[发明专利]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

权利要求书

1.一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，其特征在于：该方法具体步骤如下：

步骤一：建立无人机群模型U_total＝{U₁,U₂,...,U_Nv}

步骤二：基于Dubins曲线假设简化无人机模型

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_total＝{T₁,T₂,...,T_Nu}，目标的半径大小为r，无人机的传感器侦察范围可假设为圆形范围，视场半径为R；当目标点在视场范围之内的时候，就意味着无人机对其执行了侦察；此时有下式成立：

R-r＜l

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；

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

步骤五：基于全局编码交叉与变异的离散鸽群算法设计

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_i＝{S₁,S₂,...,S_k}，对其中每一个类簇序列考虑成一个Dubins旅行商问题做预分配，优化算法保证对每个类簇中的每个目标做路径选择的时候从D＝{LSL,RSR,RSL,LSR,RLR,LRL}集合中选取路径长度最小的一个，最后回到出发点；

式中，Nu表示的是目标点的数量，表示的是S_i类簇序列下到点j的Dubins距离，T_i表示的是类簇S_i侦察完所用的时间；

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_max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Q1+Q2；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。

2.根据权利要求1所述的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，其特征在于：所述步骤一，其中假定无人机U_Nv配有速度、航向角和高度，则无人机模型可以简化为如下6态模型：

同时考虑无人机实用性约束：

式中：为无人机i的位置，V^t，ψⁱ和λⁱ分别为水平速度，航向角和高度变化率，和分别为自动驾驶仪3个回路上的控制输入，τ_v，τ_ψ和(τ_λ,τ_h)分别为3个时间常数，Nv表示的是无人机的数量，V_max,V_min,n_max和λ_max均大于0，分别为最大速度、最小水平速度、最大横向过载和最大高度变化率，λ_min为最小高度变化率，且小于0，g为重力加速度取为10m/s²。