CN116339368A - 无人机数量编配与频谱资源优化方法、装置、设备及介质 - Google Patents
无人机数量编配与频谱资源优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116339368A CN116339368A CN202211478011.1A CN202211478011A CN116339368A CN 116339368 A CN116339368 A CN 116339368A CN 202211478011 A CN202211478011 A CN 202211478011A CN 116339368 A CN116339368 A CN 116339368A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- reconnaissance
- fixed target
- spectrum
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 112
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 84
- 238000005265 energy consumption Methods 0.000 claims abstract description 65
- 230000002068 genetic effect Effects 0.000 claims abstract description 58
- 238000010845 search algorithm Methods 0.000 claims abstract description 39
- 238000011160 research Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 210000000349 chromosome Anatomy 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011480 coordinate descent method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002195 synergetic 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
- G05D1/10—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (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
本发明公开了一种无人机数量编配与频谱资源优化方法、装置、设备及介质,涉及无人机通信技术领域,该方法包括获取分布在研究地面区域上的固定目标的数量以及每个固定目标的位置;根据上述固定目标信息和目标优化函数,采用遗传禁忌搜索算法,确定最优个体;目标优化函数为在无人机电池容量的限制下,优化无人机的数量、每架无人机的侦察顺序和频谱使用时间,使多无人机系统的总能耗最小的函数;遗传禁忌搜索算法为采用禁忌搜索算法对遗传算法进行改进后得到的算法;个体包括无人机的数量以及每个所述无人机对应的侦察顺序。本发明能够进一步降低完成协同侦察任务的能耗。
Description
技术领域
本发明涉及无人机通信技术领域,特别是涉及一种面向协同侦察任务的无人机数量编配与频谱资源优化方法、装置、设备及介质。
背景技术
由于无人机具有机动性高、部署快速和携带载荷灵活等特点,广泛应用于各种任务场景中,例如环境侦察、灾情搜救和中继通信等。随着固定目标量和任务类型的增多,单个无人机已经难以胜任,需要多无人机相互协作以满足任务需求。多无人机系统相比单无人机,有更好的任务适应性和应用潜力,更适合执行复杂任务。尽管多无人机系统有很大的优势,但也面临着多方面的挑战,例如无人机的数量编配和频谱使用冲突等。多无人机系统需要确定合理的数量编配并形成高效的协同关系。不合理的数量编配会增加无人机的资源浪费和频谱冲突概率。不合理的频谱分配可能会延长任务的时间,进而增加无人机的能耗。无人机的数量编配、侦察顺序和频谱分配相互耦合,共同决定最优的侦察方案规划。
