CN116255986A - 一种基于决策者偏好的多无人机协同侦察航迹规划方法 - Google Patents

Abstract

本发明提供一种基于决策者偏好的多无人机协同侦察航迹规划方法，包括：步骤1，建立多无人机协同侦察航迹规划的多目标优化模型；步骤2，由决策者提供偏好信息，所述偏好信息包括两个优化目标的理想取值范围，为所述多目标优化模型的求解提供先验信息；步骤3，采用基于偏好的多目标进化算法，基于步骤2为所述多目标优化模型的求解提供的先验信息，对步骤1中的所述多目标优化模型进行求解寻优，得到满足决策者偏好的多无人机协同侦察航迹规划飞行方案。本发明可以实现基于决策者偏好的多无人机航迹规划，既能保证解的优化性能，又能减少计算资源，还能缓解候选方案过多给决策者带来的选择压力。

Description

一种基于决策者偏好的多无人机协同侦察航迹规划方法

技术领域

本发明涉及无人机航迹规划技术领域，具体是一种基于决策者偏好的多无人机协同侦察航迹规划方法。

背景技术

无人机自主巡查系统具有全时全域无人值守、自动报警、迅速处置等优点，可用于港口、机场、军事基地等重点场所的巡逻警戒。多架携带相同或不同载荷的巡查无人机协同工作，可以实现长时间、全天候、全自主、无缝隙的警戒区巡查，完成常规巡逻、重点目标快速侦察、区域覆盖搜索等任务。无人机航迹规划就是在综合考虑无人机到达时间、耗电量以及飞行环境等因素的前提下，为无人机规划出最优，或者是最满意的飞行航迹，以保证圆满地完成任务。多无人机协同侦察航迹规划不仅要为每架无人机规划出可行的最优航迹，同时要考虑各机之间的空间协同性、时间协同性，以达到最佳侦察效果。

现有的无人机航迹规划技术多应用于有威胁环境下的对敌侦察，问题多建模为单目标优化。单目标优化模型存在着权重无法合理设置、优化性能难以评价等问题。少数技术同时考虑多个优化目标，算法所求结果为多目标优化问题的Pareto解集，包含多个飞行方案，从解集中选择一个作为最后的方案需要决策者的参与。一般而言，多目标优化求解有两种方案：1.先验式，即决策者先给出偏好信息，再由优化算法求满足偏好的解；2.后验式，即先求出所有的Pareto解集，再由决策者从中选择一个。现有无人机航迹规划问题建立为多目标优化模型的，大都采用后验式方法，即先求出整个Pareto解集，再由决策者从中选择出一个。随着问题规模的扩大，求解整个Pareto解集变得十分困难，解的优化性能随之下降，并且后验式方法所求的Pareto解集规模庞大，决策者从中选择一个比较困难。

发明内容

针对现有技术存在的上述不足，本发明的目的是提供一种基于决策者偏好的多无人机协同侦察航迹规划方法。

一种基于决策者偏好的多无人机协同侦察航迹规划方法，包括如下步骤：

步骤1，建立多无人机协同侦察航迹规划的多目标优化模型；

步骤2，由决策者提供偏好信息，所述偏好信息包括两个优化目标的理想取值范围，为所述多目标优化模型的求解提供先验信息；

步骤3，采用基于偏好的多目标进化算法，基于步骤2为所述多目标优化模型的求解提供的先验信息，对步骤1中的所述多目标优化模型进行求解寻优，得到满足决策者偏好的多无人机协同侦察航迹规划飞行方案。

进一步的，步骤1中的多目标优化模型的建立方法如下：

设共有N架无人机和M个待侦察目标，无人机起始位置和目标位置均已知，多无人机协同侦察航迹规划描述为将M个目标分配给N架无人机，确定每架无人机的侦察目标访问顺序，使得所有目标被侦察的总时间尽可能短，且无人机能量消耗尽可能少；

设无人机i的飞行方案为P_i＝{UAV_i,T_i1,T_i2,…,T_im}，其中T_ik代表分配给无人机i的第k个侦察目标，则无人机i的飞行总距离为：

第一个目标函数为所有目标被侦察的总时间

尽可能短，其中v为无人机飞行速度，第二个目标函数为所有无人机的总耗电量/>

尽可能少，其中e_i为无人机飞行单位时间的耗电量；则多目标优化模型表示为：

minF(x)＝[f₁(x),f₂(x)]

