英语原文共 10 页
基于遗传算法的多基多UAV协同侦察路径规划
摘要
描述协同侦察对于在日益复杂的战场环境中装载在不同基地的多个无人驾驶飞行器（UAV）的空中交通至关重要。与所有无人机从一个基地起飞的传统问题相比，本文是为了解决侦察任务，必须在不同基地的多个无人机之间进行合作。为了提高任务的可靠性，在无人机完成任务的前提下，应减少有效探测敌方雷达的停留时间。本文将最小停留时间转换为最短路径组合优化，并对航向角进行离散化。应用图论来分析路径问题，可以构建具有多种约束条件的全局模型。最后，通过遗传算法求解模型，可以生成有价值的侦察路径规划。并建立了四个基地中的8个无人机完成涉及68个目标的侦察任务的应用实例，然后得到最优解。所提出的模块化和算法的可行性和有效性。
关键词：组合优化、无人机、多基础
一、简介
目前，高科技已经经历了快速增长，现代战争和无名系统的增长趋势，无人机可以完成危险和敌对的任务而不是由人类驱动的飞机。无人机，无飞行员的飞机，可重复使用和自行推进，可由人类操作员远程控制，或具有一定程度的自主控制，以执行搜索，巡逻，攻击，交通监视，航拍图像，快递和其他军事或民事任务。在智能机器人中，无人机被重命名为空中机器人。无人机不仅可以取代飞行员完成无聊，危险和苛刻的任务，还可以减少战争的伤亡。随着无人机的快速发展和广泛的应用，无人机在空战中的作用已经从传统的侦察，情报和监视逐步扩展到通信中继，电子战和反潜战等。但是，从无人机系统发展的角度来看，各国之间，侦察仍然是无人机系统的主要作战任务之一。侦察路径规划是无人机任务规划中一个重要的研究问题。国内外已经研究了单个无人机路径规划问题已有多年，因此到目前为止已经获得了大量成熟的算法和方法。而这些丰富的研究有助于构建更强大的单一无人机系统。
由于战场环境变得越来越复杂，因此难以确保无人机完成的侦察任务的质量。对于单个无人机，其自身的燃料，重量和尺寸在限制中起重要作用，不能形成持续的粘力。由于传感器和通信设备的限制，单个无人机无法实现任务区域的多维和大规模覆盖。在实施高风险任务时，单个无人机可能因其自身故障而受到攻击或故障，从而导致任务系统的容错，特别是对于小型无人机等。美国空军科学顾问委员会明确指出，无人机操作应该分组进行，而不是在未来以单一方式进行。无人机组由不同类型的无人机组成，以配合完成合作工作和共同任务。这必将成为未来无人机战争的主要战斗形式。这不仅可以最大限度地发挥无人机的优势，还可以避免单个无人机执行任务无效或因不良后果而导致的故障。有效地改善了任务执行的效率和新任务的开发，提高了系统可靠性，提高了任务执行效果。多个无人机路径规划是多重无人机的先决条件和基础。为了提高完成任务的有效性，有必要对多个无人值守的任务进行分配。另外，它与不合理的无功能控制不可分割。合理的多无人机系统协同任务规划是多无人机协同研究的核心，涉及控制理论，操作研究，决策理论，图论，信息理论，系统理论，计算机科学，人工智能，传播理论等学术领域。在无人机，任务要求和环境因素的影响和约束下，多基础多用途联合侦察的实际任务实施，是一个极其复杂和具有挑战性的过程，其复杂性主要反映如下：
（1）任务环境的复杂性。复杂的对抗动态环境可能存在各种现有和意外的威胁，障碍，极端天气等。它无法了解或获取全球信息中的环境。
（2）无人机系统成员之间的差异。存在许多差异，例如无人机的数量，不同无人机的运动学和动力学，功能，信息协作和通信能力。
（3）任务要求的复杂性。不同的任务在目标，顺序约束，时间敏感约束和任务索引等方面有不同的要求。此外，运营目标可能存在不确定性，例如移动目标和不确定的目标参数。
（4）计算复杂性。在合作侦察路径规划的研究中，不可避免地会遇到NP问题。随着问题的大小线性增长，例如无人机数量，目标数量，解决方案空间呈指数级增长。当尺寸增加时，从这个巨大的解决方案空间找到最佳解决方案是非常困难的。
