CN114897215A - 基于无监督学习离散鸽群优化多无人机侦察任务分配方法 - Google Patents

基于无监督学习离散鸽群优化多无人机侦察任务分配方法 Download PDF

Info

Publication number
CN114897215A
CN114897215A CN202210353215.6A CN202210353215A CN114897215A CN 114897215 A CN114897215 A CN 114897215A CN 202210353215 A CN202210353215 A CN 202210353215A CN 114897215 A CN114897215 A CN 114897215A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
pigeon
cluster
formula
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
Application number
CN202210353215.6A
Other languages
English (en)
Inventor
段海滨
龙泓
邓亦敏
魏晨
吴江
周锐
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202210353215.6A priority Critical patent/CN114897215A/zh
Publication of CN114897215A publication Critical patent/CN114897215A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Educational Administration (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法：步骤一：建立无人机群模型Utotal＝{U1,U2,...,UNv}；步骤二：基于Dubins曲线假设简化无人机模型；步骤三：建立侦察目标和无人机传感器模型；步骤四：将侦察目标的数据样本T通过余弦相似度聚类进行柔性分组；步骤五：基于全局编码交叉与变异的离散鸽群算法设计；步骤六：多无人机Dubins模型利用离散鸽群算法优化适应度函数；步骤七：输出无监督学习离散鸽群优化多无人机侦察任务分配结果图。本发明可降低航迹重合度，减少计算时间和可调变量数目，提高鲁棒性；支持任务预分配和重分配，具有一定的环境适应性；具有柔性分区的特点，使无人机群对目标进行侦察任务分配的时，能够提升执行效率。

