CN114372603A - 一种仿鸽群多学习智能的无人靶机协同航路动态规划方法 - Google Patents
一种仿鸽群多学习智能的无人靶机协同航路动态规划方法 Download PDFInfo
- Publication number
- CN114372603A CN114372603A CN202011265676.5A CN202011265676A CN114372603A CN 114372603 A CN114372603 A CN 114372603A CN 202011265676 A CN202011265676 A CN 202011265676A CN 114372603 A CN114372603 A CN 114372603A
- Authority
- CN
- China
- Prior art keywords
- threat
- model
- unmanned
- networking
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 40
- 230000006855 networking Effects 0.000 claims abstract description 38
- 241000272201 Columbiformes Species 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000009499 grossing Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 31
- 230000007123 defense Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 22
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000004888 barrier function Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 244000144992 flock Species 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005358 geomagnetic field Effects 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种仿鸽群多学***滑。本发明优点:(1)建立了无人靶机协同航路规划模型,满足多无人靶机协同航路规划中的时间一致性约束条件;建立了联网下的通信质量模型,并设计由威胁单元、障碍构成的威胁代价。(2)通过基本仿鸽群智能算法分析,保留原有算法基本步骤的同时,对个体学习对象进行改进,尽可能少引入其他参数保证算法快速性和收敛性,增加种群多样性,解决多约束条件下多无人靶机协同航路规划问题。
Description
技术领域
本发明涉及一种仿鸽群多学习智能的无人靶机协同航路动态规划方法,属于无人机自主控制领域。
背景技术
靶机作为一种特殊的有动力无人航空器,可用于模拟空中机动目标、检验对空武器***的战术和技术性能及作战部队的训练与演习。因此,靶机在对空武器的研制、检验及部队的战训等方面具有非常重要的作用。多年来,随着世界各国作战飞机飞行性能、机载武器、航空电子设备不断在发展,技术性能日趋先进,使用对空武器***对其进行打击的难度越来越高。因此,在对空武器***目标打击效果评估,战术预案的制定和作战效能评价等相关研究中,需要具有能够反应目标运动特性的空中机动靶目标。虽然各类无人靶机已覆盖低空、低速和高空、高速,并在靶机总体及其飞行控制技术等领域取得了显著的进步。然而,面对未来跨域协同作战,复杂多任务多目标打击需求时,单架无人靶机在模拟真实战场环境时依然存在适应差和能力不足等问题。因此,开展无人靶机协同控制的成为未来研究的主要方向,也将大幅提高此类训练和测试的逼真程度。
