基于决策变量与自适应算法的多无人机航迹协同方法

本发明涉及无人机技术领域，尤其涉及基于决策变量与自适应算法的多无人机航迹协同方法。

背景技术：

面对日益复杂的目标探测、目标跟踪、精确打击等任务环境，许多任务通常需要多无人机协同完成，任务的多重性与复杂性对多无人机的有效留空时间和任务成功率提出了更高的要求，因此多无人机与无人支援机协同是目前任务需求的主要体现方式，无人支援机能够在威胁区域外与无人机混合编队，对威胁区内雷达进行有针对性的干扰，帮助无人机获取最短航迹，并安全的到达目标区域，从而充分发挥无人支援机和无人机的协同优势；

多无人机执行任务采用冗余配置与任务配置以相互支援与能力互补，与其相关的航迹规划算法，如基于voronoi图、概率路标图的层次分解实现多无人机航迹规划，利用狼群算法、模糊识别解决地形复杂、威胁众多和航迹短等问题，但大多算法局限在特定场合下的有限模型，无法实现多无人机多阶段任务的整体航迹规划，因此本发明提出基于决策变量与自适应算法的多无人机航迹协同方法以解决现有技术中存在的问题。

技术实现要素：

针对上述问题，本发明的目的在于提出基于决策变量与自适应算法的多无人机航迹协同方法，该基于决策变量与自适应算法的多无人机航迹协同方法针对多无人机航迹协同规划有效性，给出了无人支援机协同多无人机的航迹规划模型，在航迹代价的时间协同、时序-空间协同模型引入决策变量，结合协同变量和协同函数构建多无人机协同航迹，并利用快速遗传算法求解航迹协同的寻优过程，进而解决了航迹协同的实时性和有效性，从而实现多无人机多阶段任务的整体航迹规划。

为实现本发明的目的，本发明通过以下技术方案实现：基于决策变量与自适应算法的多无人机航迹协同方法，包括以下步骤：

步骤一：决策变量设计

设wk为威胁代价，则再设每个航段须考虑q个威胁，对航迹上每一点的威胁程度进行积分运算，得到第r个威胁在第i段航迹对第m个分割点产生的威胁强度及第r个威胁在第i段航迹到第m个分割点的距离将航路中两个坐标点之间的直线距离进行规划选点，定义两坐标点之间的威胁代价为：再引入决策变量xi，r得到威胁代价模型；

步骤二：协同函数设计

设多个无人机的飞行速度范围为：v＝[vmin，vmax]，则定义协同变量tk，即模型无人机k沿某个航迹段飞行的达到目标坐标点最优时间变化范围为：在协同变量tk的基础上，定义协同函数模型为：则多无人机代价函数模型为：

步骤三：多无人机航迹遗传染色体取值

设a和b为航迹规划的起点与目标点，(1,2，…，m)为无人机航迹段点，共有m-1个航迹段，通过极坐标编码，航迹分段点的极径为(1σ，2σ，…，mσ)，而遗传染色体的编码基因采用航迹调整角的倍数计算，定义最大航迹调整角为则有且设遗传种群规模为：则多无人机航迹遗传染色体各基因位的取值为：si∈[-m，…，-1，0，1，…，m]；

步骤四：航迹染色体适应度函数模型设计

设多无人机航迹集为c，再将航迹代价和威胁代价综合构成航迹遗传染色体自适应度评价函数，则自适应度函数模型为：

步骤五：快速遗传算子模型设计

为了提高航迹计算的实时性，快速遗传算法中遗传算子采用自适应交叉率和染色体变异率，在染色体编码时，染色体实值变异须约束在[-m，m]进行，则遗传算子自适应交叉率模型可以采用染色体进化的平均适应率定义为：

同样，染色体自适应变异率模型也可采用染色体进化的平均适应率定义为：

步骤六：协同航迹规划仿真

通过决策变量与协同函数模型在快速遗传算法中进行仿真验证。

进一步改进在于：所述步骤一中为了缩短计算时间，将航段分割距离在hi/5、hi/2、4hi/5处的雷达威胁值进行计算，则决策变量xi，r的威胁代价模型为：

进一步改进在于：所述步骤一中利用决策变量xi，r的取值来判断航迹点与探测雷达之间的距离，并定义干扰下决策变量的取值为：

进一步改进在于：所述步骤六中决策变量分为长距决策变量和短距决策变量。

进一步改进在于：所述长距决策变量定义为：

进一步改进在于：所述短距决策变量定义为：

进一步改进在于：所述步骤六中验证软件环境为matlab平台，其中设无人机目标坐标点为sink，出发坐标为source。

进一步改进在于：所述步骤六中遗传算法的参数为种群规模100-500，最大进化代数200，自适应交叉率pz1＝0.95，pz2＝0.55，自适应变异率pb1＝0.02，pb2＝0.002，无人机采用中低空航迹，海拔高度2000-3000m，模拟地形尺度为100km×100km。

本发明的有益效果为：该基于决策变量与自适应算法的多无人机航迹协同方法针对多无人机航迹协同规划有效性，给出了无人支援机协同多无人机的航迹规划模型，在航迹代价的时间协同、时序-空间协同模型引入决策变量，结合协同变量和协同函数构建多无人机协同航迹，并利用快速遗传算法求解航迹协同的寻优过程，进而解决了航迹协同的实时性和有效性，从而实现多无人机多阶段任务的整体航迹规划，同时，在时间域内基于时序协同来寻找具有较高任务效能的飞行路径，最大限度地降低航迹规划中的航程代价和威胁代价。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明流程示意图。

