CN117519244B - 无人机集群协同探测多目标的路径规划方法及系统 - Google Patents

Abstract

本发明提出了无人机集群协同探测多目标的路径规划方法及系统，属于无人机的技术领域。首先将整个场景建模成为多旅行商为题，后对整个问题进行求解。第一阶段首先利用K均值聚类算法将目标点进行聚类，将多旅行商问题转换成多个单旅行商问题，第二阶段利用改进的遗传算法对单旅行商问题进行求解。相比于传统遗传算法，本方法首先利用贪婪算法生成初始种群，其次设置了遗传参数自适应调节策略，避免遗传进化代数与个体适应陷入局部最优解，同时提高了寻优的速度；并且为保证优秀基因结构的保留，设置了精英个体保留的策略。经试验证明，二阶段的路径规划方法对于传统的分组遗传算法全局收敛效果更好且收敛速度更快。

Description

无人机集群协同探测多目标的路径规划方法及系统

技术领域

本发明属于无人机的技术领域，特别是涉及无人机集群协同探测多目标的路径规划方法及系统。

背景技术

随着无人机蜂群技术的发展，无人机协同搜索无论在军事领域还是在民用领域都有着重要的作用。其中，无人机对于多目标的协同搜索更是其中的热门问题。传统的路径规划方法是将整个场景建模成为多旅行商问题，利用常规的分组遗传算法来求解。但当目标点的规模由数十个增长到数百个后，常规的分组遗传算法将会出现计算效率低，全局收敛性差的问题。

发明内容

本发明为解决上述背景技术中存在的技术问题，提供了无人机集群协同探测多目标的路径规划方法及系统。

本发明采用以下技术方案：无人机集群协同探测多目标的路径规划方法，包括以下步骤：

针对无人机集群协同探测多目标点进行数学建模：定义无人机集群的出发点为坐标原点O，由m架无人机组成的无人机集群表示为U＝{U₁,U₂,…,U_m}，由n个目标点组成的任务集合为T＝{T₁,T₂,…,T_n}；当集群完成探测后，再重新返回至坐标原点O；

将整个无人机集群的任务转换成多旅行商的问题，将n个目标点聚类成为N个集群，将多旅行商问题转换成N个单旅行商问题，其中，N＜n；

对每个单旅行商问题进行求解：在任务集合T中生成初始种群，引入遗传参数自适应调节策略，采用适应度函数计算得到初始种群中每个个体的适应度值；引入精英个体保留策略，迭代出适应度值最高的个体，直至最高的适应度值满足条件，得到满意路径：最高的适应度值对应个体的路径。

在进一步的实施例中，将整个无人机集群的任务转换成多旅行商的问题的转化步骤如下：

无人机U_i对K_i个目标点依次进行探测，获取路径信息点得到路径信息点集合R_i＝{O,T_i1,T_i2,…,T_in,O}；其中，U_i∈[U₁,U_m]，T_in表示无人机U_i探测的第K_i个路径信息点，n∈[1,K_i]，

采用公式(1)计算探测路径的总长度L_i：

其中，T_j表示XXX；

记最后一架无人机飞回坐标原点O的时间为任务完成时间t_max，假设无人机飞行速度为恒定，则采用公式(2)求得最小探测路径长度：

式中，L_max为无人机U_i探测过程中的最长长度。

在进一步的实施例中，将多旅行商问题转换成多个单旅行商问题的转化步骤如下：

步骤101、在n个目标点中选取N个目标点作为聚类中心，并表示为：{C₁,C₂,…,C_N}∈T；

步骤102、采用公式(3)计算其他目标点与每个聚类中心之间的距离d，并将其划分到对应的簇中：

其中，k＝1，2，…，N；/>表示XXXX；

步骤103、根据每个聚类中心重新生成信息，表达如公式(4)所示：

式中，x_j、y_j、N_i、N_j分别为XXXXX；

步骤104、重复步骤102和步骤103进行迭代，直至中心点的位置固定。

在进一步的实施例中，所述初始种群的生成流程如下：

步骤201、在任务集合T中随机选择一个目标点作为当前目标T_current，并加入个体中；

步骤202、以当前目标T_current为参照，在任务集合T中找出与之最近的目标点作为下个目标T_next，并将所述下个目标T_next更新为当前目标T_current；

