不变，停止所述第二操作。
可选地，所述第一要求包括该跟随无人机与所述群首无人机或所述群成员无人机的距离要求，以及所述群首无人机或所述群成员无人机所在的所述目标群组的成员数量要求。
可选地，所述群首无人机各自的所述通讯范围内不存在其他所述群首无人机。
可选地，所述目标信息还包括目标属性，所述对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构收集该群组中所述群成员无人机采集的所述目标信息，并对所述目标信息进行融合，生成融合信息，包括：对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构从群成员无人机采集的所述目标信息中获取所述目标属性；所述群首无人机对所述目标属性进行正规化处理，得到正规化信息，并基于加权幂平均算子对所述正规化信息进行融合处理，得到融合信息。
可选地，所述该群组中的所述群首无人机基于所述融合信息生成控制决策，包括：所述群首无人机基于所述融合信息利用基于与理想解相似性的排序技术方法生成所述控制决策。
基于上述目的，本申请还提供了一种用于无人机集群控制的分布式决策的装置，包括：采集模块，分群模块，拓扑模块，融合模块，决策模块以及执行模块，其中，采集模块被配置为集群中各无人机采集通信范围内的友方力量信息和目标信息；分群模块被配置为基于所述友方力量信息和所述目标信息，利用主动选择分群算法将集群中所有无人机分为多个群组，确定各所述群组中的群首无人机和/或群成员无人机，所述多个群组构成群组集合；拓扑模块被配置为对于每个所述群组，基于该群组中无人机的所述通信范围建立群内拓扑结构；融合模块被配置为对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构收集该群组中所述群成员无人机采集的所述目标信息，并对所述目标信息进行融合，生成融合信息；决策模块被配置为对于每个所述群组，该群组中的所述群首无人机基于所述融合信息生成控制决策，并基于所述拓扑结构将所述控制决策共享给该群组中的所述群成员无人机；执行模块被配置为所述群组中的各无人机执行相应的所述控制决策。
基于上述目的，本申请还提供了一种电子设备，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，其特征在于，所述处理器执行所述程序时实现任意一种所述无人机集群控制的分布式决策方法。
基于上述目的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行任意一种所述无人机集群控制的分布式决策方法。
本申请提供的决策方法中，无人机集群在没有控制中心为集群提供信息和决策支撑、无人机集群中个体通信范围有限的条件下，利用主动选择分群算法将集群中所有无人机分为多个群组，每个群组再基于该群组中无人机的通信范围建立群内拓扑结构，每个群组中的群首无人机通过局部范围内的信息交互对所述目标信息进行融合，最后生成控制决策。本申请提供的决策方法可以适应无人机集群分布式决策需要，达到较好的决策效果，使无人机集群能够执行多样化的、不同需求的对抗任务，并为无人机集群控制提供多样化方案。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种无人机集群控制的分布式决策方法框图；
图2为本申请实施例的一种无人机集群控制的分布式决策装置框图；
图3为本申请实施例的面向局部分群的信息融合方法示意图；
图4为本申请实施例的无人机集群多目标打击对抗场景示意图，其中图4(a)为初始状态，图4(b)为拓扑关系确认过程，图4(c)为信息融合及目标排序过程，图4(d)为任务完成状态；
图5为本申请实施例的主动选择分群算法与被动选择分群算法的平均通信代价对比折线图；
图6为本申请实施例的主动选择分群算法与被动选择分群算法的分群多样性对比折线图；
图7为本申请实施例的主动选择分群算法与被动选择分群算法的群分散程度对比图；
图8为本申请实施例的分群仿真结果示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
为了方便理解，下面对本公开实施例中涉及的名词进行解释：
WPA：weighted power average，加权幂平均；
TOPSIS：Technique for Order Preference by Similarity to an IdealSolution，基于与理想解相似性的排序技术；
MATLAB：美国MathWorks公司出品的商业数学软件，用于数据分析、无线通信、深度学习、图像处理与计算机视觉、信号处理、量化金融与风险管理、机器人，控制系统等领域。
无人机集群控制不依赖于控制中心下达命令，能对预期之外的突发事件做出快速反应，其具备的时效性、敏捷性和自组织性将在军事行动中发挥越来越重要的作用，对未来的无人机集群行动样式、控制理念都将带来深刻变化。
总的来说，无人机集群控制具备如下特点：
