基于改进鸽群优化的无人机集群协同动态目标搜索方法

1.本发明属于无人机集群任务规划领域，具体公开了一种基于改进鸽群优化的无人机集群协同动态目标搜索方法。


背景技术：

2.近年来，各种无人机(unmannedaerial vehicle,uav)在军事战争和民生领域各方面的应用日渐广泛。无人机因其适应能力强、作用范围广、结构精巧和机动灵活等，能实现诸多有人机难以实现的应用场景而受到国内外广泛追捧。军用领域范围被广泛应用于情报侦察、进行战场评估、携带炸弹进行攻击等方面；民用领域范围在物流快递、抗震救灾、航拍等领域也正在快速发展，并且目前无人机还在不断拓展应用广度和深度。然而随着战场环境日益复杂，单架uav受限于传感器探测能力、武器载荷等往往无法胜任给定任务，而多架uav的能力互补和行动协调从完成任务性、鲁棒性和可靠性等方面，都可以显著提升无人机整体作战效能，因此无人机集群作战正成为世界军事强国争先研究的一种新型作战样式。
3.为实现大规模无人机集群的协同作战，加强无人机集群总体完成任务的效能，需要为无人机集群设计一种科学有效的规划决策方法。若缺乏恰当的规划和决策方法，无人机集群可能会在时间、空间以及任务等层面产生冲突，不仅无法发挥出规模优势，甚至有可能导致任务失败。因此无人机集群任务规划是实现集群作战优势的核心。其中，无人机集群协同搜索任务规划将是未来执行区域搜索的重要手段。
4.由于任务区域复杂性、目标未知性、传感器不确定性等构成的战场环境动态性，只能通过无人机实时探测信息互相通信进行实时决策，而无法进行搜索任务的预先规划，。对于任务规划问题，国内外文献对搜索方面做了很多有贡献的工作，然而大多数文献虽然使无人机集群具备了协同搜索的能力，但仍存在目标静止、无法快速发现目标、区域覆盖率较低、算法易陷入局部最优等问题


技术实现要素：

5.发明目的：本发明提出一种基于改进鸽群优化的无人机集群协同动态目标搜索方法，提高目标搜索模式下高覆盖率、快速发现运动目标的效果。
6.技术方案：本发明所述的一种基于改进鸽群优化的无人机集群协同动态目标搜索方法，包括以下步骤：
7.(1)初始化搜索环境，指定任务区域ω中分布着n
t
个动态目标，nv架无人机，将任务区域ω按固定的长宽离散化为l
×
w个栅格；
8.(2)基于覆盖分布地图、目标概率图和数字信息素图的环境感知地图及其更新机理，无人机集群协同搜索任务优化模型；
9.(3)将目标概率图融入吸引信息素更新机理提高发现目标的概率；
10.(4)针对无人机集群协同搜索任务优化模型求解，在基本鸽群优化算法的基础上，改进整数编码方法、离散地图-指南针算子和离散地标算子；引入高斯和柯西变异算子避免
陷入局部最优，同时利用自然选择加快算法收敛速度。
11.进一步地，所述步骤(2)包括以下步骤：
12.(21)在搜索图模型中引入覆盖分布图，每个栅格具有一个值，表明截至k时刻栅格gd
m,n
的状态，栅格的状态grid
(m,n)
(k)表示为：
[0013][0014]
式中：cdmc(k)为已覆盖分布地图栅格集合，cdm
nc
(k)为未覆盖的栅格集合；环境搜索收益jc(k)如下：
[0015]
jc(k)＝covc(k+1)-covc(k)
[0016][0017]
式中：covc(k)为覆盖率，jc(k)表示k到k+1时间内已搜索区域栅格集合占任务区域栅格总数之比；
[0018]
(22)目标概率分布图表述了目标在栅格地图中存在的概率；记栅格gd
m,n
在k时刻的目标存在概率为p
(m,n)
(k)，且p
(m,n)
(k)∈[0,1]；所有栅格的目标存在概率构成概率分布矩阵tpm；
[0019][0020]
式中：j
p
(k)表示在k到k+1时间内探测到的所有栅格目标概率之和，ci表示第i架uav在k到k+1时间内探测到的栅格集合，为k时刻的第i架uav探测到的栅格gd
m,n
的目标存在概率；
[0021]
(23)uav集群搜索则可以通过数字信息素图实现协同控制，目标发现收益如下：
[0022][0023]
式中：jv(k)表示k到k+1时间内探测到的吸引信息素s
α
(gd
m,n
,k)与排斥信息素s
γ
