一種布谷鳥搜索算法解決uav多任務(wù)偵察決策問題的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于UAV任務(wù)規(guī)劃領(lǐng)域，具體地說，是為解決UAV偵察多個任務(wù)時如何進(jìn)行 分配問題提供的一種決策方法。
【背景技術(shù)】
[000引UAV在任務(wù)偵察階段能夠代替有人機(jī)執(zhí)行"危險、惡劣、枯燥"的任務(wù)，已被廣泛應(yīng) 用于戰(zhàn)場偵察、對地打擊、城市反恐、地震救援W及海上捜救等眾多領(lǐng)域。目前已有方法側(cè) 重于任務(wù)的航路規(guī)劃和偵察捜救問題，但大多并未考慮UAV攜帶特定偵察載荷時的偵察信 息收益問題，W及由于UAV的任務(wù)工作時間及載荷工作能力都是有限的，通常難W完成對 所有任務(wù)區(qū)的完全信息偵察任務(wù)的問題，可見如何快速有效的完成對所有任務(wù)區(qū)的非完全 信息遍歷偵察將顯得尤為重要。
[0003]布谷鳥捜索算法kuckoosearch,C巧是由Xin-SheYang和SuashDeb于 2〇〇9 年提出的一種新興仿生智能優(yōu)化算法，算法基于某類型布谷鳥的寄生解蛋行為，并結(jié)合了 L6vy飛行的隨機(jī)游走行為。該算法簡單易行、參數(shù)少，在處理復(fù)雜優(yōu)化問題時無需重新匹 配大量參數(shù)，研究結(jié)果表明，CS算法能夠避免傳統(tǒng)算法早熟的缺點(diǎn)，收斂速度快，適合解決 UAV多任務(wù)偵察決策問題。

【發(fā)明內(nèi)容】

[0004] 為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供一種布谷鳥捜索算法解決UAV多任務(wù)偵察 決策問題的方法，根據(jù)偵察任務(wù)取得分布位置及無人機(jī)自身性能、任務(wù)載荷特性得到一組 飛行順序及每個任務(wù)相應(yīng)偵察時間，此結(jié)果使得偵察信息收益最大，且具有一定的合理性。
[0005] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案包括W下步驟：
[0006] 步驟一、將偵察任務(wù)區(qū)數(shù)量W及各個任務(wù)區(qū)的位置、面積、最小偵察收益、各任務(wù) 偵察價值、無人機(jī)的總飛行時間和無人機(jī)飛行速度作為初始數(shù)據(jù)；
[0007] 步驟二、W遍歷全部偵察任務(wù)區(qū)且飛行路徑最短為優(yōu)化目標(biāo)，建立UAV最短偵 察路徑規(guī)劃式中，dii為任務(wù)區(qū)i到任務(wù)區(qū)j的歐氏距離，
T.
(Xi,y;)表示第i個任務(wù)區(qū)中屯、的位置坐標(biāo)；Xu為決策變量，當(dāng)UAV 先執(zhí)行完任務(wù)i之后就執(zhí)行任務(wù)j時值為1，否則為0 ;n表示任務(wù)區(qū)數(shù)量；
[0008] 步驟=、定義離散布谷鳥捜索算法的鳥窩數(shù)量m，巢主鳥能夠發(fā)現(xiàn)外來鳥蛋的概 率P。，巢主鳥是智能布谷鳥的概率P。，最大迭代次數(shù)Maxit，應(yīng)用整數(shù)編碼隨機(jī)生成一個 mX(n+1)的初始矩陣Xmxhw;
[0009] 步驟四、W遍歷全部偵察任務(wù)區(qū)飛行路徑最短為適應(yīng)度函數(shù)，計(jì)算每個鳥窩的適 應(yīng)度，逐一比較選出最小值并記錄相應(yīng)的解；