1)组织结构上的分布式：在无人机集群中，单架无人机的能力是有限的，只具备局部的感知能力和通信能力。在面临复杂多样的对抗环境时，无人机集群通过个体之间的相互分工与协作，共同完成对抗任务。
2)控制模式上的去中心化：在无人机集群中，不存在收集全局信息、进行信息处理、下达控制命令的中心节点，仅能通过和通信范围内的友邻个体进行信息交互、选择控制策略、执行对抗任务。
3)对抗能力上的涌现性：集群中的单架无人机能力往往微不足道，但是在集群对抗的条件下，能通过个体之间的协同配合，达到集群层面上能力的倍增，涌现出1+1>>2的效果。
本申请面向大规模条件下的无人机集群决策问题，提出了一种无人机集群控制的分布式决策方法。无人机集群可以根据自身状态和周围邻居个体的状态进行自组织分群，形成局部联盟，执行单一无人机无法执行的任务，解决单一无人机能力有限的问题。同时，当环境中出现多个目标时，集群局部的“自组织分群——决策——执行任务”流程可以并发进行，不需要控制中心统一调度，提高集群资源利用率和任务执行效率。
有鉴于此，本申请一个实施例提供了一种无人机集群控制的分布式决策方法，如图1所示，包括：
S101，集群中各无人机采集通信范围内的友方力量信息和目标信息。
S102，基于所述友方力量信息和所述目标信息，利用主动选择分群算法将集群中所有无人机分为多个群组，确定各所述群组中的群首无人机和/或群成员无人机，所述多个群组构成群组集合。
S103，对于每个所述群组，基于该群组中无人机的所述通信范围建立群内拓扑结构。
S104，对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构收集该群组中所述群成员无人机采集的所述目标信息，并对所述目标信息进行融合，生成融合信息。
S105，对于每个所述群组，该群组中的所述群首无人机基于所述融合信息生成控制决策，并基于所述拓扑结构将所述控制决策共享给该群组中的所述群成员无人机。
S106，所述群组中的各无人机执行相应的所述控制决策。
本申请提供的决策方法中，无人机集群在没有控制中心为集群提供信息和决策支撑、无人机集群中个体通信范围有限的条件下，利用主动选择分群算法将集群中所有无人机分为多个群组，每个群组再基于该群组中无人机的通信范围建立群内拓扑结构，每个群组中的群首无人机通过局部范围内的信息交互对所述目标信息进行融合，最后生成控制决策。本申请提供的决策方法可以适应无人机集群分布式决策需要，达到较好的决策效果，使无人机集群能够执行多样化的、不同需求的对抗任务，并为无人机集群控制提供多样化方案。
在一些实施例中，所述友方力量信息包括邻居数，所述目标信息包括目标数量，所述S102包括：
S201，对于集群中的每架无人机，从该无人机采集的所述友方力量信息中获取所述邻居数，从该无人机采集的所述目标信息中获取所述目标数量。
S202，集群中所有无人机迭代地执行下列第一操作：
基于所述邻居数从未加入所述群组集合的无人机中选取预设数量架无人机作为群首无人机，所述群首无人机创建对应的目标群组，其中，所述预设数量大于等于所述目标数量，每个所述群首无人机对应创建一个所述目标群组；
将所述集群中除加入所述群组集合之外的其余无人机作为跟随无人机，所述跟随无人机基于第二规则加入到所述目标群组中，并成为所述目标群组的所述群成员无人机。
S203，响应于确定所述未加入所述群组集合的无人机的所述邻居数均为0，停止所述第一操作，所述未加入所述群组集合的无人机分别创建一个新建群组，并成为该新建群组的所述群首无人机。
上述S102中，首先，获取友方邻居数与目标数量，有利于无人机集群基于友方邻居数与目标数量预设群首无人机的数量；然后，无人机集群基于预设数量设置群首无人机，有利于跟随无人机利用主动分群算法加入各个群组，也有利于无人机集群执行多样化的、不同需求的对抗任务；最后，将所有未加入群组的无人机单独设置为各个群首无人机，保证了集群中所有无人机能够并行执行任务，使无人机利用率最大化。
在一些实施例中，S202包括：
S2021，所述跟随无人机迭代地执行下列第二操作：对于每一架所述跟随无人机，响应于确定该跟随无人机的所述通信范围内存在满足第一要求的所述群首无人机或所述群成员无人机，该跟随无人机加入该所述群首无人机或所述群成员无人机所在的所述目标群组，并成为该所述目标群组的所述群成员无人机。
S2022，响应于确定所有所述目标群组中的所述群成员无人机的数量保持不变，停止所述第二操作。
S202中，所述跟随无人机基于主动选择分群算法加入群组，所述主动选择分群算法平均通信代价小，波动范围小，结果稳定，分群多样性大，分散程度小，分散程度的波动小，使跟随无人机在加入群组时，各群组中成员的聚集程度高，信息在无人机集群中的传递延时短，效率高，提高决策实时性，为把握瞬息万变的取胜机会提供决策支撑，有利于无人机集群执行多样化的、不同需求的对抗任务，为无人机集群控制提供多样化方案，使对方难以准确预测我方行动意图，提高胜利可能。
