一种基于粒子群和人工势场结合的无人机集群多目标协同搜索算法制造技术

多目标搜索是无人机集群协同侦察的一项重要任务。在复杂侦察环境下执行多目标协同搜索任务，不仅需要集群高效的协同机制，也需要无人机具有规避威胁的能力。本发明专利技术针对复杂侦察环境下无人机集群协同多目标搜索任务，提出了一种人工势场与自适应粒子群算法相结合的协同搜索算法(APF

【技术实现步骤摘要】
一种基于粒子群和人工势场结合的无人机集群多目标协同搜索算法


[0001]本专利技术涉及一种无人机集群协同控制技术，尤其涉及一种无人机集群协同搜索方法，更具体地说，涉及一种基于粒子群和人工势场结合的无人机集群多目标协同搜索算法。

技术介绍

[0002]无人机因其对抗难度高、抗干扰能力强、打击效果好等特点，在军事侦察中发挥着越来越重要的作用。在执行高风险复杂侦察任务时，单架无人机可能因受到攻击或传感器感知范围受到限制，导致侦察任务失败。无人机集群的应用大大提高了侦察效率。无人机集群协同侦察包括路径规划、搜索、跟踪、打击等任务。在研究无人机集群在复杂侦察环境下的协同搜索问题时，面临以下几个挑战：(1)高效的无人机群协同机制，这可以大大提高协同搜索的效率。(2)无人机在复杂环境下的有效避障能力。
[0003]在过去的几年里，许多研究者对无人机协同机制进行了大量的研究，粒子群优化(PSO)算法就是其中之一。粒子群优化算法是由Eberhart和Kennedy提出的一种基于群体的进化计算算法。粒子群算法最初的灵感来自于鸟群觅食活动的规律性，进而利用群体智能构建了一个简化模型。改进粒子群优化算法的方法有很多，可以简单概括为三大类：增加扩展项、参数优化和与其他算法相结合。比如：将RPSO算法中的第三项修改为额外的吸引项，很好地平衡了勘探与开发之间的关系；引入惯性权重更新策略，提高了粒子群优化算法跳出局部最优的能力；引入一种参数更新方法来避免粒子群的过早收敛。
[0004]人工势场(APF)技术通常用于无人机的避障。在人工势场理论中，一般定义无人机与目标之间具备吸引力场，定义障碍物与无人机之间具备斥力场，斥力场的大小和无人机与障碍物之间的距离呈负相关。人工势场算法也有许多改进之处。比如：通过改进的人工势场避障控制方法，使无人机编队飞行时能够有效避障；也有一些研究者将粒子群算法与人工势场理论相结合，如在粒子群优化算法的适应度函数中引入势场函数，提高了多机器人的搜索能力。
[0005]本专利技术针对无人机集群在复杂侦察环境下的多目标协同搜索问题，提出了一种人工势场自适应粒子群优化算法(APF
‑
APSO)，提高了无人机群的避障能力和搜索效率，本专利技术的主要贡献如下：(1)将粒子群优化算法与人工势场算法相结合，提高了无人机规避威胁的能力。在人工势场理论的斥力场中，增加了无人机搜索路径产生的斥力场，以减少无人机在短时间内重复路径，并将势场函数定义为粒子群优化的适应度函数，提高了搜索效率。(2)设计了一种基于个体认知和社会认知因子的粒子群优化自适应调整方法，以平衡早期的局部搜索能力和后期的全局关键区域搜索能力。同时，为了避免搜索陷入局部最优，引入了惯性权重自适应调整方法。

