一种无人机群搜潜的声呐浮标优化布放方法与流程

1.本发明属于无人集群指挥控制技术领域，更具体地，涉及一种无人机群搜潜任务规划模拟方法。


背景技术：

2.检查反潜是指在特定时间内对指定海域进行检查搜索，查明在指定海域是否存在敌潜艇。使用被动声呐并且组成相应的浮标群对潜艇信息进行探测是检查反潜的重要手段。传统的检查反潜存在下述问题：首先，假设在指定海域中，潜艇分布情况为均匀分布的。在实际情况下，由于各种因素的影响导致潜艇在指定海域的分布概率并不服从均匀分布，在不同区域潜艇出现的概率往往会大不相同；其次，只有在浮标个数满足要求的情况下，才能使得搜潜成功的概率达到要求，在浮标个数不满足阵型要求的情况下，很难达到指定要求；最后，很少考虑多机协同布放的问题，在实际情况下，为了声呐浮标更快的进行布放，往往都会进行多机协同布放使得布放时间尽可能缩短。


技术实现要素：

3.针对现有技术的以上缺陷或改进需求，本发明提出了一种无人机群搜潜的声呐浮标优化布放方法，以解决无人机群搜潜的声呐浮标优化布放问题。
4.为实现上述目的，本发明提供了一种无人机群搜潜的声呐浮标优化布放方法，包括：
5.(1)基于待搜索海域的先验信息，构建待搜索海域的概率场模型，并基于概率场模型将待搜索海域进行格栅化，得到格栅化之后的待搜索海域的概率场；
6.(2)基于潜艇可能分布的概率场和有限的声呐浮标个数，对待搜索海域进行声呐浮标优化布放，得到各声呐浮标的布放位置，使得累计搜索概率满足预设搜索概率要求；
7.(3)使用无人机群航路规划方法规划出多无人机的航路，以覆盖每一个声呐浮标的布放位置，并且总的飞行距离满足预设距离要求。
8.在一些可选的实施方案中，步骤(1)包括：
9.(1.1)假设待搜索海域为φ，待搜索海域φ的长度为l，宽度为w，将待搜索海域分为长度为d0的正方形网格，na＝round(l/d0)，nb＝round(w/d0)，round()为四舍五入并且取整函数，na为待搜索海域长边划分的网格数量，nb为待搜索海域宽边划分的网格数量，待搜索海域φ被划分为长度和宽度为d0的n个网格，其中n＝na
×
nb，将所划分出来的网格记为n＝{1,2,3,
…
,n}；
10.(1.2)经过其他先验信息获知潜艇在第i个网格出现的概率为pi，将潜艇出现在每个网格的概率记为p＝{p1,p2,p3,
…
,pn}。
11.在一些可选的实施方案中，步骤(2)包括：
12.(2.1)选择染色体，其中，染色体为定长染色体，染色体的一个基因座为一个声呐浮标的布放位置(x，y)，x代表声呐浮标的横坐标，y代表声呐浮标的纵坐标，定长为声呐浮
标的个数；
13.(2.2)使用随机数生成初始种群，通过随机数产生的各声呐浮标均匀分布在待搜索海域的网格中，其中，种群中的每个个体表示一个染色体；
14.(2.3)获取当前种群中每个个体的适应度数值，判断各适应度数值是否满足适应度要求，若不满足，则进入下一步骤(2.4)，其中，适应度数值越大，代表声呐浮标布放方案越优；
15.(2.4)从前一代种群中选择出满足预设适应度要求的个体；
16.(2.5)对于当前种群中的最优个体，不进行交叉操作，对于剩下的个体采用交叉操作；
17.(2.6)对选择和交叉操作而产生的后代进行变异操作；
18.(2.7)对变异后的当前种群执行步骤(2.3)继续计算当前种群中的每个个体的适应度值，直至各适应度数值满足适应度要求，得到最优种群，其中，最优种群中的每个个体对应各声呐浮标的最优布放位置。
19.在一些可选的实施方案中，设声呐浮标的个数为m，若i号声呐浮标处于(x,y)位置，并且i号浮标的探测范围为r，记所有处于r范围内的网格个数为m，所有处于r范围内的网格集合为潜艇出现在r范围内网格的概率记为则染色体对应的适应度为：
20.在一些可选的实施方案中，步骤(2.6)包括：
21.由确定变异中的位移，其中，最优个体的适应度为fmax，种群中的第i个个体的适应度为fi，k为常数变异系数，为常数项系数；
22.由xj＝xj+step，yj＝yj+step得到变异后的位置，xj代表第j个浮标的x坐标，yj代表第j个浮标的y坐标。
23.在一些可选的实施方案中，步骤(3)包括：
24.由l个反潜无人机，每个无人机携带k个声呐浮标，使得每架无人机投掷k个声呐浮标，以覆盖每一个声呐浮标的布放位置，且l架反潜无人机总的飞行距离最短。
25.在一些可选的实施方案中，步骤(3)包括：
