CN116225022A - 基于鸽子式思维优化无人机与无人船异构协同围捕方法 - Google Patents
基于鸽子式思维优化无人机与无人船异构协同围捕方法 Download PDFInfo
- Publication number
- CN116225022A CN116225022A CN202310374455.9A CN202310374455A CN116225022A CN 116225022 A CN116225022 A CN 116225022A CN 202310374455 A CN202310374455 A CN 202310374455A CN 116225022 A CN116225022 A CN 116225022A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned
- unmanned aerial
- leader
- pigeon
- 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
- 241000272201 Columbiformes Species 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 24
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 230000001133 acceleration Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 101100112111 Caenorhabditis elegans cand-1 gene Proteins 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000009954 braiding Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001926 trapping method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- 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
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于鸽子式思维优化无人机与无人船异构协同围捕方法,包括:建立无人机和无人船的数学模型;基于二叉树算法设计无人机与无人船的领导者‑追随者模型;无人机领导者与无人船领导者进行通讯;设计无人船的围捕控制律;无人机的领导者‑追随者模型检测获取海上待围捕目标的位置信息;无人机的领导者将所述位置信息发送至无人船领导者;无人船根据所述无人船的围捕控制律对海上待围捕目标进行围捕;基于鸽子式思维对领导者‑追随者模型进行优化获取最优领导者,实现无人机与无人船的异构协同围捕。解决了现有的无人机和无人船配合系统不能满足实际环境需要,通信出现问题情况偏多,且也有出现信息互相交流导致效率低下的问题。
Description
技术领域
本发明涉及多水面船路径规划领域,尤其涉及一种基于鸽子式思维优化无人机与无人船异构协同围捕方法。
背景技术
随着船舶以及无人机控制技术的快速发展,无人控制系统执行任务已经成为大势所趋,无人系统已被用于各种应用,如监视;定位;搜索和救援;以及跟踪和包围。涉及的平台有同质化的无人机、无人驾驶船舶等。例如,无人机具有速度快、视野广的特点;而无人船在续航能力和稳定性方面表现更好,近年来,为了实现更好的合作和效率,无人机和无人船合作逐渐在民用和军用领域得到重视,如侦察任务、静态或移动目标跟踪和探测、地理信息采集、移动机器人规划和无人系统控制。然而,现有的无人机和无人船配合系统不能满足实际环境和任务的要求,在无人机和无人船系统能够在实践中广泛应用之前,一些问题亟待解决,例如无人机和无人船之间的通信出现问题情况偏多,并且也有出现信息互相交流导致效率低下。此外,现有无人机和无人船合作的目标跟踪和包围涉及多探测器信息融合、目标定位、路径规划和编队控制,并不适合整个混合系统的实时性。
发明内容
