一种通信链路受限下的多无人机自主协同搜索方法与流程

1.本发明属于多无人机协同搜索技术领域，具体是涉及到一种通信链路受限下的多无人机自主协同搜索方法。


背景技术：

2.基于无人机的目标搜索是智能交通、公共安全等应用场景中的重要问题之一，然而，单无人机由于视野范围、探测精度等因素的限制，在执行复杂任务时不具备应对突发事件的能力。相比较而言，采用多架无人机协同的方式能够提升复杂坏境下任务执行的适应能力，也是目前目标搜索研究中的主要内容。此外，考虑到多无人机的高动态性，在目标搜索过程中通常采用集中式和分布式两种模式控制无人机编队。传统的集中式在理论上可以得到全局最优解，但由于缺乏一定的灵活性和自主性，当面临关键节点损失时易造成整个系统无法正常工作。对于分布式控制模式而言，无人机之间可以智能地相互协同，通过信息交互感知彼此状态，增强系统的鲁棒性。因此，基于分布式的多无人机协同目标搜索近些年受到了广泛的关注。
3.多无人机协同目标搜索的关键取决于对搜索环境的感知以及搜索决策的制定。一般来说，无人机在执行搜索任务前需要了解搜索区域的地理信息和区域信息，因此为了使无人机制定合理的搜索决策，需要对搜索区域的环境信息进行描述和建模。在此基础上，考虑到多无人机协同搜索模型建立的复杂性和环境约束条件的多样性，为了更好地对建立的协同模型求解，采用基于预测模型控制的优化方法是一个有效的解决方案。然而，随着无人机数量的增多，模型的计算开销也随之增长，除此之外，为避免无人机在任务执行期间与障碍物和其他无人机发生碰撞，无人机编队需具备两项能力：障碍感知能力和规避障碍决策能力，以增强多无人机目标搜索的协同性和稳定性。
4.基于多无人机协同编队的运动目标搜索现有的方法主要集中解决多无人机协同目标搜索中的环境信息感知、模型预测控制以及模型优化求解等问题。然而，对于不确定环境下的多无人机协同搜索，特别是当无人机受到通信距离以及通信干扰等限制时，彼此之间的实时通信共享会受到较大影响。


技术实现要素：

5.本发明从局部网络下的协同编队的角度出发，提出一种通信链路受限下的多无人机自主协同搜索方法，旨在提升动态坏境下多无人机的自主协同能力，并提供更精准的目标搜索能力。具体包括：
6.一种通信链路受限下的多无人机自主协同搜索方法，在协同目标搜索的过程中，首先判断当前无人机编队的网络链路，建立局部通信网络，并在该网络中共享彼此的位置及目标搜索信息；然后，在每个局部通信网络中，建立一个面向网络动态变化和运动目标轨迹未知的多无人机协同搜索模型(multi
‑
uav cooperative search method,mcsm)，该模型以通信代价和编队收益为优化函数，以运动速度、安全距离来建立约束条件；最后，使用改
进的麻雀搜索算法对模型求解，得到当前网络条件下的各无人机的最优搜索位置。
7.无人机编队的各局部通信网络的拓扑矩阵为无人机编队的各局部通信网络的拓扑矩阵为为求和操作，a为邻接矩阵，其表达式为：
8.a(g)＝(a
ij
)
n
×
n
,
[0009][0010]
其中，g为有向图，表示当前时刻各无人机之间的实时通信网络，d
max
为通信阈值，n为无人机数量，d
ij
表示第i架无人机到第j架的欧氏距离，若a
ij
＝1，则表明此时无人机i与无人机j 联通，能够彼此交换信息。根据局部通信网络的拓扑矩阵建立个n
t
局部通信网络，并在各网络中实时交互彼此信息，而两个网络之间不能相互交互，彼此独立。
[0011]
为了避免无人机之间的相互遮挡，假设无人机分布在同一高度，且初始坐标已知。针对协同搜索过程中无人机处理能力、局部网络稳定性等方面的限制，从通信代价和协同效益的角度设计优化函数，实现多无人机协同搜索的收益最大化。
[0012]
所述多无人机协同搜索模型的优化函数为：
[0013]
maxj＝max[λ1jp
t
‑
λ2js
t
]
[0014]
其中，λ1和λ2为归一化系数，jp
t
为通信代价函数，js
t
为机间协同收益。
[0015]
上述优化函数中的通信代价函数为：
[0016]