在一些实施例中，所述第一要求包括该跟随无人机与所述群首无人机或所述群成员无人机的距离要求，以及所述群首无人机或所述群成员无人机所在的所述目标群组的成员数量要求。限制跟随无人机与群首无人机或群成员无人机的距离以及各群组内成员数量，是为了保证各群组内通信的稳定性。
在一些实施例中，所述群首无人机各自的所述通讯范围内不存在其他所述群首无人机。
在一些实施例中，所述目标信息还包括目标属性，S104包括：
S401，对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构从群成员无人机采集的所述目标信息中获取所述目标属性。
S402，所述群首无人机对所述目标属性进行正规化处理，得到正规化信息，并基于加权幂平均算子对所述正规化信息进行融合处理，得到融合信息。
上述S104中，群首无人机对目标信息进行融合，为后续步骤中群首无人机对目标重要性程度进行排序并生成控制决策打下基础。
在一些实施例中，S105包括：
S501所述群首无人机基于所述融合信息利用基于与理想解相似性的排序技术方法生成所述控制决策。
上述S105中群首无人机基于融合信息与排序结果生成控制决策，使得无人机集群能同时进行对多个目标的打击任务，提高了行动效率。
需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
下面针对本申请的无人机集群控制的分布式决策方法提供另一种具体的实施例A。
一般而言，在无人机集群中，由于缺少全局中心为集群中的无人机提供信息处理和决策支撑，且数量规模较大，若所有无人机都采用广播通信的方式进行信息交流，必将使得有限的通信带宽难堪重负，造成集群中的个体难以获取并处理有效的态势信息，导致任务行动的失败。鉴于此，我们提出了一种无人机集群控制的算法，为无人机集群提供一种有效的自组织模式，在多目标情境下形成多个局部群组，共同完成全局任务。
假设无人机集群中的个体集合为U＝(u1,u2,...,uN)，每架无人机的功能都是近似的，通信距离都是d0，第i架无人机周围的邻居无人机架数记为Ui.e。在任务开始之前，将根据集群中无人机邻居数量的多少确定h架无人机为群首无人机，记为
其余m架无人机为非群首无人机，记为
集群中各群的集合记为
非群首无人机通过自组织分群算法加入群中，成为群成员。
为了保证群内通信的稳定性，设置每个群的最大成员数为Ne，当本群成员数M达到最大成员数阈值时，将不会加入新的成员。集群中的无人机在本地维持两个标签，一个是自己的唯一标签ui.lab，用来和友邻无人机进行区分；另一个是自己加入的群的标签ui.c，用来标识自己加入的群。自组织分群算法具体过程如算法1所示。
这一算法的核心思想是非群首无人机主动选择并加入离自己距离最近的无人机群，成为这一无人机群的群成员，我们称之为“主动选择分群算法”。在“主动选择分群算法”中，非群首无人机uj在选择某一群成为群成员时，会考虑通信距离d0和群成员数M的限制。具体来说，当与最近群的距离dmin在无人机uj的通信距离内且群内成员数Mk小于最大成员数阈值时，即：
dmin≤d0∧Mk＜Ne (1)
非群首无人机个体uj将成为最近群的群成员。
否则，当与最近群的距离dmin在个体通信距离d0之外，即dmin＞d0时，表明无人机不能与任何群取得通信联系，这是“独立”于其余群之外的一架无人机。这时，它会成为新的群首无人机，即：
使得周围的其他非群首无人机能够加入自己，一起成为新的群。
当与最近群的距离dmin在无人机通信范围d0之内，但是群中成员数已经达到最大成员数限制，即Mk≥Ne时，非群首无人机将不能加入最近群。这时它会重新判断到其余群的距离及其余群中的成员数，并重复上述过程。
在完成分群、成员之间的拓扑关系得到确认后，群首将对群内无人机成员的评估信息进行融合，得到各自群的融合信息。利用WPA算子对异构信息进行融合处理，完成信息融合模块的功能。
假设无人机集群中某一个群的无人机集合为
目标集合为T＝(t1,t2,...,tl)，目标属性集合A＝(a1,a2,...,ap)。无人机会对探测范围内的目标属性进行评估，生成的评估信息矩阵记为
其中
是q架无人机对目标ti的属性aj进行评估后的值。信息融合流程图如图3所示。
在面向局部分群的信息融合方法中，被评价的目标属性值可能是效益型的，也可能是费用型的，两种类型的属性值正规化方法如式(3)所示：
其中S1代表效益型属性集合，S2代表费用型属性集合。得到正规化信息
之后，群首无人机利用WPA算子进行融合处理，这里WPA算子的定义为：
假设(z1,z2,...,zn)是一组变量的集合，那么WPA(z1,z2,...,zn)定义为：
其中
ωj代表第j个变量的权重，这里由于能力上的近似，我们可以认为每架无人机的权重都是相同的。另外，Sup(zi,zj)代表zi和zj之间的支持度函数需要被满足以下三点条件：1)Sup(zi,zj)∈[0,1]；2)Sup(zi,zj)＝Sup(zj,zi)；3)Sup(zi,zj)＞Sup(yi,yj)如果|zi-zj|＜|yi-yj|.
