為了提高不確定環(huán)境下無人機(unmanned aerial vehicle,UAV)對目標(biāo)捕獲能力,進而提高多UAV協(xié)同搜索效率,提出了基于雙屬性概率圖結(jié)合改進的協(xié)同進化遺傳算法(improved co-evolutionary genetic algorithm,ICEGA)的多UAV協(xié)同目標(biāo)搜索方法。首先,根據(jù)環(huán)境的先驗信息,在原概率圖基礎(chǔ)上引入標(biāo)志位,建立基于雙屬性矩陣的待搜索環(huán)境概率模型,提高環(huán)境和目標(biāo)的信息感知準(zhǔn)確度;其次,定義UAV的飛行規(guī)則并結(jié)合目標(biāo)先驗概率圖信息,建立UAV運動模型及確定最大收益的目標(biāo)函數(shù);最后,建立分布式UAV之間的信息交互模型,運用ICEGA算法優(yōu)化產(chǎn)生最優(yōu)協(xié)同決策輸入航向角集合,在線實時滾動優(yōu)化產(chǎn)生最優(yōu)協(xié)同路徑。實驗結(jié)果表明,基于雙屬性概率圖結(jié)合ICEGA算法更能夠保證最優(yōu)路徑的產(chǎn)生,使得UAV能夠準(zhǔn)確地搜索到目標(biāo);同時,對比仿真驗證了ICEGA算法能夠提高UAV之間的協(xié)同性,保證了路徑可行性及提高了目標(biāo)搜索效率。

【文章頁數(shù)】：10 頁

【文章目錄】：
0 引言
1 搜索環(huán)境建模
    1.1 場景描述
    1.2 雙屬性概率圖模型
    1.3 雙屬性概率圖更新
2 UAV狀態(tài)建模與目標(biāo)函數(shù)
    2.1 UAV的運動模型
    2.2 目標(biāo)函數(shù)模型建立
3 協(xié)同搜索算法
    3.1 協(xié)同進化遺傳算法
    3.2 ICEGA的算法步驟
4 仿真實驗與分析
    4.1 實驗1：單屬性概率圖
    4.2 雙屬性概率圖
    4.3 新增UAV對實驗的影響
    4.4 不同算法搜索效率比較
5 結(jié)論



本文編號：3779790