CN115933753A - 无人机集群编队变换方法、装置、系统和存储介质 - Google Patents
无人机集群编队变换方法、装置、系统和存储介质 Download PDFInfo
- Publication number
- CN115933753A CN115933753A CN202310222118.8A CN202310222118A CN115933753A CN 115933753 A CN115933753 A CN 115933753A CN 202310222118 A CN202310222118 A CN 202310222118A CN 115933753 A CN115933753 A CN 115933753A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- group
- aerial vehicle
- chromosomes
- fitness
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000011426 transformation method Methods 0.000 title description 4
- 210000000349 chromosome Anatomy 0.000 claims abstract description 87
- 230000035772 mutation Effects 0.000 claims abstract description 40
- 230000009466 transformation Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000004891 communication Methods 0.000 claims description 20
- 108090000623 proteins and genes Proteins 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 4
- 230000031877 prophase Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人机集群编队变换方法、装置、系统和存储介质。所述方法包括：S10，对无人机集群进行分组，对各组的无人机进行编码，得到各组的染色体；S20，根据各无人机的起始位置和期望位置计算初始适应度，并根据初始适应度值的大小对各组进行排序；S30，根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作；S40，确定交叉或变异后的无人机组的适应度值，记录最优的适应度值；S50，重复执行S30和S40，直到达到最大迭代步数或得到满足条件的适应度值后停止计算；S60，根据适应度值以及对应的编队方案，得到编队变换结果。上述方案执行时间短，求解效率高，且避免了局部最优。
Description
技术领域
本发明涉及无人机集群技术领域，具体涉及一种无人机集群编队变换方法、装置、系统和存储介质。
背景技术
无人机编队改造的任务是将无人机群从一个编队转换为另一个编队，以适应不同的合作任务。大量研究人员将这个问题形式化为优化问题，可以通过模型预测控制、遗传算法和基于惩罚函数序列的凸规划等方式解决。
由于使用优化问题求解这一过程较为复杂，求解计算量也随着无人机编队中无人机数量的增加而显著增加，求解时间长，效率低，易于陷入局部最优；且现有方法虽然从不同方面对问题进行了分析，但大多数算法侧重于理论分析和证明，没有考虑真实飞行场景，也没有使用真实无人机集群进行验证。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的无人机集群编队变换方法、装置、系统和存储介质。
依据本发明的一个方面，提供了一种无人机集群编队变换方法，所述方法包括：
步骤S10，对无人机集群进行分组，对各组的无人机进行编码，得到各组的染色体；
步骤S20，根据各无人机的起始位置和期望位置计算初始适应度，并根据所述初始适应度值的大小对各组进行排序；
步骤S30，根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作；
步骤S40，确定交叉或变异后的无人机组的适应度值，记录最优的适应度值；
步骤S50，重复执行步骤S30和步骤S40，直到达到最大迭代步数或得到满足条件的适应度值后停止计算；
步骤S60，根据最终确定的适应度值以及对应的编队方案，得到编队变换结果。
