基于精英学习的多蜂群海域环境自适应搜索算法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112327918A(43)申请公布日2021.02.05(21)申请号202011262338.6(22)申请日2020.11.12(71)申请人大连海事大学地址116026辽宁省大连市高新园区凌海路1号(72)发明人岳伟李超凡刘中常邹存名(74)专利代理机构大连东方专利代理有限责任公司21212代理人姜玉蓉李洪福(51)Int.Cl.G05D1/10(2006.01)权利要求书2页说明书7页附图2页(54)发明名称基于精英学习的多蜂群海域环境自适应搜索算法(57)摘要本发明公开了一种基于精英学习的多蜂群海域环境自适应搜索算法，包括：获取多个配置相同的无人机在某时刻的决策变量集合和状态向量集合，将无人机的飞行任务区域栅格化，在环境信息不足的搜索阶段，无人机自动选取一个高于当前飞行高度的区域开始搜索，当满足搜索图判断条件中的任意一个时则无人机自动降低飞行高度、开始精确搜索；当无人机的搜索模式、飞行高度发生改变时，对搜索图内的环境信息采用信息更新方法进行自主更新；采用基于精英学习的多蜂群算法对于无人机的效能函数进行优化求解，选取当前时刻中最优的蜜源，并设定为该时刻的输入序列u(k)，同时更新无人机群的状态和搜索图内的环境信息直到搜索任务结束。CN112327918ACN112327918A权利要求书1/2页1.一种基于精英学习的多蜂群海域环境自适应搜索算法，其特征在于包括：获取多个配置相同的无人机在某时刻的决策变量集合和状态向量集合，同时读取安装在无人机上的图像传感器的探测范围、虚警概率和探测概率；将无人机的飞行任务区域栅格化，设飞行任务区域中每一个栅格包含相互独立的环境信息，该环境信包括目标存在概率和环境确定度设无人机的效能函数包括目标发现收益和期望探测收益，统计多个无人机的效能函数之和；在环境信息不足的搜索阶段，无人机自动选取一个高于当前飞行高度的区域开始搜索，当满足搜索图判断条件中的任意一个时则无人机自动降低飞行高度、开始精确搜索；当无人机的搜索模式、飞行高度发生改变时，对搜索图内的环境信息采用信息更新方法进行自主更新；采用基于精英学习的多蜂群算法对于无人机的效能函数进行优化求解，其中每一架无人机采用一组蜂群求解，设蜜源的位置代表该无人机的可能解，适应度代表蜜源的质量，初始化蜜源的位置、并对蜜源进行位置更新，计算每个蜜源的适应度值；使用冒泡排序法对蜜源适应度值进行排列；选取当前时刻中最优蜜源的数量，并设定为该时刻的输入序列u(k)，同时更新无人机群的状态和搜索图内的环境信息直到搜索任务结束。2.根据权利要求1所述的方法，其特征还在于：基于搜索图判断条件、当无搜索图满足以下条件中的任意一个时则无人机自动降低飞行高度：当搜索图的环境确定度满足其中为一常数；当搜索图的目标存在概率满足即任意栅格的目标存在概况皆不为零时，此时无人机自动降低飞行高度，开始精确搜索，当无人机的搜索模式发生改变，则搜索图内的环境信息采用如下两步进行更新：当UAVs高度由hq改变至he时，环境信息的更新如下：将hq高度下所有栅格内的环境信息由单位栅格表示：其中,与为栅格(m(q),n(q))包含的单位栅格在x与y方向上坐标的集合；由单位栅格信息依次计算高度he下的所有栅格的环境信息：2CN112327918A权利要求书2/2页其中δ∈(0,1]为因子系数，a＝(me-1)·le/lunit与b＝me·le/lunit为栅格(m(e),n(e))在x方向上包含单位栅格的下限坐标与上限坐标，c＝(ne-1)·le/lunit与d＝ne·le/lunit为栅格(m(e),n(e))在y方向上包含单位栅格的下限坐标与上限坐标，s＝(le/lunit)2为栅格(m(e),n(e))所包含的单位栅格的数目；当he>hq，即UAVs上升高度时，δ＝1，单位栅格确定度的和的平均数即为改变高度后栅格的确定度；当he<hq，即UAVs下降高度时，确定度信息将会受到影响，δ∈(0,1)为一变量，具体取值应视UAV的传感器性能与下降高度的差所决定。3.根据权利要求1所述的方法，其特征还在于：选取当前时刻中最优蜜源的数量时：对蜜源计算后的适应值使用冒泡排序法，从大至小选出M个序号列入G(FES)中，其中M定义如下：其中MAX.FES为最大迭代次数，SN为蜜源数量，μ(hλ)×SN表示算法选取精英个体过程中的阈值，则最优蜜源数量μ(hλ)为：λ其中μ∈(0,1)为一固定值，h为UAV当前的飞行高度，hmin与hmax分别为UAV允许飞行的最低高度与最高高度，μ×SN为UAV在最低飞行高度hmin下精英个体的数量。3CN112327918A说明书1/7页基于精英学习的多蜂群海域环境自适应搜索算法技术领域[00