由上述条件，设计式(6)来计算Sup(zi,zj)：
利用WPA算子进行融合处理之后，每个群得到对目标的融合信息矩阵，记为
基于TOPSIS的目标重要性排序方法以信息融合模块得到的融合信息为基础，用于无人机集群中各群对目标重要性程度进行排序的场景。对上述融合信息矩阵利用TOPSIS方法对目标进行重要性程度排序，具体步骤为：
S701：从融合信息矩阵中选出各属性的理想解
和负理想解
S702：计算各目标到理想目标的距离
和到负理想目标的距离
S703：计算各目标的重要性程度Ci。通过计算被评价目标靠近理想目标和远离负理想目标的程度，来评价目标的重要性程度：
S704：根据Ci的大小进行目标重要性排序。Ci的值越大，表明目标i靠近理想目标的程度越高，目标i的重要性程度也就越高。
下面针对本申请的无人机集群控制的分布式决策方法提供另一种具体的实施例B。
在本实施例中，无人机集群从初始区域出发，需要对多个目标进行打击。在打击任务开始前，集群会根据所提出的“主动选择分群算法”分成多个群，在探测到目标后不同的群会对目标的属性信息进行融合，对目标的重要性程度进行排序，最后决策出优先打击的目标。无人机集群对抗场景的示意图如图4所示，其中实线代表无人机之间的信息传递流，虚线代表无人机对目标的探测感知流。
在MATLAB R2019b中模拟无人机集群的自组织分群算法以及验证信息融合和目标排序方法，仿真环境搭载在一台处理器为Intel(R)Core(TM)i7-9700 CPU@3.00GHz，内存为16GB，显卡为NVIDIA GeForce GTX1660SUPER，操作系统为Windows7的台式机电脑上。所有对比实验均运行30次取平均值。
在无人机集群自组织分群算法验证实验中，设置无人机集群所在区域为20×20m2，集群规模为100个性能无差异的个体，每个群中的最大成员数为6，并通过平均通信代价、分群多样性和群分散程度三个评价指标对两种算法进行对比分析。
在我们的仿真环境中考虑通信代价时，主要考虑集群中无人机之间的信息传输距。整个无人机集群的平均通信代价通过式(10)进行评估：
其中，
表示集群中任意两个群标签相同的无人机之间的通信距离之和。ComCost值越小，平均通信代价越小，指标越优。
对于无人机集群来说，通常需要执行情报收集、侦察、监视、打击等不同类型的任务，而不同类型的任务往往需要不同规模的无人机架次。因此为了让无人机集群能更好满足未来多任务复杂环境的需要，各群中的无人机数目应该更具有差异性。为了衡量这种差异性，设计分群多样性指标。假设各群中的成员数目为Q＝(q1,q2,...,qh)，分群多样性计算公式为：
ζ2值越大，分群多样性指标越优。
无人机集群中每一个群的成员之间分散程度越高，信息传递速度效率就越低，做出决策的反应就更慢。为了衡量集群分群后的群分散程度，设计指标ε进行评价：
其中，o＝(o1,o2,...,oh)表示无人机集群中各群质心，εj表示第j个群中所有个体的分散程度，ε值越小，指标越优。
在信息融合和目标排序实施例中，考虑目标属性个数p＝2，具体来说，两个属性分别为：1)a1：无人机和目标之间的距离，为费用型属性；2)a2：无人机相对目标的速度，为效益型属性。目标个数l＝3，初始位置随机分布在([12,22],[12,22])的边长为10m的正方形区域中，无人机集群规模q＝15，初始位置随机分布在([5,10],[5,10])的边长为5m的正方形区域中，无人机的飞行速度为1m/s，考虑实际情况中无人机飞行时受到的风力、自身电量等对速度的扰动，在仿真中加入一个分布为R＝(μ,σ2)的高斯噪声来进行模拟，取μ＝σ2＝0.05。
下面针对本申请的无人机集群控制的分布式决策方法提供另一种具体的对比实施例C。
无人机集群控制分群算法效果对比实验采用我们提出的“主动选择分群算法”和“被动选择分群算法”，对比上述平均通信代价、分群多样性和群分散程度三个评价指标。其中两种算法平均通信代价对比如图5所示，可以看出，“主动选择分群算法”拥有更小的平均通信代价，且波动范围更小，结果更加稳定。而“被动选择分群算法”则平均通信代价更高，波动范围更大，这可能是由于“主动选择分群算法”中无人机会采用“就近原则”来选择要加入的群，使得集群的平均通信代价更小。
分群多样性如图6所示，从图6中可以看出，“主动选择分群算法”的分群多样性更大，这样更有利于无人机集群执行多样化的、不同需求的对抗任务，为无人机集群控制提供多样化方案，使对方难以准确预测我方行动意图，提高胜利可能。
群分散程度对比如图7所示，从图7可以看出，用“主动选择分群算法”生成的群分散程度更小，且分散程度的波动更小。这表明各群中成员的聚集程度更高，进而可以使得信息在无人机集群中的传递延时更短，效率更高，提高决策实时性，为把握瞬息万变的机会提供决策支撑。
下面针对本申请的无人机集群控制的分布式决策方法提供另一种具体的实施例D。
为了信息融合模块和目标排序子模块进行论证，我们用一个案例来对图4(c)中的信息融合及目标排序过程进行详细分析。
在一次任务中，由15架无人机组成的集群在对3个目标进行打击前分成了个数分别为4、5、6的3个群，记为
分群结果如图8所示。无人机集群中各群对目标的属性评价矩阵如表1至表3所示。对评价矩阵进行正规化处理、利用WAP算子进行融合后的融合信息矩阵如表4至表6所示。
最后，3个群分别利用TOPSIS方法对3个目标进行重要性排序，得到的结果如下所示，其中Cij表示集群中第i个群对第j个目标的重要性程度计算值。
C11＝0.5157,C12＝0.4878,C13＝0.5000
t1 f t2 f t3
C21＝0.4667,C22＝0.5333,C23＝0.5000
t2 f t3 f t1
C31＝0.5455,C32＝0.4545,C33＝0.6040
t3 f t1 f t2
根据上述排序结果，
群的决策意见是优先打击目标t1，
群的决策意见是优先打击目标t2，
群的决策意见是优先打击目标t3。由此可见，无人机集群能同时进行对多个目标的打击任务，提高行动效率。
表1 群对目标的评价矩阵
表1 
群对目标的评价矩阵
表2 
群对目标的评价矩阵
表3 
群的融合信息矩阵
表4 
群的融合信息矩阵
表5 
