[发明专利]一种基于改进天牛须搜索算法的多气体污染源定位方法

权利要求书

1.一种基于改进天牛须搜索算法的多气体污染源定位方法，其特征在于，包括以下步骤：

步骤1：在待监测区设定n架无人机R_i(i＝1...n)，在待监测区存在m个气味源S_j(j＝1...m)；

步骤2：初始化设定，即设定无人机的初始位置；

步骤3：采用改进天牛须搜索算法搜索气体污染源，包括以下步骤：

步骤3.1：初始化参数设定，位于羽流附近的阈值Th_r、气体源定位成功的阈值Th_g；

步骤3.2：计算初始无人机群各个体R_i的适应值；

步骤3.3：判断无人机R_i适应度值是否超过阈值Th_r，若超过，则执行步骤3.4，否则，执行步骤3.5；

步骤3.4：采用组方法进行多无人机协作搜索，包括以下步骤：

步骤3.4.1：采用组形成方法形成组；

其中，组形成方法为无人机比较其接收的信号强度，并加入其接收最强信号的组，信号强度取决于无人机的适应度值和距离：

V_ij＝fit_i·exp(-d_ij)

其中V_ij是由无人机R_i在半径G_r内产生并由无人机R_j接收到的信号，fit_i是无人机R_i的适应度值，d_ij是无人机R_i和R_j之间的距离，使用信号强度方程组形成的方式同时考虑了距离和适应度，有助于无人机在同时接收多个信号时决定应加入哪个组；

步骤3.4.2：判断组的大小是否大于G_maxsize，若大于，则需进行限制组大小操作后执行步骤3.4.3，否则直接执行步骤3.4.3；

其中，限制组大小方法定义了参数G_maxsize，以限制组中无人机的最大数量，这有助于实现更好的资源利用率，随着无人机数量的增加，组的大小也增加，但是气体源数量的增加将导致群体规模的减小，因此寻找额外气体源所需的无人机数量也应增加，所以定义了限制组大小的函数，函数如下：

w_m＝|0.5-(1/(exp(m)))|

其中，n是无人机总数，m是气体源数量，λ是常数，当形成一个组时，如果形成的组的大小大于G_maxsize，则将从该组中删除P个性能最差的无人机，P的计算公式如下：

P＝gk_size-G_maxsize

其中，gk_size是组gk的大小，P是从组gk中移除的无人机的数量；

步骤3.4.3：用天牛须搜索算法更新组中无人机的位置，包括以下步骤：

步骤3.4.3.1：将无人机从多污染源区域中的任意一点起飞，起飞时机头方向任意；

步骤3.4.3.2：无人机的两侧各搭载着一个气体传感器，在飞行中，当左侧传感器所测污染物气体浓度Cleft大于右侧传感器所测气体浓度Cright时，无人机向左边移动一个步长step，反之，无人机向右移动一个步长step；

步骤3.4.3.3：气体传感器每秒读取一次数据，所读取的数据是当前两侧气体传感器测得的无人机左右两侧气体浓度Cleft和Cright；

步骤3.4.3.4：无人机旋转任意角度，调整飞行方向；

步骤3.4.3.5：无人机不重复步骤3与步骤4，迭代天牛须搜索算法，逐步逼近气体污染源；

步骤3.4.3.6：当无人机在某点附近小范围来回运动时，认为找到了气体污染源；

其中，天牛须的方向为：

dir＝rand(2,1)

计算天牛左须坐标即无人机左侧传感器位置为：

式中：d₀为两个传感器之间的距离；x为无人机初始位置；

计算天牛右须坐标即无人机右侧传感器位置为：

无人机下一步的位置为：

步骤3.4.4：计算两组之间的侧风距离是否小于其半径之和，若小于，则需进行组合并操作后再输出，否则直接输出；

其中，组合并方法采用侧风距离C_d的测量方法，即两个无人机组中表现最佳的无人机之间y方向的距离，如果两组之间的侧风距离小于其半径之和，则合并两组：

C_d(Y_gk-Y_gl)＜(R_gk+R_gl)

其中，C_d是组gk和组gl中表现最佳的无人机之间的侧风距离，Y_gk和Y_gl分别属于组gk和组gl的全局最佳无人机的y位置坐标，R_gk和R_gl分别是组gk和组gl的半径；

步骤3.5：无人机进行随机搜索；

步骤3.6：判断无人机R_i适应度值是否超过阈值Th_g，若超过，则执行步骤3.7，否则，回到步骤3.2；

步骤3.7：发现一个气体源，进而判断无人机R_i是否属于组，若属于则进行组解散，否则确定无人机R_i未分配组；

其中，组解散方法为如果一个组找到气体源，则该组解散，该组的成员就分布在其他组中，在分布过程中，重要的是在羽流发现和羽流跟踪阶段的无人机数量之间保持平衡，为此，定义了阈值Th_p，并由以下等式给出：

其中，β为常数，Population_size为组的大小，将其他组的无人机数量与阈值Th_p进行比较，若该数量小于阈值Th_p，则无人机根据每个组的效益加入其他组，组的效益是根据组的需求和加入该组的成本来定义的，组的效益为：

U_gk＝Need_gk-Cost

Need_gk＝exp(-(β₄)·(fit_gk)+(β₅)·(N_m))

Cost＝d(|X_gk-X_j|)

其中，Need_gk为组的需求，Cost为加入该组的成本，fit_gk为组gk的适应度值，N_m为该组中成员的数量，β₄和β₅是权重系数，d是欧几里德距离函数，X_gk是组中表现最好的无人机的位置，X_j是无人机R_j即属于解散组的位置，解散组中每个未分配的无人机计算每个组的效益，并加入效益最高的组，重复上述计算程序，直到解散组中没有无人机未分配；

步骤3.8：判断是否所有的气体源都定位成功，若成功，则结束，否则，回到步骤3.2；

步骤4：输出所有气体污染源位置。