基于免疫克隆算法的无人机协同航迹规划方法及装置

1.本技术涉及无人机航迹规划技术领域，特别是涉及一种基于免疫克隆算法的无人机协同航迹规划方法、装置、计算机设备和存储介质。


背景技术：

2.随着无人机技术的发展，无人机(uav)因其安全性、灵活性和可重复使用广泛与用于生活中，在灾害场景下，进行救援物资的输送具有重要作用，随着救援复杂情况的提高，无人机的飞行安全已成为成功执行救援物资的输送的关键，安全飞行的核心是航迹规划。无人机航迹规划是在满足无人机性能约束和周围环境约束的情况下，设计一条从起始位置到目标位置的飞行路径，使其损伤成本最低。一般来说，救援复杂环境中有危险的地形和恶劣的气候。为保证无人机的安全，规划的路径应有助于尽可能降低被摧毁的概率。在这种情况下，多无人机在提高救援物资输送和灾情探查方面具有一定优势，因为两种抗体可以提供相互保护并共享信息，以降低被摧毁的概率。与单无人机航迹规划不同，多无人机协同航迹规划不仅考虑了单无人机的性能约束和环境约束，还考虑了多无人机协同飞行的时间约束。
3.然而，目前对于已知环境下的静态航迹规划，国内外已经进行了大量的研究，现有方法在进行无人机协同时容易偏离最优解，计算复杂度高，收敛速度受到限制，效率低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高无人机协同规划效率的基于免疫克隆算法的无人机协同航迹规划方法、装置、计算机设备和存储介质。
5.一种基于免疫克隆算法的无人机协同航迹规划方法，所述方法包括：
6.获取待规划区域；
7.对待规划区域进行环境威胁成本计算，根据环境威胁成本和无人机飞行的燃料成本构建无人机航迹规划的目标函数；
8.采用网格法将待规划区域划分为网格，网格中的所有节点构成节点集；节点集中多个相邻的节点构成无人机航迹；节点表示待规划区域中无人机飞行点位；
9.根据引导因子和启发因子对节点集中每个节点的转移概率进行计算，将转移概率最大的节点作为下一转移节点，得到初始抗体群；抗体为无人机航迹；
10.根据锦标赛选择的克隆选择算法对初始抗体群进行选择，得到第一候选抗体群；
11.对第一候选抗体群进行免疫克隆操作和免疫基因操作，得到第二候选抗体群和第三候选抗体群；
12.将第二候选抗体群和第三候选抗体群结合起来进行抗体修饰，得到第四候选抗体群；
13.对第四候选抗体群进行快速非支配排序并计算拥挤距离，根据非支配排序和拥挤距离更新第四候选抗体群，得到最终抗体群；最终抗体群包括多个无人机的多条候选航迹；
14.根据无人机航迹规划的目标函数和预先设定的权重设置航迹成本，利用航迹成本和协调时间构建无人机协同规划的目标函数；
15.根据无人机协同规划的目标函数对最终抗体群进行无人机航迹选择，得到协调方案；
16.根据协调方案对待规划区域进行无人机协同航迹规划。
17.在其中一个实施例中，根据环境威胁成本和无人机飞行的燃料成本设置无人机航迹规划的目标函数，包括：
18.根据环境威胁成本和无人机飞行的燃料成本设置无人机航迹规划的目标函数为
[0019][0020]
其中，j
length
表示燃油成本，w
l
表示系数，l表示航迹长度，j
threat
表示威胁成本，wr，wm，wa，wc，wh和w
t
分别是雷达、导弹、火炮、气候、高度和山脉的威胁权重系数；jr，jm，ja，jc，jh和j
t
分别是雷达、导弹、火炮、气候、高度和山脉的威胁成本。
[0021]
在其中一个实施例中，根据引导因子和启发因子对所述节点集中每个节点的转移概率进行计算，包括：
[0022]
根据引导因子和启发因子对节点集中每个节点的转移概率进行计算，得到节点的转移概率为
[0023][0024]
其中，i、j和s分别表示节点集中的任意节点，ηj表示启发因子，λj表示引导因子，α表示启发因子的重要性，β表示引导因子的重要性，b
k,i
表示节点集。
[0025]
在其中一个实施例中，根据锦标赛选择的克隆选择算法对初始抗体群进行选择，得到第一候选抗体群，包括：
[0026]
将锦标赛的规模设置为n，初始抗体群的规模设置为m，从初始抗体群中随机选择n个抗体进行比较，保留非优势等级最低和拥挤距离最高的抗体，重复上述过程m次后，得到m种抗体；m种抗体为第一候选抗体群。
[0027]
在其中一个实施例中，对第一候选抗体群进行免疫克隆操作和免疫基因操作，得到第二候选抗体群和第三候选抗体群，包括：
[0028]
对第一候选抗体进行免疫克隆操作，得到第二候选抗体群为
[0029]
p
(2)
(t)＝p
(1)1
(t)+p
(1)2
(t)+
…
+p
(1)mc
(t)＝{p
1(1)1
(t)，
…
，p
m(1)1
(t)}+
…
+{p
1(1)mc
(t),
…
，p
m(1)mc
(t)}＝{p
1(2)
(t)，p
2(2)
(t)，
…
，p
n(m)(2)
(t)}
[0030]
其中，n(m)＝m
×
mc，m是选择操作保留的抗体数量，mc是克隆比例，p
(1)
(t)＝{p
1(1)
(t)，p
2(1)
(t)，
…
，p
m(1)
(t)}为第一候选抗体群。
[0031]
在其中一个实施例中，对第一候选抗体群进行基因重组和基因突变，在基因重组中，从第一候选抗体群中随机选择两种抗体，并固定两种抗体的起点和终点，计算两种抗体