群的融合信息矩阵
基于同一个发明构思，本申请一个实施例还提供了一种用于无人机集群控制的分布式决策的装置，如图2所示，包括采集模块10，分群模块20，拓扑模块30，融合模块40，决策模块50以及执行模块60，其中：
采集模块10被配置为集群中各无人机采集通信范围内的友方力量信息和目标信息；
分群模块20被配置为基于所述友方力量信息和所述目标信息，利用主动选择分群算法将集群中所有无人机分为多个群组，确定各所述群组中的群首无人机和/或群成员无人机，所述多个群组构成群组集合；
拓扑模块30被配置为对于每个所述群组，基于该群组中无人机的所述通信范围建立群内拓扑结构；
融合模块40被配置为对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构收集该群组中所述群成员无人机采集的所述目标信息，并对所述目标信息进行融合，生成融合信息；
决策模块50被配置为对于每个所述群组，该群组中的所述群首无人机基于所述融合信息生成控制决策，并基于所述拓扑结构将所述控制决策共享给该群组中的所述群成员无人机；
执行模块60被配置为所述群组中的各无人机执行相应的所述控制决策。
本申请提供的决策装置中，无人机集群在没有控制中心为集群提供信息和决策支撑、无人机集群中个体通信范围有限的条件下，分群模块利用主动选择分群算法将集群中所有无人机分为多个群组，拓扑模块再基于每个群组中无人机的通信范围建立群内拓扑结构，融合模块通过局部范围内的信息交互对所述目标信息进行融合，最后由决策模块生成控制决策。本申请提供的决策装置可以适应无人机集群分布式决策需要，达到较好的决策效果，使无人机集群能够执行多样化的、不同需求的对抗任务，并为无人机集群对抗提供丰富行动方案。
在一些实施例中，所述友方力量信息包括邻居数，所述目标信息包括目标数量，所述分群模块包括第一获取子模块、迭代子模块以及创建子模块，其中：
所述第一获取子模块被配置为对于集群中的每架无人机，从该无人机采集的所述友方力量信息中获取所述邻居数，从该无人机采集的所述目标信息中获取所述目标数量；
所述迭代子模块被配置为集群中所有无人机迭代地执行下列第一操作：基于所述邻居数从未加入所述群组集合的无人机中选取预设数量架无人机作为群首无人机，所述群首无人机创建对应的目标群组，其中，所述预设数量大于等于所述目标数量，每个所述群首无人机对应创建一个所述目标群组；将所述集群中除加入所述群组集合之外的其余无人机作为跟随无人机，所述跟随无人机基于第二规则加入到所述目标群组中，并成为所述目标群组的所述群成员无人机；
所述创建子模块被配置为响应于确定所述未加入所述群组集合的无人机的所述邻居数均为0，停止所述第一操作，所述未加入所述群组集合的无人机分别创建一个新建群组，并成为该新建群组的所述群首无人机。
上述分群模块中，首先，第一获取子模块获取友方邻居数与目标数量，有利于无人机集群基于友方邻居数与目标数量预设群首无人机的数量；然后，迭代子模块基于预设数量设置群首无人机，有利于跟随无人机利用主动分群算法加入各个群组，也有利于无人机集群执行多样化的、不同需求的对抗任务；最后，创建子模块将所有未加入群组的无人机单独设置为各个群首无人机，保证了集群中所有无人机都能够并行执行任务，使无人机利用率最大化。
在一些实施例中，所述迭代子模块还包括迭代单元与响应单元，所述迭代单元被配置为所述跟随无人机迭代地执行下列第二操作：
对于每一架所述跟随无人机，响应于确定该跟随无人机的所述通信范围内存在满足第一要求的所述群首无人机或所述群成员无人机，该跟随无人机加入该所述群首无人机或所述群成员无人机所在的所述目标群组，并成为该所述目标群组的所述群成员无人机；
所述响应单元被配置为响应于确定所有所述目标群组中的所述群成员无人机的数量保持不变，停止所述第二操作。
所述迭代子模块中，所述跟随无人机基于主动选择分群算法加入群组，所述主动选择分群算法平均通信代价小，波动范围小，结果稳定，分群多样性大，分散程度小，分散程度的波动小，使跟随无人机在加入群组时，各群组中成员的聚集程度高，信息在无人机集群中的传递延时短，效率高，提高决策实时性，为把握瞬息万变的机会提供决策支撑，有利于无人机集群执行多样化的、不同需求的对抗任务，为无人机集群控制提供多样化方案，使对方难以准确预测我方行动意图，提高胜利可能。
在一些实施例中，所述第一要求包括该跟随无人机与所述群首无人机或所述群成员无人机的距离要求，以及所述群首无人机或所述群成员无人机所在的所述目标群组的成员数量要求。限制跟随无人机与群首无人机或群成员无人机的距离以及各群组内成员数量，是为了保证各群组内通信的稳定性。
在一些实施例中，所述群首无人机各自的所述通讯范围内不存在其他所述群首无人机。
在一些实施例中，所述融合模块包括第二获取子模块以及融合子模块，其中：
所述第二获取子模块被配置为对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构从群成员无人机采集的所述目标信息中获取所述目标属性；
所述融合子模块被配置为所述群首无人机对所述目标属性进行正规化处理，得到正规化信息，并基于加权幂平均算子对所述正规化信息进行融合处理，得到融合信息。
上述融合子模块中，群首无人机对目标信息进行融合，为后续步骤中群首无人机对目标重要性程度进行排序并生成控制决策打下基础。
在一些实施例中，所述决策模块包括决策子模块，所述决策子模块被配置为所述群首无人机基于所述融合信息利用基于与理想解相似性的排序技术方法生成所述控制决策。
上述决策子模块中群首无人机基于融合信息与排序结果生成控制决策，使得无人机集群能同时进行对多个目标的打击任务，提高了对抗行动效率。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的无人机集群控制的分布式决策方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一个发明构思，本申请还提供了一种电子设备，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，其特征在于，所述处理器执行所述程序时实现任意一种所述无人机集群控制的分布式决策方法。
