一种多目标持续侦察场景下飞行自组网的拓扑管理方法

技术领域

本发明涉及侦察场景下的飞行自组网技术领域，特别是涉及一种多目标持续侦察场景下飞行自组网的拓扑管理方法。

背景技术

近年来，小型无人机技术的进步，促使了无人机集群技术在军事、工业、民用等领域的应用范围愈发广阔。相比于能够独自构成系统，功能相对全面的大型无人机而言，小型无人机为了实现轻量化的目标，通常在功能上有所缩水。它们的优势在于能够相互协同，构成自组织网络来高效完成复杂任务。目前，由多个无人机相互协作构成的飞行自组网(Flying Ad-hoc Network，FANET)已经在军事侦察、紧急救援等场景得到了普遍的应用。

当前飞行自组网的实现普遍基于粒子群算法(Particle Swarm Optimization，PSO)。粒子群算法是由J.Kennedy和R.Eberhart在1995年提出的一种启发式搜索算法。它是一种模拟自然界中生物活动和蜂群智能的随机搜索算法。其核心思想是利用群体中个体的信息共享来引导群体在问题解决空间的运动。在从无序到有序的演变过程中，得到一个可行的问题解决方案。除了考虑模拟生物体的群体活动外，它还是一种整合了个体认知和社会影响的群集智能算法。

基本的粒子群优化算法与其他进化计算算法类似，也是基于种群迭代的算法。因此，该算法将低效率地计算并通过所需的评估函数的数量来衡量。此外，虽然粒子群优化算法最主要的优势之一是其快速的收敛性，但是如果一个早熟的解是局部最优解，这个种群在没有其他约束下很容易陷入搜索停滞，也称之为早熟收敛。因此，粒子群算法并不适用于解决拥有其他约束条件的优化问题。

发明内容

本发明所要解决的技术问题是提供一种多目标持续侦察场景下飞行自组网的拓扑管理方法，能够将有约束问题转化为一个无约束问题，以便于问题的解决。

本发明解决其技术问题所采用的技术方案是：提供一种多目标持续侦察场景下飞行自组网的拓扑管理方法，包括以下步骤：

(1)以网络连通性和飞行自组网威胁值的加权和最大为目标构建拓扑管理模型，并设定所述拓扑管理模型的约束条件；

(2)使用拉格朗日乘法和KKT方法将所述拓扑管理模型转化为无约束的问题；

(3)采用飞行自组网动态威胁避免与持续侦察算法对所述拓扑管理模型进行求解，实现对飞行自组网中各个节点的规划。

所述步骤(1)中的拓扑管理模型的目标函数为

所述步骤(2)中所述拓扑管理模型被转化为：

所述步骤(3)具体为：

采用粒子群算法构建初始飞行自组网；

将所述初始飞行自组网抽象为参考图，所述参考图中包含有节点集和边集；

获取当前时刻飞行自组网的控制中心的位置和各侦察目标的位置，以及当前时刻场景中的威胁概率密度分布，并结合所述参考图中的边集，确定边的插入量、边的删除量、边长总量的变化量以及威胁编辑距离；

对所述边的插入量、边的删除量、边长总量的变化量以及威胁编辑距离进行加权求和，得到总编辑距离；

当总编辑距离小于阈值时，每个节点自适应地调整其速度，以优化侦察和通信性能；当总编辑距离大于阈值时，采用粒子群算法对飞行自组网中的节点进行优化

所述边的插入量通过d

所述边的删除量通过d

所述边长总量的变化量通过

所述威胁编辑距离通过

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明针对多约束问题求解的复杂性，通过拉格朗日乘法和Karush-Kuhn-Tucker(KKT)方法将有约束问题转化为一个无约束问题，以便于问题的解决。本发明还设计并实现了总编辑距离(Total Edit Distance,TED)，解决了飞行自组网的网络拓扑和场景威胁变动的量化问题。并在量化的基础上对粒子群算法进行轻量化的修改，实现了飞行自组网的半分布式控制，将只在控制中心节点的计算分配到了多个节点进行完成，降低了中心节点的计算压力，延长了网络的预估寿命。