中彼此最接近的节点对，若只有一对，则选择这两个节点作为交叉点，根据重组概率交换交叉点前后的两个抗体，若有多对，则随机选择其中之一作为交叉点，并根据重组概率交换这两个交叉点前后的两种抗体，得到基因重组后的抗体群；
[0032]
对基因重组后的抗体群中的每个抗体的起点和结束节点进行固定，随机选择抗体中的一个节点在突变范围内进行突变，得到第三候选抗体群；突变范围是第i个节点的邻居节点集合和第i+1个节点的邻居节点集合的交集。
[0033]
在其中一个实施例中，将第二候选抗体群和第三候选抗体群结合起来进行抗体修饰，得到第四候选抗体群，包括：
[0034]
将第二候选抗体群和第三候选抗体群结合起来，遍历结合后的抗体群中每个抗体的所有节点，如果第i个节点和第j个节点在一条航迹上是连续的，并且第j个节点不在第i个节点的邻居集合nei中，则对第j个节点进行修正，选择第i个节点的邻居节点集合nei和第j个节点的邻居节点集合nej的交集作为插入节点集合b
insert
，如果b
insert
为空，表示第i个节点和第j个节点之间有两个以上的格子，则删除这个抗体，如果b
insert
不为空，则随机选择一个节点作为插入节点，得到修饰后的第四候选抗体群。
[0035]
在其中一个实施例中，根据非支配排序和拥挤距离更新第四候选抗体群，得到最终抗体群，包括：
[0036]
步骤一：设置a＝1，生成更新的抗体群g；
[0037]
步骤二：从第四候选抗体群p
(4)
(t)中选择非支配排序a的抗体群f，合并抗体群f、g产生组合群f+g＝f∪g，对组合群进行非支配排序，组合群f+g的非支配排序值记为length(f+g)；
[0038]
步骤三：若length(f+g)《n
′
，n
′
表示最终抗体群的大小，将f加到g中，a＝a+1，转步骤二；如果length(f+g)》n
′
，令nm＝n-length(f+g)，根据拥挤距离对f中的抗体进行排序，将前nm个抗体加入g；如果length(f+g)＝n
′
，则将f添加到g；g为最终抗体群。
[0039]
在其中一个实施例中，利用航迹成本和协调时间构建无人机协同规划的目标函数，包括：
[0040]
利用航迹成本和协调时间构建无人机协同规划的目标函数为
[0041][0042]
其中，w
i,si
表示第i个无人机规划的第si个候选的航迹成本，λ表示协同系数，m表示无人机总数，td表示协调时间。
[0043]
一种基于免疫克隆算法的无人机协同航迹规划装置，所述装置包括：
[0044]
无人机航迹规划的目标函数构建模块，用于获取待规划区域；对待规划区域进行环境威胁成本计算，根据环境威胁成本和无人机飞行的燃料成本构建无人机航迹规划的目标函数；
[0045]
区域划分模块，用于采用网格法将待规划区域划分为网格，网格中的所有节点构成节点集；节点集中多个相邻的节点构成无人机航迹；节点表示待规划区域中无人机飞行点位；
[0046]
初始抗体群构建模块，用于根据引导因子和启发因子对节点集中每个节点的转移概率进行计算，将转移概率最大的节点作为下一转移节点，得到初始抗体群；抗体为无人机
航迹；
[0047]
抗体群优化模块，用于根据锦标赛选择的克隆选择算法对初始抗体群进行选择，得到第一候选抗体群；对第一候选抗体群进行免疫克隆操作和免疫基因操作，得到第二候选抗体群和第三候选抗体群；将第二候选抗体群和第三候选抗体群结合起来进行抗体修饰，得到第四候选抗体群；对第四候选抗体群进行快速非支配排序并计算拥挤距离，根据非支配排序和拥挤距离更新第四候选抗体群，得到最终抗体群；最终抗体群包括多个无人机的多条候选航迹；
[0048]
无人机协同规划的目标函数构建模块，用于根据无人机航迹规划的目标函数和预先设定的权重设置航迹成本，利用航迹成本和协调时间构建无人机协同规划的目标函数；
[0049]
无人机协同规划模块，用于根据无人机协同规划的目标函数对最终抗体群进行无人机航迹选择，得到协调方案；根据协调方案对所述待规划区域进行无人机协同航迹规划。
[0050]
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0051]
获取待规划区域；
[0052]
对待规划区域进行环境威胁成本计算，根据环境威胁成本和无人机飞行的燃料成本构建无人机航迹规划的目标函数；
[0053]
采用网格法将待规划区域划分为网格，网格中的所有节点构成节点集；节点集中多个相邻的节点构成无人机航迹；节点表示待规划区域中无人机飞行点位；
[0054]
根据引导因子和启发因子对节点集中每个节点的转移概率进行计算，将转移概率最大的节点作为下一转移节点，得到初始抗体群；抗体为无人机航迹；
[0055]
根据锦标赛选择的克隆选择算法对初始抗体群进行选择，得到第一候选抗体群；
[0056]
对第一候选抗体群进行免疫克隆操作和免疫基因操作，得到第二候选抗体群和第三候选抗体群；
[0057]
将第二候选抗体群和第三候选抗体群结合起来进行抗体修饰，得到第四候选抗体群；
[0058]
对第四候选抗体群进行快速非支配排序并计算拥挤距离，根据非支配排序和拥挤距离更新第四候选抗体群，得到最终抗体群；最终抗体群包括多个无人机的多条候选航迹；
[0059]
