CN115129082B - 一种用于污染源搜索的感知探测无人机集群协同控制方法 - Google Patents
一种用于污染源搜索的感知探测无人机集群协同控制方法 Download PDFInfo
- Publication number
- CN115129082B CN115129082B CN202210818060.9A CN202210818060A CN115129082B CN 115129082 B CN115129082 B CN 115129082B CN 202210818060 A CN202210818060 A CN 202210818060A CN 115129082 B CN115129082 B CN 115129082B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- cluster
- sensing detection
- parent
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 318
- 230000008447 perception Effects 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000006870 function Effects 0.000 claims description 46
- 238000009826 distribution Methods 0.000 claims description 44
- 238000009792 diffusion process Methods 0.000 claims description 17
- 230000007935 neutral effect Effects 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000003915 air pollution Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009133 cooperative interaction Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 239000003344 environmental pollutant Substances 0.000 description 7
- 231100000719 pollutant Toxicity 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000003570 air Substances 0.000 description 3
- 238000011109 contamination Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 101100238610 Mus musculus Msh3 gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 101150014310 fem-3 gene Proteins 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种用于污染源搜索的感知探测无人机集群协同控制方法，与现有技术相比解决了无人机集群搜索污染源效率低、准确性差的缺陷。本发明包括以下步骤：感知探测无人机集群的初始化；感知探测无人机集群协同广域搜索；感知探测无人机动态群体规模调整；感知探测无人机集群探测位置生成；感知探测无人机调度位置的更新。本发明拥有群体智能涌现明显、协同交互紧密的特点，可解决现有污染源搜索问题中协调控制方案对无人机集群规模的限制，实现分布式自适应协调控制，感知探测无人机集群快速搜索和精准定位污染源。
Description
技术领域
本发明涉及污染源搜索技术领域，具体来说是一种用于污染源搜索的感知探测无人机集群协同控制方法。
背景技术
在现实生活和工业生产的过程中，经常发生有毒有害气体泄漏事故，对人体健康造成重大危害。因此，污染源的准确定位以及空气质量监测对人类的生命和环境的保护具有重要意义。早在20世纪90年代，研究人员就开始使用移动机器人进行空气质量检测，经过20多年机器人和传感器技术的发展，机器人主动感知探测技术已成为研究热点之一。
由于污染源气体在物理、化学等因素的影响下容易发生混合、迁移等现象，依靠单无人机和传感器无法有效的进行大范围未知区域内的污染源定位，因此无人机集群协同搜索应运而生。
无人机集群技术涉及设计、构建和部署大规模的无人机群体，以协调和合作的方式解决复杂作业问题。通过无人机之间的有效合作，无人机集群系统的性能远高于单个的个体无人机系统的累加，其具备高鲁棒性、可拓展性和灵活性等独特的系统属性和功能特点，使复杂任务执行更加有效和可靠。虽然无人机集群技术已经初步展示出重要的应用价值，但是由于该技术的复杂性，当前基于无人机集群的快速搜索技术尚存在效率低、准确性差的问题，并且在生态环保领域，尤其是在污染源搜索方面还有较大的提升空间和开发价值。
特别是，在实际应用中发现，污染源的搜索存在较大的不确定性，首先无人机不知道污染源存在何处，要对未知的目标进行广域搜索，但广域搜索后未必能发现污染源，此时则要进行优化、迁移、调整等无人机的自动化智能协同控制。也就是说，在污染源搜索过程中的无人机，所遇到的是未知目标所导致的未知协同的分析过程。
针对未知环境下的无人机集群目标搜索问题，候岳奇等人提出了一种以覆盖率为实时奖励的无人机集群协同区域搜索算法；李斐等人提出了一种改进的多无人机粒子群搜索算法来解决室内污染源搜索问题；Dadgar等人提出了一种未知环境下的多机器人自适应粒子群搜索算法；Duan等人基于蝙蝠算法构建了一种无人机集群算法用来在油田中检测动态入侵目标。
但是，大部分现有方法在目标搜索过程中经常出现大量个体紧密聚集甚至大量重叠，这将导致无人机个体的碰撞，且降低了无人机集群搜索的效率，甚至会出现找不到目标的情况。
因此，如何提高无人机集群算法的可行性、鲁棒性和执行效率，设计一种针对污染源搜索的感知探测无人机集群协同控制方法，已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中无人机集群搜索污染源效率低、准确性差的缺陷，提供一种用于污染源搜索的感知探测无人机集群协同控制方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种用于污染源搜索的感知探测无人机集群协同控制方法，包括以下步骤：
11)感知探测无人机集群的初始化：对感知探测无人机集群进行初始化设置；
12)感知探测无人机集群协同广域搜索：感知探测无人机个体基于Levy 飞行进行广域协同搜索，并更新自身位置；若找到污染源，则污染源搜索结束；若未找到污染源，则进行感知探测无人机动态群体规模调整；
13)感知探测无人机动态群体规模调整：基于每个无人机集群的群体最优，调整每个无人机集群的群体规模；
14)感知探测无人机集群探测位置生成：基于调整后的每个无人机集群的群体规模和中性进化策略选择可调度的感知探测无人机，并将其基于高斯分布和Epanechnikov分布在父无人机周围生成新的感知探测无人机位置；