26.(3.1)选择染色体，染色体中的每个基因座代表一个布放位置的序号，每个基因序列的首个位置为起点，结束位置为终点，每一个染色体存在一个分割点集合，分割点集合的大小为无人机个数l-1，分割点代表不同无人机飞行的间隔点位；
27.(3.2)适应度采用无人机群总的飞行距离，如果一个个体的适应度越大，代表航线分配方案越好；
28.(3.3)获取当前种群中每个个体的适应度值，判断各适应度数值是否满足适应度要求，若不满足，则进行选择、交叉和变异操作后得到下一代种群，计算下一代种群的适应度值，直至当前种群的适应度值满足适应度要求，得到优化后的多机航路规划方案。
29.在一些可选的实施方案中，在步骤(3.2)中，由确定适应度值，其中，l为l架无人机，di为第i架无人机飞行的总距离。
30.总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
31.对于给定的先验概率场，进行优化声呐浮标布放，使得对待探测区域的累计搜索概率尽量达到最大。对于得到的优化浮标布放方案，进行无人机群航路规划，使得总的飞行距离尽可能达到最小。
附图说明
32.图1是本发明实施例提供的一种无人机群搜潜的声呐浮标优化布放计算声呐浮标布放方案的流程图；
33.图2是本发明实施例提供的一种通过先验信息得到的先验概率场示意图；
34.图3是本发明实施例提供的一种遗传算法计算声呐浮标布放方案结果示意图；
35.图4是本发明实施例提供的一种规划后无人机群布放路径示意图。
具体实施方式
36.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
37.无人机群搜潜的声呐浮标优化布放问题具体为：首先基于待搜索海域先验信息，得到待搜索海域潜艇可能出现的先验概率场。由产生的待搜索海域概率场，运用本发明进行声呐浮标布放点位计算。传统的检查性反潜浮标布放方案一般基于经验模型，对于特定的情况采用特定的布放方案，比如区域较大，浮标较少的情况下，采用“x”型阵，在区域较小，浮标较多的情况下采用密集型布阵。与传统的检查性反潜的浮标布放方案不同，本发明基于潜艇可能分布的概率场和有限的声呐浮标个数，使用本发明提出的方法得到一个优化的声呐浮标布放方案，该布放方案具体为声呐浮标的布放位置，该布放位置为二维坐标系上的一个(x,y)坐标，经过该方法计算之后，包含了n个待投放的坐标点位，该布放方案可以达到较高的累计搜索概率。对于声呐浮标布放方案，进行无人机群航路规划，无人机群航路规划的目标在于，每个飞机布放方案中的一部分，最后使得总的飞行距离尽可能短。
38.本发明提出的一种无人机群搜潜的声呐浮标优化布放方法主要包括构建待搜索海域的概率场模型、声呐浮标的布放方案及无人机群航路规划几个步骤。
39.步骤1：构建概率场模型，将待搜索海域进行格栅化，n＝{1,2,3,
…
,n}代表待搜索海域格栅化之后的每个网格，使用p＝{p1,p2,p3,
…
,pn}代表潜艇出现在对应网格的概率。例如，若潜艇在网格1出现的概率为0.7，则p1＝0.7。
40.步骤2：使用步骤1得到的先验概率场模型，在浮标数量受限的情况下，运用无人机群搜潜的声呐浮标优化布放进行计算，以寻找一种浮标布放方案，该布放方案在浮标个数有限且确定的情况下使得累计搜索概率尽可能高。
41.步骤3：基于步骤2得到的布放方案，使用无人机群航路规划对待搜索海域进行声呐浮标布放，使得无人机群规划路径尽可能短。
42.进一步的，在步骤1中，假设待搜索海域为φ，待搜索海域φ的长度为l，宽度为w。
将待搜索海域分为长度为d0的正方形网格，na＝round(l/d0)，nb＝round(w/d0)，在上述公式中，round()为四舍五入并且取整函数，na为待搜索海域长边划分的网格数量，nb为待搜索海域宽边划分的网格数量，待搜索海域φ被划分为长度和宽度为d0的n个网格，其中n＝na
×
nb，将所划分出来的网格记为n＝{1,2,3,
…
,n}。
43.进一步的，在步骤1中，经过其他先验信息获知潜艇在第i个网格出现的概率为pi。将潜艇出现在每个网格的概率记为p＝{p1,p2,p3,
…
,pn}。若潜艇在网格i一定出现，则pi＝1，若潜艇在网格i一定不出现，则pi＝0。即潜艇在网格i出现的概率为p，则pi＝p。
44.如图2所示，图2为格栅化后的先验概率场。散点密集程度则代表潜艇在此处出现的概率大小。散点越密集的地方代表潜艇在此处出现的概率大，散点越稀疏的地方则代表潜艇在此处出现的概率小。