根据无人机航迹规划的目标函数和预先设定的权重设置航迹成本，利用航迹成本和协调时间构建无人机协同规划的目标函数；
[0060]
根据无人机协同规划的目标函数对最终抗体群进行无人机航迹选择，得到协调方案；
[0061]
根据协调方案对待规划区域进行无人机协同航迹规划。
[0062]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0063]
获取待规划区域；
[0064]
对待规划区域进行环境威胁成本计算，根据环境威胁成本和无人机飞行的燃料成本构建无人机航迹规划的目标函数；
[0065]
采用网格法将待规划区域划分为网格，网格中的所有节点构成节点集；节点集中多个相邻的节点构成无人机航迹；节点表示待规划区域中无人机飞行点位；
[0066]
根据引导因子和启发因子对节点集中每个节点的转移概率进行计算，将转移概率最大的节点作为下一转移节点，得到初始抗体群；抗体为无人机航迹；
[0067]
根据锦标赛选择的克隆选择算法对初始抗体群进行选择，得到第一候选抗体群；
[0068]
对第一候选抗体群进行免疫克隆操作和免疫基因操作，得到第二候选抗体群和第三候选抗体群；
[0069]
将第二候选抗体群和第三候选抗体群结合起来进行抗体修饰，得到第四候选抗体群；
[0070]
对第四候选抗体群进行快速非支配排序并计算拥挤距离，根据非支配排序和拥挤距离更新第四候选抗体群，得到最终抗体群；最终抗体群包括多个无人机的多条候选航迹；
[0071]
根据无人机航迹规划的目标函数和预先设定的权重设置航迹成本，利用航迹成本和协调时间构建无人机协同规划的目标函数；
[0072]
根据无人机协同规划的目标函数对最终抗体群进行无人机航迹选择，得到协调方案；
[0073]
根据协调方案对待规划区域进行无人机协同航迹规划。
[0074]
上述基于免疫克隆算法的无人机协同航迹规划方法、装置、计算机设备和存储介质，本技术将待规划区域中的威胁成本和燃料成本设置为无人机航迹规划的目标函数，在后续进行航迹选择时有利于降低威胁成本，提高飞行安全性，保证无人机性能稳定，采用网格法将待规划区域划分为网格，网格中多个相邻的节点构成无人机航迹，在初始化过程中引入启发因子和引导因子，生成高质量的抗体，节点转移更加有效，从而提高了初始抗体的质量，加快了收敛速度，通过免疫克隆操作和免疫基因操作不断优化抗体群体并纠正一些不可行的抗体，提高抗体的可行性，然后对一些不可行的抗体进行修饰，以增强抗体群体的多样性，最终得到了无人机的优化后的多条候选航迹，再根据无人机航迹规划的目标函数和预先设定的权重设置航迹成本，利用航迹成本和协调时间构建无人机协同规划的目标函数；根据无人机协同规划的目标函数对最终抗体群进行无人机航迹选择，选择协调代价最小的航迹作为协调航迹，根据得到的每架无人机的协调航迹构成最优协调方案，利用最优协调方案对待规划区域进行无人机协同航迹规划进而提高了无人机协同航迹规划效率。
附图说明
[0075]
图1为一个实施例中一种基于免疫克隆算法的无人机协同航迹规划方法的流程示意图；
[0076]
图2为一个实施例中重组算子的示意图；
[0077]
图3为一个实施例中变异算子的示意图；
[0078]
图4为另一个实施例中待规划区域的示意图；
[0079]
图5为一个实施例中本技术方法ica和gfaco算法进行协同航迹规划的效果对比示意图；
[0080]
图6为一个实施例中一种基于免疫克隆算法的无人机协同航迹规划装置的示意图；
[0081]
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
[0082]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0083]
在一个实施例中，如图1所示，提供了一种基于免疫克隆算法的无人机协同航迹规划方法，包括以下步骤：
[0084]
步骤102，获取待规划区域；对待规划区域进行环境威胁成本计算，根据环境威胁成本和无人机飞行的燃料成本构建无人机航迹规划的目标函数。
[0085]
无人机在飞行过程中主要受到环境威胁和自身性能约束的限制。因此，目标函数的建立主要考虑威胁成本和燃料成本。战场环境中的威胁源包括雷达、导弹、火炮、气候、高度或山脉，对待规划区域进行环境威胁成本计算，威胁成本由以下公式给出：
[0086]jthreat
＝wr·
jr+wm·jm
+wa·
ja+wc·
jc+wh·
jh+w
t
·jt
[0087]
其中，wr，wm，wa，wc，wh和w
t
分别是雷达、导弹、火炮、气候、高度和山脉的威胁权重系数。jr，jm，ja，jc，jh和j
t
分别是雷达、导弹、火炮、气候、高度和山脉的威胁成本。
[0088][0089]
上式中，n
l
为航迹节点数，nr为雷达威胁数，为第i个节点与第k个雷达之间的欧氏距离，雷达检测概率为：
[0090][0091]
是无人机进入该范围后将被检测到的最小检测距离，是无人机远离该范围后将不会受到威胁的最大检测距离。
[0092][0093]
上式中，nm是导弹威胁的数量，是第i个节点与第k个导弹之间的欧氏距离，导弹的毁伤概率为：
[0094]
[0095]
是无人机进入该范围后将被摧毁的最小伤害范围，是无人机远离该范围后不会受到威胁的最大伤害范围。
[0096][0097]