15)感知探测无人机调度位置的更新：感知探测无人机调度至新位置后，继续进行感知探测无人机集群协同广域搜索步骤，直至找到污染源。
所述感知探测无人机集群的初始化包括以下步骤：
21)设置感知探测无人机数量、无人机集群数量、感知探测无人机间距阈值、父无人机数量、父无人机间距阈值、无人机集群规模上限、时间节点、选择植物种群分布演化模型并设置模型的参数；
无人机集群规模上限maxpopsize确定公式如下：
其中，popsize为感知探测无人机数量，M为无人机集群数量，设置c是区间为[0.6,0.7]的常数，Z为无人机集群规模的上限调整的偏置量，默认为0；
设置每当感知探测无人机集群协同广域搜索结束后为一个时间节点；
22)根据无人机集群之间的相对位置，在目标工作区域建立初始平面坐标系：首先随机确定一个感知探测无人机个体作为参考无人机，其位置被设定为坐标系的原点，然后选择一个方向的UAV建立x轴，逆时针旋转90°建立y轴，其它感知探测无人机的位置根据它们对参考无人机相对距离和角度计算确定；
23)根据气体扩散的高斯烟羽模型指定一个适应度值函数f(x)，x表示区域坐标位置，此函数根据空气污染的严重性进行评价，若空气污染越严重，则该地区的适应度值越大；
24)释放感知探测无人机个体位于同一平面，该平面为无人机层，到达指定区域后，对感知探测无人机进行分组，分组数量为无人机集群数量，初始时每个无人机集群分配相同数量的感知探测无人机；
根据感知探测无人机数量，将任务区域进行均等划分，每个感知探测无人机占据一个均等的划分区域，感知探测无人机以一定间隔停靠在地图边缘，任务区域以一定间隔被平均分为popsize*N个网格区域，popsize为感知探测无人机数量，N为每个感知探测无人机横向遍历的轨迹点个数；
25)每个网格内随机生成一个轨迹点，感知探测无人机个体在其划分的区域内进行横向搜索；
26)当感知探测无人机横向搜索结束后，感知探测无人机各自评价出每个划分区域的最优适应度值位置，之后将感知探测无人机分别调度至对应的区域位置，此时整个群体无人机系统的初始化完成，感知探测无人机初始位置确定公式如下：
IN(i)＝IN(Pij)best，i＝1，...，popsize，j＝1，，N，
其中，IN(i)表示i号感知探测无人机的初始位置，Pij表示i号感知探测无人机遍历路径的第j个遍历点，IN(Pij)best表示i号感知探测无人机遍历的N个轨迹点中适应度值最优的位置。
所述感知探测无人机集群协同广域搜索包括以下步骤：
31)无人机集群在任务区域进行协同广域探测，每个感知探测无人机基于 Levy飞行公式进行位置更新，感知探测无人机位置更新公式如下：
x(t+1)＝(x(t)+α*ω*Levy(β))
其中，t为时间节点，x(t+1)为时间节点t+1时感知探测无人机的位置， x(t)为时间节点t时感知探测无人机的位置，α是步长的自适应缩放因子，ω是与任务区域的大小有关的常数，Levy(β)是莱维随机路径，β为指数常数， 1≤β≤3，gbestt为时间节点t时所有感知探测无人机探测到的全局适应度值最优的位置，为H号无人机群在时间节点t时探测到的适应度值最优位置，M为无人机集群数量，μ和v来自正态分布：
式中的σμ、σv为正态分布的尺度参数定义为：
其中τ是标准的Gamma函数；
32)在每个感知探测无人机的周围预先定义一个半径为d的安全区域，当其他感知探测无人机进入该区域时，感知探测无人机与靠近它的感知探测无人机之间产生虚拟斥力，并迫使靠近的感知探测无人机远离该感知探测无人机；
在安全区域内，采用人工势场法来建立感知探测无人机之间的斥力关系，感知探测无人机所受到的合力等于受到所有斥力的和，避碰的优先级以运动之前感知探测无人机个体位置的适应度值为标准进行设置，适应度值差的感知探测无人机避让适应度值优的感知探测无人机，其中，斥力函数如下：
Urepii′为i′号感知探测无人机对i号感知探测无人机产生的斥力，其中θ是斥力尺度因子，dii′为i号感知探测无人机与i′号感知探测无人机之间的距离， d为斥力最大影响距离；
受到斥力影响后感知探测无人机的位置更新公式如下：
X′＝X+Urepi
x是未受到斥力影响前感知探测无人机的位置，x′为受到斥力影响后感知探测无人机的位置，Urepi为i号感知探测无人机所受到的斥力合力；
33)无人机集群探测结束后对感知探测无人机新位置进行评价，并选出每个无人机集群的父无人机个体；
对单个无人机集群内感知探测无人机的新位置根据适应度值从优到劣进行排序，并判断是否为污染源，若找到污染源则搜索结束；
若没有找到污染源，则每个无人机集群的最优位置感知探测无人机被设置为一号父无人机，按照排序顺序判断下一个感知探测无人机与一号父无人机之间的距离是否大于距离阈值，若大于则该感知探测无人机为二号父无人机，否则继续判断下一个感知探测无人机是否满足条件；若所有感知探测无人机都不满足条件，则采用随机取点的方式在一号父无人机的距离阈值外进行取点，并将剩余适应度值最差的感知探测无人机调度至该位置；选取三号父无人机则判断与一号父无人机和二号父无人机之间的距离是否都满足所设置的距离阈值条件，根据所设置的父无人机数量FN，以此类推选取FN个父无人机。
所述感知探测无人机动态群体规模调整包括以下步骤：
41)按照各个无人机集群最优位置感知探测无人机的适应度值，计算各个无人机集群的群体规模,计算方式描述如下：
其中，popsizeH为H号无人机集群的群体规模，popsize为感知探测无人机个体总数量，C1、C2和C3为权重因子，F1、F2、F3分别代表最优适应度值增长率影响函数，最优适应度值影响函数，无人机集群拥挤度影响函数,F表示M 个无人机集群的影响函数合；
其中，F1(H,t)表示第H号无人机集群时间节点t时的最优适应度值增长率影响函数值，F2(H,t)表示第H号无人机集群时间节点t时的最优适应度值影响函数值，F3(H,j)表示第H号无人机集群时间节点t时的无人机集群拥挤度影响函数值，F1(g,t)表示g号无人机集群时间节点t时的最优适应度值增长率影响函数值，F2(g,t)表示g号无人机集群时间节点t时的最优适应度值影响函数值，F3(g,j)表示g号无人机群时间节点t时的无人机集群拥挤度影响函数值，为H号无人机集群在时间节点t-1时探测到的适应度值最优位置，FdHi表示H号无人机集群中的第i号感知探测无人机离一号父无人机的距离；
经过划分后无人机集群被划分为无人机集群规模减少的无人机集群和无人机集群规模增大的无人机集群；
42)无人机群规模减少的无人机集群内感知探测无人机个体进行适应度值排序，排序末位的MDH个感知探测无人机位置存储至临时分配无人机集群，其中MDH等于H号无人机集群规模减少的感知探测无人机个体数量；
43)无人机集群规模增加的无人机集群从临时分配无人机集群中随机选取 MAH个感知探测无人机加入至自己的无人机集群，其中MAH等于H号无人机集群规模增加的感知探测无人机个体数量。
所述感知探测无人机集群探测位置生成包括以下步骤：
51)评价出每个无人机集群适应度值较优的前Z个位置点，将父无人机分别移动至较优适应度值位置，所处适应度值最优位置的父无人机为一号父无人机，依次为所有父无人机进行编号排序；
52)设定H号无人机集群NH个感知探测无人机的分配规则如下，根据H号无人机集群中FN个父无人机的适应度值，分别为父无人机其分配对应数量的感知探测无人机；
