[发明专利]一种通信支援下的无人机群目标覆盖方法

说明书

本发明公开了一种通信支援下的无人机群目标覆盖方法，属于无人机群通信技术领域。该方法以各目标点为圆心、预设值为半径做圆，计算各圆覆盖目标点数目，保留覆盖点数最大的集合，利用均值中心化手段及二次微扰动策略重新确定覆盖该集合中各目标点及其近邻点的圆心位置。对于未覆盖的目标点，重复进行上述操作，直至目标点全部被覆盖或簇数达到无人机数目上限，以实现在通信支援过程中无人机群最大程度覆盖多目标点的目的。本发明解决了无人机群通信支援覆盖问题，实现了通信支援中无人机群最大程度覆盖多目标点的目的，提高了结果的稳定性和覆盖率，可用于无人机群的协同通信支援、协同干扰等任务场景。

技术领域

本发明属于无人机群通信技术领域，特别涉及了一种通信支援下的无人机群目标覆盖方法。

背景技术

随着现代技术的不断发展，战场形势也变的日益复杂，作战方式也随之更加多样，其中无人机已经成为一种重要的作战方式，因为无人机具有建造成本低、安全系数高等优点，它在现代战争中起着至关重要的作用。同时，无人机需要执行的任务难度越来越大，单无人机的作战模式已经难以满足作战需求，对无人机群的协同作战研究已经成为了必然的趋势。无人机群给战场中的目标提供通信支援是一个重要的应用，在通信支援中需要考虑到无人机群通信覆盖范围的形状和大小，通信支援覆盖算法需要在这个条件下实现对目标点较高的覆盖率并确保覆盖的稳定性。

在无人机群的通信支援应用中一个重要的环节就是确定各架无人机的位置，来实现对目标点的通信覆盖，其中就涉及到对目标点进行聚类。常见的聚类算法有K-means聚类、DBSCAN密度聚类、均值漂移聚类和Mini Batch K-means聚类。K-means聚类算法的思想是假设需要将目标点分成K个类，就在目标点中随机选取K个点作为聚类中心，而后计算每个目标点到聚类中心的距离，将该目标点划分到距离最近的聚类中心，再重新计算每类的质心，进行迭代直到质心不再变化。这个算法的缺陷是没有考虑到覆盖形状和范围，同时随机选取聚类中心会导致无人机群的通信覆盖率低、稳定性差。DBSCAN密度聚类根据以目标点为中心半径内覆盖的目标点数将目标点划分为核心点、边界点、噪音点三种，将噪音点删除，边界点指派到与之关联的核心点的簇中来完成聚类。它的缺点是未指定类的数量，而通信支援中无人机的数量是确定的，在这个算法中指定类的数量会导致对目标点的覆盖率变低。均值漂移聚类是基于滑动窗口的聚类算法，通过将中心点向密度大的地方移动来找到数据点的密集区域，但是该算法也未指定类的数量，在无人机群的通信支援中对目标点的覆盖率依旧不理想。Mini Batch K-means算法是K-means算法的变种，与K均值算法不同的地方在于该算法数据的更新是在一个小的样本集上，对每个小批量目标点进行平均值的计算并更新质心，该算法比K均值算法有更快的收敛速度，但是聚类的效果更差，显然这在无人机群的通信支援中是不适用的。

综上所述，现有的聚类算法应用在无人机群的通信支援中普遍存在对目标点覆盖率低、稳定性差的问题。

发明内容

本发明的目的在于提供一种通信支援下的无人机群目标覆盖方法，所解决的技术问题是解决单机通信范围一般量化为圆形区域所导致的现有聚类算法对目标点覆盖效果差、普适性弱、聚类结果不稳定等问题。

本发明采用的技术方案为：

一种通信支援下的无人机群目标覆盖方法，包括以下步骤：

步骤1：导入需要通信支援的目标点数据集point，设定目标点总数为Pnum，无人机总数为Dnum、单机覆盖半径为radius；

步骤2：分别以各目标点为圆心、radius为半径绘制圆，计算各圆覆盖目标点数density，保留目标点数最多的集合；

步骤3：利用均值中心化方法确定目标点最多的集合的重心位置，并将重心位置作为新的圆心，并以radius为半径绘制圆，计算该圆覆盖的目标点数cover_num1，并将覆盖的目标点数cover_num1组成一个新的集合；