本发明提供一种基于鸽子式思维优化无人机与无人船异构协同围捕方法,以克服上述技术问题。
为了实现上述目的,本发明的技术方案是:
一种基于鸽子式思维优化无人机与无人船异构协同围捕方法,包括以下步骤:
步骤S1:建立无人机和无人船的数学模型;
步骤S2:通过无人机和无人船的数学模型,初始设定无人机与无人船的领导者与追随者,并基于二叉树算法设计无人机与无人船的领导者-追随者模型;
所述无人机领导者与无人机追随者之间、无人船领导者与无人船追随者之间均采用微波双向通信;且无人机领导者与无人船领导者通讯链接;
步骤S3:根据所述无人机与无人船的领导者-追随者模型,设计无人船的围捕控制律;
步骤S4:基于鸽子式思维对无人机与无人船的领导者-追随者模型进行优化获取最优的领导者-追随者模型;
步骤S5:通过所述最优的无人机的领导者-追随者模型检测获取海上待围捕目标的位置信息;
所述位置信息为海上待围捕目标与无人机的领导者之间的相对水平距离;所述无人机的领导者将所述位置信息发送至无人船领导者,所述无人船领导者将所述位置信息下发至无人船跟随者;
无人船领导者与跟随者根据所述无人船的围捕控制律对海上待围捕目标进行围捕。
进一步的,步骤S1中所述建立无人机的数学模型为
其中,表示无人机x方向的速度;/>表示无人机y方向的速度;/>表示无人机Z方向的速度;x方向、y方向以及Z方向均为根据地理坐标系人为设定;/>表示无人机航向角速度;s.t.|anu|代表无人机实时的加速度;nu表示无人机的数量,xnu,ynu,znu为无人机相对地面的位置,vnu为无人机的地面速度,/>表示无人机的地面速度的一阶导;anu为无人机的加速度,g为重力加速度,ψnu为无人机的航向角,φnu为无人机的滚动角,λnu为无人机的高度变化率,xnu、ynu、vnu、anu和ψnu表示无人机的状态变量和控制变量;vu min和vu max代表无人机的速度约束,au max和/>分别代表无人机的最大加速度和滚动角;
所诉无人船的数学模型为
其中,表示无人船x方向导数;/>表示无人船y方向导数;s.t.vg min表示无人船实时的速度;xng,yng,vng和ψng分别表示无人船的位置、速度以及航向;ang表示无人船的加速度,vg min和vg max表示无人船的速度约束。
进一步的,步骤S2中基于二叉树算法设计无人机与无人船的领导者-追随者模型,具体为
步骤S2.1:设定混合多层分布式系统,所述混合多层分布式系统包括若干无人机与若干无人船;
所述无人机与无人船基于二叉树算法建立通讯拓扑图,且设定初始无人机与无人船的领导者与跟随者,所述无人机跟随者将检测区域内检测到的海上待围捕目标,并将海上待围捕目标的位置信息发送至无人机领导者;
步骤S2.2:所述无人机领导者根据无人机跟随者发送的海上待围捕目标的位置信息,与无人机领导者与该无人机跟随者之间的相对距离,生成最终的海上待围捕目标的位置信息;
所述无人机领导者将最终的海上待围捕目标的位置信息发送至无人船领导者;
步骤S2.3:所述无人船领导者将最终的海上待围捕目标的位置信息下发至无人船跟随者,使得所述无人船领导者与跟随者根据最终的海上待围捕目标的位置信息为海上待围捕目标提供围捕数据。
进一步的,所述无人机的检测区域为通过采集探测器的覆盖面积获得,计算公式为
进一步的,步骤S3中所述的无人船的围捕控制律具体为
其中,和/>分别为ng1和ng2的期望围捕半径与期望承载空间;ng1和ng2为无人船的编号;ρng(t)含义是随时间变化的半径;/>表示围捕时任意一条无人船ng1的速度;/>表示围捕时与任意一条无人船ng1相邻无人船ng2的速度;ρng为实际围捕时的半径;/>为围捕完成后的期望半径;xng为无人船相对地面的x坐标;xnt为被围捕的目标相对地面的x坐标;yng为无人船相对地面的y坐标;ynt为被围捕的目标相对地面的y坐标;为围捕无人船的目标的实时速度;vnt(t)为被围捕目标的实时速度。
进一步的,无人机与海上待围捕目标之间的相对距离,计算公式为:
进一步的,步骤S4中所述基于鸽子式思维对领导者-追随者模型进行优化获取最优领导者-追随者模型,具体为
步骤S5.1:在原始鸽子式思维优化的地图和罗盘算子中,将无人船或无人机定义为鸽子种群中的鸽子个体,设置每只鸽子个体的随机速度与位置,并比较每只鸽子的适应度值,获取当前全局最佳解;
