一种基于GA-PSO优化的无人机机场网络选址布置方法技术

本发明专利技术公开了一种基于GA

【技术实现步骤摘要】
一种基于GA-PSO优化的无人机机场网络选址布置方法


[0001]本专利技术涉及机场建设
，具体涉及一种基于GA-PSO优化的无 人机机场网络选址布置方法。

技术介绍

[0002]随着无人机进入大众视野，无人机的应用被不断开发出来，越来越多 的场合都会用到无人机进行工作，而我国在使用无人机打击犯罪、无人机 追踪、无人机巡逻等方面的应用也越来越重视；
[0003]目前军、警、民对无人机帮助探测的需求日益强烈，军方运用无人机 主要用于处理不明空情，低慢小目标的探测、识别与截获的问题；警方运 用无人机主要用于城市热点地区的监控、发生险情、犯罪的第一时间侦察、 取证，疏通道路，快速排堵、流量统计，优化交通管理、助力消防员实现 科学救援；民用无人机主要用于景区拍摄、观察野生动物、制造浪漫等， 随着无人机应用的深入，所暴露的问题也日益突出：
[0004]1、在发生紧急情况时，从出动无人机到无人机到达时间过久，致使 耽误最佳时机，无法获得实质性的效果；
[0005]2、无人机虽然能够代替人工进行工作，但局限于它的续航能力，不 能够支持长时间的工作；
[0006]无人值守无人机机场能够布置在城市的各个地点，结合无人机的续航、 飞行高度等限制条件，考虑城市中的各个重要目标、热点地区、低慢小目 标出现多发区域，对无人机机场进行选址布置；无人机场中放置有多架小 型无人机，军用无人机可由军方航空管制人员在发现需要查证的目标后， 选择距离目标最近的机场远程操控无人机起飞查证；警用无人机主要用于 发生紧急情况后，警方由于道路限制等因素不能第一时间到达时，起飞距 离最近机场的无人机进行侦察；民用无人机主要用于游客旅行观光时利用 无人机拍摄等活动，可扫码使用手机APP控制；因此研究无人值守无人机 机场具有重要意义，本文着重研究无人机机场的选址问题，应用优化部署 模型进行无人值守无人机机场的选址布置，以达到军、警、民三型综合覆 盖的效果。