上式中，na是火炮威胁的数量，是第i个节点与第k个防空武器之间的欧氏距离，火炮的毁伤概率为：
[0098][0099]
是无人机进入该范围后将被摧毁的最小伤害范围，是无人机远离该范围后不会受到威胁的最大伤害范围。
[0100][0101]
上式中，nc是气候威胁的数量，是第i个节点和第k个气候威胁之间的欧氏距离，气候的影响概率为：
[0102][0103]
是无人机一旦进入该范围将被摧毁的最小伤害范围，是无人机一旦远离该范围将不会受到威胁的最大伤害范围。
[0104][0105]
上式中，hi是节点i的高度。
[0106][0107]
[0108]
是第i个节点与第k个山体中心轴之间的距离，是高度h的山体横截面半径，是无人机进入该范围后撞击地面的最小损伤范围，是无人机离开该范围后不受地形威胁的最大损伤范围。
[0109]
与航迹长度相关的燃油成本由以下公式给出：
[0110]jlength
＝w
l
·
l
[0111]
其中w
l
表示系数，l表示航迹长度，n
l
表示航迹节点数。
[0112]
根据环境威胁成本和无人机飞行的燃料成本构建无人机航迹规划的目标函数，有利于降低威胁成本，提高飞行安全性，保证性能稳定。
[0113]
步骤104，采用网格法将待规划区域划分为网格，网格中的所有节点构成节点集；节点集中多个相邻的节点构成无人机航迹；节点表示待规划区域中无人机飞行点位。
[0114]
采用网格法将待规划区域划分为网格，将网格中的节点表示待规划区域中无人机飞行点位，即无人机在飞行航迹中经过的位置，可以更加清晰准确的计算和获取无人机的位置和航迹以及多个无人机在待规划区域中的相对位置和航迹，从而有利于进行协同规划。
[0115]
步骤106，根据引导因子和启发因子对节点集中每个节点的转移概率进行计算，将转移概率最大的节点作为下一转移节点，得到初始抗体群；抗体为无人机航迹。
[0116]
生成初始抗体集的关键是节点如何传输，本技术引入引导因子和启发因子形成转移规则，启发式因子有助于节点转移尽量避免威胁，引导因子可以为节点转移提供方向信息，对节点集中每个节点的转移概率进行计算，将转移概率最大的节点作为下一转移节点，设置初始抗体群的大小，不断更换起点，在节点转移过程中可以生成多条航迹，即候选航迹，从而生成初始抗体群。
[0117]
步骤108，根据锦标赛选择的克隆选择算法对初始抗体群进行选择，得到第一候选抗体群；对第一候选抗体群进行免疫克隆操作和免疫基因操作，得到第二候选抗体群和第三候选抗体群；将第二候选抗体群和第三候选抗体群结合起来进行抗体修饰，得到第四候选抗体群；对第四候选抗体群进行快速非支配排序并计算拥挤距离，根据非支配排序和拥挤距离更新第四候选抗体群，得到最终抗体群；最终抗体群包括多个无人机的多条候选航迹。
[0118]
克隆选择可以选择亲和力更高的抗体。锦标赛选择法选择亲和力较高的抗体，以确保后代群体的质量和多样性，免疫克隆操作是通过复制一定比例的优秀抗体产生更多的抗体，进而可以执行更多的基因操作来扩展搜索空间，免疫基因操作包括基因重组和基因突变，可以增强种群的多样性，但是在重组和突变过程中可能产生两种不可行的抗体，包含重复节点的不可行抗体可以直接删除，因为它们很可能是闭环；包含跨越多个网格的两个连续节点的其他可行抗体有可能被纠正，具有小跨度的节点对可以用节点补充，以使抗体可行，后续对抗体进行修饰并纠正一些不可行的抗体，可以提高抗体的可行性，对抗体群进行了多轮优化，最后根据非支配排序和拥挤距离，将超过初始抗体群大小的多余的抗体去除，使得抗体群的大小不变，得到优化后的最终抗体群，最终抗体群中的抗体表示无人机的
候选航迹，通过对抗体群进行优化，优化了无人机的候选航迹。
[0119]
步骤110，根据无人机航迹规划的目标函数和预先设定的权重设置航迹成本，利用航迹成本和协调时间构建无人机协同规划的目标函数。
[0120]
多个无人机在进行协同规划时，需要为每个无人机提前规划多条候选航迹，以满足不同的任务需求，利用航迹成本和协调时间构建无人机协同规划的目标函数可以使得在后续进行协同规划时，在每个无人机能够满足时间协调要求，并且协调成本最小时为每个无人机选择一个候选航迹进而每架无人机可以同时到达目标区域完成协同任务，从而提高协同效率。
[0121]
步骤112，根据无人机协同规划的目标函数对最终抗体群进行无人机航迹选择，得到协调方案；根据协调方案对所述待规划区域进行无人机协同航迹规划。
[0122]
根据无人机协同规划的目标函数对最终抗体群进行无人机航迹选择，选择协调代价最小的航迹作为最终航迹，从而得到协调方案，利用协调方案对待规划区域进行无人机协同航迹规划进而提高了无人机协同航迹规划效率。
[0123]
上述基于免疫克隆算法的无人机协同航迹规划方法中，本技术将待规划区域中的威胁成本和燃料成本设置为无人机航迹规划的目标函数，在后续进行航迹选择时有有利于降低威胁成本，提高飞行安全性，保证无人机性能稳定，采用网格法将待规划区域划分为网格，网格中多个相邻的节点构成无人机航迹，在初始化过程中引入启发因子和引导因子，生成高质量的抗体，节点转移更加有效，从而提高了初始抗体的质量，加快了收敛速度，通过免疫克隆操作和免疫基因操作不断优化抗体群体并纠正一些不可行的抗体，提高抗体的可行性，然后对一些不可行的抗体进行修饰，以增强抗体群体的多样性，最终得到了无人机的优化后的多条候选航迹，再根据无人机航迹规划的目标函数和预先设定的权重设置航迹成本，利用航迹成本和协调时间构建无人机协同规划的目标函数；根据无人机协同规划的目标函数对最终抗体群进行无人机航迹选择，选择协调代价最小的航迹作为协调航迹，根据得到的每架无人机的协调航迹构成最优协调方案，利用最优协调方案对待规划区域进行无人机协同航迹规划进而提高了无人机协同航迹规划效率。