(gd
m,n
,k)之差的所有栅格信息素总和；
[0024]
(24)建立任务协同优化模型如下：
[0025]
j(x(k),u(k))＝μ1jc(k)+μ2j
p
(k)+μ3jv(k)
[0026]
式中：μ1表示环境搜索收益jc(k)所占权重、μ2表示目标发现收益j
p
(k)所占权重、μ3表示机间协同收益jv(k)所占权重。
[0027]
进一步地，所述步骤(3)实现过程如下：
[0028]
吸引信息素更新规则为：
[0029]sα
(gd
m,n
,k)＝(1-ea){(1-ga)[s
α
(gd
m,n
,k-1)+c
m,n
daf(tpm)]+gpa(gd
m,n
,k)}
[0030]
式中：ea表示吸引信息素挥发系数，ga表示吸引信息素传播系数，da表示栅格自主释放的吸引信息素常量，f(tpm)表示与目标存在概率有关的函数，f(tpm)＝λ
×
tpm,λ为随时间的可变系数；
[0031][0032]
式中：n(gd
m,n
)为栅格gd
m,n
的邻近栅格集合，gd'为栅格gd
m,n
的邻近栅格，|n(gd')|表示栅格gd
m,n
邻近的栅格总数；gpa(k)代表(k-1,k]时间内从邻近栅格传入的吸引信息素量的总和。
[0033]
进一步地，所述步骤(4)包括以下步骤：
[0034]
(41)整数编码方法：结合基本pio算法的进化思想，将每个栅格编号，对于nv个uav构成的集群，ps为鸽群总数，第j架无人机可选栅格总数为nj，则每只鸽子的解pi是nv+1维：
[0035][0036]
式中：pi·cj
∈{1,2,...,nj},(i＝1,2,...,ps；j＝1,2,...,nv)表示鸽子位置，意味着第j架无人机选取栅格pi·cj
；第i个鸽子的速度为pi·
v∈(0,nv/2)；
[0037]
(42)基于整数编码，结合鸽群算法中的连续指南针算子，提出一种新的离散指南针算子，更新规则如下：
[0038][0039]
p
it
·
c＝p
it-1
·
c(p
it
·
v)∪p
bt-1
·
c(n
v-p
it
·
v)
[0040]
式中：表示向上取整，t表示迭代次数、r表示指南针算子因子，p
it
·
c表示从第t-1次迭代将保留p
it
·
v个随机数到第t次迭代，同时，(n
v-p
it
·
v)个元素将从当前全局最优解p
bt-1
中选取，pb如式：
[0041][0042]
(43)根据基本pio算法，在地标算子中每次迭代鸽群总数减半：
[0043][0044]
提出新的鸽群中心位置选择方法，即：
[0045][0046]
式中：p
lt
·cj
为选出的第j架无人机各个候选栅格分别对应适应度值之和最大值的栅格，则第t次迭代的中心地标鸽群位置为：
[0047][0048]
为降低算法复杂性，地标算子阶段求解位置的更新不考虑速度的影响，基于中心地标p
lt
，鸽群位置更新规则如下：
[0049]
p
it
＝p
it-1
·
c(z)∪p
lt-1
·
c(n
v-z)
[0050]
式中：z∈[0,1,2,...nv]是一个随机整数；
[0051]
(44)引入高斯算子和柯西算子到pio算法以避免陷入局部最优：
[0052]
x是由高斯变异产生的随机变量，表示为x～n(μ,σ2)，表示随机变量x服从一个数学期望为μ，方差为σ2的正态分布，x的概率密度分布为：
[0053][0054]
y是由柯西变异产生的随机变量，表示为y～c(γ,y0)，γ表示尺度参数，y0为位置参数，y的概率密度分布为：
[0055][0056]
改进的pio算法中，地图-指南针算子阶段采用离散高斯变异算子，即：
[0057][0058]
式中：为各个变异位置上，第j架无人机可选栅格总数nj中的一个随机栅格；xg～n(μ,σ2)表示高斯变异产生的变异位置数量；
[0059]
同理，柯西变异引入到地标算子中，即：
[0060][0061]
式中：式中：yg～c(γ,y0)；
[0062]
(44)将群体中的鸽子按照适应度优劣排列，以群体中适应度最优的1/pf的鸽子位置替换适应度值最差的1/pf的鸽子的速度和位置，同时保留每只鸽子所记忆的最优解，以此加快收敛速度，引入地标算子：
