一种基于粒子群遗传算法的多无人机区域覆盖部署方法技术

本发明专利技术公开了一种基于粒子群遗传算法的多无人机区域覆盖部署方法，根据目标区域的大小和无人机的各项参数，解决无人机的区域覆盖部署问题。本发明专利技术以粒子群算法为基本框架，将改进的遗传算法嵌入到粒子群算法的迭代过程中，避免了算法陷入局部极值。本发明专利技术使用粒子群遗传算法根据区域覆盖率和网络连通性对覆盖部署方案进行对比研究，经过多次的迭代优化最终得出最佳的覆盖部署方案。

A Multi-UAV Area Coverage Deployment Method Based on Particle Swarm Optimization and Genetic Algorithms

【技术实现步骤摘要】
一种基于粒子群遗传算法的多无人机区域覆盖部署方法
本专利技术涉及到了拓扑控制领域，尤其涉及一种基于粒子群遗传算法的多无人机区域覆盖部署方法。
技术介绍
在执行敌后侦察、灾后抢险和森林防火等多无人机自组织任务中，对目标区域进行监控也是至关重要的，所以本专利技术专利将重点研究多无人机自组织区域覆盖控制，研究和探索如何在无人机数量有限的情况下，合理部署无人机节点实现在保证网络连通性的前提条件下实现区域覆盖率的最大化。粒子群算法在优化问题的过程中，通过粒子对个体极值和群体极值的学习，持续调整自身的移动方向，经过不断的迭代求解问题的最优解，该算法流程简单收敛性好，被广泛的应用于无线传感器网络节点的覆盖部署优化当中。但是粒子群算法收敛速度很快，容易陷入局部极值。为此本专利技术提出了一种基于粒子群遗传算法的多无人机区域覆盖部署算法，该算法以粒子群算法为基本框架，在迭代过程中同时使用粒子群算法和遗传算法产生新一代粒子，从而增加了种群的多样性，避免了粒子群算法陷入局部极值。
技术实现思路
技术问题：在多无人机区域覆盖部署中，如果无人机随机部署，那么很难保证无人机网络的连通性，另外随机部署的方式有可能会使无人机部署不均匀，导致区域的覆盖率也难以保证，因此在研究多无人机区域覆盖部署时必须要考虑网络的连通性和区域的覆盖率。粒子群算法具有非常快的收敛速度，非常容易陷入局部极值，因此在使用粒子群算法时必须要避免算法陷入局部极值。技术方案：为了解决现有技术中的问题，本专利技术提供了一种基于粒子群遗传算法的多无人机区域覆盖部署方法，包括以下步骤：一种基于粒子群遗传算法的多无人机区域覆盖部署方法，包括以下步骤：步骤1)输入目标区域的长L和宽W；步骤2)输入无人机的数量Total、传感器部署角度θ、传感器覆盖半径Rs和最大通信半径Rt，遍历每一个无人机Uξ，输入无人机Uξ的高度Hξ；步骤3)初始化空部署方案集合PList，在长为L，宽为W的范围内随机部署无人机，并判断无人机集群是否连通，当无人机集群连通时，将当前的无人机部署方案Pi保存到部署方案集合PList当中，重复该步骤直到部署方案集合PList中集合的数量等于N，所述N表示初始种群中个体的数量；步骤4)计算集合PList中每一个方案的区域覆盖率，所述覆盖率是指覆盖的面积占目标区域的百分比，依次从集合PList中取出无人机部署方案Pi，计算Pi的区域覆盖率Fc(Pitime)：其中：SCi表示部署方案Pi的覆盖面积，S表示目标区域的总面积，time表示当前迭代次数，i表示方案的编号；步骤5)将集合PList中的方案按照覆盖率从大到小排列，取区域覆盖率最大的前N个方案，其余方案移出集合PList；步骤6)更新第time次迭代后覆盖方案的个体极值当时，将Pitime赋值给个体极值否则将赋值给个体极值当time＝0时，步骤7)更新第time次迭代后集合PList的群体极值Gbest，遍历集合PList中的每一个方案，当将个体极值赋值给群体极值Gbest，当time＝0，Fc(Gbest)＝0；步骤8)当time＝timemax时，方法结束，输出群体极值Gbest，所述timemax是预先设定的跌打阈值；否则time自增1进入