一种基于集合满射鸽群智能优化的无人机集群编队控制器调参方法

技术领域

本发明是一种基于集合满射鸽群智能优化的无人机集群编队控制器调参 方法，属于无人机自主控制领域。

背景技术

随着技术发展，无人机逐渐代替危险环境中的工人，执行未知领域探索 和危险环境监测等任务。无人机编队飞行是提高无人机智能程度的重要手段 之一。

现阶段，实现无人机编队飞行方法主要有一致性控制方法、蜂拥控制方 法、传统比例积分微分编队控制方法等。遗传方法、粒子群优化方法具有较 好的适应性，但这些方法都存在参数较多，难以调节的缺点。鸽群智能优化 方法是通过模仿鸽子归巢的行为提出的优化方法。研究表明，鸽子可通过地 磁场信息、太阳高度信息和地标信息这三个导引工具轻松归巢，为解决编队 控制问题提供了一条崭新的技术途径。

传统的无人机编队方法多为针对简单质点的编队，本发明在传统编队方 法基础上进行改进，使其更好的契合无人机模型，并且将其生成的指令输出 到一个六自由度的自动驾驶仪飞机模型中。

传统的鸽群智能优化方法由于存在地标搜索阶段的加速，使收敛速度变 得很快，但是在脱离地磁算子搜索阶段后仍然容易陷入局部最优。

发明内容

本发明的目的在于提供一种基于集合满射鸽群智能优化的无人机集群编 队控制器调参方法，针对上述问题，基于集合理论对传统鸽群智能优化方法 进行改进，在牺牲少部分速度的情况下，可以搜索到全局最优解。

本发明方法首先基于通过传统编队模式建立了无人机编队模型；然后， 通过集合理论对鸽群智能优化方法进行了改进，最后使用改进的鸽群智能优 化方法对建立的编队模型进行参数优化。

本发明所提出的一种基于集合满射鸽群智能优化的无人机集群编队控制 器调参方法的具体实现步骤如下：

步骤一：无人机本体建模

本发明使用的无人机模型为配置速度、航向角和高度三个回路的自驾仪， 无人机六状态控制模型可表示为：

其中，六个控制状态为

其中：

步骤二：无人机编队建模

本发明基于传统模型对无人机编队控制器进行建模，并对其复杂化，以 便对无人机模型进行映射。本发明提出一个包含N个无人机的的复杂网络， 对于无人机i，设其二阶运动方程为：

其中，q

下面进行系统内各无人机间通讯的复杂网络的建模。某些鸟类，即使再 大规模集群，也只与最近的6-7只鸟进行交互，这种交互方式可以降低个体间 的通讯负载。为减少通讯负载，设置了限制通信数量的通信半径与限制通讯 距离的感知半径。设r

其中，无人机j为可与无人机i通信的邻居无人机，q

无人机i在运动过程中通过不断调整通信半径r

其中，n

本发明将无人机看作无向图G(t)中的节点，将节点间的通讯链路看作是无 向图中的边，即复杂网络中存在节点集合V与边集合E

则无向图G可以表示为

G＝{V,E} (9)

本发明使用邻接矩阵A(G)＝[a

如图2所示，为无人机编队模型原理示意图

步骤三：编队控制器建模

本发明编队控制器模型的三条简单式启发规则分别为：

(1)避免碰撞，即无人机保持期望距离避免与其它个体发生碰撞。

(2)速度匹配，即无人机期望与其邻居速度保持一致。

(3)群集聚合，即无人机与群体保持聚合，不发生分群。

基于以上三点规则，本发明编队控制器模型将运动行为简化成三种运动 规则，分别为：分离、聚合、速度匹配。编队控制器模型通过设计人工势场 力来实现分离、聚合运动行为，保持群集聚合；通过设计速度匹配力来保持 速度匹配。本发明在此基础上，又设计了自驱力输入量、阻尼力输入量和扰 动输入量来映射无人机模型，通过自驱力输入来模仿无人机的油门环节，通 过阻尼力输入来模仿大气阻力，通过扰动输入量来映射无人机大气扰动环节。 可得编队控制器输入量为：

其中，

本发明的人工势场力输入设计为

其中，φ

其中，ρ

其中，

可以看出，势函数是一个平滑函数，且存在一个最大值点，为后续的证 明环节提供了基础。

速度对齐力输入项设计为

自驱力项输入设计为k

ηξ

如图3所示，为编队控制器与集群空间示意图，展示了公式(11)中4个 控制变量。其中

步骤四：基于集合满射的鸽群智能优化方法

S41、基本的仿鸽群智能方法

通过模仿自然界中鸽子归巢行为提出了仿鸽群智能：在鸽子归巢过程中， 当远离巢穴时，鸽子的导航信息主要是从太阳和地磁场中获取；在飞行后期， 当鸽子逐渐靠近巢穴时，鸽子的导航信息主要是从熟悉的建筑物、公路等地 标中获取，同时不熟悉地标的鸽子将跟随飞行经验丰富的鸽子直到巢穴。根 据不同飞行阶段的导航工具的不同，仿鸽群智能分为两个阶段，分别是：地 图和指南针算子阶段以及地标算子阶段。其中，地图和指南针算子阶段模仿 太阳和地磁场的导航作用，地标算子阶段模仿地标的导航作用，具体如下：