编配多架无人机的协同侦察任务会涉及任务分配问题,这是近几年一个活跃的研究领域,已经有大量的研究成果可供借鉴。一些研究工作从能耗的角度研究无人机的任务分配。例如,一篇文献研究了无人机群的多任务协作问题,考虑了任务类型的重叠和互补关系,将无人机的分布式任务分配问题建模为联盟形成博弈问题,提出了一种异构多无人机的节能任务协作方案,最小化联盟能量消耗。一篇文献研究了自组织网络中的分层无人机任务调度问题,其中一层无人机执行区域覆盖任务,另一层无人机提供边缘计算服务,通过块坐标下降法和连续凸逼近技术,最小化无人机的整体能耗。一篇文献研究了有人机与无人机的任务联合编队方法,在无人机的任务分配中,引入了无人机对受限资源和非受限资源的需求,提出了一种多目标优化算法减少资源冗余。一篇文献从能源效率的用度研究了多无人机的任务分配和路线规划问题,在路径规划中利用遗传算法获得无人机与任务的相互偏好列表,并用匹配算法解决多无人机的任务问题。一篇文献研究了多架无人机接力辅助通信的优化策略,以提高能源效率。
多无人机系统中的网络优化是影响性能发挥的关键,现有研究也对频谱资源的优化做了大量工作。为避免无人机集群的通信自干扰,现有技术研究了任务驱动的无人机通信网络的频谱分配问题,将任务分配与频谱分配的耦合关系建模为博弈模型,提出联盟形成博弈联合优化任务选择与频谱分配。现有技术还针对无人机只能加入一个联盟导致效益不高的局限,提出一种重叠联盟形成博弈,通过重叠联盟成员的部分合作优化任务资源的分配。
对无人机任务分配的现有研究中,主要集中在优化任务的能耗和资源效益上,而忽略了完成任务需要的无人机数量编配及其带来的频谱使用冲突问题。在实际任务规划中,往往需要计算无人机的数量编配需求,并为每架无人机分配合理任务和规划配套的频谱保障。频谱共享能够有效提高多无人机系统的频谱效率和网络性能,但同时也对频谱的冲突消解技术提出了更高的要求。
发明内容
鉴于此,本发明提供了一种面向协同侦察任务的无人机数量编配与频谱资源优化方法、装置、设备及介质。
为实现上述目的,本发明提供了如下方案:
第一方面,本发明提供了一种无人机数量编配与频谱资源优化方法,包括:
获取分布在研究地面区域上的固定目标信息;所述固定目标信息包括固定目标的数量以及每个所述固定目标的位置;
根据所述固定目标信息和目标优化函数,采用遗传禁忌搜索算法,确定最优个体;所述目标优化函数为在无人机电池容量的限制下,优化无人机的数量、每架无人机的侦察顺序和频谱使用时间,使多无人机系统的总能耗最小的函数;所述遗传禁忌搜索算法为采用禁忌搜索算法对遗传算法进行改进后得到的算法;所述个体包括无人机的数量以及每个所述无人机对应的侦察顺序;所述侦察顺序为侦察固定目标的顺序。
第二方面,本发明提供了一种无人机数量编配与频谱资源优化装置,包括:
数据获取模块,获取分布在研究地面区域上的固定目标信息;所述固定目标信息包括固定目标的数量以及每个所述固定目标的位置;
最优个体确定模块,用于根据所述固定目标信息和目标优化函数,采用遗传禁忌搜索算法,确定最优个体;所述目标优化函数为在无人机电池容量的限制下,优化无人机的数量、每架无人机的侦察顺序和频谱使用时间,使多无人机系统的总能耗最小的函数;所述遗传禁忌搜索算法为采用禁忌搜索算法对遗传算法进行改进后得到的算法;所述个体包括无人机的数量以及每个所述无人机对应的侦察顺序;所述侦察顺序为侦察固定目标的顺序。
第三方面,本发明提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据第一方面所述的无人机数量编配与频谱资源优化方法。
第四方面,本发明提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的无人机数量编配与频谱资源优化方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明在多无人机共享频谱资源的条件下,研究协同侦察任务的无人机数量需求、固定目标分配和频谱使用时间分配的联合优化问题。主要贡献可总结如下:
(1)提出一种无人机数量需求、固定目标分配和频谱使用时间分配的联合规划方法。其中,多无人机协同完成多个分布在地面上的固定目标的侦察工作并将侦察信息回传至决策中心,该方法可以根据协同侦察任务自行调整参与侦察的无人机数量,并为每架无人机规划侦察顺序和频谱使用时间,消除无人机相互之间的信息传输干扰。
(2)提出一种改进的遗传算法,可以生成不同无人机数量的固定目标侦察方案。相比于传统遗传算法中个体固定的基因长度,提出生成不同基因长度的个体。该改进的遗传算法以基因长度表示无人机数量,以电池容量为约束调整无人机数量,使改进的遗传算法实现在可行解空间内的逐步寻优。
(3)利用分布集中搜索策略,增强算法的全局寻优能力。具体而言,利用遗传算法的分布式搜索策略,保证算法在解空间中大范围搜索,同时结合禁忌搜索的集中式搜索策略,进行小范围的精细搜索,不断突破遗传算法取得的局部最优解,进一步降低完成协同侦察任务的能耗。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明有M架无人机前往K个分布在地面的固定目标执行协同侦察任务时的系统模型图;
图2为本发明不同频谱分配比例的无人机总能耗示意图;
