一种基于改进蝠鲼觅食优化算法的无人机巡逻方法

技术领域

本发明涉及无人机巡逻方法，具体涉及一种基于改进蝠鲼觅食优化算法的无人机巡逻方法，更具体地，涉及融合了群体协同与多目标优化的蝠鲼觅食优化算法的无人机巡逻方法。

背景技术

工厂巡逻是保证设备运行状态及生产安全的重要手段，当前，以无人机巡逻为代表的新巡逻方式正逐步取代传统人工巡逻方式。

目前，无人机巡逻是利用多个无人机按照各自既定(即基于人为计划设定)的巡逻路径执行巡逻任务，存在巡逻效率低下、灵活性差的问题，例如其无法根据工厂内部环境的变化(例如设备异常、紧急事件等)动态地调整巡逻路径，再例如各自独立巡逻的无人机在巡查某设备的多点异常时，存在不同无人机对同一异常点位重复检测的情况。

发明内容

发明目的：本发明的目的是提供一种能够提升巡逻效率及灵活性的基于改进蝠鲼觅食优化算法的无人机巡逻方法。

技术方案：本发明所述的基于改进蝠鲼觅食优化算法的无人机巡逻方法，包括：

(1)无人机群中各无人机位置初始化；

(2)将无人机进行编组，每组无人机设计为领导者-跟随者结构，每组无人机通过各自的觅食策略在局部空间进行搜索；不同组无人机之间进行信息交换实现群体协同以实现更好的全局搜索效果；领导者以链式觅食策略为基础，负责在全局范围内进行搜索，以发现最优解；跟随者通过跟随领导者的移动，在局部范围内进行优化，以避免陷入局部最优解；

(3)将结合了多目标适应性权重调整、帕累托前沿维护和多目标优化的气旋觅食策略应用于无人机巡逻多目标优化问题，获取多目标优化最优巡逻策略；

(4)根据多目标优化最优巡逻策略进行巡逻路径的动态调整，直至达到终止条件；将调整完成的最优巡逻策略用于执行巡逻任务。

进一步地，步骤(1)中，首先设定工厂区域水平方向的尺寸Fac

然后在工厂区域内，为每架无人机随机分配一个初始位置，表示为二维坐标Pos

其中，x

无人机初始位置作为巡逻路径的起点。

进一步地，步骤(2)中，无人机编组时，每组无人机至少包括两架；不同组无人机进行群体协同时，任意的两组无人机之间均进行信息交换。

进一步地，假设任意的两组无人机分别为UAV_A和UAV_B，则群体协同的信息交换表示为：

其中，Lea_A表示UAV_A的领导者，Lea_B表示UAV_B的领导者，

进一步地，步骤(2)中，领导者Lea的位置更新公式为：

其中，α表示权重因子，C

进一步地，步骤(2)中，跟随者Foll的位置更新公式为：

其中，δ表示跟随速度，C

进一步地，步骤(3)中，在每次迭代中，无人机的位置更新考虑其所在位置的多目标适应性权重向量，以及其前一个位置和全局最优位置，位置更新公式为：

其中，

进一步地，通过熵权法确定多目标适应性权重w

通过计算安全隐患目标函数的方差和协方差来获得一个在不同目标之间平衡的w

将每个安全隐患目标函数的值标准化均为0，标准差为1的形式，通过下式计算：

其中，z

完成标准化计算后，计算标准化后的目标函数之间的协方差矩阵，并得到协方差矩阵的特征值和对应的特征向量，多目标适应性权重w

其中，COV表示协方差矩阵，Num

进一步地，步骤(3)中，为了保持帕累托前沿，确保算法生成一组有效的非裂解，使用Pareto支配关系和拥挤度距离来维护多个目标之间的平衡性和多样性；

Pareto支配关系用于比较无人机之间的优劣，判断一个无人机是否支配另一个无人机；支配关系是在每个目标函数上进行的，一个无人机A支配另一个无人机B，意味着在所有目标函数上，无人机A都至少不劣于无人机B，并且至少在一个目标函数上优于无人机B，可以定义为：

