一种针对具有感知能力的运动目标的多无人机协同搜索方法
【技术领域】
[0001] 本发明涉及一种针对具有感知能力的运动目标的多无人机协同搜索方法，属于计 算机仿真与方法优化领域。
【背景技术】
[0002] 无人机具有低成本，高机动和"零人员伤亡"的特点，是执行恶劣，危险，枯燥任务 的最好选择。在无人机UAV执行作战任务的过程中，搜索并发现任务区域内的目标是后续 作战活动的前提，然而在复杂、动态环境下执行搜索任务，要求无人机具有高度的自主决策 能力和协同能力，但单个无人机机负载资源有限，传感器探测角度限制等，往往难以完成任 务，于是多机协同搜索研究变得尤为重要。近年来，无人机协同搜索技术在军用与民用领域 都应用广泛，因此，研究无人机协同搜索很有实际意义。
[0003] 针对多UAV协同搜索问题，传统方法以搜索论为基础，预先规划出多UAV覆盖搜索 区域的路径，使得发现目标概率最大化，但这主要针对目标信息已知的搜索问题。针对目标 信息未知的搜索问题，特别是运动目标的搜索问题，无法预先规划，只能根据搜索过程中的 探测信息和环境信息来在线任务决策。这种情况下多UAV协同搜索是一个动态过程，必须 提出较好的解决方法。
【发明内容】
[0004] 本发明为了解决上述现有技术存在的不足之处，提出了一种针对具有感知能力的 运动目标的多无人机协同搜索方法，以期能解决具有感知能力的运动目标的搜索问题，提 高搜索效能，从而更加符合实际复杂的动态战场环境。
[0005] 本发明为解决技术问题采用如下技术方案：
[0006] 本发明一种针对具有感知能力的运动目标的多无人机协同搜索方法的特点是：
[0007] 定义所述多无人机协同搜索是在MXN的离散正方形网格所构成的搜索环境 E中执行搜索任务，所述搜索环境E中的任意一个网格记为（m，n);me{1，2，...，M}， ne{1，2,· · ·，N};每个网格的边长为c;
[0008] 定义所述搜索环境E中存在Nv架无人机；任意一架无人机的飞行速度为v、最大偏 转角为α;
[0009] 定义所述搜索环境Ε中存在Ντ个具有感知能力的运动目标，且一个离散正方形网 格中至多只能存在一个运动目标；
[0010] 定义所述搜索环境Ε中还存在ΝΒ个固定不动的探测装置；
[0011] 定义用Κ表示多无人机搜索的总时间步长，用k表示第k个时间步长，k= 1，V..，K;
[0012]定义Pm(k)表示第k个时间步长网格（m，n)中运动目标的存在概率；则令SMP(k) ={PmQO|me{1，2，···，Μ}，ηe{1，2，···，Ν}}表示第k个时间步长的搜索图；
[0013] 所述多无人机协同搜索方法按如下步骤进行：
[0014] 步骤1、利用模型预测控制法构建多无人机协同搜索运动目标的搜索模型；
[0015]步骤2、基于所述第k个时间步长的搜索图SMP(k)，对所述搜索模型利用加入交叉 算子的粒子群优化算法进行求解，获得第k个时间步长的最优解Fjk);所述最优解Fjk) 是由NvXq个[-1，1]之间的任意整数组成的序列；q表示预规划的步长数；
[0016] 步骤3、利用式⑴对所述第k个时间步长的最优解Fjk)进行解码，获得Nv架无
人机的第k个时间步长的航向偏转角
[0017] ΑΘk=FG(k)Xα⑴
[0018] 式（1)中，α表示所设定的无人机最大航向偏转角；Δ#Α)表示第i架无人机的第 k个时间步长的航向偏转角；1彡i彡Nv;
[0019] 步骤4、根据所述第k个时间步长的航向偏转角△ 0k分别获得第k个时间步长的 Nvf预规划q步最优路径；并令所述~架无人机分别执行相应的预规划q步最优路径中的 第1步；从而更新所述Nv架无人机在搜索环境E中在第k个时间步长的位置，获得所述Nv 架无人机在搜索环境E中在第k+1个时间步长的位置；
[0020] 步骤5、基于探测信息和基于目标运动预测更新第k个时间步长的搜索图SMP(k)， 获得第k+1个时间步长的搜索图SMP(k+1);
[0021] 步骤6、将k+1赋值给k;并判断k彡K是否成立，若成立，则返回步骤2执行，否则 结束Nv架无人机搜索Nτ个具有感知能力的运动目标的搜索任务。
[0022] 本发明所述的针对具有感知能力的运动目标的多无人机协同搜索方法的特点也 在于，