[0063]
pf＝pf
max
×
cdf(iter2,μ,η)
[0064]
式中：pf
max
是pf的最大值，cdf是累积分布函数，μ为均值，η为标准差，iter2是地标算子进化次数。
[0065]
进一步地，步骤(22)所述的目标概率图tpm策略，包括如下步骤：
[0066]
(221)tpm初始化：基于环境不确定性考虑，考虑四种目标类型：
①
完全未知目标信息：目标可能分布于任务区域d中的任一位置，则可假设目标分布服从均匀分布；
②
已知位置，未知目标速度：假设目标运动为独立增量过程，则可采用维纳随机过程描述目标的随机性；
③
已知目标初始位置与速度，未知方向：由于目标速度大小固定，可近似为一个点的概率密度向四周圆弧扩散；
④
已知目标初始位置、速度和方向：则可以根据计算很容易得出概率密度；
[0067]
(222)tpm的探测更新：搜索过程中无人机会根据自身探测和邻近无人机传来的信息，实时更新目标概率分布，即：
[0068][0069]
式中：pd是传感器的探测概率,pf是虚警概率，bk∈{0,1}是观测结果，bk＝0表示不
存在目标，bk＝1表示存在目标；
[0070]
(223)tpm的预测更新：针对目标类型
①
和
②
：目标运动是独立增量则可通过维纳随机过程进行估计；类型
③
：目标将均匀分布在圆弧上；类型
④
：目标直线运动，可很方便预测出概率密度函数，进而求得栅格的目标存在概率。
[0071]
有益效果：与现有技术相比，本发明的有益效果：本发明基于鸽群优化算法，针对环境不确定性下无人机集群协同动态目标搜索和区域覆盖率效率问题，设计了覆盖分布地图、目标概率图和数字信息素图的三种搜索图模型，建立了一种合理的协同搜索任务优化模型，将目标概率图融入吸引信息素更新机理以提高发现动态目标的可能性，覆盖分布地图引进提高发现未知区域覆盖率；在基本鸽群优化算法的基础上，详细设计了整数编码方法、离散地图-指南针算子和离散地标算子三个基本改进部分，引入高斯和柯西变异算子避免陷入局部最优，同时利用自然选择加快算法收敛速度。所设计的优化模型，实现了动态目标搜索，改进的鸽群优化算法有效避免了陷入局部最优的可能，兼备了更高覆盖率和更快更多发现确认目标数量的性能。
附图说明
[0072]
图1为本发明的环境示意图；
[0073]
图2为本发明实施例覆盖率和确认目标比例图；
[0074]
图3为本发明实施例的机间距离图；
[0075]
图4为本发明实施例的无人机集群运动轨迹图。
具体实施方式
[0076]
下面结合附图对本发明做进一步详细说明。
[0077]
本发明提出一种基于改进鸽群优化的无人机集群协同动态目标搜索方法，具体包括以下步骤：
[0078]
步骤1：初始化搜索环境，指定任务区域ω中分布着n
t
个动态目标，将任务区域ω按固定的长宽离散化为l
×
w个栅格。
[0079]
本发明实施例提供了任务环境与无人机状态空间示意图，如图1所示，主要涉及指定任务区域ω中分布着n
t
个动态目标，根据预先侦查的结果部分目标或威胁的运动状态已知；nv架uav构成的uav集群在收到指令后开始对任务区域进行目标的搜索和确认。假设所有uav都在同一个高度飞行，将任务区域ω按固定的长宽离散化为l
×
w个栅格；假定uav的搜索半径为rs，在搜索半径内的目标和威胁均能被探测到；uav的速度为v，决策歩长为δt，则uav在单位决策时间内的位移δd＝v
×
δt，最大转弯角
[0080]
步骤2：基于覆盖分布地图、目标概率图和数字信息素图的环境感知地图及其更新机理，无人机集群协同搜索任务优化模型。
[0081]
为发现更多无先验信息的目标，提高任务区域覆盖率，在搜索图模型中引入覆盖分布图。每个栅格具有一个值，表明截至k时刻栅格gd
m,n
的状态，栅格的状态grid
(m,n)
(k)表示为：
[0082][0083]
式中：cdmc(k)为已覆盖分布地图栅格集合，cdm
nc
(k)为未覆盖的栅格集合。因此环境搜索收益如下：
[0084]
jc(k)＝covc(k+1)-covc(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0085]
