[发明专利]一种基于量子鸽群优化的无人机自主空中加油目标检测方法

摘要

本发明是一种基于量子鸽群优化的无人机自主空中加油目标检测方法，其实施步骤为：步骤一：获取处理图像；步骤二：初始化量子鸽群优化算法参数；步骤三：设计代价函数；步骤四：利用量子鸽群优化算法的地图罗盘算子进行寻优；步骤五：利用量子鸽群优化算法的地标算子进行寻优；步骤六：储存结果并验证。该方法可以对无人机的标志点进行准确地检测，为空中加油的实现提供有效的保障。

主权项

一种基于量子鸽群优化的无人机自主空中加油目标检测方法，其特征在于：该方法的步骤如下：步骤一：获取处理图像用相机，获取无人机的相关图像；步骤二：初始化量子鸽群优化算法参数(1)初始化优化参数维数D用群体智能算法在二维灰度图像中寻找目标区域，所以D为2；(2)初始化收缩扩张系数ω(t)的参数初始化收缩扩张系数ω(t)的最大值ω_max和最小值ω_min，这两个值的确定影响控制算法的收敛速度；(3)初始化种群数量N_p群智能优化算法的种群数量N_p对优化效果影响很大，选择一个适当的种群数量，保证算法的准确性和快速性；(4)初始化种群位置和速度在搜索空间没设定群体的位置上限P_max和位置下限P_min，以及速度上限V_max和速度下限V_min；给种群中的每个粒子都初始化一个初始的位置X_i和初始的速度V_i；$\{\begin{array}{c}{X}_i=P_{\min }+rand\·\left(P_{\max }-P_{\min }\right)\\ V_i=V_{\min }+rand\·\left(V_{\max }-V_{\min }\right)\end{array}---\left(9\right)$(5)设置算法代数鸽群优化算法有两个算子，分别是地图罗盘算子和地标算子，算法运算前需要分别设定两个算法运行的最大代数NC_1max和NC_2max；步骤三：设计代价函数代价函数的确定是智能优化算法的核心，决定目标检测的准确性；采用最简单有效的累加计数方法，判断整幅图像中的各分区域的像素值与目标图像像素的大小关系，然后累加计数，得到在整幅图像中得到最优的区域；步骤四：利用QPIO地图罗盘算子进行寻优利用初始化的群体位置和速度，根据初始的个体的代价函数值选取全局最优位置X_g；根据公式$m_{best}(t+1)=\frac{1}{N_p}\underset{i=1}{\overset{N_p}{\Σ}}{P}_i\left(t\right)---\left(1\right)$P_iP_g(t+1)＝f(t+1)×P_i(t)+(1‑f(t+1))×P_g(t)  (2)$\mathrm{\ω}\left(t\right)={\mathrm{\ω}}_{max}-({\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min })\×\frac{t}{t_{max}}---\left(3\right)$如果f(t+1)≥0.5，那么$X_i(t+1)=P_i{P}_g+\mathrm{\ω}(t+1)\×|m_{best}(t+1)-X_i\left(t\right)|\×\ln \frac{1}{u(t+1)}---\left(4\right)$如果f(t+1)＜0.5，那么$X_i(t+1)=P_i{P}_g-\mathrm{\ω}(t+1)\×|m_{best}(t+1)-X_i\left(t\right)|\×\ln \frac{1}{u(t+1)}---\left(5\right)$更新每个个体的位置X_i，计算新生成鸽子的代价函数值，如果新鸽子的代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局最优位置X_g；反复应用地图罗盘算子进行寻优，直到运行代数大于地图罗盘算子最大代数NC_1max时停止；公式中，m_best(t+1)为t+1代所有鸽子最佳位置的平均值，P_i(t)、P_g(t)分别为第i只鸽子的最优位置和所有鸽子的全局最优位置，P_iP_g(t+1)为鸽子个体最优值P_i(t)和群体全局最优值P_g(t)之间的随机点，ω(t)为收缩扩张系数，调节它的值能控制算法的收敛速度，较大的ω(t)有利于算法跳出局部最优值，而较小的ω(t)有利于算法的收敛，f(t+1)、u(t+1)是一个从0到1之间随机产生的一个随机数；步骤五：利用QPIO地标算子进行寻优利用地图罗盘算子寻优的结果作为地标算子的初始群体，根据公式$\left(N_p\right(t)=\frac{N_p(t-1)}{2}---\left(6\right)$$X_c\left(t\right)=\frac{{\mathrm{\ΣX}}_i\left(t\right)\·fitness\left(X_i\left(t\right)\right)}{N_p\·\mathrm{\Σ}fitness\left(X_i\left(t\right)\right)}---\left(7\right)$X_i(t)＝X_i(t‑1)+rand·(X_c(t)‑X_i(t‑1))  (8)更新每个个体的速度V_i和位置X_i，计算新生成鸽子的代价函数值，如果新鸽子的代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局最优位置X_g；根据公式(6)计算新种群的群体数量，根据公式(6)计算的结果舍弃群体中代价函数较小的一部分个体，选择当前群体中较优的群体作为保留群体进行下一轮寻优，反复应用地标算子进行寻优，直到运行代数大于地标算子最大代数NC_2max时停止；公式中，N_p为鸽群的数目，fitness是鸽子位置信息的代价函数，为了求得代价函数的最小值，取f_min作为目标函数，X_c是鸽群的加权位置中心；步骤六：储存结果并验证地标算子优化的结果被视为最终的目标检测结果，将此结果保存，并保存下寻优过程的进化曲线。