CN115310293A - 一种基于蚁群算法的多uuv协同探测阵位优化方法 - Google Patents
一种基于蚁群算法的多uuv协同探测阵位优化方法 Download PDFInfo
- Publication number
- CN115310293A CN115310293A CN202210959781.1A CN202210959781A CN115310293A CN 115310293 A CN115310293 A CN 115310293A CN 202210959781 A CN202210959781 A CN 202210959781A CN 115310293 A CN115310293 A CN 115310293A
- Authority
- CN
- China
- Prior art keywords
- detection
- uuv
- value
- target
- ant colony
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 188
- 238000005457 optimization Methods 0.000 title claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006870 function Effects 0.000 claims abstract description 76
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 4
- 239000003016 pheromone Substances 0.000 claims description 26
- 230000007704 transition Effects 0.000 claims description 24
- 239000000523 sample Substances 0.000 claims description 16
- 230000008447 perception Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 241000257303 Hymenoptera Species 0.000 description 18
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于蚁群算法的多UUV协同探测阵位优化方法,充分考虑多UUV在协同探测时,如相邻UUV之间间距及单台UUV的航向角的变化对最终的区域覆盖率的影响、单台UUV距离边界距离与相邻UUV距离不同时对探测区域拦截度的影响,设计了相应的两个打分集及分数函数,根据任务不同,设置相应的权重,加权之后得到最终阵位待优化目标函数。随后,蚁群算法参数初始化、设置迭代次数,在最大迭代次数后得出最优相邻UUV之间距离及单UUV的航向角。本发明利用蚁群算法在大跳跃间断函数上寻优效果更好的优势,具有正反馈特性,该特性能迅速地扩大初始的差异,引导整个系统向最优解的方向进化。
Description
技术领域
本发明属于多无人水下航行器(UUV)协同探测领域,涉及一种基于蚁群算法的多UUV协同探测阵位优化方法,具体表现为通过粒子群算法优化多无人水下航行器探测阵位,进而获取最大的区域覆盖率的方法,作为区域探测优化的基础。
背景技术
随着水下目标隐身能力不断提高,单一的UUV在探测过程中逐渐显露如探测能力不够、覆盖面积小、续航能力弱等弊端,多UUV协同探测的工作模式开始出现。协同探测是提高探测能力、覆盖面积、提高续航能力的一种直接有效的方法。
若将协同探测运用至应用于海洋科学研究和军事对抗之中,包括水下多目标跟踪,监视和检测,有效地扩大了水下作战半径,并大大减少了水下设备的损失和人员的伤亡。
计算合理的相邻UUV之间的间距及单台UUV的航向角是阵位优化的关键,合适的阵位能极大提高UUV在一定载荷下的探测能力。目前,关于阵位优化的研究相对较少,只能凭借经验来选取阵位,因此,结合实际情况将基于粒子群算法的阵位优化方法运用在多UUV协同探测阵位优化问题中,能够以科学的方法得出UUV在一定载荷配置下的区域覆盖度最优解。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于蚁群算法的多UUV协同探测阵位优化方法,针对现有方法的不科学性,提出了一种将群体智能算法运用在阵位优化问题中的方法,该方法的特点是利用蚁群算法易实现、精度高、收敛快且在非连续函数寻优效果好的特性,对目标函数进行优化后,实现一定载荷下UUV群组利用的最大化。
