WO2021027265A1 - 计算无人机集群重新编队的最短编队距离的方法 - Google Patents

计算无人机集群重新编队的最短编队距离的方法 Download PDF

Info

Publication number
WO2021027265A1
WO2021027265A1 PCT/CN2020/073536 CN2020073536W WO2021027265A1 WO 2021027265 A1 WO2021027265 A1 WO 2021027265A1 CN 2020073536 W CN2020073536 W CN 2020073536W WO 2021027265 A1 WO2021027265 A1 WO 2021027265A1
Authority
WO
WIPO (PCT)
Prior art keywords
formation
shortest
recursive
matrix
path
Prior art date
Application number
PCT/CN2020/073536
Other languages
English (en)
French (fr)
Inventor
张迎周
黄秋月
傅建清
陈宏建
肖雁冰
Original Assignee
南京邮电大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 南京邮电大学 filed Critical 南京邮电大学
Publication of WO2021027265A1 publication Critical patent/WO2021027265A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations

Definitions

  • the invention relates to a method for calculating the shortest formation distance of a UAV cluster re-formation, belonging to the field of UAV formation.
  • re-formation is an unavoidable problem that multi-agents will encounter in the operation process.
  • This process refers to the process of agents from being disrupted to new formations.
  • the shortest formation distance problem refers to finding a feasible algorithm that minimizes the total travel distance of all agents in the re-formation process.
  • the present invention uses a recursive idea to describe the traversal algorithm. As we all know, recursion is easy to cause the stack to burst. Once the stack bursts, the calculation process will report an error and affect the operation of the entire program.
  • the purpose of the present invention is to provide a method for calculating the shortest formation distance for the re-formation of a UAV cluster to solve the stack explosion problem caused by recursion, thereby improving the readability, maintainability and responsiveness of the entire system program.
  • the present invention provides a method for calculating the shortest formation distance of a UAV cluster re-formation, which mainly includes the following steps:
  • Step S1 Design a recursive algorithm, and preprocess the recursive algorithm to find the recursive code part;
  • Step S2 Convert the recursive code part of the recursive algorithm into a tail recursive form using CPS technology
  • Step S3 Use Trampoline technology to optimize the tail recursion form to obtain a tail recursion algorithm
  • Step S4 Use the optimized tail recursion algorithm to calculate the shortest formation distance and the shortest formation path set for the re-formation of the UAV cluster.
  • step S2 specifically includes:
  • Step S21 Add a cont parameter to the recursive function in the recursive algorithm to mark the part that needs to be converted;
  • Step S22 Use the CPS technology to transform, and transform all the recursive functions in the recursive algorithm into a tail recursive form.
  • step S3 specifically includes:
  • Step S32 Use the Trampoline technology to manually force the function called by the next layer to pop up, prohibit the interpreter's stack pushing behavior, and change the tail recursion form to the loop form.
  • the preprocessing in step S1 is: calculating the formation distance matrix of n drones, that is, the n-order matrix D according to the position set before and after the re-formation of the drone cluster.
  • the path stack S is set to store the path dn , n 'of a single UAV to move after re-formation.
  • the shortest formation distance S min is the value of the path stack S
  • the value of the path stack S is the sum of all matrix elements d n, n'in the current path stack.
  • the shortest formation distance algorithm is:
  • Step 1 Initialize the n-order matrix D, set the initial path stack S to be empty, the initial shortest formation path set S out is empty, and the initial shortest formation distance S min is + ⁇ ;
  • Step 2 If the current matrix dimension n is 0, calculate the value of the current path stack S, and compare the current path stack S with the known shortest formation distance S min , output the minimum of the two, and input the minimum value to The shortest formation distance S min , input the current path to the shortest formation path set S out , and go to step 6; if the current matrix dimension n is not 0, go to step 3;
  • Step 3 Select the matrix elements d n, n'one by one in the first row of the current matrix and input the matrix elements d n, n'into the path stack S;
  • Step 4 Push the current matrix to the stack, delete all elements in the row and column of the matrix element d n, n', and reduce the current matrix by one order;
  • Step 5 Repeat step 2;
  • Step 6 Perform a pop operation on the path stack S to restore the n-order matrix D;
  • Step 7 If the elements in the first row of the n-order matrix D have not been selected, go to step 3, otherwise go to step 8;
  • Step 8 Output the shortest formation distance S min and the shortest formation path set S out .
  • the present invention uses a recursive algorithm to calculate the shortest formation path set after the drone cluster is re-formed, which can improve the endurance of the drone during mission execution, reduce system consumption, and optimize the recursive algorithm by tail recursion. , Effectively solve the problem of stack explosion caused by recursive algorithm, and ensure the normal operation of the program.
  • Fig. 1 is an algorithm flow chart of the present invention for calculating the shortest formation distance of the UAV cluster re-formation.
  • Fig. 2 is a schematic diagram of the process of stacking matrix elements and matrix reduction in the algorithm shown in Fig. 1.
