[发明专利]一种基于群体智能的水下无人集群编队关键节点识别方法

说明书

本发明公开了一种基于群体智能的水下无人集群编队关键节点识别方法，通过引入群体智能行为对水下移动编队的轨迹进行分析，再通过结构熵方法，得到该编队对中各节点信息的重要程度。首先，通过探测，发现并得到某多无人水下航行器UUV移动编队的连续移动轨迹；然后通过轨迹分析，引入群体智能行为，建立出多UUV移动编队的网络拓扑结构；最后，对建立的网络拓扑图采用结构熵算法进行节点信息重要程度计算，得到编队中的关键节点。只需要对关键节点进行打击，就可以最大限度的破环该节点的作战效能。本发明解决了水下无人集群编队中节点的重要性识别问题。

技术领域

本发明属于水下无人航行器技术领域，具体涉及一种水下移动集群编队关键节点识别方法。

背景技术

水下无人集群是指由多个具有一定自主决策能力、彼此之间存在指挥控制和通信关系，且共同承担给定使命任务的水下无人平台所构成的群组。在水下作战中，应用水下无人集群可增大水下侦察搜索范围，提高反应速度与协同效果，且不易被发现，对于实现装备技术跨越式发展有重要意义。水下无人集群的应用包括情报、监视、侦察任务，用作高效的反水雷系统以及监视敌方潜艇动态进行反潜战。

如何有效的对水下无人集群编队进行打击，将成为战争中不得不考虑的问题。水下无人集群编队，可以将其看作为一种群体协同智能，是具有简单智能的个体通过相互协作和组织表现出群体智能行为的特性，具有天然的分布式和自组织特征。因为，通过将群体智能行为引入水下无人集群编队，可以有效识别集群中的关键节点，有利于以最小的代价破坏敌方集群编队。

发明内容

为了克服现有技术的不足，本发明提供了一种基于群体智能的水下无人集群编队关键节点识别方法，通过引入群体智能行为对水下移动编队的轨迹进行分析，再通过结构熵方法，得到该编队对中各节点信息的重要程度。首先，通过探测，发现并得到某多无人水下航行器UUV移动编队的连续移动轨迹；然后通过轨迹分析，引入群体智能行为，建立出多UUV移动编队的网络拓扑结构；最后，对建立的网络拓扑图采用结构熵算法进行节点信息重要程度计算，得到编队中的关键节点。只需要对关键节点进行打击，就可以最大限度的破环该节点的作战效能。本发明解决了水下无人集群编队中节点的重要性识别问题。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：构建水下无人集群编队的网络拓扑结构；

步骤1-1：确立各UUV间的领导跟随关系；

水下无人集群编队包括多个无人水下航行器UUV；探测到水下无人集群编队后，对其进行跟踪并获取编队中每个UUV的时空轨迹函数；

将获取到的所有UUV的时空轨迹函数进行成对分析，建立成对UUV间的行为相关函数，对编队中的每个UUV与其他UUV的时空轨迹函数进行相关分析，定义：

其中，是UUVi在t时刻的归一化速度，是UUVj在t+τ时刻的归一化速度；τ为变量，表示延迟时间；·为内积运算符号；表示t时刻UUVj跟随 UUVi在延迟时间τ下的行为相关性系数；C_ij(τ)表示延迟时间τ下UUVj跟随UUVi 的平均行为相关性系数；

设置阈值C_min，当存在任一τ值，使得C_ij(τ)＞C_min时，判定UUVj和UUVi间存在直接或间接的领导-跟随关系；

在不同的延迟时间τ下，将max C_ij(τ)对应的延迟时间τ确定为UUVj和UUVi间的相关方向延迟时间，用表示；当为正值，则表示UUVi的航行速度方向领先于 UUVj，即UUVi为领航UUV，UUVj为跟随UUV；若为负值，表示UUVj的航行速度方向领先于UUVi，即UUVj为领航UUV，UUVi为跟随UUV；

步骤1-2：水下无人集群编队的网络结构重建；