基于多步粒子群算法的无人机协同侦察覆盖方法技术

本发明专利技术属于无人预警机群侦察领域，公开了一种基于多步粒子群算法的无人机协同侦察覆盖方法，包括：设定无人预警机群初始状态参数以及被侦察的范围，设定无人机的飞行参数以及多步粒子群算法的参数，确定粒子群算法的适应度函数，对多步粒子群算法初始化；由多步粒子群算法计算得出每一段内无人机的运动状态，更新无人机下一段的状态，直到达到设定的搜寻次数；能够使得无人预警机多步侦查覆盖率变化曲线在收敛之后变得更加稳定。

Unmanned aerial vehicle cooperative reconnaissance coverage method based on multistep particle swarm optimization

The invention belongs to the field of unmanned reconnaissance warning cluster, discloses a UAV cooperative reconnaissance covering method, multi step based on particle swarm optimization algorithm includes: setting the initial state parameters and cluster unmanned warning reconnaissance range, setting UAV flight parameters and parameters of multi-step particle swarm algorithm, particle swarm optimization algorithm to determine the fitness function, the multi-step particle swarm algorithm initialization; calculated by multi-step particle swarm algorithm to get the motion state of the UAV in each segment, update the UAV the next section of the state, until it reaches the set search times; no one can make early warning machine further investigation coverage curve becomes more stable in convergence after.