45.进一步的，在步骤2中，使用本发明中提出的无人机群搜潜的声呐浮标优化布放方法对声呐浮标的布放方案进行计算。在本发明提出的无人机群搜潜的声呐浮标优化布放中，要考虑如下几个方面：染色体、初始种群、适应度函数、选择算子、交叉算子、变异算子。
46.(1)染色体:染色体一般为保持物种特性的单位。在无人机群搜潜的声呐浮标优化布放方法中，单个染色体为所求问题的一个解。通过选择，交叉，变异等操作，找到解决问题所需要的染色体，即寻找问题的近似最优解。染色体选择的好坏也决定了本方法的收敛速度，一个合适的基因编码对本方法实现大有益处。在本发明中，染色体为定长染色体，染色体的一个基因座为一个声呐浮标布放的坐标(二维坐标(x，y))，定长为声呐浮标的个数。例如，声呐浮标个数为m，则染色体为第i个浮标的横坐标与纵坐标为染色体的一个基因座。将单个染色体记为v＝{v1,v2,v3,
…
,vm}，vi，i＝1,2,..,m表示第i个浮标的横坐标与纵坐标。
47.(2)初始种群:初始种群为无人机群搜潜的声呐浮标优化布放最初的解，由于初始种群并未经过选择，交叉，变异等操作，所以初始种群具有很大的随机性。在初始种群中，可能存在很好的解，也存在不好的解。在本发明中，由于步骤1产生的潜艇概率场并不是均匀分布的，所以潜艇出现概率最大的区域可能分散在待搜索海域的各个位置，所以初始种群的产生使用随机数生成，通过随机数产生的浮标均匀分布在待搜索海域的网格中。由于随机产生的初始化种群使得之后本方法解的搜索范围变大，所以本发明采用随机数产生初始种群。
48.(3)适应度函数:无人机群搜潜的声呐浮标优化布放方法符合优胜劣汰的达尔文自然法则，优劣需要存在一个评判标准。在本方法中，采用适应度数值用以评价个体优劣，用适应度函数计算每个个体的适应度数值。在本发明中，适应度的大小代表了一个个体浮标布放点位的好坏。如果一个个体的适应度越大，代表该浮标布放方案优。如果一个染色体适应度越小，代表该浮标布放方案劣。在本发明中，适应度的计算按照以下方式:
49.设声呐浮标的个数为m，若i号声呐浮标处于(x,y)位置，并且i号浮标的探测范围为r，记所有处于r范围内的网格集合为潜艇出现在r范围内网格的概率记为则染色体对应的适应度为:
50.若一个染色体对应的适应度越大，则代表染色体越接近近似最优解。
51.(4)选择算子:选择为从前一代中选择出适应度高的个体。较多的选择出适应度较
高的个体，同时少量保留适应度低的算法。适应度较高的个体被较多保留是因为适应度高的个体有很大的可能性为近似最优解。少量保留适应度低的个体是因为当前选出的高适应度个体极有可能陷入局部最优解，所以需要跳出局部最优解。常见的选择算子有轮盘赌算法，随机遍历抽样算法，排序选择算法，适应度缩放选择算法，锦标赛选择算法。在本发明中，选择算子采用轮盘赌算法。在轮盘选择(也称为适应比例选择，fitness proportionate selection，fps)算法中，选择一个个体的概率与其适应度值直接成正比。在轮盘赌算法中的选择过程如下:
52.(1)首先计算种群每个个体的适应度；
53.(2)对于种群中的单个个体i，被选中的概率为:
[0054][0055]
其中，f为适应度数值，m为种群中个体数量。
[0056]
这相当于在娱乐场所中使用轮盘并为每个轮盘的一部分分配适应度值。转动轮盘时，每个个体被选中的几率与相应区域所占部分的大小成正比。对于适应度高的个体，在轮盘所占区域越大，对于适应度低的个体，在轮盘所占区域越小。采用轮盘赌算法之后，保证了适应度较高的染色体被选中的概率大于适应度低的染色体。同时，对于适应度低的染色体也有一定的几率被选到。
[0057]
(5)交叉算子:交叉过程为父母染色体产生下一代染色体的过程。在无人机群搜潜的声呐浮标优化布放方法中，常见的交叉算子有单点交叉，k点交叉，均匀交叉。在本发明中，选择的过程如下：
[0058]
对于当前种群中的最优个体，不进行交叉操作。对于剩下的个体采用单点交叉。受限选择两个个体，随后在两个个体中选择一个染色体片段，最后对选择出的染色体对应的片段进行交换，达到交叉目的。
[0059]
(6)变异算子:变异算子应用于选择和交叉操作而产生的后代。变异是基于一定概率的，并且通常以(非常)低的概率发生，因为它带有损害应用此算子个体表现的风险。变异是为了防止算法收敛于局部最优解。
[0060]