[0010] 步驟五、隨機(jī)產(chǎn)生服從均勻分布0~1之間的數(shù)ri，并與概率P。進(jìn)行比較，若r1 <p。則證明該布谷鳥具有自主監(jiān)測能力，將此解的適應(yīng)度.//與隨機(jī)選取的第j個解的適 應(yīng)度進(jìn)行比較，若/,' ?> /,'則將第i個解用第j個解替換，其中i，j= 1，2,. . .，m且i聲j;
[0011] 步驟六、通過L6vy飛行產(chǎn)生一個0~1之間的值1，根據(jù)1值產(chǎn)生新鳥窩：
[001引當(dāng)1G[0, ：0時，解進(jìn)行一次2-opt擾動；
[001引當(dāng)1G[化-1)Xi，kXU時，解進(jìn)行k次2-opt擾動；
[0014] 當(dāng)1G比Xi, 1)時，解通過double-bridge進(jìn)行一次大的擾動；
[0015] 其中，i=1/Q+P)，P為設(shè)定的步數(shù)，k G {2, .. . ,p}，L6vy飛行產(chǎn)生值的公式為： St巧=y / (I V 11/P)，.V(化仔,
]V= 1，r 為標(biāo)準(zhǔn)的Gamma函數(shù)；
[0016] 然后，計(jì)算出新鳥窩的適應(yīng)度并與之前的進(jìn)行比較，若乂'+1<若則用新的解替換， 否則不變；
[0017]步驟屯、隨機(jī)產(chǎn)生服從均勻分布0~1之間的數(shù)。，并與概率P進(jìn)行比較，若r2 <P。則拋棄較差鳥窩并通過局部隨機(jī)過程建立全新的鳥窩；否則，保持不變；將產(chǎn)生的新 解與之前的解進(jìn)行比較保留最優(yōu)解；
[0018] 步驟八、判斷是否達(dá)到最大迭代次數(shù)，如果沒有，迭代次數(shù)加1并返回步驟五；否 貝Ij，進(jìn)入下一步；
[0019] 步驟九、建立UAV偵察信息確定性指標(biāo)模型
[0020] G(t) = G〇+Gi(l-e (et))
[002。 式中，G。為偵察開始前UAV對任務(wù)區(qū)域已知信息，0《G。< 1，G1為UAV對任務(wù)區(qū) 域的信息不確定性部分，G"+Gi= 1 ;P為偵察載荷對任務(wù)區(qū)域的偵察能力指數(shù)；
[0022] 步驟十、W偵察收益最大為優(yōu)化目標(biāo)，建立UAV多任務(wù)偵察收益模型
[0023]
[0024] 式中，Ci為任務(wù)區(qū)i的價值，W為UAV攜帶偵察載荷的掃描寬度；V為UAV的任務(wù) 飛行速度，Si第i個任務(wù)區(qū)域的面積，t1為第i個任務(wù)區(qū)分配的偵察時間，t1= 0 ;
[0025]步驟十一、定義基本布谷鳥捜索算法的鳥窩數(shù)量m，巢主鳥能夠發(fā)現(xiàn)外來鳥蛋的概 率P。，最大迭代次數(shù)Maxit，隨機(jī)生成一個mX(n-1)的初始矩陣YmxhU;
[0026] 步驟十二、W多任務(wù)偵察收益為適應(yīng)度函數(shù)，計(jì)算每個鳥群的適應(yīng)度，逐一比較選 出最大值并記錄相應(yīng)的解；
[0027] 步驟十=、通過L6vy飛行過程產(chǎn)生新的鳥窩，并將最好的鳥窩保留到下一代，鳥 窩的更新公式為
式中，和蛛> 分表表示第 t+1和第t代第i個鳥窩的位置，費(fèi)表示點(diǎn)對點(diǎn)乘法，a>0為步長比例因子，〇<P《2， 計(jì)算出新鳥窩的適應(yīng)度并與之前的進(jìn)行比較，若於"> /；'則用新的解替換，否則不變.