技术方案
一种基于蚁群算法的多UUV协同探测阵位优化方法,其特征在于:采用二元感知模型作为单UUV的探测模型,步骤如下:
步骤2、计算系统探测目标概率:
其中:P{ti}表示事件ti的发生概率,其发生概率为UUVi覆盖到目标点的概率,
所述探测目标的规定为:两点之间的角度小于舷侧声呐的一半且探测节点探测半径大于目标与探测节点之间的欧氏距离即认为目标在探测范围内;
步骤3、拦截带打分函数及此时目标区域覆盖率:以面向覆盖控制的多UUV阵型的指标分为外围探测拦截连续度a1与区域探测覆盖率a2,
1、设计打分集a1来反应拦截带的拦截效果,对应打分集:
其中:r表示探测系统的探测半径,,它表示探测节点到探测目标ti(xt,yt)之间的欧式距离,
所述边缘UUVi(xi,yi)距离探测区域边界的某点(Axi,Ayi)的距离du(ui,Ai)为:
2、以区域探测覆盖率a2得到目标区域覆盖读函数score(a2)为:
步骤4:最终分数为目标函数score(a):
score(a)=u1·score(a1)+u2·score(a2)
式中:u1、u2分别代表拦截带连续度和区域探测覆盖率权重;
步骤5:采用蚁群算法优化求得目标函数score(a)的最优解,以步骤4获得的最终分数score(a)为蚁群算法的目标优化函数,相邻UUV之间的间距d与航向角θ为自变量参数,以蚁群优化算法一般步骤为优化步骤来求得目标函数score(a)的最优解;
步骤6:以目标函数score(a)的最优值对应航行器参数组(di,θi),得到当目标优化函数score(a)为最大值时所对应的相邻UUV之间间距d与航向角θ。
所述二元感知模型P(ti)表示探测系统内任意一点p对区域内目标ti的探测质量,其值只能为1和0,1时表示目标ti被探测系统探到,0表示未被系统探测到;r表示探测系统的探测半径,其值与UUV的声呐种类与性能有关;它表示探测节点到探测目标ti(xt,yt)之间的欧式距离。
所述拦截带连续度和区域探测覆盖率权重u1、u2的范围0-1之间。
所述若探测的需求为提高区域覆盖率时采用提高u1的值。
所述若探测的需求为提高拦截概率时采用提高u2的值。
所述步骤5的采用蚁群算法优化求得目标函数score(a)的最优解是:
1、蚁群算法参数初始化:初始化参数m组参数,由相邻航行器之间的距离d和航行器航向角θ两参数组成;设置最大迭代次数iter_max,信息素挥发因子Rho,转移概率常数P0,局部搜索步长step;
2、计算转移概率:根据探测海域的大小及航行器的数量计算出两相邻航行器之间的距离d的取值范围、并在范围内生成有序参数组(di,θi),θi为航行器的航向角范围内的随机值,根据m组参数计算适应度函数值,并将其设为初始信息素Tau(i),计算转移概率P(iter,i):
其中,max(Tau)为信息素最大值,P(iter,i)表示第iter次迭代参数组i的转移概率值;
3、航行器参数组(di,θi)值更新:当状态转移概率小于转移概率常数时进行局部搜索,其搜索公式为:
new=old+r1·step·λ
其中,new为待移动的位置,old为参数组此刻值,r1为介于[-1,1]的随机数,step为局部搜索步长,λ为当前迭代次数的倒数;当状态转移概率大于转移概率常数时,进行全局搜索,此时的搜索公式为:
new=old+r2·range
其中r2为[-0.5,0.5]之间的随机数,range为自变量区间大小。通过判断待移动位置的函数值与当前位置的函数值大小来确定是否更新航行器参数组i的值,并利用边界吸收方式进行边界条件处理,将航行器参数组的值分别定在取值范围内;
4、计算航行器新的参数组的适应度值:判断参数组i是否更新,并更新信息素,信息素更新公式为:
Tau=(1-Rho)·Tau+f
其中,Rho为信息素挥发因子,Tau为信息素,f为目标函数值;
5、判断是否满足终止条件:若满足迭代次数,则结束搜索过程,输出优化值,若不满足则继续迭代优化直至满足优化值。
所述初始化参数m=300,最大迭代次数iter_max=300,信息素挥发因子Rho=0.8,转移概率常数P0=0.2,局部搜索步长step=0.05。