Description

基于无监督学习离散鸽群优化多无人机侦察任务分配方法
技术领域
本发明是一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法，属于无人机自主控制领域。
背景技术
随着无人机技术的迅猛发展，以及无人机工作环境越来越复杂，无人机正在军事和民用上扮演着越来越重要的角色，像智能搜索、区域监测、环境检测和营救任务。然而，受限于它自身的大小和能力，单独的无人机很难完成一些复杂的任务。因此多无人机协同合作完成任务已经成为当下的热点，为了去实现协同合作，任务分配是在实施任务时能够采取最好的顺序并且最大化无人机群体的效益的必要行为。
通常任务分配问题被当作是简单的旅行商问题，该问题仅仅是找到多个目标之间的最短欧式距离，并没有考虑到无人机自身的运动学约束和无人机携带传感器的侦察范围。考虑无人机自身的运动学约束，引入了Dubins曲线模型到任务分配模型当中，Dubins曲线是满足曲率约束和规定的始端和末端方向的条件下，连接两个二维平面的最短路径，其可以为无人机设计好具有最小转弯半径的侦察路径。考虑无人机携带传感器的侦察范围，建立传感器模型，只有当侦察目标在传感器侦察范围内，才可以视作侦察成功。
多无人机侦察任务分配的算法可以分为两大类：分布式算法和集中式算法，对于目标比较多的情况，无人机集群规模比较大的分配任务，无人机通常采用贪婪策略或者局部信息的方法会发生任务分配航迹重合度较高，常常会面临着信息一致性和任务一致性的挑战。在引入Dubins模型的基础之上考虑最小转弯半径和最大的航程限制，采用无监督学习的策略，提出柔性分组的思想。为了尽量减少航迹的重合度，采用基于余弦相似度的聚类方法，将无人机要侦察的目标进行分区，划分为不同的组合。然后再对多无人机进行任务分配和路径优化。
在任务分配问题中常用的方法有遗传算法和粒子群算法等，但是在实现目标选择的时候不够智能，常常容易产生任务航迹的重叠，且计算时间长，需要调整的参数多，鲁棒性低等缺点。
鸽群优化(Pigeon Inspired Optimization,PIO)算法是模拟鸽子归巢行为设计的智能优化算法，通过地磁场信息、太阳高度信息和地标信息三个导引工具使得鸽子更易归巢。其可以有效解决参数优化和数值设计等一系列问题，通常在函数极值问题等连续优化问题上具有一定的优势。但是对于复杂的组合优化问题，其连续性限制了它的使用范围。采用全局编码交叉与变异的方法将指南针算子和地标算子离散化引入多无人机侦察任务分配的组合优化问题中。综上所述，本发明提出了一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法，其目的是为了在确定目标的方位和位置时，能够对多无人机群进行任务分配，得到无人机侦察的最优覆盖占位，从而在最大效费比(effect-cost)的情况下对目标进行侦察。
发明内容
1、发明目的：
本发明提供一种基于无监督学习的离散鸽群优化多无人机侦察任务分配方法，其目的是为了在确定目标的方位和位置时，能够对多无人机群进行任务分配，得到无人机侦察的最优覆盖占位，从而在最大效费比的情况下对目标进行侦察。
2、技术方案：
本发明针对多无人机侦察任务分配问题，提供一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法，该方法具体步骤如下：
步骤一：建立无人机群模型Utotal＝{U1,U2,...,UNv}
其中，假定无人机UNv配有速度、航向角和高度，则无人机模型可以简化为如下6态模型：
Figure BDA0003581643220000031
同时考虑无人机实用性约束：
Figure BDA0003581643220000032
式中：
Figure BDA0003581643220000033
为无人机i的位置，Vt，ψi和λi分别为水平速度，航向角和高度变化率，
Figure BDA0003581643220000034
和
Figure BDA0003581643220000035
分别为自动驾驶仪3个回路上的控制输入，τv，τψ和(τλ,τh)分别为3个时间常数，Nv表示的是无人机的数量，Vmax,Vmin,nmax和λmax均大于0，分别为最大速度、最小水平速度、最大横向过载和最大高度变化率，λmin为最小高度变化率，且小于0，g为重力加速度取为10m/s2。
步骤二：基于Dubins曲线假设简化无人机模型
1)在执行任务的时候无人机群没有战损；
2)无人机群执行侦察任务时的高度和速度是确定的；
3)每架无人机将在不同的海拔高度进行作业；
4)每架无人机都能够有充足的载荷储备。
