一种基于捕食逃逸鸽群优化的多无人飞行器编队协调控制方法，有七大步骤：一、初始化算法参数以及捕食逃逸参数；二、初始化鸽群各个个体的初始位置及速度并计算各自的适应值；三、引入地图罗盘算子，根据公式对鸽群进行速度与位置的更新；四、引入捕食逃逸过程，根据公式对鸽群位置进行更新；五、若迭代次数大于地图罗盘算子的最大迭代次数T1，则停止地图罗盘算子和捕食逃逸过程，并执行下一步骤；反之，重复上一步骤；六、引入地标算子，根据剩余鸽群的适应值给所有鸽子排序，适应值低的一半鸽子将跟随适应值高的另一半，根据公式更新位置；七、若当前迭代次数大于地标算子最大迭代次数T2，那么停止地标算子，输出最后结果；反之，重复上一步骤。
【技术实现步骤摘要】
本专利技术提出了，属 于智能控制论领域。
技术介绍
随着无人飞行器技术的日益成熟，无人飞行器现已被应用到包括航空航天，气象， 测绘等多个领域。但是单一的无人飞行器已不足以满足人们日益增长的需求，所以多无人 飞行器编队的概念被提出。多无人飞行器编队相比于单一飞行器，具有相当多的优势。例 如，抗干扰能力，突发事件应急能力，大型任务执行能力等等。所以，多无人飞行器编队目前 受到国内外学者和机构的密切关注，而如何协调控制多无人飞行器编队无疑是无人飞行器 编队应用过程中最核心的问题。 鹤群智能优化算法（Pigeon-Inspired Optimization, PIO)是一种基于鹤群启发 式的仿生智能优化算法。大自然中，鸽子能够很容易的找到回家的路是因为它们利用了多 种自然工具：太阳，磁场，地标等。受到此种现象的启发，鸽群智能优化算法中建立了两个数 学模型，一个是磁场罗盘算子，另一个是地标算子。与其他仿生智能算法相比，鸽群智能优 化算法在解决复杂优化问题时具有动态性、强鲁棒性、协同性等多种优点。 捕食与逃逸也是大自然中普遍存在的一种现象，捕食者与被捕食者之间的竞争是 最为普遍的动物性决策方式。被捕食者根据自身的能量状态，同时权衡周围的捕食风险，最 终做出行为上的改变。一般的，被捕食者要与捕食者之间保持一定的逃逸开始距离，即被捕 食者的警觉距离。当捕食者靠近到该距离或者更近时，被捕食者警觉，并开始逃逸。逃逸 过程中被捕食者会回避风险较高的搜索区域，同时根据自身能量的不同采取不同的逃逸速 度。能量状态越高，则逃逸的速度越快，被捕食的风险也就相对较小；反之，能量状态低的则 会缓慢移动甚至不动，同时也将承受较大的被捕食的概率。 捕食逃逸鸽群优化是在基本鸽群智能优化算法的基础上加入了捕食逃逸的因素。 将鸽群演化为一部分鸽子，一部分老鹰，两个群体。两种不同的群体，根据各自的定义进行 约束和行动。老鹰追捕鸽群中的头鸽，从而对鸽群中的其他鸽子造成不同的捕食风险。当 老鹰和鸽子之间的距离达到逃逸开始距离时，鸽子便会根据自身的能量状态，算法中用适 应值来表示，进行逃逸。在多次捕食与逃逸的过程中，鸽群优胜劣汰。该算法在原有鸽群算 法的基础上增添了捕食逃逸机制，从而使得搜索范围以及搜索精度有了大幅度的提高，不 仅如此，在同等精度下缩短了算法运行时间。
技术实现思路
1、专利技术目的： 本专利技术提供了，并 用事例来验证其可行性，其目的是提供一种解决多无人飞行器编队协调控制的方法。 2、技术方案： 本说明书将以一种无人飞行器编队为例简述捕食逃逸鸽群优化在多无人飞行器 编队协调控制问题中的应用。 在多无人飞行器编队中，首先，为了简化问题，必须满足以下基本假设。第一，地球 被看作均质球体，忽略一切摄动。第二，多无人飞行器编队中，引导无人飞行器和跟随无人 飞行器的运动轨迹为正圆。第三，无人飞行器本身远小于轨道半径，故可看作质点。（飞行 器坐标系建立与编队协调控制前后轨道见图2,图3)在满足以上三个基本假设的前提下， 多无人飞行器的运动状态即可以用CW(Clohessy-Wiltshire)方程来表示【主权项】1. 一种基于捕食逃逸错群优化的多无人飞行器编队协调控制方法，其特征在于：该方 法具体步骤如下： 步骤一：初始化算法参数W及捕食逃逸参数；参数设置中包括；种群的规模ni，优化维 数山地图罗盘因子R，两个算子分别的最大迭代次数Ti、T,，捕食控制参数r; 步骤二；初始化错群各个个体的初始位置及速度，根据由实际问题而建立的适应值计 算函数计算各自的适应值，找到当前的局部最优W及全局最优位置； 步骤引入地图罗盘算子，根据公式 Vi (t) = Vi (t-1) . e-Et+rand .