[发明专利]一种基于粒子群算法的多无人机救灾搜索路径的优化方法

说明书

本发明涉及一种基于粒子群算法的多无人机救灾搜索路径的优化方法，包括：利用粒子群算法进行参数优化；多无人机分布模型的建立；利用优化解完成对多无人机的位置控制。本发明能够有效的优化粒子群算法在多无人机进行救灾任务时的路径规划，与传统的蚁群算法等的方式相比，有着更好的响应速度，保证了多无人机进行协同任务时的效率与质量。

技术领域

本发明涉及多无人机搜索路径优化技术领域，特别是涉及一种基于粒子群算法的多无人机救灾搜索路径的优化方法。

背景技术

无人机航拍作为一种新型工业技术，已被广泛应用于各个领域，在国内已有不少救援机构使用无人机成功进行过救援侦查监测、抛投救援物资等尝试，效果非常明显。在天津爆炸事故救援中，各部门也曾利用无人机对事故现场进行高空侦查，为救援决策提供了部分参考依据。

无人机中低空监测系统具有机动、快速、使用成本低、维护操作简单等技术特点，具有空对地快速实时巡察监测能力，是一种新型的中低空实时电视成像和红外成像快速获取系统。可以在地面巡护无法顾及的偏远地区发生森林火灾的早期发现以及对重大森林火灾现场的各种动态信息的准确把握和及时了解；也可以解决飞机巡护无法夜航、烟雾造成能见度降低无法飞行等问题。作为现有林业监测手段的有力补充，在对车、人无法到达地带的资源环境监测、森林火灾监测及救援指挥等方面具有其独特的优势。特别是长航时大载重无人机，在林业火灾的监测、预防、扑救、灾后评估等方面必将得到广泛的应用。

粒子群算法，也称粒子群优化算法或鸟群觅食算法(Particle SwarmOptimization)，缩写为PSO，是近年来由J.Kennedy和R.C.Eberhart等研发的一种新的进化算法(EvolutionaryAlgorithm-EA)。PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它通过适应度来评价解的品质。但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。

发明内容

本发明所要解决的技术问题是提供一种基于粒子群算法的多无人机救灾搜索路径的优化方法，保证了多无人机进行协同任务时的效率与质量。

本发明解决其技术问题所采用的技术方案是：提供一种基于粒子群算法的多无人机救灾搜索路径的优化方法，包括以下步骤：

(1)初始化设置粒子群的数量、惯性权值和最大允许迭代次数；

(2)对救灾搜索区域进行区域划分，并生成随机的无人机和区域的任务匹配；

(3)计算每个任务的目标评价函数，确认每个无人机的目标区域；

(4)计算各无人机的新速度，并对各无人机的新速度进行限幅处理；

(5)计算各无人机的新位置，并对各无人机的新位置进行限幅处理：使其新位置处于目标区域；

(6)按目标评价函数重新评价各无人机的适应值；

(7)个体最优任务分配：对每个无人机比较其当前适应值和其个体经历过的最好适应值，找到其个体历史最好位置；

(8)全局历史最优任务分配：比较群体所有无人机的当前适应值和全局历史最好的适应值，若某个无人机的当前适应值更优，则令该无人机的当前适应值为全局历史最好适应值，并保存该无人机的当前位置为全局历史最好位置。

所述步骤(3)和步骤(4)之间还包括如果产生无人机与目标区域重复时，进行任务重新分配，直到无人机与目标区域一一对应，不产生重叠。