【技术实现步骤摘要】
基于多步粒子群算法的无人机协同侦察覆盖方法
本专利技术属于无人预警机群侦察领域，尤其涉及一种基于多步粒子群算法的无人机协同侦察覆盖方法，适用于无人预警机群的侦察覆盖问题。
技术介绍
无人预警机是一类具有无人驾驶以及预警等多个功能的军用飞机，其拥有自主性强以及零人员伤亡等特点，在未来复杂多变的战场环境中必将发挥巨大的作用。由于未来战争作战任务的多样性，使得单架无人机单独执行侦察覆盖任务会面临诸多问题，组织多架无人预警机协同执行侦察覆盖任务将成为未来战争中的一种重要作战方式。相对于单架无人预警机，多架无人预警机协同执行任务时能够克服雷达探测器的角度限制，从多个不同方位对目标区域进行观测，当面临大范围区域搜索任务时，多架无人机能够实现对整个侦察区域的有效覆盖，因此具有更好的侦察效能和更强的任务容错能力。多无人机协同侦察问题主要分为两种类型：一类问题是针对侦察区域内多个特定目标点，如何实现多架无人机以最小的代价协同侦察尽可能多的目标；另一类问题是针对已知大面积侦察区域，如何有效地分配和控制多架无人机以最小的代价实现对该区域最大的侦察覆盖，这类问题也被称为区域覆盖问题。本专利技术针对第二类问题开展研究。对于此类动态侦察覆盖问题，国内外的研究报道较少。2007年，国防科技大学的彭辉，沈林成等人为降低问题求解的复杂度，将其分解为多无人机任务区域分配和完全覆盖路径规划两个子问题，提出了基于扫描线模式的区域覆盖搜索路径方法，取得了一定的效果。但是该方法显得较为死板，不够智能化。百度以及谷歌上所说的移动基站最大区域覆盖问题，跟本专利技术所要解决的问题有着本质上的不同。移动基站最大区域覆盖问题最后的结果是静态的，而无人预警机在空中飞了一段时间后运动状态不可能变为静止，也就是说本专利技术所要解决的问题是动态的。
技术实现思路
针对现有技术的问题，本专利技术的目的在于提供一种基于多步粒子群算法的无人机协同侦察覆盖方法，使得无人预警机多步侦察覆盖率变化曲线在收敛之后变得更加稳定。为达到上述目的，本专利技术采用如下技术方案予以实现。一种基于多步粒子群算法的无人机协同侦察覆盖方法，所述方法包括如下步骤：步骤1，设置无人机群包含的无人机数目N，每架无人机的初始位置坐标、初始速度方向，每架无人机的覆盖半径，以及无人机群的侦察范围；所述每架无人机的初始位置坐标包括无人机的横坐标和纵坐标；步骤2，设定无人机群中每架无人机的飞行参数，所述飞行参数包含：无人机的飞行速度，无人机每一步飞行的距离r，无人机的最大偏转角以及无人机的最大偏转角变化量；步骤3，设置多步粒子群算法的参数，所述多步粒子群算法的参数包含：总的搜寻次数J，多步飞行段内步数，粒子群的粒子数I，算法迭代次数K；其中，总的搜寻次数是指无人机群飞行的总段数，多步飞行段内步数是指无人机群在每段飞行中包含的飞行步数；步骤4，设置所述多步粒子群算法的适应度函数，所述适应度函数采用无人机群在侦察范围内的覆盖面积来表征，所述无人机群在侦察范围内的覆盖面积越大，其对应的适应度函数值越大；步骤5，对第j次搜寻中每个粒子的状态参数进行初始化；每个粒子的状态参数包含粒子的偏转角、粒子的偏转角变化量、粒子的横坐标、粒子的纵坐标、粒子的速度方向以及粒子的适应度值，其中，粒子的偏转角表示无人机群中每架无人机的偏转角组成的向量，粒子的偏转角变化量表示无人机群中每架无人机的偏转角变化量组成的向量，粒子的横坐标表示无人机群中每架无人机的横坐标组成的向量，粒子的纵坐标表示无人机群中每架无人的纵坐标组成的向量，粒子的速度方向表示无人机群中每架无人的速度方向组成的向量，粒子的适应度值表示无人机群中每架无人的适应度值组成的向量；j的初值为1，j＝1，2，...，J，J表示总的搜寻次数；步骤6，采用多步粒子群算法得到第j次搜寻中每个粒子对应的历史最优状态以及所有粒子对应的全局最优状态；步骤7，今j的值加1，依次重复执行步骤5和步骤6，直到j等于总的搜寻次数J，完成多步粒子群算法的无人机协同侦察覆盖过程。本专利技术技术方案的特点和进一步的改进为：(1)步骤4中，无人机群在侦察范围内的覆盖面积的计算方法具体包括如下子步骤：(4a)设定无人机群的侦察范围为矩形区域，将所述矩形区域划分为大小相同的多个栅格，每架无人机的覆盖范围为以该无人机的位置坐标为原点，以该无人机的覆盖半径为半径的圆；(4b)计算位于无人机群侦察范围中心点坐标处的无人机的栅格矩阵，所述栅格矩阵的大小与无人机群的侦察范围大小相同，并将该栅格矩阵作为基准栅格矩阵；(4c)计算无人机群中每架无人机的位置坐标与中心点坐标的偏移距离，并将所述基准栅格矩阵按照所述偏移矩阵进行平移，得到该架无人机对应的栅格矩阵；(4d)在得到无人机群中所有无人机分别对应的栅格矩阵后，将所有无人机分别对应的栅格矩阵相加得到最终相加后的栅格矩阵，统计最终相加后的栅格矩阵中元素大于1的栅格个数，并将大于1的栅格个数作为无人机群的覆盖面积。(2)子步骤(4b)中，计算位于无人机群侦察范围的中心点坐标处的无人机的栅格矩阵，具体为：初始化位于无人机群侦察范围中心点坐标处的无人机的栅格矩阵为全零矩阵；计算所述栅格矩阵中每个栅格中心点到无人机群侦察范围中心点坐标处距离，若所述距离小于无人机的覆盖半径，则将对应栅格的值置为1，从而得到基准栅格矩阵。(3)子步骤(4c)具体为：(4c1)记基准栅格矩阵为Area0，无人机群侦察范围中心点坐标为(x0，y0)，无人机群侦察范围的横坐标边界为A，无人机群侦察范围的纵坐标边界为B，无人机的覆盖半径为R，第n架无人机的位置坐标为(xn，yn)；n＝1，2，...，N，的初值为1，N表示无人机总个数；今左边界Ln＝xn-R+1，若左边界Ln小于1，则今左边界Ln＝1；今右边界Rn＝xn+R，若右边界Rn大于A，则今右边界Rn＝A；今上边界Un＝yn+R，若上边界Un大于B，则今上边界Un＝B；今下边界Dn＝yn-R+1，若下边界Dn小于1，今下边界Dn＝1；则水平方向截取长度LH＝Rn-Ln，竖直方向截取长度LV＝Un-Dn；(4c2)初始化第n架无人机对应的栅格矩阵Arean为全零矩阵；当xn＞x0，yn＞y0，则Arean(Ln：Rn，Dn：Un)＝Area0(1：LH，1：LV)；当xn＜x0，yn＞y0，则Arean(Ln：Rn，Dn：Un)＝Area0(2×R-LH+1：2×R，1：LV)；当xn＞x0，yn＜y0，则Arean(Ln：Rn，Dn：Un)＝Area0(1：LH，2×R-LV+1：2×R)；当xn＜x0，yn＜y0，则Arean(Ln：Rn，Dn：Un)＝Area0(2×R-LH+1：2×R，2×R-LV+1：2×R)；(4c3)今n分别取1，2，...，N，从而得到无人机群中所有无人机分别对应的栅格矩阵。(4)每个粒子的状态参数包含粒子的偏转角、粒子的偏转角变化量、粒子的横坐标、粒子的纵坐标、粒子的速度方向以及粒子的适应度值，其中，粒子的偏转角表示无人机群中每架无人机的偏转角组成的向量，粒子的偏转角变化量表示无人机群中每架无人机的偏转角变化量组成的向量，粒子的横坐标表示无人机群中每架无人机的横坐标组成的向量，粒子的纵坐标表示无人机群中每架无人的纵坐标组成的向量，粒子本文档来自技高网...