其中x代表多无人机的飞行方案，需满足：(1)每架无人机至少要侦察1个目标；(2)每个目标必须被侦察1次；(3)每架无人机的飞行距离不能超过其电量限制。

进一步的，步骤2中的偏好信息表达为所有目标被侦察的总时间f₁(x)和所有无人机的总耗电量f₂(x)的理想取值范围：

其中L_i和U_i分别为f_i(x)的下界和上界。

进一步的，步骤3具体包括：

步骤3.1，采用双染色体编码策略初始化种群：染色体1为观测目标序列，染色体2为观测目标序列分割点，对染色体1按照分配的无人机进行划分；

步骤3.2按照经典MOEA/D算法产生权重矢量并划定邻域，用偏好信息作为初始理想点zi；

步骤3.3，在邻域内通过交叉变异算子产生子代个体：采用部分匹配交叉算子进行种群交叉操作，染色体1的变异操作包含以下三种变异算子：

(1)交换算子随机交换原染色体中的两个基因；

(2)滑动算子在原染色体上随机选择两个基因位，将第一个基因位的基因移动到第二个基因位之后，两个基因位之间的序列依次向前滑动；

(3)倒序算子在原染色体上随机选择两个基因位，将两个基因位之间的序列倒序排列，其他基因保持不变；

交叉算子和变异算子的概率由算法参数控制；

步骤3.4，评估子代个体：首先，根据双染色体编码策略对子代个体进行解码操作，计算子代个体的目标函数值f₁(x)和f₂(x)，然后对子代个体进行适应度赋值，根据

计算原始适应度值，其中z^*为偏好信息中的下界，判断该解是否位于偏好区域内部，若是，则将解从原始目标空间转换到偏好区域空间，再次计算g^te(xλ_i,z^*)，作为新的适应度值；若不是，则将该解的原始适应度值加上一个较大的惩罚值P；

步骤3.5，利用子代种群更新理想点zi；

步骤3.6，更新种群：如果解x支配解y，则x将取代y而不考虑适应度值的大小，如果x和y没有相互支配关系，则x将取代y当且仅当x的适应度值更小；

步骤3.7，判断是否满足算法结束条件，若满足，则输出解集给决策者检查；若不满足，则返回步骤3.3进行新一轮的进化循环；

步骤3.8，决策者对步骤3.7计算出的结果进行检查，根据经验选取最终的飞行方案。

本发明的有益效果在于：利用基于决策者偏好信息的先验式方法求解无人机协同侦察航迹规划问题，和后验式方法相比，既能保证解的优化性能，又能减少计算资源，还能缓解候选方案太多给决策者带来的选择压力，从而有效解决目前多无人机航迹规划求解全部Pareto解集困难、决策者选择困难的问题。

附图说明

图1为本发明实施例一种基于决策者偏好的多无人机协同侦察航迹规划方法的流程图；

图2为本发明中双染色体编码策略示意图；

图3为本发明实施例的任务场景与规划结果图。

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的一部分实施例，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做出创造性劳动的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。

本发明考虑无人机自主巡查系统在重点目标快速协同侦察场景下的应用。在加强警戒的情况下，需要对场地内的多个重点目标(如指挥所、武器库等)进行快速侦察，以确保其安全。无人机系统接收到重点目标信息(地理位置、重要等级等)后，以最快的方式协同完成所有目标的侦察并把侦察结果传回指控中心。航迹规划需协调考虑时效性和耗电量两个优化目标，优先选择时效性高和耗电量少的规划方案。而这两者之间存在一定的冲突，需要决策者根据具体情况进行权衡，以确定最终的飞行方案。

本发明为基于决策者偏好的多无人机协同侦察航迹规划方法，具体按照如下步骤实施：

步骤1、建立多无人机协同侦察航迹规划的多目标优化模型；

在某一实施例中，设共有3架无人机和62个待侦察目标，无人机起始位置和目标位置(经纬度坐标)均已知。多无人机协同侦察航迹规划可描述为将62个目标分配给3架无人机，确定每架无人机的侦察目标访问顺序(即飞行方案)，使得所有目标被侦察的总时间尽可能短，且无人机能量消耗尽可能少。设无人机i的飞行方案为P_i＝{UAV_i,T_i1,T_i2,…,T_im}，i＝1,2,3，其中Tik代表分配给无人机i的第k个侦察目标，共m个。则无人机i的飞行总距离为

