关，如下式所示：
[0121] G(t) =G〇+Gi(l-e(et))
[012引式中，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，满足Gu+Gi=l。P为侦察载荷对任务区域的侦察能力指数，主要 由侦察载荷的固有能力与待侦察任务区的性质决定。不同载荷能力指数下的侦察收益曲线 如下图6所示，在此假设咕=0。
[0123] 基于信息确定性指标，建立多任务区域的侦察时间规划模型：
[012 引ti= 0
[0129]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，设为固定值，Si第i个任务区域的面积，假定任务区为长方形区域，11为第i个任 务区分配的侦察时间，其中ti= 0，Gm。、为对所有任务区进行侦察获取的最大信息收益，Gimm 对第i个任务区进行侦察必须达到的最小信息收益，6。"。= 0,tmi。从基地起飞完成对所有 任务区遍历飞行需要的最小时间。
[0130] 如图7所示，基本布谷鸟捜索算法解决UAV多任务区侦察收益最大化问题包括W 下步骤：
[0131] 步骤一：建立UAV多任务侦察收益优化目标；
[0132] W侦察收益最大为优化目标，建立如下表达式：
[0133]
[0134] 步骤二：基本布谷鸟算法初始参数设值
[0135] 定义鸟窝数量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-l)的初始矩阵YmX;nU;
[0136] 步骤计算初始值适应度
[0137] W多任务侦察收益为适应度函数，计算每个种群的适应度，逐一比较选出最大值 并记录相应的解；
[013引步骤四：新鸟窝的产生并择优保留
[0139] 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 式如下：
[0140]
[0141] 式中，哺A-分表表示第t+1和第t代第i个鸟窝的位置，淨.表示点对点乘法， a>0为步长比例因子，0<P《2,其余变量步骤六中已经描述。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；
[0142] 步骤五：是否抛弃较差鸟窝
[014引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r3<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。
[0144] 步骤六：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S; 否则，退出并显示最优结果。
[0145] 下面举例进行说明，假设无人机的最大续航工作时间T= 30h，巡航速度为V= 220km/h，携带的侦察载荷扫描宽度为常量W= 0. 3km，起飞基地的坐标为（0, 0)，任务区数 量n= 25,任务区参数及侦察价值系数如表1所示；布谷鸟捜索算法中参数设置分别为：鸟 窝数量m= 25,巢主鸟能够发现外来鸟蛋的概率Pg= 0. 25,巢主鸟是智能布谷鸟的概率P。 =0. 7最大迭代次数Maxit= 500,步长P= 25。
[0146] 表1待侦察任务区信息设置表
[0147]
[014引表2无人机侦察任务航路规划表
[0149]
[0150]
[0151] 表3任务区侦察信息收益表
[0152]
[0153] 侦察任务区初始分布如图8所示，随机产生的初始解如图9所示，离散布谷鸟 捜索算法侦察路径规划结果如图10所示，具体的无人机侦察航路规划如表2所示，从表 中可知从基地起飞完成对所有任务区遍历飞行需要的最小时间为6. 6197h，总飞行距离 1456. 334km，通过基本布谷鸟捜索算法求得的任务区侦察信息收益如表3所示，从中可知 每个任务区对应的侦察时间和可获得的侦察收益，总的侦察收益为6. 0771。为了分析本方 案运行速度，针对上述场景采用了遗传算法（geneticalgorithm,GA)与布谷鸟算法进行相 应的对比分析计算，CSA与GA的进化收敛曲线如下11所示，结果显示GA算法运行时间为 19. 206s，而CSA算法运行时间仅为6. 0742s，CSA算法速率明显快于GA算法，从GA、CSA两 种算法的进化曲线中也可W看出，相对于GA算法，CSA算法能够克服GA算法早熟的缺点， 收敛速度快，所得结果明显优于遗传算法。
【主权项】
1. 一种布谷鸟搜索算法解决UAV多任务侦察决策问题的方法，其特征在于包括下述步 骤： 步骤一、将侦察任务区数量以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； 步骤二、以遍历全部侦察任务区且飞行路径最短为优化目标，建立UAV最短侦察式中，牝为任务区i到任务区j的欧氏距离，(X1,yi)表示第i个任务区中心的位置坐标；Xlj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，否则为〇 ;n表不任务区数量； 步骤三、定义离散布谷鸟搜索算法的鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率Pa， 巢主鸟是智能布谷鸟的概率P。，最大迭代次数Maxlt，应用整数编码随机生成一个mX(n+1) 的初始矩阵Xnix^j; 步骤四、以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； 步骤五、随机产生服从均匀分布O~1之间的数^，并与概率P。进行比较，若r'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，若尤>//则将第i个解用第j个解替换，其中i，j= 1，2,. . .，m且i乒j; 步骤六、通过L6vy飞行产生一个O~1之间的值1，根据1值产生新鸟窝： 当IG[〇,i)时，解进行一次2-opt扰动； 当IG[ (k-1)Xi,kXi)时，解进行k次2-opt扰动； 当IG[kXi, 1)时，解通过double-bridge进行一次大的扰动； 其中，i=I/(1+p)，P为设定的步数，kG{2, . . .，p}，L6vy飞行产生值的公式为：step标准的Ga_a函数； 然后，计算出新鸟窝的适应度并与之前的进行比较，若则用新的解替换，否则 不变； 步骤七、随机产生服从均匀分布0~1之间的数r2，并与概率匕进行比较，若r2<P a 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； 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；否则，进 入下一步； 步骤九、建立UAV侦察信息确定性指标模型G(t) =Go+G^l-e(pt)) 式中，G。为侦察开始前UAV对任务区域已知信息，0彡6。< 1，G^UAV对任务区域的 信息不确定性部分，Gt^G1=I; 0为侦察载荷对任务区域的侦察能力指数； 步骤十、以侦察收益最大为优化目标，建立UAV多任务侦察收益模型式中，C1S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，31第i个任务区域的面积，ti为第i个任务区分配的侦察时间，t1= 0 ; 步骤十一、定义基本布谷鸟搜索算法的鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率Pa，最大迭代次数Maxlt，随机生成一个mX(n-1)的初始矩阵Yni^n1); 步骤十二、以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； 步骤十三、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，鸟窝的和第t代第i个鸟窝的位置，?表示点对点乘法，a> 0为步长比例因子，0 <P彡2,计 算出新鸟窝的适应度并与之前的进行比较，若/广1 >//则用新的解替换，否则不变； 步骤十四、随机产生服从均匀分布〇~1之间的数r3，并与概率PJJ行比较，若r3<pa 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； 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并返回步骤十三；否 贝1J，退出并显示最优结果。
【专利摘要】本发明提供了一种布谷鸟搜索算法解决UAV多任务侦察决策问题的方法，首先建立UAV最短侦察路径规划优化目标；然后进行离散布谷鸟搜索算法初始参数设值；计算初始值适应度；判断巢主鸟是否具有监测功能；新鸟窝的产生并择优保留；是否抛弃较差鸟窝；再建立UAV侦察信息确定性指标模型和UAV多任务侦察收益模型；基本布谷鸟搜索算法初始参数设值；计算初始值适应度；新鸟窝的产生并择优保留；是否抛弃较差鸟窝；最终得到最优结果。本发明通过离散布谷鸟搜索算法和基本布谷鸟搜索算法进行求解，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。
【IPC分类】G06Q10/04
【公开号】CN105225003
【申请号】CN201510611294
【发明人】张耀中, 张蕾, 胡波, 李寄玮
【申请人】西北工业大学
【公开日】2016年1月6日
【申请日】2015年9月23日