一种基于旋翼无人机的编队领导者选择算法

摘要

本发明提出了一种基于旋翼无人机的编队领导者选择算法。本发明以某架无人机为领航者为前提，并以此为基准，将多架无人机的状态转换为该算法中领航者的相对运动状态。本发明提出的方法通过线性二次调节器(LQR)算法来实现无人机的编队控制，为无人机的编队选择合适的领航者，并优化形成目标编队的时间和GA算法来解决无人机和目标编队之间的组合映射问题。

说明书

技术领域

本发明涉及基于无人机的编队领导选择算法，主要用于根据任务和不同的地形，多架无人机灵活部署，高效确定无人机编队领导者，并相应的形成满足需求的无人机编队。

背景技术

经过几十年的发展，无人机(UAV)技术逐渐完善甚至成熟。与此同时，无人机应用越来越广泛，在战场监视侦查、边境巡逻、森林火灾探测、公共安全监测等诸多军民任务中发挥着越来越重要的作用。与单架无人机相比，多无人机编队作战在大范围监视、作战距离、攻击能力等方面更具优势，执行无人机任务的成功率也更高。并且，多架无人机编队可以灵活部署，根据任务需要，根据不同的地形或任务组成不同的编队。因此，如何在有限的时间或更短的距离内高效生成无人机目标编队已引起众多研究人员的关注。

发明内容

发明目的：由于无人机(UAV)的应用越来越广泛，在许多军事和民用任务中发挥着越来越重要的作用。在无人机执行任务时，如何为无人机的编队选择合适的领导者，并最小化形成目标编队的时间成为了主要的技术问题。

技术方案：为实现上述技术效果，本发明提出的技术方案为：

基于旋翼无人机的编队领导者选择算法方法，其特征在于，包括步骤：

(1)构建系统模型(假设一个基于领导者的编队系统包括M个无人机，用集合

1)每架无人机的状态表示为：

其中，p

2)假设第l个无人机是领导者，由(1)可得，其状态用p

其中，当第l个无人机为领导者时，

3)由当前选择的领导者位置p

当领导者无人机在目标编队的位置排列为k(1≤k≤M)。其中

4)目标映射关系为：

其中N＝(M-1)！，且

5)相对运动状态为：

基于被选择的领导者无人机UAV

6)一个编队中整个系统的形成时间：

其中编队中所有跟随者的时间集合为

7)最佳领导者和最短形成时间为：

其中l表示选择不同无人机最小编队时间作为领航者的优化变量，最终，本发明将在公式(7) 最小值为

(2)基于上述领导者选择算法构建的模型，主要包括两个子问题：无人机编队控制和目标映射关系，无人机编队控制问题通过结合LQR与上述模型的方法解决，主要针对速度和位置的控制，目标编队映射问题即为解决当前跟随者和目标编队位置的一对一映射关系。

1)在领导者选择算法的第一个子问题中，LQR是基于状态空间技术设计的优化动态控制器，系统模型是以状态空间形式给出的线性系统，其目标函数是状态和控制输入的二次函数，系统状态空间的向量矩阵形式为：

其中A表示系统的状态矩阵，B表示输出矩阵，C表示输入矩阵，D表示输入的直接传递矩阵， x、y、u分别表示状态向量、输出向量和输入向量。

2)在此系统中，假设第

其中，起始状态

3)第j个跟随者的状态空间描述可以由公式(1)获得，表示为：

4)获得基于LQR算法的优化目标函数或成本函数定义为：

其中Q表示状态权重和正半定矩阵，R表示控制权重和正定矩阵。

5)LQR定义了状态反馈控制器u和状态反馈矩阵K，表示为

u＝-Kχ

将u带入之前的系统状态方程，可表示为：

然后我们通过求解Riccati方程计算反馈矩阵K的值，并设置初始状态和仿真时间间隔，用K反馈矩阵对系统进行仿真，最后，通过系统仿真，可以得到当前领导者和目标编队映射关系下各无人机的总状态和编队时间。

6)在领导者选择算法的第二个子问题中，跟随者与目标编队的映射问题的时间复杂度为O(n！)，随着无人机规模和数据的增大，通过枚举法可能会找不到最优解甚至出现组合爆炸问题，这个问题本质上是一个确定当前无人机到达目标位置的一一映射关系的NP问题，是一个序列到另一个序列的映射组合优化问题，对于此类复杂问题，遗传算法(GA)是寻找满意解的最佳工具之一。

7)将GA算法应用到本发明模型，解决方法表示一种映射关系(例如：

其中

附图说明

图1是无人机编队领导者选择算法的原理流程图。

图2是无人机相对运动状态转换过程的示意图。

图3是无人机目标编队形成过程示意图。

图4是本发明与最优解关于编队形成时间之间的对比示意图。

图5是最优解与无人机编队领导者选择算法的执行时间对比图。

具体实施方式

下面结合附图对本发明做出更进一步的说明。

图1是无人机编队领导者选择算法的原理流程图。基于LQR和GA，无人机编队领导者选择算法的主要步骤如下：

1)定义最小编队时间和领导者无人机编号；

2)判断是否当前无人机集合是否已遍历完成，若未完成，记录当前无人机的位置和宿舍，获得所有追随者的相对速度；若已完成，得到最小编队时间和对应的无人机领导者编号；

3)判断GA算法种群迭代是否结束，若未结束，获得目标编队位置，继而得到所有的追随者与编队之间的相应位置，然后根据LQR算法获得当前消耗时间与状态，并更新全局信息变量，通过GA遗传算子更新种群，进而进行下一次的种群迭代；若已结束迭代，则以下一架无人机作为领导者，回到步骤2)。

图2是相对运动状态转换过程的示意图。图2(a)表明了领导者选择算法的初始状态，图2(b)中黑色箭头表示跟随者和领导者的相对状态。

图3是无人机目标编队形成过程示意图。假设领导者是静止的，并在相对状态下生成无人机编队，图3(a)表示编队初始状态，图3(b)表示编队完成状态，图中蓝点代表目标编队，绿点代表无人机。

图4是本发明与最优解关于编队形成时间之间的对比图示。如图4所示，本发明提出的无人机领导者选择算法目标编队的形成时间与最优解接近，除了当无人机数量为8架的情况，所以本发明提出的算法可以达到近似相等的最优时间。除此之外，经过对本发明提出的算法的形成时间和其他两种场景的平均形成时间，本发明提出的算法大幅度减少了目标编队形成时间，其中LU-ave和Optimal-ave分别代表两种场景的目标编队平均形成时间。

图5是最优解与无人机编队领导者选择算法的执行时间对比图。在小数量的无人机编队的场景下，本发明提出的算法执行较慢，因为GA算法的种群规模和迭代次数的限制。但是，随着无人机数量的增加，最优解的时间复杂度会大大增加。当无人机的数量超过10，最优解便无法在MATLAB上编码运行，因为占据的内容空间过大，显而易见，本发明提出的算法可以很好的解决这一问题。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。