步骤203、重复步骤202，直至所有的目标点都加入个体，得到初步优化的初始群种。

在进一步的实施例中，所述适应函数的公式为：itness(i)＝D/f(R_i)。

在进一步的实施例中，所述遗传参数自适应调节策略包括：自适应交叉概率p_ci调节策略和自适应变异p_m调节策略；

自适应交叉概率p_ci的调节策略如下：

式中，p_ci为个体的发生交叉的概率，h_i为个体的自适应度，h_max为最大适应度，为当前群种的平均适应度；p_cmax为最大的交叉概率，p_cmin为最小的交叉概率，G为设置的最大迭代次数，g为当前的迭代次数；

其中，

p_cmin＝0.5。

在进一步的实施例中，所述自适应变异p_m的调节策略包括：

式中，p_mi为个体的发生变异的概率，h_max为最大适应度，为当前群种的平均适应度；p_mmin为最小的变异概率，p_mmax为最大的变异概率，G为设置的最大迭代次数，g为当前的迭代次数；

其中，

p_mmax＝0.005。

在进一步的实施例中，所述精英个体保留策略如下：将适应函数值最高的个体直接复制纳入交叉配对的父代群体中，当所有父代个体执行完交叉算子后，再沿用精英个体保留机制，用交叉前的精英个体替换交叉后的适应度最差的个体，剔除质量低的个体以保证个体的延续；

每次变异操作都是对最优个体进行，并且采用有选择的变异方式，如果变异后的新个体的适应度低于初始适应度，则放弃新个体，保留原有的最优个体。

无人机集群协同探测多目标的路径规划系统，用于实上所述的路径规划方法，包括：

第一模块，被设置为针对无人机集群协同探测多目标点进行数学建模：定义无人机集群的出发点为坐标原点O，由m架无人机组成的无人机集群表示为U＝{U₁,U₂,…,U_m}，由n个目标点组成的任务集合为T＝{T₁,T₂,…,T_n}；当集群完成探测后，再重新返回至坐标原点O；

第二模块，被设置为将整个无人机集群的任务转换成多旅行商的问题，将n个目标点聚类成为N个集群，将多旅行商问题转换成N个单旅行商问题，其中，N＜n；

第三模块，被设置为对每个单旅行商问题进行求解：在任务集合T中生成初始种群，引入遗传参数自适应调节策略，采用适应度函数计算得到初始种群中每个个体的适应度值；引入精英个体保留策略，迭代出适应度值最高的个体，直至最高的适应度值满足条件，得到满意路径：最高的适应度值对应个体的路径。

本发明的有益效果：本发明提出了一种基于二阶段的无人机集群协同探测多目标的路径规划方法。首先将整个场景建模成为多旅行商为题，后对整个问题进行求解。第一阶段首先利用K均值聚类算法将目标点进行聚类，将多旅行商问题转换成多个单旅行商问题，第二阶段利用改进的遗传算法对单旅行商问题进行求解。相比于传统遗传算法，本方法首先利用贪婪算法生成初始种群，其次设置了遗传参数自适应调节策略，避免遗传进化代数与个体适应陷入局部最优解，同时提高了寻优的速度；并且为保证优秀基因结构的保留，设置了精英个体保留的策略。经试验证明，二阶段的路径规划方法对于传统的分组遗传算法全局收敛效果更好且收敛速度更快。

附图说明

图1为无人机集群协同探测多目标的路径规划方法的流程图。

图2为实施例1的改进的遗传算法流程图。

图3为实施例1中的结果对比图。

具体实施方式

实施例1

本实施例中的路径规划方法指的是无人机的全局路径规划。当多无人机集群协同执行探测任务时，通常会将探测任务进行分解成多个探测目标点，无人机需要从出发点出发，依次经过每一个探测点，当所有探测点都遍历完成后，重新回到原点。由此可见，无人集群协同探测多目标的路径规划与多旅行商问题非常契合，可以作为其数学模型。

