[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

摘要

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。

主权项

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)使用鸽群优化算法进行搜索，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X_i(t)＝X_i(t‑1)+V_i(t)，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)使用鸽群优化算法进行搜索，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表示模拟退火算法(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。