有益效果
本发明提出的一种基于蚁群算法的多UUV协同探测阵位优化方法,充分考虑多UUV在协同探测时,如相邻UUV之间间距及单台UUV的航向角的变化对最终的区域覆盖率的影响、单台UUV距离边界距离与相邻UUV距离不同时对探测区域拦截度的影响,设计了相应的两个打分集及分数函数,根据任务不同,设置相应的权重,加权之后得到最终阵位待优化目标函数。随后,蚁群算法参数初始化、设置迭代次数,在最大迭代次数后得出最优相邻UUV之间距离及单UUV的航向角。
本发明利用蚁群算法在大跳跃间断函数上寻优效果更好的优势,具有正反馈特性,该特性能迅速地扩大初始的差异,引导整个系统向最优解的方向进化。如果算法开始得到的较优解为次优解,那么正反馈会使次优解很快占据优势,使算法陷入局部最优,且难以跳出局部最优。此外,给出了PSO算法优化迭代曲线,以显示所提出的蚁群算法在目标函数求解上具有优越性和有效性。
附图说明
图1:蚁群算法优化阵位整体流程图
图2:UUV探测模型(不同航向)
图3:UUV探测模型(不同间距)
图4:目标函数score(a1)图像
图5:目标函数score(a2)图像
图6:目标函数score(a)图像
图7:蚁群初始位置
图8:蚁群结束时刻位置
图9:蚁群优化算法迭代曲线
图10:PSO优化算法迭代曲线
图11:最优值UUV群组此时阵位
具体实施方式
现结合实施例、附图对本发明作进一步描述:
在面向覆盖控制的探测需求时,当搭载的探测声纳一定时,UUV探测阵型覆盖面积主要由各UUV的阵位部署决定,受UUV航向角和各UUV之间的相对距离两个因素影响。以栅栏探测为例,当各UUV呈线性分布时,改变UUV之间的相对距离以及各UUV的航向角,如图2与图3所示,即使在UUV相对位置相同的的情况下,UUV改变航向角也会得到不通的区域覆盖率。故相邻UUV之间的距离及UUV的航向角对探测效果有着至关重要的影响。
步骤1:选择UUV探测模型。单UUV探测是协同探测的基础,单个探测节点探测性能的优劣直接影响到整个系统的探测性能。面向不同探测任务时,所运用的探测模型也会不同,目前用于单UUV探测主要有两种感知模型:二元感知模型和概率感知模型。本方法采用的是二元感知模型。
二元感知模型是指当目标在探测区域内即某一点被探测系统内的任一探测节点探测到,就认为是被整个探测系统探测到,这也是最简单的一种感知模型。二元感知探测模型可以用数学表达式表示为:
上式中,P(ti)表示探测系统内任意一点p对区域内目标ti的探测质量,其值只能为1和0,1时表示目标ti被探测系统探到,0表示未被系统探测到;r表示探测系统的探测半径,其值与UUV的声呐种类与性能有关;它表示探测节点到探测目标ti(xt,yt)之间的欧式距离。
本方法拟采用二元感知模型,即每台UUV都抽象为一个独立的二维探测节点。假设UUV集合为U={u1,u2,...,un},且ui={xi,yi,θi},i=1,2,3,...,n表示UUVi的x、y轴坐标和航向角,在二元感知模型下,假设UUV舷侧声呐探测半径为R,探测开角为θ,海平面内任意一目标点T(xt,yt),探测节点ui(xi,yi),故两点之间的欧式距离数学表达式为:
步骤1-1:判断目标是否在UUV的探测范围,如若要探测到目标点,至少要满足两个条件,其一是探测半径要大于目标与探测节点之间的距离,其二是目标点T(xt,yt)与探测节点ui(xi,yi)之间连线与水平线的夹角β要小于即:
由于目标点T(xt,yt)可能出现在探测节点ui(xi,yi)的任意一方位,故加入绝对值后可在仿真对两点之间夹角判断时更方便(都转为目标点在探测节点的右前方)。
步骤1-2:计算系统探测目标概率,角度规范化之后只需要两点之间的角度小于舷侧声呐的一半且探测节点探测半径大于目标与探测节点之间的欧氏距离即认为目标在探测范围内,由于方法采用的是二元感知模型。
角度规范化之后只需要两点之间的角度小于舷侧声呐的一半且探测节点探测半径大于目标与探测节点之间的欧氏距离即认为目标在探测范围内,由于本方法采用的是二元感知模型若一个节点探测到目标,则认为整个探测系统都探测到目标点,探测质量C(ui)可表示为:
由于本方法为多UUV探测,上式为单UUV的二元感知模型,下面论述多UUV探测覆盖模型,探测节点集合U={u1,u2,...,un},设随机变量ti,i∈[1,n],随机变量表示目标点T被UUV探测系统覆盖,其定义式为:
