一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法

文档序号:9471989
一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法
【技术领域】
[0001] 本发明属于UAV任务规划领域,具体地说,是为解决UAV侦察多个任务时如何进行 分配问题提供的一种决策方法。
【背景技术】
[000引UAV在任务侦察阶段能够代替有人机执行"危险、恶劣、枯燥"的任务,已被广泛应 用于战场侦察、对地打击、城市反恐、地震救援W及海上捜救等众多领域。目前已有方法侧 重于任务的航路规划和侦察捜救问题,但大多并未考虑UAV携带特定侦察载荷时的侦察信 息收益问题,W及由于UAV的任务工作时间及载荷工作能力都是有限的,通常难W完成对 所有任务区的完全信息侦察任务的问题,可见如何快速有效的完成对所有任务区的非完全 信息遍历侦察将显得尤为重要。
[0003]布谷鸟捜索算法kuckoosearch,C巧是由Xin-SheYang和SuashDeb于 2〇〇9 年提出的一种新兴仿生智能优化算法,算法基于某类型布谷鸟的寄生解蛋行为,并结合了 L6vy飞行的随机游走行为。该算法简单易行、参数少,在处理复杂优化问题时无需重新匹 配大量参数,研究结果表明,CS算法能够避免传统算法早熟的缺点,收敛速度快,适合解决 UAV多任务侦察决策问题。