其中：NCBHK为H号无人机集群K号父无人机调配的感知探测无人机个体数量，γ为可调配的感知探测无人机占比，默认为0.3，PHK为分配给H号无人机集群K号父无人机的调配比例，FBHK为H号无人机集群K号父无人机当前位置， f(FBHK)为H号无人机集群K号父无人机当前位置的适应度值，间接反映H号无人机集群K号父无人机所在位置的优劣程度，FN为每个无人机集群的父无人机数量；
53)H号无人机集群K号父无人机调配的感知探测无人机的位置X由当前的父无人机按照预先设置的分布确定，每个无人机集群的一号父无人机以 Epanechnikov模型生成感知探测无人机位置，其他父无人机以高斯分布模型生成感知探测无人机位置，Epanechnikov模型具体描述如下：
高斯模型具体描述如下：
其中：δHK为H号无人机集群K号父无人机调配的感知探测无人机个体的位置分布的离散程度，μHK为H号无人机集群K号父无人机调配的感知探测无人机个体的集中趋势位置，计算公式如下：
μHK＝FBHK
其中dr为感知探测无人机之间的最小安全运动距离，dmax为作业区域的边界距离，αδHK为H号无人机集群K号父无人机调配的感知探测无人机个体的位置分布离散程度的偏置量，默认为0；
54)感知探测无人机按一定次序进行位置调度，当所有感知探测无人机调度至其所分配的位置后，调度过程结束，生成新的感知探测无人机位置。
有益效果
本发明的一种用于污染源的感知探测无人机集群协同控制方法，与现有技术相比拥有群体智能涌现明显、协同交互紧密的特点，可解决现有污染源搜索问题中协调控制方案对无人机集群规模的限制，实现分布式自适应协调控制，感知探测无人机集群快速搜索和精准定位污染源。
本发明研究和构建了适用于感知探测无人机集群的基于自然界植物物种繁衍传播方式、种群分布演化策略和中性进化策略的群体无人机多层级群体智能涌现模型，通过合理定义子群规模、子群搜索区域以及不同子群的分布模型，来解决未知复杂环境下污染源的感知探测无人机集群协同搜索问题，提高了无人机集群搜索污染源的性能和效率，降低了无人机之间发生碰撞的风险。
本发明将自然界植物物种繁衍传播方式、种群分布演化的策略和中性进化策略用于无人机集群的协同目标搜索，构建了群体无人机多层级群体智能涌现模型，分析并有效利用了自然界中植物种群生存演化规律，包括多样性保持、自适应子群划分策略和中性进化策略，解决了复杂环境下群体无人机任务作业过程中出现的子群引导问题，合理定义子群规模、子群搜索区域以及不同子群的分布模型，来解决复杂环境下污染源的感知探测无人机集群协同搜索问题。
同时，本发明基于气体扩散的高斯烟羽模型构建了复杂污染源扩散模型，将所提出的发明方法进行评估和分析。在复杂污染源的仿真场景中，本发明所提出的方法搜索速度快，稳定高，鲁棒性好。本发明所涉及的感知探测无人机动态群体规模调整和感知探测无人机集群探测位置生成步骤提高了解决感知探测无人机集群协同搜索污染源问题的效率和成功率，增强了感知探测无人机集群搜索的多样性，更适合在未知复杂环境中执行任务。
附图说明
图1为本发明的方法顺序图；
图2为本发明的无人机横向运动示意图；
图3为无人机集群斥力避碰避碰示意图；
图4为无人机群体规模动态变化示意图；
图5为集群探测位置生成示意图；
图6a为烟羽扩散模型的浓度分布图；
图6b为为烟羽扩散模型的浓度等高线图；
图7a为复杂污染源扩散模型的浓度分布图；
图7b为复杂污染源扩散模型的等高线图；
图8a为利用本发明方法的无人机第一代进化的自由作业空间分布图；
图8b为利用本发明方法的无人机第二代进化的自由作业空间分布图；
图8c为利用本发明方法的无人机第三代进化的自由作业空间分布图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种用于污染源搜索的感知探测无人机集群协同控制方法，包括以下步骤：
第一步，感知探测无人机集群的初始化：对感知探测无人机集群进行初始化设置。
(1)设置感知探测无人机集群数量、无人机集群数量、感知探测无人机间距阈值、父无人机数量、父无人机间距阈值、无人机集群规模上限、时间节点、选择植物种群分布演化模型并设置模型的参数；
无人机集体规模上限maxpopsize确定公式如下：
其中，popsize为感知探测无人机集群数量，M为无人机集群数量，设置c 是区间为[0.6,0.7]的常数，Z为无人机集群规模的上限调整的偏置量，默认为0；
设置每当感知探测无人机集群协同广域搜索结束后为一个时间节点。
(2)根据无人机集群之间的相对位置，在目标工作区域建立初始平面坐标系：首先随机确定一个感知探测无人机个体作为参考无人机，其位置被设定为坐标系的原点，然后选择一个方向的UAV建立x轴，逆时针旋转90°建立y 轴，其它感知探测无人机的位置根据它们对参考无人机相对距离和角度计算确定。
(3)根据气体扩散的高斯烟羽模型指定一个适应度值函数f(x)，x表示区域坐标位置，此函数根据空气污染的严重性进行评价，若空气污染越严重，则该地区的适应度值越大。
(4)释放感知探测无人机个体位于同一平面，到达指定区域后，对感知探测无人机进行分组，分组数量为无人机集群数量，初始时每个无人机集群分配相同数量的感知探测无人机；
根据感知探测无人机数量，将任务区域进行均等划分，每个感知探测无人机占据一个均等的划分区域，感知探测无人机以一定间隔停靠在地图边缘，任务区域以一定间隔被平均分为popsize*N个网格区域，popsize为感知探测无人机数量，N为每个感知探测无人机横向遍历的轨迹点个数。
(5)每个网格内随机生成一个轨迹点，感知探测无人机个体在其划分的区域内进行横向搜索。
如图2所示为本发明的无人机横向运动示意图，其中IN1的运动轨迹为 P11→P12→P13→P14→P15。
(6)当感知探测无人机横向搜索结束后，感知探测无人机各自评价出每个划分区域的最优适应度值位置，之后将感知探测无人机分别调度至对应的区域位置，此时整个群体无人机系统的初始化完成，感知探测无人机初始位置确定公式如下：
IN(i)＝IN(Pij)besf，i＝1，...，popsize，j＝1，...，N，
其中，IN(i)表示i号感知探测无人机的初始位置，Pij表示i号感知探测无人机遍历路径的第j个遍历点，IN(Pij)best表示i号感知探测无人机遍历的N个轨迹点中适应度值最优的位置。
第二步，感知探测无人机集群协同广域搜索：感知探测无人机个体基于 Levy飞行进行广域协同搜索，若找到污染源，则污染源搜索结束；若未找到污染源，则进行感知探测无人机动态群体规模调整。
在此，本发明设计了自适应Levy步长缩放方法，设定Levy步长自适应缩放因子，每个无人机集群会根据内部群体最优适应度值的变化来自适应调整群体内感知探测无人机的步长自适应缩放因子，基于新的步长自适应缩放因子对Levy步长进行调整并更新自身位置，增强了优势无人机集群的精细搜索能力和劣势无人机集群的全局探索能力，避免了出现步长缩放速率过快而导致无人机集群陷入局部最优的局面，采用人工势场法来建立感知探测无人机之间的斥力关系，降低了感知探测无人机在集群广域协同搜索时发生碰撞的风险，使整个方法更适用于复杂环境下的感知探测无人机集群协同搜索污染源任务。
(1)无人机集群在任务区域进行协同广域探测，每个感知探测无人机基于Levy飞行公式进行位置更新，UAV位置更新公式如下：