根据以上假设将步骤一中的无人机进行简化为三个状态量表示Q＝(x,y,ψ),对于每架无人机UNv，其运动模型可以表示为：
Figure BDA0003581643220000041
式中，x与y表示的是无人机的位置，vNv表示的是无人机Nv的速度，
Figure BDA0003581643220000042
表示的是最小的转弯半径，c表示的是控制输入，|c|≤1，当c＞0时，表示无人机逆时针转弯；当c＜0时，表示无人机顺时针转弯；当c＝0时，表示无人机沿着原来的方向直行。
设置Dubins曲线具有以下的运动方式：
D＝{LSL,RSR,RSL,LSR,RLR,LRL} (4)
式中，D表示的是Dubins路径可以选择的集合，L表示的是逆时针转，R表示的是顺时针转，S表示的沿着原来的方向直行。
步骤三：建立侦察目标和无人机传感器模型
该任务分配的目标为静止的目标Ttotal＝{T1,T2,...,TNu}，目标的半径大小为r，无人机的传感器侦察范围可假设为圆形范围，视场半径为R。当目标点在视场范围之内的时候，就意味着无人机对其执行了侦察。此时有下式成立：
R-r＜l (5)
式中，R与r分别为无人机传感器的侦察半径以及目标点的半径，l表示的能够允许的范围差值。具体的概念模型见图1a、b，仿真图见图3。
步骤四：将侦察目标的数据样本T通过余弦相似度聚类进行柔性分组
随机产生数据大小范围内的Nv个点作为初始的类簇中心点{C1,C2,...,Ck}，1＜k≤Nv。在数据样本T中，包含了Nu个对象T＝{T1,T2,...,TNu}，其中的每个对象都会有m个维度的特征。为了降低航迹重叠度以及减少迭代时间，采用K-Means将Nu个对象根据对象之间的余弦相似度聚集到指定的Nv个类簇中，每个对象只能存在于被指定的Nv类簇中的一个。然后通过计算每个对象到每个聚类中心的余弦值，如下式：
Figure BDA0003581643220000051
式中，Ti表示的第i个对象1≤i≤Nv，Ck表示的是第k个聚类中心1≤k≤Nv，Ti m表示的是第i个对象的第m个特征，
Figure BDA0003581643220000052
表示的是第k个对象的第m个特征。通过不断的迭代并重新分配到类簇中，最终会得到k个类簇{S1,S2,...,Sk}，1≤k≤Nv。所有的数据样本分配完毕以后，将分得的各个类簇通过类簇中心计算公式求出，然后再重新迭代分配数据样本和类簇中心，直到达到一定的迭代次数或者类簇中心的变化非常小，此时可以生成数据。
类簇中心可用下式进行求得：
Figure BDA0003581643220000053
式中，Ck表示的是聚类中心，Ti表示的是属于类簇Sk的第i个对象，num(Sk)表示的是类簇Sk的元素个数，ΔC表示的是第k次类簇中心点与第k-1次类簇中心点之间的差值，I表示的是迭代次数，Imax表示的是迭代次数的最大值，对目标点的柔性分组仿真图见图4。
步骤五：基于全局编码交叉与变异的离散鸽群算法设计
1)离散鸽群算法应用于组合优化问题
鸽群算法是模拟鸽子归巢行为设计的智能优化算法，通过地磁场信息、太阳高度信息和地标信息三个导引工具使得鸽子更易归巢。其可以有效解决参数优化和数值设计等一系列问题，通常在函数极值问题等连续优化问题上具有一定的优势。但是对于复杂的组合优化问题，其连续性限制了它的使用范围。采用全局编码交叉与变异的方法将指南针算子和地标算子离散化引入多无人机侦察任务分配的组合优化问题中。
2)初始化
鸽群的种群个数为P，需要被侦察任务分配的任务数为N，Q1表示地磁导航次数，Q2表示地标导航次数，第i只鸽子的位置Xi＝[x1,x2,...,xn]，1≤i≤P表示一段无人机侦察任务分配的顺序序列，其中1≤xn≤N,1≤n≤N且有(8)式成立
Figure BDA0003581643220000061
第i只鸽子的速度为Vi＝[v1,v2,...,vn]，1≤i≤P表示一段使鸽子的位置Xi t得到另一个位置
Figure BDA0003581643220000062
的转移序列，其中0≤vn≤N，1≤n≤N。
3)基于全局编码交叉与变异的地图和指南针算子的设计
连续型的地图罗盘算子的迭代公式如下：
Figure BDA0003581643220000063
式中，第i只鸽子的位置表示为Xi，速度表示为Vi，R为地图罗盘算子，t表示的是迭代的次数，rand为[0，1]间的随机数，Xg表示的是全局最优的位置。
采用全局编码交叉与变异的指南针算子更新公式如下：
Figure BDA0003581643220000064
Figure BDA0003581643220000071