图3为本发明能耗最小的频谱时间调整示例图;
图4为本发明多无人机协同侦察方案示例图;
图5为本发明无人机数量编配与频谱资源优化方法的流程示意图;
图6为本发明遗传禁忌搜索算法的流程示意图;
图7为本发明3架无人机侦察10个固定目标的两条染色体示例图;
图8为本发明交叉算子示例图;
图9为本发明无人机数量调整示例图;
图10为本发明禁忌搜索算法的流程示意图;
图11为本发明在不同固定目标量的算法规划结果图;图11中(a)为固定目标量为10时的无人机数量编配及任务规划结果图;图11中(b)为固定目标量为14时的无人机数量编配及任务规划结果图;图11中(c)为固定目标量为10时的无人机频谱使用时间规划结果图;图11中(d)为固定目标量为14时的无人机频谱使用时间规划结果图;
图12为本发明不同算法的结果对比图;
图13为本发明不同算法在固定目标量变化时的能耗和无人机数量需求结果图;图13中(a)为不同算法的能耗与固定目标数量的关系图;图13中(b)为不同算法的无人机数量编配需求与固定目标数量的关系图。
具体实施方式
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,所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明运用了无人机执行侦察任务的场景,无人机从决策中心出发逐个飞至固定目标上空悬停进行信息感知,并将收集的感知数据回传到决策中心进行处理。无人机的电池容量一般较小,无法支撑长时间工作的能量消耗,当固定目标比较多时,一架无人机可能无法完成所有固定目标的侦察任务,需要多架无人机协同侦察。假设有M架无人机前往K个分布在地面的固定目标执行协同侦察任务,无人机和固定目标的集合分别表示为M={1,...,M}和K={1,...,K}。
固定目标k的水平坐标用qk∈R2×1表示,并且是已知的。固定目标k与决策中心c的距离dk,c可表示为:
dk,c=||qk-qc|| (1);
其中qc是决策中心的水平坐标。假设使用旋翼无人机执行协同侦察任务,可以悬停在空中以获得稳定的通信传输质量。无人机受电池容量限制,必须在能量消耗完之前返回决策中心充能。无人机的能量消耗分为运动能耗和通信能耗两部分,一般来说,通信能耗比运动能耗低几个数量级,经常被忽略不计,主要考虑无人机的运动能耗。当无人机m以速度vm匀速运动时,其功率为:
其中,P0和Pi分别代表悬停状态下的叶片轮廓功率和感应功率;Utip和v0分别表示悬停状态下的旋翼尖端速度和平均旋翼速度;d0和s分别表示机身阻力比和旋翼实心度,ρ和A分别代表空气密度和旋翼圆盘面积。忽略无人机的加速减速过程,在固定目标之间,无人机机动时采用匀速飞行,执行侦察任务时悬停。无人机在不同飞行速度下的能耗并不相同,无人机的功率随速度的增大先减小后增大,存在最大续航时间速度Vme和最大续航里程速度Vmr。在相同的能量消耗下,Vme是无人机续航时间最长的飞行速度,Vmr是无人机行进距离最远的飞行速度。为节省能量开支,假设无人机在固定目标之间飞行时使用速度为Vmr,因此无人机完成当前固定目标k的侦察任务后飞到下一固定目标k'所需的最小飞行能耗为:
无人机对固定目标采用拍照侦察,或者边侦察边回传等信息感知方式,悬停时间以无人机的信息回传时间计算。得益于无人机的升空增益,空对地的信道功率增益主要由视距链路决定,基于自由空间路径损耗模型,无人机在固定目标k上方时的信道增益hk表示为:
无人机在固定目标间机动时不占用频谱资源,只有悬停在固定目标上空回传感知信息时才需要频谱资源的保障,多架无人机共享同一段频谱资源,会造成频谱冲突,合理的频谱规划至关重要。当两架无人机同时需要使用频谱资源时,图2给出了不同频谱资源分配比例时的无人机总能耗。由图2可知独占式的频谱分配是最节能的方式,即将频谱全部分配给占用时间最短的无人机m1使用,其余无人机以速度Vme盘旋等待。无人机m1完成信息回传后,再将频谱全部分配给剩余的占用时间最短的无人机使用,以此类推,直至所有无人机完成信息回传。但这种频谱共享方式也可能导致正在传输的信息中断,并不适合语音、视频等需要连续传输的任务。为此,本发明以同一固定目标的信息回传不间断为基础,设计了能耗最小的无人机频谱时间分配方法。图3展示了两架无人机频谱使用时间存在冲突的一种情况及其能耗最小调整方法。在调整之前,两架无人机频谱使用时间存在重叠,会在t2时间内相互干扰。无人机1先传输时,无人机2的等待时间为t2,反之则无人机1的等待时间为t1。由于t2<t1,因此由无人机1先占用频谱进行信息回传,无人机2以速度Vme盘旋,待到无人机1传输完信息后无人机2再使用频谱的方式是能耗最小方法。频谱冲突的其余情况的调整方法类似。
可用频谱资源的带宽为W,固定目标k感知的信息量为Ck时,无人机m的悬停时间为:
其中,pm表示无人机m的发射功率,σ2是环境噪声功率谱密度。无人机在固定目标k的悬停能耗为:
其中P(0)表示无人机速度为0时功率,即悬停时的功率消耗。
假设无人机m以侦察顺序πm=(πm(0),...,πm(k),πm(k'),...,πm(Km+1))完成目标集合中所有固定目标的侦察任务,Km表示无人机m侦察的固定目标数,πm(0)和πm(Km+1)表示无人机决策中心的编号,πm(k)表示当前固定目标k的编号,πm(k')表示下一固定目标k'的编号。由于共享频谱资源,当频谱使用时间存在冲突时存在频谱等待时间,假设无人机m总的频谱等待时间为因无人机m等待频谱而产生的能耗/>为:
其中,P(Vme)表示无人机速度为Vme时的功率。
因此无人机m的总能耗为:
一个固定目标只能由一架无人机进行侦察,固定目标k与无人机m的关联关系表示为
无人机m按照侦察顺序πm,在第km(1≤km≤Km)个固定目标上空悬停的时间为
其中,表示无人机m按侦察顺序πm从当前固定目标k飞至下一固定目标k'的飞行时间,/>表示无人机m按侦察顺序πm在当前固定目标k上空的悬停时间。表示无人机m从决策中心出发,按侦察顺序πm到达第km个固定目标时的总时间。由于无人机的频谱资源采用独占的方式使用,不同无人机的频谱使用时间不能有重叠,否则将会在决策中心的接收机处产生干扰。无人机的悬停时间不能有重叠,即
其中,表示无人机m1按侦察顺序/>在第k1个固定目标上空的悬停时间,1≤k1≤K1,K1为无人机m1的侦察固定目标数;/>表示无人机m2按侦察顺序/>在第k2个固定目标上空的悬停时间,1≤k2≤K2,K2为无人机m2的侦察固定目标数。
优化目标是在给定频谱资源条件下,利用最少的无人机数量,并为每架无人机规划固定目标的侦察顺序和频谱使用时间。多无人机协同完成侦察任务,本质上是一个多旅行商问题(Multiple Traveling Salesmen Problem,MTSP),所有无人机都从决策中心出发,每个固定目标只需一架无人机侦察一次。固定目标编号用πm(k)表示,πm(0)和表示决策中心,无人机编号用um表示。图4展示了一种多无人机协同侦察方案,其中,无人机1按照侦察顺序π1(K1)侦察完固定目标后回到决策中心,编号为π2(1)的固定目标由无人机2侦察。无人机的总路程为
其中,和/>分别是按照侦察顺序π1(K1)侦察完最后一个固定目标至决策中心和决策中心至,编号为π2(1)的固定目标的距离,s1表示除/>和之外的其他路程。若无人机2的目标都分配给无人机1侦察,则无人机的总路程为
即s≥s'。因此,参与侦察的无人机数量越少,则总路程越短,能耗也越少。
无人机的有限电池容量决定了单架无人机无法满足大规模的侦察任务,需要多架无人机协同配合。合理规划多无人机的侦察顺序和频谱使用时间,能够提高任务完成效率,减少无人机的频谱等待时间,进而降低无人机的能耗。因此优化目标实质上可以转化为在无人机电池容量的限制下,优化无人机的数量、每架无人机的侦察顺序和频谱使用时间,使多无人机系统的总能耗最小。优化问题的数学模型表示如下:
其中,π={π1,...,πM}表示不同无人机的侦察顺序集合,表示不同无人机的频谱使用时间集合,/>Km表示给无人机m分配的固定目标的数量。C1表示无人机m的总能耗必须在无人机m的电池容量范围之内;C2表示每个固定目标都必须有一架无人机前往侦察,C3表示允许所有固定目标都由一架无人机前往侦察;C4表示无人机的频谱使用时间不能重叠,否则会产生相互干扰,影响信息的回传。这是一个混合整数非凸难题,待优化变量相互耦合,最优方案的求解具有挑战性。π1表示无人机1的侦察顺序,πM表示无人机M的侦察顺序;/>表示无人机1的频谱使用时间,/>表示无人机M的频谱使用时间。
实施例一
鉴于此,本发明提供的一种无人机数量编配与频谱资源优化方法,如图5所示,包括:
步骤100:获取分布在研究地面区域上的固定目标信息;所述固定目标信息包括固定目标的数量以及每个所述固定目标的位置;
步骤200:根据所述固定目标信息和目标优化函数,采用遗传禁忌搜索算法,确定最优个体;所述目标优化函数为在无人机电池容量的限制下,优化无人机的数量、每架无人机的侦察顺序和频谱使用时间,使多无人机系统的总能耗最小的函数;所述遗传禁忌搜索算法为采用禁忌搜索算法对遗传算法进行改进后得到的算法;所述个体包括无人机的数量以及每个所述无人机对应的侦察顺序;所述侦察顺序为侦察固定目标的顺序。
其中,目标函数及对应的约束条件如公式(17)所示。
进一步地,步骤200具体包括:
步骤201:根据所述固定目标信息,确定初始种群;所述初始种群包括多个个体。
步骤202:判断当前迭代次数是否达到最大迭代次数;若是,则将最小的目标优化函数值对应的当前迭代次数的个体确定为最优个体;若否,则将小于设定阈值的目标优化函数值对应的当前迭代次数的个体保留。