技术实现思路

[0006]专利技术目的：针对复杂侦察环境下无人机集群多目标搜索任务，本专利技术为了解决无
人机集群搜索效率低及避障等问题，提出了一种人工势场与自适应粒子群优化算法相结合的无人机协同搜索算法。
[0007]技术方案：多目标搜索是无人机集群协同侦察的一项重要任务。粒子群优化算法作为一种优秀的仿生算法，已被广泛应用于不同的协同问题。然而，在复杂侦察环境下执行多目标协同搜索任务，需要无人机群具备规避威胁的能力。传统的粒子群算法无法满足这一要求，而人工势场算法在无人机避障方面表现突出。针对无人机群协同多目标搜索任务效率低及避障等问题，本专利技术提出了一种人工势场与自适应粒子群优化算法相结合的无人机协同搜索算法。完成上述专利技术通过以下技术方案实现：一种基于粒子群和人工势场结合的无人机集群多目标协同搜索算法，包括步骤如下：
[0008](1)，根据粒子群理论，将无人机建模为粒子群中的粒子。
[0009](2)，对复杂侦察环境中协同搜索任务场景进行建模。
[0010](3)，基于人工势场理论，计算每架无人机在搜索过程中所受的斥力场。
[0011](4)，根据动态自适应参数调整策略，在搜索迭代过程中更新粒子群优化算法参数。
[0012](5)，将势场函数作为粒子群优化算法的适应度函数，更新无人机的值和无人机集群的值。
[0013](6)，根据所提出的基于粒子群和人工势场结合的速度与位置更新策略，更新每架无人机的速度和位置。
[0014]进一步的，所述步骤(1)包括如下具体步骤：
[0015](1a)，无人机集群采用分布式控制策略，集群没有系统控制的中心点。所有无人机都是同构的，即每架无人机的性能和功能都是相同的。
[0016](1b)，每架无人机都配有GPS全球定位系统，无人机自身还携带视觉传感器，可以通过自身的传感器确定自身与障碍物和目标之间的距离。无人机可以向任何方向飞行，所有无人机飞行高度相同。
[0017](1c)，不考虑无人机的动力学模型，无人机包括速度和位置属性，每架无人机的属性定义如下：
[0018][0019]其中，分别为第i架无人机在t时刻的位置和速度，h
uav
为无人机的飞行高度，分别为无人机在xoy平面x轴和y轴的坐标，为无人机在x轴和y轴的速度分量。
[0020]进一步的，所述步骤(2)包括如下具体步骤：
[0021](2a)，无人机集群的协同侦察问题可以描述为：在任务区域内分布多个敌方目标，配备侦察设备的无人机群通过路径规划到达任务区并完成部署，然后根据预设指令或接收到的命令对任务区展开协同搜索。一旦无人机发现敌人目标，它将使用自身携带的武器打击和摧毁敌方目标。
[0022](2b)，目标随机分布在任务区内，对于无人机集群来说，目标的数量是未知的，无人机集群应该尽可能寻找目标，当无人机与目标之间的距离小于一定值时，无人机将使用自带武器对目标进行打击。目标在搜索过程中随机移动，但不能移动出边界，目标位置和移
动规则定义如下：
[0023][0024][0025]其中，为第n个目标在t时刻的位置。
[0026](2c)，障碍物也随机分布在任务区域内，将其简化为圆柱，所有障碍物都是静止的，假设障碍物的高度均高于无人机集群的飞行高度，无人机通过自身的传感器检测障碍物的位置和距离，在遇到障碍物时根据所提出的算法进行避碰。
[0027]进一步的，所述步骤(3)包括如下具体步骤：
[0028](3a)，根据人工势场理论，计算无人机与障碍物之间的斥力场，第i架无人机与第k个障碍物之间的斥力场为：
[0029][0030]其中，r(i，k)是第i架无人机和第k个障碍物的距离，r
kmax
是第k个障碍物斥力场的作用半径，r0是最小安全距离，ξ
ob
无人机与障碍物之间斥力场调节系数。
[0031](3b)，计算无人机与其他无人机之间的斥力场，第j架无人机对第i架无人机的斥力场定义为：
[0032][0033]其中，r(i，j)是第j架无人机到第i架无人机的距离，r
uavmax
是无人机斥力场的有效半径，ξ
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群和人工势场结合的无人机集群多目标协同搜索算法，其特征在于面向复杂侦察环境下的无人机集群多目标协同搜索任务，将粒子群优化算法与人工势场算法相结合，设计并引入一种粒子群优化算法自适应参数调整方法，提高了无人机集群的避障能力和搜索效率，包括步骤如下：(1)根据粒子群理论，将无人机建模为粒子群中的粒子，并对复杂侦察环境进行建模；(2)基于人工势场理论，计算每架无人机在搜索过程中所受的斥力场；(3)根据动态自适应参数调整策略，在搜索迭代过程中更新粒子群优化算法参数；(4)将势场函数作为粒子群优化算法的适应度函数，更新无人机的值和无人机集群的值；(5)根据所提出的基于粒子群和人工势场结合的速度与位置更新策略，更新每架无人机的速度和位置；进一步，所述步骤(2)包括如下具体步骤：(2a)根据人工势场理论，计算无人机与障碍物之间的斥力场，第i架无人机与第k个障碍物之间的斥力场为：其中，r(i，k)是第i架无人机和第k个障碍物的距离，r
kmax
是第k个障碍物斥力场的作用半径，r0是最小安全距离，ξ
ob
无人机与障碍物之间斥力场调节系数，x
k，i
为方向矢量；(2b)计算无人机与其他无人机之间的斥力场，第j架无人机对第i架无人机的斥力场定义为：其中，r(i，j)是第j架无人机到第i架无人机的距离，r
uavmax
是无人机斥力场的有效半径，ξ
uav
是无人机与其他无人机之间斥力场调节系数，x
ji
为方向矢量；(2c)计算无人机群搜索路径产生的斥力场，第i架无人机在t时刻的蜂群搜索路径产生的斥力场定义如下：其中，t
’
为当前时间，X
path
(j，t)为第j架无人机在时间t所走路径产生的斥力场的中心位置，r(i，X
path
(j，t))是第i架无人机与第j个无人机在t时间内产生的路径斥力场中心之间的距离，r
path2
为斥力场作用半径，r
path1

【专利技术属性】
技术研发人员：栗志，雷磊，张昕婷，张莉涓，宋晓勤，曹盼，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：