基于鸟群反掠夺特性的无人机集群智能模型与计算方法技术

本发明专利技术提供了基于鸟群反掠夺特性的无人机集群智能模型与计算方法，包括以下步骤：步骤1、分析鸟群反掠夺特性来源与机制，建立多类型鸟类动态行动特性关系；步骤2、建立基于鸟群反掠夺特性的无人机集群智能模型；步骤3、设计基于鸟群反掠夺特性的无人机集群智能计算方法，设定优化规则和参数调整方法。本发明专利技术提供了一种无人机集群高效动态控制的有效途径，保证了无人机集群可针对外界环境变化迅速做出响应。该模型和计算方法也可应用于其他集群智能控制和优化问题中。能控制和优化问题中。能控制和优化问题中。

【技术实现步骤摘要】
基于鸟群反掠夺特性的无人机集群智能模型与计算方法


[0001]本专利技术属于基于生物群体智能的智能计算模型与算法领域，尤其涉及基于鸟群反掠夺特性的无人机集群智能模型与计算方法。

技术介绍

[0002]在当前研究中，PSO(粒子群算法)已被证明在优化静态环境方面是有效的，即大多数静态问题的解决方案通常会收敛到最佳解决方案。但是，在最优值是动态的不断变化的环境中PSO的计算效能表现不佳。PSO算法在捕获动态环境中的特征最优偏移方面受到限制，这限制了它的速度和收敛到最佳解决方案。