式中：covc(k)为覆盖率，jc(k)表示k到k+1时间内已搜索区域栅格集合占任务区域栅格总数之比：
[0086][0087]
目标概率分布图表述了目标在栅格地图中存在的概率；记栅格gd
m,n
在k时刻的目标存在概率为p
(m,n)
(k)，且p
(m,n)
(k)∈[0,1]。所有栅格的目标存在概率构成概率分布矩阵(tpm)：
[0088][0089]
式中：j
p
(k)表示在k到k+1时间内探测到的所有栅格目标概率之和，ci表示第i架uav在k到k+1时间内探测到的栅格集合，为k时刻的第i架uav探测到的栅格gd
m,n
的目标存在概率。
[0090]
由于目标移动，uav接收指令到到达任务区域需要一段时间，目标概率分布也因此动态变化，进行tpm初始化。基于不确定性考虑，考虑四种目标类型：
①
完全未知目标信息：目标可能分布于任务区域d中的任一位置，则可假设目标分布服从均匀分布；
②
已知位置，未知目标速度：假设目标运动为独立增量过程，则可采用维纳随机过程描述目标的随机性；
③
已知目标初始位置与速度，未知方向：由于目标速度大小固定，可近似为一个点的概率密度向四周圆弧扩散；
④
已知目标初始位置、速度和方向：则可以根据计算很容易得出概率密度。
[0091]
搜索过程中无人机会根据自身探测和邻近无人机传来的信息，实时更新目标概率分布，即：
[0092][0093]
式中：pd是传感器的探测概率,pf是虚警概率，bk∈{0,1}是观测结果，bk＝0表示不存在目标，bk＝1表示存在目标。
[0094]
因目标时敏特性为保证tpm准确，进行目标运动预测，预测更新tpm。针对上述目标类型
①
和
②
：目标运动是独立增量则可通过维纳随机过程进行估计；类型
③
：目标将均匀分布在圆弧上；类型
④
：目标直线运动，可很方便预测出概率密度函数，进而求得栅格的目标存在概率。
[0095]
uav集群搜索则可以通过数字信息素图实现协同控制。目标发现收益如下：
[0096][0097]
式中：jv(k)表示k到k+1时间内探测到的吸引信息素s
α
(gd
m,n
,k)与排斥信息素s
γ
(gd
m,n
,k)之差的所有栅格信息素总和。
[0098]
步骤3：将目标概率图融入吸引信息素更新机理提高发现目标的概率。
[0099]
本发明引入目标存在概率，则吸引信息素更新规则为：
[0100][0101]
式中：ea表示吸引信息素挥发系数，ga表示吸引信息素传播系数，da表示栅格自主释放的吸引信息素常量，f(tpm)表示与目标存在概率有关的函数，f(tpm)＝λ
×
tpm,λ为随时间的可变系数，本发明通过设计此函数引进，无人机将朝着目标存在概率上升最快的方向运动，以便更快发现并确认目标：
[0102][0103]
式中：n(gd
m,n
)为栅格gd
m,n
的邻近栅格集合，gd'为栅格gd
m,n
的邻近栅格，n(gd')|表示栅格gd
m,n
邻近的栅格总数。gpa(k)代表(k-1,k]时间内从邻近栅格传入的吸引信息素量的总和。
[0104]
类似吸引信息素，排斥信息素更新规则为：
[0105][0106]
式中：e
γ
表示排斥信息素挥发系数、g
γ
表示排斥信息素传播系数，d
γ
表示栅格受访后排斥信息素释放量。
[0107][0108]
式中：gp
γ
(k)代表(k-1,k]时间内从邻近栅格传入排斥信息素量总和。
[0109]
基于上述三种搜索图，无人机集群协同目标搜索主要考虑三个方面：尽可能覆盖更多未知区域、发现更多目标、提高机间协同搜索效率。从而建立任务协同优化模型如下：
[0110]
j(x(k),u(k))＝μ1jc(k)+μ2j
p
(k)+μ3jv(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0111]
式中：μ1表示环境搜索收益jc(k)所占权重，μ2表示目标发现收益j
p
(k)所占权重、μ3表示机间协同收益jv(k)所占权重。
[0112]