  • Figure 3 is a schematic diagram of the process of popping from the stack and selecting different elements in the secondary matrix to complete the new full arrangement in the algorithm shown in Figure 1.
  • FIG. 4 is a schematic diagram of the process of unstacking matrix elements and restoring the n-order matrix D in the algorithm shown in FIG. 1.
  • the present invention discloses a method for calculating the shortest formation distance for re-formation of a UAV cluster, which mainly includes the following steps:
  • Step S1 Design a recursive algorithm, and preprocess the recursive algorithm to find the recursive code part;
  • Step S2 Convert the recursive code part of the recursive algorithm into a tail recursive form using CPS technology
  • Step S3 using Trampoline technology to optimize the tail recursion form to obtain a tail recursion algorithm
  • Step S4 Use the optimized tail recursion algorithm to calculate the shortest formation distance and the shortest formation path set for the re-formation of the UAV cluster.
  • step S1 specifically includes:
  • Step S12 Design a shortest formation algorithm.
  • the shortest formation distance refers to the smallest sum of the UAV's travel in the formation change process within a limited time, denoted as S min ;
  • Step S13 Suppose there will be n! A full arrangement, design a recursive traversal algorithm, assuming that traversal from the first row of the n-order matrix D, the basic idea of the algorithm is that if the decision process of the first n-1 steps is known, the decision of the nth step only In the nth row, select the elements of different columns one by one, and obtain the current optimal solution set through comparison;
  • Step S14 Design the decision-making process, initialize a shortest path S out to be empty, and set an initial path stack S to store the path dn ,n' that a single UAV will move after re-forming.
  • the value of the path stack S is the current path
  • step S2 specifically includes:
  • Step S21 Add a cont parameter to the recursive function in the recursive algorithm, mark the part that needs to be transformed, and prepare for the subsequent CPS transformation;
  • Step S22 Use the CPS technology to transform, and transform all the recursive functions in the recursive algorithm into a tail recursive form.
  • step S3 specifically includes:
  • parameters exceeding a certain range are pushed onto the stack, which will cause a stack explosion;
  • Step S32 Next, deal with the problem of stack push, use Trampoline technology to manually force the function called by the next layer to pop up, prohibit the interpreter's stack push behavior, essentially changing the tail recursion form to the loop form.
  • each step of the decision-making process starts from the first row of the current formation distance matrix to select elements one by one and push the elements into the stack. Then the matrix is reduced in order, the rows and columns of the stacked elements are deleted, and the next decision is started.
  • the condition for the end of the recursion is that the current matrix is empty, which means that the path stack S has completed a full row. After calculating the full row result once, the elements in the path stack S are popped out. At this time, the corresponding matrix is upgraded to restore the row and column where the popped element is located, and the next full row process is started.
  • Step 1 Initialize the n-order matrix D, set the initial path stack S to be empty, the initial shortest formation path set S out is empty, and the initial shortest formation distance S min is + ⁇ ;
  • Step 2 If the current matrix dimension n is 0, calculate the value of the current path stack S, and compare the current path stack S with the known shortest formation distance S min , output the minimum of the two, and input the minimum value to The shortest formation distance S min , input the current path to the shortest formation path set S out , and go to step 6; if the current matrix dimension n is not 0, go to step 3;
  • Step 3 Select the matrix elements d n, n'one by one in the first row of the current matrix and input the matrix elements d n, n'into the path stack S;
  • Step 4 Push the current matrix to the stack, delete all elements in the row and column of the matrix element d n, n', and reduce the current matrix by one order;
  • Step 5 Repeat step 2;
  • Step 6 Perform a pop operation on the path stack S to restore the n-order matrix D;
  • Step 7 If the elements in the first row of the n-order matrix D are not selected, go to step 3, otherwise go to step 8;
  • Step 8 Output the shortest formation distance S min and the shortest formation path set S out .
  • the present invention uses a recursive algorithm to calculate the shortest formation path set after the drone cluster is re-formed, which can increase the endurance of the drone in the execution of tasks and reduce system consumption; at the same time, the tail recursion is used to optimize the recursive algorithm , Effectively solve the problem of stack explosion caused by recursive algorithm, and ensure the normal operation of the program.
  • the ability to solve the shortest formation distance problem in the system re-formation process has more important practical significance.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种计算无人机集群重新编队的最短编队距离的方法，主要包括以下步骤：步骤S1、设计递归算法，并对该递归算法进行预处理，以找出递归代码部分；步骤S2、将递归算法中的递归代码部分利用CPS技术转化为尾递归形式；步骤S3、利用Trampoline技术对尾递归形式进行优化，以获得尾递归算法；步骤S4、利用优化后的尾递归算法计算无人机集群重新编队的最短编队距离以及最短编队路径集合。本方法通过递归算法计算无人机集群重新编队后的最短编队路径集合，可以提高无人机在执行任务中的续航时间，减少系统消耗，同时利用尾递归优化递归算法，有效解决了因为递归算法而产生的爆栈问题，保证程序的正常运行。