步骤9)；步骤9)粒子群算法进化个体，具体步骤如下：步骤9.1)计算个体的速度Vitime+1：其中：ω是惯性权重，表示初始速度对速度改变的影响，c1和c2分别为自身认知参数和社会认知参数，μ和η表示两个[0,1]区间内的随机数，当time＝0时，Vi0＝0表示初始速度为0；步骤9.2)计算更新后粒子的位置Pitime+1：Pitime+1＝Vitime+1+Pitime步骤9.3)验证无人机网络的连通性，当网络不连通时，放弃步骤91)和步骤92)中对速度和位置的更新，将Vitime赋值给Vitime+1，将Pitime赋值给Pitime+1，否则保留速度和位置得到更新，并重新计算个体方案的覆盖率；步骤10)遗传算法产生新个体，具体步骤如下：步骤10.1)轮盘选择2K个个体，将集合PList中的所有方案按照覆盖率的大小构成一个圆盘，转动2K次得到2K个部署方案；步骤10.2)个体交叉，将选择出的部署方案两两配对成K组，基于概率Pcross对个体进行交叉，得到2K个新的个体；步骤10.3)个体变异，对新个体基于概率Pmutate进行变异操作，得到遗传个体集合GAList，所述遗传个体集合是指经过交叉变异操作产生的新个体的集合；步骤10.4)遍历遗传个体集合GAList中的每一个个体，验证个体的网络连通性，当网络不连通时，从集合中删除个体，将集合GAList中剩余的个体加入集合PList中，重新进入步骤4)。所述步骤2)中，给定了无人机传感器对地面的覆盖半径Rangeξ：所述步骤3)、步骤9.3)和步骤10.4)中，对网络连通性验证时，首先构建网络拓扑图的邻接矩阵E：其中：ejl表示邻接矩阵E的第j行第l列的元素，1表示节点l和节点j连通，0表示节点l和节点j不连通，Xl，Yl表示无人机Ul的经度和维度，Xj，Yj表示无人机Uj的经度和维度；然后通过无向图的连通性判定准则判定图是否连通，对于无向图的邻接矩阵E，存在矩阵G，其中：Et表示邻接矩阵E的t次幂，当矩阵G中全为非零元素时，无向图为连通图，否则，无向图不连通。所述步骤3)中的产生的部署方案Pitime是由一组无人机的经度和维度构成的：Pitime＝{(Xi1,Yi1),(Xi2,Yi2),(Xi3,Yi3),...,(XiN,YiN)}其中：(Xi1,Yi1)、(Xi2,Yi2)、(Xi3,Yi3)和(XiN,YiN)分别表示第1、2、3和N架无人机的经度和维度。所述步骤4)中，求解区域覆盖率时，将区域划分为多个小正方形栅格，将栅格由其中心点坐标表示，当栅格中心被无人机覆盖时，整个栅格就算被覆盖，使用所有被覆盖的栅格的面积SCi表示第i组部署方案的覆盖面积。所述步骤10.3)中，对个体进行变异时，采用定长移位变异算法，具体操作如下：步骤10.3.1)初始化一个计数器Counter＝1；步骤10.3.2)当Counter>N，变异结束；否则生成(0，1)之间的随机数rand，当rand＞Pmutate，进入步骤10.3.3)；否则Counter自增1，进入步骤10.3.2)；步骤10.3.3)生成(0，1)之间的随机数rand2，当rand2＞0.5，将第Counter个无人机的经度XCounter增加ΔL，否则将XCounter减少ΔL，所述ΔL表示预先设定的定长位移量；当XCounter＜0，XCounter＝XCounter+2×ΔL；当XCounter＞L，XCounter＝XCounter-2×ΔL；步骤10.3.4)生成(0，1)之间的随机数rand3，当rand3＞0.5，将第Counter个无人机的纬度YCounter增加ΔL，否则将YCounter减少；当YCounter＜0，YCounter＝YCounter+2×ΔL；当YCounter＞L，YCounter＝YCounter-2×ΔL，Counter自增1，进入步骤10.3.2。有益效果：本专利技术所述的一种基于粒子群遗传算法的多无人机区域覆盖部署本文档来自技高网...