js
t
＝j
col
j
clu
[0017][0018][0019][0020][0021]
其中，d
ij
为第i架无人机与第j架之间的距离，d
max
、d
min
分别为距离的上限和下限，δd为缓冲距离，满足0＜δd＜＜d
min
。通信代价函数使用两个双曲正切函数，将无人机之间的距离转换为一个范围为[0，1]的值。
[0022]
上述优化函数中的机间协同收益表达式为：
[0023][0024]
其中，n
′
为当前网络所包含的无人机数量，n为预测步长，s
a
表示在当前通信网络中第t时刻无人机位置的吸引信息素强度，s
r
表示当前时刻无人机位置的排斥信息素强度，α、β分别为权重系数。
[0025]
协同收益引入了数字信息素策略，将不同的道路赋予不同的信息素值，从而构造面向未知城市环境的人工势场。数字信息素主要包含吸引信息素和排斥信息素。该方法通
过对全局道路赋予信息素值，构成人工势场，辅助无人机编队进行路径规划决策，并利用各无人机的实时飞行位置，更新信息素的分布，从而完成目标搜索过程。吸引信息素将无人机未搜索过的道路值释放(信息素值为零)，引导无人机前往未搜索过的道路。相似地，排斥信息素则将上一时刻无人机搜索过的道路值归零，防止重复搜索，这两个信息素更新规则为：
[0026]
s
a
(t)＝(1
‑
e
a
)((1
‑
g
a
)[s
a
(t
‑
1) d
a
(e
‑
v)] gp
a
(t))
[0027]
s
r
(t)＝(1
‑
e
r
)((1
‑
g
r
)[s
r
(t
‑
1) d
r
(e
‑
v)] gp
r
(t))
[0028]
其中，e
a
和g
a
分别表示吸引信息素的挥发系数和传播系数，e
r
和g
r
分别表示排斥信息素的挥发系数和传播系数，d
a
和d
r
是释放常数，e为全1矩阵，v为道路矩阵，v
ij
＝1则表示当前道路无人机编队在t
‑
1时刻已搜索，v
ij
＝0则表示当前道路仍未搜索。gp
a
(t)和gp
r
(t)表示传播矩阵，记录在(t
‑
1,t]时刻从相邻网格传播来的信息素值。
[0029]
约束条件是多无人机协同求解的重要部分，直接决定着搜索任务的顺利完成，本方法在搜索的过程中设定目标的运动轨迹未知，且无人机做变速运动，利用数字信息素预测步长n 对各无人机的运动速度v
i,t
进行约束，约束表达式为：
[0030][0031]
其中，分别表示数字信息素预测位置的横纵坐标，θ
i,t
为第i架无人机在t时刻的航向角，n为预测步长。
[0032]
在多无人机协同搜索过程中，由于无人机分布在同一高度，一旦编队飞行距离不受限制，多无人机之间就有发生碰撞的风险，本方法的安全距离约束为：
[0033][0034]
其中，(x
i,t
,y
i,t
)为无人机在t时刻的坐标，n
′
为当前网络所包含的无人机数量，d
safe
是一个常数，表示无人机间的最小安全距离。
[0035]
随着无人机数量、搜索范围的增大，模型计算时间会急剧增加，为了满足搜索模型的时效性要求，本方法使用了一种在麻雀搜索算法基础上改进的一种算法。麻雀搜索算法是一种非常有效的智能优化算法，它根据麻雀觅食并逃避捕食者的行为而提出的一种群智能优化算法，具有寻优能力强，收敛速度快等优点。它们的捕食过程主要有三个步骤：第一步，发现者搜索食物；第二步，跟随者争夺食物；第三步，边缘个体发现捕食者并发出警报。然而，由于麻雀搜索算法在收敛的过程中，直接选择跳跃到最优解，当跨度较大时，易陷入局部最优，因此，本方法对麻雀搜索算法进行了改进，将发现者位置更新策略改为向最优位置的移动，跟随者采取向发现者靠拢的平滑移动策略，警戒者同样采取平滑移动，若警戒者处于最优观测位置，则它会逃到与最差位置之间的随机位置，否则，它会逃到自己和最优位置之间的随机位置。
[0036]
所述改进的麻雀搜索算法的发现者位置更新策略为：其中，iter 为当前迭代数，q为服从正态分布的随机数，uav
i,j
是第i个无人机在第j维空间中
的位置。
[0037]