Description

计算无人机集群重新编队的最短编队距离的方法 技术领域
本发明涉及一种计算无人机集群重新编队的最短编队距离的方法，属于无人机编队领域。
背景技术
随着近十几年来控制技术、通信技术和计算技术的飞速发展，多无人机的协调控制受到广泛重视，其对于大区域范围的考察和开发工作具有重要价值和经济意义。
在实际无人机的编队控制中，重新编队是多智能体在作业过程中不可避免要遇到的问题，这一过程是指智能体从原有队形被打乱到新队形形成的过程。最短编队距离问题是指寻找一种可行的算法，使得所有智能体在重新编队过程中的行程之和最小，本发明采用一种递归思想描述遍历算法。众所周知，递归容易引起爆栈，一旦发生爆栈，计算过程就会报错从而影响整个程序的运行。究其原因，便是函数调用前需要先将参数、运行状态压栈，而递归则会导致函数的多次无返回调用，参数、状态积压在栈上，最终耗尽栈空间。利用CPS变换，把任意递归函数改写成尾调用形式，以continuation链的形式，将递归占用的栈空间转移到堆上，以避免爆栈。对系统编队控制的研究则通常转化为智能体的目标跟随问题，通过选择队形中的固定位置作为跟随目标最终使多智能体形成编队，而实际情况下智能体由于选择队形中参考点的不同，其编队过程中智能体的行程也有较大差别。因此如何选择合适的相对位置，使编队中的智能体行程尽可能缩短，对多智能体系统有重要的意义。
有鉴于此，确有必要提出一种计算无人机集群重新编队的最短编队距离的方法，以解决上述问题。
发明内容
本发明的目的在于提供一种计算无人机集群重新编队的最短编队距离的方法，以解决递归引发的爆栈问题，从而提高整个系统程序可读性、可维护性和响应性。
为实现上述目的，本发明提供了一种计算无人机集群重新编队的最短编队距离的方法，主要包括以下步骤：
步骤S1、设计递归算法，并对该递归算法进行预处理，以找出递归代码部分；
步骤S2、将递归算法中的递归代码部分利用CPS技术转化为尾递归形式；
步骤S3、利用Trampoline技术对尾递归形式进行优化，以获得尾递归算法；
步骤S4、利用优化后的尾递归算法计算无人机集群重新编队的最短编队距离以及最短编队路径集合。
可选的，步骤S2具体包括：
步骤S21：对递归算法中的递归函数添加一个cont参数，标记需要转化的部分；
步骤S22：利用CPS技术进行转化，将递归算法中的递归函数全部转化为尾递归形式。
可选的，步骤S3具体包括：
步骤S31：设置一个对象cont_v＝{cont：…，v：…}，用来保存每次得出的结果；
步骤S32：利用Trampoline技术手动强制弹出下一层调用的函数，禁止解释器的压栈行为，将尾递归形式改成循环形式。
可选的，步骤S1中的预处理为：根据无人机集群重新编队前和重新编队后的位置集合，计算出n个无人机的编队距离矩阵，即n阶矩阵D。
可选的，重新编队前无人机集群的位置集合为W＝{x 1,x 2...x n}，重新编 队后无人机集群的位置集合为W'＝{x 1',x 2'...x n'}。
可选的，步骤S4中的最短编队路径集合为S out＝{d n，n'|||x n'-x n||}。
可选的，矩阵元素d n，n'为单个无人机重新编队后移动的路径，即D＝[d n， n']。
可选的，设置路径栈S用于存放单个无人机重新编队后移动的路径d n， n'。
可选的，最短编队距离S min为路径栈S的值，路径栈S的值为当前路径栈中所有矩阵元素d n，n’的和。