技术实现思路

[0007]针对上述存在的问题，本专利技术旨在提供一种基于GA-PSO优化的无人 机机场网络选址布置方法，在考虑无人机机场网络节点和需求点之间的供 需关系的基础上，通过使用GA-PSO混合算法建立了一种基于需求的无人 机机场多级覆盖选址模型，利用该模型能够对全区域的需求点进行实时快 速响应，选址结果具有较高的可信度，为后期无人机机场选址提供了理论 依据。
[0008]为了实现上述目的，本专利技术所采用的技术方案如下：
[0009]一种基于GA-PSO优化的无人机机场网络选址布置方法，包括步骤：
[0010]S1.在无人机机场选址过程中，根据机场选址的影响因素，对遗传算法 和粒子群
算法进行交叉、变异变换，设计用于无人机机场的选址的遗传粒 子群混合算法(GA-PSO)如式(2)所示：
[0011][0012][0013]S2.根据步骤S1得到的遗传粒子群混合算法(GA-PSO)建立基于需 求的无人机机场多级覆盖选址模型：
[0014]S201.根据在机场建设过程中，需求点i到机场j的距离和第k级的覆 盖半径，建立机场覆盖的满意度函数和完全覆盖半径D
k
；
[0015]S202.以机场覆盖的满意度函数和完全覆盖半径D
k
为约束条件， 构建基于需求的无人机机场多级覆盖选址模型，构建基于需求的无人机机 场多级覆盖选址模型的目标函数，对多级化覆盖无人机机场进行选址。
[0016]优选的，步骤S1所述的遗传粒子群混合算法的设计过程包括：
[0017]S101.标准粒子群算法的公式(1)为：
[0018][0019]式(1)中：粒子i在N维空间的位置表示为矢量xi＝(x1，x2，
…
， x
N
)，飞行速度表示为矢量V
i
＝(v1，v2，
…
，v
N
)，W为惯性因子；d＝1,2，
…
， D；i＝1,2，
…
，n；k为当前迭代次数；V
id
为粒子的速度；C1和C2是非负 的常数，称为加速因子；R1和R2是分布于[0,1]区间的随机数；P
i
目前为 止发现的最好位置，P
g
目前为止整个群体中所有粒子发现的最好位置；
[0020]S102.在标准粒子群算法式(1)中引入变异算子后，粒子群算法的公 式更新为：
[0021][0022]其中，为个体最优，为全局最优，X
id
为第i个粒子在D维 空间中的位置；C1、C2为权重因子，R1、R2为随机数。
[0023]优选的，步骤S201所述的机场覆盖的满意度函数的建立过程具体包 括：
[0024](1)设d
ij
为需求点i到机场j的距离，为覆盖满意度衰减函数， D
k
为第k级的覆盖半径；
[0025](2)若d
ij
≤D
k
时，需求点i在机场j的第k级的完全覆盖半径之内， 则若d
ij
＞D
k
时，认为需求点i位于机场j的第k级的完全覆 盖半径之外，此时需求点i与机场j的距离及完全覆盖半径之间的函数关 系为：
[0026][0027]其中：式中max(d
ij-D
k
)表示第k级覆盖中，距机场j最远需求点i 与完全覆盖半径D
k
的差值；
[0028](3)因此当d
ij
＞D
k
，d
ij
与D
k
所得的函数为减函数，但d
ij
与D
k
的差值 越小，需求点的覆盖满意度则越高，因此可以得到覆盖满意度函数和D
k
为：
[0029][0030]D
k
＝M
k
×
max(d
ij
)
ꢀꢀꢀꢀ
(5)
[0031](4)公式为k级完全覆盖半径的计算公式：根据机场j所出动无人机 所能够到达最远距离的覆盖范围，选择出能够覆盖的需求点i，在覆盖范 围中最远需求点i到机场的距离max(d
ij
)与一系数M
k
相乘，得出完全覆盖 半径D
k
；
[0032]在式(4)和(5)中：M
k
为覆盖半径乘数，三级覆盖时M1、M2、M3分别取0.1、0.2、0.3；α和β为覆盖敏感系数；α和β以及机场数目是覆盖满 意度函数的影响因子，且当机场j布置点为4-9个时，α＝1，β＝0.5；
[0033]其中：在0-1覆盖中，当D
k
≤d
ij
时，需求点i未被机场j完全性覆盖， 当D＞d
ij
时，需求点i被机场j完全性覆盖。
[0034]优选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GA-PSO优化的无人机机场网络选址布置方法，其特征在于，包括步骤：S1.在无人机机场选址过程中，根据机场选址的影响因素，对遗传算法和粒子群算法进行交叉、变异变换，设计用于无人机机场的选址的遗传粒子群混合算法(GA-PSO)；S2.根据步骤S1得到的遗传粒子群混合算法(GA-PSO)建立基于需求的无人机机场多级覆盖选址模型：S201.根据在机场建设过程中，需求点i到机场j的距离和第k级的覆盖半径，建立机场覆盖的满意度函数和完全覆盖半径D
k
；S202.以机场覆盖的满意度函数和完全覆盖半径D
k
为约束条件，构建基于需求的无人机机场多级覆盖选址模型，构建基于需求的无人机机场多级覆盖选址模型的目标函数，对多级化覆盖无人机机场进行选址。2.根据权利要求1所述的一种基于GA-PSO优化的无人机机场网络选址布置方法，其特征在于，步骤S1所述的遗传粒子群混合算法的设计过程包括：S101.标准粒子群算法的公式(1)为：式(1)中：粒子i在N维空间的位置表示为矢量xi＝(x1，x2，
…
，x
N
)，飞行速度表示为矢量V
i
＝(v1，v2，
…
，v
N
)，W为惯性因子；d＝1,2，
…
，D；i＝1,2，
…
，n；k为当前迭代次数；V
id
为粒子的速度；C1和C2是非负的常数，称为加速因子；R1和R2是分布于[0,1]区间的随机数；P
i
目前为止发现的最好位置，P
g
目前为止整个群体中所有粒子发现的最好位置；S102.在标准粒子群算法式(1)中引入变异算子后，粒子群算法的公式更新为：其中，为个体最优，为全局最优，X
id
为第i个粒子在D维空间中的位置；C1、C2为权重因子，R1、R2为随机数。3.根据权利要求1所述的一种基于GA-PSO优化的无人机机场网络选址布置方法，其特征在于，步骤S201所述的机场覆盖的满意度函数的建立过程具体包括：(1)设d
ij
为需求点i到机场j的距离，为覆盖满意度衰减函数，D
k
为第k级的覆盖半径；(2)若d
ij
≤D
k
时，需求点i在机场j的第k级的完全覆盖半径之内，则若d
ij
＞D
k
时，认为需求点i位于机场j的第k级的完全覆盖半径之外，此时需求点i与机场j的距离及完全覆盖半径之间的函数关系为：
其中：式中max(d
ij-D
k
)表示第k级覆盖中，距机场j最远需求点i与完全覆盖半径D
k
的差值；(3)因此当d
ij
＞D
k
，d
ij
与D
k
所得的函数为减函数，d
ij
与D
k
的差值越小，需求点的覆盖满意度则越高，因此可以得到覆盖满意度函数和D
k

【专利技术属性】
技术研发人员：赵顾颢，袁泽宇，吴亚荣，杨虎成，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：