一种基于聚类和遗传算法的多无人机协同任务规划方法技术

本发明专利技术属于无人机系统技术领域，具体涉及一种基于聚类和遗传算法的多无人机协同任务规划方法。该方法基于K‑means聚类算法完成多个任务点的点簇划分，将多无人机协同规划能耗最优航迹问题简化为多个单架无人机的旅行商问题，并对遗传算法进行改进，基于改进后的遗传算法提出一种UAV航点规划优化算法进行航迹优化，使得无人机的能耗最优，以避免飞行过程中受到环境影响导致实际能耗值变大导致无法执行规划航线的问题出现，提高飞行效率和能量利用率。

【技术实现步骤摘要】
一种基于聚类和遗传算法的多无人机协同任务规划方法
本专利技术属于无人机系统
，具体涉及一种基于聚类和遗传算法的多无人机协同任务规划方法。
技术介绍
近年来，全世界的经济基础实力得到很大程度的提升，科技也随之逐渐发展、提高，无人机技术的研究也有了较大的飞跃，其应用非常广泛。在很多复杂的场景之下，单个无人机根本无法达到人们的预期，于是提出了运用多架无人机协同实现快速高效的任务执行。对比单无人机与多无人机协同发现：单架无人机操作简单且易实现，而多架无人机执行任务时要完善它们之间的协同规划，故而后者执行起来比较复杂，对服务器的处理速度有一定的要求。但是单架无人机只能按照顺序依次完成所有任务，这样会很耗时，很多情况下无法达到要求；而多架无人机能够在同一时间解决多个任务。相较之下，多无人机很大地提升了任务执行速度，大多数情况下能够应对任务实时性的要求。另外，无人机的运行需要能量支持，而一架无人机对能量的储存能力是有限的，单无人机执行复杂任务时很可能出现能量耗尽需要返回基地补充能量的情况，而多架无人机只要选择合适的任务管理方式完成任务分配和航迹规划，便可以达到尽可能少的能量消耗，这对于环境保护、节约能源均有益。但是就目前而言，多架无人机之间的协同配合问题值得我们进一步的深度研究。因此，设计一种多无人机协同任务规划方法至关重要。
技术实现思路
针对目前多架无人机协同配合存在的缺陷和问题，本专利技术提供一种基于聚类和遗传算法的多无人机协同任务规划方法，从而实现多无人机协同规划能耗最优的航行轨迹，便于突发紧急任务时无人机能够有一定的能源储备。本专利技术解决其技术问题所采用的方案是：一种基于聚类和遗传算法的多无人机协同任务规划方法，包括以下步骤：步骤一、根据任务类型和巡检区域获取多个无人机协同任务的所有任务航点n，将所有任务航点共同组成任务航点集计算任务航点集中所有任务航点的坐标；步骤二、选取K架无人机负责执行该巡检区域的巡检任务，以距离为划分依据使用K-means聚类算法对所有任务航点进行集中式分配；步骤三、根据每架无人机负责的任务点的坐标计算出每架无人机执行任务的能量消耗，所述能量消耗包括飞行能耗、转向能耗和数据传输能耗；步骤四、对遗传算法的选择、交叉变异以及进化环节进行改进，利用改进的遗传算法对无人机的巡检区域进行路径规划得到K架无人机协同的最优航迹；步骤五、K架无人机按照步骤四的最优航迹进行航行，并在将执行任务时收集的数据传输至本地服务器的同时实时传送本机的能量剩余，若电池剩余百分比大于15％时，继续按照航迹执行任务，若无人机电池剩余百分比小于15％，后端控制服务器发送相应信息要求无人机立刻中断当前任务的执行，返回无人机基地补充能量。上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤一中还包括根据无人机装载的传感器或者摄像机的覆盖范围确定划分的规格，采用网格分割法，将待测区域网格化处理，待测点为每个网格的中心，从而使能够完全覆盖巡检区域。上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤二中采用K-means聚类算法将n个任务点划分为K个点簇，每一个点簇由一架UAV负责执行任务，包括以下步骤：(1)产生随机坐标点作为聚类中心；(2)分别计算各任务航点到K个聚类中心的距离，将任务航点依次划分给距离最近的聚类中心所属的点簇；(3)采用均值法更新聚类中心得到新的中心坐标；(4)根据新的中心坐标按照步骤(2)、(3)完成点簇划分；(5)判断本次迭代得到的聚类中心的坐标是否满足预先设定的聚类中心的坐标精确度，若不满足，则多次迭代重复(3)、(4)；若满足，则结束运行。上述的基于聚类和遗传算法的多无人机协同任务规划方法，所述飞行能量消耗为式中：为的飞行能耗；P为飞行功率；t为飞行时间；为飞行阻力；为飞行速度，表示执行任务时的总直线飞行距离；上述的基于聚类和遗传算法的多无人机协同任务规划方法，所述转向能耗：式中：为的转向能耗、θ为转向角；α为比例参数，表示两点间的距离。上述的基于聚类和遗传算法的多无人机协同任务规划方法，所述数据传输能耗：式中：为数据传输的能耗、ω为需要传输的数据量、Pt为数据传输功率、C为数据传输的信道容量、L为数据传输路径损耗、为接收者的灵敏度、为常数，δ为常数，λ为常数一般取20，(x1,x2)为任务点的坐标。上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤四中对单无人机进行航迹规划，包括以下步骤：(1)设定种群的个体数、算法的最大循环次数，随机产生任务航点序列构成原始种群；(2)计算个体适应度(3)种群中适者生存淘汰部分个体。生存下来的所有个体作为父代按照计算出的概率交配重组产生下一代个体，之后再按照计算出的概率发生基因突变生成新个体，进而结合成新种群。上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤五中对于未完成巡检的任务航点，派遣能量储存足够且距离较近的无人机继续执行巡检任务。本专利技术的有益效果：本专利技术采用K-means聚类算法对所有任务航点进行分簇，实现多个无人机任务分配，充分考虑无人机执行任务过程中的飞行能耗、转向能耗和数据传输能耗，更全面地考虑无人机能耗问题，使计算得到的能耗值与实际无人机的能耗更加接近，从而显著降低规划飞行航向的差错率。基于遗传算法提出一种UAV航点规划优化算法完成单无人机的航迹规划，使得无人机的能耗最优，以避免飞行过程中受到环境影响导致实际能耗值变大导致无法执行规划航线的问题出现，提高飞行效率和能量利用率；无人机执行任务过程中在传输数据的同时实时传送能量剩余，以便于对能量剩余实时了解从而控制无人机是否继续执行任务，以便于突发紧急任务时无人机能够有一定的能源储备。附图说明图1为本专利技术多无人机协同巡检目标区域的示意图。图2为本专利技术聚类算法任务划分的流程图。图3为本专利技术基于遗传算法的UAV航点规划优化算法流程图。图4为本专利技术UAVs航行轨迹示意图。图5为本专利技术选择算法流程图。图6为本专利技术进化算法流程图。具体实施方式针对目前多无人机协同任务规划存在的问题，本专利技术基于聚类和遗传算法提出一种多无人机协同任务规划方法，使用K-means聚类算法完成多个任务点的点簇划分，将多无人机协同规划能耗最优航迹问题简化为多个单架无人机的旅行商问题；然后基于遗传算法提出一种UAV航点规划优化算法解决单价无人机的能耗最优航迹规划问题。下面结合附图和实施例对本专利技术进一步说明。实施例1：本实施例从获取任务航点开始，根据任务的类型来确定任务航点，如需要无人机完全覆盖整片区域，可根据无人机装载的传感器或者摄像机的覆盖范围确定划分的规格，采用网格分割法，将待测区域网格化处理，待测点为每个网格的中心，以K架UAV负责协同巡检矩形区域S为例，完成一次多无人机协同任务规划过程。步骤一、获取航点...

