[发明专利]一种基于改进鸽群优化的多无人机协同搜索方法

权利要求书

1.一种基于改进鸽群优化的多无人机协同搜索方法，其特征在于，包括以下步骤：

步骤1)建立多无人机搜索地图模型，所述地图模型包括搜索区域、目标信息图和环境信息图；

步骤1.1)步骤1)中的搜索区域L使用正六边形构造，并离散成L_x*L_y的网格，其中L_x是搜索区域L的长度，L_y是搜索区域L的宽度；

步骤1.2)步骤1)中的目标信息图表示特定网格存在目标的概率：

式中，所述p(x，y，t+1)表示t+1时刻在网格(x，y)的目标存在概率，δ(t)＝1表示t时刻在网格(x，y)搜索到目标，δ(t)＝0表示t时刻在网格(x，y)未搜索到目标，P_d表示传感器探测概率，P_f表示传感器虚警概率，且p(x，y，t+1)的初始值为：

式中，(x₀，y₀)表示目标初始位置的中心位置，f(x，y)表示目标位置的联合概率密度函数，且所述f(x，y)中σ₀²表示二维正态分布的方差；

步骤1.3)步骤1)中的环境信息图表示无人机对环境不确定性的响应：

式中，所述ud(x，y，t)表示环境的不确定性，所述H[p(x，y，t)]表示p(x，y，t)的熵，H[p(x，y，t)]＝-p(x，y，t)log₂p(x，y，t)-(1-p(x，y，t))log₂(1-p(x，y，t))；

步骤2)建立无人机的运动模型：控制所有的无人机飞行在相同高度，在t时刻第i架无人机的状态信息UAV_i＝[pos_i(t)，O_i(t)]，式中，pos_i(t)表示UAV_i的空间位置，pos_i(t)＝{x_i(t)，y_i(t)}，x_i(t)∈{1，2，3，...，L_x}，y_i(t)∈{1，2，3，...，L_y}，O_i(t)表示UAV_i的飞行方向，O_i(t)∈{0，1，2，3，4，5，6，7}，因最小转弯直径的限制，飞行过程中只能沿着当前飞行状态的正前、左和右三个方向；

步骤3)建立数字信息素图，确保多无人机动态协同行为：

s(x，y，t)＝s_A(x，y，t)-s_R(x，y，t)，

式中，所述s(x，y，t)表示在t时刻网格(x，y)的信息素浓度，s_A(x，y，t)表示在t时刻网格(x，y)吸引信息素，s_R(x，y，t)表示在t时刻网格(x，y)排斥信息素；

式中，e_A表示吸引信息素的蒸发系数，λ表示监督因素，T(x，y)表示网格(x，y)上次访问与当前访问的时间间隔，r_A(x，y，t)表示t时刻网格(x，y)释放的吸引信息素的数量，t_A(x，y，t)表示t时刻网格(x，y)传输吸引信息素的数量，p_A表示吸引信息素的传播系数，其中t(x，y)表示最后一次访问网格(x，y)的时间，T_c表示信息素的更新周期，其中Nei(x，y)表示网格(x，y)的相邻网格，N(x′，y′)表示Nei(x，y)的归一化形式；

s_R(x，y，t)＝(1-e_R)[(s_R(x，y，t-1)+λ^f(x，y)r_R(x，y，t)+t_R(x，y，t))(1-p_R)]，

式中，e_R表示排斥信息素的蒸发系数，r_R(x，y，t)表示t时刻网格(x，y)释放的排斥信息素的数量，t_R(x，y，t)表示t时刻网格(x，y)传输排斥信息素的数量，p_R表示排斥信息素的传播系数，

步骤4)使用混沌和反向策略设置种群的初始位置；

步骤4.1)使用帐篷映射函数Y_n作为混沌生成函数获得第i只鸽子的初始位置：X_i(0)＝[x_i1，x_i2]，x_i1＝L_min1+Y_n*(L_max1-L_min1)，x_i2＝L_min2+Y_n*(L_max2-L_min2)，式中，x_i1表示第i只鸽子在地图中的横坐标，x_i2表示第i只鸽子在地图中的纵坐标，i＝1，2，3，...，N，N为初始种群鸽子数量，Y_n+1＝weight*(1-2*|Y_n-0.5|)，n＝0，1，2，3，4，5，......，其中weight＝1，0＜Y₀＜1，所述L_min1表示L_x的最小值，L_max1表示L_x的最大值，L_min2表示L_y的最小值，L_max2表示L_y的最大值；