在一些实施方式中，步骤S10中对无人机集群进行分组，并对各组的无人机进行编码，得到各组的染色体包括：
对各组的无人机进行编号，确定各无人机的初始位置和期望位置，并根据无人机的位置变换关系，对各组无人机进行编码，并得到各组对应的染色体。
在一些实施方式中，步骤S20中根据各无人机的起始位置和期望位置计算初始适应度包括：
以所述无人机集群中各无人机的最短飞行长度为适应度函数，根据各无人机的起始位置和期望位置，计算所述无人机集群中各无人机的飞行距离总和，得到长度适应度值。
在一些实施方式中，步骤S20中根据各无人机的起始位置和期望位置计算初始适应度还包括：
以所述无人机集群中各无人机的最短飞行时间为适应度函数，根据各无人机的飞行距离和该无人机的平均飞行速度得到飞行时间，将各无人机的飞行时间中的最大值作为时间适应度值。
在一些实施方式中，步骤S30中根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作包括：
通过随机的方式或者轮盘赌的方式选择其中一组的染色体；
将该组的染色体与其他任一组的染色体根据随机的交叉率选择至少两个交叉点，将选定的交叉点对应的基因进行交换，保持其他基因不变。
在一些实施方式中，步骤S30中根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作还包括：
根据随机或预设的变异概率确定突变点，对选中组的染色体中相应的突变点进行数值改变，并保持其他基因不变；
计算交叉或变异后形成的组的适应度，记录最优的适应度对应的染色体以及适应度值与最优的适应度值差别不大的染色体。
依据本发明的另一个方面，提供了一种无人机集群编队变换装置，所述装置包括：
分组编码模块，适于对无人机集群进行分组，对各组的无人机进行编码，得到各组的染色体；
初始排序模块，适于根据各无人机的起始位置和期望位置计算初始适应度，并根据所述初始适应度值的大小对各组进行排序；
交叉变异模块，适于根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作；
最优确定模块，适于确定交叉或变异后的无人机组的适应度值，记录最优的适应度值；
重复迭代模块，适于重复交叉变异模块和适应度值确定模块，直到达到最大迭代步数或得到满足条件的适应度值后停止计算；
结果确定模块，适于根据最终确定的适应度值以及对应的编队方案，得到编队变换结果。
依据本发明的又一个方面，提供了一种无人机集群系统，其中，所述无人机集群系统包括：地面协同控制台、室外定位系统、通讯数据链模块和无人机集群；所述无人机集群执行根据上述中任一项所述的方法。
在一些实施方式中，所述地面协同控制台包括前期视觉系统控制平台和无人机自主控制系统；
所述室外定位系统包括RTK定位测距系统，由空中端和地面基站组成，所述地面基站包括GPS测量基点；所述空中端安装在无人机机体内，所述空中端包括移动端芯片和螺旋天线；
所述通讯数据链模块的工作频率为300MHz至6GHz，所述通讯数据链模块能够提供以太网和基于串行的数据通信；
所述无人机集群中的无人机包括飞思无人机。
依据本发明的再一方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现根据上述中任一项所述的方法。
由上述可知，根据本发明公开的上述无人机集群编队转换方案，对无人机集群进行分组，对各组的无人机进行编码，得到各组的染色体；然后根据各无人机的起始位置和期望位置计算初始适应度，并根据所述初始适应度值的大小对各组进行排序；其次，根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作；确定交叉或变异后的无人机组的适应度值，记录最优的适应度值；为了寻得最优解，重复执行上述步骤，直到达到最大迭代步数或得到满足条件的适应度值后停止计算；最后，根据最终确定的适应度值以及对应的编队方案，得到编队变换结果。上述技术方案执行时间短，求解效率高，且避免了局部最优。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的无人机集群编队变换方法的流程示意图；
图2示出了根据本发明一个实施例的无人机集群编队变换装置的结构示意图；
图3示出了根据本发明一个实施例的基于改进遗传算法的无人机集群编队变换的整体流程示意图；
图4示出了根据本发明一个实施例的无人机集群系统的结构示意图；
图5示出了根据本发明一个实施例的无人机集群系统中信息流的流向示意图；
图6示出了根据本发明一个实施例的室外定位系统组成架构的结构示意图；
