基于少量先验知识的无人机群行动方案搜索方法技术

本发明专利技术基于少量先验知识的无人机群行动方案搜索方法，一、将行动方案拆分为任务层、资源层、动作层；二、利用聚类方法将任务层分为k类；三、使用k‑means聚类算法对资源层和动作层分类；四：行动方案总共分类n类，根据各个类别中方案数量的大小比例，按照随机选取的原则选择方案；五：使用Anylogic仿真平台推演选中的方案，以推演结果作为行动方案的评分，统计表现优秀的方案的类别情况；六：根据优秀方案的类别分布情况从各类别中继续选择方案；七：重复步骤五、六，对“表现优秀”的类别，选中的方案越来越多，对“比较差”的类别，选中的方案越来越少，甚至不选择，最终能在推演比较少量方案的情况下选中比较好的方案。

【技术实现步骤摘要】
基于少量先验知识的无人机群行动方案搜索方法
本专利技术属于无人机群任务规划领域，涉及一种基于少量先验知识的无人机群行动方案搜索方法，该方法可以从行动方案集合中快速找到可用的方案。
技术介绍
无人机是一种无人驾驶的飞行器，具有体积小巧、使用灵活、隐蔽性好、适应性强等优点，能够在各种恶劣、危险和极限环境下，完成一些人类无法到达和从事的特定工作和任务，在军事任务、搜索救援、灾害监控、物流输送等领域得到广泛的应用。伴随着无人机应用场景复杂程度的不断增加，仅仅依靠单一的无人机己经不能满足复杂任务和复杂场景的需求。相对于单一无人机，由多架无人机组成的无人机群协同执行任务具有三个优点：不同无人机能互为冗余备份；并行执行任务大大提高任务完成效率；资源共享提升任务完成能力。因此，多架无人机组成的无人机群协同执行任务复杂任务得到越来越多研究人员的重视。无人机群行动方案规划需要考虑无人机的平台性能、任务环境约束规则、任务环境等多种因素，行动方案内容包括目标分配、资源分配、航路规划、载荷规划、飞行时间等要素，目前针对无人机群的方案生成的研究比较多，蚁群算法、粒子群算法、模拟退火算法、遗传算法等方法成功应用到行动方案生成。这些方案生成算法大多需要建立评估函数来评价一个方案的优劣，评估函数的好坏直接决定了方案生成算法的效果。然而评估函数一般依靠人类的经验或者直觉来确定，准确度比较差。通过仿真推演平台进行仿真推演来代替评估函数，可以更加精确的评估方案的好坏。AnyLogic是一款应用广泛的，对离散、系统动力学、多智能体和混合系统建模和仿真的工具，它能够比较真实准确的反映无人机群行动的过程和结果。但是仿真推演平台推演一个方案的速度十分缓慢，蚁群算法、粒子群算法、遗传算法等行动方案生成方法需要大量方案的推演评估结果，这大大降低行动方案生成的效率。因此，如何根据推演平台推演少量方案的结果，快速搜索到行动方案的方法亟待解决。
技术实现思路
本专利技术的目的是提供基于少量先验知识的无人机群行动方案搜索方法，根据推演平台推演少量方案的结果，能够从方案集合中快速找到可用的优秀方案。本专利技术的基本思路为：如果将所有行动方案进行仿真推演，工作量将十分巨大。首先使用聚类算法将方案集合进行分类，针对行动方案中维数过多的特点，引入分层思想，将行动方案拆分为任务层、资源层和动作层,然后针对每一层的数据特点设计不同的分类算法，最终将行动方案集合分为k类。基于类别的方案选择器在这k类中随机挑选出若干行动方案。将方案选择器选出的方案进行仿真推演评估，然后对挑选出的方案推演结果进行排序，可以发现那些类别的方案评分高，那些类别的方案评分低。根据评分排序信息，基于类别的方案选择器再随机挑选一些方案，评分高的类别选中方案多，评分低的类别与之相反。然后对新挑选出的方案进行评估排序，根据判定条件决定是否输出最优方案。本专利技术基于少量先验知识的无人机群行动方案搜索方法，该方法具体步骤如下：步骤一:引入分层思想，将行动方案拆分为任务层、资源层、动作层；任务层表示不同任务的时序关系，资源层表示每个任务需要多少种类型的飞机，动作层表示无人机在执行任务时的路径规划和动作序列；步骤二：利用聚类方法将方案集合的任务层分为k类，k值的取值范围根据行动方案的数量N确定，k的范围一般为2-N/30，然后通过类间分离度和类内离散度计算DB值来确定k值；步骤三：在任务层分类的基础上，使用k-means聚类算法依次对资源层和动作层进行分类；步骤四：根据步骤二、三的计算，行动方案总共分类n类，根据各个类别中方案数量的大小比例，按照随机选取的原则选择方案；步骤五：使用Anylogic仿真平台推演步骤四选中的方案，以平台的推演结果作为行动方案的评分，统计表现优秀的方案的类别情况；步骤六：根据步骤五统计出的优秀方案的类别分布情况从各类别中继续选择方案；具体采取以下原则：a)各类别按照数量比例随机选取方案；b)从优秀类别中选择方案；c)选择评分最高的方案相似的方案；步骤七：重复步骤五、六，对于“表现优秀”的类别，选中的方案会越来越多，对于“比较差”的类别，选中的方案会越来越少，甚至不选择，最终能够在推演比较少量方案的情况下选中比较好的方案。本专利技术基于少量先验知识的无人机群行动方案搜索方法，其技术效果为：1)解决了行动方案难以分类的问题，行动方案不但维数高，而且不同维度之间难以通过欧式距离等数学概念来比较，针对行动方案的特点，引入分层思想，将方案分为任务层、编队层、资源层，在不同层面上对方案进行比较；2)该算法既能保持一定全局搜索能力，又能依靠已经选择的方案快速找出优秀的方案。3)该算法可以根据推演少量行动方案的结果作为先验知识，从大量行动方案中快速找出比较优秀的行动方案，大大提高了行动方案优化效率。附图说明图1是本方案的方案搜索总体流程图。图2是行动方案分类层次图。具体实施方式以下结合附图和技术方案，进一步说明本专利技术的具体实施方式。一种基于少量先验知识的无人机群行动方案搜索方法，如图1所示，包括如下步骤：步骤一：引入分层思想，将行动方案拆分为任务层、资源层、动作层。无人机群的行动方案包括任务分配、资源分配、路径规划、动作序列四大部分，其中路径规划可描述为在某时刻/某地点达到某个区域点，可以将路径规划视为一个包含时间地点信息的动作串。为了更好的比较不同方案的差异度，按照行动方案制定时自顶向下的原则，将行动方案分为任务层(任务分配)、资源层(资源分配)、动作层(路径规划和动作序列)，如图2所示。任务层主要表示不同任务的时序关系，资源层表示每个任务需要多少种类型的飞机，动作层表示无人机在执行任务时的路径规划和动作序列。步骤二：任务层主要利用表示不同任务的时序关系，利用聚类方法将方案集合的任务层分为k类，k值的取值范围根据行动方案的数量N确定，k的范围一般为2-N/30，然后通过类间分离度dij和类内离散度Si计算DB值来确定k值。类间分离度dij定义如下：dij＝d(vi,vj)dij表示聚类中心vi和vj之间的欧式距离。类内离散度Si可定义如下:其中Ni表示第i类的数据样本个数，通过离散度和分离度的定义，在DB指标中，对相似度Rij有如下定义：Rij＝(Si+Sj)/dij得到DB指标的一般定义：上式中Nc表示k值，由上式可以看出DB指标的数值越小，则表示聚类效果越好。因此通过确定最小的DB值来确定k值。接下来利用k-means算法对行动方案的任务层进行分类a)首先随机选取k个中心点ui；b)计算行动方案pj到各中心点ui的距离dji，将每个方案划分到最近的中心点中，m为行动方案任务矩阵的元素数量；c)计算每个聚类的平均值，并作为新的中心点ui；d)重复b)-c)步，直到这k个中心点ui不再变化。步骤三：根据图2，在任务层分类的基础上，使用k-means聚类算法依次对资源层和动作层进行分类，计算方法与步骤二相同，唯一不同的是资源层计算行动方案pj到各中心点ui的距离dji，对于资源层，其计算公式如下：步骤四：根据步骤二、三的计算，行动方案总共分类n类，目前对各个类别的优劣一无所知，只能根据各个类别中方案数量的大小比例，按照随机选取的原则选择方案。也就是说“大”的类别多选方案，“小”的类别少选方案，比例范围为10％至本文档来自技高网...