【技术保护点】
1.一种基于粒子群遗传算法的多无人机区域覆盖部署方法，其特征在于，包括以下步骤：步骤1)输入目标区域的长L和宽W；步骤2)输入无人机的数量Total、传感器部署角度θ、传感器覆盖半径Rs和最大通信半径Rt，遍历每一个无人机Uξ，输入无人机Uξ的高度Hξ；步骤3)初始化空部署方案集合PList，在长为L，宽为W的范围内随机部署无人机，并判断无人机集群是否连通，当无人机集群连通时，将当前的无人机部署方案Pi保存到部署方案集合PList当中，重复该步骤直到部署方案集合PList中集合的数量等于N，所述N表示初始种群中个体的数量；步骤4)计算集合PList中每一个方案的区域覆盖率，所述覆盖率是指覆盖的面积占目标区域的百分比，依次从集合PList中取出无人机部署方案Pi，计算Pi的区域覆盖率Fc(Pi

【技术特征摘要】
1.一种基于粒子群遗传算法的多无人机区域覆盖部署方法，其特征在于，包括以下步骤：步骤1)输入目标区域的长L和宽W；步骤2)输入无人机的数量Total、传感器部署角度θ、传感器覆盖半径Rs和最大通信半径Rt，遍历每一个无人机Uξ，输入无人机Uξ的高度Hξ；步骤3)初始化空部署方案集合PList，在长为L，宽为W的范围内随机部署无人机，并判断无人机集群是否连通，当无人机集群连通时，将当前的无人机部署方案Pi保存到部署方案集合PList当中，重复该步骤直到部署方案集合PList中集合的数量等于N，所述N表示初始种群中个体的数量；步骤4)计算集合PList中每一个方案的区域覆盖率，所述覆盖率是指覆盖的面积占目标区域的百分比，依次从集合PList中取出无人机部署方案Pi，计算Pi的区域覆盖率Fc(Pitime)：其中：SCi表示部署方案Pi的覆盖面积，S表示目标区域的总面积，time表示当前迭代次数，i表示方案的编号；步骤5)将集合PList中的方案按照覆盖率从大到小排列，取区域覆盖率最大的前N个方案，其余方案移出集合PList；步骤6)更新第time次迭代后覆盖方案的个体极值当时，将Pitime赋值给个体极值否则将赋值给个体极值当time＝0时，步骤7)更新第time次迭代后集合PList的群体极值Gbest，遍历集合PList中的每一个方案，当将个体极值赋值给群体极值Gbest，当time＝0，Fc(Gbest)＝0；步骤8)当time＝timemax时，方法结束，输出群体极值Gbest，所述timemax是预先设定的跌打阈值；否则time自增1进入步骤9)；步骤9)粒子群算法进化个体，具体步骤如下：步骤9.1)计算个体的速度Vitime+1：其中：ω是惯性权重，表示初始速度对速度改变的影响，c1和c2分别为自身认知参数和社会认知参数，μ和η表示两个[0，1]区间内的随机数，当time＝0时，Vi0＝0表示初始速度为0；步骤9.2)计算更新后粒子的位置Pitime+1：Pitime+1＝Vitime+1+Pitime步骤9.3)验证无人机网络的连通性，当网络不连通时，放弃步骤91)和步骤92)中对速度和位置的更新，将Vitime赋值给Vitime+1，将Pitime赋值给Pitime+1，否则保留速度和位置得到更新，并重新计算个体方案的覆盖率；步骤10)遗传算法产生新个体，具体步骤如下：步骤10.1)轮盘选择2K个个体，将集合PList中的所有方案按照覆盖率的大小构成一个圆盘，转动2K次得到2K个部署方案；步骤10.2)个体交叉，将选择出的部署方案两两配对成K组，基于概率Pcross对个体进行交叉，得到2K个新的个体；步骤10.3)个体变异，对新个体基于概率Pmutate进行变异操作，得到遗传个体集合GAList，所述遗传个体集合是指经过交叉变异操作产生的新个体的集合；步骤10.4)遍历遗传个体集合GAList中的每一个个体，验证个体的网络连通性，当网络不连通时，从集合中删除个体...

【专利技术属性】
技术研发人员：陈志，王福星，岳文静，汪皓平，狄小娟，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32