可选的，最短编队距离算法为：
步骤1：初始化n阶矩阵D，设置初始路径栈S为空，初始最短编队路径集合S out为空，初始最短编队距离S min为+∞；
步骤2：若当前矩阵维数n为0，则计算当前路径栈S的值，并比较当前路径栈S和已知最短编队距离S min的大小，输出两者最小值，并将最小值输入至最短编队距离S min，将当前路径输入至最短编队路径集合S out，并进入步骤6；若当前矩阵维数n不为0，则进入步骤3；
步骤3：在当前矩阵的第一行逐一选择矩阵元素d n，n’并将矩阵元素d n， n’输入路径栈S；
步骤4：将当前矩阵进行压栈操作，删除矩阵元素d n，n’所在行和所在列的所有元素，对当前矩阵降1阶；
步骤5：重复步骤2；
步骤6：对路径栈S进行出栈操作，恢复n阶矩阵D；
步骤7：若n阶矩阵D的第一行元素没有选择完，则进入步骤3，否则进入步骤8；
步骤8：输出最短编队距离S min和最短编队路径集合S out。
本发明的有益效果是：本发明通过递归算法计算无人机集群重新编队后的最短编队路径集合，可以提高无人机在执行任务中的续航时间，减少 系统消耗，同时利用尾递归优化递归算法，有效解决了因为递归算法而产生的爆栈问题，保证程序的正常运行。
附图说明
图1是本发明计算无人机集群重新编队的最短编队距离的算法流程图。
图2是图1所示算法中矩阵元素压栈、矩阵降阶的过程示意图。
图3是图1所示算法中，在压栈中出栈并选择次阶矩阵中不同元素完成新的全排列的过程示意图。
图4是图1所示算法中矩阵元素出栈、恢复n阶矩阵D的过程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
本发明揭示了一种计算无人机集群重新编队的最短编队距离的方法，主要包括以下步骤：
步骤S1、设计递归算法，并对该递归算法进行预处理，以找出递归代码部分；
步骤S2、将递归算法中的递归代码部分利用CPS技术转化为尾递归形式；
步骤S3、利用Trampoline技术对尾递归形式进行优化，以获得尾递归算法；
步骤S4、利用优化后的尾递归算法计算无人机集群重新编队的最短编队距离以及最短编队路径集合。
以下将对步骤S1-步骤S4做详细说明。
其中，步骤S1具体包括：
步骤S11(预处理)：假设有n(n>1000)架无人机组成三角编队队形，编队飞行过程中遭遇障碍物，需要重新调整队形，则先记录下重新编队前n架无人机的位置集合W＝{x 1,x 2...x n}，及重新编队后的位置集合W'＝{x 1 ’, x 2 ’...x n ’}，继而计算出无人机编队所有路径集合为S out＝{d n，n’|||x n ’-x n||}，矩阵元素d n，n'为单个无人机重新编队后移动的路径，由此得出无人机的编队距离n阶矩阵D＝[d n，n’]；
步骤S12：设计一种最短编队算法，最短编队距离指在有限时间内无人机在队形变化过程中的行程之和最小，记为S min；
步骤S13：假设会有n！种全排列，设计一种递归思想的遍历算法，假设从n阶矩阵D的第一行逐行遍历，算法的基本思想是如果已知前n-1步的决策过程，第n步决策只需在第n行中逐一选择不同列的元素，并通过比较得出当前最优解集；
步骤S14：设计决策过程，初始化一个最短路径S out为空，设置一个初始路径栈S，用来存放单个无人机重新编队后移动的路径d n，n'，路径栈S的值为当前路径栈中所有矩阵元素d n，n’的和，初始化最短路径S min的值，可以设为+∞。