[0023] 所述步骤2中的加入交叉算子的粒子群优化算法是按如下步骤进行：
[0024] 步骤2. 1、定义种群粒子为D= {山，d2,…，ds，…，ds}，ds表示种群中第s个粒子； 1彡s彡S;
[0025] 定义种群迭代次数为g;
[0026] 定义第k个时间步长的第g次迭代的第s个种群粒子ds的速度和位置分别为 vf(A：)和if，并随机初始化所述速度vf(>)为-1或〇 ;随机初始化所述位置xf0)为-1 或〇或1 ;
[0027] 步骤2. 2、初始化k= 1;
[0028] 步骤2.3、初始化8 =0;
[0029] 步骤2.4、以第k个时间步长的第g次迭代的第S个粒子ds的位置⑷作为第k 个时间步长的第g次迭代的第s个粒子的最优解，记为P'h从而初始化第k个时间步长 的第g次迭代的S个粒子的最优解；
[0030] 步骤2.5、利用式（1)获得第1^个时间步长的第8个粒子(1；3的适应值夂(10，从而 获得第k个时间步长的S个粒子的适应值；
[0031]
[0032] 式（1)中，Wl，w2表示权重；pd表示无人机的探测概率；pf表示无人机的虚警概率； 4表示第k个时间步长下第i架无人机预规划q步最优路径所对应的q个网格所构成的 网格集合；/C⑷表示第k个时间步长下由第s个粒子ds的位置 < ⑷经过解码后，获得的 网格集合4"中的网格（m，η)内运动目标的存在概率；对表示第k个时间步长下第i架无人 机在预规划q步最优路径中的第1步路径所对应的网格集合；幻表示第k个时间步长 下由第s个粒子ds的位置Xf 经过解码后，获得的第1步路径所对应的网格集合摩中网 格（a，b)内运动目标的存在概率；
[0033] 步骤2. 6、从所述第k个时间步长的S个粒子的适应值中选出最大适应值对应的粒 子位置作为得第k个时间步长的第g次迭代的全局最优解Fg(k);
[0034] 步骤2. 7、利用式⑵获得第k个时间步长的第g+1次迭代的第s个粒子ds的速 度、⑷:
[0035]
[0036] 式⑵中，Cl，c^正常数，称为学习因子；w为惯性因子，rand表示[0，1]之间的 随机数；
[0037] 步骤2. 8、利用式（3)和式（4)进行第k个时间步长的第g次迭代的第s个粒子ds 与第z个粒子dz的交叉运算，获得第k个时间步长的第g次迭代的第s个粒子d3的交叉位 置·^ 和第z个粒子dz的交叉位置:
[0038]
[0039]
[0040] 式⑶和式⑷中，r表示交叉系数；
[0041] 步骤2. 9、利用式（5)获得第k个时间步长的第g+Ι次迭代的第s个粒子ds的位 置
[0042]
[0043] 步骤2. 10、获得第k个时间步长的最优解Fs(k);
[0044] 步骤2. 10. 1、获得第k个时间步长的第g次迭代的第s个粒子的最优解// (0的 适应值/f和第k个时间步长的第g+Ι次迭代的第s个粒子的:xf+1 (岣的适应值乃+1 (4 并进行比较，将较大适应值对应的粒子位置作为第k个时间步长的第g+Ι次迭代第s个粒 子的最优解尸
[0045] 步骤2. 10. 2、重复步骤2. 10. 1，从而获得第k个时间步长的第g+Ι次迭代S个粒 子的最优解，并从中选出最大适应值对应的最优解作为第k个时间步长的第g+Ι次迭代的 全局最优解Fg+1(k);
[0046] 步骤2. 10. 3、判断g多G是否成立，若成立，则表示获得第k个时间步长的最优解 FG(k);否则将g+Ι赋值给g，并返回步骤2. 4。
[0047] 所述步骤5是按如下方式获得第k+1个时间步长的搜索图SMP(k+l):
[0048] 当第k个时间步长下无人机搜索网格（m，η)且发现目标同时没被探测装置发现 时，则利用式（6)更新网格（m，η)中的运动目标的存在概率：
[0049]
[0050] 当第k个时间步长下无人机搜索网格（m，η)且发现目标同时被探测装置发现时， 则利用式（7)更新网格（m，η)中的运动目标的存在概率：
[0051]
(7)
[0052] 当第k个时间步长下无人机搜索网格（m，n)且未发现目标同时未被探测装置发现 时，则利用式（8)更新网格（m，η)中运动目标的存在概率：