近年来，许多学者就这方面进行了研究。席尔瓦·阿兰特斯提出了一种思路，即采用启发式算法来解决无人机区域侦察目标。最近的研究重点是智能随机搜索算法，如粒子群算法，快速修剪优化算法，A *算法和改进匈牙利算法。Duan et al应用粒子的算法解决了多个目标和无人机的共同分配模型。李等人在多个无人机同时到达目标点并避免相互碰撞的情况下，使用改进的A *算法来规划多无人机飞行的原始路径。吴等人基于目标的概率密度，通过搜索图法搜索每个目标，并应用改进的匈牙利算法来分析目标收益函数。迪等人建立了一个UVAs协调目标分配的数学模型，选择目标和无人机之间的差异以及作为影响因素的战场声明。徐等人还根据剩余能力的评估设计了多个无人机的多目标数学模型。虽然这些论文研究任务分配，但他们只关注所有无人机从一个基地起飞。
根据实际情况，无人机的数量太大而无法容纳在基地。对于不同的基础，对于不同的基础进行分析和路径规划是非常必要的。本文正在进一步研究，以获得最大的运行效率，实现资源的有效利用，这些都是以前没有研究过的。该研究的结构组织如下：
1，为了更深入地了解问题 - 多基多UAV协同侦察，通过考虑目标，威胁和路线长度等图像质量建立全局模型。
2，逐步描述遗传算法的全过程，并结合复杂优化模型的优点，利用遗传算法计算出该合作侦察模型。
3，基于协同侦察模型提出了具有特定数据的应用，并使用所提出的模型和算法来计算该示例。同时，收敛分析完成。
4，给出了结论和进一步研究的方向。
最后，我们列出了本研究的支持项目。
二、M-MUCR建模的问题
2.1多基地多UAV协同侦察问题（M-MUCR）
M-MUCR问题可以通过以下方式进行说明：携带不同类型传感器的大量无人机从多个基地起飞，以完成目标群体中目标侦察的任务。有一个雷达，可以检测每个目标群体中的无人机。只要无人机进入其探测范围，就会启动雷达发出警报并搜索目标。基于对准轨道，MMUCR路径规划可以实现保持在防御雷达有效探测范围内的最短时间。从图中可以看出，我们可以将M-MUCR问题视为一个多目标规划问题，它将不同的资源分配给不同的侦察目标.M-MUCR问题有许多未知的变量和约束，因此很难用一般的数学方法来解决。实际上，完成M-MUCR问题的目的是以最低的高质量成本完成任务，这本质上是一个优化问题。在分析M-MUCR问题时，许多变量扮演着至关重要的角色，这些角色不容忽视。航向角（phi;）是形状空间中的一个重要概念，它被离散化为
然后，目标的坐标可以定义为三维坐标（VT），并在下面给出。
T是每个目标的特定二维坐标，phi;代表UAV的前导角。因此，基本坐标（VU）可以表示为伙伴。
US1代表无人机。下标是指UAV（序列号）的数量，以及不同UAV的传感器的上标点类型.phi;U0是可以任意初始化的离开航向角。
三个状态变量可用于表示UAV的形状，包括平面笛卡尔惯性坐标x和y，以及航向角phi;。运动学方程如下。
VU被定义为无人机的速度; c是操作系数的操作系数|c|le;1;意味着最小转弯半径。
2.2 M-MUCR问题建模
在本研究中，我们做出以下假设：
I、无人机可以在任务过程中存活下来，也不会失败;
II、从原始基地起飞，并将目标点（包括其他基地供应）的数量计算为航班出击;
III、无人机飞行速度均匀;
IV、目标点只受到一种炸弹袭击，没有混合攻击;
V、无人机飞行过程不考虑敌人，故障，气候，地形等因素;
VI、燃料在执行任务时非常有用。
M-MUCR任务可以称为组合优化问题。根据以上描述，在任务完成的情况下，可以建立全局模型以最小化雷达的有效检测范围中的时间。该模型如下所示。
Qi表示在雷达有效探测的领域中第i个无人机的驻留时间。如果无人机高速工作，最短的时间可以改变为最短的飞行距离。下面生成最佳模型。
(vi,vj)，i = 1,2，...，N2，j = 1,2，...，N1，针对M-MUCR问题执行优化图的有向边。是无人机在有向边缘(vi,vj)的要求下完成的任务成本。任务执行成本是指从开始时间到结束时间的长度。限制每个目标T可以通过传感器由UAV进行一次侦察。意味着无人机飞行路径是一条连续的飞行路径，实际上确保所有无人机都能连续执行分配给它们的所有任务。表示对于同一目标点，每个无人机的任务之间的时间差异，加载不同类型的传感器，不超过最小时差。约束完成任务的总持续时间少于时间。距离考虑了飞行过程中每个无人机之间的安全距离，以确保安全飞行。是二元决策变量，可以如下定义。
当变量= 1时，意味着任务可以沿有向边e =(vi,vj）完成; 相反; = 0表示没有任何东西，包括一些任务。
三、基于遗传算法的全局模型求解
遗传算法是一种启发式随机搜索算法，它模仿了查尔斯·达尔文提出的自然法则。法律是“它不是生存最强的物种，而是对变化最敏感的物种。”因为遗传算法的优良特性 它已成为解决复杂组合优化问题的有力工具。对于本文中的问题，遗传算法是在最大解空间中搜索最优可行解的最合适方法。
遗传算法的发展有几个基本阶段，如目标函数，完备函数，染色体编码和种群初始化，交叉和变异。
3.1人口初始化
M-MUCR问题是典型的多目标优化问题，因此考虑GA的优点并且GA可能是最适合解决问题的方法。
编码是GA的主要部分，不同的编码方法用于解决不同条件下的问题，如二进制编码，实数编码，格雷编码，符号编码DNA编码，二倍体编码，混合编码，矩阵编码，二维染色体编码和排名编码。与其他编码方式相比，简单且易于理解的秩编码可以为特定问题提供特定的编码方式。该编码方法不仅可以快速排列有限集内的元素，还可以利用遗传算法的优势进行快速计算。M-MUVA问题也是一个具体问题，因此我们在本文中选择秩编码。在遗传算法中，一个有代表性的基因可以改善所提出方法的类型，准确的染色体编码可以使结果更接近现实，这有助于所提出的方法具有广泛使用的价值。分析以上模型，已选择的五种基因列于下表3.1中，构成初始种群。
表3.1 基因类型和数量
|
基因类型 |
目标 |
基础 |
无人机序列号 |
任务 |
航向角 |
|
数量 |
NT |
NP |
NU |
NM |
Nф |
我们选择五种类型的基因。目标是地图中无人机应检测到的总点数; 基地是无人机着陆和起飞的地方;无人机序列号是所有无人机的数量; 任务意味着不同类型的任务，其特殊数量; 已解释的标题天使是不可或缺的因素。NT，NP，NU，NM和Nф分别代表这些染色体的数目。
3.2健身功能
效果函数是遗传算法的关键，它直接影响遗传算法的收敛速度。计算能力函数是帮助选择个体以产生更成功的一代的进步。因为后代将通过适应度函数来评估，并且结果被分成不同的程度。最佳结果可以从最合适的稳定性函数中获得。根据无人机的问题，我们已经建立了稳定性函数。
3.3复制
复制（或复制操作）是将当前组中个人拥有的更高的权限传递给下一代组，根据其可行的规则。一般而言，具有更高权限的个体将有更多机会被继承到下一代。选择个体的连续几代人在GA中发挥着重要作用。
还有许多方法可以完成繁殖。最常见的是循环选择算法，也就是算法算法，这个算法相对简单有效。已经有十多种再生算法。我们可以选择解决不同的问题。
3.4交叉
交叉是以较大的概率从初始组中选择两个个体，并交换这些所选择的两个个体中的一个或两个比特。跨代产生后代，后代继承父母的基本特征。交叉算子的设计包括两个选择：确定交叉位置以及如何进行部分基因交换。交叉是产生新个体的主要因素，它决定了遗传算法的全局搜索能力。一个交叉的例子如图3.1所示。父母A和B从随机的UAV问题的原始群体中随机选择，并且它们由表3.1中的五种类型的基因构建。通过计算交叉概率，后代可以继承父母。图中的交叉点是交叉的。一个是图3.1a中的单点交叉，另一个是图3.1b中的两点交叉。
图3.1 交叉过程 a单点交叉 b两点交叉
3.5突变
突变是在染色体中注入新基因而不是存在基因的进展。突变没有明确结果，良好的突变将使染色体更加优异，但是突变不良的结果是不可预测的。
在我们的研究中，我们应用了五种替代方法：
（1）目标突变;
（2）基因突变;
（3）无人机序列号突变;
（4）任务变异;
（5）标题角度变异。
在这项研究中，一个突变的例子如图3.2所示;图3.2中a为原始染色体。在分析中，两种典型的突变方式是内部突变和外部突变。突变是突变发生在自身内部。严格说明，它不仅仅是变形，更像是内部基因之间的变化。在图3.2b中，原始染色体中M1和P1的位置被交换，这种变异被称为内部变异。外部突变是创新的引入，突破了传统，并激发了所谓的全局搜索算法的应用。如图3.2c所示，外部突变不是在染色体位置上的明显变异，而是用于替代原
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
