一种布谷鸟搜索算法解决UAV多任务侦察决策问题的方法

摘要

本发明提供了一种布谷鸟搜索算法解决UAV多任务侦察决策问题的方法，首先建立UAV最短侦察路径规划优化目标；然后进行离散布谷鸟搜索算法初始参数设值；计算初始值适应度；判断巢主鸟是否具有监测功能；新鸟窝的产生并择优保留；是否抛弃较差鸟窝；再建立UAV侦察信息确定性指标模型和UAV多任务侦察收益模型；基本布谷鸟搜索算法初始参数设值；计算初始值适应度；新鸟窝的产生并择优保留；是否抛弃较差鸟窝；最终得到最优结果。本发明通过离散布谷鸟搜索算法和基本布谷鸟搜索算法进行求解，求解结果相较于传统算法能克服过早收敛，运行速度慢等缺点，所得结果具有可实时性。

主权项

一种布谷鸟搜索算法解决UAV多任务侦察决策问题的方法，其特征在于包括下述步骤：步骤一、将侦察任务区数量以及各个任务区的位置、面积、最小侦察收益、各任务侦察价值、无人机的总飞行时间和无人机飞行速度作为初始数据；步骤二、以遍历全部侦察任务区且飞行路径最短为优化目标，建立UAV最短侦察路径规划式中，d_ij为任务区i到任务区j的欧氏距离，(x_i,y_i)表示第i个任务区中心的位置坐标；X_ij为决策变量，当UAV先执行完任务i之后就执行任务j时值为1，否则为0；n表示任务区数量；步骤三、定义离散布谷鸟搜索算法的鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P_a，巢主鸟是智能布谷鸟的概率P_c，最大迭代次数MaxIt，应用整数编码随机生成一个m×(n+1)的初始矩阵X_m×(n+1)；步骤四、以遍历全部侦察任务区飞行路径最短为适应度函数，计算每个鸟窝的适应度，逐一比较选出最小值并记录相应的解；步骤五、随机产生服从均匀分布0～1之间的数r₁，并与概率P_c进行比较，若r₁＜p_c则证明该布谷鸟具有自主监测能力，将此解的适应度与随机选取的第j个解的适应度进行比较，若则将第i个解用第j个解替换，其中i,j＝1,2,...,m且i≠j；步骤六、通过Lévy飞行产生一个0～1之间的值l，根据l值产生新鸟窝：当l∈[0,i)时，解进行一次2‑opt扰动；当l∈[(k‑1)×i,k×i)时，解进行k次2‑opt扰动；当l∈[k×i,1)时，解通过double‑bridge进行一次大的扰动；其中，i＝1/(1+p)，p为设定的步数，k∈{2,...,p}，Lévy飞行产生值的公式为：step＝μ/(|ν|^1/β)，$\mu ~N(0,{\sigma }_{\mu }^2),\nu ~N(0,{\sigma }_{\nu }^2),{\sigma }_{\mu }={\left\{\frac{\Gamma (1+\beta )sin(\pi \beta /2)}{\Gamma [(1+\beta )/2]\beta 2^{(\beta -1)/2}}\right\}}^{1/\beta },$σ_ν＝1，Γ为标准的Gamma函数；然后，计算出新鸟窝的适应度并与之前的进行比较，若则用新的解替换，否则不变；步骤七、随机产生服从均匀分布0～1之间的数r₂，并与概率P_a进行比较，若r₂＜p_a则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前的解进行比较保留最优解；步骤八、判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤五；否则，进入下一步；步骤九、建立UAV侦察信息确定性指标模型G(t)＝G₀+G₁(1‑e^‑(βt))式中，G₀为侦察开始前UAV对任务区域已知信息，0≤G₀＜1，G₁为UAV对任务区域的信息不确定性部分，G₀+G₁＝1；β为侦察载荷对任务区域的侦察能力指数；步骤十、以侦察收益最大为优化目标，建立UAV多任务侦察收益模型$G_{max}=max(\underset{i=1}{\overset{n}{\Sigma }}{c}_i·[(1-\exp [-\left(\frac{w·v}{S_i}\right)·t_i\left]\right)\left]\right)$式中，c_i为任务区i的价值，w为UAV携带侦察载荷的扫描宽度；v为UAV的任务飞行速度，S_i第i个任务区域的面积，t_i为第i个任务区分配的侦察时间，t₁＝0；步骤十一、定义基本布谷鸟搜索算法的鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P_a，最大迭代次数MaxIt，随机生成一个m×(n‑1)的初始矩阵Y_m×(n‑1)；步骤十二、以多任务侦察收益为适应度函数，计算每个鸟群的适应度，逐一比较选出最大值并记录相应的解；步骤十三、通过Lévy飞行过程产生新的鸟窝，并将最好的鸟窝保留到下一代，鸟窝的更新公式为$x_i^{(t+1)}=x_i^{\left(t\right)}+\alpha \oplus L\left(\beta \right)~0.01\frac{\mu }{|\nu {|}^{1/\beta }}(x_j^t-x_i^t),$式中，和分表表示第t+1和第t代第i个鸟窝的位置，表示点对点乘法，α＞0为步长比例因子，0＜β≤2，计算出新鸟窝的适应度并与之前的进行比较，若则用新的解替换，否则不变；步骤十四、随机产生服从均匀分布0～1之间的数r₃，并与概率P_a进行比较，若r₃＜p_a则抛弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前的解进行比较保留最优解；步骤十五、判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤十三；否则，退出并显示最优结果。