图7示出了根据本发明一个实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的无人机集群编队变换方法，该方法应用于电子设备中。所述电子设备包括安装有计算机程序的智能终端设备、计算机设备和/或云，所述智能终端设备包括但不限于智能手机、PAD；所述计算机设备包括但不限于个人计算机、笔记本电脑、工业计算机、网络主机、单个网络服务器、多个网络服务器集；所述云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。
如图1所示，该方法包括以下步骤：
步骤S10，对无人机集群进行分组，对各组的无人机进行编码，得到各组的染色体。
具体的，对于编队中的无人机集群，按照编队的队形要求进行预分组。需要注意的是，在对各组的无人机进行编码时，是根据无人机的初始位置和某一期望位置进行编码的，比如，如果第m组的第i个假设要移动到第n组的第j个位置，则其编码为minj。在对各组的每个无人机进行编码后，可以得到各组的染色体表达式。
当然，在其他的实施方式中，也可以先依次排列所述无人机集群中的各个无人机，首先进行编码染色体表示为
其中，
是第i架无人机在转换中从初始位置飞到第k个编队点。集群中无人机数量表示为M，其中Nu为M可取的无人机可能的最大值。
步骤S20，根据各无人机的起始位置和期望位置计算初始适应度，并根据所述初始适应度值的大小对各组进行排序。
具体的，适应度值可以选择集群的最小总能耗或者最小任务完成时间，分别对应集群最短总飞行长度和无人机最短编队持续时间两个优化目标。根据无人机的起始位置和期望位置计算适应度值，并根据适应度值的大小对各组进行排序。
步骤S30，根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉或变异操作。
比如，集群中的无人机均对应变换编队中的一个新位置，即染色体每一位的数值均应在变换编队的编号内，按照预设或者随机的种群变异概率随机交换染色体中的某两位，即交换“染色体” 中某两架无人机的目标分配位置从而完成变异操作。
步骤S40，确定交叉或变异后的无人机组的适应度值，记录最优的适应度值。
在适应度值为总能耗或者任务完成时间时，则最优的适应度值为最小总能耗或者最小任务完成时间。
步骤S50，重复执行步骤S30和步骤S40，直到达到最大迭代步数或得到满足条件的适应度值后停止计算。
其中，迭代步数可设置为iter，为了使得迭代计算能够适时停止，可以设置迭代步数阈值或者适应度值阈值。
步骤S60，根据最终确定的适应度值以及对应的编队方案，得到编队变换结果。
综上，通过上述实施例公开的无人机集群编队变换方法，在保证编队变换方案最优的情况下，可以缩短计算的时间，提高编队变换的效率，并且避免出现局部最优解而获得了全局最优的变换方案。
在一个或一些实施例中，步骤S10中对无人机集群进行分组，并对各组的无人机进行编码，得到各组的染色体包括：
对各组的无人机进行编号，确定各无人机的初始位置和期望位置，并根据无人机的位置变换关系，对各组无人机进行编码，并得到各组对应的染色体。
具体的，本实施例在进行无人机编码时，选择以编队的具有编号的位置编号关系对各个无人机进行编码，实际上是一种十进制的编码方式，获得的染色体也是十进制的一个数组形式。
在一些实施方式中，步骤S20中根据各无人机的起始位置和期望位置计算初始适应度包括：
以所述无人机集群中各无人机的最短飞行长度为适应度函数，根据各无人机的起始位置和期望位置，计算所述无人机集群中各无人机的飞行距离总和，得到长度适应度值。
在实际计算中，由于最短长度代表最低总能耗公式，两者具有等同的关系。在不考虑无人机之间的碰撞的情况下，无人机从初始位置到编队的预期位置可以视为直线运动。集群的最短总飞行长度可以转换为所有无人机移动长度的最小总和。也就是说，可以相当于无人机群的最小总油耗或总能耗。目标函数J1群的最短总飞行距离可以描述为：
其中，Nu是无人机的数量，li是第i架无人机在编队转换期间的飞行长度。
变换中的飞行距离li可以描述为
其中，
。
在一些实施方式中，步骤S20中根据各无人机的起始位置和期望位置计算初始适应度还包括：
以所述无人机集群中各无人机的最短飞行时间为适应度函数，根据各无人机的飞行距离和该无人机的平均飞行速度得到飞行时间，将各无人机的飞行时间中的最大值作为时间适应度值。
因为期待编队任务尽快完成，完成时间与编队中最后一架无人机到达编队位置的时间有关。因此，此问题的优化目标是最小化Nu无人机为了更快地完成编队任务。
目标函数J2最小化无人机最长飞行时间可以表示为：
其中，vi表示第i架无人机的平均飞行速度，vmax表示无人机的最大飞行速度。
