一种基于改进人工蜂鸟算法的无人机编队阵型优化方法

技术领域

本发明涉及无人机编队阵型技术领域，具体涉及一种基于改进人工蜂鸟算法的无人机编队阵型优化方法。

背景技术

为了降低被探测到的概率，对目标进行无源侦察定位成为了十分重要的技术手段。其中，由于无人机具有灵活性强、成本低、机动快等优点，采用无人机编队对目标进行无源定位的方法已被广泛研究并应用。

无人机编队的阵型是影响无源定位精度的一个重要因素，在实际场景中，参数测量精度受无源侦察设备与实际环境影响，较难实时调整，而由于无人机的灵活性强，无人机编队阵型是易于调整更新的，因此，基于多无人机编队对目标的初步定位结果，通过调整无人机编队阵型从而对目标所在区域的定位精度进行针对性的提升是提高系统定位性能的一种有效手段。当前现有的对多无人机阵型进行优化的研究大多应用较为经典的算法，然而在优化函数模型不同的情况下，经典算法无法达到最优的估计效果，并且在无人机数量较多、优化函数维数较高的情况下，容易出现收敛速度慢、群体多样性差、陷入局部极值等多种问题。因此，寻找更优的算法，并结合实际应用场景对算法进行针对性改进，充分提高算法与模型的适应性，对无人机编队阵型进行优化、提升定位精度是一个重要的研究方向。

首先，虽然当前存在很多类似的群体智能优化算法，但大多数算法均按照迭代次数对全局探索能力与局部开发能力进行调节，因此算法往往会出现群体多样性差、容易陷入局部极值、后期收敛速度慢等缺点。其次，针对无人机编队定位阵型优化问题的研究较少，大多数采用的是较为经典的群体智能优化算法，然而由于No Free Lunch理论，当前算法缺乏以应用场景的实际问题为出发点的针对性改进，因此容易发生得到的最优解实际不符合应用场景的情况。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于改进人工蜂鸟算法的无人机编队阵型优化方法解决了在固定多无人机编队阵型情况下对一定区域内目标定位精度不足，以及其他优化算法存在收敛速度慢、长期陷入局部极值、优化后精度提升幅度较小等的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于改进人工蜂鸟算法的无人机编队阵型优化方法，包括以下步骤：

S1、利用多无人机编队对目标进行无源定位，得到目标的初步坐标估计结果；

S2、利用目标初步坐标估计结果，计算该目标位置的GDOP值，根据GDOP值划定观测区域，并在观测区域内选取K个离散的点构造优化目标函数；

S3、对人工蜂鸟算法进行改进；

S4、利用改进后的人工蜂鸟算法对优化目标函数进行求解，得到无人机编队阵型。

本发明的有益效果为：本发明给出了一种基于改进的人工蜂鸟算法的无人机编队阵型优化方法。根据无人机编队对目标初步定为得到的粗估计的结果划定目标范围，在所划定的目标范围内进行随机坐标采样，根据定位模型的GDOP函数构造适应度函数模型，再利用改进的人工蜂鸟算法对该适应度函数进行解算，得到优化后的无人机编队阵型，实现在目标区域内定位精度的提升。本发明解决了在固定多无人机编队阵型情况下对一定区域内目标定位精度不足的问题，以及其他优化算法大多存在收敛速度慢、长期陷入局部极值、优化后精度提升幅度较小等问题。本发明具有运算速度快、求解精度高、收敛性能好、适应性强等优点，可以快速、高性能地对无人机编队的阵型进行优化。

附图说明

图1为本发明的流程图。

图2为本发明步骤二中目标以及目标区域示意图。

图3为本发明步骤三中人工蜂鸟算法改进部分流程图。

图4为本发明步骤四中人工蜂鸟算法整体流程图。

图5为本发明具体实施例中无人机编队初始阵型示意图。

图6为本发明具体实施例中五个不同目标与无人机初始编队相对关系示意图。

图7为本发明具体实施例中阵型优化前目标1对应区域地平面GDOP分布图。

图8本发明具体实施例中为改进的人工蜂鸟算法迭代收敛曲线示意图。

图9为本发明具体实施例中针对目标1进行无人机编队优化后阵型示意图。

图10为本发明具体实施例阵型优化前后目标1对应区域定位地平面GDOP对比图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