其中，步骤S2具体包括：
步骤S21：对递归算法中的递归函数添加一个cont参数，标记需要转化的部分，为后续CPS转化做准备；
步骤S22：利用CPS技术进行转化，将递归算法中的递归函数全部转化为尾递归形式。
其中，步骤S3具体包括：
步骤S31：首先设置一个对象cont_v＝{cont：…，v：…}，用来保存每次得出的结果，当递归计算过程中，超过一定范围的参数压栈，会引发爆栈行为；
步骤S32：接下来处理压栈问题，利用Trampoline技术手动强制弹出下一层调用的函数，禁止解释器的压栈行为，本质上就是将尾递归形式改成循环形式。
假设决策者有路径栈S，每一步决策过程由当前编队距离矩阵的第一行开始逐个选取元素，并将元素进行入栈操作。随后将矩阵进行降阶处理， 删除入栈元素所在的行和列并开始下一步决策。递归结束的条件是当前矩阵为空，表示路径栈S完成1次全排。在计算1次全排结果后，将路径栈S中的元素进行出栈操作。此时将相应的矩阵进行升阶处理，恢复出栈元素所在的行列，开始下一次全排过程。
如图2所示，通过依次将d 11、d 22、d 33、...、d nn压栈，每次压栈后删除相应矩阵元素所在行和所在列的所有矩阵元素，直到当前矩阵维数n为0时，可以计算S＝d 11+d 22+d 33+...+d nn。
如图3所示，在压栈过程中对路径栈S中的元素进行出栈操作，同时恢复矩阵中出栈元素所在的行和列。例如，当d22出栈后，恢复的二阶矩阵中的第一行元素d23没有选取，故对d23进行压栈操作，直到当前矩阵维数n为0时，计算S＝d 11+d 23+d 32+d 44+...+d nn。
如图4所示，如果当前矩阵维数n为0，则将矩阵元素出栈、恢复n阶矩阵D，为下一轮迭代做准备。
由此可见，可将无人机集群重新编队后的最短编队距离通过以下算法计算获得，具体如图1所示：
步骤1：初始化n阶矩阵D，设置初始路径栈S为空，初始最短编队路径集合S out为空，初始最短编队距离S min为+∞；
步骤2：若当前矩阵维数n为0，则计算当前路径栈S的值，并比较当前路径栈S和已知最短编队距离S min的大小，输出两者最小值，并将最小值输入至最短编队距离S min，将当前路径输入至最短编队路径集合S out，并进入步骤6；若当前矩阵维数n不为0，则进入步骤3；
步骤3：在当前矩阵的第一行逐一选择矩阵元素d n，n’并将矩阵元素d n， n’输入路径栈S；
步骤4：将当前矩阵进行压栈操作，删除矩阵元素d n，n’所在行和所在列的所有元素，对当前矩阵降1阶；
步骤5：重复步骤2；
步骤6：对路径栈S进行出栈操作，恢复n阶矩阵D；
步骤7：若n阶矩阵D的第一行元素没有选择完，则进入骤3，否则进入步骤8；
步骤8：输出最短编队距离S min和最短编队路径集合S out。
综上所述，本发明通过递归算法来计算无人机集群重新编队后的最短编队路径集合，可以提高无人机在执行任务中的续航时间，减少系统消耗；同时，利用尾递归优化递归算法，有效解决了因为递归算法而产生的爆栈问题，保证程序的正常运行。在一些环境相对复杂且对系统功耗要求较高的应用场合，能够解决系统重编队过程中的最短编队距离问题，有较为重要的实际意义。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