在一些实施方式中，步骤S30中根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作包括：
通过随机的方式或者轮盘赌的方式选择其中一组的染色体；
将该组的染色体与其他任一组的染色体根据随机的交叉率选择至少两个交叉点，将选定的交叉点对应的基因进行交换，保持其他基因不变。
具体的，对代表各个无人机的M染色体根据适应度值进行排序，每Nm个染色体（飞机）是一个组，分为Nc个群，Nc可以表示为：
其中，
（mod取模运算，与取余运算相同或相似）。
全体染色体组可表示为
，每个染色体组可表示为
。
取任何属于
组的父染色体，然后从
组取另一条染色体。两个交点c1和c2随机生成，交叉率为pc，满足
。两个交叉点之间的基因交换，其他基因保持不变。亲本染色体的两条染色体的表述如下：
交叉操作后，可以表示为：
即产生两种新的无人机编队变换方案。
在一些实施方式中，步骤S30中根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作还包括：
根据随机或预设的变异概率确定突变点，对选中组的染色体中相应的突变点进行数值改变，并保持其他基因不变；
计算交叉或变异后形成的组的适应度，记录最优的适应度对应的染色体以及适应度值与最优的适应度值差别不大的染色体。
通过根据适应度值对所有染色体进行分组，然后进行交叉操作，可以配对适应度值差异不大的两条染色体，但两条染色体之间的差异也相对保留。通过上述操作，减少了交叉操作后两条染色体完全相同的情况，也减少了因染色体在适应度值上差异很大而引起的最优值抖动。
在突变操作中，两个突变点e1和e2随机生成突变率pe，两个位置的基因交换产生新的染色体。即在上述交叉操作的基础上，产生了两种新的无人机编队改造方案。染色体突变操作可以有效避免迭代落入局部最优值，尽可能增加跳出局部最优找到全局最优解的概率。
参见图3所示，在本发明的一个具体实施例中，其公开的改进后的遗传算法主要包括初始化种群、交叉分组运算、变突变率运算、适应度计算和个体选择五个部分，整体工作流程如图3所示。
参见图2所示的一种无人机集群编队变换装置200，所述装置200包括：
分组编码模块210，适于对无人机集群进行分组，对各组的无人机进行编码，得到各组的染色体；
初始排序模块220，适于根据各无人机的起始位置和期望位置计算初始适应度，并根据所述初始适应度值的大小对各组进行排序；
交叉变异模块230，适于根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作；
最优确定模块240，适于确定交叉或变异后的无人机组的适应度值，记录最优的适应度值；
重复迭代模块250，适于重复交叉变异模块和适应度值确定模块，直到达到最大迭代步数或得到满足条件的适应度值后停止计算；
结果确定模块260，适于根据最终确定的适应度值以及对应的编队方案，得到编队变换结果。
综上，通过上述实施例公开的无人机集群编队变换装置，在保证编队变换方案最优的情况下，可以缩短计算的时间，提高编队变换的效率，并且避免出现局部最优解而获得了全局最优的变换方案。
在一些实施例中，所述分组编码模块210适于：
对各组的无人机进行编号，确定各无人机的初始位置和期望位置，并根据无人机的位置变换关系，对各组无人机进行编码，并得到各组对应的染色体。
在一些实施例中，初始排序模块220适于：
以所述无人机集群中各无人机的最短飞行长度为适应度函数，根据各无人机的起始位置和期望位置，计算所述无人机集群中各无人机的飞行距离总和，得到长度适应度值。
在一些实施例中，初始排序模块220还适于：
以所述无人机集群中各无人机的最短飞行时间为适应度函数，根据各无人机的飞行距离和该无人机的平均飞行速度得到飞行时间，将各无人机的飞行时间中的最大值作为时间适应度值。
在一些实施例中，交叉变异模块230适于：
通过随机的方式或者轮盘赌的方式选择其中一组的染色体；
将该组的染色体与其他任一组的染色体根据随机的交叉率选择至少两个交叉点，将选定的交叉点对应的基因进行交换，保持其他基因不变。
在一些实施例中，交叉变异模块230还适于：
根据随机或预设的变异概率确定突变点，对选中组的染色体中相应的突变点进行数值改变，并保持其他基因不变；
计算交叉或变异后形成的组的适应度，记录最优的适应度对应的染色体以及适应度值与最优的适应度值差别不大的染色体。
参见图4所示的无人机集群系统，用于对实际编队进行模拟，所述无人机集群系统包括：地面协同控制台、室外定位系统、通讯数据链模块和无人机集群。
其中，所述地面协同控制台包括前期视觉系统控制平台和无人机自主控制系统；
