文摘
随着现代科学技术的发展,无人机领域也进入了高科技时代的探索。其中,任务规划、分配、路径探索,和算法优化异构多无人机技术是我们的主要关切。基于上述情况,本文提出了一种异构多无人机任务规划技术基于蚁群算法的BP神经网络。规划、研究和设计主要根据实际情况进行无人机飞行试验,并建立了数学规划模型根据无人机负荷程度和最大飞行距离约束。本文的贡献利益最大化和任务的蚁群优化算法最小化。实验结果表明,BP神经网络优化的蚁群算法可以改进的迭代次数和培训时间。与一些比较算法相比,其性能越好。
1。介绍
与科学技术的迅速发展和深入研究和神经网络技术,无人机和上述技术的结合也成为人们的关注的重要内容之一。自1971年发明第一个无人机,无人机已经应用于各行各业,如国防、军事侦察、温室气体检测、农业种植和材料运输在自然灾害1]。无人机技术的原因是广泛使用的支持领域发展主要源于它的低成本、高安全、耐久性,self-operability [2,3]。然而,在无人机使用的过程中,它将面临许多问题,其中最关键的是任务执行。我们将面临无人机的问题不能得到及时反馈指令和有效,不能优化和分配任务的路径,导致太慢运行效率。任务路径,因此,如何有效地计划分配的飞行时间,获得最好的飞行路径,和自动化任务执行的任务规划过程中是无人机技术的发展和优化的关键(4]。
目前,无人机的使用,当真正的环境和主要任务是复杂的,很难并高效地完成既定的任务,只有一个无人机(5,6]。因此,使用最广泛的是多无人机模式。任务中的多个无人机需要有效地合作完成既定的任务。其中,由于“无人驾驶”无人机的非均质特性,如果没有合理的任务计划在一个给定的任务,它将无法充分发挥的优势集中多个无人机的任务。同时,多个无人机在同一时空的相互干涉维度可能导致最初使命的失败(7]。基于上述情况,我们需要关注异构多无人机任务规划。异构多无人机任务规划包括两个方面:任务分配和路径规划8]。目前,多个无人机的任务分配问题主要集中在任务分配模型和算法9]。对于前者,主要在多无人机系统,根据给定任务的约束,满足任务要求和条件的基础上,进一步优化了一些目标,如缩短任务时间和减少燃料消耗。在此基础上,从建模的角度来看问题,经典的编程模型涉及包括作业车间调度问题(10- - - - - -12]。从问题的角度研究类型,它包括多个无人机合作完成一项任务,联合攻击一个目标,多无人机合作完成多个任务,也就是说,异构的无人机攻击多个目标,等等13]。例如,其他人则研究了动态分配合作决策和强耦合的分布式无人机自主控制;模型包括严格限制的时间和任务优先级的约束14]。一些研究人员建立了一个multibase车辆路径与多约束数学规划模型多任务协同分配的问题(15]。求解模型,首先,分支定界法等具体的算法(16提出了]。然而,模型的复杂性和需要改进的高效、快速的解决方案,更有效的启发式算法提出了求解这类问题,如遗传算法(2),粒子群优化(17),和蚁群算法18,19]。蚁群优化算法是一种新型的模拟进化算法。它最初是应用在旅游领域的业务和企业可以解决主要问题。然后,它用于解决作业问题,调度问题,图着色问题,路由问题,等等。上面的应用程序可以证明蚁群算法迭代性能,具有较强的收敛性能和广泛的实用性能。不同的进化算法逐步提出解决一些问题在无人机领域的技术。例如,其他同声传译生物多目标搜索算法20.)提出了异构多无人机任务分配模型与不同传感器的能力。