  1. 一种计算无人机集群重新编队的最短编队距离的方法，其特征在于，主要包括以下步骤：
    步骤S1、设计递归算法，并对该递归算法进行预处理，以找出递归代码部分；
    步骤S2、将递归算法中的递归代码部分利用CPS技术转化为尾递归形式；
    步骤S3、利用Trampoline技术对尾递归形式进行优化，以获得尾递归算法；
    步骤S4、利用优化后的尾递归算法计算无人机集群重新编队的最短编队距离以及最短编队路径集合。
  2. 根据权利要求1所述的计算无人机集群重新编队的最短编队距离的方法，其特征在于，步骤S2具体包括：
    步骤S21：对递归算法中的递归函数添加一个cont参数，标记需要转化的部分；
    步骤S22：利用CPS技术进行转化，将递归算法中的递归函数全部转化为尾递归形式。
  3. 根据权利要求2所述的计算无人机集群重新编队的最短编队距离的方法，其特征在于，步骤S3具体包括：
    步骤S31：设置一个对象cont_v＝{cont：…，v：…}，用来保存每次得出的结果；
    步骤S32：利用Trampoline技术手动强制弹出下一层调用的函数，禁止解释器的压栈行为，将尾递归形式改成循环形式。
  4. 根据权利要求1所述的计算无人机集群重新编队的最短编队距离的方法，其特征在于，步骤S1中的预处理为：根据无人机集群重新编队前和重新编队后的位置集合，计算出n个无人机的编队距离矩阵，即n阶矩阵D。
  5. 根据权利要求4所述的计算无人机集群重新编队的最短编队距离的方法，其特征在于：重新编队前无人机集群的位置集合为W＝{x 1,x 2...x n}，重新编队后无人机集群的位置集合为W'＝{x 1',x 2'...x n'}。
  6. 根据权利要求5所述的计算无人机集群重新编队的最短编队距离的方法，其特征在于：步骤S4中的最短编队路径集合为S out＝{d n，n'|||x n'-x n||}。
  7. 根据权利要求6所述的计算无人机集群重新编队的最短编队距离的方法，其特征在于：矩阵元素d n，n'为单个无人机重新编队后移动的路径，即D＝[d n，n']。
  8. 根据权利要求7所述的计算无人机集群重新编队的最短编队距离的方法，其特征在于：设置路径栈S用于存放单个无人机重新编队后移动的路径d n，n'。
  9. 根据权利要求8所述的计算无人机集群重新编队的最短编队距离的方法，其特征在于：最短编队距离S min为路径栈S的值，路径栈S的值为当前路径栈中所有矩阵元素d n，n’的和。
  10. 根据权利要求9所述的计算无人机集群重新编队的最短编队距离的方法，其特征在于，最短编队距离算法为：
    步骤1：初始化n阶矩阵D，设置初始路径栈S为空，初始最短编队路径集合S out为空，初始最短编队距离S min为+∞；
    步骤2：若当前矩阵维数n为0，则计算当前路径栈S的值，并比较当前路径栈S和已知最短编队距离S min的大小，输出两者最小值，并将最小值输入至最短编队距离S min，将当前路径输入至最短编队路径集合S out，并进入步骤6；若当前矩阵维数n不为0，则进入步骤3；
    步骤3：在当前矩阵的第一行逐一选择矩阵元素d n，n’并将矩阵元素d n， n’输入路径栈S；
    步骤4：将当前矩阵进行压栈操作，删除矩阵元素d n，n’所在行和所在列的所有元素，对当前矩阵降1阶；
    步骤5：重复步骤2；
    步骤6：对路径栈S进行出栈操作，恢复n阶矩阵D；
    步骤7：若n阶矩阵D的第一行元素没有选择完，则进入步骤3，否则进入步骤8；
    步骤8：输出最短编队距离S min和最短编队路径集合S out。
PCT/CN2020/073536 2019-08-12 2020-01-21 计算无人机集群重新编队的最短编队距离的方法 WO2021027265A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910738940.3 2019-08-12
CN201910738940.3A CN110347180A (zh) 2019-08-12 2019-08-12 计算无人机集群重新编队的最短编队距离的方法