对于所有目标函数z，至少Pos

拥挤度距离用于度量无人机在帕累托前沿中的密度，对于每个无人机，计算其在每个安全隐患目标函数上的排序值，从小到大排序，再对每个目标函数计算无人机之间的距离，拥挤度距离CrowDist(A)计算公式为：

其中，

通过Pareto支配和拥挤度距离计算，按照其由小到大可以得到无人机在目标函数的解集

在生成的Pareto前沿排序后的无人机位置解集中，结合多目标适应性权重，引入气旋觅食策略，实现多目标优化方案，其计算公式为：

其中，S表示气旋范围，r

进一步地，步骤(4)中，动态调整无人机的巡逻路径，计算公式为：

其中，Pos

终止条件为：达到预设的最大迭代次数，或者目标函数收敛到一定阈值。

有益效果：本发明与现有技术相比，具有如下显著优点：

本发明融合了群体协同、多目标优化和MRFO算法；基于群体协同，无人机分为不同的巡逻小组，组间通过信息共享和合作，实现更好的全局搜索效果；在巡逻路径规划中引入多目标优化，考虑了巡逻频率、路径长度等多个目标，可获得最优巡逻策略；利用MRFO算法中的自适应权重因子调整策略，根据工厂内部的环境变化，动态调整优化巡逻路径。

本发明提高了巡逻效率和响应速度，具有更高的灵活性。

附图说明

图1是本申请实施例提供的无人机巡逻方法流程框图。

具体实施方式

下面结合附图对本发明做进一步说明。

如图1所示，一种基于改进蝠鲼觅食优化算法的无人机巡逻方法，包括如下的步骤：

(1)无人机群中各无人机位置初始化；

首先，设定工厂区域水平方向的尺寸Fac

然后，在工厂区域内，为每架无人机随机分配一个初始位置，表示为二维坐标Pos

其中，x

无人机初始位置作为巡逻路径的起点。

该步骤(1)将无人机的初始位置数值化，为后续步骤中的群体协同、多目标优化和自适应路径规划奠定了基础。

(2)将无人机进行编组，每组无人机设计为领导者-跟随者结构，每组无人机通过各自的觅食策略在局部空间进行搜索；不同组无人机之间进行信息交换和合作实现群体协同以实现更好的全局搜索效果；领导者以链式觅食策略为基础，负责在全局范围内进行搜索，以发现最优解；跟随者通过跟随领导者的移动，在局部范围内进行优化，以避免陷入局部最优解；

在蝠鲼觅食优化算法(MRFO)中，引入群体协同策略能够进一步增强算法的搜索能力。特别是在多群体合作的框架下，能够使无人机群更好地协同工作，优化不同的目标或任务。在群体合作中，引入多个无人机组，每组专注于解决特定的问题目标或任务。

无人机编组时，每组无人机至少包括两架，其中一个无人机个体被选为领导者，其他无人机个体作为跟随者；不同组无人机进行群体协同时，任意的两组无人机之间均进行信息交换。以10架无人机，每2架为一组，编为5组为例，第1组分别与第2至5组进行信息交互，第2组分别与第3至5组进行信息交互，第3组分别与第4至5组进行信息交互，第4组和第5组进行信息交互。

假设任意的两组无人机分别为UAV_A和UAV_B，则群体协同的信息交换表示为：

其中，Lea_A表示UAV_A的领导者，Lea_B表示UAV_B的领导者，

领导者Lea以链式觅食策略为基础，在全局空间内进行搜索，向最优位置前进，其位置更新公式为：

其中，α表示权重因子，C

跟随者Foll通过跟随领导者Lea的移动，在局部范围内进行优化，其位置更新公式为：

其中，δ表示跟随速度，C

在链式觅食策略中，权重因子α的取值影响无人机在更新位置时的移动幅度，从而影响算法在搜索空间中的探索性和局部优化能力，较小的α值可能会使无人机更加倾向于探索新的位置，而较大的α值可能会使无人机更加倾向于向最优位置靠近。

当10架无人机开始巡逻时，它们排成几排，一个接着一个，形成几条有序的线。无人机可以观察发生危险的位置并向其飞去，一个位置的危险情况越严重，该位置越好。无人机排成一列，形成一条观察链，从空中全面排查工厂的安全情况。