假设种群规模为N

V

X

其中，t表示迭代次数，R表示地图和指南针因子，N表示解空间的维度， 在这里其含义与航路点的个数相同，rand∈(0,1)，X

当迭代次数t>T

假设地标算子阶段的最大迭代次数为T

N

X

其中，X

当迭代次数t>(T

S42、基于集合满射的鸽群方法优化

首先使用集合理论对优化方法进行分析，设在优化方法中

其中，

(1)寻优性：

(2)稳定性：

寻优过程是从可行或不可行输入中获得可行解，可行性搜索过程是从可行 输入中获得可行解。稳定性是为了保证转换后的解决方案具有更高的适应度， 寻优性是指通过只执行一次操作来优化解决方案，即，再次执行该操作不能 再提高适应度。本发明的目的即为设计理想的稳定寻优的寻优过程，它具有 以下性质：

(1)

(2)

(3)

(4)

由于局部最优解的数量等于

传统的鸽群智能优化方法由于存在地标搜索阶段的加速，使收敛速度变得 很快，但是在脱离地磁算子搜索阶段后仍然容易陷入局部最优。本发明基于 上述理论，将

设评价速度与位置的两个代价函数分别为序参量φ(t)和尺度指数S(t)，其 定义分别为：

其中，

对速度影响参数选取为(h,k

其中Cost(t)为t回合时的代价函数。k

步骤五：参数搜索仿真

一种基于集合满射鸽群智能优化的无人机集群编队控制器调参方法流程 图如图1所示。

开始仿真后，程序首先按步骤四进行两个鸽群参数的初始化，然后按步骤 二公式(5)再进行一个编队的初始化。在此之后程序按步骤一进行无人机三 轴速度和位置的计算。完成计算后程序按公式(6)进行邻居的寻找。在完成 邻居寻找后按公式(7)进行拓扑半径的调整。然后程序开始控制量输入的计 算，程序通过遍历每一个邻居计算并根据公式(16)进行控制输入量的计算。 在完成控制输入量计算后，程序根据公式(1)、(2)、(3)计算无人机的状态。 若此时程序没有达到运行时间T，则返回计算无人机三轴速度和位置，并更新 时间t

步骤六：数据输出

程序在最终会给出搜索到的5个变量(h,k

搜索到5个变量(h,k

若按附图1所示的方法流程图进行实验后，若实验效果不理想，可按此步 骤六进行调整参数。其中dt为采样时间，T

本发明的一种基于集合满射鸽群智能优化的无人机集群编队控制器调参 方法，优势主要有两方面。一方面，本发明提出的编队模型比传统的模型增 加了自驱力和摩擦阻力，可以更好的映射无人机模型；另一方面，本发明提 出的基于集合满射鸽群智能优化优化方法，改良了传统鸽群方法在进入地标 阶段后容易陷入局部最优的缺点，以牺牲速度的方式提高了搜索的准确程度， 在相同的搜索次数下，由于本发明将传统的鸽群智能优化方法过程改为满射， 因此本发明在相同的搜索次数下，将得到更优的解，应用到编队参数搜索后， 可以提高编队的性能。

附图说明

图1基于集合满射鸽群智能优化的无人机集群编队控制器调参方法流程

图2无人机编队模型原理示意图

图3编队控制器与集群空间示意图

图4a、b基于集合满射稳定寻优的寻优过程设计过程示意图

图5改进前后速度参数优化迭代对比曲线

图6改进前后位置参数优化迭代对比曲线

图7完成参数优化后的编队航迹

图中标号及符号说明如下：

p——无人机速度

q——无人机位置

N——无人机群体数量

t——仿真时间

r

n

k——调节变化速率常数

V

X

X

T

T

φ

a

ζ——速度阻尼系数

k

PIO——鸽群智能优化方法

STPIO——基于集合满射改进的鸽群智能优化方法

具体实施方式

按照基于集合满射鸽群智能优化的无人机集群编队控制器调参方法流程 图进行实例仿真，用以验证本发明的一种基于集合满射鸽群智能优化的无人 机集群编队控制器调参方法的合理性及有效性。实例中给定10架无人机在 40m*40m*30m的区域内随机初始化位置和速度。本实例的仿真环境配置为 intel i7-4790处理器，3.60Ghz主频，4G内存，该系统及方法具体步骤如下：

步骤一：无人机本体模型初始化

无人机数量N＝10，自动驾驶仪无人机模型选择真实型号飞机参数。令集 群中所有模型α

步骤二：无编队模型初始化

无人机飞行高度随机初始化区间为h∈[50,80]km，所有无人机在x方向和y 方向在区间[-20,20]km进行随机初始化。x方向速度大小为7m/s，y方向和z 方向速度在区间[-5,5]km随机初始化。速度大小存在限幅，最小速度为v

无人机间期望距离为6m，期望速度设置为最低飞行速度8m/s，初始通讯 半径r

步骤三：编队控制器初始化

本步骤对编队控制器进行初始化。初始化的参数包括了将要进行搜索的参 数，速度参数随机区间分别为h∈[0,1]，k

步骤四：基于集合满射鸽群方法初始化

令种群规模为N

步骤五：参数搜索

在完成初始化后，就可以开始进行搜索过程。每一次搜索即为一次编队仿 真。为保证搜索准确性，本发明使用固定初始化进行每一次编队飞行。每次 飞行T＝100s，时间微分大小dt＝0.05s，并按图1流程图进行运行，最终得到 最优对速度影响参数(h,k

图5与图6显示了基于集合理论改进鸽群的寻优过程，本发明同时引入基 本鸽群智能优化方法进行对比，基本鸽群两次仅对一组参数及逆行寻优，图 中有两条寻优算法的代价函数变化曲线，使用实线和虚线进行区分。其中实 线(Set-theory PIO，STPIO)代表了基于集合满射优化的鸽群方法。图7显示 了本发明搜索到最优解时的航迹，可以看出，最终编队中无人机速度趋于一 致，个体间相对位置也趋于一直，并以一个较小的团体向前飞行。