P{ti}表示事件ti的发生概率,其发生概率为UUVi覆盖到目标点的概率,在多UUV协同探测系统中,各探测节点对于目标的探测都是相互独立的(即每个探测节点是否能覆盖目标点都与自身位置及性能有关,其他探测节点对其结果没有影响),所以UUV1与UUV2同时能探测到目标点的概率P{t1∪t2}可以表示为
上式只表示了两个探测节点对与目标覆盖的概率,推广至探测系统中时,探测概率P{T}可以表示为:
将UUV群组最大探测区域Am离散为m×n个探测目标点,每个探测目标点的面积即可表示为Δx·Δy,那么探测节点集合U在探测区域Am内的覆盖面积Am(U)可记为:
根据上式可以推出,探测集合U在探测海域Am的覆盖率为
上述为面向覆盖率控制的多UUV探测模型构建,在相同海域相同UUV负载的情况下,拦截阵型下UUV的航向角不同也会造成不同程度的资源浪费并且造成一定的视野盲区(视野盲区内即使目标距离探测节点的距离小于探测半径,也无法探测到目标物)。故需要面向拦截阵型下构建覆盖控制的多UUV阵型,在探测海域外形成拦截探测带,所以将这种拦截带和区域探测两种方式相结合,这样构建的多UUV阵型可以对海域外围进行无盲区探测的同时,也能尽可能对目标海域内实现较高的区域覆盖率,所以令面向覆盖控制的多UUV阵型的指标可以分为外围探测拦截连续度a1与区域探测覆盖率a2。下面建立外围探测拦截连续度模型。
步骤1-3:定义拦截带打分函数及此时目标区域覆盖率,上述为面向覆盖率控制的多UUV探测模型构建,在相同海域相同UUV负载的情况下,拦截阵型下UUV的航向角不同也会造成不同程度的资源浪费并且造成一定的视野盲区(视野盲区内即使目标距离探测节点的距离小于探测半径,也无法探测到目标物)。故需要面向拦截阵型下构建覆盖控制的多UUV阵型,在探测海域外形成拦截探测带,所以将这种拦截带和区域探测两种方式相结合,这样构建的多UUV阵型可以对海域外围进行无盲区探测的同时,也能尽可能对目标海域内实现较高的区域覆盖率,所以令面向覆盖控制的多UUV阵型的指标可以分为外围探测拦截连续度a1与区域探测覆盖率a2。下面建立外围探测拦截连续度模型。
边缘UUVi(xi,yi)距离探测区域边界的某点(Axi,Ayi)的距离d(ui,Ai)为
易知,当相邻两UUV之间的距离d大于UUV探测半径的两倍时,那么该两UUV之间的相对位置关系处于相离的关系。此时便会产生间断,使得拦截带不连续,造成探测效果不佳的情况,故设计一个打分集a1来反应拦截带的拦截效果,对应打分集如下:
步骤2:定义目标优化函数
将UUV群组最大探测区域Am离散为m×n个探测目标点,每个探测目标点的面积即可表示为Δx·Δy,那么探测节点集合U在探测区域Am内的覆盖面积Am(U)可记为:
综合区域覆盖率a2打分集,根据得到的区域覆盖面积定义此时的目标区域覆盖读函数score(a2)为:
score(a2)=10*Am(U)/S (1-13)
步骤2-1:定义最终分数,设最终分数为score(a),则
score(a)=u1·score(a1)+u2·score(a2) (1-14)
上式中u1、u2分别代表拦截带连续度与区域探测覆盖率权重。故后期可通过任务需求调整权重大小来获得理想的效果。
本方法基于蚁群算法进行多UUV的覆盖率优化主要分为以下几个步骤:
步骤一:确定优化函数score及输入参数(di,θi),并根据前文所求得的公式score(a)=u1·score(a1)+u2·score(a2),结合探测任务需求,若无特别需求,设置拦截带连续度u1与区域探测覆盖率u2的权重同时为0.5。
步骤二:初始化参数m=300组(由相邻航行器之间的距离d和航行器航向角θ两参数组成)参数组,设置最大迭代次数iter_max=300,信息素挥发因子Rho=0.8,转移概率常数P0=0.2,局部搜索步长step=0.05。
步骤三:根据探测海域的大小及航行器的数量计算出两相邻航行器之间的距离d的取值范围、并在范围内生成有序参数组(di,θi),θi为航行器的航向角范围内的随机值,根据300组参数组计算适应度函数值,并将其设为初始信息素Tau(i),计算转移概率P(iter,i),其计算公式为:
其中,max(Tau)为信息素最大值,P(iter,i)表示第iter次迭代参数组i的转移概率值。
步骤四:航行器参数组(di,θi)值更新:当状态转移概率小于转移概率常数时进行局部搜索,其搜索公式为