【技术保护点】
一种基于多步粒子群算法的无人机协同侦察覆盖方法，其特征在于，所述方法包括如下步骤：步骤1，设置无人机群包含的无人机数目N，每架无人机的初始位置坐标、初始速度方向，每架无人机的覆盖半径，以及无人机群的侦察范围；所述每架无人机的初始位置坐标包括无人机的横坐标和纵坐标；步骤2，设定无人机群中每架无人机的飞行参数，所述飞行参数包含：无人机的飞行速度，无人机每一步飞行的距离r，无人机的最大偏转角以及无人机的最大偏转角变化量；步骤3，设置多步粒子群算法的参数，所述多步粒子群算法的参数包含：总的搜寻次数J，多步飞行段内步数，粒子群的粒子数I，算法迭代次数K；其中，总的搜寻次数是指无人机群飞行的总段数，多步飞行段内步数是指无人机群在每段飞行中包含的飞行步数；步骤4，设置所述多步粒子群算法的适应度函数，所述适应度函数采用无人机群在侦察范围内的覆盖面积来表征，所述无人机群在侦察范围内的覆盖面积越大，其对应的适应度函数值越大；步骤5，对第j次搜寻中每个粒子的状态参数进行初始化；每个粒子的状态参数包含粒子的偏转角、粒子的偏转角变化量、粒子的横坐标、粒子的纵坐标、粒子的速度方向以及粒子的适应度值，其中，粒子的偏转角表示无人机群中每架无人机的偏转角组成的向量，粒子的偏转角变化量表示无人机群中每架无人机的偏转角变化量组成的向量，粒子的横坐标表示无人机群中每架无人机的横坐标组成的向量，粒子的纵坐标表示无人机群中每架无人的纵坐标组成的向量，粒子的速度方向表示无人机群中每架无人的速度方向组成的向量，粒子的适应度值表示无人机群中每架无人的适应度值组成的向量；j的初值为1，j＝1,2,...,J，J表示总的搜寻次数；步骤6，采用多步粒子群算法得到第j次搜寻中每个粒子对应的历史最优状态以及所有粒子对应的全局最优状态；步骤7，令j的值加1，依次重复执行步骤5和步骤6，直到j等于总的搜寻次数J，完成多步粒子群算法的无人机协同侦察覆盖过程。...