所述室外定位系统包括RTK定位测距系统，由空中端和地面基站组成，所述地面基站包括GPS测量基点；所述空中端安装在无人机机体内，所述空中端包括移动端芯片和螺旋天线；
所述通讯数据链模块的工作频率为300MHz至6GHz，所述通讯数据链模块能够提供以太网和基于串行的数据通信；
所述无人机集群中的无人机包括飞思无人机。
并且，上述的各系统或者设备的主要信息流如图5所示。
具体的，无人机控制地面站是系统开发实验控制平台，可用于双目视觉目标识别，为前期视觉系统控制平台，当在上位机中控制成功后即可以移植到TX2上进行实时自主控制。
参见图6所示的高精度室外定位系统，该系统优选为RTK定位测距系统，由RTK空中端和RTK地面基站组成，其中RTK空中端安装在无人机机体中，含有RTK移动端芯片和高灵敏度螺旋天线，可实现GPS坐标的精确测量。RTK地面基站提供GPS测量基点，用于修正机载RTK的数据。
所述无人机集群系统还包括工业级通讯数据链，该通讯数据链提供了复杂数据应用所需的带宽和范围。工作频率选择范围从300MHz直至6GHz，并提供快速、安全、同步以太网和基于串行数据通信。它具有强大的数字调制技术，并提供了安全的数据传输和扩展范围要求的创新解决方式。
无人机集群系统中还包括高性能智能无人机实验平台，优选飞思X450无人机平台，它是室外智能飞行器，使用高强度碳纤维和3D打印技术相结合设计制造，载重大，飞行时间长。内部采用激光定高，性能优秀，飞行稳定，使用简单，一键起降。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的无人机集群编队变换装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的上述无人机集群编队变换方法。
图7示出了本发明电子设备实施例的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
如图7所示，该电子设备可以包括：处理器(processor)702、通信接口(Communications Interface)704、存储器(memory)706、以及通信总线708。
其中：处理器702、通信接口704、以及存储器706通过通信总线808完成相互间的通信。通信接口704，用于与其它设备比如客户端或其它服务器等的网元通信。处理器702，用于执行程序710，具体可以执行上述用于电子设备的上述无人机集群编队变换实施例中的相关步骤。
具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。
处理器702可能是中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器706，用于存放程序710。存储器706可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
程序710具体可以用于使得处理器702执行上述无人机集群编队变换实施例对应的操作。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种无人机集群编队变换方法，所述方法包括：
步骤S10，对无人机集群进行分组，对各组的无人机进行编码，得到各组的染色体；
步骤S20，根据各无人机的起始位置和期望位置计算初始适应度，并根据所述初始适应度值的大小对各组进行排序；
步骤S30，根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作；
步骤S40，确定交叉或变异后的无人机组的适应度值，记录最优的适应度值；
步骤S50，重复执行步骤S30和步骤S40，直到达到最大迭代步数或得到满足条件的适应度值后停止计算；
步骤S60，根据最终确定的适应度值以及对应的编队方案，得到编队变换结果。
2.根据权利要求1所述的方法，其特征在于，步骤S10中对无人机集群进行分组，并对各组的无人机进行编码，得到各组的染色体包括：
对各组的无人机进行编号，确定各无人机的初始位置和期望位置，并根据无人机的位置变换关系，对各组无人机进行编码，并得到各组对应的染色体。
3.根据权利要求1所述的方法，其特征在于，步骤S20中根据各无人机的起始位置和期望位置计算初始适应度包括：
以所述无人机集群中各无人机的最短飞行长度为适应度函数，根据各无人机的起始位置和期望位置，计算所述无人机集群中各无人机的飞行距离总和，得到长度适应度值。
4.根据权利要求3所述的方法，其特征在于，步骤S20中根据各无人机的起始位置和期望位置计算初始适应度还包括：
以所述无人机集群中各无人机的最短飞行时间为适应度函数，根据各无人机的飞行距离和该无人机的平均飞行速度得到飞行时间，将各无人机的飞行时间中的最大值作为时间适应度值。
