基于自适应变异遗传算法的多无人机航迹协同_张劼.pdf

收稿日期：2021-09-01修回日期：2021-11-07基金项目：国家自然科学基金（51665027）；甘肃省自然科学基金（20JR5RA406）；甘肃省高等学校创新能力提升基金资助项目（2019B-059）作者简介：张劼（1974-），男，吉林白城人，博士后，高级工程师，副教授。研究方向：智能传感器与传感器网络，故障预测与健康管理，远程故障诊断。*摘要：为了降低多无人机协同的威胁代价，提高无人机群的环境生存率和任务成功率，以多无人任务机和无人支援机航迹协同为研究对象，描述时间与空间协同叠加、航程与威胁变量决策寻优的多无人机航迹协同实现过程。考虑任务航程与任务威胁的综合影响，提出多无人机航迹分段时序协同方法与协同模型。引入航程与威胁决策变量定义航迹代价协同函数，并构建基于近点与远点决策变量的协同函数模型，通过优化决策变量，实现多无人机最小航迹代价的路径寻优过程。为了满足航迹协同的实时性需求，提出利用自适应交叉率和变异率相结合的自适应变异遗传算法模型，实现航迹寻优过程的快速求解。通过半物理仿真试验，验证基于决策变量与改进遗传算法的多无人机航迹协同模型的有效性和实时性，可指导实际系统的构建与实现。关键词：多无人机；时序协同；航迹协同；变量决策；自适应变异算法中图分类号：TJ85；TP181文献标识码：ADOI：10.3969/j.issn.1002-0640.2022.11.004引用格式：张劼，李宁洲，张晓娟，等.基于自适应变异遗传算法的多无人机航迹协同 J.火力与指挥控制，2022，47（11）：18-23.基于自适应变异遗传算法的多无人机航迹协同*张劼1，李宁洲2，张晓娟1，卫晓娟2（1.西京学院理学院，西安710123；2.上海应用技术大学，上海201418）Multi-UAV Track Coordination Based onAdaptive Mutation Genetic AlgorithmZHANG Jie1，LI Ningzhou2，ZHANG Xiaojuan1，WEI Xiaojuan2（1.College of Science，Xijing University，Xi an 710123，China；2.Shanghai Institute of Technology，Shanghai 201418，China）Abstract：In order to reduce the threat cost of multi-UAV coordination and to improve theenvironment survival rate and mission success rate of UAV fleet，a track coordination of multi UAV andUAV support helicopter is studied.Multi-UAV track coordination realization process including the timeand space coordination overlaying，flight path and threat variable decision-making optimization isdescribed，range and threat variables decision optimization.The combined effect of mission flight pathand mission threat is considered，multi-UAV track segmentation time sequence coordination methodand coordination model are proposed.Flight path and threat decision-making variables are introducedto define the track cost coordination function，and the coordination function model based on near-pointand far-point decision-making variables is established，by optimizing decision variables，the Pathoptimization process of multi-UAV with minimum track cost is realized.In order to meet the real-timerequirement of track coordination，an adaptive mutation genetic algorithm model combining adaptivecrossover rate and mutation rate is proposed to solve the track optimization process quickly.Finally，theeffectiveness and real-time of the multi-UAV flight path coordination model based on decision-makingvariables and improved genetic algorithm are verified by semi-physical simulation experiment，whichcan guide the construction and implementation of the actual system.