所述改进的麻雀搜索算法的跟随者位置更新策略为：
[0038][0039]
其中，iter为当前迭代数，uav
i,j
是第i个无人机在第j维空间中的位置，表示当前迭代周期iter下的最优发现者位置，d表示待优化变量的维度，r为随机数，r∈[
‑
1,1]。
[0040]
所述改进的麻雀搜索算法的跟随者位置更新策略为：
[0041][0042]
其中，iter为当前迭代数，uav
i,j
是第i个无人机在第j维空间中的位置，γ为服从正态分布的随机数，f
b
是迭代周期iter下的最优的适应度值，表示当前迭代周期iter下的最差跟随者位置，表示当前迭代周期iter下的最优发现者位置。
[0043]
有益效果：
[0044]
1、针对通信链路可能不可达导致的多无人机搜索效率低下的问题，设计了一种基于局部通信网络的协同优化体系结构。
[0045]
2、提出了一种面向网络动态变化和运动目标轨迹未知的多无人机编队协同搜索模型。
[0046]
3、考虑到通信网络代价和多无人机协同收益，定义了优化函数，提高了编队协同搜索的精度。
[0047]
4、利用改进的麻雀搜索方法对优化模型进行求解，在提高收敛速度和寻优能力的同时，避免了陷入局部最优的问题。
附图说明
[0048]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0049]
图1为多无人机协同搜索模型。
[0050]
图2为多无人机间的局域通信网络。
[0051]
图3为两个双曲正切函数。
[0052]
图4为城市环境的3d结构图。
[0053]
图5为无人机与目标的运动方向编号。
[0054]
图6为issa，ssa，gwo，pso四种方法在f1函数下的收敛曲线。
[0055]
图7为issa，ssa，gwo，pso四种方法在f2函数下的收敛曲线。
[0056]
图8为issa，ssa，gwo，pso四种方法在f3函数下的收敛曲线。
[0057]
图9为issa，ssa，gwo，pso四种方法在f4函数下的收敛曲线。
[0058]
图10为三种不同通信条件下的目标被搜索到的数量。
[0059]
图11为三种不同通信条件下的区域覆盖率。
[0060]
图12为mcsm、mdpc两种方法在d
max
＝600时目标被搜索到的数量。
[0061]
图13为mcsm、mdpc两种方法在d
max
＝600时区域覆盖率。
具体实施方式
[0062]
为了规划多无人机协同搜索的最优飞行路径，本发明设计了一种通信链路受限下的多无人机自主协同搜索方法，具体包括：在协同目标搜索的过程中，首先判断当前无人机编队的网络链路，建立局部通信网络，并在该网络中共享彼此的位置及目标搜索信息；然后，在每个局部通信网络中，建立一个面向网络动态变化和运动目标轨迹未知的多无人机协同搜索模型(multi
‑
uav cooperative search method,mcsm)，该模型以通信代价和编队收益为优化函数，以运动速度、安全距离来建立约束条件；最后，使用改进的麻雀搜索算法对模型求解，得到当前网络条件下的各无人机的最优搜索位置。mcsm框架图如图1所示。
[0063]
在实际的飞行过程中，无人机之间的通信网络受距离和障碍物遮挡的影响，无法保证全局通信链路的可达性。因此为了满足实际搜索任务的需求，基于无人机间的距离建立局域通信网络，并在这一网络中共享彼此的位置及目标搜索信息。首先，为了清晰说明当前时刻无人机编队的通信链路关系，利用有向图g＝＜u,d＞表示当前时刻各无人机之间的实时通信网络，其中，u表示无人机集合，d表示各无人机间的距离，则邻接通信矩阵可表示为：
[0064]
a(g)＝(a
ij
)
n
×
n
,
[0065][0066]
其中，d
max
为通信阈值，n为无人机数量，d
ij
表示第i架无人机到第j架的欧氏距离。上式中的邻接通信矩阵能够清晰表达无人机编队的实时通信拓扑关系，若a
ij
＝1，则表明此时uav
i
与 uav
j
联通，能够互发位置等信息。由此，当前时刻该无人机编队的各局部网络拓扑矩阵可由上式得到。