5.根据权利要求1所述的方法，其特征在于，步骤S30中根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作包括：
通过随机的方式或者轮盘赌的方式选择其中一组的染色体；
将该组的染色体与其他任一组的染色体根据随机的交叉率选择至少两个交叉点，将选定的交叉点对应的基因进行交换，保持其他基因不变。
6.根据权利要求5所述的方法，其特征在于，步骤S30中根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作还包括：
根据随机或预设的变异概率确定突变点，对选中组的染色体中相应的突变点进行数值改变，并保持其他基因不变；
计算交叉或变异后形成的组的适应度，记录最优的适应度对应的染色体以及适应度值与最优的适应度值差别不大的染色体。
7.一种无人机集群编队变换装置，所述装置包括：
分组编码模块，适于对无人机集群进行分组，对各组的无人机进行编码，得到各组的染色体；
初始排序模块，适于根据各无人机的起始位置和期望位置计算初始适应度，并根据所述初始适应度值的大小对各组进行排序；
交叉变异模块，适于根据各组的排序，从各组中选择一组，并将该组的染色体与其他组的染色体进行交叉和/或变异操作；
最优确定模块，适于确定交叉或变异后的无人机组的适应度值，记录最优的适应度值；
重复迭代模块，适于重复交叉变异模块和适应度值确定模块，直到达到最大迭代步数或得到满足条件的适应度值后停止计算；
结果确定模块，适于根据最终确定的适应度值以及对应的编队方案，得到编队变换结果。
8.一种无人机集群系统，其中，所述无人机集群系统包括：地面协同控制台、室外定位系统、通讯数据链模块和无人机集群；所述无人机集群执行根据权利要求1-6中任一项所述的方法。
9.根据权利要求8所述的无人机集群系统，其特征在于，所述地面协同控制台包括前期视觉系统控制平台和无人机自主控制系统；
所述室外定位系统包括RTK定位测距系统，由空中端和地面基站组成，所述地面基站包括GPS测量基点；所述空中端安装在无人机机体内，所述空中端包括移动端芯片和螺旋天线；
所述通讯数据链模块的工作频率为300MHz至6GHz，所述通讯数据链模块能够提供以太网和基于串行的数据通信；
所述无人机集群中的无人机包括飞思无人机。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222118.8A CN115933753A (zh) | 2023-03-09 | 2023-03-09 | 无人机集群编队变换方法、装置、系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222118.8A CN115933753A (zh) | 2023-03-09 | 2023-03-09 | 无人机集群编队变换方法、装置、系统和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115933753A true CN115933753A (zh) | 2023-04-07 |
Family
ID=86698024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310222118.8A Pending CN115933753A (zh) | 2023-03-09 | 2023-03-09 | 无人机集群编队变换方法、装置、系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115933753A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166874A (zh) * | 2013-05-06 | 2014-11-26 | 北京理工大学 | 一种基于遗传算法的目标选择规划方法 |
| CN110377048A (zh) * | 2019-06-26 | 2019-10-25 | 沈阳航空航天大学 | 一种基于遗传算法的无人机群防御部署方法 |
| CN110658847A (zh) * | 2019-09-30 | 2020-01-07 | 北京航空航天大学 | 一种利用遗传算法和Dubins算法实现无人机群队形重构的方法 |
-
2023
- 2023-03-09 CN CN202310222118.8A patent/CN115933753A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166874A (zh) * | 2013-05-06 | 2014-11-26 | 北京理工大学 | 一种基于遗传算法的目标选择规划方法 |