Figure BDA0003581643220000072
式中，t表示的是迭代的次数，Tt表示的是全局最优序列的矩阵，Mt表示的是个体此时的序列矩阵，Ct表示的是从Mt矩阵成为Tt矩阵的算子，N表示的是任务的数目即维度，α，β皆为在[0,1]的随机数，R是随着迭代次数在一开始具有较高的全局寻优能力，最后具有较强的局部寻优能力的地磁影响因子，其他表示与公式(8)中一致。
4)基于全局编码交叉与变异的地标算子设计
连续型的地标算子的迭代公式如下：
Figure BDA0003581643220000073
式中，Np表示的是种群的个体数目，t表示的是迭代的次数，Xc表示每次迭代之后中心鸽子的位置，Xi表示的是第i只鸽子的位置，f(Xi)表示的是Xi此时的适应度函数，rand是[0,1]上的随机数。
采用全局编码交叉变异的地标算子更新公式如下：
P(t)＝P(t-1)/2 (14)
Figure BDA0003581643220000081
Figure BDA0003581643220000082
式中，ceil(·)为取整函数，O(·)是一个缺整补全算子，表示的是当
Figure BDA0003581643220000083
序列中的元素为0的时候，用
Figure BDA0003581643220000084
中不等于原
Figure BDA0003581643220000085
中的数据补全序列，γ是[0,1]中的随机数，其他表示与公式(11)(12)一致，整体算法框架图见图2。
步骤六：多无人机Dubins模型利用离散鸽群算法优化适应度函数
由步骤四得到无监督学习的k个类簇序列Si＝{S1,S2,...,Sk}，对其中每一个类簇序列考虑成一个Dubins旅行商问题做预分配，优化算法保证对每个类簇中的每个目标做路径选择的时候从D＝{LSL,RSR,RSL,LSR,RLR,LRL}集合中选取路径长度最小的一个，最后回到出发点。
Figure BDA0003581643220000086
式中，Nu表示的是目标点的数量，
Figure BDA0003581643220000087
表示的是Si类簇序列下到点j的Dubins距离，Ti表示的是类簇Si侦察完所用的时间。
步骤七：输出无监督学习离散鸽群优化多无人机侦察任务分配结果图
判断无监督学习的迭代次数是否达到Nmax或者簇中心达到稳定，然后判断离散鸽群优化的迭代次数是否达到Q1+Q2。若是，则输出多无人机侦察任务分配结果图见图6，图8，与遗传算法简单随机选择做对比见图5，图7；否则，更新迭代次数，并转向步骤二。
本发明的基于无监督学习离散鸽群优化多无人机侦察任务分配方法，其优点及功效在于：一、提供了解决多无人机侦察任务分配的优化算法，降低航迹重合度，减少计算时间和可调变量数目，提高鲁棒性；二、提出了一种动态分配的方法，支持任务预分配和重分配，具有一定的环境适应性；三、具有柔性分区的特点，使无人机群对目标进行侦察任务分配的时，能够提升执行效率。
附图说明
图1a、b目标模型和传感器模型示意图
图2本发明基于无监督学习离散鸽群优化算法流程图
图3多无人机侦察任务分配目标模型仿真示意图
图4多无人机侦察任务分配柔性分组模型仿真示意图
图5遗传算法简单随机选择仿真示意图(俯视图)
图6本发明实施例无监督学习离散鸽群优化仿真示意图(俯视图)
图7遗传算法简单随机选择仿真示意图(侧视图)
图8本发明实施例无监督学习离散鸽群优化仿真示意图(俯视图)
图9多无人机适应度函数值仿真示意图
图中标号及符号说明如下：
X-Y-Z——无人机的相对于地面的大地坐标系
H——无人机在进行侦察任务分配的飞行高度
R——无人机传感器模型侦察范围的半径大小
r——侦察目标的半径大小
TNu——侦察目标的序号
具体实施方式
下面通过一个具体的多无人机侦察任务分配实例来验证本发明所提出的方法的有效性。实验计算机配置为Intel Core i7-10700处理器，2.90Ghz主频，16G内存，软件为MATLAB 2020b版本。一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法具体步骤如下：
步骤一：建立无人机群模型Utotal＝{U1,U2,...,UNv}
给定10架无人机的初始航向角均为0°，初始横纵坐标位置在[0,0]高度分别在[22:2:40]依次递增，速度恒定为10m/s，最小转弯半径5m，仿真步长0.01s，仿真最大阈值100s。
步骤二：基于Dubins曲线假设简化无人机模型
考虑步骤一中的无人机群六自由度模型通过Dubins曲线简化为三自由度的无人机模型，产生一个Dubins距离计算函数，选择策略有：