技术实现思路

[0003]专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供基于鸟群反掠夺特性的无人机集群智能模型与计算方法，包括：
[0004]步骤1、分析鸟群反掠夺特性来源与机制，建立多类型鸟类动态行动特性关系。
[0005]步骤2、对各类行为进行数字化描述，建立基于鸟群反掠夺特性的无人机集群智能模型。
[0006]步骤3、设计基于鸟群反掠夺特性的集群智能计算方法，设定优化规则和参数调整方法，根据无人机集群内角色的不同，对探索者和跟随着分别设计优化规则和参数调整方法，建立完善的算法流程和判定机制。
[0007]步骤1中鸟群反掠夺特性表现为鸟群在栖息地附近会进行有规律的聚集，形成球形结构，随着时间的推移不断出现、坍塌和进化，来防止游隼等猛禽攻击。
[0008]步骤1包括：
[0009]步骤1
‑
1、构建侦察特性关系：当团队中的一名成员感觉到威胁时，团队中的其他个体会立即被告知危险；
[0010]步骤1
‑
2、构建聚集性关系：对环境中任何变化持续准备，当环境出现捕猎者时，鸟群会形成聚集性行为以规避或应对危险；
[0011]步骤1
‑
3、构建协同关系：在鸟群中，每只鸟的运动方向不仅取决于个体的知识，还取决于群中其余鸟的知识，然后根据邻居的方向调整它们的路线。
[0012]步骤2中，所述基于鸟群反掠夺特性的无人机集群智能模型包括侦察特性模型、聚集性模型和协同关系模型。
[0013]步骤2中，所述侦察特性模型为：N台无人机中，至少有一台能够检测到捕猎者的可能性P
GD
的计算公式如下：
[0014]P
GD
＝1
‑
e
‑
VTN
[0015]其中，V为每台无人机的扫描频率，T为被捕猎者发现后存活的时间间隔，e为自然对数；无人机的扫描频率V为：
[0016][0017]步骤2中，所述聚集性模型如下：每台无人机以空气动力学形式移动，并在无人机集群内传递信息，集群内的信息共享模型构建如下：
[0018][0019]其中，C
int
为邻域大小内无人机的相关矩阵平均值，n
ic
为第i台无人机的邻域大小，n
c
为N台无人机组成集群的邻域大小，是场数据归一化速度之间的相关矩阵，表示无人机i和j的归一化速度。
[0020]步骤2中，所述协同关系模型如下：集群内个体i和j的协同关系C
ij
表达如下：
[0021][0022]其中，表示协同关系的概率分布，Z({J
ij
})是归一化因子，J
ij
表示交互强度；C
ij
是个体i和j的协同关系。
[0023]步骤3包括：
[0024]步骤3
‑
1、初始化无人机集群内个体参数，所述个体参数包括位置信息；
[0025]步骤3
‑
2、选用Rastrigin函数对所得每个个体的极值进行优劣判定，选出最优解，Rastrigin函数的参数边界范围为[
‑
5,5]，Rastrigin函数f(x)公式如下：
[0026][0027]其中，x
i
为个体i的位置信息；通过优化x
i
群体，求解函数f(x)的最小解；
[0028]步骤3
‑
3、对外界捕猎者进行扫描判定，如果当前环境未变化或最优解未改变，则转到步骤3
‑
4，如果当前环境发生变化或最优解改变，则转到步骤3
‑
2；
[0029]步骤3
‑
4、对集体反应位置进行更新调整，在最优解的个体周边找到最临近的8个个体，通过与最优个体之间的拓扑关系，对每个个体的位置更新量如下；
[0030][0031]其中，为个体速度，Δt为时间间隔；
[0032]步骤3
‑
5、对集群反应速度进行更新调整，根据最优解的个体周边最临近的8个个体与最优解个体的位置拓扑关系，构建如下速度更新方程：
[0033][0034]其中，分别为t+1个体k的速度、t时刻个体k的速度，c1，c2为认知系数，r1，r2为社会系数，ω为惯性权重，为历史最优解，为当前最优解，每次迭代更新下一次的位置数据。
[0035]步骤3
‑
6、对局部优化陷入问题进行优化调整，针对位置和速度更新方程，引入随机跳出机制，构建如下防局部陷入的位置更新方程：
[0036][0037]其中，x
k
为优化后个体k位置信息，为优化前个体k的位置信息，r
x
为[0,1]之间的随机数，N
k
为个体k的8个相邻个体的索引，x
n
为个体k相邻个体n的位置信息。
[0038]本专利技术通过对鸟类群体面对动态外来威胁反应进行模拟仿真，建立无人机集群智能模型与优化计算方法，通过对动态环境与无人机个体位置的相互作用关系进行数值问题求解与优化。
[0039]有益效果：本专利技术设计了基于鸟群反掠夺特性的无人机集群智能模型与计算方法，该模型引入了捕猎者攻击下鸟群的动态应激行为，使得PSO适应于动态环境，能够简洁、快速得到收敛到最优解。本专利技术提供了一种无人机集群高效动态控制的有效途径，保证了无人机集群可针对外界环境变化迅速做出响应。该模型和计算方法也可应用于其他集群智能控制和优化问题中。
附图说明
[0040]下面结合附图和具体实施方式对本专利技术做更进一步的具体说明，本专利技术的上述和/或其他方面的优点将会变得更加清楚。
[0041]图1是本专利技术方法流程图。
[0042]图2是鸟群反掠夺特性示意图。
[0043]图3是Rastrigin函数示意图。
[0044]图4是初始无人机集群分布图。
[0045]图5是智能模型控制下基于鸟群反掠夺特性的无人机集群分布图。
[0046]图6是针对动态应激行为本模型计算所得的无人机集群分布图。
具体实施方式
[0047]如图1所示，本专利技术提供了本专利技术提供了基于鸟群反掠夺特性的无人机集群智能模型与计算方法，包括：
[0048]步骤1、分析鸟群反掠夺特性来源本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于鸟群反掠夺特性的无人机集群智能模型与计算方法，其特征在于，包括以下步骤：步骤1、分析鸟群反掠夺特性来源与机制，建立多类型鸟类动态行动特性关系；步骤2、建立基于鸟群反掠夺特性的无人机集群智能模型；步骤3、设计基于鸟群反掠夺特性的无人机集群智能计算方法，设定优化规则和参数调整方法。2.根据权利要求1所述的方法，其特征在于，步骤1包括：步骤1
‑
1、构建侦察特性关系：当团队中的一名成员感觉到威胁时，团队中的其他个体会立即被告知危险；步骤1
‑
2、构建聚集性关系：当环境出现捕猎者时，鸟群会形成聚集性行为以规避或应对危险；步骤1
‑
3、构建协同关系：在鸟群中，每只鸟的运动方向不仅取决于个体的知识，还取决于群中其余鸟的知识，然后根据邻居的方向调整它们的路线。3.根据权利要求2所述的方法，其特征在于，步骤2中，所述基于鸟群反掠夺特性的无人机集群智能模型包括侦察特性模型、聚集性模型和协同关系模型。4.根据权利要求3所述的方法，其特征在于，步骤2中，所述侦察特性模型为：N台无人机中，至少有一台能够检测到捕猎者的可能性P
GD
的计算公式如下：P
GD
＝1
‑
e
‑
VTN
其中，V为每台无人机的扫描频率，T为被捕猎者发现后存活的时间间隔，e为自然对数；无人机的扫描频率V为：5.根据权利要求4所述的方法，其特征在于，步骤2中，所述聚集性模型如下：每台无人机以空气动力学形式移动，并在无人机集群内传递信息，集群内的信息共享模型构建如下：其中，C
int
为邻域大小内无人机的相关矩阵平均值，n
ic
为第i台无人机的邻域大小，n
c
为N台无人机组成集群的邻域大小，是场数据归一化速度之间的相关矩阵，表示无人机i和j的归一化速度。6.根据权利要求5所述的方法，其特征在于，步骤2中，所述协同关系模型如下：集群内个体i和j的协同关系C
ij
表达如下：其中，表示协同关系的概率分布，Z({J
ij
})是归一化因子，J
ij

【专利技术属性】
技术研发人员：弯港，丁辉，刘涛，于楠，谈青青，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：