附图说明

图1是本发明实施方式的多目标持续侦察场景下飞行自组网的拓扑管理方法流程图；

图2是本实施方式中场景的威胁密度分布示意图；

图3是飞行自组网在迭代过程中不同算法的无人机平均威胁值的对比图；

图4是四种算法在多轮重复实验的平均执行时间的对比图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种多目标持续侦察场景下飞行自组网的拓扑管理方法，该方法针对多约束问题求解的复杂性，通过拉格朗日乘法和KKT方法将有约束问题转化为一个无约束问题，以便于问题的解决。同时本实施方式还设计并实现了总编辑距离，解决了飞行自组网的网络拓扑和场景威胁变动的量化问题。并在量化的基础上对粒子群算法进行轻量化的修改，实现了飞行自组网的半分布式控制，将只在控制中心节点的计算分配到了多个节点进行完成，降低了中心节点的计算压力，延长了网络的预估寿命。如图1所示，具体包括以下：

通信是FANET中无人机之间相互协作的保证。只有当FANET连通时，无人机之间才能互相发送数据。定义网络连通度为所有活动链路质量的平均值，并以活动链路的长度作为衡量其质量的标准：

其中，P为所有活动链路的集合，X

此外，如今各种干扰和劫持功能被整合到各种移动反侦察设备中，威胁着无人机的安全。无人机的安全得到保障是它们协作完成复杂的任务的前提。因此，定义了时变的威胁密度分布对场景进行模拟。如图2所示，图中灰色部分越深的区域表示其威胁程度越高，定义FANET威胁度量函数为：

其中，

考虑到以上两个方面，将整体性能函数定义为网络连通性和FANET威胁度量的加权和：

其中，w

其中r

然而，粒子群算法适用于解决无约束优化问题，但对于存在较多约束的公式(5)效果并不理想。因此，本实施方式使用了拉格朗日乘法和KKT方法来将有约束问题转化为无约束的问题。重新表述的问题可以表述为：

ζ

为了量化不同时刻FANET网络拓扑的变动和场景威胁的变化，本实施方式设计了总编辑距离(TotalEditDistance,TED)的计算方法。基本理念是避免频繁的路由更新和迭代，以减少计算开销，最大程度地保持整体效率。为此，网络的控制中心将根据TED的计算结果来决定是否发送执行整体协调的控制指令。若各个无人机未接收到该控制指令，则令各节点根据其邻域信息进行分布式的自适应调整。

本实施方式把FANET网络抽象为一个图

d

d

其中，σ(τ)表示当前时刻τ的飞行自组网抽象成的图的边集，σ(t)表示在时刻t的飞行自组网抽象成的图的边集。

更重要的是，由于FANET中的无人机高机动性的特点，必须特别注意边的长度变化。考虑到两个节点之间的边长与它们的通信性能密切相关，最佳路由路径可能在不同的时间段有所不同。因此，在不同的时间步长之间，边长的总量会发生变化：

其中，||x

最后，定义了威胁编辑距离以衡量场景中的威胁密度分布在不同时间的变化。在持续侦察的过程中，获取全局信息是很费力的，也是不现实的。此外，FANET中的每架无人机只受到有限区域的威胁。因此，威胁编辑距离被定义为每个无人机的威胁值在两个时刻的平均变化，即：

其中，

最后，总编辑距离为：

其中，w

当TED的取值较大，意味着FANET网络结构发生变化较大，或者区域威胁密度分布变化较大。这种情况需要进行集中调度来调整FANET网络。如果TED的值在一个合理的范围内，可以让每个无人机自适应地调整其速度，以优化侦察和通信性能。因此，本实施方式开发了飞行自组网动态威胁避免与持续侦察(Dynamic threat avoidance&continuousreconnaissance FANET operation，TA&CRFO)算法，以一种简单的方式实现动态的持久监视。

无人机速度更新公式为：

其中，

无人机位置更新公式为：

x

在每个时间段，高空无人机将决定是否向所有低空无人机发出指令.如果低空无人机收到这些指令，它们将根据指令进行相应的调整。否则，它们会继续使用邻域信息以达成自适应的位置优化。

为验证算法的有效性，对比了RWP、PSO、TARFC和TA&CRFO四种算法的无人机平均威胁值和算法的时间复杂度。

图3是不同无人机数量n所构成的无人机群中，四种算法仿真过程中无人机的平均威胁值的变动情况。图3中四条曲线代表四种不同的算法。图3中显示了无人机数量分别为10、14和18的FANET威胁度量，以此来说明四种算法在无人机平均威胁值方面的表现及无人机的平均威胁值随无人机数量的变化趋势。图4给出了四种算法在多轮重复实验的平均执行时间。