本实施例的流程如图1所示，首先对整个无人机集群协同搜索多目标的路径规划问题进行建模，将其转化成为多旅行商问题。后对问题进行求解，第一阶段对目标点进行K均值聚类处理。后利用改进的遗传算法对每一个聚类目标点进行求解，改进思路为首先利用贪婪算法生成初始种群，其次引入精英个体保留策略并且采用有选择的变异方式。后通过实验证明此发明相比于传统的分组遗传算法有着更好的性能与精度。

具体包括以下步骤：针对无人机集群协同探测多目标点进行数学建模：定义无人机集群的出发点为坐标原点O，由m架无人机组成的无人机集群表示为U＝{U₁,U₂,…,U_m}，由n个目标点组成的任务集合为T＝{T₁,T₂,…,T_n}；当集群完成探测后，再重新返回至坐标原点O；其中，坐标原点O以及需要探测的目标点T₁,T₂,…,T_n的坐标信息为已知，整个任务的目标为无人集群中的m架无人机探测完n个目标点并且返回原点，任务约束为需要花费的时间尽量短。

当本探测点到达上百个后，传统的分组遗传算法性能将会下降。先提出一种基于二阶段的多旅行商求解问题。算法的结构如图1所示，第一阶段利用FCM聚类算法对探测目标点进行聚类，将n各目标点聚类成为m个集群，则可将一个多旅行商问题转换成为m个单旅行商问题；第二阶段利用改进的遗传算法对单旅行商问题进行求解，以此来获得每个最小旅行商问题的最小路径。

将整个无人机集群的任务转换成多旅行商的问题，将n个目标点聚类成为N个集群，将多旅行商问题转换成N个单旅行商问题，其中，N＜n。转化步骤具体如下：

无人机U_i对K_i个目标点依次进行探测，获取路径信息点得到路径信息点集合R_i＝{O,T_i1,T_i2,…,T_in,O}；其中，U_i∈[U₁,U_m]，T_in表示无人机U_i探测的第K_i个路径信息点，n∈[1,K_i]，

采用公式(1)计算探测路径的总长度L_i：

其中，T_j表示任务点j，||T_jT_j+1||表示第j个任务点到j+1个任务点的距离，表示第K_i个路径信息点到坐标原点O的距离；

记最后一架无人机飞回坐标原点O的时间为任务完成时间t_max，假设无人机飞行速度为恒定，则采用公式(2)求得最小探测路径长度：

式中，L_max为无人机U_i探测过程中的最长长度。

其对于大规模数据集时，具有计算复杂度低，计算速度快且结果稳定的特定。对于K均值算法而言，首先对n个数据对象里选取m个数据对象作为聚类的中心；对于其他的对象，根据这些对象与这些聚类中心的距离(相似度)，将其分配给各个距离最小的中心，形成类簇。后对这些簇的平均值作为新的聚类中心。不断重新形成新簇直到标准的函数开始收敛，则结束算法。将多旅行商问题转换成多个单旅行商问题的转化步骤如下：

步骤101、在n个目标点中选取N个目标点作为聚类中心，并表示为：{C₁,C₂,…,C_N}∈T；

步骤102、采用公式(3)计算其他目标点与每个聚类中心之间的距离d，并将其划分到对应的簇中：

其中，k＝1，2，…，N；

表示任务点k到聚类中心中心点c的距离；根据公式(3)，生成N个簇，每个簇N_e个目标点。；

步骤103、第e个簇包含N_e个目标点，重新生成第e个簇聚类的中心，计算如公式(4)所示：

式中，x_f表示第f个簇中心点的x轴坐标、y_f表示第f个簇中心点的y轴坐标、N_e表示第e个簇包含N_e个目标点，f∈[1,N_e]；

步骤104、重复步骤102和步骤103进行迭代，直至中心点的位置center(x_f,y_f)的值固定不再变化。

遗传算法是自然选择与基因遗传与基因遗传学原理的搜索算法，其可以寻求全局最优解且不需要初始信息。经典遗传算法解决旅行商问题，是以适应度为依据逐代搜索，其算法主要由编码控制、控制参数、适应度函数与遗传因子共四步构成，其算法流程如下所示。