步骤4：针对无人机集群协同搜索任务优化模型求解，在基本鸽群优化算法的基础上，改进整数编码方法、离散地图-指南针算子和离散地标算子；引入高斯和柯西变异算子避免陷入局部最优，同时利用自然选择加快算法收敛速度。
[0113]
基本鸽群优化算法通过模拟鸽子在寻找目标时的不同阶段使用不同的导航工具，基本鸽群算法主要包含地图-指南针算子、地标算子两个部分。
[0114]
地图-指南针算子阶段，定义如下：
[0115]
xj(t)＝[x
j1
,x
j2
,
…
,x
jd
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0116]vj
(t)＝[v
j1
,v
j2
,
…
,v
jd
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0117]
式中：j代表第j只鸽子，xj(t)是第j只鸽子的位置，vj(t)代表第j只鸽子的速度，t意味着第t次迭代次数，d为搜索维度，p是鸽群总数。
[0118]
每只鸽子的位置和速度更新如下：
[0119]vj
(t)＝vj(t-1)
·
e-rt
+rand
·
(x
g-xj(t-1))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0120]
xj(t)＝xj(t-1)+vi(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0121]
式中：r代表指南针因子，rand是介于0～1之间的随机数，xg是鸽群t次迭代以后的最优解。
[0122]
地标算子阶段，定义如下：
[0123][0124][0125]
xj(t)＝xj(t-1)+rand
·
(xc(t)-xj(t-1))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0126]
式中：每次迭代鸽群数量p(t)减半。xc(t)代表剩余鸽子中心地标,fitness(
·
)代表适应度函数。
[0127]
由于uav运动栅格化，需要符合最大偏航角的同时选出整数栅格作为下一航路点，本发明将其编码变成了一个整数规划问题。结合基本pio算法的进化思想，将每个栅格编号，对于nv个uav构成的集群，ps为鸽群总数，第j架无人机可选栅格总数为nj，则每只鸽子的解pi是nv+1维，可以表示为：
[0128][0129]
式中：pi·cj
∈{1,2,...,nj},(i＝1,2,...,ps；j＝1,2,...,nv)表示鸽子位置，意味着第j架无人机选取栅格pi·cj
。第i个鸽子的速度为pi·
v∈(0,nv/2)。
[0130]
基于上述的整数编码，结合鸽群算法中的连续指南针算子，提出一种新的离散指南针算子。更新规则如下：
[0131][0132]
p
it
·
c＝p
it-1
·
c(p
it
·
v)∪p
bt-1
·
c(n
v-p
it
·
v)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0133]
式中：表示向上取整，t表示迭代次数、r表示指南针算子因子；p
it
·
c表示从第t-1次迭代将保留p
it
·
v个随机数到第t次迭代，同时，(n
v-p
it
·
v)个元素将从当前全局最优解p
bt-1
中选取，pb如式：
[0134][0135]
根据基本pio算法思想，地标算子中每次迭代鸽群总数减半：
[0136][0137]
考虑到基本鸽群算法的中心地标位置选择不适用于本发明，提出新的鸽群中心位
置选择方法，即：
[0138][0139]
式中：p
lt
·cj
为选出的第j架无人机各个候选栅格分别对应适应度值之和最大值的栅格。则第t次迭代的中心地标鸽群位置为：
[0140][0141]
为降低算法复杂性，地标算子阶段求解位置的更新不考虑速度的影响。基于中心地标p
lt
，鸽群位置更新规则如下：
[0142]
p
it
＝p
it-1
·
c(z)∪p
lt-1
·
c(n
v-z)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(26)
