基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法技术

本发明专利技术公开了一种基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法，包括：S1：采用栅格法对无人机的搜索区域进行划分，引入关联规则库，设计潜艇目标适用的关联规则函数，建立关联规则驱动的目标概率图模型以及关联规则驱动的概率图更新规则；S2：对多无人机协同搜索潜艇目标的发现收益、无人机的执行代价、碰撞代价、威胁躲避代价进行加权求和，设计整体的搜索效益函数；S3：采用基于规则启发式的多蚁群算法对多无人机进行协同路径优化设计，该方法充分利用了任务海域中目标存在的特点，无人机群根据当前搜索到的目标实时匹配关联规则库，有重点的搜索部分栅格。有重点的搜索部分栅格。有重点的搜索部分栅格。

【技术实现步骤摘要】
基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法


[0001]本专利技术涉及无人机监控
，尤其涉及一种基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法。

技术介绍

[0002]近年来，多无人机(Unmanned Aerial Vehicle，UAV)协同在监视、搜索、目标跟踪、损伤评估等领域得到了广泛的应用。多UAV协同搜索目标是其中的重要研究内容。搜索是情报侦察的重要手段，而采用多UAV协同搜索能够彻底的实现对任务区域的侦察，更好的发现目标和获取情报信息。
[0003]目前的蚁群方法主要解决的是搜索常规的静态和动态目标，但面对海域环境复杂、任务区域有威胁且目标之间有一定的关联规则的情况下，传统的多蚁群方法或智能方法在解决此类问题时，常有搜索时间长，搜索效率低等缺点，关联规则驱动的多蚁群搜索方法，是在传统的蚁群方法上进行了多重改进，引入了关联规则作为启发信息，面向复杂且有威胁的任务区域的搜索方法。