图2是本发明威胁代价计算模型示意图。

图3是本发明多机协同变量与协同函数关系曲线示意图。

图4是本发明不同航程代价系数的仿真航迹规划路线示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

根据图1到图4所示，本实施例提出了基于决策变量与自适应算法的多无人机航迹协同方法，包括以下步骤：

步骤一：决策变量设计

设wk为威胁代价，则再设每个航段须考虑q个威胁，对航迹上每一点的威胁程度进行积分运算，得到第r个威胁在第i段航迹对第m个分割点产生的威胁强度及第r个威胁在第i段航迹到第m个分割点的距离将航路中两个坐标点之间的直线距离进行规划选点，定义两坐标点之间的威胁代价为：再引入决策变量xi，r得到威胁代价模型，所述步骤一中为了缩短计算时间，将航段分割距离在hi/5、hi/2、4hi/5处的雷达威胁值进行计算，则决策变量xi，r的威胁代价模型为：

决策变量xi，r表示威胁作用决策，xi，r＝1表示雷达r对第i段航迹有威胁，xi，r＝0表示雷达r对第i段航迹没有危险，所述步骤一中利用决策变量xi，r的取值来判断航迹点与探测雷达之间的距离，并定义干扰下决策变量的取值为：

步骤二：协同函数设计

设多个无人机的飞行速度范围为：v＝[vmin，vmax]，则定义协同变量tk，即模型无人机k沿某个航迹段飞行的达到目标坐标点最优时间变化范围为：在协同变量tk的基础上，定义协同函数模型为：则多无人机代价函数模型为：对于每一条航迹路径，其飞行时间和航迹坐标点不同，代价函数jk也随之变化，协同函数jk体现了飞行代价随协同变量变化的程度与大小，由于协同函数是增函数，最优航迹达到时间tk会出现在低端区域，并使多无人机群具有最小的威胁代价总和，对于某一条特定航迹，设最优航迹达到时间tk为ta，当无人机速度减小时，最优航迹达到时间tk和威胁代价wk都会增大，当以不同的航迹飞行时，航程的增大会有利于无人机的威胁回避，减小威胁代价wk，此时最优航迹达到时间tk将会增大；

步骤三：多无人机航迹遗传染色体取值

设a和b为航迹规划的起点与目标点，(1,2，…，m)为无人机航迹段点，共有m-1个航迹段，通过极坐标编码，航迹分段点的极径为(1σ，2σ，…，mσ)，而遗传染色体的编码基因采用航迹调整角的倍数计算，定义最大航迹调整角为则有且设遗传种群规模为：则多无人机航迹遗传染色体各基因位的取值为：si∈[-m，…，-1，0，1，…，m]；

步骤四：航迹染色体适应度函数模型设计

设多无人机航迹集为c，再将航迹代价和威胁代价综合构成航迹遗传染色体自适应度评价函数，则自适应度函数模型为：通过该模型，将航迹距离大于最大航程的单个无人机进行适应度调整，同时对航迹末段调整角超出最大航迹调整角的单个无人机的航迹规划也转化为航迹染色体适应度最小化问题予以处理；

步骤五：快速遗传算子模型设计

为了提高航迹计算的实时性，快速遗传算法中遗传算子采用自适应交叉率和染色体变异率，在染色体编码时，染色体实值变异须约束在[-m，m]进行，则遗传算子自适应交叉率模型可以采用染色体进化的平均适应率定义为：

同样，染色体自适应变异率模型也可采用染色体进化的平均适应率定义为：

在模型中，f′为交叉个体适应度较大值，favg为染色体进化的平均适应率，fmax为最大适应率，f″为变异个体适应度；

步骤六：协同航迹规划仿真

通过决策变量与协同函数模型在快速遗传算法中进行仿真验证，所述步骤六中决策变量分为长距决策变量和短距决策变量，所述长距决策变量定义为：

所述短距决策变量定义为：

所述步骤六中验证软件环境为matlab平台，其中设无人机目标坐标点为sink，出发坐标为source，所述步骤六中遗传算法的参数为种群规模100-500，最大进化代数200，自适应交叉率pz1＝0.95，pz2＝0.55，自适应变异率pb1＝0.02，pb2＝0.002，无人机采用中低空航迹，海拔高度2000-3000m，模拟地形尺度为100km×100km，通过仿真验证，可见无人机与无人支援机协同执行任务航迹，通过无人支援机的协同，使威胁代价大大降低，为任务执行提供了更广的可选择的空域。

该基于决策变量与自适应算法的多无人机航迹协同方法针对多无人机航迹协同规划有效性，给出了无人支援机协同多无人机的航迹规划模型，在航迹代价的时间协同、时序-空间协同模型引入决策变量，结合协同变量和协同函数构建多无人机协同航迹，并利用快速遗传算法求解航迹协同的寻优过程，进而解决了航迹协同的实时性和有效性，从而实现多无人机多阶段任务的整体航迹规划，同时，在时间域内基于时序协同来寻找具有较高任务效能的飞行路径，最大限度地降低航迹规划中的航程代价和威胁代价。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。