第一个目标函数为所有目标被侦察的总时间

其中v为无人机飞行速度，第二个目标函数为所有无人机完成侦察任务的总耗电量/>

其中ei为无人机飞行单位时间的耗电量。则多目标优化模型可表示为minF(x)＝[f₁(x),f₂(x)]，其中x代表多无人机的飞行方案，需满足：(1)每架无人机至少要侦察1个目标；(2)每个目标必须被侦察1次；(3)每架无人机的飞行距离不能超过其电量限制。

步骤2、由决策者提供偏好信息，即两个优化目标的理想取值范围。本例中根据实际任务需求设定的偏好为：

1800≤f₁(x)≤2200,5100≤f₂(x)≤6000。

步骤3、利用基于偏好的多目标进化算法对步骤1中的模型进行求解寻优，得到多无人机协同侦察航迹规划飞行方案。以基于分解和决策者偏好的多目标进化算法T-MOEA/D为例说明具体计算流程。

步骤3.1：采用双染色体编码策略初始化种群。染色体1为观测目标序列，染色体2为观测目标序列分割点，对染色体1按照无人机进行划分。例如染色体1为[2 4 6 1 3 5]，染色体2为[3 5]，则染色体1在第3和第5个基因后被切割，得到三个子序列[2 4 6]、[1 3]、[5]分别对应三架无人机的飞行方案，如图2所示。

步骤3.2：按照经典MOEA/D算法产生权重矢量并划定邻域，用偏好信息作为初始理想点zi。

步骤3.3：在邻域内通过交叉变异算子产生子代个体。采用部分匹配交叉算子(PMX)进行种群交叉操作，染色体1的变异操作包含以下三种变异算子：(1)交换算子随机交换原染色体中的两个基因；(2)滑动算子在原染色体上随机选择两个基因位，将第一个基因位的基因移动到第二个基因位之后，两个基因位之间的序列依次向前滑动；(3)倒序算子在原染色体上随机选择两个基因位，将两个基因位之间的序列倒序排列，其他基因保持不变。交叉变异算子的概率由算法参数控制。

步骤3.4：评估子代个体。首先，根据双染色体编码策略对子代个体进行解码操作，计算子代个体的目标函数值f₁(x)和f₂(x)。然后，对子代个体进行适应度赋值。根据

计算原始适应度值，其中z^*为偏好信息中的下界。判断该解是否位于偏好区域内部，若是，则将解从原始目标空间转换到偏好区域空间，再次计算g^te(xλ_i,z^*)，作为新的适应度值；若不是，则将该解的原始适应度值加上一个较大的惩罚值P。

步骤3.5：利用子代种群更新理想点zi。

步骤3.6：更新种群。在T-MOEA/D中，Pareto支配关系将作为比适应度值更高一级的判断因素。即如果解x支配解y，则x将取代y而不考虑适应度值的大小。如果x和y没有相互支配关系，则x将取代y当且仅当x的适应度值更小。

步骤3.7：判断是否满足算法结束条件。若满足，则输出解集给决策者检查；若不满足，则返回步骤3.3进行新一轮的进化循环。

步骤3.8：决策者对算法计算出的结果进行检查，选取最终的飞行方案。本例中决策者选择f₁(x)＝2049,f₂(x)＝5817的解作为飞行方案，如图3所示。

实验设置：

为检验方案所提算法的有效性，将本发明所提算法T-MOEA/D和后验式算法MOEA/D进行对比，实验参数设定如表1所示：

表1仿真实验算法参数

实验设定了两种场景，代表两种不同的偏好，偏好1对优化目标1(总时间)有较高要求，设定为1000≤f₁(x)≤1400,4400≤f₂(x)≤5400，偏好2对优化目标2(总耗电量)有较高要求，设定为1200≤f₁(x)≤2000,4000≤f₂(x)≤4600。在这两种实验场景下，分别运行T-MOEA/D算法和MOEA/D算法各10次，计算偏好区域内的Hypervolume指标，Hypervolume越大则算法性能越好。10次运算所得的Hypervolume指标统计数据如表2所示：

表2仿真实验结果

观察结果可以发现，T-MOEA/D算法在两种场景下的Hypervolume指标均优于MOEA/D。另外，T-MOEA/D算法的单次平均运行时间为10.8秒，也短于MOEA/D算法的23.5秒。