步骤4.2)将步骤4.1)生成的初始位置反向初始化；所述表示X_i(0)的反向点，所述表示反向后第i只鸽子初始位置的横坐标，表示反向后第i只鸽子初始位置的纵坐标；

步骤4.3)计算X_i(0)、的适应度函数fitness(0)：

fitness(t)＝ω₁f_e(x，y，t)+ω₂f_t(x，y，t)+ω₃f_c(x，y，t)，

式中，fitness(t)表示t时刻的环境不确定性收益f_e(x，y，t)、目标发现收益f_t(x，y，t)、合作收益f_c(x，y，t)的加权和，作为评估每次搜索的评估函数，其中ω₁+ω₂+ω₃＝1，f_e(x，y，t)＝ud(x，y，t+1)-ud(x，y，t)，f_t(x，y，t)＝p(x，y，t+1)，f_c(x，y，t)＝s(x，y，t+1)；如果的适应度函数优于X_i(0)的适应度函数，则使用替换X_i(0)，否则保持原有的X_i(0)不变；

步骤5)使用鸽群优化方法进行搜索，进入地磁操作阶段；

步骤5.1)计算第t次迭代时第i只鸽子的位置X_i(t)、速度V_i(t)：

X_i(t)＝X_i(t-1)+V_i(t)，V_i(t)＝V_i(t-1)e^-R*t+rand(X_gbest-X_i(t-1))，

式中，R表示地磁算子，X_gbest表示当前全局最优位置，rand表示在0到1之间的一个随机数；

步骤5.2)计算第t次迭代所有鸽子位置的适应度函数fitness(t)的值，将计算结果与历史位置的适应度函数值比较，记录最优适应度函数值对应的个体历史最优位置X_pbest与当前全局最优位置X_gbest；

步骤5.3)判断当前迭代次数t是否达到指南针算子的最大迭代次数N_c1，如果达到最大迭代次数，转到步骤6)进入地标操作阶段，否则计算最近K₁次迭代的全局最优适应度函数，如果全局最优适应度函数的绝对值小于阈值e₁，那么其中a表示柯西分布概率密度参数，转到步骤5.2)，如果全局最优适应度函数的绝对值不小于阈值e₁，转到步骤5.1)；

步骤6)使用鸽群优化方法进行搜索，进入地标操作阶段；

步骤6.1)计算当前阶段每次迭代后鸽子数量N_p(t)和鸽子种群中心位置X_c(t)：

式中，fitness(X_i(t-1))表示在第t-1次迭代时第i只鸽子的适应度函数值；

步骤6.2)计算个体位置X_i(t)及其适应度函数fitness(t)的值：X_i(t)＝X_i(t-1)+rand*(X_c(t-1)-X_i(t-1))，将当前个体适应度函数值的计算结果与历史位置相比较，记录最优适应度函数值对应的个体历史最优位置X_pbest与当前全局最优位置X_gbest；

步骤6.3)判断当前迭代次数t是否达到地标算子的最大迭代次数N_c2，如果达到最大迭代次数N_c2，转到步骤7)完成多无人机对目标的搜索；否则计算最近K₂次迭代的中心位置X_c(t)每个维度变化的绝对值，如果这个值小于阈值e₂，那么所述X′_c(t)表示对X_c(t)进行高斯变异后的中心位置，表示变异的步长，其中k为常量，N(μ，σ)表示满足高斯分布的随机变量，μ表示高斯分布的数学期望，σ表示高斯分布的方差，如果X_c(t)与X′_c(t)是相邻的，那么计算个体X_i与进行高斯变异后的个体X′_i(t)之间的差异Δf，P_r＝exp(Δf/T)，其中P_r表示保留较差个体的概率，T表示模拟退火方法SA中的退火温度，比较随机数rand与P_r的大小：如果rand＜P_r，保留较差个体，转到步骤6.2)，否则转到步骤6.1)；如果最近K₂次迭代的中心位置X_c(t)每个维度变化的绝对值不小于阈值e₂，同样转到步骤6.1)；

步骤7)多无人机对目标的搜索终止。