一种混沌迷失鸽群优化机制的无人机群目标搜索方法与流程

1.本发明涉及一种基于混沌迷失鸽群优化机制的多无人机对多个动态目标协同搜索的方法，属于无人机协同技术领域


背景技术：

2.近年来，随着无人机相关技术的发展，无人机的应用已经渗透进了社会的方方面面。由于其自身的物理环境的适应能力强、风险小、代价小和无人员伤亡的特点，是关键、时间敏感任务搜救不可或缺的工具。但是由于任务环境越来越复杂，具有全方位、大范围的特点，单架无人机对目标区域的搜索越来越困难，短时间内常常无法完成所有的空中搜索任务。因此研究多无人机之间的协作机制有助于解决更复杂、更具有价值的应用问题。为每架无人机分配一个或一组有序的任务，使得无人机整体作战效率达到最优。显然，多无人机协同目标搜索可以转化为多目标优化问题。为了解决多目标优化问题，近年来仿生智能算法已成为研究的主要课题之一。
3.仿生智能算法是依据生物结构和功能工作原理，利用个体之间信息交互机制相互协作模拟简单社会系统的先进技术，常见的仿生智能算法有遗传算法、粒子群算法、蝙蝠算法等。其中鸽子优化算法是近年来提出的一种新的群体智能优化算法。需要调整的参数较少。并因其收敛速度快、易于实现等优点，被广泛应用于神经网络、路径规划等领域。鸽群优化算法可分为地图与罗盘算子和地标算子两部分。在地图和指南针部分，鸽子在每一个迭代过程中根据全局最佳位置更新自己的位置和速度。而在地标部分，鸽子使用每次迭代的最佳位置更新它们的位置。通过这两部分的更新，鸽子将很快找到全局最佳位置。虽然鸽群优化算法的优越性优于其他智能优化算法，如粒子群算法和差分进化算法等，但它仍然存在普遍的早熟收敛问题。


技术实现要素：

4.发明目的：为了克服背景技术中多无人机协同搜索的不足，提出了一种基于混沌迷失鸽群优化机制无人机群协同目标搜索方法，其目的是提供一种在线的多无人机协同搜索方法，旨在弥补搜索时间过长、效率较低的不足，从而有效提高复杂搜索环境下的无人机自主控制水平。
5.技术方案：一种混沌迷失鸽群优化机制的无人机群目标搜索方法，包括以下步骤：
6.s1：环境地图初始化。将二维搜索空间以栅格化的形式离散化，用栅格法构建环境地图；将整个搜索区域看作二维矩形空间ω＝r2，整个搜索区域长度和宽度分别为l
x
和l
y
(其中l
x
和l
y
均为自然数)；将整个搜索区域划分为面积大小相同的m个单元正方形网格，m＝l
x
×
l
y
，每一个网格位置视为一个单元c＝[x，y]
t
，其中x和y为该单元的中心点在任务区域内的坐标。
[0007]
s2：混沌迷失鸽群优化机制的无人机路径寻优。综合使用混沌初始化以及迷失机制的鸽群优化算法对无人机群进行协同路径优化；具体实现内容为：
[0008]
s21：初始化鸽群参量集及混沌初始化鸽群分布。初始化鸽群的数量n
p
、地图和指南针算子以及地标算子的最大迭代次数n
c1
，n
c2
；在初始化阶段，使用tent混沌映射对鸽群分布进行优化，使生成的初始序列更加随机，且解空间覆盖更广，得到更好的鸽群分布；
[0009]
s22：无人机系统的状态初始化。给出每架无人机的初始位置x
i
以及初始速度v
i
，同时完成每一架无人机对应的鸽群所在位置以及速度的初始化；并计算每只鸽子的适应度值；
[0010]
s23：基于迷失机制的地图和指南针算子阶段。传统鸽群算法包括两个阶段：地图和指南针算子阶段以及地标算子阶段。在地图和指南针算子阶段，鸽子寻找目的地的主要原理是通过感知地球磁场来在它们的大脑中形成地图。同时，它们还可以根据太阳的高度，通过指南针调整自己的方向。
[0011]
本发明引入迷失探索机制改进地图和指南针算子以增强算法的全局搜索能力。在每一次迭代更新过程中，采用迷失机制对传统鸽群易陷入局部最优的问题进行优化，在原有的鸽群算法基础上加入了迷失因子m1∈[0，1]，表示鸽子的迷失概率。鸽群算法每次迭代都会生成一个随机数，如果该随机数小于m1则进行迷失探索操作。鸽子进入迷失状态时，会进行自由探索。首先随机产生下一时刻的速度方向，经过一定时间的探索飞行后，如果在该段时间内不能获得目标方向信息，则改变飞行方向，然后重复迭代一段时间后，恢复可以探测到指南针的状态。
[0012]