x(t+1)＝(x(t)+α*ω*Levy(β))
其中，t为时间节点，x(t+1)为时间节点t+1时感知探测无人机的位置， x(t)为时间节点t时感知探测无人机的位置，α是步长的自适应缩放因子，ω是与任务区域的大小有关的常数，Levy(β)是莱维随机路径，β为指数常数， 1≤β≤3，gbestt为时间节点t时所有感知探测无人机探测到的全局适应度值最优的位置，为第H个无人机集群在时间节点t时探测到的适应度值最优位置，M为无人机集群数量，μ和v来自正态分布：
式中的σμ、σv为正态分布的尺度参数定义为：
其中τ是标准的Gamma函数；
因为若α的取值过小，则感知探测无人机的步长缩放速率过快，这样会降低无人机集群前期的探索能力，因此我们使缩放因子每次缩放的比例在(0.8,1)，这样可以避免出现步长缩放速率过快而导致无人机集群陷入局部最优的局面，在这个范围内，随着无人机集群探索的最优值越接近目标值，则缩放因子缩放的速率变快，因为越接近目标值，则说明当前全局最优位置更有机会找到目标，因此我们加快缩短步长的速率，使无人机集群能以较短的步长在当前最优位置周围进行探索，其他无人机集群则以相对较长的步长来增强自身的探索能力，提高找到目标的可能性。的取值最能够表示一个无人机集群是否为优势群体，因此我们增加一项单独通过/>的取值来控制步长的缩放速率，采用的优点是，当某一无人机集群的全局最优值相对于其他无人机集群的全局最优值过大时，对其进行对数处理后可以缩小无人机集群之间的缩放速率差距，这样可以避免前期某一无人机集群因陷入局部最优获得的全局最优值相对于其他无人机集群的全局最优过大而获得较大的缩放速率。
(2)在每个感知探测无人机的周围预先定义一个半径为d的安全区域，当其他感知探测无人机进入该区域时，感知探测无人机与靠近它的感知探测无人机之间会产生虚拟斥力，并迫使靠近的感知探测无人机远离该感知探测无人机。
在安全区域内，采用人工势场法来建立感知探测无人机之间的斥力关系，感知探测无人机所受到的合力等于受到所有斥力的合，避碰的优先级以运动之前感知探测无人机个体位置的适应度值为标准进行设置，适应度值差的感知探测无人机避让适应度值优的UAV，其中，斥力函数如下：
Urepii′为i′号感知探测无人机对i号感知探测无人机产生的斥力，其中θ是斥力尺度因子，dii′为i号感知探测无人机与i′号感知探测无人机之间的距离，d为斥力最大影响距离；
受到斥力影响后感知探测无人机的位置更新公式如下：
x′＝x+Urepi
x是未受到斥力影响前感知探测无人机的位置，x′为受到斥力影响后感知探测无人机的位置，Urepi为i号感知探测无人机所受到的斥力合力。
如图3为无人机集群斥力避碰避碰示意图，感知探测无人机IN1与感知探测无人机IN2之间的距离大于斥力影响距离，因此感知探测无人机IN2不受感知探测无人机IN1斥力的影响，感知探测无人机IN3由于与感知探测无人机IN1 和感知探测无人机IN2之间的距离都小于斥力影响距离，因此受到感知探测无人机IN1的斥力Urep13和感知探测无人机IN2的斥力Urep23，感知探测无人机 IN3所受到的斥力合力为Urep3。
(3)无人机集群探测结束后对感知探测无人机新位置进行评价，并选出每个无人机集群的父无人机个体；
对单个无人机集群内感知探测无人机的新位置根据适应度值从优到劣进行排序，并判断是否为污染源，若找到污染源则搜索结束；
若没有找到污染源则每个无人机集群的最优位置感知探测无人机被设置为一号父无人机，按照排序顺序判断下一个感知探测无人机与一号父无人机之间的距离是否大于距离阈值，若大于则该感知探测无人机为二号父无人机，否则继续判断下一个感知探测无人机是否满足条件；若所有无人机都不满足条件，则采用随机取点的方式在一号父无人机的距离阈值外进行取点，并将剩余适应度值最差的感知探测无人机调度至该位置；选取三号父无人机则需判断与一号父无人机和二号父无人机之间的距离是否都满足所设置的距离阈值条件，根据所设置的父无人机数量FN，以此类推选取FN个父无人机。
第三步，感知探测无人机动态群体规模调整：基于每个无人机集群的群体最优，调整每个无人机集群的群体规模。
我们发明了基于无人机集群的最优适应度值增长率、最优适应度值和拥挤度的无人机动态群体规模调整策略，构建了无人机集群规模的影响函数，该函数从多个方面对当前的无人机集群的优劣程度进行考量，避免了当一个无人机集群陷入局部最优而导致无人机动态群体规模调整后的无人机集群规模过大或过小的情况，增强了多无人机集群之间协同搜索的平衡性，通过将无人机集群规模减少的无人机集群中的劣势感知探测无人机调整到无人机集群规模增加的无人机集群中，增强了优势无人机集群的搜索能力，提高了多无人机集群进行协同搜索任务的速度。
(1)按照各个无人机集群最优位置感知探测无人机的适应度值，计算各个无人机集群的群体规模,计算方式描述如下：
其中，popsizeH为H号无人机集群的群体规模，popsize为感知探测无人机个体总数量，C1、C2和C3为权重因子，F1、F2、F3分别代表最优适应度值增长率影响函数，最优适应度值影响函数，无人机群拥挤度影响函数，F表示H 个无人机集群的影响函数合；
C1控制无人机集群的最优适应度值增长率对无人机集群规模的影响，当无人机集群的最优适应度值增幅变大时，则说明该无人机集群更有优势找到目标，因此给该群体分配更多的感知探测无人机个体，C2控制无人机集群最优适应度值对无人机集群规模的影响，无人机集群当前的最优位置适应度值最能够代表无人机集群当前位置的优劣程度，因此，若无人机集群当前的最优位置适应度值越大，则给该群体分配更多的感知探测无人机个体，C3控制无人机集群内感知探测无人机之间的拥挤度对无人机集群规模的影响，若无人机集群中感知探测无人机之间距离相对较远，则该无人机集群的多样性越高，越能对任务区域进行更全面的探索，相反，若无人机集群中的感知探测无人机之间距离相对较近，则可能会发生陷入局部最优的情况，因此我们给感知探测无人机之间距离相对较近的无人机集群分配更多的感知探测无人机，指数函数的运用可以避免某一无人机集群中感知探测无人机密度相对于其他无人机集群过于密集而获得较大的感知探测无人机分配比例。C2＞C1＞C3，表明无人机集群的全局最优对无人机集群规模的影响占主导地位，无人机集群中感知探测无人机的密度相对影响力较低，因为无人机集群的全局最优最能够代表一个无人机集群的优劣程度，而感知探测无人机的密度较大可能是无人机集群向当前最优方向探测所产生的结果。
其中，F1(H,t)表示H号无人机群时间节点t时的最优适应度值增长率影响函数值，F2(H,t)表示H号无人机群时间节点t时的最优适应度值影响函数值， F3(H,j)表示H号无人机群时间节点t时的无人机群拥挤度影响函数值，F1(g,t) 表示g号无人机集群时间节点t时的最优适应度值增长率影响函数值，F2(g,t) 表示g号无人机集群时间节点t时的最优适应度值影响函数值，F3(g,j)表示g号无人机群时间节点t时的无人机集群拥挤度影响函数值，为H号无人机集群在时间节点t-1时探测到的适应度值最优位置,FdHi表示H号无人机群中的第i号感知探测无人机离一号父无人机的距离；
经过划分后无人机集群被划分为无人机集群规模减少的无人机集群和无人机集群规模增大的无人机集群。
(2)无人机群规模减少的无人机集群内感知探测无人机个体进行适应度值排序，排序末位的MDH个感知探测无人机位置存储至临时分配无人机集群，其中MDH等于H号无人机集群规模减少的感知探测无人机个体数量。