步骤203:先对保留下来的个体进行交叉变异操作,得到更新后的个体,其次将更新后的个体中的无人机数量和频谱使用时间进行调整,得到二次更新后的个体,接着基于目标优化函数,计算每个二次更新后的个体的目标优化函数值,并根据目标优化函数值,产生下一次迭代对应的个体,最后将下一次迭代对应的个体作为禁忌搜索算法的初始解进行计算,得到更优个体,并根据所述更优个体更新下一次迭代对应的个体。
步骤204:将当前迭代次数更新为下一迭代次数,将当前迭代次数的个体更新为更新后的下一次迭代对应的个体,并计算更新后的当前迭代次数的个体的目标优化函数值,返回步骤202。
遗传算法(Genetic algorithm,GA)具有很强的全局探索能力,能在解空间中的大部分区域进行广泛搜索。禁忌搜索(Tabu Search,TS)具有较强的局部搜索能力,能与遗传算法形成互补关系。本发明设计改进的遗传禁忌搜索混合算法,首先利用遗传算法的交叉、变异操作产生解空间内差异较大的个体,确保种群多样性,然后再利用禁忌搜索算法的局部搜索能力,使个体不断突破已经达到的局部最优解。遗传算法的分布式搜索和禁忌算法的集中式搜索相互作用,最终收敛到近似最优解,其算法的流程如图6所示。
种群经过交叉和变异后,产生新的无人机侦察方案,但因为交叉变异的随机性,可能产生超出解空间的个体,利用无人机数量调整和频谱使用时间调整两个模块,确保无人机分配的固定目标量不会超出其电池容量约束,且频谱使用时间相互分离,不产生干扰。在进化的后期,为突破已有的局部最优解,利用禁忌搜索算法增加算法获得全局最优解的概率。
采用两条染色体表示无人机的侦察方案,其中一条长度为K的染色体表示各固定目标的侦察顺序,另一条长度为M的染色体表示各无人机的侦察固定目标数量。图7展示了3架无人机侦察10个固定目标的两条染色体技术例子,其中无人机1按4、2和5的顺序对3个目标进行侦察,其余无人机分配的任务类似。
交叉是结合两个父代信息产生子代的方法,它有可能产生更优秀的子代个体。但由于目标编号的唯一性和侦察顺序的有向性,传统的交叉方法容易产生侦察目标的遗漏和重复,为了解决这个问题,本文对交叉算子进行了调整,在传承不同父代特征的同时,也保证了子代的正确性。具体的交叉方法如图8所示,两条父代染色体经过传统交叉算子后,产生的子代c1中侦察目标1和2重复出现,且3和7被遗漏,去除重复的目标,按原先的顺序补齐遗漏的目标,以产生正确的子代。
变异是为防止较好的个体占领整个种群而过早地收敛于局部最优解,它增加了算法的全局搜索能力。由于本发明采用两条染色体技术,需要分别考虑对无人机数量、每架无人机侦察数量和侦察目标顺序的变异。
为了尽量探索最少无人机数量的侦察方案,在无人机数量的变异中,固定目标量最少的两架无人机合并,生成减少一架无人机执行任务的方案。在侦察数量的变异中,随机选取两架无人机,给其中一架无人机的侦察目标增加一个,同时另一架减少一个。侦察目标顺序的变异中,随机选取两个侦察目标,对其位置进行互换。经过变异后,可能产生更好的新方案,能在遗传算法的选择操作中有更大的概率保留至下一代。
为保证个体满足无人机的电池容量和频谱使用时间不冲突的要求,需要对交叉变异产生的新方案进行可行性处理,包含因电池容量限制的无人机数量调整和频谱冲突的频谱使用时间调整两部分内容。频谱使用时间调整已在图2中进行了具体叙述,下面描述无人机数量调整方案。
本发明采用增加无人机数量的方式进行新方案的可行性处理,使所有无人机分配的固定目标量都在其电池容量范围之内。具体操作如图9所示,假设无人机2产生的能耗超过了其电池容量,为其增加1架无人机分担部分任务,直到所有无人机的任务能耗都在其电池容量范围内。
随着遗传算法进化代数的增加,种群中不同个体的差异也逐步减小,这导致了遗传算法进化速度变缓。本发明引入禁忌搜索算法,当遗传算法的进化代数达到最大代数的一定比例后,以种群的部分个体作为初始解,利用禁忌搜索算法进行局部搜索,寻求更优的解方案。禁忌搜索算法的具体流程如图10所示。本发明采用2-opt的邻域搜索算子,以个体为初始解,随机选择侦察固定目标染色体中的两个固定目标并交换他们的顺序,以搜寻更优的侦察顺序。
为了验证所提改进的遗传禁忌混合算法的效率和有效性,将其与遗传算法与禁忌搜索算法的性能进行了比较。仿真还展示了不同任务参数下的算法性能。为使仿真参数设置更为合理,无人机和任务的参数设置如表1所示。
表1仿真参数设置