【技术保护点】
1.一种基于少量先验知识的无人机群行动方案搜索方法，其特征在于：该方法包括如下步骤：步骤一、引入分层思想，将行动方案拆分为任务层、资源层、动作层；任务层表示不同任务的时序关系，资源层表示每个任务需要多少种类型的飞机，动作层表示无人机在执行任务时的路径规划和动作序列；步骤二：利用聚类方法将方案集合的任务层分为k类，k值的取值范围根据行动方案的数量N确定，k的范围一般为2‑N/30，然后通过类间分离度dij和类内离散度Si计算DB值来确定k值；步骤三：在任务层分类的基础上，使用k‑means聚类算法依次对资源层和动作层进行分类；步骤四：根据步骤二、三的计算，行动方案总共分类n类，根据各个类别中方案数量的大小比例，按照随机选取的原则选择方案；步骤五：使用Anylogic仿真平台推演步骤四选中的方案，以平台的推演结果作为行动方案的评分，统计表现优秀的方案的类别情况；步骤六：根据步骤五统计出的优秀方案的类别分布情况从各类别中继续选择方案；具体采取以下原则：a)各类别按照数量比例随机选取方案；b)从优秀类别中选择方案；c)选择评分最高的方案相似的方案；步骤七：重复步骤五、六，对于“表现优秀”的类别，选中的方案会越来越多，对于“比较差”的类别，选中的方案会越来越少，甚至不选择，最终能够在推演比较少量方案的情况下选中比较好的方案。...

【技术特征摘要】
1.一种基于少量先验知识的无人机群行动方案搜索方法，其特征在于：该方法包括如下步骤：步骤一、引入分层思想，将行动方案拆分为任务层、资源层、动作层；任务层表示不同任务的时序关系，资源层表示每个任务需要多少种类型的飞机，动作层表示无人机在执行任务时的路径规划和动作序列；步骤二：利用聚类方法将方案集合的任务层分为k类，k值的取值范围根据行动方案的数量N确定，k的范围一般为2-N/30，然后通过类间分离度dij和类内离散度Si计算DB值来确定k值；步骤三：在任务层分类的基础上，使用k-means聚类算法依次对资源层和动作层进行分类；步骤四：根据步骤二、三的计算，行动方...

【专利技术属性】
技术研发人员：周尧明，谢荣磊，蒙志君，郑江安，朱家强，
申请(专利权)人：北京航空航天大学，中国航空系统工程研究所，
类型：发明
国别省市：北京,11