[0124]
在其中一个实施例中，根据环境威胁成本和无人机飞行的燃料成本设置无人机航迹规划的目标函数，包括：
[0125]
根据环境威胁成本和无人机飞行的燃料成本设置无人机航迹规划的目标函数为
[0126][0127]
其中，j
length
表示燃油成本，w
l
表示系数，l表示航迹长度，j
threat
表示威胁成本，wr，wm，wa，wc，wh和w
t
分别是雷达、导弹、火炮、气候、高度和山脉的威胁权重系数；jr，jm，ja，jc，jh和j
t
分别是雷达、导弹、火炮、气候、高度和山脉的威胁成本。
[0128]
在其中一个实施例中，根据引导因子和启发因子对所述节点集中每个节点的转移概率进行计算，包括：
[0129]
根据引导因子和启发因子对节点集中每个节点的转移概率进行计算，得到节点的转移概率为
[0130][0131]
其中，i、j和s分别表示节点集中的任意节点，ηj表示启发因子，λj表示引导因子，α表示启发因子的重要性，β表示引导因子的重要性，b
k,i
表示节点集。
[0132]
在具体实施例中，生成初始抗体集的关键是节点如何传输。当选择节点集中的一个节点i作为下一个节点时，引入启发式因子和前导因子形成转移规则，并计算节点集中每个节点i的转移概率，然后选择传输概率最大的节点作为下一个节点。启发因子的计算方式如下：
[0133][0134]
其中，wr，wm，wa，wc，wh和w
t
分别是雷达、导弹、火炮、气候、高度和山脉的威胁权重系数。nr，nm，na，nc和n
t
分别是雷达、导弹、火炮、气候和山脉的数量。表示第j个节点与第n个雷达威胁之间的距离，表示第j个节点与第n个导弹威胁之间的距离，表示第j个节点与第n个火炮之间的距离。表示第j个节点与第n个气候威胁之间的距离。对于第j个节点的高度，是第j个节点和第n个山之间的距离。启发式因子越大，节点与威胁源之间的距离越远。
[0135]
引导因子的计算方式如下：
[0136][0137]
其中，d
j,end
表示第j个节点和结束节点p
k,end
之间的距离。导向因子越大，节点和结束节点之间的距离越小。
[0138]
启发式因子有助于节点转移尽量避免威胁，引导因子可以为节点转移提供方向信息。通过引入启发式因子和引导因子，节点转移更加有效，从而提高了初始抗体的质量，加快了方法的收敛速度。
[0139]
随着转移规则的确定，可以通过搜索从起点到结束节点的节点来获得初始抗体。在执行上述操作n次后，获得n个抗体以形成初始抗体群。
[0140]
p(t)＝{p1(t)，p2(t)，
…
，pn(t)}
[0141]
其中t表示当前代，pi(t)表示抗体，pi(t)＝{start，p
i1
，p
i2
，
…
，p
ik
，end}，p
ik
表示
节点数，ik∈{1，2，
…
，m
×
n}。
[0142]
在其中一个实施例中，根据锦标赛选择的克隆选择算法对初始抗体群进行选择，得到第一候选抗体群，包括：
[0143]
将锦标赛的规模设置为n，初始抗体群的规模设置为m，从初始抗体群中随机选择n个抗体进行比较，保留非优势等级最低和拥挤距离最高的抗体，重复上述过程m次后，得到m种抗体；m种抗体为第一候选抗体群。
[0144]
在具体实施例中，锦标赛选择的克隆选择算法如表1所示：
[0145][0146]
首先，将比赛规模设置为n，所选抗体群体的规模设置为m。然后从抗体群体中随机选择n个抗体进行比较，为下一代保留具有较小非优势等级和较大拥挤距离的抗体。重复上述过程m次后，可在下一代中保留m种抗体，最后得到第一候选抗体群为p
(1)
(t)＝{p
1(1)
(t)，p
2(1)
(t)，
…
，p
m(1)
(t)}。
[0147]
在其中一个实施例中，对第一候选抗体群进行免疫克隆操作和免疫基因操作，得到第二候选抗体群和第三候选抗体群，包括：
[0148]
对第一候选抗体进行免疫克隆操作，得到第二候选抗体群为
[0149]
p
(2)
(t)＝p
(1)1
(t)+p
(1)2
(t)+
…
+p
(1)mc
(t)＝{p
1(1)1
(t)，
…
，p
m(1)1
(t)}+
…
+{p
1(1)mc
(t),
…
，p
m(1)mc
(t)}＝{p
1(2)
(t)，p
2(2)
(t)，
…
，p
n(m)(2)
(t)}
[0150]
其中，n(m)＝m
×
mc，m是选择操作保留的抗体数量，mc是克隆比例，p
(1)
(t)＝{p
1(1)
(t)，p
2(1)
(t)，
…
，p
m(1)
(t)}为第一候选抗体群。
[0151]
在其中一个实施例中，对第一候选抗体群进行基因重组和基因突变，在基因重组中，从第一候选抗体群中随机选择两种抗体，并固定两种抗体的起点和终点，计算两种抗体中彼此最接近的节点对，若只有一对，则选择这两个节点作为交叉点，根据重组概率交换交叉点前后的两个抗体，若有多对，则随机选择其中之一作为交叉点，并根据重组概率交换这
