[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

说明书

本发明公开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：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；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；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。本发明可降低航迹重合度，减少计算时间和可调变量数目，提高鲁棒性；支持任务预分配和重分配，具有一定的环境适应性；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。

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：