多无人靶机协同路径规划作为无人靶机协同控制中的一个重要而富有挑战性的研究问题,通常情况包括:航路算法和路径规划模型两方面研究。目前,传统的路径规划方法算法包括A*算法、Voronoi图、人工势场法以及Dubins曲线等等。然而,传统的规划方法主要针对单个无人靶机,可能不适合多无人靶机的情况。对于多架无人靶机,由于基于区域划分的算法(A*算法和Voronoi图)没有共同的参考坐标系,很难实现无人靶机间的信息共享、协调同步,同时无法满足时间一致等约束条件。虽然人工势场法可实现无人靶机之间的无碰撞的协调飞行,但局部极小点的存在阻碍了其在复杂环境下的应用。虽然Dubins曲线可以解决航路规划问题,但由于该方法耗时较长,也阻碍了其在实际中的应用。针对多无人靶机协同航路规划中的时间一致性约束,一种行之有效的路径规划模型是,所有无人靶机路径具有相同数量的路点和相同的到达时间,这样就可以确定每个无人靶机的每个航点的到达时间,然后利用各个航点之间的时间增量建立多无人靶机路径规划模型。
作为一种新型的优化方法,仿鸽群智能具有探索能力强、收敛速度快等特点,在解决图像处理、协同控制、参数优化等问题时表现出良好的性能。根据具体问题设计合适的代价函数,采用仿鸽群智能进行优化,从而得到期望解。然而,在处理存在多个局部极小点的问题时,该方法容易陷入局部最优,无法得到全局最优解。因此,为了进一步提高算法的性能,提出了很多改进措施,将各种先进理论引入到仿鸽群智能中,如:通过模拟不同类型的社会结构,对鸽群拓扑结构进行改进;对仿鸽群智能的相关参数进行优化调整使其具有自适应能力;将增强算法探索和开发能力机制引入算法中等等。虽然这些改进在一定程度上提高了算法的性能,但由于破坏原有算法的结构或者引入过多的参数,使得算法的结构复杂,增加了算法的复杂程度。此外,随着通信网络技术和计算机技术的发展,在实际突防过程中,各个威胁单元之间时刻都在进行着信息交流和资源共享,协同完成整个覆盖范围内的任务,因此,威胁单元联网使无人靶机协同航路规划面临更多的挑战。
发明内容
本发明提出一种仿鸽群多学习智能的无人靶机协同航路动态规划方法,建立了多无人靶机航路规划模型、威胁联网下的威胁模型,设计了航路代价函数,将航路规划问题转化为优化问题。最后,利用提出的仿鸽群多学习智能对该问题进行优化,从而得到满足时间一致等多种约束条件的可行航路。
一种仿鸽群多学习智能的无人靶机协同航路动态规划方法,步骤如下:
步骤一:无人靶机协同航路规划建模:根据航路点的个数、起飞时间、到达时间,建立每架无人靶机的局部坐标系,并确定全局坐标系和局部坐标系的转换关系。具体过程如下:
针对多无人靶机协同航路规划中的时间一致性约束问题,在全局坐标系XgOgYg下,假设每架无人靶机规划航点数为N,起飞时间为Tt,到达时间为Te,飞行高度不变为h。因此,无人靶机航点之间的时间增量为Ts=(Te-Tt)/N,该航路规划问题可简化为二维问题。
因此,无人靶机m在航点n处的速度和位置表示为:
其中,m∈{1,2,...,M}表示无人靶机的编号,M表示无人靶机的架数,n∈{1,2,...,N}表示无人靶机航点编号。Vm,n表示无人靶机的速度,Pm,n表示无人靶机的位置。
无人靶机m的位置更新表示为:
Pm,n+1=Pm,n+Vm,n+1·Ts (2)
如图1所示,建立无人靶机机局部坐标系XmOmYm。该坐标系以无人靶机m的起点和终点连线为x轴,正方向指向终点。y轴方向垂直于x轴,满足右手定则,则全局坐标系XgOgYg和局部坐标系XmOmYm之间的旋转角度表示为:
对无人靶机m,局部坐标系和全局坐标系下的速度和位置转换关系表示为:
步骤二:威胁联网下的威胁建模
在建立无人靶机协同航路规划建模基础上,建立联网的威胁模型。在复杂的战场环境下,威胁单元通过构建通信网络进行信息共享,大大增加了多无人靶机协同航路规划的难度。在威胁建模中考虑的威胁单元包括:探测雷达和具有探测目标能力的防空导弹***。
假设探测雷达Nr个,防空导弹***Na套,为了描述威胁单元的联网特性,建立了威胁联网通信质量模型,该模型又包括:网络节点的联通度模型和网络通信可靠性模型。
S21、威胁联网通信质量模型
将每个威胁单元看成网络中的一个节点,假设网络中的节点i有di条边与其他节点相连,这di个邻居节点之间实际存在的边数为lindi,最多可能存在边数为di(di-1)/2。
其中,Nn=Nr+Na表示网络中节点的数目,di为第i个节点的邻居数目。
网络中任意节点i与其他节点之间存在联接关系的可能性用ci表示,即:
因此,网络中所有节点之间联接概率的平均值c表示为:
其中,li,j表示节点i和节点j之间跳变次数。