(3)将结合了多目标适应性权重调整、帕累托前沿维护和多目标优化的气旋觅食策略应用于无人机巡逻多目标优化问题，获取多目标优化最优巡逻策略；

对于每个无人机，引入一个多目标适应性权重向量，表示无人机对于不同目标的关注程度。该多目标适应性权重向量可以根据无人机在巡逻过程中发现问题的数量和紧急情况来设置初始权重向量。在每次迭代中，无人机的位置更新考虑其所在位置的多目标适应性权重向量，以及其前一个位置和全局最优位置，位置更新公式为：

其中，

通过熵权法确定多目标适应性权重w

计算安全隐患目标函数的方差和协方差来获得一个在不同目标之间平衡的w

其中，z

完成标准化计算后，计算标准化后的目标函数之间的协方差矩阵，并得到协方差矩阵的特征值和对应的特征向量，多目标适应性权重w

其中，COV表示协方差矩阵，Num

为了保持帕累托前沿，确保算法生成一组有效的非裂解，使用Pareto支配关系和拥挤度距离来维护多个目标之间的平衡性和多样性。

Pareto支配关系用于比较无人机之间的优劣，判断一个无人机是否支配另一个无人机；支配关系是在每个目标函数上进行的，一个无人机A支配另一个无人机B，意味着在所有目标函数上，无人机A都至少不劣于无人机B，并且至少在一个目标函数上优于无人机B，可以定义为：

对于所有目标函数z，至少Pos

拥挤度距离用于度量无人机在帕累托前沿中的密度，以维持多样性。拥挤度距离表示一个无人机在其相邻无人机之间的分布情况，距离较远的个体具有较大的拥挤度距离。对于每个无人机，计算其在每个安全隐患目标函数上的排序值，从小到大排序，再对每个目标函数计算无人机之间的距离，拥挤度距离CrowDist(A)计算公式为：

其中，

拥挤度距离CrowDist(A)越大，表示无人机周围的密度越小，保持了解集的多样性。通过计算帕累托支配关系和拥挤度距离，可以在多目标蝠鲼优化算法中维护帕累托前沿，确保获得多样性且非劣的解集。

由此，通过Pareto支配和拥挤度距离计算，按照其由小到大可以得到无人机在目标函数的解集

多目标优化改进气旋觅食。蝠鲼的第二种觅食策略是当浮游生物浓度很高时，多条蝠鲼聚集在一起，它们的尾端与头部呈螺旋状连接在一起，在旋风眼形成一个螺旋顶点，过滤后的水向上移动到表面，这样就可以吃到更多的浮游生物。本阶段的无人机巡逻策略是基于此算法描述的基础上进行多目标优化创新。

在生成的Pareto前沿排序后的无人机位置解集中，结合多目标适应性权重，引入气旋觅食策略，实现多目标优化方案，其计算公式为：

其中，S表示气旋范围，r

该策略综合了多目标适应性权重调整、帕累托前沿维护和气旋觅食的优势，提供了一种更强大的算法框架，适用于解决多目标优化问题，如无人机巡逻频率、同时发现多处安全隐患优化问题等。

(4)根据多目标优化最优巡逻策略进行巡逻路径的动态调整，直至达到终止条件；将调整完成的最优巡逻策略用于执行巡逻任务。

无人机在巡逻工厂的过程中，通过动态路径调整来适应工厂内部变化，如突发紧急事件或设备状态变化，以确保无人机的巡逻路径保持最佳状态，与此同时，通过实时监测工厂内部的变化情况(监测手段为现有技术)，根据这些变化调整无人机的巡逻路径，以便更好地响应和适应新情况，计算公式为：

其中，Pos

终止条件为预设的最大迭代次数T

本发明通过群体协同巡逻优化了蝠鲼觅食优化算法中的链式觅食策略，实现无人机之间的协同合作；通过多目标优化改进了蝠鲼觅食优化算法中的气旋觅食策略，在考虑巡逻频率、路径长度等多个目标的情况下，生成最优巡逻策略；基于群体协同、多目标优化和蝠鲼觅食优化算法的融合，提供了更加灵活和强大的MRFO算法。

本发明在相同数量无人机进行巡逻的条件下，相比传统方法，可发现不同环境和条件下的问题，并在解决复杂优化问题时获得更好的性能和效果。