图11展示了固定目标量为10和14时的无人机任务规划与频谱使用时间划分结果。由图11可知,算法会根据目标规模的变化,派遣不同数量的无人机,并为每架无人机规划合理的侦察顺序和频谱使用时间,消除通信干扰。无人机的任务规划并不只是最小飞行距离为目标,而是要综合考虑无人机的电池容量、目标距离和侦察顺序所产生的频谱等待时间的能量消耗,合理安排每架无人机的固定目标量与目标侦察顺序,并为每架无人机规划相应的频谱使用时间。当有10个侦察目标时,需要有3架无人机协同完成,总消耗能量237.93kJ。随着固定目标量增大到14个,需要的能量为288.01kJ,超过了3架无人机携带的能量,算法将无人机数量增加到4架。在算法的“频谱时间调整”步骤,将各无人机的频谱冲突时间按照最小能耗消耗为准则进行避让,在消除干扰的同时,最小化因频谱等待而产生的无人机能量消耗。
为了检验所提算法的有效性,将其与遗传算法和禁忌搜索算法进行对比。图12展示了三种算法分别在固定目标量为10和14个目标两种场景下的对比结果。禁忌搜索算法由于其全局搜索能力较差,容易陷入局部最优解,经过同样的进化代数,所得方案的无人机能耗明显高于遗传算法和所提算法。遗传算法以轮盘赌的方式产生新的种群,更优的个体以更大的概率得以保留至下一代。这种方式能够扩大算法的全局搜索范围,但同时也使算法收敛速度变慢。所提算法因为结合了遗传算法的全局搜索和禁忌搜索算法的局部搜索特点,能够克服遗传算法的这一缺点,在前250代利用遗传算法大范围搜索较优的可行解,而后将遗传算法与禁忌搜索算法相结合,增强了算法的寻优能力。由图可知,在250代后,所提算法开始明显优于遗传算法,这是由于所提算法的局部搜索能力的优势开始凸显,它能够改善遗传算法收敛速度变慢的缺陷,进一步降低了无人机的能耗需求。完成相同的固定目标量时,所提算法实现了最低的能耗,说明了算法的有效性。
图13展示了不同算法在固定目标量变化时的能耗和无人机数量需求结果。当固定目标量较少时,解空间规模较小,三种算法都能够得到最优解。随着固定目标量的增加,解空间规模呈指数式增长,算法的差距也增大。禁忌搜索算法因全局搜索能力不足,容易陷入局部最优解,因此所需无人机数量最多,能耗最大。所提算法相比遗传算法和禁忌搜索算法,实现了最少的无人机数量和能耗需求,即使与遗传算法有相同的无人机数量需求,也能够通过禁忌搜索的局部搜索方式,进一步优化无人机的侦察顺序,降低能耗。同时,当固定目标量越大时,对无人机的数量需求越多,解空间的复杂度也越大,所提算法有效地结合了全局搜索与局部搜索,因此优势也更明显。
研究了侦察任务的无人机与频谱资源联合规划问题,以求解最少的无人机数量、目标侦察顺序和频谱使用时间。改进了遗传算法,实现不同无人机数量的侦察方案的逐步寻优。利用待优化变量与能耗的耦合关系,将问题转化为无人机的能耗优化,并设计了遗传禁忌混合算法。首先利用遗传算法的全局寻优能力,产生广泛分布的候选解,再利用禁忌搜索算法的集中搜索特点,进行精细化局部搜索,得到最优解。所提算法能够根据固定目标量的变化,自动调整侦察无人机的数量,并为各无人机规划目标侦察顺序和频谱使用时间,结合了遗传算法和禁忌搜索算法的优势,改善了遗传算法收敛速度会变慢的缺陷。仿真结果证明了所提算法的有效性,它能够减少无人机的数量需求和能耗。此外,固定目标量越多,所提算法的优势越明显,可以支持无人机的集群使用。
实施例二
本发明实施例提供的一种无人机数量编配与频谱资源优化装置,包括:
数据获取模块,获取分布在研究地面区域上的固定目标信息;所述固定目标信息包括固定目标的数量以及每个所述固定目标的位置。
最优个体确定模块,用于根据所述固定目标信息和目标优化函数,采用遗传禁忌搜索算法,确定最优个体;所述目标优化函数为在无人机电池容量的限制下,优化无人机的数量、每架无人机的侦察顺序和频谱使用时间,使多无人机系统的总能耗最小的函数;所述遗传禁忌搜索算法为采用禁忌搜索算法对遗传算法进行改进后得到的算法;所述个体包括无人机的数量以及每个所述无人机对应的侦察顺序;所述侦察顺序为侦察固定目标的顺序。
实施例三
本发明实施例提供一种电子设备包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一的无人机数量编配与频谱资源优化方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的无人机数量编配与频谱资源优化方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种无人机数量编配与频谱资源优化方法,其特征在于,包括:
获取分布在研究地面区域上的固定目标信息;所述固定目标信息包括固定目标的数量以及每个所述固定目标的位置;
根据所述固定目标信息和目标优化函数,采用遗传禁忌搜索算法,确定最优个体;所述目标优化函数为在无人机电池容量的限制下,优化无人机的数量、每架无人机的侦察顺序和频谱使用时间,使多无人机系统的总能耗最小的函数;所述遗传禁忌搜索算法为采用禁忌搜索算法对遗传算法进行改进后得到的算法;所述个体包括无人机的数量以及每个所述无人机对应的侦察顺序;所述侦察顺序为侦察固定目标的顺序。
2.根据权利要求1所述的一种无人机数量编配与频谱资源优化方法,其特征在于,所述目标优化函数以及对应的约束条件为:
其中,M表示无人机的数量,π={π1,...,πM}表示不同无人机的侦察顺序集合,表示不同无人机的频谱使用时间集合,m表示第m个无人机,Em表示无人机m的总能耗;π1表示无人机1的侦察顺序,πM表示无人机M的侦察顺序;/>表示无人机1的频谱使用时间,/>表示无人机M的频谱使用时间;
C2表示每个固定目标都必须有一架无人机前往侦察的约束条件;ωm,k表示固定目标k分配给无人机m;
C3表示允许所有固定目标都由一架无人机前往侦察的约束条件;K表示固定目标的数量的约束条件;
7.根据权利要求3所述的一种无人机数量编配与频谱资源优化方法,其特征在于,所述根据所述固定目标信息和目标优化函数,采用遗传禁忌搜索算法,确定最优个体,具体包括:
根据所述固定目标信息,确定初始种群;所述初始种群包括多个个体;
判断当前迭代次数是否达到最大迭代次数;
若是,则将最小的目标优化函数值对应的当前迭代次数的个体确定为最优个体;
若否,则将小于设定阈值的目标优化函数值对应的当前迭代次数的个体保留;
对保留下来的个体进行交叉变异操作,得到更新后的个体;
将更新后的个体中的无人机数量和频谱使用时间进行调整,得到二次更新后的个体;
基于目标优化函数,计算每个二次更新后的个体的目标优化函数值,并根据目标优化函数值,产生下一次迭代对应的个体;
将下一次迭代对应的个体作为禁忌搜索算法的初始解进行计算,得到更优个体,并根据所述更优个体更新下一次迭代对应的个体;
将当前迭代次数更新为下一迭代次数,将当前迭代次数的个体更新为更新后的下一次迭代对应的个体,并计算更新后的当前迭代次数的个体的目标优化函数值,返回步骤:判断当前迭代次数是否达到最大迭代次数。
8.一种无人机数量编配与频谱资源优化装置,其特征在于,包括:
数据获取模块,获取分布在研究地面区域上的固定目标信息;所述固定目标信息包括固定目标的数量以及每个所述固定目标的位置;
最优个体确定模块,用于根据所述固定目标信息和目标优化函数,采用遗传禁忌搜索算法,确定最优个体;所述目标优化函数为在无人机电池容量的限制下,优化无人机的数量、每架无人机的侦察顺序和频谱使用时间,使多无人机系统的总能耗最小的函数;所述遗传禁忌搜索算法为采用禁忌搜索算法对遗传算法进行改进后得到的算法;所述个体包括无人机的数量以及每个所述无人机对应的侦察顺序;所述侦察顺序为侦察固定目标的顺序。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至7中任一项所述的无人机数量编配与频谱资源优化方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的无人机数量编配与频谱资源优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211478011.1A CN116339368A (zh) | 2022-11-23 | 2022-11-23 | 无人机数量编配与频谱资源优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211478011.1A CN116339368A (zh) | 2022-11-23 | 2022-11-23 | 无人机数量编配与频谱资源优化方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116339368A true CN116339368A (zh) | 2023-06-27 |
Family
ID=86876381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211478011.1A Pending CN116339368A (zh) | 2022-11-23 | 2022-11-23 | 无人机数量编配与频谱资源优化方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116339368A (zh) |
-
2022
- 2022-11-23 CN CN202211478011.1A patent/CN116339368A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Self-organizing relay selection in UAV communication networks: A matching game perspective | |
Liu et al. | Task-driven relay assignment in distributed UAV communication networks | |