所述电子设备可以包括：处理器、存储器、输入/输出接口、通信接口和总线。其中处理器、存储器、输入/输出接口和通信接口通过总线实现彼此之间在设备内部的通信连接。
处理器可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案。
存储器可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器可以存储操作系统和其他应用程序，在通过软件或者固件来实现本申请实施例所提供的技术方案时，相关的程序代码保存在存储器中，并由处理器来调用执行。
输入/输出接口用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线包括一通路，在设备的各个组件(例如处理器、存储器、输入/输出接口和通信接口)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器、存储器、输入/输出接口、通信接口以及总线，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的无人机集群控制的分布式决策方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一个发明构思，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行任意一种所述无人机集群控制的分布式决策方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的无人机集群控制的分布式决策方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
本申请所对应的实施例主要实现了以下技术效果：
1)本申请提供的决策方法中，无人机集群在没有控制中心为集群提供信息和决策支撑、无人机集群中个体通信范围有限的条件下，利用主动选择分群算法将集群中所有无人机分为多个群组，每个群组再基于该群组中无人机的通信范围建立群内拓扑结构，每个群组中的群首无人机通过局部范围内的信息交互对所述目标信息进行融合，最后生成控制决策。本申请提供的决策方法可以适应无人机集群分布式决策需要，达到较好的决策效果，使无人机集群能够执行多样化的、不同需求的对抗任务，并为无人机集群对抗提供丰富行动方案。
2)本申请提供的决策装置中，无人机集群在没有控制中心为集群提供信息和决策支撑、无人机集群中个体通信范围有限的条件下，分群模块利用主动选择分群算法将集群中所有无人机分为多个群组，拓扑模块再基于每个群组中无人机的通信范围建立群内拓扑结构，融合模块通过局部范围内的信息交互对所述目标信息进行融合，最后由决策模块生成控制决策。本申请提供的决策装置可以适应无人机集群分布式决策需要，达到较好的决策效果，使无人机集群能够执行多样化的、不同需求的对抗任务，并为无人机集群对抗提供丰富行动方案。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种无人机集群控制的分布式决策方法，其特征在于，包括：
集群中各无人机采集通信范围内的友方力量信息和目标信息；
基于所述友方力量信息和所述目标信息，利用主动选择分群算法将集群中所有无人机分为多个群组，确定各所述群组中的群首无人机和/或群成员无人机，所述多个群组构成群组集合；
对于每个所述群组，基于该群组中无人机的所述通信范围建立群内拓扑结构；
对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构收集该群组中所述群成员无人机采集的所述目标信息，并对所述目标信息进行融合，生成融合信息；
对于每个所述群组，该群组中的所述群首无人机基于所述融合信息生成控制决策，并基于所述拓扑结构将所述控制决策共享给该群组中的所述群成员无人机；
所述群组中的各无人机执行相应的所述控制决策。
2.根据权利要求1所述的无人机集群控制的分布式决策方法，其特征在于，所述友方力量信息包括邻居数，所述目标信息包括目标数量，
所述基于所述友方力量信息和所述目标信息，利用主动选择分群算法将集群中所有无人机分为多个群组，确定各所述群组中的群首无人机和/或群成员无人机，所述多个群组构成群组集合，包括：
对于集群中的每架无人机，从该无人机采集的所述友方力量信息中获取所述邻居数，从该无人机采集的所述目标信息中获取所述目标数量；
集群中所有无人机迭代地执行下列第一操作：
基于所述邻居数从未加入所述群组集合的无人机中选取预设数量架无人机作为群首无人机，所述群首无人机创建对应的目标群组，其中，所述预设数量大于等于所述目标数量，每个所述群首无人机对应创建一个所述目标群组；
将所述集群中除加入所述群组集合之外的其余无人机作为跟随无人机，所述跟随无人机基于第二规则加入到所述目标群组中，并成为所述目标群组的所述群成员无人机；
响应于确定所述未加入所述群组集合的无人机的所述邻居数均为0，停止所述第一操作，所述未加入所述群组集合的无人机分别创建一个新建群组，并成为该新建群组的所述群首无人机。
3.根据权利要求2所述的无人机集群控制的分布式决策方法，其特征在于，所述其余无人机作为跟随无人机，基于第二规则加入到所述目标群组中，并成为该目标群组的所述群成员无人机，包括：
所述跟随无人机迭代地执行下列第二操作：
对于每一架所述跟随无人机，响应于确定该跟随无人机的所述通信范围内存在满足第一要求的所述群首无人机或所述群成员无人机，该跟随无人机加入该所述群首无人机或所述群成员无人机所在的所述目标群组，并成为该所述目标群组的所述群成员无人机；
响应于确定所有所述目标群组中的所述群成员无人机的数量保持不变，停止所述第二操作。
4.根据权利要求3所述的无人机集群控制的分布式决策方法，其特征在于，所述第一要求包括该跟随无人机与所述群首无人机或所述群成员无人机的距离要求，以及所述群首无人机或所述群成员无人机所在的所述目标群组的成员数量要求。
5.根据权利要求2所述的无人机集群控制的分布式决策方法，其特征在于，所述群首无人机各自的所述通讯范围内不存在其他所述群首无人机。