本发明提供一种基于改进人工蜂鸟算法的无人机编队阵型优化方法，包括如下步骤：

步骤1：目标初步定位

利用多无人机编队对目标进行无源定位，得到目标的初步坐标估计结果。设无人机编队对采用测向交叉定位体制目标进行初步定位得到目标坐标估计值为

步骤2：划定观测区域并构造优化目标函数

利用步骤1估计得到的目标坐标初步估计结果

对于优化模型适应度函数的选取，需要其充分体现定位模型GDOP在区域S内的值，因此在区域S内对GDOP进行积分，可以得到：

然而在实际计算过程中，公式(1)的被积函数十分复杂，因此，本发明采用在S区域内随机选取K个离散的点T＝[T

步骤3：对人工蜂鸟算法进行改进

根据实际应用场景，本发明对人工蜂鸟算法进行了针对性的改进。其中碰撞检测与越界检测可以归纳为个体检测更新策略，末位淘汰机制的改进可以归纳为末位个体更新策略。

(1)碰撞检测

在多无人机阵型设计时，需要保证无人机之间不发生碰撞，即不同无人机机间间距大于所设定的最小值，因此，本发明首先在人工蜂鸟算法迭代过程中增加了个体碰撞检测机制，保证每次更新后的个体与群体内其他个体的间距大于所设门限。发生碰撞后，可对两个相撞的个体中适应度值较差的个体进行更新：

v

(2)越界检测

原算法流程中，每当个体发生位置更新，均需要对个体进行越界检测，若个体在某一维度上超出搜索范围，则会将该个体该维度的状态修正为边界值。在本发明所针对的多无人机阵型优化场景中，若无人机大量分布在观测范围边界，会对探测性能造成负面影响，因此，本发明对边界检测机制进行了改进。当越界情况发生时，可对越界个体进行修正：

v

其中，～(·)表示取反操作。

(3)反向学习策略

原算法中的末位淘汰机制所设定的触发条件需要满足最大迭代次数大于二倍种群规模，当迭代次数较少时该情况无法发生。为了进一步提高算法的种群多样性，本发明对末位个体更新方式以及末位个体更新条件进行了调整，在满足一定条件下，对中群内适应度最优的个体与末位个体采用反向学习策略生成对应的反向解，用贪心保留策略并对末位个体进行替换。

个体反向点的计算公式为：

x(iter)

个体检测更新策略以及末位个体更新策略的局部流程图如图3所示。

步骤4：利用改进的人工蜂鸟算法对优化目标函数进行求解

根据步骤2与步骤3分别得到阵型优化的目标函数与改进的人工蜂鸟算法，在步骤4中按照以下流程，利用改进的人工蜂鸟算法对优化目标函数进行求解。

(1)初始化

1)种群初始化：

假设人工蜂鸟种群个数为N，维数为D，每个个体可以表示为X

X

2)适应度值初始化

对种群进行初始化后，需要对其适应度值进行初始化，选用特定的适应度值公式对种群中每个个体的适应度值进行计算。本发明采用公式(2)评价每个个体的适应度F

3)访问表初始化

根据种群个数N，初始化访问表：

其中i,j＝1,2,…,N，i表示当前个体索引，j表示备选食物索引。

对算法进行初始化后，开始进行迭代求解。

(2)运动模型选取

在每一次迭代中，均需要对每个蜂鸟个体的运动模型向量进行随机选取。根据蜂鸟的全向运动、轴向运动以及对角运动三种运动模式，在每次迭代中为第i个体随机生成维数为1×D的运动向量Drc

1)轴向运动：

其中randi([1,D])表示在1～D中生成一个随机整数，i＝1,2,…,N。

2)全向运动：

Drc

3)对角运动：

其中P＝randperm(k)表示生成一个由1～k之间所有整数组成的随机排列向量，

(3)更新策略选取

在每次迭代中对人工蜂鸟种群进行更新遵循以下三种觅食策略，其中导向觅食策略与领地觅食策略分别对应算法的探索与开发能力，而迁徙觅食策略则对应个体的变异行为。因此在迭代中起主要作用的策略为领导觅食策略与领地觅食策略，而迁徙觅食仅在迭代满足特定条件时发生。