更新各鸽子个体的初始速度与位置,并进行鸽子个体的适应度值比较,获取最新全局最佳解;
且所述鸽子i的初始位置与速度状态更新公式为:
xi(t+1)=xi(t)+vi(t+1)
其中i=1,2,3…Np;Np是种群大小;D和R分别是搜索空间的尺寸、地图及罗盘因子;代表当前全局最佳解;Xi表示鸽子i的位置;/>表示鸽子i与鸽子1之间的距离;表示鸽子i与鸽子d之间的距离;/>表示鸽子i与鸽子1的速度差;/>表示鸽子i与鸽子d的速度差;vi(t+1)表示鸽子i在t+1时刻的速度;xi(t)表示t时刻鸽子i的位置;e-Rt表示速度的一个限制函数;xi(t+1)表示t+1时刻鸽子i的位置;Vi(t)表示t时刻鸽子i的速度;
将所述鸽子群体中的各鸽子个体的能量值降序排列,并选取比预设领导者能量阈值大的鸽子个体作为候选领导者集;
其中,T0为循环次数,Fit()代表适应度值;/>表示t时刻领导者的位置的估计值;/>表示t+1时刻领导者的位置的估计值;表示t时刻领导者的中心位置的全球最佳解决方案的估计值;/>表示t时刻中心位置的估计值;
步骤S5.3:鸽子群体的所有个体按适配度值Fit()进行能量适配,并随机分成Nd个子区间,定义所述候选领导者集为
Xcand={Xcand1,Xcand2,...,XcandNc}
其中,Nc表示无人机或无人船候选人的数量;集合Xcand中随机选取一个个体作为新的领导者;
根据所述新的领导者更新鸽子群体的中心Xcenter(t)改变为子区间中心Xcenteri(t),所述子区间中心Xcenteri(t)位置更新公式为:
Xi(t+1)=Xi(t)+rand(Xcenter(t)-Xi(t))
步骤S5.4:根据无效空间的行为控制,通过雅各布矩阵Jng避免无人机或无人船个体之间的碰撞,所述雅各布矩阵Jng为
其中,Pns=[xns,yns]=Pnr;xns为探测器相对地面的x方向位置;yns为探测器相对地面的y方向位置;xng为无人船相对地面的x方向位置;yng为无人船相对地面的y方向位置;Png为无人船位置的向量形式;Pns为探测器范围的向量形式;Pnr表示速度反馈增益矩阵;
步骤S5.5根据雅各布矩阵Jng获取包围任务的总控制力为:
其中,表示包围的总控制力;/>表示个体之间的排斥力;/> 表示零空间行为控制;ung表示无人船的加速度;κ3为增益因子;/>为探测器的势函数,由选定的探测器决定;/>为探测器的最小距离;κ2为增益因子;/>为探测器的最大距离;Png为无人船位置的向量形式;Pns为探测器范围的向量形式;xns为探测器相对地面的x方向位置;xng为无人船相对地面的x方向位置;yng为无人船相对地面的y方向位置;yns为探测器相对地面的y方向位置。
有益效果:本发明提供了一种基于鸽子式思维优化无人机与无人船异构协同围捕方法,基于二叉树算法设计无人机与无人船的领导者-追随者模型,为同质组内的通信管理和协作一致性提供了便利;根据无人机在目标跟踪中具有可操作性和探测区域广的优势,并采用能量估计鸽子式思维优化(EEPI0)对目标跟踪过程进行了优化;设计了基于空域行为和可切换拓扑结构的控制律,通过无人机领导者与无人船领导者进行实时通讯,实现无人船对待围捕目标的协同围捕,解决了现有的无人机和无人船配合系统不能满足实际环境和任务的要求,无人机和无人船之间的通信出现问题情况偏多,并且也有出现信息互相交流导致效率低下的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于鸽子式思维优化无人机与无人船异构协同围捕方法流程图;
图2为本发明基于鸽子式思维优化无人机与无人船异构协同围捕方法的领导者-追随者模型图;
图3为本发明基于鸽子式思维优化无人机与无人船异构协同围捕方法无人船的模型图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供了一种基于鸽子式思维优化无人机与无人船异构协同围捕方法,如图1所示,包括以下步骤:
步骤S1:建立无人机和无人船的数学模型;
步骤S2:通过无人机和无人船的数学模型,初始设定无人机与无人船的领导者与追随者,并基于二叉树算法设计无人机与无人船的领导者-追随者模型;
所述无人机领导者与无人机追随者之间、无人船领导者与无人船追随者之间均采用微波双向通信;且无人机领导者与无人船领导者通讯链接;