异构多无人机的设计、路径规划等问题需要进一步研究。最后的结果或目标是生成一个特定的点对点的路径。因为无人机在太空执行任务的同时,计划路径结果还不需要碰撞。在多无人机任务规划,不同的路径规划方案需要考虑任务分配。因此,路径规划问题是建设过程中的任务分配模型。多个无人机的任务分配和路径规划研究与不同的作战能力和资源的限制,这就增加了任务计划的复杂性研究[21]。为了更好地实现任务分配和路径规划,我们需要添加随机速度测试的研究模型并引入时间窗口(22]。在这项研究之前,我们探索了其他学者的研究无人机连续任务。方面的解决方法或路径规划算法,它主要包括基于抽样方法,启发式方法,基于搜索方法,计算学习的神经网络算法。在多个无人机路径规划的研究,研究人员提出了一个算法以决策树的形式(4]。Elhousari等人使用一种新方法来解决模型和测试算法的优化程度基于多个数据集(23]。一个算法,解决了多无人机的任务路径规划问题提出了在24]。因此,深化研究异构多无人机任务规划,提出了进化算法和神经网络算法来解决更实际的问题多无人机在单个任务或多个任务的合作。然而,研究基于进化算法和神经网络的任务是更少。因此,为了构建和有效地解决一个更实际的异构无人机任务分配和路径规划模型,本研究探讨了任务驱动的基于蚁群算法的神经网络,包括模型结构,优化算法,模拟训练实验。
2。异构多无人机任务规划模型
2.1。异构多无人机任务规划问题描述
在时间和空间维度方面,对于给定的环境中进行多任务处理,选择的问题,结合不同的无人机完成优秀人才最有效的组合可以被视为异构多无人机任务规划问题(25]。图1作为一个例子来展示这个问题涉及六的异构多无人机任务在不同的基地位置,“t“初代表任务类型。从“F“代表了机场与不同数量和类型的无人机,从“n”代表了禁飞区可能影响飞行的无人机由于或磁电式干扰磁场的影响,并从“l“代表了无人机的可能途径26]。
因此,异构多无人机任务规划问题类似于图1是实现整体优化异构多无人机作战系统尽可能根据不同的任务需求和资源约束,和最终的决策目标是确定战斗任务,优化作战系统,并优化作战系统,作战无人机的数量,传感器由无人机的数量,时间对于每一个无人机完成作战任务,和每个无人机的飞行路径执行作战任务(27]。
基于上面的问题描述,本研究中定义的参数如下:首先,需要国家的主要特征。多任务的集合位置表示为 ,只执行一次,无人机在不同任务的集合表示为大小 。的传感器,可用于表示为基础 ,和禁飞区的集合表示为 ,这是设置禁飞区的顶点 。无人机的最大运输距离操作表示为Du。应该注意的是,对于无人机,每个无人机可以携带多个传感器。这个最大的运输距离传感器由无人机将受到影响。这种减少是积极与传感器的重量成正比。无人机能承受的最大负载 ,数量的传感器,可用于定义为基础E年代传感器的重量 ,和最大运输距离的换算系数Du携带重量被定义为C年代。此外,任务被定义为利润Pts,主要利润完成相关任务t和传感器的数量年代由无人机。Pij从无人机任务代表了路径我到任务j,Pij代表的距离无人机的任务我到任务j,是一个常数,它表示单位距离成本,然后呢Ttsu代表的无人机携带传感器来完成这个任务。
然后,由于实际无人机任务情况或环境的复杂性,这将影响模型的复杂性:(1)无人机需要去任务位置在执行任务。(2)无人机可以保持相同的高度尽可能在飞行,无论运动路径和轨迹无人机的三维空间。(3)环境对无人机飞行的影响可以忽略。(4)无人机的飞行速度是恒定的,不会改变。(5)无人机的飞行区域是一个常规的区域,和不定期飞行区域与多个顶点的多边形。无人机的飞行路径可以表示为一个顶点序列。两个顶点之间的路径规划,不通过不飞区域沿着直线飞行,而路径穿过没有飞区是一个无效的路径。无人机的飞行路径图所示2(28]。(6)无人机遵循经典模型的运动学模型提出的杜宾,本研究可以表示为下面的公式: 在公式(1)- (3),( )代表了无人机的位置u,是无人机所假设的固定的飞行速度方程(4),是无人机飞行的过程中,代表无人机的最大课程变化率,Uu代表无人机转向输入的条件满足它的绝对值小于或等于1。此外,最小转弯半径R最小值无人机的表达如下:
2.2。异构多无人机任务规划问题的建模