Qiao et al. | Collaborative task offloading in vehicular edge multi-access networks | |
Abrar et al. | Energy efficient UAV-enabled mobile edge computing for IoT devices: A review | |
CN108632831B (zh) | 一种基于动态航迹的无人机群频谱资源分配方法 | |
CN112737837B (zh) | 一种高动态网络拓扑下无人机群带宽资源分配方法 | |
Chen et al. | VFC-based cooperative UAV computation task offloading for post-disaster rescue | |
CN113395676B (zh) | 一种基于重叠联盟形成博弈的无人机任务协作方法 | |
Wang et al. | Energy-efficient UAV deployment and task scheduling in multi-UAV edge computing | |
CN113487220B (zh) | 面向静态目标观测的空天异构对地观测资源协同调度方法 | |
Wu et al. | Load balance and trajectory design in multi-UAV aided large-scale wireless rechargeable networks | |
CN113660681A (zh) | 一种应用于无人机集群辅助传输的多智能体资源优化方法 | |
Fu et al. | Joint power allocation and 3D deployment for UAV-BSs: A game theory based deep reinforcement learning approach | |
Zhang et al. | Deep reinforcement learning for aerial data collection in hybrid-powered NOMA-IoT networks | |
Wu et al. | Delay-aware edge-terminal collaboration in green internet of vehicles: A multiagent soft actor-critic approach | |
Pan et al. | Fresh data collection for UAV-assisted IoTs based on proximity-remote region collaboration | |
CN114217638A (zh) | 一种任务驱动下的移动台站信息采集动态部署方法 | |
Wang et al. | Joint optimization of resource allocation and computation offloading based on game coalition in C-V2X | |
Nguyen et al. | EdgePV: collaborative edge computing framework for task offloading | |
CN115765826B (zh) | 一种面向按需服务的无人机网络拓扑重构方法 | |
CN116339368A (zh) | 无人机数量编配与频谱资源优化方法、装置、设备及介质 | |
CN110662272A (zh) | 一种基于蜂群无人机的最少数量领航者选取方法 | |
Cao et al. | UAV-based emergency communications: An iterative two-stage multi-agent soft actor-critic approach for optimal association and dynamic deployment | |
Yan et al. | Energy Consumption Modeling and Optimization of UAV-Assisted MEC Networks Using Deep Reinforcement Learning | |
Liu et al. | Dependency-aware task offloading for vehicular edge computing with end-edge-cloud collaborative computing |
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 |