new=old+r1·step·λ (1-16)
其中,new为待移动的位置,old为参数组此刻值,r1为介于[-1,1]的随机数,step为局部搜索步长,λ为当前迭代次数的倒数;当状态转移概率大于转移概率常数时,进行全局搜索,此时的搜索公式为
new=old+r2·range (18)
其中r2为[-0.5,0.5]之间的随机数,range为自变量区间大小。通过判断待移动位置的函数值与当前位置的函数值大小来确定是否更新航行器参数组i的值,并利用边界吸收方式进行边界条件处理,将航行器参数组的值分别定在取值范围内。
步骤五:计算航行器新的参数组的适应度值:判断参数组i是否更新,并更新信息素,信息素更新公式为
Tau=(1-Rho)·Tau+f (19)
其中,Rho为信息素挥发因子,Tau为信息素,f为目标函数值
判断是否满足终止条件:若满足迭代次数,则结束搜索过程,输出优化值,若不满足则继续迭代优化直至满足优化值。
综上,在基于蚁群算法的多UUV协同探测阵型构建和优化算法中,覆盖率的目标函数可以看成是蚁群所需要寻找的“食物”,在数组范围内,产生一定数量的蚂蚁,而UUV之间的不同间距与不同航向角可以看作是蚂蚁的初始位置,通过信息素浓度,来更新UUV之间的间距d及不同航向角θ,同时计算出目标函数score的值,当迭代次数达到后,找到最优的score值,并将d及θ输出。
如上图4在UUV间距d小于探测半径时,相邻UUV之间距离较近,目标函数score1∈{8,10},score(a1)=8时,代表两相邻UUV之间的间距d小于探测半径,并且此时UUV间距比得分为10分时UUV之间的的距离要远,此时目标可能从探测盲区逃逸进入探测海域的概率比后者大,所以此时的得分为8分。当UUV之间的间距d大于探测半径时,两UUV之间间距较大,目标函数score1∈{4,6},当得分为6分时,两相邻UUV之间的距离较远,且此时UUV距离探测海域的距离适中,故得6分,当score(a1)=4时,两相邻UUV之间的间距较远,并且此时UUV离边界距离也较远,目标进入探测海域概率大大增加,所以此时UUV得分最低。
d和theta为自变量,探测覆盖率score2为应变量的目标函数如上图5所示,由于没有score1的影响,此时函数只有两个相对称的最大值点,考虑到工程运用中,探测过程中探测覆盖率并不是衡量探测效果的唯一指标,所以需要将score1的函数与score2函数按照一定的权重进行相加之后才能得到最后的优化函数。优化函数如下图,可见下图当d>10时,score2的连续单峰变为两个单峰,但此时d<10的优化函数最大值比当d>10时的函数值大,这可以理解为UUV之间的距离适中且离边界距离近时覆盖率高且易于拦截即将进入探测海域内的目标,所以此时优化函数能达到最大值。
如上图6所示,此时为500组变量组(di,θi)随机均匀分布在目标函数的取值范围内,根据预设蚁群优化算法的参数值优化得到如图7所示的蚁群最终结果图。
上图7为蚁群算法的最终结果图,可以观察到的是绝大部分蚂蚁聚集在了目标函数的最大值上,但还有小部分蚂蚁聚集在了次优值上,出现这种情况的根本原因是因为目标函数在d=10时出现了断崖式下跌,所以在迭代的过程中,在后峰上的蚂蚁并不能识别到前锋的信息素,故此时后峰上的蚂蚁都朝着后峰上信息素浓度高的地方行动,使得后峰也聚集有部分蚂蚁,在仿真过程中若将score1的值进行更改,也能使得函数变为近似连续函数,且所有蚂蚁都聚集在一个峰上,但考虑到两UUV之间的距离较远时也具有良好的探测效果,故不将score1的值进行修改,这样还能在两UUV距离大于10时,选择取得较好的优化效果时的(d,θ)参数。
上图9为蚁群迭代曲线图,由于蚁群算法初始蚁群的分布较为随机,且本次仿真中取得的蚂蚁数量较多,在初始化蚁群时,就有少数蚂蚁处在最高值,此时部分蚂蚁选择该最优路线,由于蚁群算法属于正反馈调节,所以收敛很快,当分score达到8.655时,后峰蚁群到达次优值,此时前峰多数蚂蚁还未到达次优值,蚁群认为已经达到最优解,故后续几次迭代趋于稳定,当在前峰的多数蚂蚁值超过了后峰上蚂蚁的最大值后,蚁群找到了新的最大值,故又进行了几次迭代,最后收敛,为避免蚁群算法陷入局部最优,将迭代次数设为100次,此时可以注意到的是在score=8.625时,迭代次数为6次左右,蚁群认为到达最优值,与左图相对应,随着迭代次数的增加,前锋的多数蚂蚁找到了全局最优解,使得收敛曲线不断往前锋的最大值点8.865靠,最终,函数收敛至8.655,可以说明此时也是函数的最优解,迭代次数14次时已经达到全局最优。(此时的8.655为总得分,此时对应的score2为4.3325分,此时对应的区域覆盖率为86.65%)。
