基于人工蜂群算法的无人机群协同覆盖航路规划方法技术

本发明专利技术属于无人预警机航路规划领域，公开了一种基于人工蜂群算法的无人机群协同覆盖航路规划方法，包括：设定无人机群的警戒区域和可飞行区域以及无人机群的参数，设定人工蜂群算法的参数以及初始蜜源组，由人工蜂群算法确定无人机群下一时刻的状态，更新无人机群的速度偏转角；能够有效地实时覆盖监视区域，为使用无人机群预警奠定了基础。

【技术实现步骤摘要】
基于人工蜂群算法的无人机群协同覆盖航路规划方法
本专利技术属于无人预警机航路规划领域，尤其涉及一种基于人工蜂群算法的无人机群协同覆盖航路规划方法，适用于无人预警机群的协同覆盖航路规划问题。
技术介绍
无人机在现代战争中的应用优势，已经被越来越多地应用于执行多种危险和复杂的任务。用于预警探测的无人预警机，其主要用途是对指定的区域进行自动化覆盖，并对潜在的危险进行预警。在复杂多变的信息化战场环境下，单个无人机执行覆盖任务时面临探测角度和范围等诸方面的限制，制约了作战效能的发挥，单个无人机圆满完成任务的难度越来越大。多无人机协同探测是指两架或两架以上无人机相互配合、相互协作地执行覆盖任务。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。无人机航路规划是多无人机协同控制的核心，是实现无人机自主飞行的一项关键技术，能针对不同的任务需求为无人机提供一条或多条安全可行的航路，对无人机顺利完成任务起着关键作用。为了能顺利本文档来自技高网...

【技术保护点】
1.一种基于人工蜂群算法的无人机群协同覆盖航路规划方法，其特征在于，所述方法包括如下步骤：步骤1，设定无人机群的警戒区域和可飞行区域，所述无人机群包含Dim架无人机，设定每架无人机的最大速度偏转角、每个机载雷达的最大作用距离；Dim为大于零的正整数；步骤2，设置每架无人机的初始速度，组成无人机群的初始速度向量，设置每架无人机的初始位置，组成无人机群的初始位置矩阵；步骤3，设置人工蜂群算法的初始蜜源组，所述初始蜜源组中包含CS个蜜源，每个蜜源的维数为Dim维，每个蜜源代表无人机群的一种速度偏转角方案，每个蜜源的一维数值对应为无人机群中一架无人机的速度偏转角；并设置一次人工蜂群算法的最大迭代次数M...