因此,节点i和节点j网络联通度模型表示为:
在威胁联网的情况下,节点之间通信不可避免存在延迟等因素影响通信可靠性和质量,因此,建立网络通信可靠性模型来表示这部分因素的影响,该网络通信可靠性模型描述成与航点编号之差相关的递减函数ξ,记作:
其中,σ∈(0,1).nc表示当前航点nc的编号,nb表示第nb个航点的编号,nb≤nc。
综合网络节点的联通度模型和网络通信可靠性模型,可以得到节点i和节点j之间的通信质量qi,j,记为:
qi,j=pi,j·ξ (12)
S22、联网下的威胁模型
基于威胁联网通信质量模型,建立联网下的威胁模型,该联网下的威胁模型又包括:探测概率模型和毁伤概率模型。
其中,r1,r2由威胁单元类型确定,Rj,m,n表示无人靶机m在航点n处与威胁网络中节点j的中心距,σj,m,n表示无人靶机m的雷达散射截面积,服从指数分布σj,m,n~E(μ)。
因此,结合探测概率,得到无人靶机m在航点n处的毁伤概率,记作:
步骤三:航路代价函数的设计
探测代价:结合威胁联网下的探测概率,计算无人靶机m在航点n上的探测代价,记作:
因此,无人靶机m的整条航路的探测代价表示为:
毁伤代价:结合威胁联网下的毁伤概率,计算无人靶机m在航点n上的毁伤代价,记为:
因此,无人靶机m的整条航路的毁伤代价表示为:
避撞代价:除了环境中的各个威胁单元,无人靶机在进行航路规划过程中需要对障碍物(比如:山峰)进行规避。山峰用高度为ho的圆台表示,圆台的中心点为Po,上下平面的半径满足无人靶机m在航点n上的避撞代价,记为:
因此,无人靶机m的整条航路的避撞代价表示为:
其中,Nm表示山峰的个数。
协同代价:在多无人靶机协同航路规划过程中,无人靶机之间需要时刻保持通信,同时还要保持一定的安全距离,以避免发生内部的碰撞。因此,无人靶机之间的协同代价记为:
航程代价:无人靶机进行航路规划的目的之一是获取最短路径,因此,将各个航点之间的距离之和作为无人靶机的航程代价,记为:
综合以上探测代价、毁伤代价、避撞代价、协同代价以及航程代价,可以得到无人靶机m的航路代价,记为:
步骤四:无人靶机飞行约束
在多无人靶机协同航路规划过程,为了满足航路的可行性和任务要求,还需要对无人靶机本体和航路规划时间等进行约束。
假设无人靶机的最小规划步长为Smin,空速的取值范围为[Vmin,Vmax],最小转弯半径为Rmin,最大飞行距离为Lmax。对于无人靶机m而言,起点和终点之间的距离记为Lm,在无人靶机到达时间相同的情况下,各无人靶机航点之间的时间增量满足:
其中,Tmax表示最大飞行允许时间,∩表示计算各个无人靶机的时间的交集。
因此,各个无人靶机到达目标点的时间表示为:
Te=N·Ts+Tt (31)
此外,结合无人靶机最小飞行速度、最小转弯半径以及航点飞行时间增量,可以得到无人靶机航向的最大偏转角,记为:
步骤五:仿鸽群多学习智能
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、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。
目前,关于各类学习机制已开展了大量研究,比如:激励学习、强化学习、模仿学习等等,其中,最有效的学习机制是模仿学习。在仿鸽群智能中,个体通过模仿其他个体逐渐逼近全局最优位置,每个个体的模仿学习的对象分别为全局最优个体和中心个体,但学习对象较为单一。因此,在处理一些存在多个局部极小值问题时,无法找到全局最优解,而仿鸽群多学习智能通过学习多个个体行为避免陷入局部最优,具体如下:
S51、地图和指南针算子阶段
假设种群规模为NG,该阶段最大迭代次数为Tmax 1,个体i的速度和位置分别记作Vi(t)={vi,1(t),vi,2(t),...,vi,N(t)},Xi(t)={xi,1(t),xi,2(t),...,xi,N(t)}。
Xi(t+1)=Xi(t)+Vi(t+1) (36)
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,在这里其含义与每架无人靶机规划航点数相同,rand∈(0,1)。
当迭代次数t>Tmax 1时,循环迭代进入地标算子阶段,否者,继续执行地图和指南针算子阶段循环。