步骤S3:根据所述无人机与无人船的领导者-追随者模型,设计无人船的围捕控制律;
步骤S4:基于鸽子式思维对无人机与无人船的领导者-追随者模型进行优化获取最优的领导者-追随者模型;
步骤S5:通过所述最优的无人机的领导者-追随者模型检测获取海上待围捕目标的位置信息;
所述位置信息为海上待围捕目标与无人机的领导者之间的相对水平距离;所述无人机的领导者将所述位置信息发送至无人船领导者,所述无人船领导者将所述位置信息下发至无人船跟随者;
无人船领导者与跟随者根据所述无人船的围捕控制律对海上待围捕目标进行围捕。通过无人机和无人船的数学模型,初始设定无人机与无人船的领导者与追随者,并基于二叉树算法设计无人机与无人船的领导者-追随者模型,为同质组内的通信管理和协作一致性提供了便利,同时保证无人机和无人船异质群体之间的信息共享;根据无人机在目标跟踪中具有可操作性和探测区域广的优势,并采用能量估计鸽子式思维优化(EEPIO)对目标跟踪过程进行了优化;设计了基于空域行为和可切换拓扑结构的控制律,通过无人机领导者与无人船领导者进行实时通讯,实现无人船对待围捕目标的协同围捕,解决了现有的无人机和无人船配合系统不能满足实际环境和任务的要求,无人机和无人船之间的通信出现问题情况偏多,并且也有出现信息互相交流导致效率低下的问题。
在具体实施例中,步骤S1中所述建立无人机的数学模型为
其中,表示无人机x方向的速度;/>表示无人机y方向的速度;/>表示无人机Z方向的速度;x方向、y方向以及Z方向均为根据地理坐标系人为设定;/>表示无人机航向角速度;s.t.|anu|代表无人机实时的加速度;nu表示无人机的数量,xnu,ynu,znu为无人机相对地面的位置,vnu为无人机的地面速度,/>表示无人机的地面速度的一阶导;anu为无人机的加速度,g为重力加速度,ψnu为无人机的航向角,φnu为无人机的滚动角,λnu为无人机的高度变化率,xnu、ynu、vnu、anu和ψnu表示无人机的状态变量和控制变量;vu min和vu max代表无人机的速度约束,au max和/>分别代表无人机的最大加速度和滚动角;
所诉无人船的数学模型为
其中,表示无人船x方向导数;/>表示无人船y方向导数;s.t.vg min表示无人船实时的速度;xng,yng,vng和ψng分别表示无人船的位置、速度以及航向;ang表示无人船的加速度,vg min和vg max表示无人船的速度约束。
在具体实施例中,步骤S2中基于二叉树算法设计无人机与无人船的领导者-追随者模型,具体为
步骤S2.1:设定混合多层分布式系统,所述混合多层分布式系统包括若干无人机与若干无人船;
所述无人机与无人船基于二叉树算法建立通讯拓扑图,且设定初始无人机与无人船的领导者与跟随者,所述无人机跟随者将检测区域内检测到的海上待围捕目标,并将海上待围捕目标的位置信息发送至无人机领导者;
步骤S2.2:所述无人机领导者根据无人机跟随者发送的海上待围捕目标的位置信息,与无人机领导者与该无人机跟随者之间的相对距离,生成最终的海上待围捕目标的位置信息;
所述无人机领导者将最终的海上待围捕目标的位置信息发送至无人船领导者;
步骤S2.3:所述无人船领导者将最终的海上待围捕目标的位置信息下发至无人船跟随者,使得所述无人船领导者与跟随者根据最终的海上待围捕目标的位置信息为海上待围捕目标提供围捕数据。
如图2所示,设计了混合多层分布式无人机和无人船的系统,且所述无人机与无人船基于二叉树算法建立通讯拓扑图,通过无人机与无人船之间的实时通讯,实现对目标的跟踪与协同围捕,本文中的目标跟踪被转化为一个优化问题,以确保对探测到的目标的覆盖,无人机之间可以相互通信(由箭头暗示),选择一个无人机作为信息处置节点(无人机领导者),为其余各无人机(无人机跟随者)生成控制指令,由于观察范围受限,无人机应及时探测、跟踪移动目标,若无人机跟随者的探测器检测到待围捕目标,则所述无人机跟随者将检测到的目标位置信息传递至无人机领导者,所述无人机领导者根据与接受的无人机跟随者的位置信息,生成所述无人机领导者与待围捕目标的位置信息,其中,所述无人机获取或生成与待围捕目标之间的位置信息的方法或方式,均为现有公知技术,并非本申请的发明点,在此不再赘述;此时所述无人机领导者与无人船领导者建立通讯,并将所述待围捕目标的位置信息发送至无人船领导者,无人船领导者将接受的待围捕目标的位置信息发送至各无人船跟随者,所述无人船领导者与无人船跟随者根据各自设定的无人船围捕控制律的参数,对所述待围捕目标进行协同围捕,以实现高效率的围捕过程。