【技术特征摘要】
1.一种基于多步粒子群算法的无人机协同侦察覆盖方法，其特征在于，所述方法包括如下步骤：步骤1，设置无人机群包含的无人机数目N，每架无人机的初始位置坐标、初始速度方向，每架无人机的覆盖半径，以及无人机群的侦察范围；所述每架无人机的初始位置坐标包括无人机的横坐标和纵坐标；步骤2，设定无人机群中每架无人机的飞行参数，所述飞行参数包含：无人机的飞行速度，无人机每一步飞行的距离r，无人机的最大偏转角以及无人机的最大偏转角变化量；步骤3，设置多步粒子群算法的参数，所述多步粒子群算法的参数包含：总的搜寻次数J，多步飞行段内步数，粒子群的粒子数I，算法迭代次数K；其中，总的搜寻次数是指无人机群飞行的总段数，多步飞行段内步数是指无人机群在每段飞行中包含的飞行步数；步骤4，设置所述多步粒子群算法的适应度函数，所述适应度函数采用无人机群在侦察范围内的覆盖面积来表征，所述无人机群在侦察范围内的覆盖面积越大，其对应的适应度函数值越大；步骤5，对第j次搜寻中每个粒子的状态参数进行初始化；每个粒子的状态参数包含粒子的偏转角、粒子的偏转角变化量、粒子的横坐标、粒子的纵坐标、粒子的速度方向以及粒子的适应度值，其中，粒子的偏转角表示无人机群中每架无人机的偏转角组成的向量，粒子的偏转角变化量表示无人机群中每架无人机的偏转角变化量组成的向量，粒子的横坐标表示无人机群中每架无人机的横坐标组成的向量，粒子的纵坐标表示无人机群中每架无人的纵坐标组成的向量，粒子的速度方向表示无人机群中每架无人的速度方向组成的向量，粒子的适应度值表示无人机群中每架无人的适应度值组成的向量；j的初值为1，j＝1,2,...,J，J表示总的搜寻次数；步骤6，采用多步粒子群算法得到第j次搜寻中每个粒子对应的历史最优状态以及所有粒子对应的全局最优状态；步骤7，令j的值加1，依次重复执行步骤5和步骤6，直到j等于总的搜寻次数J，完成多步粒子群算法的无人机协同侦察覆盖过程。2.根据权利要求1所述的一种基于多步粒子群算法的无人机协同侦察覆盖方法，其特征在于，步骤4中，无人机群在侦察范围内的覆盖面积的计算方法具体包括如下子步骤：(4a)设定无人机群的侦察范围为矩形区域，将所述矩形区域划分为大小相同的多个栅格，每架无人机的覆盖范围为以该无人机的位置坐标为原点，以该无人机的覆盖半径为半径的圆；(4b)计算位于无人机群侦察范围中心点坐标处的无人机的栅格矩阵，所述栅格矩阵的大小与无人机群的侦察范围大小相同，并将该栅格矩阵作为基准栅格矩阵；(4c)计算无人机群中每架无人机的位置坐标与中心点坐标的偏移距离，并将所述基准栅格矩阵按照所述偏移矩阵进行平移，得到该架无人机对应的栅格矩阵；(4d)在得到无人机群中所有无人机分别对应的栅格矩阵后，将所有无人机分别对应的栅格矩阵相加得到最终相加后的栅格矩阵，统计最终相加后的栅格矩阵中元素大于1的栅格个数，并将大于1的栅格个数作为无人机群的覆盖面积。3.根据权利要求2所述的一种基于多步粒子群算法的无人机协同侦察覆盖方法，其特征在于，子步骤(4b)中，计算位于无人机群侦察范围的中心点坐标处的无人机的栅格矩阵，具体为：初始化位于无人机群侦察范围中心点坐标处的无人机的栅格矩阵为全零矩阵；计算所述栅格矩阵中每个栅格中心点到无人机群侦察范围中心点坐标处距离，若所述距离小于无人机的覆盖半径，则将对应栅格的值置为1，从而得到基准栅格矩阵。4.根据权利要求2所述的一种基于多步粒子群算法的无人机协同侦察覆盖方法，其特征在于，子步骤(4c)具体为：(4c1)记基准栅格矩阵为Area0，无人机群侦察范围中心点坐标为(x0,y0)，无人机群侦察范围的横坐标边界为A，无人机群侦察范围的纵坐标边界为B，无人机的覆盖半径为R，第n架无人机的位置坐标为(xn,yn)；n＝1,2,...,N，的初值为1，N表示无人机总个数；令左边界Ln＝xn-R+1，若左边界Ln小于1，则令左边界Ln＝1；令右边界Rn＝xn+R，若右边界Rn大于A，则令右边界Rn＝A；令上边界Un＝yn+R，若上边界Un大于B，则令上边界Un＝B；令下边界Dn＝yn-R+1，若下边界Dn小于1，令下边界Dn＝1；则水平方向截取长度LH＝Rn-Ln，竖直方向截取长度LV＝Un-Dn；(4c2)初始化第n架无人机对应的栅格矩阵Arean为全零矩阵；当xn>x0，yn>y0，则Arean(Ln:Rn,Dn:Un)＝Area0(1:LH,1:LV)；当xn<x0，yn>y0，则Arean(Ln:Rn,Dn:Un)＝Area0(2×R-LH+1:2×R,1:LV)；当xn>x0，yn<y0，则Arean(Ln:Rn,Dn:Un)＝Area0(1:LH,2×R-LV+1:2×R)；当xn<x0，yn<y0，则Arean(Ln:Rn,Dn:Un)＝Area0(2×R-LH+1:2×R,2×R-LV+1:2×R)；(4c3)令n分别取1,2,...,N，从而得到无人机群中所有无人机分别对应的栅格矩阵。5.根据权利要求1所述的一种基于多步粒子群算法的无人机协同侦察覆盖方法，其特征在于，每个粒子的状态参数包含粒子的偏转角、粒子的偏转角变化量、粒子的横坐标、粒子的纵坐标、粒子的速度方向以及粒子的适应度值，其中，粒子的偏转角表示无人机群中每架无人机的偏转角组成的向量，粒子的偏转角变化量表示无人机群中每架无人机的偏转角变化量组成的向量，粒子的横坐标表示无人机群中每架无人机的横坐标组成的向量，粒子的纵坐标表示无人机群中每架无人的纵坐标组成的向量，粒子的速度方向表示无人机群中每架无人的速度方向组成的向量，粒子的适应度值表示无人机群中每架无人的适应度值组成的向量；步骤5具体包括：对第j次搜寻中每个粒子的状态参数进行初始化，j的初值为1；(5a)第j次搜寻中每个粒子每一步的偏转角变化量随机初始化在[-22.5°,22.5°]范围内，第j次搜寻中每个粒子每一步的偏转角随机初始化在[-45°,45°]的范围内；(5b)当j＝1时，每个粒子第一步的横坐标Xb＝Xa+r×cos(Va+P/...

【专利技术属性】
技术研发人员：吴建新，吕宙，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61