图2展示了的情况,当时,个体的学***均值,值将影响算法的探测能力和收敛速度,并且该值越大,个体从其他个体中学到的知识就越丰富。在值较大的情况下,全局最优个体的影响会大大减弱,收敛速度也会变慢。然而,该学***衡种群的快速性和多样性。从整体来看,相较于改进前的方法,改进后每个个体的学习对象不仅限于全局最优,在保留方法收敛性的同时,在一定程度上避免局部最优的发生。
S52、地标算子阶段
假设地标算子阶段的最大迭代次数为Tmax 2。首先,将所有个体首尾随机相连构成一个闭环的拓扑结构,并将该闭环拓扑随机划分成Nc个子部分。其次,确定每个个体对应的邻居集合Si(Xi),进而可以得到每个个体的邻居的中心位置,此时每个个体的学习对象变为其邻居个体的中心位置,得到该阶段的位置更新公式为:
图3展示了Nc=4的情况,对于位置为X2个体,其邻居集合为S2(X2)={X1,X2}。当Nc=1时,个体的学习对象为种群中心位置;当Nc=NG-1时,个体的学习对象为左右相邻的邻居个体的中心位置。从拓扑结构上看,此时的拓扑结构似于经典的环形拓扑,延缓局部最优的信息在群体中的快速传播。因此,将种群划分为若干个部分可以有效提高种群的多样性,避免局部最优现象的发生,并且Nc数值越大,在不同的维度上,种群的多样性越丰富。通过对具体优化问题的分析,设置适当的Nc值,可以保证算法快速性的同时,提高种群多样性,增强算法的局部开发能力。从整体来看,该学习策略在增加了种群的多样性的同时,避免了局部最优的发生。
当迭代次数t>(Tmax 1+Tmax 2)时,结束循环,输出优化结果。否者继续执行地标算子阶段循环。
步骤六:航点坐标转换及轨迹平滑
其次,利用局部坐标系喝全局坐标系的转换关系,获取取值范围在确定仿鸽群多学习智能的种群规模、最大迭代次数等参数后,随机初始化各个航点的并将代价函数调整为航路代价函数,当迭代次数t>Tmax 1时,循环迭代进入地标算子阶段,否者,继续执行地图和指南针算子阶段循环。当迭代次数t>(Tmax 1+Tmax 2)时,结束循环,输出优化结果,否者继续执行地标算子阶段循环。因此,通过不断地迭代更新最后输出沿着局部坐标系y轴方向的各个航点的最优速度。利用公式(2),(3),(4),(5),将局部坐标系下的速度和位置信息转化为全局坐标系下的速度和位置信息。
B样条曲线作为Bezier样条曲线的一种特例,可通过逼近多边形而获得。k次B样条只与k+1个控制点相关,具有C2连续性、曲线拼接简单等优点。Bezier曲线不具有曲率连续性,而Bezier样条曲线容易实现路径的C2连续性,并且在改变部分控制点时只会对局部曲线产生影响。因此,B样条曲线在航迹平滑这一任务上具有明显的优势。给定N+1个控制点Pm ,n(n=0,1,2,...,N),则次均匀B样条曲线表示为:
因此,通过3次B样条插值后,输出所有无人靶机的平滑轨迹,从而达到路径可飞的目的。
3、优点及效果:
本发明提出一种仿鸽群多学习智能的无人靶机协同航路动态规划方法。该方法的优势主要体现在两个方面:一方面,建立无人靶机协同航路规划模型,针对每架无人靶机全局坐标系和局部坐标系之间的转换关系,使其满足多无人靶机协同航路规划中的时间一致性约束条件。此外,为满足威胁单元之间组网和信息共享要求,建立了联网下的通信质量模型,并设计了由威胁单元、障碍等构成的威胁代价。另一方面,通过对基本的仿鸽群智能算法的分析,提出了仿鸽群多学习智能方法,该改进在保留原有算法基本操作步骤的同时,对个体学习对象进行改进,在尽可能少的引入其他参数的同时,保证了算法的快速性和收敛性,增加了种群的多样性,最后将其用于解决多约束条件下的多无人靶机协同航路规划问题。
附图说明
图1无人靶机协同航路规划模型
图2多学习仿鸽群智能地图和指南针算子阶段
图3仿鸽群多学习智能地标算子阶段
图4多无人靶机协同航路规划流程图
图5多无人靶机协同航路规划
图6无人靶机之间的相对距离曲线
图7a-7d改进前后仿鸽群智能迭代对比曲线
具体实施方式
按照图4多无人靶机协同航路规划流程图进行实例仿真,用以验证本发明提出的仿鸽群多学习智能多无人靶机协同航路规划***及方法的合理性及有效性。本实例中给定4架无人靶机在100km*100km*10km的区域进行航路规划,并在该区域内随机布设5个威胁单元(2个探测雷达和3套防空导弹***),以及2座山峰。本实例的仿真环境配置为intel i7-4790处理器,3.60Ghz主频,4G内存,软件为MATLAB 2010a版本。该***及方法具体步骤如下:
步骤一:无人靶机协同航路规划建模
无人靶机数量M=4,无人靶机航点数N=50,无人靶机飞行高度为h=3km,所有无人靶机起点坐标分别为S1=[5,5]T,S2=[5,10]T,S3=[10,5]T,S4=[10,10]T,终点坐标分别为E1=[85,85]T,E2=[85,90]T,E3=[90,85]T,E4=[90,90]T。此外,建立每架无人靶机局部坐标系,计算得到全局坐标系和局部坐标系之间的转换关系。
步骤二:威胁联网下的威胁建模
在威胁联网的情况下,威胁单元可通过协同网络进行信息交互。其中,探测雷达个数为Nr=2,全局坐标系下的坐标分别为:(45,24),(60,54),并且探测雷达的外形用半球模拟,其半径分别为:15,10,通信距离分别为:60,50。防空导弹***套数Nm=3,全局坐标系下的坐标分别为:(40,70),(72,42),(25,45)。同理,防空导弹***的外形用半球模拟,其半径分为为:7,8,7,通信距离分别为:30,30,30。
在威胁联网通信质量模型,根据各个威胁单元的通信距离,利用公式(6)-(10)可以计算得到威胁网络中任意两个节点之间的联通度pi,j。同时,令σ=0.05,利用公式(11),可以得到网络通信可靠性ξ值。最后,利用(12)可以得到网络中任意两个之间的之间网络通信质量qi,j。
在联网下的威胁模型中,首先,利用公式(13)-(14)计算每架无人靶机的在各个航点处的参考概率值。其次,具有探测能力的节点相关的参数r1=1.01,r2=1.25·10-18,无人靶机的雷达散射截面积服从指数分布σj,m,n~E(2.4637)。最后,利用公式(15)可以得到每架无人靶机在各个航点处的综合探测概率
步骤三:航路代价函数的设计
在计算探测代价时,令探测概率阈值利用公式(19)-(20)可以得到每架无人靶机整条航路的探测代价同理,在计算毁伤代价时,令毁伤概率阈值利用公式(21)-(22)可以得到每架无人靶机整条航路的毁伤代价在计算避撞代价时,Nm=2,圆台的中心点Po分别为:(67,80),(85,70),圆台的高度ho分别为:4,4,圆台的上下半径分别为:(5,8),(5,8)。利用公式(23)-(24)计算得到避撞代价在计算协同代价时,令无人靶机之间的安全距离ds=1,无人靶机之间通信距离rc=15,在保证无人靶机安全、协同飞行的情况下,利用公式(25)可以得到每架无人靶机的协同代价最后,结合航程代价利用公式(26)-(27),可以得到每架无人靶机的航路代价
步骤四:无人靶机飞行约束
在多无人靶机协同航路规划过程,为了满足航路的可行性和任务要求,还需要对无人靶机本体和航路规划时间进行约束。令无人靶机的最小规划步长为Smin=1,空速的取值范围为[300,400],最小转完半径为Rmin=2.5,最大飞行距离为Lmax=300,Tmax=1。利用公式(28)-(32)计算得到无人靶机Ts,Te以及ψmax。
步骤五:仿鸽群多学习智能
利用仿鸽群多学习智能对局部坐标系下的无人靶机y轴方向的速度进行优化,从而解决多无人靶机协同航路规划问题。
在地图和指南针算子阶段,令种群规模为NG=200,最大迭代次数为Tmax 1=50,较优个体数Nj=3,地图和指南针因子R=0.004,权重均值为方差为利用公式(33),(34),(35),(36)对该阶段个体的速度和位置进行更新。当迭代次数t>Tmax 1时,循环迭代结束,并进入地标算子阶段,否者,继续执行该阶段循环。在地标算子阶段,令最大迭代次数为Tmax 2=50,将整个群体构成的闭环随机划分成Nc=4个子部分,利用公式(37),(38)对该阶段的个体的位置更新。当迭代次数t>(Tmax 1+Tmax 2)时,结束循环,输出局部坐标系下的沿y轴方向的每个航点的最优速度,否者,继续执行地标算子阶段循环。
步骤六:航点坐标转换及轨迹平滑
由图5可知,利用仿鸽群多学***滑得到了每架无人靶机的航路,图中每架无人靶机的航路绕过了仿真中设置的威胁单元以及障碍。虽然生成的航迹在某些点存在交叉,但并不能认为无人靶机在这些交叉点发生碰撞,因为每架无人靶机到达交叉航点的时刻不同。由图6可知,所有无人靶机之间的相对距离满足安全距离和通信距离的约束条件,说明航点交叉的合理性,保证了多无人靶机协同航路规划的安全性和协同性。由图7a-7d可知,改进后每架无人靶机的代价值均比改进前有较明显的下降,说明仿鸽群多学习智能的有效性,进而说明利用仿鸽群多学习智能很好的解决了多无人靶机协同航路规划问题。