在具体实施例中,所述无人驾驶飞行器(无人机)的视线模型障碍物轮廓可以简化为一个共享相同高度和底部的圆周圆柱体,以减少计算的复杂性,可通过承载的探测器进行海上区域检测,所述无人机的检测区域为通过采集探测器的覆盖面积获得,计算公式为
在具体实施例中,所述无人船领导者与无人船跟随者均以设定相同的围捕半径与围捕角度对待围捕目标进行包围任务,所述围捕半径为无人船中心与待围捕目标的中心的距离,所述围捕角度为围捕完成后,在设定地理坐标系下所述各无人船与待围捕目标之间的相对角度,步骤S3中所述的无人船的围捕控制律具体为
其中,和/>分别为ng1和ng2的期望围捕半径与期望承载空间;ng1和ng2为无人船的编号;ρng(t)含义是随时间变化的半径;/>表示围捕时任意一条无人船ng1的速度;/>表示围捕时与任意一条无人船ng1相邻无人船ng2的速度;ρng为实际围捕时的半径;/>为围捕完成后的期望半径;xng为无人船相对地面的x坐标;xnt为被围捕的目标相对地面的x坐标;yng为无人船相对地面的y坐标;ynt为被围捕的目标相对地面的y坐标;为围捕无人船的目标的实时速度;vnt(t)为被围捕目标的实时速度。
在具体实施例中,当无人机的采集探测器发现待围捕目标后,则开始启动与无人船的协同围捕,无人机和海上待围捕目标之间的相对距离被用来描述跟踪过程,所述无人机与海上待围捕目标之间的相对距离,计算公式为:
如图3所示,由于传感器能力和自我能量的限制,当无人船领导者发送目标围捕指令至无人船跟随者,每个无人驾驶船舶(无人船)的传感器不能覆盖所有的无人船小组成员;同时,在对抗的情况下,所述无人船可能会受到外力攻击,导致其探测或通信失败,因此,只有一部分无人船可以探测到待围捕目标,并与其他无人船分享感知信息,此时,则有必要重构拓扑结构或恢复通信;若无人船的跟随者在传感器监测范围内,优先检测到无人船跟随者则转变为领导者,并与无人机领导者建立通讯,与此同时,该无人船领导者将接受的无人机领导者发送的待围捕目标的位置信息,发送至其余无人船进行待围捕目标的协同围捕。
在具体实施例中,步骤S4中所述基于鸽子式思维对领导者-追随者模型进行优化获取最优领导者-追随者模型,具体为
步骤S5.1:在原始鸽子式思维优化的地图和罗盘算子中,将无人船或无人机定义为鸽子种群中的鸽子个体,设置每只鸽子个体的随机速度与位置,并比较每只鸽子的适应度值,获取当前全局最佳解;
更新各鸽子个体的初始速度与位置,并进行鸽子个体的适应度值比较,获取最新全局最佳解;
且所述鸽子i的初始位置与速度状态更新公式为:
xi(t+1)=xi(t)+vi(t+1)
其中i=1,2,3…Np;Np是种群大小;D和R分别是搜索空间的尺寸、地图及罗盘因子;代表当前全局最佳解;Xi表示鸽子i的位置;/>表示鸽子i与鸽子1之间的距离;表示鸽子i与鸽子d之间的距离;/>表示鸽子i与鸽子1的速度差;/>表示鸽子i与鸽子d的速度差;vi(t+1)表示鸽子i在t+1时刻的速度;xi(t)表示t时刻鸽子i的位置;e-Rt表示速度的一个限制函数;xi(t+1)表示t+1时刻鸽子i的位置;Vi(t)表示t时刻鸽子i的速度;
将所述鸽子群体中的各鸽子个体的能量值降序排列,并选取比预设领导者能量阈值大的鸽子个体作为候选领导者集;
其中,T0为循环次数,Fit()代表适应度值;/>表示t时刻领导者的位置的估计值;/>表示t+1时刻领导者的位置的估计值;表示t时刻领导者的中心位置的全球最佳解决方案的估计值;/>表示t时刻中心位置的估计值;
步骤S5.3:鸽子群体的所有个体按适配度值Fit()进行能量适配,并随机分成Nd个子区间,定义所述候选领导者集为
Xcand={Xcand1,Xcand2,...,XcandNc}
其中,Nc表示无人机或无人船候选人的数量;集合Xcand中随机选取一个个体作为新的领导者;
根据所述新的领导者更新鸽子群体的中心Xcenter(t)改变为子区间中心Xcenteri(t),所述子区间中心Xcenteri(t)位置更新公式为:
Xi(t+1)=Xi(t)+rand(Xcenter(t)-Xi(t))
步骤S5.4:根据无效空间的行为控制,通过雅各布矩阵Jng避免无人机或无人船个体之间的碰撞,所述雅各布矩阵Jng为