[0067][0068]
其中，为求和操作。我们根据上式中的拓扑关系建立n
t
个局部通信网络，并在各网络中实时交互彼此信息，而两个网络之间不能相互交互，彼此独立。局部通信网络如图2所示，从图2可以看出，当前时刻无人机编队依据地理信息共分为三个局部网络，矩阵c记录了当前网络所包含的无人机编号。图2中网络1包含4架无人机(uav1,uav3,uav4,uav6)，网络2包含3架无人机(uav2,uav5,uav7)，网络3包含2架无人机(uav8,uav9)。
[0069]
为了避免无人机之间的相互遮挡，假设无人机分布在同一高度，且初始坐标已知。针对协同搜索过程中无人机处理能力、局部网络稳定性等方面的限制，从通信代价和协同效益的角度设计优化函数，实现多无人机协同搜索的收益最大化。
[0070]
通信代价函数：在目标搜索任务中，一方面，网络通信稳定性是十分重要的，最小化无人机之间的距离，保证下一时刻各无人机之间的距离仍小于d
max
，即尽可能的聚集这些无人机。另一方面，为了快速完成对指定区域的搜索，还需要最大化无人机编队的搜索范围，扩大无人机编队的区域覆盖率，即尽可能的释放这些无人机。但这种现象显然是矛盾
的，本发明使用两个双曲正切函数，将无人机之间的距离转换为一个范围为[0，1]的值，两种函数如图3所示。因此为了平衡这两个方面的代价，代价函数为：
[0071][0072][0073]
js
t
＝j
col
j
clu
[0074][0075][0076]
其中，d
ij
为第i架无人机与第j架之间的距离，d
max
、d
min
分别为距离的上限和下限，δd为缓冲距离，满足0＜δd＜＜d
min
。
[0077]
机间协同收益：为了保证无人机编队协同编队搜索的收益，将不同的道路赋予不同的信息素值，从而构造面向未知城市环境的人工势场。数字信息素主要包含吸引信息素和排斥信息素。该方法通过对全局道路赋予信息素值，构成人工势场，辅助无人机编队进行路径规划决策，并利用各无人机的实时飞行位置，更新信息素的分布，从而完成目标搜索过程。吸引信息素将无人机未搜索过的道路值释放(信息素值为零)，引导无人机前往未搜索过的道路。相似地，排斥信息素则将上一时刻无人机搜索过的道路值归零，防止重复搜索，这两个信息素更新规则为：
[0078]
s
a
(t)＝(1
‑
e
a
)((1
‑
g
a
)[s
a
(t
‑
1) d
a
(e
‑
v)] gp
a
(t))
[0079]
s
r
(t)＝(1
‑
e
r
)((1
‑
g
r
)[s
r
(t
‑
1) d
r
(e
‑
v)] gp
r
(t))
[0080]
其中，e
a
和g
a
分别表示吸引信息素的挥发系数和传播系数，e
r
和g
r
分别表示排斥信息素的挥发系数和传播系数，d
a
和d
r
是释放常数，e为全1矩阵，v为道路矩阵，v
ij
＝1则表示当前道路无人机编队在t
‑
1时刻已搜索，v
ij
＝0则表示当前道路仍未搜索。gp
a
(t)和gp
r
(t)表示传播矩阵，记录在(t
‑
1,t]时刻从相邻网格传播来的信息素值。
[0081]
局部通信下的协同编队收益可表示为：
[0082][0083]
其中，n
′
为当前网络所包含的无人机数量，n为预测步长，s
a
表示在当前通信网络中第t时刻无人机位置的吸引信息素强度，s
r
表示当前时刻无人机位置的排斥信息素强度。α，β为权重系数。
[0084]
如上所述，本发明提出的协同搜索模型优化函数如下：
[0085]
maxj＝max[λ1jp
t
‑
λ2js
t
]
[0086]
其中，λ1和λ2为归一化系数。
[0087]
约束条件是多无人机协同求解的重要部分，直接决定着搜索任务的顺利完成，本发明基于无人机固有硬件，针对运动速率、安全距离分别建立模型的约束条件，具体描述如
下。
[0088]
