[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

说明书

本发明公开了一种基于改进鸽群优化的多无人机协同搜索方法，包括：首先建立搜索地图模型，并使用马尔科夫模型来建立目标信息图，然后建立无人机的运动模型和数字信息素图；应用鸽群优化算法进行多无人机的协同搜索，在初始化种群位置时使用混沌和反向策略来实现，确保初始位置的随机性；第一阶段进行地图和指南针算子的迭代时，使用柯西变异防止陷入局部最优，第二阶段进行地标算子的迭代时，使用模拟退火保留部分表现较差的个体以及高斯变异避免早熟陷入局部最优。本发明将使用混沌和反向策略初始化种群位置、为了避免陷入局部最优而引入的变异和模拟退火算法相结合，解决了搜索过程中的动态目标和重复搜索问题，同时有效的提高了搜索的效率。

技术领域

本发明涉及一种基于改进鸽群优化的多无人机协同搜索方法，属于协同搜索、群体智能优化领域。

背景技术

自上世纪90年代以来，通过模拟和揭示某些自然现象或者过程而得出的算法得到了发展，如：粒子群算法、蚁群算法以及本文提及的鸽群算法等。这些算法具有独特的优点和机制，并且为解决复杂问题提供了新的思路和手段，在很多领域应用广泛。这些算法因其构造的直观性和自然机理，所以被称为群智能优化算法。

群智能(Swarm Intelligence)中的群体是一组相互之间可以进行直接通信或者间接通信的主体(Agent)，这些主体能够通过合作进行分布式问题的求解。而群智能则是指在没有集中控制且不提供全局模型的前提下，为寻找复杂的分布式问题求解方案提供了基础。

鸽群优化算法(Pigeon-inspired optimization algorithm)是受自然界鸽群自主归巢行为的启发而提出的。鸽群的远距离归巢行为是借助于地磁场和地貌景观的双重帮助，通过地磁场判断大致的方向，再根据地貌景观对实际方向进行修正，达到准确锁定位置的目的。受自然界中鸽子归巢行为的启发，Duan等于2014年首次提出了一种基于鸽子归巢行为的新型群体智能优化算法----鸽群优化(pigeon-inspired optimization，PIO)算法。虽然自提出至今时间不长，但是这个算法模型在无人机编队、多无人机路径规划与协同搜索、控制参数优化以及图像处理领域等多个领域进行了应用。鸽群优化算法的数学模型分为两个算子模型：地图和指南针算子(map and compass operator)和地标算子(landmarkoperator)。基本的鸽群优化算法(PIO)具有收敛速度快、搜索效率高的特点，但是极易陷入局部最优。本文使用混沌和反向策略使得初始种群位置足够随机，之后再使用柯西变异确保跳出局部最优，在搜索进入地标算子阶段时，使用高斯变异，这样使得在局部收敛中更快。

发明内容

发明目的：为了克服现有技术中多无人机协同搜索存在的重复搜索、搜索目标静态以及效率低的问题，本发明提供一种基于改进鸽群优化的多无人机协同搜索方法，将使用混沌和反向策略初始化种群位置、为了避免陷入局部最优而引入的变异和模拟退火算法相结合，有效提高多无人机对动态目标的搜索效率以及降低搜索重复区域。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于改进鸽群优化的多无人机协同搜索方法，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：