Step1：确定编码机制，生成初始群，对旅行商问题中的城市编号进行编码，按照访问城市的顺序排列组成编码。

Step2：计算种群每个个体的适应度值。适应度函数fitness(i)＝D/f(R_i)。通过设置常数D，防止路径数值过大使适应度函数接近于0。

Step3：选择算子。通常利用精英个体保存策略与轮赌选择算子，即适应度最高的个体一定会被选择，则每个个体被选择的概率和累计概率分别为：

Step4：交叉算子。有交叉概率p_c选择若干父体并进行配对，按照交叉算法的规则生成新个体，常用的规范方法有单点交叉、部分映射交叉、循环交叉等。

Step5：变异算子。为了保证种群个体的多样性，防止陷入局部最优解，则需要按照一定的变异概率p_m随机确定变异个体，并执行变异操作，通常按照逆序来确定变异算子。

Step6:终止迭代。当达到终止条件后停止迭代，认为是满意路径。否则跳转Step2，计算新一代种群中的个体适应度值。

传统遗传算法存在收敛速度慢、容易陷入局部最优解且优化精度不明显的情况。现对传统的遗传算法进行改进。如图2所示，首先利于遗传算法生成初始种群，后进行适应度函数计算，其次分别经过选择算子，基于精英个体保留的交叉算子，基于选择的变异算子的计算后，重复迭代直到满足条件。

对每个单旅行商问题进行求解：在任务集合T中生成初始种群，引入遗传参数自适应调节策略，采用适应度函数计算得到初始种群中每个个体的适应度值。本实施例中的适应度函数根据实际需求进行选择与切换，为现有的函数，故不赘述。引入精英个体保留策略，迭代出适应度值最高的个体，直至最高的适应度值满足条件，得到满意路径：最高的适应度值对应个体的路径。具体如下：所述初始种群的生成流程如下：

步骤201、在任务集合T中随机选择一个目标点作为当前目标T_current，并加入个体中；

步骤202、以当前目标T_current为参照，在任务集合T中找出与之最近的目标点作为下个目标T_next，并将所述下个目标T_next更新为当前目标T_current；

步骤203、重复步骤202，直至所有的目标点都加入个体，得到初步优化的初始群种。

传统遗传算法中交叉概率p_c与变异概率p_m保持不变，在此通过设置自适应调节机制使其实时变化，提升寻优速度。因此，本实施例中的遗传参数自适应调节策略包括：自适应交叉概率p_ci调节策略和自适应变异p_m调节策略；

自适应交叉p_ci对种群个体中的更新速度造成影响，如果其值固定不变，设定过大会将好的遗传模式造成影响，设定过小又会降低算法的搜索速度，增加其迭代次数甚至陷入局部最优。在此设计自适应调节的策略，即在进化初期设置较大的p_ci值加快种群的进化，在进化后期自动缩小p_ci值，保证其优良基因的延续，

自适应交叉概率p_ci的调节策略如下：

式中，p_ci为个体的发生交叉的概率，初期值较高，后期经过调整数值自动降低。h_i为个体的自适应度，h_max为最大适应度，为当前群种的平均适应度；p_cmax为最大的交叉概率，p_cmin为最小的交叉概率，G为设置的最大迭代次数，g为当前的迭代次数；

其中，

p_cmin＝0.5。

自适应变异p_mi影响种群的变异情况，当设置过大时，算法将失去了遗传的特性，当期设置过小时，种群将会失去多样性，使得种群陷入到局部最优解。自适应变异p_mi的调节策略包括：