两个交叉点前后的两种抗体，得到基因重组后的抗体群；
[0152]
对基因重组后的抗体群中的每个抗体的起点和结束节点进行固定，随机选择抗体中的一个节点在突变范围内进行突变，得到第三候选抗体群；突变范围是第i个节点的邻居节点集合和第i+1个节点的邻居节点集合的交集。
[0153]
在具体实施例中，免疫基因操作包括基因重组和基因突变，可以增强种群的多样性。随机重组和突变很容易产生不可行的抗体。不可行的抗体包括：包含重复节点的抗体或包含跨越多个网格的两个相邻节点的抗体。因此，不仅要产生具有良好多样性的抗体群体，还要考虑如何提高抗体在基因重组和基因突变过程中的可行性。
[0154]
在基因重组中，从后代群体中随机选择两种抗体，并固定它们的起点和终点。选择最近的两个节点作为交叉点可以降低产生抗体的不可行性。然后计算两种抗体中彼此最接近的节点对。对的数量可以是一个或多个。如果有一对，则选择这两个节点作为交叉点，根据重组概率交换交叉点前后的两个抗体；如果有多对，则随机选择其中之一作为交叉点，并根据重组概率交换这两个交叉点前后的两种抗体，如图2所示。
[0155]
对于每个抗体，当起点和结束节点固定时，随机选择一个节点进行突变，变异算子如图3所示。随机选择第i个节点作为突变点，变异的搜索范围b
mutation
是第i个节点的邻居节点集合和第i+1个节点的邻居节点集合的交集，b
insert
＝ne
i-1
∩ne
+1
。
[0156]
免疫基因算子得到的抗体群体为：
[0157]
p
(3)
(t)＝{p
1(3)
(t)，p
2(3)
(t)，
…
，p
n(m)(3)
(t)}
[0158]
抗体群体基因操作的过程描述如表2所示：
[0159][0160][0161]
在其中一个实施例中，将第二候选抗体群和第三候选抗体群结合起来进行抗体修饰，得到第四候选抗体群，包括：
[0162]
将第二候选抗体群和第三候选抗体群结合起来，遍历结合后的抗体群中每个抗体的所有节点，如果第i个节点和第j个节点在一条航迹上是连续的，并且第j个节点不在第i个节点的邻居集合nei中，则对第j个节点进行修正，选择第i个节点的邻居节点集合nei和第j个节点的邻居节点集合nej的交集作为插入节点集合b
insert
，如果b
insert
为空，表示第i个节点和第j个节点之间有两个以上的格子，则删除这个抗体，如果b
insert
不为空，则随机选择一个节点作为插入节点，得到修饰后的第四候选抗体群。
[0163]
在其中一个实施例中，根据非支配排序和拥挤距离更新第四候选抗体群，得到最终抗体群，包括：
[0164]
步骤一：设置a＝1，生成更新的抗体群g；
[0165]
步骤二：从第四候选抗体群p
(4)
(t)中选择非支配排序a的抗体群f，合并抗体群f、g产生组合群f+g＝f∪g，对组合群进行非支配排序，组合群f+g的非支配排序值记为length(f+g)；
[0166]
步骤三：若length(f+g)《n
′
，n
′
表示最终抗体群的大小，将f加到g中，a＝a+1，转步骤二；如果length(f+g)》n
′
，令nm＝n-length(f+g)，根据拥挤距离对f中的抗体进行排序，将前nm个抗体加入g；如果length(f+g)＝n
′
，则将f添加到g；g为最终抗体群。
[0167]
在具体实施例中，初始抗体群为n
′
个大小，如果抗体个数大于n
′
，则根据等级和拥挤距离将抗体去除，直到抗体大小为n
′
。最终的抗体群为p
(5)
(t)＝{p
1(5)
(t)，p
2(5)
(t)，
…
，p
n(5)
(t)}。根据非支配排序和拥挤距离，将超过初始抗体群大小的多余的抗体去除，使得抗体群的大小不变，在不改变抗体群大小的情况下优化抗体质量。
[0168]
在其中一个实施例中，利用航迹成本和协调时间构建无人机协同规划的目标函数，包括：
[0169]
利用航迹成本和协调时间构建无人机协同规划的目标函数为
[0170][0171]
其中，表示第i个无人机规划的第si个候选的航迹成本，λ表示协同系数，m表示无人机总数，td表示协调时间。
[0172]
在具体实施例中，如图4所示，对4架无人机进行统筹规划。为保证最大攻击范围，这些无人机分别从不同方向进入目标区域，每架无人机在进入目标区域之前存在三个相邻节点，这些节点作为uav候选航迹的结束节点。通过航迹规划得到每架无人机的三个最佳候选航迹，并根据协调函数选择这些候选航迹。
[0173]
协调函数是协调成本、航迹成本和协调时间之间的关系。第i个无人机规划的第j个候选航迹的协调成本可以计算为：
[0174]ci,j
＝λw
i,j
+(1-λ)t
i,j
[0175]
其中，w
i,j
表示第i架无人机规划的第j条候选航迹的航迹成本，t
i,j
表示协同时间变化，λ表示协同系数。
[0176]
航迹成本为w
i,j
＝0.9*j
threat
+0.1*j
length
[0177]
假设有m架无人机，每架无人机规划了num个候选航迹，则为第i个无人机设置的候选航迹可以表示为{p
i1
,p
i2
,,
…
,p
i,j
,
…
,p
i,num
}，p
i,j