若此时前峰蚂蚁很少,且值为整个函数的最优值的话,后峰的大量蚂蚁会认为已经找到最优值,此时前峰的蚂蚁将会停在往前峰最大值的路上,使得函数陷入局部最优,这也是蚁群算法优化具有大跳跃点函数的弊端。由于蚁群算法启发式的概率搜索方式,若初始值设置得当将会大大提高,函数优化效率,极快的找到函数全局最优解。
上图10为PSO算法优化区域覆盖率score2的迭代曲线,为验证该算法和蚁群算法的收敛速度,在仿真过程中,首先令PSO迭代次数为50次,发现曲线并未收敛,故将迭代次数设定为100次,此时迭代曲线收敛,且函数值收敛至7分,根据优化函数定义score2权重为。0.5,故此时score2为3.5分,为避免PSO算法陷入局部最优,将迭代次数改为500次后,最终函数值依然收敛至7分,故PSO算法优化面积覆盖率score2的最大值为7分。
上图11为蚁群优化算法得到的最优UUV阵位图,此时UUV之间的间距d=9.9637km,θ=1.9809rad/s,此时的最优score分数为8.6533。
本发明利用蚁群算法在大跳跃间断函数上寻优效果更好的优势,具有正反馈特性,该特性能迅速地扩大初始的差异,引导整个系统向最优解的方向进化。如果算法开始得到的较优解为次优解,那么正反馈会使次优解很快占据优势,使算法陷入局部最优,且难以跳出局部最优。此外,给出了PSO算法优化迭代曲线,以显示所提出的蚁群算法在目标函数求解上具有优越性和有效性。
Claims (7)
1.一种基于蚁群算法的多UUV协同探测阵位优化方法,其特征在于:采用二元感知模型作为单UUV的探测模型,步骤如下:
步骤2、计算系统探测目标概率:
其中:P{ti}表示事件ti的发生概率,其发生概率为UUVi覆盖到目标点的概率,
所述探测目标的规定为:两点之间的角度小于舷侧声呐的一半且探测节点探测半径大于目标与探测节点之间的欧氏距离即认为目标在探测范围内;
步骤3、拦截带打分函数及此时目标区域覆盖率:以面向覆盖控制的多UUV阵型的指标分为外围探测拦截连续度a1与区域探测覆盖率a2,
1、设计打分集a1来反应拦截带的拦截效果,对应打分集:
其中:r表示探测系统的探测半径,,它表示探测节点到探测目标ti(xt,yt)之间的欧式距离,
所述边缘UUVi(xi,yi)距离探测区域边界的某点(Axi,Ayi)的距离du(ui,Ai)为:
2、以区域探测覆盖率a2得到目标区域覆盖读函数score(a2)为:
步骤4:最终分数为目标函数score(a):
score(a)=u1·score(a1)+u2·score(a2)
式中:u1、u2分别代表拦截带连续度和区域探测覆盖率权重;
步骤5:采用蚁群算法优化求得目标函数score(a)的最优解,以步骤4获得的最终分数score(a)为蚁群算法的目标优化函数,相邻UUV之间的间距d与航向角θ为自变量参数,以蚁群优化算法一般步骤为优化步骤来求得目标函数score(a)的最优解;
步骤6:以目标函数score(a)的最优值对应航行器参数组(di,θi),得到当目标优化函数score(a)为最大值时所对应的相邻UUV之间间距d与航向角θ。
3.根据权利要求1所述基于蚁群算法的多UUV协同探测阵位优化方法,其特征在于:所述拦截带连续度和区域探测覆盖率权重u1、u2的范围0-1之间。
4.根据权利要求1或3所述基于蚁群算法的多UUV协同探测阵位优化方法,其特征在于:所述若探测的需求为提高区域覆盖率时采用提高u1的值。
5.根据权利要求1或3所述基于蚁群算法的多UUV协同探测阵位优化方法,其特征在于:所述若探测的需求为提高拦截概率时采用提高u2的值。
6.根据权利要求1所述基于蚁群算法的多UUV协同探测阵位优化方法,其特征在于:所述步骤5的采用蚁群算法优化求得目标函数score(a)的最优解是:
1、蚁群算法参数初始化:初始化参数m组参数,由相邻航行器之间的距离d和航行器航向角θ两参数组成;设置最大迭代次数iter_max,信息素挥发因子Rho,转移概率常数P0,局部搜索步长step;