式中，p_mi为个体的发生变异的概率，当迭代次数变多时，集群进化进入稳定阶段，将有可能产生局部最优解，则加大变异的概率；集群进化初期，变异概率降低，进化后期变异概率升高。h_max为最大适应度，为当前群种的平均适应度；p_mmin为最小的变异概率，p_mmax为最大的变异概率，G为设置的最大迭代次数，g为当前的迭代次数；

其中，

p_mmax＝0.005。

所述精英个体保留策略如下：将适应函数值最高的个体直接复制纳入交叉配对的父代群体中，当所有父代个体执行完交叉算子后，再沿用精英个体保留机制，用交叉前的精英个体替换交叉后的适应度最差的个体，剔除质量低的个体以保证个体的延续；

每次变异操作都是对最优个体进行，并且采用有选择的变异方式，如果变异后的新个体的适应度低于初始适应度，则放弃新个体，保留原有的最优个体。

结合上述描述，在python环境中进行仿真。现假设在1000×1000的环境中存在200个随机点作为目标点，目标点坐标已知。现设置初始原点坐标为(250,250)，共3架无人机进行飞行，遗传算法种群大小设置为60，迭代次数为500，交叉概率为0.65，变异概率为0.25。对比方法分别为传统的分组遗传算法，以及本文提出的方法，根据图3所示，可以发现本发明提出的方法收敛较快，仅在50次左右收敛到最小值且飞行距离较近，表明此发明的优越性。

实施例2

无人机集群协同探测多目标的路径规划系统，用于实现实施例1所述的路径规划方法，包括：

第一模块，被设置为针对无人机集群协同探测多目标点进行数学建模：定义无人机集群的出发点为坐标原点O，由m架无人机组成的无人机集群表示为U＝{U₁,U₂,…,U_m}，由n个目标点组成的任务集合为T＝{T₁,T₂,…,T_n}；当集群完成探测后，再重新返回至坐标原点O；

第二模块，被设置为将整个无人机集群的任务转换成多旅行商的问题，将n个目标点聚类成为N个集群，将多旅行商问题转换成N个单旅行商问题，其中，N＜n；

第三模块，被设置为对每个单旅行商问题进行求解：在任务集合T中生成初始种群，引入遗传参数自适应调节策略，采用适应度函数计算得到初始种群中每个个体的适应度值；引入精英个体保留策略，迭代出适应度值最高的个体，直至最高的适应度值满足条件，得到满意路径：最高的适应度值对应个体的路径。

Claims (4)

1.无人机集群协同探测多目标的路径规划方法，其特征在于，包括以下步骤：

针对无人机集群协同探测多目标点进行数学建模：定义无人机集群的出发点为坐标原点O，由m架无人机组成的无人机集群表示为U＝{U₁,U₂,…,U_m}，由n个目标点组成的任务集合为T＝{T₁,T₂,…,T_n}；当集群完成探测后，再重新返回至坐标原点O；

将整个无人机集群的任务转换成多旅行商的问题，将n个目标点聚类成为N个集群，将多旅行商问题转换成N个单旅行商问题，其中，N＜n；

对每个单旅行商问题进行求解：在任务集合T中生成初始种群，引入遗传参数自适应调节策略，采用适应度函数计算得到初始种群中每个个体的适应度值；引入精英个体保留策略，迭代出适应度值最高的个体，直至最高的适应度值满足条件，得到满意路径：最高的适应度值对应个体的路径；

将整个无人机集群的任务转换成多旅行商的问题的转化步骤如下：

无人机U_i对K_i个目标点依次进行探测，获取路径信息点得到路径信息点集合R_i＝{O,T_i1,T_i2,…,T_in,O}；其中，U_i∈[U₁,U_n]，T_in表示无人机U_i探测的第K_i个路径信息点，n∈[1,K_i]，