技术实现思路

[0004]根据现有技术存在的问题，本专利技术公开了一种基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法，具体包括如下步骤：
[0005]S1：采用栅格法对无人机的搜索区域进行划分，引入关联规则库，设计潜艇目标适用的关联规则函数，建立关联规则驱动的目标概率图模型以及关联规则驱动的概率图更新规则；
[0006]S2：对多无人机协同搜索潜艇目标的发现收益、无人机的执行代价、碰撞代价、威胁躲避代价进行加权求和，设计整体的搜索效益函数；
[0007]S3：采用基于规则启发式的多蚁群算法对多无人机进行协同路径优化设计：
[0008]S31：根据搜索环境的初始信息以及潜艇目标的初始分布，初始化各蚁群的信息素浓度，其中每个蚂蚁种群分别对应一架无人机，并为无人机构造搜索路径；
[0009]S32：根据关联规则设计启发函数，将启发函数作为启发式信息，设计基于规则启发的路径选择策略，每个种群的蚂蚁根据规则启发的路径选择策略选择下一个栅格，当达到最大步长时保存搜索路径；
[0010]S33：当各种群的蚂蚁完成一次路径规划后保存搜索路径，根据搜索效益函数选出搜索效益最大者对应的搜索路径作为无人机的搜索路径，无人机在搜索过程中，如果判断出下一个栅格有威胁，则蚁群对此条路径上有威胁的区域按照躲避威胁的信息素更新方式更新，如果判断没有威胁，则继续搜索所有符合关联规则的潜艇目标，直至搜索任务结束。
[0011]在搜索区域内，潜艇目标依据自身执行任务的不同会以单独或编队的形式存在，且不同任务下的潜艇目标编队形式也不相同，不同的编队也具有不同的分布规则，基于此，建立潜艇目标的关联规则库如下：
[0012]S＝{S1，S2，...，S
i
，...S
n
}
[0013]其中s表示关联规则库，S
i
代表其中一种任务场景下潜艇目标的分布规则；
[0014]根据关联规则库，建立潜艇目标适用的关联规则函数：
[0015]c
k
(S)＝[ε1f
k
(S1) ε2f
k
(S2) ... ε
i
f
k
(S
i
) ... ε
n
f
k
(S
n
)]T
[0016]其中，c
k
(S)表示k时刻的潜艇目标适用的关联规则，f
k
(S
i
)表示在k时刻处于关联规则S
i
下的潜艇分布函数；ε
i
(i＝1，2，...，n)表示二值权重，即ε
i
∈{0，1}，且满足ε1+ε2+
…
+ε
i
+
…
+ε
n
＝1；当ε
i
＝1时，对应ε1＝ε2＝，...，＝ε
i
‑1＝ε
i+1
＝ε
n
＝0，表示当前的关联规则函数选择为f
k
(S
i
)。
[0017]进一步的，将无人机的栅化任务区域定义为三种形式：高概率区域Ω
hp
、低概率区域Ω
lp
和不确定概率区域Ω
mp
，根据三种概率形式设计如下关联规则驱动的概率图更新规则：
[0018]栅格(m，n)无访问：
[0019]p
mn
(k+1)＝τ1p
mn
(k)
[0020]其中，p
mn
(k+1)表示第k刻栅格(m，n)的概率，p
mn
(k+1)表示第k+1时刻栅格(m，n)的概率，τ1∈[0，1]为动态信息因子；
[0021]栅格(m，n)有访问，且f
g
＝1时：
[0022][0023]其中，p
d
∈[0，1]为探测概率，p
f
∈[0，1]为虚警概率，若探测到栅格(m，n)中的目标，且该目标适用关联规则库S，则以栅格(m，n)所匹配的关联规则库S
i
更新概率图，适用该关联规则库的其它栅格的概率更新如下，以栅格(o，p)的概率为例：
[0024]高概率区域Ω
hp
：
[0025][0026]其中，p
op
(k+1)表示第k+1时刻栅格(o，p)的概率；τ
hp
为概率增强因子，s
hp
为符合高概率区域的栅格个数；
[0027]低概率区域Ω
lp
：
[0028][0029]其中τ
lp
为概率减弱因子，s
lp
为符合低概率区域的栅格个数；
[0030]不确定区域Ω
mp
：
[0031]p
op
(k+1)＝τ2p
mn
(k)
[0032]其中，τ2∈[0，1]为动态信息因子；
[0033]栅格(m，n)有访问，且f
g
＝0时：
[0034][0035]若探测到栅格(m，n)中的目标，且该目标同样适用关联规则库S，则其它栅格概率更新采用高概率区域、低概率区域和不确定概率区域三种方式更新。
[0036]进一步的，在确保无人机安全的前提下，以最小的燃油、最少的时间为搜索代价完成搜索任务，所述整体的搜索效益函数采用如下方式设计：
[0037]将潜艇目标发现收益J
p
定义为：
[0038][0039]执行代价为多无人机执行符合关联规则S
i
的下一个栅格所消耗的时间和燃油，执行代价E
c
具体定义为：
[0040][0041]其中，s
i
(k)为无人机第k时刻的状态，v<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法，其特征在于包括：S1：采用栅格法对无人机的搜索区域进行划分，引入关联规则库，设计潜艇目标适用的关联规则函数，建立关联规则驱动的目标概率图模型以及关联规则驱动的概率图更新规则；S2：对多无人机协同搜索潜艇目标的发现收益、无人机的执行代价、碰撞代价、威胁躲避代价进行加权求和，设计整体的搜索效益函数；S3：采用基于规则启发式的多蚁群算法对多无人机进行协同路径优化设计：S31：根据搜索环境的初始信息以及潜艇目标的初始分布，初始化各蚁群的信息素浓度，其中每个蚂蚁种群分别对应一架无人机，并为无人机构造搜索路径；S32：根据关联规则设计启发函数，将启发函数作为启发式信息，设计基于规则启发的路径选择策略，每个种群的蚂蚁根据规则启发的路径选择策略选择下一个栅格，当达到最大步长时保存搜索路径；S33：当各种群的蚂蚁完成一次路径规划后保存搜索路径，根据搜索效益函数选出搜索效益最大者对应的搜索路径作为无人机的搜索路径，无人机在搜索过程中，如果判断出下一个栅格有威胁，则蚁群对此条路径上有威胁的区域按照躲避威胁的信息素更新方式更新，如果判断没有威胁，则继续搜索所有符合关联规则的潜艇目标，直至搜索任务结束。在搜索区域内，潜艇目标依据自身执行任务的不同会以单独或编队的形式存在，且不同任务下的潜艇目标编队形式也不相同，不同的编队也具有不同的分布规则，基于此，建立潜艇目标的关联规则库如下：S＝{S1，S2，...，S
i
，...S
n
}其中s表示关联规则库，S
i
代表其中一种任务场景下潜艇目标的分布规则；根据关联规则库，建立潜艇目标适用的关联规则函数：c
k
(S)＝[ε1f
k
(S1) ε2f
k
(S2)
…
ε
i
f
k
(S
i
)
…
ε
n
f
k
(S
n
)]
T
其中，c
k
(S)表示k时刻的潜艇目标适用的关联规则，f
k
(S
i
)表示在k时刻处于关联规则S
i
下的潜艇分布函数；ε
i
(i＝1，2，...，n)表示二值权重，即ε
i
∈{0，1}，且满足ε1+ε2+
…
+ε
i
+
…
+ε
n
＝1；当ε
i
＝1时，对应ε1＝ε2＝，...，＝ε
i
‑1＝ε
i+1
＝ε
n
＝0，表示当前的关联规则函数选择为f
k
(S
i
)。将无人机的栅化任务区域定义为三种形式：高概率区域Ω
hp
、低概率区域Ω
lp
和不确定概率区域Ω
mp
，根据三种概率形式设计如下关联规则驱动的概率图更新规则：栅格(m，n)无访问：p
mn
(k+1)＝τ1p
mn
(k)其中，p
mn
(k+1)表示第k刻栅格(m，n)的概率，p
mn
(k+1)表示第k+1时刻栅格(m，n)的概率，τ1∈[0，1]为动态信息因子；栅格(m，n)有访问，且f
g
＝1时：其中，p
d
∈[0，1]为探测概率，p
f
∈[0，1]为虚警概率，若探测到栅格(m，n)中的目标，且该目标适用关联规则库S，则以栅格(m，n)所匹配的关联规则库S
i
更新概率图，适用该关联规则库的其它栅格的概率更新如下，以栅格(o，p)的概率为例：
高概率区域Ω
hp
：其中，p
op
(k+1)表示第k+1时刻栅格(o，p)的概率；τ
hp
为概率增强因子，s
hp
为符合高概率区域的栅格个数；低概率区域Ω
lp
：其中τ
lp
为概率减弱因子，s
lp
为符合低概率区域的栅格个数；不确定区域Ω
mp
：p
op
(k+1)＝τ2p
mn
(k)其中，τ2∈[0，1]为动态信息因子；栅格(m，n)有访问，且f
g
＝0时：若探测到栅格(m，n)中的目标，且该目标同样适用关联规则库S，则其它栅格概率更新采用高概率区域、低概率区域和不确定概率区域三种方式更新；在确保无人机安全的前提下，以最小的燃油、最少...

【专利技术属性】
技术研发人员：岳伟，唐文宾，刘中常，邹存名，李莉莉，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：