Publications (1)

Publication Number Publication Date
WO2021027265A1 true WO2021027265A1 (zh) 2021-02-18

Family

ID=68184664

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/073536 WO2021027265A1 (zh) 2019-08-12 2020-01-21 计算无人机集群重新编队的最短编队距离的方法

Country Status (2)

Country Link
CN (1) CN110347180A (zh)
WO (1) WO2021027265A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113741518A (zh) * 2021-08-31 2021-12-03 中国人民解放军国防科技大学 基于领航跟随模式的固定翼无人机集群仿射编队控制方法
CN114035565A (zh) * 2021-08-05 2022-02-11 哈尔滨工程大学 一种基于吸附行为的海面船舶编队控制方法
CN114115335A (zh) * 2021-11-05 2022-03-01 桂林航天工业学院 一种基于跟踪微分器的多四旋翼无人机安全编队控制方法
CN115271205A (zh) * 2022-07-28 2022-11-01 南通大学 一种基于Dijkstra算法的最短物流路径规划方法
CN115630513A (zh) * 2022-10-29 2023-01-20 中国电子科技集团公司第十五研究所 基于集群优化的无人机集群协同任务分配方法
CN115913340A (zh) * 2023-01-06 2023-04-04 武汉大学 无人机辅助通信方法、装置、设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110347180A (zh) * 2019-08-12 2019-10-18 南京邮电大学 计算无人机集群重新编队的最短编队距离的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104867357A (zh) * 2015-01-21 2015-08-26 中南大学 面向地震应急响应的多无人机调度与任务规划方法
CN106525047A (zh) * 2016-10-28 2017-03-22 重庆交通大学 一种基于floyd算法的无人机路径规划方法
US20180074520A1 (en) * 2016-09-13 2018-03-15 Arrowonics Technologies Ltd. Formation flight path coordination of unmanned aerial vehicles
CN108398958A (zh) * 2018-03-14 2018-08-14 广州亿航智能技术有限公司 无人机编队路径匹配方法、装置和储存介质
WO2018190833A1 (en) * 2017-04-12 2018-10-18 Paglieroni David W Swarm path planner system for vehicles
CN110347180A (zh) * 2019-08-12 2019-10-18 南京邮电大学 计算无人机集群重新编队的最短编队距离的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700165B (zh) * 2015-03-27 2016-05-11 合肥工业大学 一种多无人机舰机协同路径规划方法
CN107037829A (zh) * 2017-05-09 2017-08-11 广东容祺智能科技有限公司 一种集群无人机航线规划方法
CN107238388B (zh) * 2017-05-27 2018-02-23 合肥工业大学 多无人机任务分配与航迹规划联合优化方法及装置
CN108871330B (zh) * 2018-03-14 2022-12-13 广州亿航智能技术有限公司 无人机编队飞行路径确定方法及装置
CN108733074A (zh) * 2018-05-23 2018-11-02 南京航空航天大学 一种基于匈牙利算法的多无人机编队航迹规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104867357A (zh) * 2015-01-21 2015-08-26 中南大学 面向地震应急响应的多无人机调度与任务规划方法
US20180074520A1 (en) * 2016-09-13 2018-03-15 Arrowonics Technologies Ltd. Formation flight path coordination of unmanned aerial vehicles
CN106525047A (zh) * 2016-10-28 2017-03-22 重庆交通大学 一种基于floyd算法的无人机路径规划方法
WO2018190833A1 (en) * 2017-04-12 2018-10-18 Paglieroni David W Swarm path planner system for vehicles
CN108398958A (zh) * 2018-03-14 2018-08-14 广州亿航智能技术有限公司 无人机编队路径匹配方法、装置和储存介质