【技术保护点】
1.一种基于聚类和遗传算法的多无人机协同任务规划方法，其特征在于：包括以下步骤：/n步骤一、根据任务类型和巡检区域获取多个无人机协同任务的所有任务航点n，将所有任务航点共同组成任务航点集P＝{P

【技术特征摘要】
1.一种基于聚类和遗传算法的多无人机协同任务规划方法，其特征在于：包括以下步骤：
步骤一、根据任务类型和巡检区域获取多个无人机协同任务的所有任务航点n，将所有任务航点共同组成任务航点集P＝{P1,P2,…,Pn}，计算任务航点集中所有任务航点的坐标；
步骤二、选取K架无人机负责执行该巡检区域的巡检任务，以距离为划分依据使用K-means聚类算法对所有任务航点进行集中式分配；
步骤三、根据每架无人机负责的任务点的坐标计算出每架无人机执行任务的能量消耗，所述能量消耗包括飞行能耗、转向能耗和数据传输能耗；
步骤四、利用改进的遗传算法对无人机的巡检区域进行路径规划得到K架无人机协同的最优航迹；
步骤五、K架无人机按照步骤四的最优航迹进行航行，并在将执行任务时收集的数据传输至本地服务器的同时实时传送本机的能量剩余，若电池剩余百分比大于15％时，继续按照航迹执行任务，若无人机电池剩余百分比小于15％，后端控制服务器发送相应信息要求无人机立刻中断当前任务的执行，返回无人机基地补充能量。


2.根据权利要求1所述的基于聚类和遗传算法的多无人机协同任务规划方法，其特征在于：步骤一中还包括根据无人机装载的传感器或者摄像机的覆盖范围确定划分的规格，采用网格分割法，将待测区域网格化处理，待测点为每个网格的中心，从而使能够完全覆盖巡检区域。


3.根据权利要求1所述的基于聚类和遗传算法的多无人机协同任务规划方法，其特征在于：步骤二中采用K-means聚类算法将n个任务点划分为K个点簇，每一个点簇由一架UAV负责执行任务，包括以下步骤：
(1)产生随机坐标点作为聚类中心；
(2)分别计算各任务航点到K个聚类中心的距离，将任务航点依次划分给距离最近的聚类中心所属的点簇；
(3)采用均值法更新聚类中心得到新的中心坐标；
(4)根据新的中心坐标按照步骤(2)、(3)完成点簇划分；
(5)判断本次迭代...

【专利技术属性】
技术研发人员：王煜炜，薛晶晶，刘敏，付艳波，王元卓，
申请(专利权)人：中科院计算技术研究所大数据研究院，
类型：发明
国别省市：河南;41