其中,Pns=[xns,yns]=Pnr;xns为探测器相对地面的x方向位置;yns为探测器相对地面的y方向位置;xng为无人船相对地面的x方向位置;yng为无人船相对地面的y方向位置;Png为无人船位置的向量形式;Pns为探测器范围的向量形式;Pnr表示速度反馈增益矩阵;
步骤S5.5根据雅各布矩阵Jng获取包围任务的总控制力为:
其中,表示包围的总控制力;/>表示个体之间的排斥力;/> 表示零空间行为控制;ung表示无人船的加速度;κ3为增益因子;/>为探测器的势函数,由选定的探测器决定;/>为探测器的最小距离;κ2为增益因子;/>为探测器的最大距离;Png为无人船位置的向量形式;Pns为探测器范围的向量形式;xns为探测器相对地面的x方向位置;Xng为无人船相对地面的x方向位置;yng为无人船相对地面的y方向位置;yns为探测器相对地面的y方向位置。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于鸽子式思维优化无人机与无人船异构协同围捕方法,其特征在于,包括以下步骤:
步骤S1:建立无人机和无人船的数学模型;
步骤S2:通过无人机和无人船的数学模型,初始设定无人机与无人船的领导者与追随者,并基于二叉树算法设计无人机与无人船的领导者-追随者模型;
所述无人机领导者与无人机追随者之间、无人船领导者与无人船追随者采用微波双向通信;且无人机领导者与无人船领导者通讯链接;
步骤S3:根据所述无人机与无人船的领导者-追随者模型,设计无人船的围捕控制律;
步骤S4:基于鸽子式思维对无人机与无人船的领导者-追随者模型进行优化获取最优的领导者-追随者模型;
步骤S5:通过所述最优的无人机的领导者-追随者模型检测获取海上待围捕目标的位置信息;
所述位置信息为海上待围捕目标与无人机的领导者之间的相对水平距离;所述无人机的领导者将所述位置信息发送至无人船领导者,所述无人船领导者将所述位置信息下发至无人船跟随者;
无人船领导者与跟随者根据所述无人船的围捕控制律对海上待围捕目标进行围捕。
2.根据权利要求1所述的一种基于鸽子式思维优化无人机与无人船异构协同围捕方法,其特征在于,步骤S1中所述建立无人机的数学模型为
其中,表示无人机x方向的速度;/>表示无人机y方向的速度;/>表示无人机Z方向的速度;x方向、y方向以及Z方向均为根据地理坐标系人为设定;/>表示无人机航向角速度;s.t.|anu|代表无人机实时的加速度;nu表示无人机的数量,xnu,ynu,znu为无人机相对地面的位置,vnu为无人机的地面速度,/>表示无人机的地面速度的一阶导;anu为无人机的加速度,g为重力加速度,ψnu为无人机的航向角,φnu为无人机的滚动角,λnu为无人机的高度变化率,xnu、ynu、vnu、anu和ψnu表示无人机的状态变量和控制变量;vu min和vu max代表无人机的速度约束,au max和/>分别代表无人机的最大加速度和滚动角;
所诉无人船的数学模型为
3.根据权利要求1所述的一种基于鸽子式思维优化无人机与无人船异构协同围捕方法,其特征在于,步骤S2中基于二叉树算法设计无人机与无人船的领导者-追随者模型,具体为
步骤S2.1:设定混合多层分布式系统,所述混合多层分布式系统包括若干无人机与若干无人船;
所述无人机与无人船基于二叉树算法建立通讯拓扑图,且设定初始无人机与无人船的领导者与跟随者,所述无人机跟随者将检测区域内检测到的海上待围捕目标,并将海上待围捕目标的位置信息发送至无人机领导者;
步骤S2.2:所述无人机领导者根据无人机跟随者发送的海上待围捕目标的位置信息,与无人机领导者与该无人机跟随者之间的相对距离,生成最终的海上待围捕目标的位置信息;
所述无人机领导者将最终的海上待围捕目标的位置信息发送至无人船领导者;
步骤S2.3:所述无人船领导者将最终的海上待围捕目标的位置信息下发至无人船跟随者,使得所述无人船领导者与跟随者根据最终的海上待围捕目标的位置信息为海上待围捕目标提供围捕数据。
5.根据权利要求1所述的一种基于鸽子式思维优化无人机与无人船异构协同围捕方法,其特征在于,步骤S3中所述的无人船的围捕控制律具体为
7.根据权利要求1所述的一种基于鸽子式思维优化无人机与无人船异构协同围捕方法,其特征在于,步骤S4中所述基于鸽子式思维对领导者-追随者模型进行优化获取最优领导者-追随者模型,具体为