【发明内容】

[0004] 为了克服现有技术的不足,本发明提供一种布谷鸟捜索算法解决UAV多任务侦察 决策问题的方法,根据侦察任务取得分布位置及无人机自身性能、任务载荷特性得到一组 飞行顺序及每个任务相应侦察时间,此结果使得侦察信息收益最大,且具有一定的合理性。
[0005] 本发明解决其技术问题所采用的技术方案包括W下步骤:
[0006] 步骤一、将侦察任务区数量W及各个任务区的位置、面积、最小侦察收益、各任务 侦察价值、无人机的总飞行时间和无人机飞行速度作为初始数据;
[0007] 步骤二、W遍历全部侦察任务区且飞行路径最短为优化目标,建立UAV最短侦 察路径规划式中,dii为任务区i到任务区j的欧氏距离,
T.
(Xi,y;)表示第i个任务区中屯、的位置坐标;Xu为决策变量,当UAV 先执行完任务i之后就执行任务j时值为1,否则为0 ;n表示任务区数量;
[0008] 步骤=、定义离散布谷鸟捜索算法的鸟窝数量m,巢主鸟能够发现外来鸟蛋的概 率P。,巢主鸟是智能布谷鸟的概率P。,最大迭代次数Maxit,应用整数编码随机生成一个 mX(n+1)的初始矩阵Xmxhw;
[0009] 步骤四、W遍历全部侦察任务区飞行路径最短为适应度函数,计算每个鸟窝的适 应度,逐一比较选出最小值并记录相应的解;
[0010] 步骤五、随机产生服从均匀分布0~1之间的数ri,并与概率P。进行比较,若r1 <p。则证明该布谷鸟具有自主监测能力,将此解的适应度.//与随机选取的第j个解的适 应度进行比较,若/,' ?> /,'则将第i个解用第j个解替换,其中i,j= 1,2,. . .,m且i声j;
[0011] 步骤六、通过L6vy飞行产生一个0~1之间的值1,根据1值产生新鸟窝:
[001引当1G[0, :0时,解进行一次2-opt扰动;
[001引当1G[化-1)Xi,kXU时,解进行k次2-opt扰动;
[0014] 当1G比Xi, 1)时,解通过double-bridge进行一次大的扰动;
[0015] 其中,i=1/Q+P),P为设定的步数,k G {2, .. . ,p},L6vy飞行产生值的公式为: St巧=y / (I V 11/P),.V(化仔,
]V= 1,r 为标准的Gamma函数;
[0016] 然后,计算出新鸟窝的适应度并与之前的进行比较,若乂'+1<若则用新的解替换, 否则不变;
[0017]步骤屯、随机产生服从均匀分布0~1之间的数。,并与概率P进行比较,若r2 <P。则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝;否则,保持不变;将产生的新 解与之前的解进行比较保留最优解;
[0018] 步骤八、判断是否达到最大迭代次数,如果没有,迭代次数加1并返回步骤五;否 贝Ij,进入下一步;
[0019] 步骤九、建立UAV侦察信息确定性指标模型
[0020] G(t) = G〇+Gi(l-e (et))
[002。 式中,G。为侦察开始前UAV对任务区域已知信息,0《G。< 1,G1为UAV对任务区 域的信息不确定性部分,G"+Gi= 1 ;P为侦察载荷对任务区域的侦察能力指数;
[0022] 步骤十、W侦察收益最大为优化目标,建立UAV多任务侦察收益模型
[0023]
[0024] 式中,Ci为任务区i的价值,W为UAV携带侦察载荷的扫描宽度;V为UAV的任务 飞行速度,Si第i个任务区域的面积,t1为第i个任务区分配的侦察时间,t1= 0 ;
[0025]步骤十一、定义基本布谷鸟捜索算法的鸟窝数量m,巢主鸟能够发现外来鸟蛋的概 率P。,最大迭代次数Maxit,随机生成一个mX(n-1)的初始矩阵YmxhU;
[0026] 步骤十二、W多任务侦察收益为适应度函数,计算每个鸟群的适应度,逐一比较选 出最大值并记录相应的解;
[0027] 步骤十=、通过L6vy飞行过程产生新的鸟窝,并将最好的鸟窝保留到下一代,鸟 窝的更新公式为
式中,和蛛> 分表表示第 t+1和第t代第i个鸟窝的位置,费表示点对点乘法,a>0为步长比例因子,〇<P《2, 计算出新鸟窝的适应度并与之前的进行比较,若於"> /;'则用新的解替换,否则不变.
[002引步骤十四、随机产生服从均匀分布0~1之间的数。,并与概率P。进行比较,若T3 <p。则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝;否则,保持不变;将产生的新 解与之前的解进行比较保留最优解;
[0029] 步骤十五、判断是否达到最大迭代次数,如果没有,迭代次数加1并返回步骤 十否则,退出并显示最优结果。
[0030] 本发明的有益效果是:提出了侦察信息确定性指标,并从航路规划W及侦察收益 两方面解决UAV多任务侦察决策问题,并通过离散布谷鸟算法和布谷鸟算法进行求解,求 解结果相较于传统算法能克服过早收敛,运行速度慢等缺点,所得结果具有可实时性。
[0031] 本发明提出的通过布谷鸟捜索算法来进行UAV多任务区侦察规划的方法,可用于 同步实现UAV对多个任务区进行侦察时的航路最优与侦察收益最大化,能够保证对多个任 务区侦察效果的最优化规划,具有任务规划过程速度快、效率高且通用性强的特点;也可W 应用于森林防火、区域反恐、地震救援W及海上捜救等的任务规划。
【附图说明】
[0032] 图1是UAV多任务侦察规划示意图;
[0033] 图2是多任务区侦察决策问题求解流程图;
[0034]图3离散布谷鸟捜索算法流程图;
[0035] 图4是2-opt的优化示意图,其中(a)图是初始解,化)图是经过2-opt优化的结 果,解由 1-2-3-4-1 变为 1-3-2-4-1;
[0036] 图5是Double-bridge的优化示意图,其中(a)图是初始解,化)图是经过 Double-bridge优化的结果,解由 1-2-3-4-5-6-7-8-1 变为 1-6-7-4-5-2-3-8-1;
[0037] 图6不同侦察载荷能力下的收益曲线图;
[0038] 图7是基本布谷鸟捜索算法流程图;
[0039] 图8是侦察任务区初始分布图;
[0040]图9是随机产生的初始侦察航路图;
[0041] 图10是离散布谷鸟捜索算法侦察路径规划结果图;
[0042]图11是无人机多任务侦察收益函数进化曲线图。
【具体实施方式】
[0043] 本发明将整个任务过程分为两个阶段,首先,采用离散布谷鸟捜索算法值iscrete 化ckoo Search Algorithm, DCSA)解决侦察路径最优化规划问题,使得遍历全部侦察任务 区的路径最短,然后建立相应的侦察信息确定性指标,根据UAV的任务时间约束W及每个 任务区的最小侦察确定性约束,同时保证遍历侦察所有任务区的条件下,利用基本布谷鸟 捜索算法(化ckoo Search Algorithm, CSA)为每个待侦察任务区分配最优的侦察时间,从 而使整个侦察任务过程的信息收益最大化。具体包括W下几个步骤:
[0044] 步骤一:输入已知数据;
[0045] 将侦察任务区数量,各个任务区位置,W及任务区面积、各任务区最小侦察收益、 各任务侦察价值、无人机的总飞行时间、无人机飞行速度作为初始数据输入系统。
[0046] 步骤二:建立UAV最短侦察路径规划优化目标;
[0047]W遍历全部侦察任务区飞行路径最短为优化目标,建立如下表达式:
[0048]
[004引式中,d。为任务区i到任务区j的欧氏距离,可用
良示,其 中(Xi,yi)表示第i个任务区中屯、的位置坐标孔i为决策变量,当UAV先执行完任务i之后 就执行任务j时值为1,否则为0 ;n表示任务区数量(包括UAV起飞基地)。
[0050
再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1