D＝{LSL,RSR,RSL,LSR,RLR,LRL}
其中每个选择策略都代表着一个两目标点的距离，通过D式计算所有策略下目标点之间的距离。
步骤三：建立侦察目标和无人机传感器模型
随机生成横轴[-200,200]，纵轴[-200,200]内的50个横纵目标点数据，半径r＝2.5m，无人机传感器模型的探测半径R＝5m，lmax＝2.5m。
步骤四：将侦察目标的数据样本T通过余弦相似度聚类进行柔性分组
根据步骤一和步骤三对范围内的50个目标点随机产生10个类簇中心点，每个目标点和中心点皆有横纵两个维度，根据(6)式计算每个点到类簇中心点的余弦相似度，以其大小分为10组数据，然后将每组数据通过(7)式重新计算类簇中心，直到类簇中心点稳定即ΔC趋近于0或者迭代次数I达到10000时，分组结束，得到了具有趋于不同方向的10个分组{S1,S2,...,S10}。
步骤五：基于全局编码交叉与变异的离散鸽群算法设计
1)初始化
鸽群的总数为30，需要被侦察任务分配的任务数为50，地磁导航次数Q1＝150，地标导航次数Q2＝50，第i只鸽子的位置Xi＝[x1,x2,...,xn]，速度为Vi＝[v1,v2,...,vn]，算法需要并行的对10组目标点进行优化计算。
2)基于全局编码交叉与变异的地图和指南针算子的设计
寻优出迭代次数为t时的最优个体Xg，将其扩充为
Figure BDA0003581643220000111
的形式，然后将此时的
Figure BDA0003581643220000112
与其做比，找出将Mt(Ct)＝Tt的转移矩阵
Figure BDA0003581643220000113
以随机概率变异保留Ct中每行每列的元素。
然后设计地磁影响因子R，使得其在迭代初期具有较强的全局搜索能力，在迭代后期具有较强的局部搜索能力。并以e-Rt的概率继续变异保留Ct中每行每列的元素得到Vt。
最后将重新得到的转移矩阵Vt代入到公式(12)中得到新的Mt个体序列矩阵。
3)基于全局编码交叉与变异的地标算子设计
因为计算中心鸽子的位置，适应度函数值所做的乘积只适用于连续的鸽群算法中，因此需要重新找到离散算法中近似中心鸽子并进行地标算子的优化。首先通过式(14)对种群的数目进行适应度排序，减去一半适应度值较大的个体。然后对此时所有已计算的每代最优鸽子求其平均值并取整数，此时所得到的
Figure BDA0003581643220000114
可能无法满足目标序列的要求，解决的方法是通过式(15)将其中超出范围的
Figure BDA0003581643220000115
和有重复出现数据的
Figure BDA0003581643220000127
置为0，得到
Figure BDA0003581643220000121
然后以遗漏的位置变量从第一列依次补齐缺失的位置，得到完整的目标序列Xc。
此时的Xc扩充为
Figure BDA0003581643220000122
的形式与此时的
Figure BDA0003581643220000123
做比，找出将Mt(Ct)＝Tt的转移矩阵
Figure BDA0003581643220000124
以随机概率变异保留Ct中每行每列的元素。
最后将重新得到的转移矩阵Ct代入到公式(16)中得到新的Mt个体序列矩阵。
步骤六：多无人机Dubins模型利用离散鸽群算法优化适应度函数
对已经无监督学习的k个类簇序列Si＝{S1,S2,...,Sk}，对其中每一个类簇序列考虑成一个DTSP问题做预分配，离散鸽群算法保证在对每个类簇中的每个目标做路径选择的时候从D＝{LSL,RSR,RSL,LSR,RLR,LRL}集合中选取路径长度最小的一个，最后回到出发点。
Figure BDA0003581643220000125
式中，Nu表示的是目标点的数量，
Figure BDA0003581643220000126
表示的是Si类簇序列下到点j的Dubins距离，Ti表示的是类簇Si侦察完所用的时间。
步骤七：输出无监督学习离散鸽群优化多无人机侦察任务分配结果图
判断无监督学习的迭代次数是否达到10000或者簇中心达到稳定，然后判断离散鸽群优化的迭代次数是否达到200。若是，则输出多无人机侦察任务分配结果图；否则，更新迭代次数，并转向步骤二。
本发明采用10架无人机，50个目标点，先用无监督学习的方法将各个目标点进行分组，然后考虑无人机Dubins模型考虑最小转弯半径在不同高度匀速进行飞行，用离散鸽群算法实现了在路径和时间上对50个目标点侦察任务分配上的优化。
为了验证本发明提出方法的有效性，本专利还进行了相应的对比实验，与传统的遗传算法简单选择作对比，适应度函数值变化如图9所示。