2、计算转移概率:根据探测海域的大小及航行器的数量计算出两相邻航行器之间的距离d的取值范围、并在范围内生成有序参数组(di,θi),θi为航行器的航向角范围内的随机值,根据m组参数计算适应度函数值,并将其设为初始信息素Tau(i),计算转移概率P(iter,i):
其中,max(Tau)为信息素最大值,P(iter,i)表示第iter次迭代参数组i的转移概率值;
3、航行器参数组(di,θi)值更新:当状态转移概率小于转移概率常数时进行局部搜索,其搜索公式为:
new=old+r1·step·λ
其中,new为待移动的位置,old为参数组此刻值,r1为介于[-1,1]的随机数,step为局部搜索步长,λ为当前迭代次数的倒数;当状态转移概率大于转移概率常数时,进行全局搜索,此时的搜索公式为:
new=old+r2·range
其中r2为[-0.5,0.5]之间的随机数,range为自变量区间大小。通过判断待移动位置的函数值与当前位置的函数值大小来确定是否更新航行器参数组i的值,并利用边界吸收方式进行边界条件处理,将航行器参数组的值分别定在取值范围内;
4、计算航行器新的参数组的适应度值:判断参数组i是否更新,并更新信息素,信息素更新公式为:
Tau=(1-Rho)·Tau+f
其中,Rho为信息素挥发因子,Tau为信息素,f为目标函数值;
5、判断是否满足终止条件:若满足迭代次数,则结束搜索过程,输出优化值,若不满足则继续迭代优化直至满足优化值。
7.根据权利要求5所述基于蚁群算法的多UUV协同探测阵位优化方法,其特征在于:所述初始化参数m=300,最大迭代次数iter_max=300,信息素挥发因子Rho=0.8,转移概率常数P0=0.2,局部搜索步长step=0.05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210959781.1A CN115310293A (zh) | 2022-08-11 | 2022-08-11 | 一种基于蚁群算法的多uuv协同探测阵位优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210959781.1A CN115310293A (zh) | 2022-08-11 | 2022-08-11 | 一种基于蚁群算法的多uuv协同探测阵位优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310293A true CN115310293A (zh) | 2022-11-08 |
Family
ID=83861721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210959781.1A Pending CN115310293A (zh) | 2022-08-11 | 2022-08-11 | 一种基于蚁群算法的多uuv协同探测阵位优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310293A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111381600A (zh) * | 2018-12-28 | 2020-07-07 | 陕西师范大学 | 一种基于粒子群算法的uuv路径规划方法 |
CN114781950A (zh) * | 2022-06-22 | 2022-07-22 | 中国人民解放军32035部队 | 基于蚁群算法的雷达资源调度策略、装置以及电子设备 |
-
2022
- 2022-08-11 CN CN202210959781.1A patent/CN115310293A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111381600A (zh) * | 2018-12-28 | 2020-07-07 | 陕西师范大学 | 一种基于粒子群算法的uuv路径规划方法 |
CN114781950A (zh) * | 2022-06-22 | 2022-07-22 | 中国人民解放军32035部队 | 基于蚁群算法的雷达资源调度策略、装置以及电子设备 |
Non-Patent Citations (1)
Title |
---|
