基于无监督学习离散鸽群优化多无人机侦察任务分配方法

技术领域

本发明是一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法，属于无人机自主控制领域。

背景技术

随着无人机技术的迅猛发展，以及无人机工作环境越来越复杂，无人机正在军事和民用上扮演着越来越重要的角色，像智能搜索、区域监测、环境检测和营救任务。然而，受限于它自身的大小和能力，单独的无人机很难完成一些复杂的任务。因此多无人机协同合作完成任务已经成为当下的热点，为了去实现协同合作，任务分配是在实施任务时能够采取最好的顺序并且最大化无人机群体的效益的必要行为。

通常任务分配问题被当作是简单的旅行商问题，该问题仅仅是找到多个目标之间的最短欧式距离，并没有考虑到无人机自身的运动学约束和无人机携带传感器的侦察范围。考虑无人机自身的运动学约束，引入了Dubins曲线模型到任务分配模型当中，Dubins曲线是满足曲率约束和规定的始端和末端方向的条件下，连接两个二维平面的最短路径，其可以为无人机设计好具有最小转弯半径的侦察路径。考虑无人机携带传感器的侦察范围，建立传感器模型，只有当侦察目标在传感器侦察范围内，才可以视作侦察成功。

多无人机侦察任务分配的算法可以分为两大类：分布式算法和集中式算法，对于目标比较多的情况，无人机集群规模比较大的分配任务，无人机通常采用贪婪策略或者局部信息的方法会发生任务分配航迹重合度较高，常常会面临着信息一致性和任务一致性的挑战。在引入Dubins模型的基础之上考虑最小转弯半径和最大的航程限制，采用无监督学习的策略，提出柔性分组的思想。为了尽量减少航迹的重合度，采用基于余弦相似度的聚类方法，将无人机要侦察的目标进行分区，划分为不同的组合。然后再对多无人机进行任务分配和路径优化。

在任务分配问题中常用的方法有遗传算法和粒子群算法等，但是在实现目标选择的时候不够智能，常常容易产生任务航迹的重叠，且计算时间长，需要调整的参数多，鲁棒性低等缺点。

鸽群优化(Pigeon Inspired Optimization,PIO)算法是模拟鸽子归巢行为设计的智能优化算法，通过地磁场信息、太阳高度信息和地标信息三个导引工具使得鸽子更易归巢。其可以有效解决参数优化和数值设计等一系列问题，通常在函数极值问题等连续优化问题上具有一定的优势。但是对于复杂的组合优化问题，其连续性限制了它的使用范围。采用全局编码交叉与变异的方法将指南针算子和地标算子离散化引入多无人机侦察任务分配的组合优化问题中。综上所述，本发明提出了一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法，其目的是为了在确定目标的方位和位置时，能够对多无人机群进行任务分配，得到无人机侦察的最优覆盖占位，从而在最大效费比(effect-cost)的情况下对目标进行侦察。

发明内容

1、发明目的：

本发明提供一种基于无监督学习的离散鸽群优化多无人机侦察任务分配方法，其目的是为了在确定目标的方位和位置时，能够对多无人机群进行任务分配，得到无人机侦察的最优覆盖占位，从而在最大效费比的情况下对目标进行侦察。

2、技术方案：

本发明针对多无人机侦察任务分配问题，提供一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法，该方法具体步骤如下：

步骤一：建立无人机群模型U

其中，假定无人机U

同时考虑无人机实用性约束：

式中：

步骤二：基于Dubins曲线假设简化无人机模型

1)在执行任务的时候无人机群没有战损；

2)无人机群执行侦察任务时的高度和速度是确定的；

3)每架无人机将在不同的海拔高度进行作业；

4)每架无人机都能够有充足的载荷储备。

根据以上假设将步骤一中的无人机进行简化为三个状态量表示Q＝(x,y,ψ),对于每架无人机U

式中，x与y表示的是无人机的位置，v

设置Dubins曲线具有以下的运动方式：

D＝{LSL,RSR,RSL,LSR,RLR,LRL} (4)

式中，D表示的是Dubins路径可以选择的集合，L表示的是逆时针转，R表示的是顺时针转，S表示的沿着原来的方向直行。

步骤三：建立侦察目标和无人机传感器模型

该任务分配的目标为静止的目标T

R-r＜l (5)

式中，R与r分别为无人机传感器的侦察半径以及目标点的半径，l表示的能够允许的范围差值。具体的概念模型见图1a、b，仿真图见图3。

步骤四：将侦察目标的数据样本T通过余弦相似度聚类进行柔性分组

随机产生数据大小范围内的Nv个点作为初始的类簇中心点{C

式中，T

类簇中心可用下式进行求得：

式中，C

步骤五：基于全局编码交叉与变异的离散鸽群算法设计

1)离散鸽群算法应用于组合优化问题

鸽群算法是模拟鸽子归巢行为设计的智能优化算法，通过地磁场信息、太阳高度信息和地标信息三个导引工具使得鸽子更易归巢。其可以有效解决参数优化和数值设计等一系列问题，通常在函数极值问题等连续优化问题上具有一定的优势。但是对于复杂的组合优化问题，其连续性限制了它的使用范围。采用全局编码交叉与变异的方法将指南针算子和地标算子离散化引入多无人机侦察任务分配的组合优化问题中。

2)初始化

鸽群的种群个数为P，需要被侦察任务分配的任务数为N，Q1表示地磁导航次数，Q2表示地标导航次数，第i只鸽子的位置X

第i只鸽子的速度为V

3)基于全局编码交叉与变异的地图和指南针算子的设计

连续型的地图罗盘算子的迭代公式如下：

式中，第i只鸽子的位置表示为X

采用全局编码交叉与变异的指南针算子更新公式如下：

式中，t表示的是迭代的次数，T

4)基于全局编码交叉与变异的地标算子设计

连续型的地标算子的迭代公式如下：

式中，N

采用全局编码交叉变异的地标算子更新公式如下：

P(t)＝P(t-1)/2 (14)