采用公式(1)计算探测路径的总长度L_i：

其中，T_j表示任务点j，||T_jT_j+1||表示第j个任务点到j+1个任务点的距离，||T_ikiO||表示第K_i个路径信息点到坐标原点O的距离；

记最后一架无人机飞回坐标原点O的时间为任务完成时间t_max，假设无人机飞行速度为恒定，则采用公式(2)求得最小探测路径长度：

式中，L_max为无人机U_i探测过程中的最长长度；

将多旅行商问题转换成多个单旅行商问题的转化步骤如下：

步骤101、在n个目标点中选取N个目标点作为聚类中心，并表示为：{C₁,C₂,…,C_N}∈T；

步骤102、采用公式(3)计算其他目标点与每个聚类中心之间的距离d，并将其划分到对应的簇中：

其中，k＝1，2，…，N；

表示任务点k到聚类中心中心点c的距离；根据公式(3)，生成N个簇，每个簇N_e个目标点；

步骤103、第e个簇包含N_e个目标点，重新生成第e个簇聚类的中心，计算如公式(4)所示：

式中，x_f表示第f个簇中心点的x轴坐标、y_f表示第f个簇中心点的y轴坐标、N_e表示第e个簇包含N_e个目标点，f∈[1,N_e]；

步骤104、重复步骤102和步骤103进行迭代，直至中心点的位置center(x_f,y_f)的值固定不再变化；

所述初始种群的生成流程如下：

步骤201、在任务集合T中随机选择一个目标点作为当前目标T_current，并加入个体中；

步骤202、以当前目标T_current为参照，在任务集合T中找出与之最近的目标点作为下个目标T_next，并将所述下个目标T_next更新为当前目标T_current；

步骤203、重复步骤202，直至所有的目标点都加入个体，得到初步优化的初始群种；

所述遗传参数自适应调节策略包括：自适应交叉概率p_ci调节策略和自适应变异p_m调节策略；

自适应交叉概率p_ci的调节策略如下：

式中，p_ci为个体的发生交叉的概率，h_i为个体的自适应度，h_max为最大适应度，为当前群种的平均适应度；p_cmax为最大的交叉概率，p_cmin为最小的交叉概率，G为设置的最大迭代次数，g为当前的迭代次数；

其中，

p_cmin＝0.5。

2.根据权利要求1所述的无人机集群协同探测多目标的路径规划方法，其特征在于，所述自适应变异p_m的调节策略包括：

式中，p_mi为个体的发生变异的概率，h_max为最大适应度，为当前群种的平均适应度；p_mmin为最小的变异概率，p_mmax为最大的变异概率，G为设置的最大迭代次数，g为当前的迭代次数；

其中，

p_mmax＝0.005。

3.根据权利要求1所述的无人机集群协同探测多目标的路径规划方法，其特征在于，所述精英个体保留策略如下：将适应函数值最高的个体直接复制纳入交叉配对的父代群体中，当所有父代个体执行完交叉算子后，再沿用精英个体保留机制，用交叉前的精英个体替换交叉后的适应度最差的个体，剔除质量低的个体以保证个体的延续；

每次变异操作都是对最优个体进行，并且采用有选择的变异方式，如果变异后的新个体的适应度低于初始适应度，则放弃新个体，保留原有的最优个体。

4.无人机集群协同探测多目标的路径规划系统，用于实现权利要求1至3中任意一项所述的路径规划方法，其特征在于，包括：

第一模块，被设置为针对无人机集群协同探测多目标点进行数学建模：定义无人机集群的出发点为坐标原点O，由m架无人机组成的无人机集群表示为U＝{U₁,U₂,…,U_m}，由n个目标点组成的任务集合为T＝{T₁,T₂,…,T_n}；当集群完成探测后，再重新返回至坐标原点O；

第二模块，被设置为将整个无人机集群的任务转换成多旅行商的问题，将n个目标点聚类成为N个集群，将多旅行商问题转换成N个单旅行商问题，其中，

N＜n；

第三模块，被设置为对每个单旅行商问题进行求解：在任务集合T中生成初始种群，引入遗传参数自适应调节策略，采用适应度函数计算得到初始种群中每个个体的适应度值；引入精英个体保留策略，迭代出适应度值最高的个体，直至最高的适应度值满足条件，得到满意路径：最高的适应度值对应个体的路径。