1)导向觅食策略

领导觅食策略模拟的是蜂鸟在觅食过程中，以食物质量最优的位置为导向，对自己的位置进行更新的觅食方式。个体根据访问表选取访问级别最高的备选食物作为目标，按照公式(12)进行位置更新。

v

其中，iter为当前迭代次数，x

2)领地觅食策略

领地觅食模拟的是蜂鸟在觅食过程中，由于当前食物已被访问过，蜂鸟对附近环境内是否有食物进行探索的局部觅食过程。个体更新公式为：

v

其中，iter为当前迭代次数，Drc

3)迁徙觅食策略

当满足所设定的条件时，算法会对群体中适应度值最差的个体x

x

生成新个体后，需要对其适应度值进行计算，保证新个体的适应度优于原个体。

(4)个体状态检测

根据步骤3中的算法改进策略，对当前个体进行碰撞检测、越界检测以及变异条件判断。

(5)访问表的更新

访问表的更新公式主要有以下三个：

VT(i,j)＝VT(i,j)+1(15)

VT(i,tar)＝0(16)

在对第i个个体进行更新后，需要对更新后的个体适应度与上一时刻的适应度值进行对比。对于导向觅食策略，当当新个体的适应度值优于上一次迭代，则对个体i进行替换，并按公式(15)、(16)、(17)的顺序更新访问表VT。

若新个体的适应度值劣于上一次迭代，则不对个体i进行替换，并按公式(15)、(16)的顺序更新访问表VT。

对于领地觅食策略，当新个体的适应度值优于上一次迭代，则对个体i进行替换，并按公式(15)、(17)的顺序更新访问表VT。由于此时第i个个体并未访问任何食物，所以不需要对食物访问级别置零。

若新个体的适应度值劣于上一次迭代，则不对个体进行替换，并按公式(15)更新访问表VT。

其中，j＝1,2,…,N表示所有备选食物索引，tar为个体i所访问的食物索引，tar∈[1,N]且tar≠j。

(5)终止条件判断

判断算法当前估计结果是否满足终止条件，若满足，则返回当前最优食物参数为无人机优化后的阵型，若不满足终止条件，则进行下一次迭代运算。

算法通常会设置两个终止条件，第一是适应度门限值，即在迭代过程中得到的最优适应度值满足指标，即可终止循环。若在运算过程中始终没有达到所设置的门限值，则设置当迭代次数达到最大迭代次数门限时，循环终止，输出历史适应度最优的个体作为最终估计值。

改进的人工蜂鸟算法整体步骤流程图如图4所示。

本发明具体实施例为：

步骤一：目标初步定位

本实施例采用的无人机编队个数为10个，无人机编队初始阵型如图5所示。飞行高度为500m，分布半径为50m，测角精度为0.1°。假设空间中在不同时刻、不同方位可能存在五个不同目标，无人机编队分别在不同时刻对五个不同方位的目标进行五次独立的定位实验。五个目标的坐标为T

根据目标坐标的初步估计结果，计算得到目标的GDOP值，因此，计算得到目标区域的3σ半径并可得到目标区域。图7为高度为0时，无人机编队阵型优化前，目标1对应的目标区域GDOP分布情况。

设定随机采样点数为100，根据公式(2)构造阵型优化目标函数。

步骤三：人工蜂鸟算法改进

根据实际应用场景，设定无人机碰撞检测门限为10m，设定末位个体更新条件为迭代次数达到10的整数倍。

步骤四：利用改进的人工蜂鸟算法对优化目标函数进行求解

设置人工蜂鸟种群规模为60，最大迭代次数100，对人工蜂鸟种群进行初始化后，对步骤二构造的目标函数进行优化求解。以目标T

根据算法结果对无人机编队阵型进行优化后，得到的无人机编队阵型如图9所示。高度为0时，无人机编队阵型优化后，目标1对应的目标区域的GDOP分布情况如图10所示。

设置蒙特卡洛实验次数为1000次，对不同目标进行多次实验并统计定位GDOP精度的提升情况，对比结果如表1所示。

表1不同目标优化前后GDOP对比

本发明解决了在固定多无人机编队阵型情况下对一定区域内目标定位精度不足的问题，以及其他优化算法大多存在收敛速度慢、长期陷入局部极值、优化后精度提升幅度较小等问题。本发明具有运算速度快、求解精度高、收敛性能好、适应性强等优点，可以快速、高性能地对无人机编队的阵型进行优化。