步骤S5.1:在原始鸽子式思维优化的地图和罗盘算子中,将无人船或无人机定义为鸽子种群中的鸽子个体,设置每只鸽子个体的随机速度与位置,并比较每只鸽子的适应度值,获取当前全局最佳解;
更新各鸽子个体的初始速度与位置,并进行鸽子个体的适应度值比较,获取最新全局最佳解;
且所述鸽子i的初始位置与速度状态更新公式为:
xi(t+1)=xi(t)+vi(t+1)
其中i=1,2,3…Np;Np是种群大小;D和R分别是搜索空间的尺寸、地图及罗盘因子;代表当前全局最佳解;Xi表示鸽子i的位置;/>表示鸽子i与鸽子1之间的距离;表示鸽子i与鸽子d之间的距离;/>表示鸽子i与鸽子1的速度差;/>表示鸽子i与鸽子d的速度差;vi(t+1)表示鸽子i在t+1时刻的速度;xi(t)表示t时刻鸽子i的位置;e-Rt表示速度的一个限制函数;xi(t+1)表示t+1时刻鸽子i的位置;Vi(t)表示t时刻鸽子i的速度;
将所述鸽子群体中的各鸽子个体的能量值降序排列,并选取比预设领导者能量阈值大的鸽子个体作为候选领导者集;
其中,T0为循环次数,Fit()代表适应度值;/>表示t时刻领导者的位置的估计值;/>表示t+1时刻领导者的位置的估计值;表示t时刻领导者的中心位置的全球最佳解决方案的估计值;/>表示t时刻中心位置的估计值;
步骤S5.3:鸽子群体的所有个体按适配度值Fit()进行能量适配,并随机分成Nd个子区间,定义所述候选领导者集为
Xcand={Xcand1,Xcand2,…,XcandNc}
其中,Nc表示无人机或无人船候选人的数量;集合Xcand中随机选取一个个体作为新的领导者;
根据所述新的领导者更新鸽子群体的中心Xcenter(t)改变为子区间中心Xcenteri(t),所述子区间中心Xcenteri(t)位置更新公式为:
Xi(t+1)=Xi(t)+rand(Xcenter(t)-Xi(t))
步骤S5.4:根据无效空间的行为控制,通过雅各布矩阵Jng避免无人机或无人船个体之间的碰撞,所述雅各布矩阵Jng为
其中,Pns=[xns,yns]=Pnr;xns为探测器相对地面的x方向位置;yns为探测器相对地面的y方向位置;xng为无人船相对地面的x方向位置;yng为无人船相对地面的y方向位置;Png为无人船位置的向量形式;Pns为探测器范围的向量形式;Pnr表示速度反馈增益矩阵;
步骤S5.5根据雅各布矩阵Jng获取包围任务的总控制力为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310374455.9A CN116225022A (zh) | 2023-04-10 | 2023-04-10 | 基于鸽子式思维优化无人机与无人船异构协同围捕方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310374455.9A CN116225022A (zh) | 2023-04-10 | 2023-04-10 | 基于鸽子式思维优化无人机与无人船异构协同围捕方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116225022A true CN116225022A (zh) | 2023-06-06 |
Family
ID=86585799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310374455.9A Pending CN116225022A (zh) | 2023-04-10 | 2023-04-10 | 基于鸽子式思维优化无人机与无人船异构协同围捕方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116225022A (zh) |
-
2023
- 2023-04-10 CN CN202310374455.9A patent/CN116225022A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782481B (zh) | 无人艇智能决策方法及系统 | |
CN109917818B (zh) | 基于地面机器人的协同搜索围堵方法 | |