本发明首次将先验式方法运用于无人机航迹规划，优点在于：1.有效解决后验式方法求解全部Pareto解集困难、计算量大的问题，节约了计算资源；2.在优化求解过程中考虑偏好信息，所得解的数目少，减轻了决策者的选择压力。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于决策者偏好的多无人机协同侦察航迹规划方法，其特征在于，包括如下步骤：

步骤1，建立多无人机协同侦察航迹规划的多目标优化模型；

步骤2，由决策者提供偏好信息，所述偏好信息包括两个优化目标的理想取值范围，为所述多目标优化模型的求解提供先验信息；

步骤3，采用基于偏好的多目标进化算法，基于步骤2为所述多目标优化模型的求解提供的先验信息，对步骤1中的所述多目标优化模型进行求解寻优，得到满足决策者偏好的多无人机协同侦察航迹规划飞行方案。

2.根据权利要求1所述的方法，其特征在于，步骤1中的多目标优化模型的建立方法如下：

设共有N架无人机和M个待侦察目标，无人机起始位置和目标位置均已知，多无人机协同侦察航迹规划描述为将M个目标分配给N架无人机，确定每架无人机的侦察目标访问顺序，使得所有目标被侦察的总时间尽可能短，且无人机能量消耗尽可能少；

设无人机i的飞行方案为P_i＝{UAV_i,T_i1,T_i2,…,T_im}，其中T_ik代表分配给无人机i的第k个侦察目标，则无人机i的飞行总距离为：

第一个目标函数为所有目标被侦察的总时间

尽可能短，其中v为无人机飞行速度，第二个目标函数为所有无人机的总耗电量/>

尽可能少，其中e_i为无人机飞行单位时间的耗电量；则多目标优化模型表示为：

minF(x)＝[f₁(x),f₂(x)]

其中x代表多无人机的飞行方案，需满足：(1)每架无人机至少要侦察1个目标；(2)每个目标必须被侦察1次；(3)每架无人机的飞行距离不能超过其电量限制。

3.根据权利要求2所述的方法，其特征在于，步骤2中的偏好信息表达为所有目标被侦察的总时间f₁(x)和所有无人机的总耗电量f₂(x)的理想取值范围：

其中L_i和U_i分别为f_i(x)的下界和上界。

4.根据权利要求2所述的方法，其特征在于，步骤3具体包括：

步骤3.1，采用双染色体编码策略初始化种群：染色体1为观测目标序列，染色体2为观测目标序列分割点，对染色体1按照分配的无人机进行划分；

步骤3.2按照经典MOEA/D算法产生权重矢量并划定邻域，用偏好信息作为初始理想点zi；

步骤3.3，在邻域内通过交叉变异算子产生子代个体：采用部分匹配交叉算子进行种群交叉操作，染色体1的变异操作包含以下三种变异算子：

(1)交换算子随机交换原染色体中的两个基因；

(2)滑动算子在原染色体上随机选择两个基因位，将第一个基因位的基因移动到第二个基因位之后，两个基因位之间的序列依次向前滑动；

(3)倒序算子在原染色体上随机选择两个基因位，将两个基因位之间的序列倒序排列，其他基因保持不变；

交叉算子和变异算子的概率由算法参数控制；

步骤3.4，评估子代个体：首先，根据双染色体编码策略对子代个体进行解码操作，计算子代个体的目标函数值f₁(x)和f₂(x)，然后对子代个体进行适应度赋值，根据

计算原始适应度值，其中z^*为偏好信息中的下界，判断该解是否位于偏好区域内部，若是，则将解从原始目标空间转换到偏好区域空间，再次计算g^te(x|λ_i,z^*)，作为新的适应度值；若不是，则将该解的原始适应度值加上一个较大的惩罚值P；

步骤3.5，利用子代种群更新理想点zi；

步骤3.6，更新种群：如果解x支配解y，则x将取代y而不考虑适应度值的大小，如果x和y没有相互支配关系，则x将取代y当且仅当x的适应度值更小；

步骤3.7，判断是否满足算法结束条件，若满足，则输出解集给决策者检查；若不满足，则返回步骤3.3进行新一轮的进化循环；

步骤3.8，决策者对步骤3.7计算出的结果进行检查，根据经验选取最终的飞行方案。

Images