运动速率约束：现有多无人机协同搜索方法主要基于以下假设：1)目标静止不动；2)目标的运动轨迹已知；3)目标初始位置已知，且匀速运动。然而，在未知环境中，存在大量动态、随机性因素，例如，由于速度和方向的时刻变化，目标的运动轨迹无法准确获取。因此本发明在搜索的过程中设定目标的运动轨迹未知，且无人机做变速运动，本发明利用数字信息素预测步长n对各无人机的运动速度进行约束，具体表达式为：
[0089][0090]
其中，分别表示数字信息素预测位置的横纵坐标，θ
i,t
为第i架无人机在t时刻的航向角，n为预测步长。
[0091]
安全距离约束：在多无人机协同搜索过程中，由于无人机分布在同一高度，一旦编队飞行距离不受限制，多无人机之间就有发生碰撞的风险。为了避免此问题的发生，需要设定编队飞行的安全距离，具体表达式如下：
[0092][0093]
其中，d
safe
是一个常数，表示无人机间的最小安全距离。
[0094]
本发明建立基于局部网络的协同搜索模型，利用现有的局部位置信息，最大化当前网络下的优化指标，提高无人机编队的协同搜索能力，其模型可以表示为：
[0095]
maxj＝λ1jp
t
‑
λ2js
t
[0096][0097]
其中，n
′
为当前网络所包含的无人机数量，λ1和λ2为归一化系数。随着无人机数量、搜索范围的增大，模型计算时间会急剧增加。因此，为了满足搜索模型的时效性要求，本方法使用智能算法来求解。ssa(麻雀搜算法)是一种非常有效的智能优化算法，它模仿了麻雀觅食和逃避捕食者的行为。它们的捕食过程主要有三个步骤：第一步，发现者搜索食物；第二步，跟随者争夺食物；第三步，边缘个体发现捕食者并发出警报。它具有收敛速度快、寻优能力强等优点。然而，由于ssa方法在收敛的过程中，直接选择跳跃到最优解，当跨度较大时，易陷入局部最优。针对此问题，本发明对ssa进行改进，设计一些不同的搜索策略，并将其用于求解上式中的模型。
[0098]
发现者位置更新策略：由于在实际应用中，无人机由于自身机能的限制，无法跳跃至最优点。即使能飞行到指定位置，协同模型也存在局部最优问题。因此将发现者位置更新策略改为向最优位置的移动，具体表达式为：
[0099]
[0100]
其中，iter为当前迭代数，q为服从正态分布的随机数，uav
i,j
是第i个无人机在第j维空间中的位置。
[0101]
跟随者位置更新策略：为了发挥麻雀群体觅食的特点，跟随者采取向发现者靠拢的平滑移动策略，其更新方式为：
[0102][0103]
其中，表示当前迭代周期iter下的最优发现者位置，d表示待优化变量的维度，r为随机数(r∈[
‑
1,1])。
[0104]
警戒者位置更新策略：为了保证整个群体的安全，需要从种群n中随机选择sd个个体作为警卫。与之前两个策略相同，警戒者采取平滑移动。若该无人机处于最优观测位置，则它会逃到与最差位置之间的随机位置，否则，它会逃到自己和最优位置之间的随机位置，这些个体的位置更新公式如下：
[0105][0106]
其中，γ为服从正态分布的随机数，f
b
是迭代周期iter下的最优的适应度值，表示当前迭代周期iter下的最差跟随者位置。
[0107]
综上所述，利用改进的ssa算法对协同模型进行求解，在提高收敛速度和寻优能力的同时，避免了陷入局部最优的问题，进一步争强了该模型在局部通信条件下协同搜索能力。
[0108]
mcsm实验分析
[0109]
本发明假定搜索任务区域ω的大小为2500
×
2500m。同时，为了增加任务的难度，在该区域设置了许多楼宇等建筑物，模拟复杂的城市环境，城市环境的3d结构如图4所示。在图4中，城市环境包含许多建筑区域和道路，每个方格表示一块建筑区域，而建筑与建筑之间为道路。假定搜索的目标是在道路上行走的无人车，因此无人机也仅需在道路上进行目标搜索。
[0110]
本发明设置初始无人机和目标数量分别为12和9个，且目标和无人机分别做方向未知的变速运动。由于城市环境中建筑区域的影响，每一时刻无人机与目标可有四个运动方向选择，具体方向编号如图5所示。
[0111]
(1)目标模型：在本发明中目标被建模为运行在道路上的地面无人车，其位置是可变的，目标运动轨迹如下所示：
[0112][0113]
其中，v
x
和v
y
分别为无人车在横纵坐标上的速度常量(v
x
＝v
y
＝40m/s)，μandω为控制常量(μ,ω∈{
‑
1,0,1})。
[0114]
(2)无人机模型：假设多无人机在恒定高度飞行，速度可变。扰动等因此，例如风，可以忽略不计。因此惯性系中每架无人机的运动学模型写为：
[0115][0116]
其中，δx
i
，δy
i
是协同模型求解得到的调整位移增量。无人机与无人车的初始参数设置如表 1和表2所示。
[0117]
表1无人机初始状态
[0118]
uavinitial locationinitial directionu1(40，600)3u2(40，1200)1u3(40，1800)3u4(600，40)4u5(1200，40)4u6(1800，40)2u7(2440，40)1u8(2440，600)3u9(2440，1200)1u
10
(600，2440)4u
11
(1200，2440)3u
12
(1800，2440)3
[0119]
吸引信息素和排斥信息素同样是模型的重要参数，具体为计算协同编队收益和运动速率约束的指标，其主要初始参数设置如表3所示。
[0120]
表2目标初始状态
[0121]
targetinitial locationinitial directiont1(1800，600)3t2(1800，1200)1t3(1800，1800)3t4(1800，1320)3t5(1320，1320)1t6(680，1320)3t7(680，680)1t8(1320，680)1t9(1800，680)1
[0122]
表3数字信息素初始参数
[0123]
指标参数吸引信息素排斥信息素挥发系数g
a
＝0.3g
r
＝0.3传播系数e
a
＝0.4e
r
＝0.4释放常量d
a
＝1d
r
＝10
[0124]
本方法中，对优化函数的精确解算，直接决定着协同搜索的有效性。因此，验证issa(改进麻雀搜索算法)的优越性是十分重要的。为了满足无人机向最优点平滑移动，本
发明在发现者和跟踪者的更新策略上进行了改进，且实际优化函数的解均偏离原点。因此，本发明选取了四个基准函数来验证所提出的issa的有效性。四种函数的对比结果见表4。f
min
为函数的最优值。
[0125]
表4四种基准函数的对比结果
[0126][0127][0128]
为了验证本发明算法的有效性，选择当前流行的三种方法(pso，gwo，ssa)在上述基准函数上进行验证。由于无人机编队求解均偏离原点，因此选择四个f
min
不为零的函数。图6、图7、图8、图9显示了四种方法分别在函数f1、f2、f3、f4上的收敛曲线。从图中可以看出，issa的收敛曲线是最好的，能够快速收敛到最优值，均优于ssa，gwo，pso，证明了issa的有效性。特别是与ssa的比较，由于issa采用向最优点移动的方式，能够提高算法向非零点收敛的速度。
[0129]
考虑到随机性，每种方法在每个基准函数上执行30次。表5列出了4种方法在4个函数上的统计结果，其中包括30次运行结果的平均值和标准差。对于任一基准函数，issa、ssa 和gwo均取得了较理想的结果，而pso只有在f2上能取得理想的结果。这意味着本发明所提出的策略具有有效性，与当前流行的方法相当。在此基础上，issa在适应值的平均和方差方面均优于ssa和gwo，说明issa具有更好的全局搜索精度和稳定性。特别地，通过加入向最优值移动的策略，在偏离原点的优化函数求解方面，issa在所有成本价值指标上都比 ssa表现得更好。结果表明，issa在收敛精度和稳定性方面具有一定的优势。
[0130]
表5四种方法的统计结果对比
[0131][0132]
为了证明本发明在通信网络受限条件下仍能完成目标搜索任务，下面主要对mcsm
方法中的通信阈值d
max
进行对比分析，从而说明本方法在复杂城市环境中对全局信息不可达问题的处理具有实用性和高效性。
[0133]
mcsm方法无论通信阈值d
max
的大小，无人机均能够均匀地分布在各个区域，并准确的找到目标。当d