Khan et al. | Cooperative robots to observe moving targets | |
Gu et al. | Multiple moving targets surveillance based on a cooperative network for multi-UAV | |
CN108897312B (zh) | 多无人飞行器对大规模环境的持续监控路径规划方法 | |
CN103197684B (zh) | 无人机群协同跟踪目标的方法及系统 | |
Farmani et al. | An optimal sensor management technique for unmanned aerial vehicles tracking multiple mobile ground targets | |
CN110825112B (zh) | 基于多无人机的油田动态侵入目标追踪系统与方法 | |
CN112817318A (zh) | 一种多无人艇协同搜索控制方法及系统 | |
CN110823223A (zh) | 一种无人机群的路径规划方法及装置 | |
Zhicai et al. | A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm | |
Saranovic et al. | Interception of automated adversarial drone swarms in partially observed environments | |
CN116578035A (zh) | 基于数字孪生技术的旋翼无人机自主降落控制系统 | |
Lee et al. | A deep reinforcement learning control strategy for vision-based ship landing of vertical flight aircraft | |
Baek et al. | Optimal sensor management for multiple target tracking using cooperative unmanned aerial vehicles | |
Zhao et al. | Optimal deployment of mobile sensors for target tracking in 2D and 3D spaces | |
Airlangga et al. | Online path planning framework for UAV in rural areas | |
Wang et al. | Structure keeping control for heterogeneous formations based on consistency theory and graph theory | |
CN111176324A (zh) | 一种多无人机分布式协同编队规避动态障碍的方法 | |
CN116225022A (zh) | 基于鸽子式思维优化无人机与无人船异构协同围捕方法 | |
CN113156450B (zh) | 无人机上的主动旋转激光雷达系统及其控制方法 | |
Shen et al. | Incremental learning-based land mark recognition for mirco-UAV autonomous landing | |
Zhang et al. | A distributed persistent coverage algorithm of multiple unmanned aerial vehicles in complex mission areas | |
Huang | UAV Intelligent Control Based on Machine Vision and Multiagent Decision‐Making | |
CN117250859B (zh) | 通信约束下的多飞行器协同搜索算法 |
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 |