[0143]
式中：z∈[0,1,2,...nv]是一个随机整数。
[0144]
进化算法中柯西变异能较好的跳出局部最优解，高斯变异能较快的使局部收敛。因此引入两种变异算子到pio算法中以避免陷入局部最优。
[0145]
高斯算子：x是由高斯变异产生的随机变量，表示为x～n(μ,σ2)，表示随机变量x服从一个数学期望为μ，方差为σ2的正态分布，x的概率密度分布为
[0146][0147]
柯西算子：y是由柯西变异产生的随机变量，表示为y～c(γ,y0)，γ表示尺度参数，y0为位置参数，y的概率密度分布为：
[0148][0149]
改进的pio算法中，地图-指南针算子阶段采用离散高斯变异算子，即：
[0150][0151]
式中：式中：为各个变异位置上，第j架无人机可选栅格总数nj中的一个随机栅格。xg～n(μ,σ2)表示高斯变异产生的变异位置数量。
[0152]
同理，柯西变异引入到地标算子中，即：
[0153][0154]
式中：式中：yg～c(γ,y0)表示柯西变异产生的变异位置数量。
[0155]
将群体中的鸽子按照适应度优劣排列，以群体中适应度最优的1/pf的鸽子位置替换适应度值最差的1/pf的鸽子的速度和位置，同时保留每只鸽子所记忆的最优解，以此加快收敛速度。因此本发明将其引入地标算子替代原本的每次淘汰一半的鸽子数量：
[0156]
pf＝pf
max
×
cdf(iter2,μ,η)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(31)
[0157]
式中：pf
max
是pf的最大值，cdf是累积分布函数，μ为均值，η为标准差，iter2是地标算子进化次数。
[0158]
算法前期，替换更多位置差的鸽群，有利于加快鸽子向最优值靠近，增加鸽子之间正确信息传递，加快收敛。算法后期，鸽群大部分聚集一起，替换相对更少的鸽子，有利于保持鸽群的多样性。同时提升鸽群的搜寻速度和寻优准确度。
[0159]
本实施例的数值仿真验证如下，uav集群数量为10架，每10s决策一次，v＝100m/s，rs＝3km。任务区域为80km
×
80km划分为80
×
80个栅格，目标总数为20个，上述四种运动目标类型各5个，机间最小安全距离为1个栅格，uav接收到任务指令后，经过60s进入任务区域，当目标概率大于设定阈值即视为确认目标，用五角星表示。每种目标类型，各绘制一条目标运动路径，其余目标只绘制出起点与最终被发现确认的点，黑色虚线星号为目标移动路径，黑色方块为各个无人机起点。如图2至图4所示，从仿真结果看出，将tpm引入到数字信息素图中的吸引信息素中，可以快速发现目标，并持续接近确认目标，截至在150代时，uav集群共发现确认19个目标，区域覆盖率达到94.9％，确认目标比例为95％。因此，本发明充分满足了高覆盖率和对运动目标的快速搜索的任务要求，同时满足了机间协同避撞要求。
[0160]
本发明基于鸽群优化算法，针对环境不确定性下无人机集群协同动态目标搜索和区域覆盖率效率问题，设计了覆盖分布地图、目标概率图和数字信息素图的三种搜索图模型，建立了一种合理的协同搜索任务优化模型，将目标概率图融入吸引信息素更新机理以提高发现动态目标的可能性，覆盖分布地图引进提高发现未知区域覆盖率。
[0161]
本发明在基本鸽群优化算法的基础上，提出了一种基于自然选择和高斯-柯西变异的离散鸽群优化算法。详细设计了整数编码方法、离散地图-指南针算子和离散地标算子三个基本改进部分，引入高斯和柯西变异算子有效避免了算法陷入局部最优，同时利用自然选择加快算法收敛速度。
[0162]
本发明所设计的优化模型，实现了动态目标搜索，改进的鸽群优化算法有效避免了算法陷入局部最优的可能，可以快速发现并持续接近确认运动目标，兼备了更高覆盖率和更快更多发现确认目标数量的性能。
[0163]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不仅仅局限于此，任何了解熟悉本技术领域的普通技术人员，在不脱离本发明范围以内，均可做出相应改进与替换，这些改进和替换都应涵盖视为在本发明的保护范围之内。