max
＝800时，协同搜索的分布更加的合理，每一条道路都有不同的无人机进行搜索，保证了搜索任务的顺利完成。
[0134]
为了展现通信阈值d
max
对mcsm方法的影响，图10、图11展示了三种不同通信条件下的目标被搜索到的数量和区域覆盖率。从图中可以看出，经过300个周期的搜索，在三种不同通信条件下均能较好的搜索到目标。当d
max
＝400时，被搜索到的目标数量为8，区域覆盖率能够达到0.6。相比而言，当d
max
＝600或d
max
＝800时，区域内的所有目标都会被找到，且区域覆盖率均超过了0.6。实验结果表明，本发明所提出的方法受通信阈值限制不敏感，证明了所提出的协同模型采用通信代价和协同效益设计优化函数是十分有效的，保证了目标搜索的准确性。
[0135]
为了能够更加清晰的描述本发明所提出的方法的优越性，表6列出了我们方法在不同时间周期下的搜索目标数量和区域覆盖率。当搜索周期达到200s时，本发明所提出的方法均能找到8个以上的目标，且区域覆盖率超过0.48。特别是当d
max
＝800，本发明所提出的方法在 100s时搜索到8个目标，200s时能够找到全部的目标，这进一步提高了搜索速率。结果表明，本发明所提出的方法在收敛速度、搜索精度和稳定性方面均有着理想的效果。
[0136]
表6不同周期下的搜搜结果
[0137][0138]
为了测试提出的mcsm的有效性，通过一组实验比较了该方法与现有方法的性能。由于目前还没有工作涉及局域网络下的目标搜索问题，因此选择新的基于数字信息素的目标搜索方法进行对比实验，通过对比发现目标数、路径覆盖率和搜索迭代周期等主要指标，分析两种方法的优越性。
[0139]
dmpc(distributed model predictive control)主要研究目标定位概率的估计。该方法是基于贝叶斯理论对目标的运动状态进行估计，并在数字信息素方面，加入调度信息素，避免多无人机在搜索过程中的飞行路径重复问题，从而提高多无人机的协同能力，保
证搜索任务的完成。然而，该方法为全局通信结构，即所有无人机的位置、状态信息实时共享。这显然比本发明所提出的方法简单，通过本节实验的对比，更加能够突出本发明所提出的方法在搜索任务上的有效性。
[0140]
为了保证实验的公平性，两种方法均选用d
max
＝600的通信阈值进行对比实验，通过两种方法在搜索周期为300下的3d搜索路线和2d搜索路线可以看出，本发明所提出的方法的路径分布更加均匀、合理，在搜索区域的各个街道均分布无人机，这说明了局部通信网络是可行的，协同搜索策略是有效性。
[0141]
图12、图13展示了两种方法在搜索目标数和区域覆盖率上的对比图。从图中可以看出，本发明所提出的方法随着搜索周期的不断深入，发现目标数量也在稳步增加，最终所有目标都被找到，而dmpc方法在300个时间周期内只能找到6个目标，但覆盖区域方面两种方法相当，这说明本发明所提出的方法利用通信代价和机间收益作为优化指标进行多目标优化，并通过速率约束进行变速搜索，能够提升多无人机协同搜索目标的能力。
[0142]
为了进一步说明mcsm的有效性，表7给出了两种方法在不同周期下的综合数据对比，在t＝100时，两种方法的覆盖率和搜索到的目标数量都相当，均能找到5个以上的目标。然而在t＝200时，本发明所提出的方法在较小覆盖率的前提下，能够搜索到8个目标，而dmpc 方法在相同的时间里仅能搜索到6个目标。在t＝300时，本发明所提出的方法能够找到全部的9个目标，且区域覆盖率达到0.6321。dmpc方法能够找到6个目标，区域覆盖率为0.5946。这说明我们的方法能够在搜索较少面积的情况下，准确搜索到目标，证明了本发明所提出的搜索策略的有效性。因此，无论在搜索目标数和区域覆盖率上，本发明所提出的方法都是最好的。
[0143]
表7两种方法在不同周期的搜索结果对别
[0144][0145]
依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。