表示第i架无人机规划的第j条候选航迹，协同规划的实现过程如下：
[0178]
(1)无人机到达目标区域的时间范围根据无人机的速度范围和候选航迹的长度计算为：s
i,j
表示无人机规划的第j个候选航迹的航迹长度第i架无人机，第i架无人机到达目标的时间范围为
[0179]
(2)确定时间范围的交集d＝d1∩d2...∩dm，如果d不为空，则存在一个时间点td∈d，使得每架无人机有一个候选航迹，其到达时间范围至少包含td，时间td可以作为协调到达时间，可以保证所有无人机同时到达目标区域。
[0180]
(3)为了使协调成本最小，一般选择d中的最小值作为协调到达时间td，即td＝mind，将td代入c
i,j
＝λw
i,j
+(1-λ)t
i,j
计算候选者的协调成本c
i,j
满足协调时间范围的航迹，若候选航迹协调成本ci,si,最小，则选择第i架无人机规划的第si个候选航迹作为协调航迹，si∈{1,2,
…
,num}，最终的协调方案是
[0181]
总协调成本如下：
[0182][0183]
其中，表示第i个无人机规划的第si个候选的航迹成本。
[0184]
在一个实施例中，为了验证本技术的有效性，分别使用本技术ica和gfaco进行协同航迹规划，包括协调成本、路径成本、燃料成本和威胁成本在内的成本演变如图5所示。图5(a)显示了协调成本的演变，图5(b)显示了航迹成本的演变，5(c)显示了燃料成本的演变。图5(d)显示了威胁成本的演变。从图5(a)和图5(b)可知，ica的收敛速度与蚁群算法的收敛速度相似。随着迭代次数的增加，ica得到的协调代价和跟踪代价都小于gfaco。从图5(c)可知，ica在航迹长度上表现不佳。由图5(d)可知，ica具有更快的收敛速度和更低的威胁成本。这意味着ica在规避威胁方面比gfaco更好。
[0185]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0186]
在一个实施例中，如图6所示，提供了一种基于免疫克隆算法的无人机协同航迹规划装置，包括：无人机航迹规划的目标函数构建模块602、区域划分模块604、初始抗体群构建模块606、抗体群优化模块608、无人机协同规划的目标函数构建模块610和无人机协同规划模块612，其中：
[0187]
无人机航迹规划的目标函数构建模块602，用于获取待规划区域；对待规划区域进行环境威胁成本计算，根据环境威胁成本和无人机飞行的燃料成本构建无人机航迹规划的目标函数；
[0188]
区域划分模块604，用于采用网格法将待规划区域划分为网格，网格中的所有节点构成节点集；节点集中多个相邻的节点构成无人机航迹；节点表示待规划区域中无人机飞行点位；
[0189]
初始抗体群构建模块606，用于根据引导因子和启发因子对节点集中每个节点的转移概率进行计算，将转移概率最大的节点作为下一转移节点，得到初始抗体群；抗体为无人机航迹；
[0190]
抗体群优化模块608，用于根据锦标赛选择的克隆选择算法对初始抗体群进行选
择，得到第一候选抗体群；对第一候选抗体群进行免疫克隆操作和免疫基因操作，得到第二候选抗体群和第三候选抗体群；将第二候选抗体群和第三候选抗体群结合起来进行抗体修饰，得到第四候选抗体群；对第四候选抗体群进行快速非支配排序并计算拥挤距离，根据非支配排序和拥挤距离更新第四候选抗体群，得到最终抗体群；最终抗体群包括多个无人机的多条候选航迹；
[0191]
无人机协同规划的目标函数构建模块610，用于根据无人机航迹规划的目标函数和预先设定的权重设置航迹成本，利用航迹成本和协调时间构建无人机协同规划的目标函数；
[0192]
无人机协同规划模块612，用于根据无人机协同规划的目标函数对最终抗体群进行无人机航迹选择，得到协调方案；根据协调方案对所述待规划区域进行无人机协同航迹规划。
[0193]
在其中一个实施例中，无人机航迹规划的目标函数构建模块602还用于根据环境威胁成本和无人机飞行的燃料成本设置无人机航迹规划的目标函数，包括：
[0194]
根据环境威胁成本和无人机飞行的燃料成本设置无人机航迹规划的目标函数为
[0195][0196]
其中，j
length
表示燃油成本，w
l
表示系数，l表示航迹长度，j
threat
表示威胁成本，wr，wm，wa，wc，wh和w
t
分别是雷达、导弹、火炮、气候、高度和山脉的威胁权重系数；jr，jm，ja，jc，jh和j
t
分别是雷达、导弹、火炮、气候、高度和山脉的威胁成本。
[0197]
在其中一个实施例中，初始抗体群构建模块606还用于根据引导因子和启发因子对所述节点集中每个节点的转移概率进行计算，包括：
[0198]
根据引导因子和启发因子对节点集中每个节点的转移概率进行计算，得到节点的转移概率为
[0199][0200]
其中，i、j和s分别表示节点集中的任意节点，ηj表示启发因子，λj表示引导因子，α表示启发因子的重要性，β表示引导因子的重要性，b
k,i
表示节点集。
[0201]
在其中一个实施例中，抗体群优化模块608还用于根据锦标赛选择的克隆选择算法对初始抗体群进行选择，得到第一候选抗体群，包括：
[0202]
将锦标赛的规模设置为n，初始抗体群的规模设置为m，从初始抗体群中随机选择n个抗体进行比较，保留非优势等级最低和拥挤距离最高的抗体，重复上述过程m次后，得到m种抗体；m种抗体为第一候选抗体群。