6.根据权利要求1所述的无人机集群控制的分布式决策方法，其特征在于，所述目标信息还包括目标属性，所述对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构收集该群组中所述群成员无人机采集的所述目标信息，并对所述目标信息进行融合，生成融合信息，包括：
对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构从群成员无人机采集的所述目标信息中获取所述目标属性；
所述群首无人机对所述目标属性进行正规化处理，得到正规化信息，并基于加权幂平均算子对所述正规化信息进行融合处理，得到融合信息。
7.根据权利要求1所述的无人机集群控制的分布式决策方法，其特征在于，所述该群组中的所述群首无人机基于所述融合信息生成控制决策，包括：所述群首无人机基于所述融合信息利用基于与理想解相似性的排序技术方法生成所述控制决策。
8.一种用于无人机集群控制的分布式决策的装置，其特征在于，包括：
采集模块，被配置为集群中各无人机采集通信范围内的友方力量信息和目标信息；
分群模块，被配置为基于所述友方力量信息和所述目标信息，利用主动选择分群算法将集群中所有无人机分为多个群组，确定各所述群组中的群首无人机和/或群成员无人机，所述多个群组构成群组集合；
拓扑模块，被配置为对于每个所述群组，基于该群组中无人机的所述通信范围建立群内拓扑结构；
融合模块，被配置为对于每个所述群组，该群组中的所述群首无人机基于所述拓扑结构收集该群组中所述群成员无人机采集的所述目标信息，并对所述目标信息进行融合，生成融合信息；
决策模块，被配置为对于每个所述群组，该群组中的所述群首无人机基于所述融合信息生成控制决策，并基于所述拓扑结构将所述控制决策共享给该群组中的所述群成员无人机；
执行模块，被配置为所述群组中的各无人机执行相应的所述控制决策。
9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至7任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111545873.7A CN114237292A (zh) | 2021-12-16 | 2021-12-16 | 无人机集群控制的分布式决策方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111545873.7A CN114237292A (zh) | 2021-12-16 | 2021-12-16 | 无人机集群控制的分布式决策方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114237292A true CN114237292A (zh) | 2022-03-25 |
Family
ID=80757190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111545873.7A Pending CN114237292A (zh) | 2021-12-16 | 2021-12-16 | 无人机集群控制的分布式决策方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114237292A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115469672A (zh) * | 2022-11-02 | 2022-12-13 | 成都铂升科技有限公司 | 一种室内分布式灯光机器人集群控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108680063A (zh) * | 2018-05-23 | 2018-10-19 | 南京航空航天大学 | 一种针对大规模无人机集群动态对抗的决策方法 |
| CN109460065A (zh) * | 2019-01-12 | 2019-03-12 | 中国人民解放军国防科技大学 | 基于势函数的无人机集群队形特征辨识方法及系统 |
| CN110096073A (zh) * | 2019-04-18 | 2019-08-06 | 北京航空航天大学 | 仿信鸽智能行为的超大规模无人机集群控制系统及方法 |
| CN111784211A (zh) * | 2020-08-04 | 2020-10-16 | 中国人民解放军国防科技大学 | 一种基于分簇的群体多任务分配方法及存储介质 |
| CN113316091A (zh) * | 2021-05-28 | 2021-08-27 | 北京邮电大学 | 一种应用于无人机集群的信息发送方法及装置 |
-
2021
- 2021-12-16 CN CN202111545873.7A patent/CN114237292A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108680063A (zh) * | 2018-05-23 | 2018-10-19 | 南京航空航天大学 | 一种针对大规模无人机集群动态对抗的决策方法 |
| CN109460065A (zh) * | 2019-01-12 | 2019-03-12 | 中国人民解放军国防科技大学 | 基于势函数的无人机集群队形特征辨识方法及系统 |
| CN110096073A (zh) * | 2019-04-18 | 2019-08-06 | 北京航空航天大学 | 仿信鸽智能行为的超大规模无人机集群控制系统及方法 |
| CN111784211A (zh) * | 2020-08-04 | 2020-10-16 | 中国人民解放军国防科技大学 | 一种基于分簇的群体多任务分配方法及存储介质 |
| CN113316091A (zh) * | 2021-05-28 | 2021-08-27 | 北京邮电大学 | 一种应用于无人机集群的信息发送方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 刘宝锺: "大数据分类模型和算法研究", vol. 978, 31 January 2019, 云南大学出版社, pages: 358 * |