s24：地标算子阶段。鸽子在接近目的地时，会将地标作为优化自己位置的工具。在每一次迭代过程中鸽子的数量会减少一半。每只鸽子的当前位置依据适应度函数的高低进行排序，排名靠后的鸽子被认为不熟悉地标，从而被舍弃，把余下鸽子的中心位置当成当前全局最优位置，并作为飞行的目标方向。
[0013]
s25：鸽群位置以及栅格信息更新。对鸽群的速度和位置进行更新，以及鸽子i所在栅格的信息进行更新。
[0014]
s26：执行s23、s24、s25直到迭代次数满足最大迭代次数时，整个鸽群完成位置寻优，输出全局最优位置。
[0015]
s3：无人机状态更新。将步骤s2中得到的最优解作为全局最优点坐标，并视为无人机下一时刻的航迹点坐标，无人机跟踪该航迹点坐标，更新无人机的运动状态，引导无人机走向最需要搜索的区域。由整个鸽群完成位置寻优时所产生的全局最优位置，即为最优解。
[0016]
s4：广播无人机状态信息。无人机运动状态更新的同时，向通信约束内的其他无人机发送数据；发送数据内容主要包括：
[0017]
1)无人机侦察到的目标位置及目标是否被匹配程度最高的无人机跟踪；
[0018]
2)可能存在目标或者可能不存在目标的栅格标号；
[0019]
3)已被侦察过的栅格的最近侦察时间以及当时是否存在目标；
[0020]
其中以无人机之间的距离为通信约束，即两架无人机之间的距离若小于无人机的通信半径，则将成为通信邻居，并与之分享上述信息。
[0021]
s5：目标分配。当任意一架无人机i在探测半径内发现目标，选择匹配度最高的无人机搜索目标；所述的匹配程度以无人机j飞到目标k的距离来衡量，选择确定距离最小的无人机为匹配度最高的无人机执行对目标k的跟踪任务，其他无人机继续执行之前的任务不变。
[0022]
s6：重复s2、s3、s4和s5，直至所有目标完全被跟踪为止。
[0023]
一种用于实现上述混沌迷失鸽群优化机制的无人机群目标搜索的系统，包括：
[0024]
环境地图初始化模块：用于将二维搜索空间以栅格化的形式离散化，用栅格法构建环境地图；
[0025]
混沌迷失鸽群优化机制的无人机路径寻优模块：综合使用混沌初始化以及迷失机制的鸽群优化算法对无人机群进行协同路径优化；
[0026]
无人机状态更新模块：用于将全局最优点坐标视为无人机下一时刻的航迹点坐标，无人机跟踪该航迹点坐标，更新无人机的运动状态，引导无人机走向最需要搜索的区域；
[0027]
广播无人机状态信息模块：在无人机运动状态更新的同时，向通信约束内的其他无人机发送数据；
[0028]
目标分配模块：当任意一架无人机i在探测半径内发现目标，选择匹配度最高的无人机搜索目标；
[0029]
协调模块：s6：重复调用执行混沌迷失鸽群优化机制的无人机路径寻优模块、无人机状态更新模块、广播无人机状态信息模块和目标分配模块，直至所有目标完全被跟踪为止。
[0030]
一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如上所述的基于混沌迷失鸽群优化机制无人机群协同目标搜索方法。
[0031]
一种计算机可读存储介质，该计算机可读存储介质存储有执行如上所述的基于混沌迷失鸽群优化机制无人机群协同目标搜索方法的计算机程序。
[0032]
有益效果：本发明针对多无人机协同搜索问题，开发了一种基于混沌迷失鸽群优化机制的多无人机协同目标搜索方法，该方法首先对将要搜索的任务区域进行环境描述，使用栅格化地图来描述搜索空间；并结合改进鸽群算法综合目标可能出现的位置、当前无人机的状态等信息优化出无人机下一个最优航点，实现无人机最优化的搜索。使用混沌迷失鸽群优化机制可以有效提高无人机目标搜索效率，使无人机有更好的全局搜索能力。另一方面，使用了一种无人机通信机制，使无人机能够实现协同与信息共享。
附图说明
[0033]
图1为本发明实施例中的无人机协同目标搜索模型图；
[0034]
图2为本发明实施例中基于混沌迷失鸽群优化算法流程图。
具体实施方式
[0035]
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
[0036]
如图1所示，本发明实施例公开的混沌迷失鸽群优化机制的无人机群目标搜索方法，具体包含以下步骤：
[0037]