[0203]
在其中一个实施例中，抗体群优化模块608还用于对第一候选抗体群进行免疫克隆操作和免疫基因操作，得到第二候选抗体群和第三候选抗体群，包括：
[0204]
对第一候选抗体进行免疫克隆操作，得到第二候选抗体群为
[0205]
p
(2)
(t)＝p
(1)1
(t)+p
(1)2
(t)+
…
+p
(1)mc
(t)＝{p
1(1)1
(t)，
…
，p
m(1)1
(t)}+
…
+{p
1(1)mc
(t),
…
，p
m(1)mc
(t)}＝{p
1(2)
(t)，p
2(2)
(t)，
…
，p
n(m)(2)
(t)}
[0206]
其中，n(m)＝m
×
mc，m是选择操作保留的抗体数量，mc是克隆比例，p
(1)
(t)＝{p
1(1)
(t)，p
2(1)
(t)，
…
，p
m(1)
(t)}为第一候选抗体群。
[0207]
在其中一个实施例中，抗体群优化模块608还用于对第一候选抗体群进行基因重组和基因突变，在基因重组中，从第一候选抗体群中随机选择两种抗体，并固定两种抗体的起点和终点，计算两种抗体中彼此最接近的节点对，若只有一对，则选择这两个节点作为交叉点，根据重组概率交换交叉点前后的两个抗体，若有多对，则随机选择其中之一作为交叉点，并根据重组概率交换这两个交叉点前后的两种抗体，得到基因重组后的抗体群；
[0208]
对基因重组后的抗体群中的每个抗体的起点和结束节点进行固定，随机选择抗体中的一个节点在突变范围内进行突变，得到第三候选抗体群；突变范围是第i个节点的邻居节点集合和第i+1个节点的邻居节点集合的交集。
[0209]
在其中一个实施例中，抗体群优化模块608还用于将第二候选抗体群和第三候选抗体群结合起来进行抗体修饰，得到第四候选抗体群，包括：
[0210]
将第二候选抗体群和第三候选抗体群结合起来，遍历结合后的抗体群中每个抗体的所有节点，如果第i个节点和第j个节点在一条航迹上是连续的，并且第j个节点不在第i个节点的邻居集合nei中，则对第j个节点进行修正，选择第i个节点的邻居节点集合nei和第j个节点的邻居节点集合nej的交集作为插入节点集合b
insert
，如果b
insert
为空，表示第i个节点和第j个节点之间有两个以上的格子，则删除这个抗体，如果b
insert
不为空，则随机选择一个节点作为插入节点，得到修饰后的第四候选抗体群。
[0211]
在其中一个实施例中，抗体群优化模块608还用于根据非支配排序和拥挤距离更新第四候选抗体群，得到最终抗体群，包括：
[0212]
步骤一：设置a＝1，生成更新的抗体群g；
[0213]
步骤二：从第四候选抗体群p
(4)
(t)中选择非支配排序a的抗体群f，合并抗体群f、g产生组合群f+g＝f∪g，对组合群进行非支配排序，组合群f+g的非支配排序值记为length(f+g)；
[0214]
步骤三：若length(f+g)《n
′
，n
′
表示最终抗体群的大小，将f加到g中，a＝a+1，转步骤二；如果length(f+g)》n
′
，令nm＝n-length(f+g)，根据拥挤距离对f中的抗体进行排序，将前nm个抗体加入g；如果length(f+g)＝n
′
，则将f添加到g；g为最终抗体群。
[0215]
在其中一个实施例中，无人机协同规划的目标函数构建模块610还用于利用航迹成本和协调时间构建无人机协同规划的目标函数，包括：
[0216]
利用航迹成本和协调时间构建无人机协同规划的目标函数为
[0217][0218]
其中，w
i,si
表示第i个无人机规划的第si个候选的航迹成本，λ表示协同系数，m表示无人机总数，td表示协调时间。
[0219]
关于基于免疫克隆算法的无人机协同航迹规划装置的具体限定可以参见上文中对于基于免疫克隆算法的无人机协同航迹规划方法的限定，在此不再赘述。上述基于免疫克隆算法的无人机协同航迹规划装置中的各个模块可全部或部分通过软件、硬件及其组合
来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0220]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于免疫克隆算法的无人机协同航迹规划方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0221]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0222]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
[0223]
在一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
[0224]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0225]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0226]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。