| CN110377048A (zh) * | 2019-06-26 | 2019-10-25 | 沈阳航空航天大学 | 一种基于遗传算法的无人机群防御部署方法 |
| CN110658847A (zh) * | 2019-09-30 | 2020-01-07 | 北京航空航天大学 | 一种利用遗传算法和Dubins算法实现无人机群队形重构的方法 |
Non-Patent Citations (2)
| Title |
|---|
| GUO D 等: "Novel Recurrent Neural Network for Time-Varying Problems Solving", IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE * |
| 付钰: "无人机编队构型拟态物理学演化分析与重构控制方法", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110632907B (zh) | 一种分布式装配式置换流水车间调度优化方法及系统 | |
| CN110069880B (zh) | 一种基于仿真的多目标设备布局和生产排程协同优化方法 | |
| CN106990792B (zh) | 混合引力搜索算法的多无人机协同时序耦合任务分配方法 | |
| CN109783412B (zh) | 一种深度强化学习加速训练的方法 | |
| US20140258689A1 (en) | Processor for large graph algorithm computations and matrix operations | |
| CN102065019B (zh) | 基于区域划分的片上网络快速ip核映射方法 | |
| CN112631323B (zh) | 集群无人机分组指派方法、系统、控制器、介质及终端 | |
| CN117077981B (zh) | 融合邻域搜索变异和差分进化的停机位分配方法及装置 | |
| CN111553469A (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
| CN110059875A (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
| CN112732436B (zh) | 一种多核处理器-单图形处理器的深度强化学习加速方法 | |
| CN112016801A (zh) | 带传输和切换时间的柔性作业车间调度方法及系统 | |
| CN114861531B (zh) | 针对用户重复购买预测的模型参数优化方法及设备 | |
| CN116203982A (zh) | 无人机电力巡查航迹规划方法及系统 | |
| CN115933753A (zh) | 无人机集群编队变换方法、装置、系统和存储介质 | |
| CN114547954A (zh) | 物流配送中心选址方法、装置、计算机设备 | |
| CN112506216A (zh) | 一种无人机的飞行路径规划方法及装置 | |
| CN117032247A (zh) | 海上救援搜索路径规划方法、装置及设备 | |
| CN111967184A (zh) | 一种基于序列模型的多目标天线设计方法 | |
| CN115542944B (zh) | 一种基于配电网环境的多无人机路径规划方法及相关装置 | |
| CN104834957B (zh) | 一种基于杜鹃搜索算法求解非线性规划模型的方法和装置 | |
| CN108614889B (zh) | 基于混合高斯模型的移动对象连续k近邻查询方法及系统 | |
| CN115049049A (zh) | 用于提供创建图神经网络架构的代理的方法和用于由代理创建图神经网络架构的方法 | |
| CN111062159B (zh) | 一种无人机虚拟试验方法 | |
| CN112988404B (zh) | 基于管理进程的集成电路仿真粗颗粒并行方法及装置 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ren Xuefeng Inventor before: Ren Xuefeng Inventor before: Luo Wei |
|
| CB03 | Change of inventor or designer information |