式中，ceil(·)为取整函数，O(·)是一个缺整补全算子，表示的是当

步骤六：多无人机Dubins模型利用离散鸽群算法优化适应度函数

由步骤四得到无监督学习的k个类簇序列S

式中，Nu表示的是目标点的数量，

步骤七：输出无监督学习离散鸽群优化多无人机侦察任务分配结果图

判断无监督学习的迭代次数是否达到N

本发明的基于无监督学习离散鸽群优化多无人机侦察任务分配方法，其优点及功效在于：一、提供了解决多无人机侦察任务分配的优化算法，降低航迹重合度，减少计算时间和可调变量数目，提高鲁棒性；二、提出了一种动态分配的方法，支持任务预分配和重分配，具有一定的环境适应性；三、具有柔性分区的特点，使无人机群对目标进行侦察任务分配的时，能够提升执行效率。

附图说明

图1a、b目标模型和传感器模型示意图

图2本发明基于无监督学习离散鸽群优化算法流程图

图3多无人机侦察任务分配目标模型仿真示意图

图4多无人机侦察任务分配柔性分组模型仿真示意图

图5遗传算法简单随机选择仿真示意图(俯视图)

图6本发明实施例无监督学习离散鸽群优化仿真示意图(俯视图)

图7遗传算法简单随机选择仿真示意图(侧视图)

图8本发明实施例无监督学习离散鸽群优化仿真示意图(俯视图)

图9多无人机适应度函数值仿真示意图

图中标号及符号说明如下：

X-Y-Z——无人机的相对于地面的大地坐标系

H——无人机在进行侦察任务分配的飞行高度

R——无人机传感器模型侦察范围的半径大小

r——侦察目标的半径大小

T

具体实施方式

下面通过一个具体的多无人机侦察任务分配实例来验证本发明所提出的方法的有效性。实验计算机配置为Intel Core i7-10700处理器，2.90Ghz主频，16G内存，软件为MATLAB 2020b版本。一种基于无监督学习离散鸽群优化多无人机侦察任务分配方法具体步骤如下：

步骤一：建立无人机群模型U

给定10架无人机的初始航向角均为0°，初始横纵坐标位置在[0,0]高度分别在[22:2:40]依次递增，速度恒定为10m/s，最小转弯半径5m，仿真步长0.01s，仿真最大阈值100s。

步骤二：基于Dubins曲线假设简化无人机模型

考虑步骤一中的无人机群六自由度模型通过Dubins曲线简化为三自由度的无人机模型，产生一个Dubins距离计算函数，选择策略有：

D＝{LSL,RSR,RSL,LSR,RLR,LRL}

其中每个选择策略都代表着一个两目标点的距离，通过D式计算所有策略下目标点之间的距离。

步骤三：建立侦察目标和无人机传感器模型

随机生成横轴[-200,200]，纵轴[-200,200]内的50个横纵目标点数据，半径r＝2.5m，无人机传感器模型的探测半径R＝5m，l

步骤四：将侦察目标的数据样本T通过余弦相似度聚类进行柔性分组

根据步骤一和步骤三对范围内的50个目标点随机产生10个类簇中心点，每个目标点和中心点皆有横纵两个维度，根据(6)式计算每个点到类簇中心点的余弦相似度，以其大小分为10组数据，然后将每组数据通过(7)式重新计算类簇中心，直到类簇中心点稳定即ΔC趋近于0或者迭代次数I达到10000时，分组结束，得到了具有趋于不同方向的10个分组{S

步骤五：基于全局编码交叉与变异的离散鸽群算法设计

1)初始化

鸽群的总数为30，需要被侦察任务分配的任务数为50，地磁导航次数Q1＝150，地标导航次数Q2＝50，第i只鸽子的位置X

2)基于全局编码交叉与变异的地图和指南针算子的设计

寻优出迭代次数为t时的最优个体X

然后设计地磁影响因子R，使得其在迭代初期具有较强的全局搜索能力，在迭代后期具有较强的局部搜索能力。并以e

最后将重新得到的转移矩阵V

3)基于全局编码交叉与变异的地标算子设计

因为计算中心鸽子的位置，适应度函数值所做的乘积只适用于连续的鸽群算法中，因此需要重新找到离散算法中近似中心鸽子并进行地标算子的优化。首先通过式(14)对种群的数目进行适应度排序，减去一半适应度值较大的个体。然后对此时所有已计算的每代最优鸽子求其平均值并取整数，此时所得到的

此时的X

最后将重新得到的转移矩阵C

步骤六：多无人机Dubins模型利用离散鸽群算法优化适应度函数

对已经无监督学习的k个类簇序列S

式中，Nu表示的是目标点的数量，

步骤七：输出无监督学习离散鸽群优化多无人机侦察任务分配结果图

判断无监督学习的迭代次数是否达到10000或者簇中心达到稳定，然后判断离散鸽群优化的迭代次数是否达到200。若是，则输出多无人机侦察任务分配结果图；否则，更新迭代次数，并转向步骤二。

本发明采用10架无人机，50个目标点，先用无监督学习的方法将各个目标点进行分组，然后考虑无人机Dubins模型考虑最小转弯半径在不同高度匀速进行飞行，用离散鸽群算法实现了在路径和时间上对50个目标点侦察任务分配上的优化。

为了验证本发明提出方法的有效性，本专利还进行了相应的对比实验，与传统的遗传算法简单选择作对比，适应度函数值变化如图9所示。