(3)无人机集群规模增加的无人机集群从临时分配无人机集群中随机选取MAH个感知探测无人机加入至无人机集群，其中MAH等于H号无人机集群规模增加的感知探测无人机个体数量。
如图4为本发明的无人机群体规模动态变化示意图。
第四步，感知探测无人机集群探测位置生成：基于调整后的每个无人机集群的群体规模和中性进化策略选择可调度的感知探测无人机，并将其基于高斯分布和Epanechnikov分布在父无人机周围生成新的感知探测无人机位置。
在此，设计了基于中性进化策略的感知探测无人机群调度策略和多分布模型的感知探测无人机位置生成策略，不盲目将所有感知探测无人机调度至父无人机周围，在增强感知探测无人机对优势位置进行精细搜索的能力同时，保持了感知探测无人机集群的全局搜索能力，使整个感知探测无人机集群更具有多样性，在每个无人机集群设定多个父无人机的情况下，根据父无人机的优劣程度基于不同分布模型生成新的感知探测无人机位置，增强了每个无人机集群的自适应能力和搜索能力。
(1)评价出每个无人机集群适应度值较优的前Z个位置点，将父无人机分别移动至较优适应度值位置，所处适应度值最优位置的父无人机为一号父无人机，依次为所有父无人机进行编号排序。
(2)中性进化学说的要点：进化的主角是中性变异而不是有利变异，变异大多是中性的，变异对个体生存既没有害处也没有好处，选择对它们没有作用。这些中性变异由于没有选择的压力而在基因库里自由飘动，通过随机漂变在种群中固定下来。基于中性进化理论，无人机集群中少量无人机以某种分布调度至父无人机周围，这些感知探测无人机的位置相对于整个无人机集群来说是劣势的，因此它们趋向于对自己有利的变异，偏向于进化选择，然而大多数感知探测无人机保持自己的位置，它们所处的位置相对于整个无人机集群来说是中性的，既不是较优位置，也不是劣势位置，它们没有选择的压力而在任务区域进行自由探测。
设定H号无人机集群NH个感知探测无人机的分配规则如下，将感知探测无人机按其适应度值从小到大进行排序，排序末位的一定数量感知探测无人机为可调配的感知探测无人机，这些感知探测无人机在中性进化理论中扮演的角色是劣势个体，因此它们进行进化选择调度至父无人机周围，根据H号无人机集群中FN个父无人机的适应度值，分别为父无人机其分配对应数量的感知探测无人机；
其中：NCBHK为H号无人机集群K号父无人机调配的感知探测无人机个体数量，γ为可调配的感知探测无人机占比，默认为0.3，PHK为分配给H号无人机集群K号父无人机的调配比例，FBHK为H号无人机集群K号父无人机当前位置， f(FBHK)为H号无人机集群K号父无人机当前位置的适应度值，间接反映H号无人机集群K号父无人机所在位置的优劣程度，FN为每个无人机集群的父无人机数量。
(3)H号无人机集群K号父无人机调配的感知探测无人机的位置X由当前的父无人机按照预先设置的分布确定，每个无人机集群的一号父无人机以 Epanechnikov模型生成感知探测无人机位置，其它父无人机以高斯分布模型生成UAV位置，Epanechnikov模型具体描述如下：
高斯模型具体描述如下：
其中：δHK为H号无人机集群K号父无人机调配的感知探测无人机个体的位置分布的离散程度，μHK为H号无人机集群K号父无人机调配的感知探测无人机个体的集中趋势位置，计算公式如下：
μHK＝FBHK
其中dr为感知探测无人机之间的最小安全运动距离，dmax为作业区域的边界距离，αδHK为H号无人机集群K号父无人机调配的感知探测无人机个体的位置分布离散程度的偏置量，默认为0。
(4)感知探测无人机按一定次序进行位置调度，当所有感知探测无人机调度至其所分配的位置后，调度过程结束，生成新的感知探测无人机位置。
如图5所示为本发明的集群探测位置生成示意图，部分劣势感知探测无人机移动至父无人机周围，在无人机群中所处位置为中性的感知探测无人机保持自己的位置。
在此，采用三维空间的高斯烟羽模型来模拟大气污染源扩散模型。大气污染源扩散模型主要有高斯烟羽模型、Sutton模型、FEM3模型、CALPUFF模型等。高斯模型的基本假设是污染物的质量浓度场特征符合正态分布，紊流场与风速在传播空间均匀分布，因此其参数较少，公式形式相对简单，计算量较小。我们采用传统的点源烟羽扩散模式，利用烟羽扩散模型模拟大气污染空间分布特征。
对于恒定气象条件(即风速、风向、大气稳定度不随时间而变)下的高架点源的连续排放，污染物在空间上的迁移遵循质量守恒，在考虑了烟羽模型在地面的全反射后，下风向任一点的污染物质量浓度C(x,y,z,h)计算公式为：
其中，C(x，y，z，H)为下风向某点(x，y，z)处的空气中污染物质量浓度；x为下风向建立；y为横截风向距离；z为距地面高度；Q为大气污染物源强，即释放率；uH为烟囱出口处环境平均风速；σy、σz分别为水平方向和垂直方向扩散参数，它是下风向距离x及大气稳定度的函数；h为有效排放高度。如图6a、图6b所示，其为烟羽扩散模型浓度分布图和浓度等高线图。
本专利所面向的污染源搜索环境通常为气象条件不稳定，风速、风向及大气稳定度随时可能发生变化。污染物气体进入大气中受到物理等各种因素的影响，引起迁移、混合等现象，对于空间内各点，其污染物浓度也会随着距离的变化而发生变化。针对本专利所提方法的应用环境，为了验证系统的有效性，我们将实验环境复杂化，建立了如图7a、图7b所示的复杂污染源扩散模型浓度分布图和等高线图，该污染源扩散模型只有一个污染浓度最高点，但是有非常多的局部最高点，快速搜索到污染源位置非常困难。
f(x)＝20exp{-0.2[0.5*(x2+y^2)]1/2} +exp{0.5*[cos(2*pi*x)+cos(2*pi*y)]}-exp(1)-20+14
仿真实验的目的是应用本发明所述方法让一群感知探测无人机去搜索任务区域的污染源位置，搜索范围在[-5，5]2，全局最优位置为(0，0)。
如图8a、8b和8c所示，从第一代感知探测无人机个体均匀初始化横向搜索，并确定每个感知探测无人机个体的位置，从第二代开始感知探测无人机个体基于Levy飞行和中性进化策略进行搜索和位置更新，如图8c所示，无人机群已经锁定污染源所在的区域。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (4)
1.一种用于污染源搜索的感知探测无人机集群协同控制方法，其特征在于，包括以下步骤：
11)感知探测无人机集群的初始化：对感知探测无人机集群进行初始化设置；
12)感知探测无人机集群协同广域搜索：感知探测无人机个体基于Levy飞行进行广域协同搜索，并更新自身位置；若找到污染源，则污染源搜索结束；若未找到污染源，则进行感知探测无人机动态群体规模调整；
13)感知探测无人机动态群体规模调整：基于每个无人机集群的群体最优，调整每个无人机集群的群体规模；
所述感知探测无人机动态群体规模调整包括以下步骤：
131)按照各个无人机集群最优位置感知探测无人机的适应度值，计算各个无人机集群的群体规模,计算方式描述如下：
其中，popsizeH为H号无人机集群的群体规模，popsize为感知探测无人机个体总数量，C1、C2和C3为权重因子，F1、F2、F3分别代表最优适应度值增长率影响函数，最优适应度值影响函数，无人机集群拥挤度影响函数,F表示M个无人机集群的影响函数合；