Claims (4)
1.一种仿鸽群多学习智能的无人靶机协同航路动态规划方法的实现步骤如下:
步骤一:无人靶机协同航路规划建模,根据航路点的个数、起飞时间、到达时间,建立每架无人靶机的局部坐标系,并确定全局坐标系和局部坐标系的转换关系;
步骤二:威胁联网下的威胁建模,具体包括:
S21、威胁联网通信质量模型
在威胁联网的情况下,首先计算网络中节点的邻居数的平均值;其次,计算网络中节点之间的联接概率的平均值和节点之间的最大跳变次数;从而得到节点之间的网络联通度模型;最后,考虑节点之间通信可靠性和质量因素,最终建立威胁联网通信质量模型;
S22、联网下的威胁模型;
基于威胁联网通信质量模型,建立威胁联网下的威胁模型,该威胁模型又包括:探测概率模型和毁伤概率模型;在探测概率模型中,各威胁单元利用其他威胁单元的探测概率修正本威胁单元的探测概率;在探测概率模型的基础上,针对防空导弹***,计算其毁伤概率模型;
步骤三:航路代价函数的设计,包括:探测代价、毁伤代价、避撞代价、协同代价、航程代价;
步骤四:无人靶机飞行约束,主要包括无人靶机本体和航路规划时间约束;
步骤五:仿鸽群多学习智能,具体包括:
S51、地图和指南针算子阶段
首先,按照适应度值进行排序,选取代价函数值较优个体构成学习对象集合;其次,为较优个体分配权重,从而得到较优个体的中心位置;最后,利用速度和位置公式进行更新;
S52、地标算子阶段
首先,将所有个体首尾相连构成闭环拓扑结构;其次,将该拓扑结构随机划分成若干子部分,构建学习对象的集合,从而确定每个个体的中心位置;最后,利用位置公式进行更新;
步骤六:航点坐标转换及轨迹平滑,将仿鸽群多学***滑处理。
2.根据权利要求1所述的仿鸽群多学习智能的无人靶机协同航路动态规划方法,其特征在于:所述步骤S21威胁联网通信质量模型,具体如下:
假设探测雷达Nr个,防空导弹***Na套,为了描述威胁单元的联网特性,建立了威胁联网通信质量模型;
其中,Nn=Nr+Na表示网络中节点的数目,di为第i个节点的邻居数目;
网络中任意节点i与其他节点之间存在联接关系的可能性用ci表示,即:
其中,li,j表示节点i和节点j之间跳变次数;
因此,节点i和节点j网络联通度模型表示为:
考虑节点之间通信不可避免存在延迟因素影响通信可靠性和质量,建立网络通信可靠性模型,记作:
其中,σ∈(0,1).nc表示当前航点nc的编号,nb表示第nb个航点的编号,nb≤nc;
综合网络节点的联通度模型和网络通信可靠性模型,可以得到节点i和节点j之间的通信质量qi,j,记为:
qi,j=pi,j·ξ。
3.根据权利要求1所述的仿鸽群多学习智能的无人靶机协同航路动态规划方法,其特征在于:所述步骤S22联网下的威胁模型,具体如下:
基于威胁联网通信质量模型,建立联网下的威胁模型,该联网下的威胁模型又包括:探测概率模型和毁伤概率模型;
其中,r1,r2由威胁单元类型确定,Rj,m,n表示无人靶机m在航点n处与威胁网络中节点j的中心距,σj,m,n表示无人靶机m的雷达散射截面积,服从指数分布σj,m,n~E(μ);
因此,结合探测概率,得到无人靶机m在航点n处的毁伤概率,记作:
4.根据权利要求1所述的仿鸽群多学习智能的无人靶机协同航路动态规划方法,其特征在于:所述步骤五仿鸽群多学习智能具体过程如下:
S51、地图和指南针算子阶段
假设种群规模为NG,该阶段最大迭代次数为Tmax1,个体i的速度和位置分别记作Vi(t)={vi,1(t),vi,2(t),...,vi,N(t)},Xi(t)={xi,1(t),xi,2(t),...,xi,N(t)};
Xi(t+1)=Xi(t)+Vi(t+1)
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,在这里其含义与每架无人靶机规划航点数相同,rand∈(0,1);
当迭代次数t>Tmax1时,循环迭代进入地标算子阶段,否者,继续执行地图和指南针算子阶段循环;
S52、地标算子阶段
假设地标算子阶段的最大迭代次数为Tmax2;首先,将所有个体首尾随机相连构成一个闭环的拓扑结构,并将该闭环拓扑随机划分成Nc个子部分;其次,确定每个个体对应的邻居集合Si(Xi),进而可以得到每个个体的邻居的中心位置,此时每个个体的学习对象变为其邻居个体的中心位置,得到该阶段的位置更新公式为:
当迭代次数t>(Tmax1+Tmax2)时,结束循环,输出优化结果;否者继续执行地标算子阶段循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265676.5A CN114372603A (zh) | 2020-11-13 | 2020-11-13 | 一种仿鸽群多学习智能的无人靶机协同航路动态规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265676.5A CN114372603A (zh) | 2020-11-13 | 2020-11-13 | 一种仿鸽群多学习智能的无人靶机协同航路动态规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372603A true CN114372603A (zh) | 2022-04-19 |
Family
ID=81137985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011265676.5A Pending CN114372603A (zh) | 2020-11-13 | 2020-11-13 | 一种仿鸽群多学习智能的无人靶机协同航路动态规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372603A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882607A (zh) * | 2023-07-11 | 2023-10-13 | 中国人民解放军军事科学院***工程研究院 | 一种基于路径规划任务的关键节点识别方法 |
CN117784769A (zh) * | 2024-02-23 | 2024-03-29 | 西安亚龙航空机电股份有限公司 | 一种靶机控制方法及其结构 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441308A (zh) * | 2016-11-10 | 2017-02-22 | 沈阳航空航天大学 | 一种基于自适应权重鸽群算法的无人机航路规划方法 |
CN106979784A (zh) * | 2017-03-16 | 2017-07-25 | 四川大学 | 基于混合鸽群算法的非线性航迹规划 |
US20190035286A1 (en) * | 2017-07-27 | 2019-01-31 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
CN110109477A (zh) * | 2019-05-10 | 2019-08-09 | 北京航空航天大学 | 基于鸽群智能反向学习的无人机集群多目标控制优化方法 |
-
2020
- 2020-11-13 CN CN202011265676.5A patent/CN114372603A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441308A (zh) * | 2016-11-10 | 2017-02-22 | 沈阳航空航天大学 | 一种基于自适应权重鸽群算法的无人机航路规划方法 |
CN106979784A (zh) * | 2017-03-16 | 2017-07-25 | 四川大学 | 基于混合鸽群算法的非线性航迹规划 |
US20190035286A1 (en) * | 2017-07-27 | 2019-01-31 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
CN110109477A (zh) * | 2019-05-10 | 2019-08-09 | 北京航空航天大学 | 基于鸽群智能反向学习的无人机集群多目标控制优化方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882607A (zh) * | 2023-07-11 | 2023-10-13 | 中国人民解放军军事科学院***工程研究院 | 一种基于路径规划任务的关键节点识别方法 |