狂片(t-1)) (1)对错群进行速度 与位置的更新，同时更新局部和全局的最优位置； 其中，R是地图罗盘因子，rand是随机数，Xg是通过比较所有错子的位置的适应值得到 的当前全局最优位置；第t次迭代中第i只错子的位置和速度表示为Xi(t)和Vi(t); 步骤四：引入捕食逃逸过程，根据公式化）（7)对错群位置进行更新，同时更新局部和 全局的最优位置； 若Dd^Ds 的二杉-1) +,- X -勾（句 若Dd《DS XW=A'-,(Z-1)-rXefl&-勾 (7) 其中D,为鹰的捕食距离，通过方程计算Ds=min(f狂i(t))+rX(1-t/Ti)巧） 其中min(f〇(i(t))为各个错子适应值的最小值，r为捕食控制参数，t为当前代数，而Ti为最大迭代次数；Dd为错子的当前位置即适应值； 步骤五：若迭代次数大于地图罗盘算子的最大迭代次数Ti，则停止地图罗盘算子和捕 食逃逸过程，并执行下一步骤；反之，重复上一步骤； 步骤六：引入地标算子，根据剩余错群的适应值给所有错子排序，适应值低的一半错 子将跟随适应值高的另一半，根据下列公式（3) (4) (5)更新位置； 第t次迭代中第i只错子位置Xi(t)更新规律由下列公式给出：Xi(t) =Xi(t-l)+rand?狂c(t)-Xi(t-l)) (5)其中，f〇为错子个体的适应值计算函 数； 步骤走：若当前迭代次数大于地标算子最大迭代次数T2,那么停止地标算子，输出最后 结果；反之，重复上一步骤。【专利摘要】，有七大步骤：一、初始化算法参数以及捕食逃逸参数；二、初始化鸽群各个个体的初始位置及速度并计算各自的适应值；三、引入地图罗盘算子，根据公式对鸽群进行速度与位置的更新；四、引入捕食逃逸过程，根据公式对鸽群位置进行更新；五、若迭代次数大于地图罗盘算子的最大迭代次数T1，则停止地图罗盘算子和捕食逃逸过程，并执行下一步骤；反之，重复上一步骤；六、引入地标算子，根据剩余鸽群的适应值给所有鸽子排序，适应值低的一半鸽子将跟随适应值高的另一半，根据公式更新位置；七、若当前迭代次数大于地标算子最大迭代次数T2，那么停止地标算子，输出最后结果；反之，重复上一步骤。【IPC分类】G05B13-04【公开号】CN104850009【申请号】CN201510116705【专利技术人】张书健, 段海滨 【申请人】北京航空航天大学【公开日】2015年8月19日【申请日】2015年3月17日本文档来自技高网...
【技术保护点】
一种基于捕食逃逸鸽群优化的多无人飞行器编队协调控制方法，其特征在于：该方法具体步骤如下：步骤一：初始化算法参数以及捕食逃逸参数；参数设置中包括：种群的规模n1，优化维数d，地图罗盘因子R，两个算子分别的最大迭代次数T1、T2，捕食控制参数r；步骤二：初始化鸽群各个个体的初始位置及速度，根据由实际问题而建立的适应值计算函数计算各自的适应值，找到当前的局部最优以及全局最优位置；步骤三：引入地图罗盘算子，根据公式Vi(t)＝Vi(t‑1)·e‑Rt+rand·(Xg‑Xi(t‑1)) (1)Xi(t)=Xi(t-1)+r×e-|Dd-Ds|Vi(t)---(2)]]>对鸽群进行速度与位置的更新，同时更新局部和全局的最优位置；其中，R是地图罗盘因子,rand是随机数,Xg是通过比较所有鸽子的位置的适应值得到的当前全局最优位置；第t次迭代中第i只鸽子的位置和速度表示为Xi(t)和Vi(t)；步骤四：引入捕食逃逸过程，根据公式(6)(7)对鸽群位置进行更新，同时更新局部和全局的最优位置；若Dd≥DsXi(t)=Xi(t-1)+r×e-|Dd-Ds|---(6)]]>若Dd≤DsXi(t)=Xi(t-1)+r×e-|Dd-Ds|---(7)]]>其中Ds为鹰的捕食距离，通过方程计算Ds＝min(f(Xi(t))+r×(1‑t/T1) (8)其中min(f(Xi(t))为各个鸽子适应值的最小值，r为捕食控制参数，t为当前代数，而T1为最大迭代次数；Dd为鸽子的当前位置即适应值；步骤五:若迭代次数大于地图罗盘算子的最大迭代次数T1，则停止地图罗盘算子和捕食逃逸过程，并执行下一步骤；反之，重复上一步骤；步骤六:引入地标算子，根据剩余鸽群的适应值给所有鸽子排序，适应值低的一半鸽子将跟随适应值高的另一半，根据下列公式(3)(4)(5)更新位置；第t次迭代中第i只鸽子位置Xi(t)更新规律由下列公式给出：np(t)=np(t-1)2---(3)]]>Xc(t)=ΣXi(t)·f(Xi(t))npΣf(Xi(t))---(4)]]>Xi(t)＝Xi(t‑1)+rand·(Xc(t)‑Xi(t‑1)) (5)其中，f()为鸽子个体的适应值计算函数；步骤七:若当前迭代次数大于地标算子最大迭代次数T2，那么停止地标算子，输出最后结果；反之，重复上一步骤。...
【技术特征摘要】
【专利技术属性】
技术研发人员：张书健，段海滨，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。