其中，F1(H,t)表示第H号无人机集群时间节点t时的最优适应度值增长率影响函数值，F2(H，t)表示第H号无人机集群时间节点t时的最优适应度值影响函数值，F3(H，j)表示第H号无人机集群时间节点t时的无人机集群拥挤度影响函数值，F1(g，t)表示g号无人机集群时间节点t时的最优适应度值增长率影响函数值，F2(g，t)表示g号无人机集群时间节点t时的最优适应度值影响函数值，F3(g，j)表示g号无人机群时间节点t时的无人机集群拥挤度影响函数值，为H号无人机集群在时间节点t-1时探测到的适应度值最优位置，FdHi表示H号无人机集群中的第i号感知探测无人机离一号父无人机的距离；
经过划分后无人机集群被划分为无人机集群规模减少的无人机集群和无人机集群规模增大的无人机集群；
132)无人机群规模减少的无人机集群内感知探测无人机个体进行适应度值排序，排序末位的MDH个感知探测无人机位置存储至临时分配无人机集群，其中MDH等于H号无人机集群规模减少的感知探测无人机个体数量；
133)无人机集群规模增加的无人机集群从临时分配无人机集群中随机选取MAH个感知探测无人机加入至自己的无人机集群，其中MAH等于H号无人机集群规模增加的感知探测无人机个体数量；
14)感知探测无人机集群探测位置生成：基于调整后的每个无人机集群的群体规模和中性进化策略选择可调度的感知探测无人机，并将其基于高斯分布和Epanechnikov分布在父无人机周围生成新的感知探测无人机位置；
15)感知探测无人机调度位置的更新：感知探测无人机调度至新位置后，继续进行感知探测无人机集群协同广域搜索步骤，直至找到污染源。
2.根据权利要求1所述的一种用于污染源搜索的感知探测无人机集群协同控制方法，其特征在于，所述感知探测无人机集群的初始化包括以下步骤：
21)设置感知探测无人机数量、无人机集群数量、感知探测无人机间距阈值、父无人机数量、父无人机间距阈值、无人机集群规模上限、时间节点、选择植物种群分布演化模型并设置模型的参数；
无人机集群规模上限maxpopsize确定公式如下：
其中，popsize为感知探测无人机数量，M为无人机集群数量，设置c是区间为[0.6，0.7]的常数，Z为无人机集群规模的上限调整的偏置量，默认为0；
设置每当感知探测无人机集群协同广域搜索结束后为一个时间节点；
22)根据无人机集群之间的相对位置，在目标工作区域建立初始平面坐标系：首先随机确定一个感知探测无人机个体作为参考无人机，其位置被设定为坐标系的原点，然后选择一个方向的UAV建立x轴，逆时针旋转90°建立y轴，其它感知探测无人机的位置根据它们对参考无人机相对距离和角度计算确定；
23)根据气体扩散的高斯烟羽模型指定一个适应度值函数f(x)，x表示区域坐标位置，此函数根据空气污染的严重性进行评价，若空气污染越严重，则该地区的适应度值越大；
24)释放感知探测无人机个体位于同一平面，该平面为无人机层，到达指定区域后，对感知探测无人机进行分组，分组数量为无人机集群数量，初始时每个无人机集群分配相同数量的感知探测无人机；
根据感知探测无人机数量，将任务区域进行均等划分，每个感知探测无人机占据一个均等的划分区域，感知探测无人机以一定间隔停靠在地图边缘，任务区域以一定间隔被平均分为popsize*N个网格区域，popsize为感知探测无人机数量，N为每个感知探测无人机横向遍历的轨迹点个数；
25)每个网格内随机生成一个轨迹点，感知探测无人机个体在其划分的区域内进行横向搜索；
26)当感知探测无人机横向搜索结束后，感知探测无人机各自评价出每个划分区域的最优适应度值位置，之后将感知探测无人机分别调度至对应的区域位置，此时整个群体无人机系统的初始化完成，感知探测无人机初始位置确定公式如下：
IN(i)＝IN(Pij)best，i＝1，...，popsize，j＝1，...，N，
其中，IN(i)表示i号感知探测无人机的初始位置，Pij表示i号感知探测无人机遍历路径的第j个遍历点，IN(Pij)best表示i号感知探测无人机遍历的N个轨迹点中适应度值最优的位置。
3.根据权利要求1所述的一种用于污染源搜索的感知探测无人机集群协同控制方法，其特征在于，所述感知探测无人机集群协同广域搜索包括以下步骤：
31)无人机集群在任务区域进行协同广域探测，每个感知探测无人机基于Levy飞行公式进行位置更新，感知探测无人机位置更新公式如下：
x(t+1)＝(x(t)+α*ω*Levy(β))
其中，t为时间节点，x(t+1)为时间节点t+1时感知探测无人机的位置，x(t)为时间节点t时感知探测无人机的位置，α是步长的自适应缩放因子，ω是与任务区域的大小有关的常数，Levy(β)是莱维随机路径，β为指数常数，1≤β≤3，gbestt为时间节点t时所有感知探测无人机探测到的全局适应度值最优的位置，为H号无人机群在时间节点t时探测到的适应度值最优位置，M为无人机集群数量，μ和v来自正态分布：
式中的σμ、σv为正态分布的尺度参数定义为：
其中τ是标准的Gamma函数；
32)在每个感知探测无人机的周围预先定义一个半径为d的安全区域，当其他感知探测无人机进入该区域时，感知探测无人机与靠近它的感知探测无人机之间产生虚拟斥力，并迫使靠近的感知探测无人机远离该感知探测无人机；
在安全区域内，采用人工势场法来建立感知探测无人机之间的斥力关系，感知探测无人机所受到的合力等于受到所有斥力的和，避碰的优先级以运动之前感知探测无人机个体位置的适应度值为标准进行设置，适应度值差的感知探测无人机避让适应度值优的感知探测无人机，其中，斥力函数如下：
Urepii′为i′号感知探测无人机对i号感知探测无人机产生的斥力，其中θ是斥力尺度因子，dii′为i号感知探测无人机与i′号感知探测无人机之间的距离，d为斥力最大影响距离；
受到斥力影响后感知探测无人机的位置更新公式如下：
x′＝x+Urepi
x是未受到斥力影响前感知探测无人机的位置，x′为受到斥力影响后感知探测无人机的位置，Urepi为i号感知探测无人机所受到的斥力合力；
33)无人机集群探测结束后对感知探测无人机新位置进行评价，并选出每个无人机集群的父无人机个体；
对单个无人机集群内感知探测无人机的新位置根据适应度值从优到劣进行排序，并判断是否为污染源，若找到污染源则搜索结束；
若没有找到污染源，则每个无人机集群的最优位置感知探测无人机被设置为一号父无人机，按照排序顺序判断下一个感知探测无人机与一号父无人机之间的距离是否大于距离阈值，若大于则该感知探测无人机为二号父无人机，否则继续判断下一个感知探测无人机是否满足条件；若所有感知探测无人机都不满足条件，则采用随机取点的方式在一号父无人机的距离阈值外进行取点，并将剩余适应度值最差的感知探测无人机调度至该位置；选取三号父无人机则判断与一号父无人机和二号父无人机之间的距离是否都满足所设置的距离阈值条件，根据所设置的父无人机数量FN，以此类推选取FN个父无人机。
4.根据权利要求1所述的一种用于污染源搜索的感知探测无人机集群协同控制方法，其特征在于，所述感知探测无人机集群探测位置生成包括以下步骤：
41)评价出每个无人机集群适应度值较优的前Z个位置点，将父无人机分别移动至较优适应度值位置，所处适应度值最优位置的父无人机为一号父无人机，依次为所有父无人机进行编号排序；
42)设定H号无人机集群NH个感知探测无人机的分配规则如下，根据H号无人机集群中FN个父无人机的适应度值，分别为父无人机其分配对应数量的感知探测无人机；