Claims (5)

1.一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法，其特征在于：该方法具体步骤如下：
步骤一：建立无人机群模型Utotal＝{U1,U2,...,UNv}
步骤二：基于Dubins曲线假设简化无人机模型
步骤三：建立侦察目标和无人机传感器模型
该任务分配的目标为静止的目标Ttotal＝{T1,T2,...,TNu}，目标的半径大小为r，无人机的传感器侦察范围可假设为圆形范围，视场半径为R；当目标点在视场范围之内的时候，就意味着无人机对其执行了侦察；此时有下式成立：
R-r＜l
式中，R与r分别为无人机传感器的侦察半径以及目标点的半径，l表示的能够允许的范围差值；
步骤四：将侦察目标的数据样本T通过余弦相似度聚类进行柔性分组
步骤五：基于全局编码交叉与变异的离散鸽群算法设计
步骤六：多无人机Dubins模型利用离散鸽群算法优化适应度函数
由步骤四得到无监督学习的k个类簇序列Si＝{S1,S2,...,Sk}，对其中每一个类簇序列考虑成一个Dubins旅行商问题做预分配，优化算法保证对每个类簇中的每个目标做路径选择的时候从D＝{LSL,RSR,RSL,LSR,RLR,LRL}集合中选取路径长度最小的一个，最后回到出发点；
Figure FDA0003581643210000011
式中，Nu表示的是目标点的数量，
Figure FDA0003581643210000012
表示的是Si类簇序列下到点j的Dubins距离，Ti表示的是类簇Si侦察完所用的时间；
步骤七：输出无监督学习离散鸽群优化多无人机侦察任务分配结果图
判断无监督学习的迭代次数是否达到Nmax或者簇中心达到稳定，然后判断离散鸽群优化的迭代次数是否达到Q1+Q2；若是，则输出多无人机侦察任务分配结果图；否则，更新迭代次数，并转向步骤二。
2.根据权利要求1所述的一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法，其特征在于：所述步骤一，其中假定无人机UNv配有速度、航向角和高度，则无人机模型可以简化为如下6态模型：
Figure FDA0003581643210000021
同时考虑无人机实用性约束：
Figure FDA0003581643210000022
式中：
Figure FDA0003581643210000023
为无人机i的位置，Vt，ψi和λi分别为水平速度，航向角和高度变化率，
Figure FDA0003581643210000024
和
Figure FDA0003581643210000025
分别为自动驾驶仪3个回路上的控制输入，τv，τψ和(τλ,τh)分别为3个时间常数，Nv表示的是无人机的数量，Vmax,Vmin,nmax和λmax均大于0，分别为最大速度、最小水平速度、最大横向过载和最大高度变化率，λmin为最小高度变化率，且小于0，g为重力加速度取为10m/s2。
3.根据权利要求1所述的一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法，其特征在于：所述步骤二具体过程如下：假设：
1)在执行任务的时候无人机群没有战损；
2)无人机群执行侦察任务时的高度和速度是确定的；
3)每架无人机将在不同的海拔高度进行作业；
4)每架无人机都能够有充足的载荷储备；
根据以上假设将步骤一中的无人机进行简化为三个状态量表示Q＝(x,y,ψ),对于每架无人机UNv，其运动模型可以表示为：
Figure FDA0003581643210000031
式中，x与y表示的是无人机的位置，vNv表示的是无人机Nv的速度，
Figure FDA0003581643210000032
表示的是最小的转弯半径，c表示的是控制输入，|c|≤1，当c＞0时，表示无人机逆时针转弯；当c＜0时，表示无人机顺时针转弯；当c＝0时，表示无人机沿着原来的方向直行；
设置Dubins曲线具有以下的运动方式：
D＝{LSL,RSR,RSL,LSR,RLR,LRL} (4)
式中，D表示的是Dubins路径可以选择的集合，L表示的是逆时针转，R表示的是顺时针转，S表示的沿着原来的方向直行。
4.根据权利要求1所述的一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法，其特征在于：所述步骤四的具体过程如下：
随机产生数据大小范围内的Nv个点作为初始的类簇中心点{C1,C2,...,Ck}，1＜k≤Nv；在数据样本T中，包含了Nu个对象T＝{T1,T2,...,TNu}，其中的每个对象都会有m个维度的特征；为了降低航迹重叠度以及减少迭代时间，采用K-Means将Nu个对象根据对象之间的余弦相似度聚集到指定的Nv个类簇中，每个对象只能存在于被指定的Nv类簇中的一个；然后通过计算每个对象到每个聚类中心的余弦值，如下式：