[002引步驟十四、隨機(jī)產(chǎn)生服從均勻分布0~1之間的數(shù)。，并與概率P。進(jìn)行比較，若T3 <p。則拋棄較差鳥窩并通過局部隨機(jī)過程建立全新的鳥窩；否則，保持不變；將產(chǎn)生的新 解與之前的解進(jìn)行比較保留最優(yōu)解；
[0029] 步驟十五、判斷是否達(dá)到最大迭代次數(shù)，如果沒有，迭代次數(shù)加1并返回步驟 十否則，退出并顯示最優(yōu)結(jié)果。
[0030] 本發(fā)明的有益效果是：提出了偵察信息確定性指標(biāo)，并從航路規(guī)劃W及偵察收益 兩方面解決UAV多任務(wù)偵察決策問題，并通過離散布谷鳥算法和布谷鳥算法進(jìn)行求解，求 解結(jié)果相較于傳統(tǒng)算法能克服過早收斂，運(yùn)行速度慢等缺點(diǎn)，所得結(jié)果具有可實(shí)時性。
[0031] 本發(fā)明提出的通過布谷鳥捜索算法來進(jìn)行UAV多任務(wù)區(qū)偵察規(guī)劃的方法，可用于 同步實(shí)現(xiàn)UAV對多個任務(wù)區(qū)進(jìn)行偵察時的航路最優(yōu)與偵察收益最大化，能夠保證對多個任 務(wù)區(qū)偵察效果的最優(yōu)化規(guī)劃，具有任務(wù)規(guī)劃過程速度快、效率高且通用性強(qiáng)的特點(diǎn)；也可W 應(yīng)用于森林防火、區(qū)域反恐、地震救援W及海上捜救等的任務(wù)規(guī)劃。
【附圖說明】
[0032] 圖1是UAV多任務(wù)偵察規(guī)劃示意圖；
[0033] 圖2是多任務(wù)區(qū)偵察決策問題求解流程圖；
[0034]圖3離散布谷鳥捜索算法流程圖；
[0035] 圖4是2-opt的優(yōu)化示意圖，其中（a)圖是初始解，化）圖是經(jīng)過2-opt優(yōu)化的結(jié) 果，解由 1-2-3-4-1 變?yōu)?1-3-2-4-1;
[0036] 圖5是Double-bridge的優(yōu)化示意圖，其中（a)圖是初始解，化）圖是經(jīng)過 Double-bridge優(yōu)化的結(jié)果，解由 1-2-3-4-5-6-7-8-1 變?yōu)?1-6-7-4-5-2-3-8-1;
[0037] 圖6不同偵察載荷能力下的收益曲線圖；
[0038] 圖7是基本布谷鳥捜索算法流程圖；
[0039] 圖8是偵察任務(wù)區(qū)初始分布圖；
[0040]圖9是隨機(jī)產(chǎn)生的初始偵察航路圖；
[0041] 圖10是離散布谷鳥捜索算法偵察路徑規(guī)劃結(jié)果圖；
[0042]圖11是無人機(jī)多任務(wù)偵察收益函數(shù)進(jìn)化曲線圖。
【具體實(shí)施方式】
[0043] 本發(fā)明將整個任務(wù)過程分為兩個階段，首先，采用離散布谷鳥捜索算法值iscrete 化ckoo Search Algorithm, DCSA)解決偵察路徑最優(yōu)化規(guī)劃問題，使得遍歷全部偵察任務(wù) 區(qū)的路徑最短，然后建立相應(yīng)的偵察信息確定性指標(biāo)，根據(jù)UAV的任務(wù)時間約束W及每個 任務(wù)區(qū)的最小偵察確定性約束，同時保證遍歷偵察所有任務(wù)區(qū)的條件下，利用基本布谷鳥 捜索算法（化ckoo Search Algorithm, CSA)為每個待偵察任務(wù)區(qū)分配最優(yōu)的偵察時間，從 而使整個偵察任務(wù)過程的信息收益最大化。具體包括W下幾個步驟：
[0044] 步驟一：輸入已知數(shù)據(jù)；
[0045] 將偵察任務(wù)區(qū)數(shù)量，各個任務(wù)區(qū)位置，W及任務(wù)區(qū)面積、各任務(wù)區(qū)最小偵察收益、 各任務(wù)偵察價值、無人機(jī)的總飛行時間、無人機(jī)飛行速度作為初始數(shù)據(jù)輸入系統(tǒng)。
[0046] 步驟二：建立UAV最短偵察路徑規(guī)劃優(yōu)化目標(biāo)；
[0047]W遍歷全部偵察任務(wù)區(qū)飛行路徑最短為優(yōu)化目標(biāo)，建立如下表達(dá)式：
[0048]
[004引式中，d。為任務(wù)區(qū)i到任務(wù)區(qū)j的歐氏距離，可用
良示，其 中（Xi，yi)表示第i個任務(wù)區(qū)中屯、的位置坐標(biāo)孔i為決策變量，當(dāng)UAV先執(zhí)行完任務(wù)i之后 就執(zhí)行任務(wù)j時值為1，否則為0 ;n表示任務(wù)區(qū)數(shù)量（包括UAV起飛基地）。
[0050