其中：NCBHK为H号无人机集群K号父无人机调配的感知探测无人机个体数量，γ为可调配的感知探测无人机占比，默认为0.3，PHK为分配给H号无人机集群K号父无人机的调配比例，FBHK为H号无人机集群K号父无人机当前位置，f(FBHK)为H号无人机集群K号父无人机当前位置的适应度值，间接反映H号无人机集群K号父无人机所在位置的优劣程度，FN为每个无人机集群的父无人机数量；
43)H号无人机集群K号父无人机调配的感知探测无人机的位置X由当前的父无人机按照预先设置的分布确定，每个无人机集群的一号父无人机以Epanechnikov模型生成感知探测无人机位置，其他父无人机以高斯分布模型生成感知探测无人机位置，Epanechnikov模型具体描述如下：
高斯模型具体描述如下：
其中：δHK为H号无人机集群K号父无人机调配的感知探测无人机个体的位置分布的离散程度，μHK为H号无人机集群K号父无人机调配的感知探测无人机个体的集中趋势位置，计算公式如下：
μHK＝FBHK
其中dr为感知探测无人机之间的最小安全运动距离，dmax为作业区域的边界距离，αδHK为H号无人机集群K号父无人机调配的感知探测无人机个体的位置分布离散程度的偏置量，默认为0；
44)感知探测无人机按一定次序进行位置调度，当所有感知探测无人机调度至其所分配的位置后，调度过程结束，生成新的感知探测无人机位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210818060.9A CN115129082B (zh) | 2022-07-13 | 2022-07-13 | 一种用于污染源搜索的感知探测无人机集群协同控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210818060.9A CN115129082B (zh) | 2022-07-13 | 2022-07-13 | 一种用于污染源搜索的感知探测无人机集群协同控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115129082A CN115129082A (zh) | 2022-09-30 |
| CN115129082B true CN115129082B (zh) | 2023-09-29 |
Family
ID=83383625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210818060.9A Active CN115129082B (zh) | 2022-07-13 | 2022-07-13 | 一种用于污染源搜索的感知探测无人机集群协同控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115129082B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983823A (zh) * | 2018-08-27 | 2018-12-11 | 安徽农业大学 | 一种植保无人机集群协同控制方法 |
| CN110456815A (zh) * | 2019-07-04 | 2019-11-15 | 北京航空航天大学 | 一种基于行军蚁启发式智能的无人机集群协同定位方法 |
| CN111737492A (zh) * | 2020-06-23 | 2020-10-02 | 安徽大学 | 一种基于知识图谱技术的自主机器人任务规划方法 |
| CN111797966A (zh) * | 2020-04-28 | 2020-10-20 | 南京航空航天大学 | 一种基于改进羊群算法的多机协同全局目标分配方法 |
| CN112230675A (zh) * | 2020-10-19 | 2021-01-15 | 南京航空航天大学 | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 |
| CN113377125A (zh) * | 2021-05-26 | 2021-09-10 | 安徽大学 | 用于空气污染检测的无人机系统 |
| CN113504798A (zh) * | 2021-06-30 | 2021-10-15 | 北京航空航天大学 | 一种仿生物群体协商行为的无人机集群协同目标搜索方法 |
| KR102336637B1 (ko) * | 2020-11-23 | 2021-12-07 | 이화여자대학교 산학협력단 | 무인 비행체 군집의 관심지역 탐색 방법 |
| CN114020031A (zh) * | 2021-11-16 | 2022-02-08 | 南京航空航天大学 | 基于改进鸽群优化的无人机集群协同动态目标搜索方法 |
| CN114047785A (zh) * | 2021-11-26 | 2022-02-15 | 北京航天自动控制研究所 | 一种无人机集群协同搜索多运动目标的方法和系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11323886B2 (en) * | 2018-03-14 | 2022-05-03 | United States Of America As Represented By The Secretary Of The Air Force | Cooperative target execution system for unmanned aerial vehicle networks |
| KR20200075330A (ko) * | 2018-12-18 | 2020-06-26 | 현대자동차주식회사 | 무인비행장치를 포함하는 시스템 및 시스템의 협업 방법 |
| CN112581590B (zh) * | 2020-12-28 | 2021-06-08 | 广东工业大学 | 一种5g安防救援网联的无人机云边端协同控制方法 |
-
2022
- 2022-07-13 CN CN202210818060.9A patent/CN115129082B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983823A (zh) * | 2018-08-27 | 2018-12-11 | 安徽农业大学 | 一种植保无人机集群协同控制方法 |
| CN110456815A (zh) * | 2019-07-04 | 2019-11-15 | 北京航空航天大学 | 一种基于行军蚁启发式智能的无人机集群协同定位方法 |
| CN111797966A (zh) * | 2020-04-28 | 2020-10-20 | 南京航空航天大学 | 一种基于改进羊群算法的多机协同全局目标分配方法 |
| CN111737492A (zh) * | 2020-06-23 | 2020-10-02 | 安徽大学 | 一种基于知识图谱技术的自主机器人任务规划方法 |
| CN112230675A (zh) * | 2020-10-19 | 2021-01-15 | 南京航空航天大学 | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 |