Figure FDA0003581643210000033
式中，Ti表示的第i个对象1≤i≤Nv，Ck表示的是第k个聚类中心1≤k≤Nv，Ti m表示的是第i个对象的第m个特征，
Figure FDA0003581643210000041
表示的是第k个对象的第m个特征；通过不断的迭代并重新分配到类簇中，最终会得到k个类簇{S1,S2,...,Sk}，1≤k≤Nv；所有的数据样本分配完毕以后，将分得的各个类簇通过类簇中心计算公式求出，然后再重新迭代分配数据样本和类簇中心；
类簇中心可用下式进行求得：
Figure FDA0003581643210000042
式中，Ck表示的是聚类中心，Ti表示的是属于类簇Sk的第i个对象，num(Sk)表示的是类簇Sk的元素个数，ΔC表示的是第k次类簇中心点与第k-1次类簇中心点之间的差值，I表示的是迭代次数，Imax表示的是迭代次数的最大值。
5.根据权利要求1所述的一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法，其特征在于：所述步骤五的具体过程如下：
1)初始化
鸽群的种群个数为P，需要被侦察任务分配的任务数为N，Q1表示地磁导航次数，Q2表示地标导航次数，第i只鸽子的位置Xi＝[x1,x2,...,xn]，1≤i≤P表示一段无人机侦察任务分配的顺序序列，其中1≤xn≤N,1≤n≤N且有(8)式成立
Figure FDA0003581643210000043
第i只鸽子的速度为Vi＝[v1,v2,...,vn]，1≤i≤P表示一段使鸽子的位置Xi t得到另一个位置
Figure FDA0003581643210000044
的转移序列，其中0≤vn≤N，1≤n≤N；
2)基于全局编码交叉与变异的地图和指南针算子的设计
连续型的地图罗盘算子的迭代公式如下：
Figure FDA0003581643210000051
式中，第i只鸽子的位置表示为Xi，速度表示为Vi，R为地图罗盘算子，t表示的是迭代的次数，rand为[0，1]间的随机数，Xg表示的是全局最优的位置；
采用全局编码交叉与变异的指南针算子更新公式如下：
Figure FDA0003581643210000052
Figure FDA0003581643210000053
Figure FDA0003581643210000054
式中，t表示的是迭代的次数，Tt表示的是全局最优序列的矩阵，Mt表示的是个体此时的序列矩阵，Ct表示的是从Mt矩阵成为Tt矩阵的算子，N表示的是任务的数目即维度，α，β皆为在[0,1]的随机数，R是随着迭代次数在一开始具有较高的全局寻优能力，最后具有较强的局部寻优能力的地磁影响因子，其他表示与公式(8)中一致；
3)基于全局编码交叉与变异的地标算子设计
连续型的地标算子的迭代公式如下：
Figure FDA0003581643210000061
式中，Np表示的是种群的个体数目，t表示的是迭代的次数，Xc表示每次迭代之后中心鸽子的位置，Xi表示的是第i只鸽子的位置，f(Xi)表示的是Xi此时的适应度函数，rand是[0,1]上的随机数；
采用全局编码交叉变异的地标算子更新公式如下：
P(t)＝P(t-1)/2 (14)
Figure FDA0003581643210000062
Figure FDA0003581643210000063
式中，ceil(·)为取整函数，O(·)是一个缺整补全算子，表示的是当
Figure FDA0003581643210000064
序列中的元素为0的时候，用
Figure FDA0003581643210000065
中不等于原
Figure FDA0003581643210000066
中的数据补全序列，γ是[0,1]中的随机数，其他表示与公式(11)(12)一致。
CN202210353215.6A 2022-04-06 2022-04-06 基于无监督学习离散鸽群优化多无人机侦察任务分配方法 Pending CN114897215A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210353215.6A CN114897215A (zh) 2022-04-06 2022-04-06 基于无监督学习离散鸽群优化多无人机侦察任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210353215.6A CN114897215A (zh) 2022-04-06 2022-04-06 基于无监督学习离散鸽群优化多无人机侦察任务分配方法