陈光佳: "面向协同探测的多UUV阵型构建与优化方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)2022 年 第03期, 15 March 2022 (2022-03-15), pages 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329934A (zh) | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 | |
CN110031004B (zh) | 基于数字地图的无人机静态和动态路径规划方法 | |
CN106683118B (zh) | 一种基于分层模型的无人机目标跟踪方法 | |
CN113485371B (zh) | 一种基于改进麻雀搜索算法的水下多auv路径规划方法 | |
CN108416421B (zh) | 基于dde改进蝙蝠算法的动态火力分配方法 | |
CN114397911B (zh) | 一种基于多智能体的无人机集群对抗决策方法 | |
CN101893441A (zh) | 基于离差最大化及灰色关联分析的无人机航迹优选方法 | |
CN115567353B (zh) | 一种面向雷达组网系统的干扰多波束调度和干扰功率联合优化方法 | |
CN112363539A (zh) | 多无人机协同目标搜索方法 | |
CN112305913A (zh) | 基于直觉模糊博弈的多uuv协同动态机动决策方法 | |
CN114675262A (zh) | 一种基于引导信息的高超声速飞行器搜索方法 | |
Ma et al. | A quick deployment method for sonar buoy detection under the overview situation of underwater cluster targets | |
CN114417685B (zh) | 一种多约束条件下的声纳参数推荐方法 | |
Li et al. | Using sparrow search hunting mechanism to improve water wave algorithm | |
Bi et al. | Optimization method of passive omnidirectional buoy array in on-call anti-submarine search based on improved NSGA-II | |
Qiu et al. | A decoupling receding horizon search approach to agent routing and optical sensor tasking based on brain storm optimization | |
CN115310293A (zh) | 一种基于蚁群算法的多uuv协同探测阵位优化方法 | |
Ma et al. | Application of artificial fish school algorithm in UCAV path planning | |
CN114200960B (zh) | 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法 | |
CN110986948A (zh) | 一种基于奖励函数优化的多无人机分组协同判断方法 | |
Liu et al. | Multi-UUV Detection Array Optimization Based on Ant Colony Algorithm | |
CN115828725A (zh) | 一种基于人工鱼群算法的多uuv协同探测阵型优化方法 | |
CN112698666B (zh) | 一种基于气象栅格的飞行器航路优化方法 | |
Zhong et al. | Efficiency and Precision Trade-offs in UAV Tracking with Filter Pruning and Dynamic Channel Weighting. | |
Liu et al. | Intrusion detection algorithm of EPSO combined with BP neural network |
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 |