【技术特征摘要】
1.一种基于人工蜂群算法的无人机群协同覆盖航路规划方法，其特征在于，所述方法包括如下步骤：步骤1，设定无人机群的警戒区域和可飞行区域，所述无人机群包含Dim架无人机，设定每架无人机的最大速度偏转角、每个机载雷达的最大作用距离；Dim为大于零的正整数；步骤2，设置每架无人机的初始速度，组成无人机群的初始速度向量，设置每架无人机的初始位置，组成无人机群的初始位置矩阵；步骤3，设置人工蜂群算法的初始蜜源组，所述初始蜜源组中包含CS个蜜源，每个蜜源的维数为Dim维，每个蜜源代表无人机群的一种速度偏转角方案，每个蜜源的一维数值对应为无人机群中一架无人机的速度偏转角；并设置一次人工蜂群算法的最大迭代次数MaxCycles，允许蜜源未被更新的最大次数Limit；步骤4，对初始蜜源组中的每个蜜源随机确定速度偏转角向量，根据无人机群当前时刻的速度向量、当前时刻的位置矩阵以及每个蜜源对应的速度偏转角向量得到每个蜜源下一时刻的可行位置坐标矩阵；根据每个蜜源下一时刻的可行位置坐标矩阵计算得到每个蜜源对应的适应度值，从CS个蜜源对应的适应度值中选取最大适应度值对应的蜜源作为最优蜜源，并记录该最优蜜源Best，该最优蜜源对应的无人机群的可行位置矩阵BestLoc，以及该最优蜜源的适应度值BestFit；步骤5，设置记录矩阵，初始化所述记录矩阵为全零矩阵，所述记录矩阵的维数为CS，用于记录CS个蜜源未被更新的次数；步骤6，采用CS个雇佣蜂分别对当前较优蜜源组中每个蜜源进行邻域搜索得到搜索到的CS个新蜜源，计算搜索到的CS个新蜜源的适应度值，根据搜索到的每个新蜜源的适应度值和当前较优蜜源组中对应蜜源的适应度值，选择适应度值大的蜜源组成更优蜜源组Better，并记录更优蜜源组中每个蜜源的位置矩阵BetterLoc和适应度矩阵Betterfit，并更新记录矩阵；所述当前较优蜜源组的初始状态为初始蜜源组；步骤7，采用CS个观察蜂分别采用轮盘赌的方式选择当前更优蜜源组Better中的蜜源进行邻域搜索得到搜索到的CS个新蜜源，计算搜索到的CS个新蜜源的适应度值，根据搜索到的每个新蜜源的适应度值和当前更优蜜源组Better中每个蜜源的适应度值，选择适应度值大的蜜源更新更优蜜源组Better、位置矩阵BetterLoc和适应度矩阵Betterfit，并更新记录矩阵；在更新后的更优蜜源组Better中选取适应度值最大的蜜源，将其最大适应度值与最优蜜源Best的适应度值比较，若大于最优蜜源Best的适应度值，则更新最优蜜源Best，以及最优蜜源的可行位置矩阵BestLoc和适应度值BestFit；将更新后的更优蜜源组Better中未更新次数大于等于允许蜜源未被更新的最大次数Limit的蜜源剔除，并随机产生新的蜜源替换剔除的蜜源；步骤8，将步骤7得到的更优蜜源组Better作为当前较优蜜源组，重复执行步骤6和步骤7，直到达到一次人工蜂群算法的最大迭代次数MaxCycles，并根据最后一次迭代得到的最优蜜源确定无人机群从当前时刻飞行到下一时刻的速度偏转角；步骤9，根据无人机群从当前时刻飞行到下一时刻的速度偏转角对无人机群下一时刻的位置矩阵和速度向量进行更新；步骤10，设定无人机群的搜索步数Step，重复执行步骤4和步骤9共Step次，完成无人机群协同覆盖航路规划过程。2.根据权利要求1所述的一种基于人工蜂群算法的无人机群协同覆盖航路规划方法，其特征在于，步骤2具体包括：记无人机群的初始速度向量无人机群的初始位置矩阵其中，表示第i架无人机的初始速度，表示第i架无人机的初始位置，且和分别表示初始时刻第i架无人机的x坐标和y坐标；i＝1，2，…，Dim，Dim表示无人机群中包含无人机的总数。3.根据权利要求1所述的一种基于人工蜂群算法的无人机群协同覆盖航路规划方法，其特征在于，步骤4具体包括：(4a)对初始蜜源组中第k个蜜源随机确定速度偏转角向量θk：θk＝(θk1，θk2…，θki，…θkDim)θki＝(θmax-θmin)ξ+θmin其中，θki表示初始蜜源组中第k个蜜源的第i维速度偏转角，且k＝1，...，CS，i＝1，...，Dim，Dim表示每个蜜源的总维数，CS表示初始蜜源组中包含的蜜源总个数，θmax表示无人机的最大速度偏转角，θmin表示无人机的最小速度偏转角，ξ表示[0，1]区间的一个随机数；(4b)根据无人机群中第i架无人机当前时刻t的速度当前时刻t的位置以及第k个蜜源的第i维速度偏转角θki得到第k个蜜源下一时刻t+1对应的第i架无人机的可行位置坐标其中，t表示当前时刻，t的初值为零，Vp表示无人机匀速飞行的速度大小，表示第k个蜜源的第i维速度偏转角θki对应的无人机从当前时刻到下一时刻的位置偏转角；令i依次取1，...，Dim，得到第k个蜜源下一时刻对应的可行位置坐标矩阵；令k依次取1，...，CS，分别得到CS个蜜源下一时刻对应的可行位置坐标矩阵；(4c)计算第k个蜜源的适应度值fk：fk＝Sk-ω*LimkSk＝Sk1USk2U...Ski...∪SkDim其中，Sk表示第k个蜜源对应的无人机飞行...

【专利技术属性】
技术研发人员：吴建新，吕宙，肖浩，
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