在本发明中，引入了一个变异位移的概念。对于适应度较高的个体，进行变异位移时的范围较小。对于适应度较小的个体，进行变异位移时的范围较大。
[0061]
在变异中位移的计算方法如下:
[0062][0063]
假设在当前种群中，最优个体的适应度为fmax，种群中的第i个个体的适应度为fi。在上述公式中，k为常数变异系数，在本发明中，k取值为1。为常数项系数，为了防止分母为0，在本发明中，值取0.1。
[0064]
在无人机群搜潜的声呐浮标优化布放方法的进化代数所决定的精确度下.可行解分布在不同的位置。为了使接近局部最优解的个体能够保留。在变异时，根据个体的适应度来确定摄动的范围。变异后的位置可表示为：
[0065]
xj＝xj+step
[0066]
yj＝yj+step
[0067]
xj代表第j个浮标的x坐标，yj代表第j个浮标的y坐标。
[0068]
如图所示，图1为无人机群搜潜的声呐浮标优化布放方法的实施步骤。图3代表了无人机群搜潜的声呐浮标优化布放方法得出的声呐浮标布放位置，根据该布放位置进行之后航路规划。
[0069]
进一步的，在步骤3中，使用无人机群航路规划方法对步骤2得出的布放方案进行无人机分配。
[0070]
步骤3中要解决的问题为：存在l个反潜无人机，每个无人机携带k个声呐浮标，使得每架无人机投掷k个声呐浮标且l架反潜无人机总的飞行距离最短。该问题可以简化为有约束条件的mtsp问题。mtsp问题是传统的np-hard问题。对于该问题的解决，本发明中使用无人机群航路规划方法进行解决。
[0071]
在步骤3中，染色体的编码方案为如下方案:
[0072]
染色体编码方式采用的是十进制编码方式。染色体中的每个基因座代表一个布放位置的序号，每个基因序列的首个位置为起点，结束位置为终点。每一个染色体都存在一个分割点集合，分割点集合的大小为无人机个数l-1，分割点代表不同无人机飞行的间隔点位，加入分割点的意义是区分不同无人机的飞行路径。例如:对于一个染色体v＝{v1,v2,v3,
…
,v15}，分割点为集合b＝{v5,v9}，则对应无人机群飞行路径为v1-》v2-》v3-》v4-》v15，v5-》v6-》v6-》v8-》v15，v9-》v10-》v11-》v12-》v13-》v14-》v15。
[0073]
适应度采用无人机群总的飞行距离，适应度的大小代表了一种航线分配方案的好坏。如果一个个体的适应度越大，代表该航线分配方案好。如果一个个体适应度越小，代表该航线分配方案劣。在本发明中，适应度的计算按照以下方式:
[0074][0075]
其中，l为l架无人机，di为第i架无人机飞行的总距离。
[0076]
选择策略采用轮盘赌算法，交叉策略采用部分匹配交叉，部分匹配交叉保证了每个染色体中的基因仅出现一次，通过该交叉策略在一个染色体中不会出现重复的基因。
[0077]
部分匹配交叉类似于两点交叉，通过随机选择两个交叉点确定交叉区域。执行交叉后一般会得到两个无效的染色体，个别基因会出现重复的情况，为了修复染色体，可以在交叉区域内建立每个染色体的匹配关系，然后在交叉区域外对重复基因应用此匹配关系就可以消除冲突。
[0078]
部分匹配交叉步骤如下:
[0079]
随机选择一对染色体中几个基因的起止位置(两染色体被选位置相同)
[0080]
交换这两组基因的位置。
[0081]
做冲突检测，根据交换的两组基因建立一个映射关系。最后所有冲突的基因都会经过映射，保证形成的新一对子代基因无冲突。
[0082]
例如：
[0083]
现存在基因序列a(1,2,3,4,5,6,7,8)，基因序列b(3,5,8,1,7,4,2,6)
[0084]
基因a片段(2,3,4,5)与基因b片段(5,8,1,7)进行交换。此时建立出一个映射关系:
[0085]
2《-》5,3《-》8,4《-》1,2《-》5《-》7
[0086]
经过交换之后基因序列a与基因序列b变为:
[0087]
a(4,5,8,1,7,6,2,3)
[0088]
b(8,2,3,4,5,1,7,6)
[0089]
经过上述步骤得出优化后的多机航路规划方案。
[0090]
如图3所示为步骤2计算出的声呐浮标布放位置。经过无人机群航路规划之后，得出如图4结果。
[0091]
需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
[0092]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。