步骤(1)：环境地图初始化。将整个搜索区域看作二维矩形空间ω＝r2，整个搜索
区域长度和宽度分别为l
x
和l
y
(其中l
x
和l
y
均为自然数)；将整个搜索区域划分为面积大小相同的m个单元正方形网格，m＝l
x
×
l
y
。每一个网格位置视为一个单元c＝[x，y]
t
，其中x和y为该单元的中心点在任务区域内的坐标。
[0038]
步骤(2)：混沌迷失鸽群优化机制的无人机路径寻优。综合使用混沌初始化以及迷失机制的鸽群优化算法对无人机群进行协同路径优化；优化出该无人机下一个最优航迹点，从而引导无人机实现最优化的搜索；
[0039]
如图2所示，本发明实施例公开的基于混沌迷失鸽群优化算法，具体包含以下步骤：
[0040]
步骤(2.1)初始化鸽群参量集及混沌初始化鸽群分布。初始化鸽群的数量n
p
、地图和指南针算子以及地标算子的最大迭代次数n
c1
，n
c2
；在初始化阶段，使用tent混沌映射对鸽群分布进行优化，使生成的初始序列更加随机，且解空间覆盖更广，得到更好的鸽群分布；
[0041]
步骤(2.2)无人机系统的状态初始化。给出每架无人机的初始位置x
i
以及初始速度v
i
，同时完成每一架无人机对应的鸽群所在位置以及速度的初始化；并计算每只鸽子的适应度值；
[0042]
无人机k对应的鸽子i的适应度值函数为：
[0043][0044]
其中，n为目标总数量，i为鸽子编号；j为目标编号；k为无人机编号；ω1为跟踪因子；ω2为探索因子；d
ik
为无人机k与鸽子i的距离；p
ij
表示鸽子i所在位置存在目标j的概率；c
jk
表示无人机k与存在目标j的匹配程度；t
j
表示目标j是否未被与之更匹配的无人机跟踪；s
i
表示鸽子i所在栅格待探索的迫切性；
[0045]
鸽子i所在位置存在目标j的概率p
ij
[0046][0047]
其中τ为记忆衰减因子；t为栅格被搜索次数；r为栅格总数；y为已经搜索过的栅格数；
[0048]
无人机k与存在目标j的匹配程度c
jk
表示为：
[0049][0050]
其中，d
jk
为目标和无人机的距离。其中距离越近，匹配度越高；目标将分配给与之对应的最高匹配度的无人机进行跟踪。
[0051]
目标j是否被与之匹配的无人机跟踪t
j
表示为：
[0052][0053]
鸽子i所在栅格待探索的迫切程度可以由该栅格探测半径内的其它栅格是否被检
测的情况来进行说明。当最近时间鸽子i所在栅格未被侦察过，那么如果探测半径内未被侦察过的栅格总数量越多，鸽子i所在栅格等待被侦察的迫切程度就越低。反之，则越高。当最近时间鸽子i所在栅格被侦察过，则由探测半径内已被检测的栅格总数量描述其迫切程度。如果探测半径内已被侦察过的栅格总数量越多，鸽子i所在栅格等待被侦察的迫切程度就越低。
[0054]
鸽子i所在栅格待探索的迫切程度s
i
表示为：
[0055][0056]
其中ω为探索因子，n1为探测半径内未被检测过的栅格总数量；n2是探测半径内已被检测过的栅格总数量。
[0057]
步骤(2.3)基于迷失机制的迭代更新阶段。基本的鸽群优化有两个独立的迭代循环组成，两个算子分别作用于不同的循环中。
[0058]
(a)地图和指南针算子阶段
[0059]
每只鸽子的位置x
i
和速度v
i
更新公式如下：
[0060]
v
i
(n)＝v
i
(n
‑
1)e
‑
rn
rand(x
g
(n)
‑
x
i
(n
‑
1))
[0061]
x
i
(n)＝v
i
(n) x
i
(n
‑
1)
[0062]
其中x
g
(n)是第n次迭代过程的全局最优位置，可以获得整个搜索空间中的最佳位置，r是由实际情况和经验决定的地图和指南针算子，其中rand∈[0，1]。
[0063]
在传统的鸽群优化算法的地图与指南针部分的迭代后期，所有的鸽子逐渐聚集起来，鸽子群体的最佳位置在较长的时间内只会发生很小的变化。在这种情况下，鸽子的位置更新特别慢，每只鸽子将慢慢停止运动直至最后收敛到搜索空间中的某一个位置，这种情况，便会陷入局部最优。因此提出基于迷失机制的鸽群优化方法。首先在原有的算子基础上加入了一个迷失因子m1∈[0，1]，表示鸽子的迷失概率。算法每次迭代都会生成一个随机数，如果该随机数小于m1则进行迷失探索操作。鸽子进入迷失状态时，会进行自由探索。首先随机产生下一时刻的速度方向，经过一定时间的探索飞行后，如果在该段时间内不能获得目标方向信息，则改变飞行方向，然后重复迭代一段时间后，恢复可以探测到指南针的状态。