CN116882607B (zh) * | 2023-07-11 | 2024-02-02 | 中国人民解放军军事科学院***工程研究院 | 一种基于路径规划任务的关键节点识别方法 |
CN117784769A (zh) * | 2024-02-23 | 2024-03-29 | 西安亚龙航空机电股份有限公司 | 一种靶机控制方法及其结构 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110608743B (zh) | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 | |
CN112733421B (zh) | 一种针对有人无人机协同对地作战的任务规划方法 | |
CN108646589B (zh) | 一种攻击无人机编队的作战模拟训练***及方法 | |
CN113495578B (zh) | 一种基于数字孪生式训练的集群航迹规划强化学习方法 | |
Liu et al. | Adaptive sensitivity decision based path planning algorithm for unmanned aerial vehicle with improved particle swarm optimization | |
Cao et al. | Multi-base multi-UAV cooperative reconnaissance path planning with genetic algorithm | |
Tang et al. | Dynamic reallocation model of multiple unmanned aerial vehicle tasks in emergent adjustment scenarios | |
Li et al. | Trajectory planning for UAV based on improved ACO algorithm | |
CN110928329B (zh) | 一种基于深度q学习算法的多飞行器航迹规划方法 | |
Jain et al. | MVO-based path planning scheme with coordination of UAVs in 3-D environment | |
CN110069075B (zh) | 一种仿鸽群应急避障机制的集群超机动避障方法 | |
CN101118622A (zh) | 在城市环境下微型飞行器三维轨迹仿真方法 | |
CN106705970A (zh) | 一种基于蚁群算法的多无人机协同路径规划方法 | |
CN102880186A (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
CN109359405A (zh) | 空天地一体化的大数据战场环境半实物仿真*** | |
CN105700549A (zh) | 一种基于序列小生境粒子群算法的无人机多航迹规划方法 | |
CN112947594B (zh) | 一种面向无人机的航迹规划方法 | |
CN103557867A (zh) | 一种基于稀疏a*搜索的三维多uav协同航迹规划方法 | |
CN112666981B (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
CN114840020A (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
CN106815443A (zh) | 面向变化环境的超低空飞行器三维多批多航迹规划方法 | |
CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
CN114372603A (zh) | 一种仿鸽群多学习智能的无人靶机协同航路动态规划方法 | |
CN116560406A (zh) | 一种无人机集群协同规划与自主调度方法 | |
CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |