一种基于改进人工蜂鸟算法的无人机编队阵型优化方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115951712A(43)申请公布日2023.04.11(21)申请号202310097224.8(22)申请日2023.02.03(71)申请人四川九洲电器集团有限责任公司地址621000四川省绵阳市科创园区九华路6号(72)发明人王梦馨蒋文王正伟刘志刚叶祥龙李云莉冀彦杰唐先慧(74)专利代理机构成都九鼎天元知识产权代理有限公司51214专利代理师钱成岑(51)Int.Cl.G05D1/10(2006.01)权利要求书3页说明书7页附图7页(54)发明名称一种基于改进人工蜂鸟算法的无人机编队阵型优化方法(57)摘要本发明公开了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。CN115951712ACN115951712A权利要求书1/3页1.一种基于改进人工蜂鸟算法的无人机编队阵型优化方法，其特征在于，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。2.根据权利要求1所述的基于改进人工蜂鸟算法的无人机编队阵型优化方法，其特征在于，所述步骤S2具体为：利用目标初步坐标估计结果计算该目标位置的GDOP值，令该目标位置的GDOP值为划定目标观测区域S为半径为R的球体，R＝3σ，在S区域内随机选取K个离散的点T＝[T1,T2,...,TK]，TK为第K个离散点，T为离散点集合，将这K个离散点的GDOP值求和，得到无人机阵型优化的目标函数为：上式中，F(x,y,z)为目标函数，k＝1,2,3…K，GDOPk为第k个离散点的GDOP值。3.根据权利要求1所述的基于改进人工蜂鸟算法的无人机编队阵型优化方法，其特征在于，所述步骤S3中的人工蜂鸟算法的改进包括增加碰撞检测、越界检测和反向学习策略；所述碰撞检测具体为：发生碰撞后，可对两个相撞的个体中适应度较差的个体进行更新，具体公式为：vi(iter+1)＝rand(1，D)·(ub‑lb)+lb上式中，vi(iter+1)为第iter+1次迭代时第i个个体的状态，iter为当前迭代次数，rand(1，D)为生成维数为1×D的均匀分布向量，D为人工蜂鸟种群维数，ub为搜索空间上界，lb为搜索空间下界；所述越界检测具体为：当越界情况发生时，可对越界个体进行修正，具体公式为：v′i(iter+1)＝vi(iter+1)·(～(Tp+Tm))+ub·Tp·(1‑2·rand(1，D))+lb·Tm·(1‑2·rand(1，D))上式中，Tp为第i个个体在第iter+1次迭代时是否超出观测上界的判断结果，Tm为第i个个体在第iter+1次迭代时是否超出观测下界的判断结果，v′i(iter+1)为第i个个体在第iter+1次迭代的状态更新值，～(·)为取反操作；所述反向学习策略具体为：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)*＝ub+lb‑x(iter)上式中，x(iter)*为第i个个体在第iter次迭代时的个体反向点，x(iter)为第i个个体2CN115951712A权利要求书2/3页在第iter次迭代时的状态。4.根据权利要求1所述的基于改进人工蜂鸟算法的无人机编队阵型优化方法，其特征在于，所述步骤S4具体为：S41、对改进后的人工蜂鸟算法进行初始化，进行迭代求解；S42、在每一次迭代中，对每个蜂鸟个体的运动模型向量进行随机选取，为第i个体随机生成维数为1×D的生成运动向量；S43、选取更新策略，并根据运动向量对个体进行更新；S44、根据选取的策略，对更新后的个体进行碰撞检测、越界检测以及变异条件判断；S45、根据检测和判断结果更新访问表；S46、判断改进后的人工蜂鸟算法通过访问表的求解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。5.根据权利要求4