[0064]
迷失状态时位置速度更新公式：
[0065]
diffitness
i
(t)＝fitness
i
(t)
‑
fitness
i
(t
‑
1)
[0066][0067][0068]
其中v
i
(t)为当前时刻速度；v
i
(t
‑
1)为上一时刻的速度。v
i
max为个体最大允许速度；diffitness
i
为适应度差值；b
i
为适应度变化标记。每次更新为之后，如果适应度没减少，则标记b
i
增加1，连续3次适应度没减少，则更换飞行方向，如果该方向的适应度减少，则保持飞行方向，并将标记b
i
置为0。
[0069]
(b)地标算子阶段
[0070]
鸽子在接近目的地时，会将地标作为优化自己位置的工具。在每一次迭代过程中鸽子的数量n
p
会减少一半。每只鸽子的当前位置依据适应度函数的高低进行排序，排名靠后的鸽子被认为不熟悉地标，从而被舍弃，把余下鸽子的中心位置当成地标作为飞行的参考方向。更新方程组如下：
[0071][0072][0073]
x
i
(n)＝x
i
(n
‑
1) rand(x
c
(n)
‑
x
i
(n
‑
1))
[0074]
其中n
p
(n)表示第n次迭代中鸽群的数量。x
c
为鸽子在每次迭代中的平均中心，fitness(x
i
(n))为适应度。对于最大化优化问题，我们有：
[0075]
fitness(x
i
(n))＝f
max
(x
i
(n))
[0076]
f
max
()表示求最大值的函数。
[0077]
对于最小化优化问题，我们有：
[0078][0079]
其中ε表示的是一个大于0的很小的数。
[0080]
最后，我们可以得到n次迭代后的全局最优位置x
p
：
[0081]
x
p
＝max(x
g
(1)，x
g
(2)，...，x
g
(n))
[0082]
(c)鸽子i所在栅格的信息按下式进行更新：
[0083][0084]
其中，v
i
(t)，x
i
(t)分别表示鸽子i第t次迭代在n维空间中的速度和位置，ω为惯性权重，c1，c2分别表示鸽子的认知系数和社会系数，r1，r2为变化范围为(0，1)内的随机数；p
i
＝{p
i1
，p
i2
，
…
p
in
}和p
g
＝{p
g1
，p
g2
，
…
p
gn
}分别表示鸽子i的最优经验位置与鸽群所有鸽子的最优经历位置；
[0085]
个体历史最优p
i
的更新公式：
[0086][0087]
fitness()表示适应度值函数。全局历史最优p
g
的更新公式为：
[0088][0089]
步骤(3)：无人机状态更新。将全局最优点坐标x
p
视为无人机下一时刻的航迹点坐标，无人机跟踪该航迹点坐标，更新无人机的运动状态，引导无人机走向最需要搜索的区域；
[0090]
步骤(4)：广播无人机状态信息。无人机运动状态更新的同时，向通信约束内的其他无人机发送数据；向通信约束内的其他无人机发送的数据串p
(j，t)
＝(u
j
，t
k
，j
kj
)，式中：u
j
为发现目标的无人机序号和无人机的当前位置信息；t
k
为发现的目标序号和目标的坐标信
息；j
kj
为无人机j飞往目标k的代价，设定j
kj
为无人机i与目标k的距离。
[0091]
步骤(5)：目标分配。当任意一架无人机i在探测半径内发现目标，各个无人机计算出自身与此目标的匹配程度，并让匹配程度最高的无人机跟踪该目标，从而达到种群之间的协同合作共享机制；所述的匹配程度以无人机j飞到目标k的代价来衡量，选择确定代价最小的无人机执行对目标k的跟踪任务，其他无人机继续执行之前的任务不变；
[0092]
步骤(6)：重复步骤(2)、(3)、(4)和(5)，直至多个目标完全被跟踪为止。
[0093]
显然，本领域的技术人员应该明白，上述的本发明实施例的混沌迷失鸽群优化机制的无人机群目标搜索方法各步骤或混沌迷失鸽群优化机制的无人机群目标搜索系统各模块可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。