Publications (1)

Publication Number Publication Date
CN114897215A true CN114897215A (zh) 2022-08-12

Family

ID=82716293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210353215.6A Pending CN114897215A (zh) 2022-04-06 2022-04-06 基于无监督学习离散鸽群优化多无人机侦察任务分配方法

Country Status (1)

Country Link
CN (1) CN114897215A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116989797A (zh) * 2023-09-26 2023-11-03 北京理工大学 无人机航迹优化方法、装置、电子设备及存储介质
CN117007057A (zh) * 2023-09-27 2023-11-07 北京理工大学 无人机航迹优化方法及装置
CN118102414A (zh) * 2024-04-23 2024-05-28 南京理工大学 一种基于谱聚类-离散鸽群算法的无人机集群分簇方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116989797A (zh) * 2023-09-26 2023-11-03 北京理工大学 无人机航迹优化方法、装置、电子设备及存储介质
CN116989797B (zh) * 2023-09-26 2023-12-15 北京理工大学 无人机航迹优化方法、装置、电子设备及存储介质
CN117007057A (zh) * 2023-09-27 2023-11-07 北京理工大学 无人机航迹优化方法及装置
CN117007057B (zh) * 2023-09-27 2023-12-15 北京理工大学 无人机航迹优化方法及装置
CN118102414A (zh) * 2024-04-23 2024-05-28 南京理工大学 一种基于谱聚类-离散鸽群算法的无人机集群分簇方法

Similar Documents

Publication Publication Date Title
CN111176334B (zh) 一种多无人机协同目标搜索方法
CN114897215A (zh) 基于无监督学习离散鸽群优化多无人机侦察任务分配方法
CN110608743B (zh) 基于多种群混沌灰狼算法的多无人机协同航路规划方法
CN107103164B (zh) 无人机执行多任务的分配方法及装置
Ergezer et al. 3D path planning for multiple UAVs for maximum information collection
US8620510B1 (en) Adaptive multi-vehicle area coverage optimization system and method
CN106647771B (zh) 多移动机器人的最小步编队方法
CN110132282B (zh) 无人机路径规划方法及装置
CN113805609A (zh) 一种混沌迷失鸽群优化机制的无人机群目标搜索方法
Duan et al. Optimal formation reconfiguration control of multiple UCAVs using improved particle swarm optimization
CN113342008B (zh) 一种海空协同水下目标追踪的路径规划系统及方法
CN112000126B (zh) 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法
CN112733251B (zh) 一种多无人飞行器协同航迹规划方法
CN115494873A (zh) 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法
Gong et al. Optimized layout methods based on optimization algorithms for DPOS
Alanezi et al. Dynamic target search using multi-UAVs based on motion-encoded genetic algorithm with multiple parents
CN110377048B (zh) 一种基于遗传算法的无人机群防御部署方法
CN114967694A (zh) 一种移动机器人协同环境探索方法
CN115237151A (zh) 一种基于信息素启发的群无人机多运动目标搜索方法
CN116009569A (zh) Sead任务场景下一种基于多类型基因染色体遗传算法的异构多无人机任务规划方法
Kong et al. Multi-UAV simultaneous target assignment and path planning based on deep reinforcement learning in dynamic multiple obstacles environments
Savkin et al. A method for decentralized formation building for unicycle-like mobile robots
Mou et al. Three-dimensional area coverage with uav swarm based on deep reinforcement learning
Zhang et al. Bald eagle search algorithm for solving a three-dimensional path planning problem
CN114815875A (zh) 一种基于集合满射鸽群智能优化的无人机集群编队控制器调参方法

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