一种基于改进教与学算法的多无人机大气污染源定位方法与流程

1.本发明涉及一种多无人机协同大气污染源定位方法，属于多旋翼无人机与大气监测领域。


背景技术：

2.当前，我国正处于经济飞速发展时期，工业化进程不断推进，工业废气排放量日益增加，空气污染问题也日益严峻。为此，需要加强对大气污染的监测和治理。目前我国对于研究大气污染物源定位问题所选用的溯源主体大多为地面移动机器人或固定监测站。但是这些方法都存在一定的局限性：地面移动机器人用于探测时，易发生故障、难以持续工作，灵活性不强；而监测站往往分布不均匀且事故污染源附近不一定设有监测站，故监测站适用性较低，缺少移动性和灵活性。当前无人机已被广泛的应用于大气监测中，相比较于地面移动机器人，无人机操作更加灵活、也可节约探测成本；而对比固定监测站，无人机可以降低人为监测的危险性，使测量的准确度得到提高。无人机具有较强的适用性，定位精准、测量准确且维修方便。利用无人机对大气污染源定位，可确保采集结果精准无误，同时性能更加优越，自动化的程度也更高，可以实现对大气污染物大范围区域的监测和溯源。
3.教与学算法是一种新的群智能优化算法，它模拟了教师的教学过程和学员的学习过程，目的是通过教师的“教”和学员的“学”来提高学习成绩。教与学算法自提出以来，由于它简单易实现且需要的参数较少，已被广泛用于各个领域。标准教与学算法中采用一名教师教学，教师陷入局部最优后，不易摆脱局部极值。在“教”阶段的教学因子取值只能为1或者2，要么全部接受教师的知识，要么全部否定教师的知识，这样导致教师的教学两级分化，不符合实际。针对标准教与学算法存在的不足之处，本发明提出一种改进教与学算法，引入个体能力值模型，增加了个体的差异性，同时增强了学员的学习步长的依据性，并且模仿灰狼优化算法中保留三个最优解的思想，采用三名教师教学避免了一个教师陷入局部最优则班级群难以跳出局部最优的困境，且加快了算法的收敛。并在算法后期进行分班学习，增强了种群的多样性，提高了算法的搜索效率。


技术实现要素：

4.本发明的目的是为了弥补现有大气污染源定位技术的不足，创新性的将多无人机群与改进教与学算法结合，提出了一种基于改进教与学算法的多无人机大气污染源定位方法，该方法具有定位精度高、收敛性强、且能避免陷入局部最优等特点，可以快速、高效的对大气污染源进行定位。
5.一种基于改进教与学算法的多无人机大气污染源定位方法，流程如图1 所示，包括以下步骤：
6.步骤1：在待监测区设定n架无人机，此次模拟仿真设定了6架无人机；
7.步骤2：初始化设定，即设定无人机群的初始位置；
8.步骤3：采用改进教与学优化算法搜索气体污染源；
9.步骤4：更新各个无人机的位置；
10.步骤5：判断气体污染源是否定位成功，若成功，执行步骤6，否则返回步骤3；
11.步骤6：输出气体污染源位置。
12.所述步骤3中提出的改进教与学算法，流程如图2所示，包括以下步骤：
13.步骤1：初始化设定，即设定种群规模n＝6、种群维度d＝2、算法最大迭代次数maxgen＝500，将搜索空间中所有点的集合称为班级，班级中的某一个点称之为学员；
14.步骤2：仅在第一次迭代时，随机设定步长d0，无人机群以浓度梯度法飞行d0，计算各个无人机的个体能力值此后每次迭代之前直接根据个体能力值模型计算公式计算无人机的个体能力值
15.步骤3：根据改进教与学算法中“教”阶段更新规则更新学员的位置和搜索到的污染气体浓度值；
16.步骤4：根据改进教与学算法中“学”阶段更新规则更新学员的位置和搜索到的污染气体浓度值；
17.步骤5：判断是否达到迭代次数，若达到迭代次数转到步骤6，否则返回步骤2；
18.步骤6：输出算法寻优结果，如图3所示，算法结束。
19.进一步的，所述步骤2中个体能力值模型计算公式为：
[0020][0021]
其中，为第i架无人机第j次迭代时剩余的电量，u
max
为无人机满电电量，为第i架无人机第j次迭代时飞行高度的稳定性，f
ij
为第i架无人机第j次迭代时无人机搜索到的气味污染浓度值，为第j次迭代时n架无人机中搜索到的污染气体浓度最小值，为第j次迭代时n架无人机中搜索到的污染气体浓度最大值，w1、w2、w3为权重系数且w1 w2 w3＝1。
[0022][0023]
式中为第j次迭代路径节点q的高度，q为第i架无人机飞行路径上的节点数，h
j
为第j次迭代飞行高度平均值。
[0024]
所述步骤3中改进教与学算法中“教”阶段更新规则为：首先根据步骤2 中计算得出的个体能力值大小排名从大到小选择排名前三的学员称之为“教师 a”，“教师b”，“教师c”，每个学员根据教师与学员总体平均值之间的差异性进行学习。
[0025]
采用如下公式实现“教”阶段：
[0026][0027][0028]
式中，和分别是第i名学员学习前和学习后的值，是第i名学员的个体
能力值，x
a
,x
b
,x
c
为“教师a”，“教师b”，“教师c”的位置，x
abc
为三个教师的重心位置，教学因子t为当前迭代次数,是所有学员的平均值；
[0029]“教”完成后，更新学员，每名学员根据学习后的成绩和学习之前的成绩进行对比：
[0030][0030]
end
[0031]
所述步骤4中改进教与学算法中“学”阶段更新规则为：学”阶段进行分班学习，当有两名及以上学员搜索到的气味污染浓度值超过阈值f0后根据强化班学员学习规则进行学习，未超过阈值f0的学员根据普通班学员学习规则进行学习；
[0032]
强化班学员学习规则为：当f(x
mean
)＞f(x
i
)时，当f(x
i
)＞f(x
mean
)时，其中x
mean
强化班学员的重心位置，m为强化班学员个数；
[0033]
普通班学员学习规则为：对每一名学员x
i
(i＝1,2,...,n)，在班级中随机选取一名学员x
k
(k＝1,2,...,n,i≠k)，x
i
通过分析自己和学员x
k
的差异进行学习调整：当f(x
k
)＞f(x
i
)时，当f(x
i
)＞f(x
k
)时，
[0034]
本发明的有益效果在于：
[0035]
本发明创造性地将改进教与学算法与无人机群结合，实现对气体污染源快速高效的定位。
[0036]
提出了个体能力值模型，该模型采用了三个指标对个体能力进行评价：无人机电量、无人机飞行的稳定性、无人机寻找气体污染源能力，其中无人机电量与无人机飞行的稳定性是从无人机自身考虑的，在使用无人机执行任务，电量对无人机是非常重要的，若在无人机执行任务时，电量不足那就很可能造成任务失败的结果，所以使用在执行任务时我们需要把电量考虑进去；对于无人机来说，飞行高度不应该发生太大的变化，稳定的飞行高度有助于减轻无人机系统的负担，节省电量；而本发明的目的就是能找到气体污染源，所以无人机寻找气体污染源的能力也是一个很重要的指标，综上三个指标来对个体能力值进行计算，增加了无人机个体的差异性，也巧妙的结合了教与学优化算法，每名学员之间都存在差异性。
[0037]
在改进算法的“教”阶段，模仿灰狼优化算法中保留三个最优解的思想，采用三名教师进行教学，相比原教与学算法，增加教师的数量，有利于避免若一名教师陷入局部最优则班级群难以跳出局部最优的困境，且采用三名教师进行教学加快了算法的收敛。
[0038]
在原教与学算法中，“教”阶段的教学因子取值只能为1或者2，要么全部接受教师
的知识，要么全部否定教师的知识，这样导致教师的教学两级分化，所以本发明采用教学因子随着迭代次数的增加而减小，在算法寻优前期，较大的教学因子能加快算法搜索速度，加快收敛，在算法后期，较小的教学因子能进行更加细致的搜索。
[0039]
在原教与学算法中，学习步长采用的是随机数，本发明替换成个体能力值，使随机步长的选择更有依据性。
[0040]
在改进教与学优化算法的“学”阶段中采用分班学习，在算法迭代前期使用原教与学优化算法的更新规则，当有两名及以上学员搜索到的气味污染浓度值超过阈值f0时，进入强化班学习，这时应是在算法后期，靠近污染源，所以强化班学员向强化班学员重心位置靠近，进行细致搜索。
附图说明
[0041]
图1是基于改进教与学算法的多无人机大气污染源定位方法流程图；
[0042]
图2是改进教与学算法流程图；
[0043]
图3是改进教与学算法在matlab软件中人工搭建的高斯稳态烟羽浓度场下的仿真路线图；
[0044]
图4是改进教与学算法与标准教与学算法在高斯稳态烟羽浓度场下寻优效率的对比图；
具体实施方式：
[0045]
本发明的具体实施如下：
[0046]
步骤1：在待监测区设定n架无人机，此次模拟仿真设定了6架无人机；
[0047]
步骤2：初始化设定，即设定无人机群的初始位置；
[0048]
步骤3：采用改进教与学优化算法搜索气体污染源；
[0049]
步骤4：更新各个无人机的位置；
[0050]
步骤5：判断气体污染源是否定位成功，若成功，执行步骤6，否则返回步骤3；
[0051]
步骤6：输出气体污染源位置。
[0052]
所述步骤3中提出的改进教与学算法，包括以下步骤：
[0053]
步骤1：初始化设定，即设定种群规模n＝6、种群维度d＝2、算法最大迭代次数maxgen＝500，将搜索空间中所有点的集合称为班级，班级中的某一个点称之为学员；
[0054]
步骤2：仅在第一次迭代时，随机设定步长d0，无人机群以浓度梯度法飞行d0，计算各个无人机的个体能力值此后每次迭代之前直接根据个体能力值模型计算公式计算无人机的个体能力值
[0055]
步骤3：根据改进教与学算法中“教”阶段更新规则更新学员的位置和搜索到的污染气体浓度值；
[0056]
步骤4：根据改进教与学算法中“学”阶段更新规则更新学员的位置和搜索到的污染气体浓度值；
[0057]
步骤5：判断是否达到迭代次数，若达到迭代次数转到步骤6，否则返回步骤2；
[0058]
步骤6：输出算法寻优结果，算法结束。
[0059]
个体能力值模型计算公式：
[0060]
所述步骤3中改进教与学算法中“教”阶段更新规则为：首先根据步骤2 中计算得出的个体能力值大小排名从大到小选择排名前三的学员称之为“教师 a”，“教师b”，“教师c”，每个学员根据教师与学员总体平均值之间的差异性进行学习。
[0061]
采用如下公式实现“教”阶段：
[0062][0063][0064]“教”完成后，更新学员，每个学员根据学习后的成绩和学习之前的成绩进行对比：
[0065][0065]
end
[0066]
所述步骤4中改进教与学算法中“学”阶段更新规则为：当有两名及以上学员搜索到的气味污染浓度值超过阈值f0后开始进行分班学习，超过阈值f0的学员根据强化班学员学习规则进行学习，未超过阈值f0的学员根据普通班学员学习规则进行学习；
[0067]
强化班学员学习规则为：当f(x
mean
)＞f(x
i
)时，当f(x
i
)＞f(x
mean
)时，其中x
mean
强化班学员的重心位置，m为强化班学员个数。
[0068]
普通班学员学习规则为：对每一名学员x
i
(i＝1,2,...,n)，在班级中随机选取一名学员x
k
(k＝1,2,...,n,i≠k)，x
i
通过分析自己和学员x
k
的差异进行学习调整：当f(x
k
)＞f(x
i
)时，当f(x
i
)＞f(x
k
)时，
[0069]
如图4所示，在高斯稳态烟羽浓度场仿真实验中，标准教与学算法在陷入局部最优值时，直至迭代结束都无法跳出局部最优值，而改进教与学算法在设置了分班阈值之后进行分班学习，可以使之跳出局部最优。
[0070]
以上是本发明较佳的实施方式，但本发明的保护范围并不仅仅局限在此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡依本发明技术方案做变换或替换的，都应涵盖在本发明的保护范围内。因此，本发明的保护范围都应以权利要求的保护范围为准。