| 曹亮: "基于多样性约束和离散度分层聚类的无监督视频行人重识别", 南京航空航天大学学报, vol. 52, no. 5, 31 October 2020 (2020-10-31) * |
| 李丽香: "混沌蚁群算法及应用", vol. 978, 31 January 2013, 中国科学技术出版社, pages: 110 - 111 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115469672A (zh) * | 2022-11-02 | 2022-12-13 | 成都铂升科技有限公司 | 一种室内分布式灯光机器人集群控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A comparative analysis of evolutionary and memetic algorithms for community detection from signed social networks | |
| Capitan et al. | Decentralized multi-robot cooperation with auctioned POMDPs | |
| Kolomvatsos et al. | Multi-criteria optimal task allocation at the edge | |
| US10942939B2 (en) | Systems and methods for unsupervised streaming feature selection in social media | |
| CN111784211B (zh) | 一种基于分簇的群体多任务分配方法及存储介质 | |
| WO2023142316A1 (zh) | 飞行决策生成方法和装置、计算机设备、存储介质 | |
| CN112765362A (zh) | 基于改进自编码器的知识图谱实体对齐方法及相关设备 | |
| CN114237292A (zh) | 无人机集群控制的分布式决策方法及相关设备 | |
| Shen et al. | An AI‐based virtual simulation experimental teaching system in space engineering education | |
| Priyanka et al. | Wireless network upgraded with artificial intelligence on the data aggregation towards the smart internet applications | |
| Jia et al. | Online V2X scheduling for raw-level cooperative perception | |
| Piciarelli et al. | Drone swarm patrolling with uneven coverage requirements | |
| Bulut et al. | Efficient path planning of drone swarms over clustered human crowds in social events | |
| Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
| CN113591629A (zh) | 一种手指三模态融合识别方法、系统、设备及存储介质 | |
| Ahmed | Integrating machine learning in military intelligence process: study of futuristic approaches towards human-machine collaboration | |
| CN111598722A (zh) | 一种基于云计算实现电力大数据布局和信息共享方法 | |
| Badami et al. | An enriched game-theoretic framework for multi-objective clustering | |
| CN106851689B (zh) | 无线传感器及执行器网络中多因素任务分配方法 | |
| Esterle et al. | Loosening control—a hybrid approach to controlling heterogeneous swarms | |
| KR20230006778A (ko) | 성과 지향 교육 방법, 그 방법을 수행하는 서버 및 단말기 | |
| Zhou et al. | A Grey Target Group Decision Method with Dual Hesitant Fuzzy Information considering Decision‐Maker’s Loss Aversion | |
| Aynehband et al. | Accuracy and availability modeling of social networks for Internet of Things event detection applications | |
| Feng et al. | Research on Threat Assessment evaluation model based on improved CNN algorithm | |
| Torabi et al. | Multi-objective interior search algorithm for optimization: A new multi-objective meta-heuristic algorithm |
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 |