| KR102336637B1 (ko) * | 2020-11-23 | 2021-12-07 | 이화여자대학교 산학협력단 | 무인 비행체 군집의 관심지역 탐색 방법 |
| CN113377125A (zh) * | 2021-05-26 | 2021-09-10 | 安徽大学 | 用于空气污染检测的无人机系统 |
| CN113504798A (zh) * | 2021-06-30 | 2021-10-15 | 北京航空航天大学 | 一种仿生物群体协商行为的无人机集群协同目标搜索方法 |
| CN114020031A (zh) * | 2021-11-16 | 2022-02-08 | 南京航空航天大学 | 基于改进鸽群优化的无人机集群协同动态目标搜索方法 |
| CN114047785A (zh) * | 2021-11-26 | 2022-02-15 | 北京航天自动控制研究所 | 一种无人机集群协同搜索多运动目标的方法和系统 |
Non-Patent Citations (6)
| Title |
|---|
| A bean optimization-based cooperation method for target searching by swarm uavs in unknown environments;Xiaoming ZHANG等;IEEE ACCESS;全文 * |
| 一种持续侦察无人机集群规模自适应调控方法;井田;王涛;王维平;李小波;周鑫;;计算机研究与发展(第06期);全文 * |
| 基于D-S证据理论的反辐射无人机群协同搜索;韩旭;盛怀洁;陈明建;;探测与控制学报(第01期);全文 * |
| 基于协同攻击区的航空集群最优空间构型研究;史振庆;梁晓龙;张佳强;刘流;范翔宇;;兵工学报(第04期);全文 * |
| 基于蚁群搜捕行为的多无人机协同体系结构探究;韦新宇;郑源;;江苏科技信息(第08期);全文 * |
| 无人机群协同搜索航路规划仿真;韩旭;盛怀洁;袁西超;;计算机仿真(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115129082A (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111751502B (zh) | 一种基于改进模拟退火的多无人机协同污染物溯源方法 | |
| CN108064047B (zh) | 一种基于粒子群的水质传感器网络优化部署方法 | |
| CN109902374B (zh) | 一种基于飞行传感器巡逻轨迹优化的突发污染溯源方法 | |
| Song et al. | Collaborative infotaxis: Searching for a signal-emitting source based on particle filter and Gaussian fitting | |
| CN105301203B (zh) | 一种基于烟花算法的气味源定位方法 | |
| CN113867368A (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
| CN108445894A (zh) | 一种考虑无人艇运动性能的二次路径规划方法 | |
| CN113504798A (zh) | 一种仿生物群体协商行为的无人机集群协同目标搜索方法 | |
| CN114755373B (zh) | 一种基于多机器人编队的空气污染源预警定位方法 | |
| CN115729238A (zh) | 一种用于移动机器人自主避障的动态路径规划方法 | |
| CN115129082B (zh) | 一种用于污染源搜索的感知探测无人机集群协同控制方法 | |
| CN114740899B (zh) | 一种网格化空域分配与协同搜索规划方法 | |
| CN110568140A (zh) | 一种基于机器仿生鱼的污染源探查定位方法 | |
| CN112327917A (zh) | 基于群体智能的无人机集群协同覆盖方法 | |
| CN117492469A (zh) | 无人机集群的并行轨迹规划方法、装置、设备及介质 | |
| Macedo et al. | Evolving infotaxis for meandering environments | |
| CN111553404A (zh) | 一种通信网络节点自适应动态规划方法 | |
| Gaurav et al. | Exploring robot behavior in search of a chemical source | |
| Saravanan et al. | Automated Systems using AI in the Internet of Robotic Things: A New Paradigm for Robotics | |
| Sun et al. | Method of traceability of pollution source by machine learning | |
| CN113311864A (zh) | 一种栅格尺度自适应的多无人机协同搜索方法 | |
| Liu et al. | Research on cooperative search technology of heterogeneous UAVs in complex environments | |
| Macedo et al. | Hybridizing bio-inspired strategies with infotaxis through genetic programming | |
| Xu et al. | A method of trajectory planning for Ground Mobile Robot based on ant colony algorithm | |
| Liu et al. | Design and performance evaluation of Enumerating-step Infotaxis based three-dimensional for odor source localization |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231212 Address after: 230601 No. 111 Kowloon Road, Hefei economic and Technological Development Zone, Anhui Patentee after: ANHUI University Patentee after: BEIJING ZHUOYI INTELLIGENT TECHNOLOGY CO.,LTD. Address before: 230601 No. 111 Kowloon Road, Hefei economic and Technological Development Zone, Anhui Patentee before: ANHUI University |