CN110347180A (zh) * 2019-08-12 2019-10-18 南京邮电大学 计算无人机集群重新编队的最短编队距离的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LÜ PIN, YU GANG: "Application of Functional Language Method in Interactive Web Programming", COMPUTER ENGINEERING AND DESIGN, vol. 30, no. 6, 28 March 2009 (2009-03-28), pages 1315 - 1320, XP055780523, ISSN: 1000-7024, DOI: 10.16208/j.issn1000-7024.2009.06.047 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114035565A (zh) * 2021-08-05 2022-02-11 哈尔滨工程大学 一种基于吸附行为的海面船舶编队控制方法
CN114035565B (zh) * 2021-08-05 2024-04-26 哈尔滨工程大学 一种基于吸附行为的海面船舶编队控制方法
CN113741518A (zh) * 2021-08-31 2021-12-03 中国人民解放军国防科技大学 基于领航跟随模式的固定翼无人机集群仿射编队控制方法
CN114115335A (zh) * 2021-11-05 2022-03-01 桂林航天工业学院 一种基于跟踪微分器的多四旋翼无人机安全编队控制方法
CN115271205A (zh) * 2022-07-28 2022-11-01 南通大学 一种基于Dijkstra算法的最短物流路径规划方法
CN115271205B (zh) * 2022-07-28 2023-11-28 南通大学 一种基于Dijkstra算法的最短物流路径规划方法
CN115630513A (zh) * 2022-10-29 2023-01-20 中国电子科技集团公司第十五研究所 基于集群优化的无人机集群协同任务分配方法
CN115630513B (zh) * 2022-10-29 2023-04-18 中国电子科技集团公司第十五研究所 基于集群优化的无人机集群协同任务分配方法
CN115913340A (zh) * 2023-01-06 2023-04-04 武汉大学 无人机辅助通信方法、装置、设备及存储介质
CN115913340B (zh) * 2023-01-06 2023-05-02 武汉大学 无人机辅助通信方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110347180A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
WO2021027265A1 (zh) 计算无人机集群重新编队的最短编队距离的方法
Shen et al. A novel Markov chain based ILC analysis for linear stochastic systems under general data dropouts environments
CN108446761B (zh) 一种神经网络加速器及数据处理方法
CN106779252B (zh) 一种基于改进量子蚁群算法的agv实时路线规划方法
CN110531996B (zh) 一种多微云环境下基于粒子群优化的计算任务卸载方法
CN113825978B (zh) 用于定义路径的方法和设备、存储装置
CN110197217B (zh) 一种基于深度交错融合分组卷积网络的图像分类方法
Ghavamzadeh et al. Continuous-time hierarchical reinforcement learning
CN113469891A (zh) 一种神经网络架构搜索方法、训练方法、图像补全方法
CN116451934A (zh) 多无人机边缘计算路径优化与依赖任务调度优化方法及系统
CN114554458A (zh) 一种基于多智能体深度强化学习的矩阵-向量乘法编码计算分配方法
CN112147897B (zh) 离散不确定多时滞四旋翼系统的容错控制方法
Bhatnagar et al. Stochastic approximation algorithms
CN112270435B (zh) 一种基于深度强化学习的多星自主任务分配方法
CN110191472B (zh) 一种基于改进多目标混沌pso优化的目标信道访问方法
CN111459023B (zh) 一种事件驱动的自学习控制方法
CN111104561B (zh) 启发式的无人平台信息感知网络拓扑生成方法和装置
CN113721655A (zh) 一种控制周期自适应的强化学习无人机稳定飞行控制方法
CN112379688B (zh) 一种基于膜计算的多机器人有限时间同步控制方法
KR102318617B1 (ko) 레이어 오버래핑 기반의 분산 딥러닝 수행 장치 및 방법
CN116400714A (zh) 大规模集群系统最优编队跟踪控制算法、装置及介质
CN112269385B (zh) 云端无人车动力学控制系统和方法
US11610120B2 (en) Systems and methods for training a neural network
CN111625959A (zh) 一种针对二维概率分布矩阵的随机取值算法
CN116886155A (zh) 一种适用于低轨卫星遥感服务的功能链配置方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20851442

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20851442

Country of ref document: EP

Kind code of ref document: A1