文章编号：1002-0640（2022）11-0018-06Vol.47，No.11Nov，2022火 力 与 指 挥 控 制Fire Control&Command Control第 47 卷第 11 期2022 年 11 月18（总第 47-）0引言多无人机协同是复杂目标探测、精确目标跟踪、长时区域巡航和准确目标打击的主要任务环境。多无人机协同执行任务主要采用数量冗余与任务配置方式实现任务需求互补，其中，多无人任务机与无人支援机航迹协同是目前任务需求的主要体现方式。无人支援机能够在威胁区域外与无人任务机混合编队，对威胁区内雷达进行有针对性的干扰，帮助无人任务机获取最短航迹和最长留空时间，并安全到达目标区域，从而充分发挥无人支援机和无人任务机的协同优势。如何降低多无人机协同的威胁代价，提高无人机群的环境生存率，同时实现有效的留空时间进而提升任务成功率，是航迹协同模型设计的重点内容。目前，有学者提出相关的航迹协同算法，文献 1-3 基于 Voronoi 图开展对无人机群的最优航迹协同与规划的研究；文献 4-5 基于 PRM 概率路标图的层次分解探索多无人机航迹预先规划问题；文献 6-9 综合利用狼群算法、模糊识别解决复杂地形、多航迹威胁和短航迹等问题的航迹协同问题；文献 10-11 考虑无人机自身性能、任务要求和规划环境与约束条件提出优化 A-Star 算法。但大多算法基于无干扰条件的前提并局限在特定场合下的有限模型，无法实现多无人机多航段协同任务的整体航迹协同，并且文献中很少考虑在电子干扰支援机协同下提高多无人任务机航迹协同任务效能的问题。多无人机任务协同必须将路径规划、航迹协同进行综合考虑，从而生成最优航迹协同的任务需求。本文综合多无人任务机与支援机的时序协同、航程与威胁代价、航迹决策变量等因素，研究在无人支援机支援的情况下，对执行任务的多个无人机进行最优航迹协同规划的问题；并利用自适应交叉率和变异率相结合的自适应变异遗传算法，协调各无人机快速寻优航迹路径，解决航迹协同的实时性与有效性问题；最后，通过半物理仿真试验验证了本文方法与模型设计的有效性和可行性。本文有 3点创新：1）考虑任务航程与任务威胁的综合作用，提出多无人机航迹分段时序协同模型；2）引入航程与威胁决策变量定义航迹代价协同函数，在设计近点与远点决策变量基础上，实现多无人机最小航迹代价的路径寻优；3）提出利用自适应交叉率和变异率相结合的自适应变异遗传算法模型，实现了航迹寻优过程的快速求解。1多无人机航迹协同问题描述设由无人任务机和无人支援机组成的 M 个无人机实施同一个目标任务，为保证无人任务机和支援机能够协同到达各自的任务目标点，规避雷达照射威胁，提高生存率和任务成功率，进而增加留空时间。多无人机航迹协同为每个无人机规划一条航迹，生成的航迹对于整个无人机群是最优路径群，但对于单个无人机则存在航程的代价损失。多无人机协同规划时，首先，要综合考虑航程和威胁决策变量的影响，不同航迹可通过调整航程和威胁权重系数来实现，航程权重系数较大表示航程在代价函数中占比较大，则航迹最优；雷达照射威胁权重系数较大表示在航程允许的条件下，尽量规避威胁，获得安全航迹。多无人机协同航迹协同需要生成多条不同的航迹，且存在时间和空间上协同的叠加要求，在时序框架内，通过航程代价和威胁代价完成无人机群任务过程的航迹寻优。2多无人机航迹协同时序模式设计目前，在多无人机时间协同上主要有 3 种方式，一是利用速度变化协同时间；二是利用速度控制与调用航迹协同综合计算协同时间，三是短航迹分段机动协同等方式12-13。本文基于第 3 种方式将时间与空间概念相结合，利用规划到达时间（sched-uled arrival time，SAT）来协调多无人机的航迹，以威胁总体代价最小的方案抵达任务目标区域，从而实现多无人机系统的时间协同，即时序协同。在时间域内，按照时序协同是多无人机航迹协同的主要方式，时序协同包含了空间协同，通过时序协同可有效发挥无人支援机的雷达干扰作用，从而保证多无人任务机具有最小的雷达被探测概率和可接受的任务留空时间。为了有效地进行时序协同航迹协同，各无人机之间通过空地、空空通讯进行信息交换与共享，优化时间协同算法模型，获取最小协同代价。Key words：multi-UAV；time sequence coordination；track coordination；variables decision-making；adaptive mutation algorithmCitation format：ZHANG J，LI N Z，ZHANG X J，et al.Multi-UAV track coordination based onadaptive mutation genetic algorithm J.Fire Control&Command Control，2022，47（11）：18-23.张劼，等：基于自适应变异遗传算法的多无人机航迹协同191873（总第 47-）火 力 与 指 挥 控 制2022 年第 11 期设航迹协同到达时间 t 为时间协同变量，以时间域 TS作为协同空间，并严格按照 t 来确定飞行路径和飞行速度，协同变量的算法模型必须满足协同航迹协同的要求。定义 yia为第 i 架无人机的起始坐标点；yib为第i 架无人机的目标坐标点；Y 为规划航迹区域内所有坐标点集合，则有 yiaY，yibY。定义 xi为从 yia到yib的任意一条可飞行路径；Xi为所有可飞行路径集合，则有：Xi（yi）=xi|xi：yiayib。定义协同时间域 TS包含一个全航线协同变量和多个分段航线协同变量，分段航线协同变量用 ti表示。定义函数 fi：XiIRS为从可飞行航路集合 Xi到协同时间域 TS的映射。设第 i 架无人机从 yia飞行至 yib，根据 fi给出第 i架无人机的分段航线协同变量集合为：Ti（xi）=xiXi（yi）fi（xi）（1）其中，TiTS，第 i 架无人机最小分段航线协同变量为 ti*=min（Ti（yi），若航迹协同算法以及代价评估函数 已经确定，则可以确定一条可飞行路径x