异构多无人机任务规划问题,目标函数设置为两个:一是总体任务效益最大化,另一个是最小化所有任务的完成时间。总体任务收益最大化的目标,0 - 1的决策变量在模型中被定义为ytsu,ziju,f我们,分别代表是否无人机u装备的传感器年代执行任务t。当决策变量的值是1,这意味着是的;否则它意味着没有。无人机是否u从位置的任务我位置的任务j以及无人机是否u配备传感器年代,0和1表示相同的意思。根据整个系统任务效益最大化的目标,目标函数方程表示如下:
在公式(5),上半年的总收入无人机携带传感器在整个系统执行任务,下半年代表了整个系统的总成本来完成所有的任务。扣除的成本完成任务的整体营收利润函数,而目标函数方程(5)是代表整体利润最大化。
的目标是最小化总任务完成时间,被认为是0 - 1决策变量ytsu,具体定义是一样的目标函数方程(5)。因此,目标函数最小化总的任务完成时间的整个系统表示为目标函数如下:
函数方程(6)代表整体任务完成时间,需要尽可能地最小化整体任务完成时间。
接下来,任务规划的约束解释如下。
对于所有无人机u,
每个无人机配备传感器的总重量不能超过这个限制如下:
在任务期间,无人机的总飞行距离不能超过的最大飞行距离后无人机配备传感器。随着传感器的数量的增加,最大飞行距离系数的无人机将不断减少C年代,表示如下:
在此基础上,为每个无人机u,飞行距离约束表达如下:
在此基础上,为每个无人机u,飞行距离约束表达如下:在整个无人机系统,每个任务只执行一次,效果一样,从任务j到任务我,和所需的约束如下:
对于路径规划,它是必要的,以确保无人机起飞和着陆的基础:
此外,约束,每个无人机不能飞翔的禁飞区表示如下:
多无人机任务规划的决策变量是0 - 1变量;也就是说,的值只能是0或1:
基于上述情况,本文研究了任务分配,传感器加载,当多个无人机路径规划等问题有不同的执行多个任务负载和运动学特征。的目标多无人机系统的收入最大化和最小化总任务完成时间,
3所示。异构多无人机任务规划解基于蚁群算法的神经网络
3.1。解决方案基于蚁群算法的神经网络模型
神经网络优化的主要目的是基于蚁群算法的改进算法的准确性提出了模型,提高模型的解决方案可能是接近全局最优的解决方案,而不是局部最优解。针对异构多无人机任务规划模型在这项研究中,提出了反向传播(BP)神经网络算法用于这项研究。神经网络的训练主要是基于监督学习。通过不断训练,神经网络具有记忆功能和记忆能力,所以它可以更有效地迭代和优化解决方案。设计采用最陡梯度下降法,实现全局最优解的任务分配和多个无人机路径规划。神经网络的具体拓扑结构表现出图3。
具体地说,BP神经网络的学习和培训分为两个步骤:信号的正向传播和反向传播的信号。在第一步中,输入层和神经元的权重值输入层和隐层之间的隐层神经网络相结合,如公式(22),这是用作输入的隐层,隐层的输出是生成的激活函数经过隐层神经单元,如公式(23)。一般来说,隐藏层的激活函数使用一个s形的函数,可以真正的价值转化为一个值在0和1之间,这个公式表示为方程(24)。输入体重公式从隐层的神经元,它所示(25)。在输出层,实现最终的输出通过线性函数作为激活函数,如公式(26)。
根据上面的公式,我们可以得到输入层隐层的数据作为输入数据计算,最后输出数据可以获得在转换后的输出层根据激活函数。
向后传播的过程中,首先,实际输出与期望值之间的偏差绝对值计算,相对价值,或方差,并在这个过程中,不同的神经元在输入层、隐藏层和输出层由最陡梯度下降法校正,以确保偏差在合理范围或预设范围尽可能。具体来说,调整公式的权重值最陡梯度下降法是以下公式:
利用最陡梯度下降法有优势在解决异构无人机任务分配的复杂规划模型和路径规划。BP神经网络的整体架构包括输入层、隐层和输出层。乙状结肠激活函数和线性函数选择隐层和最终输出函数。此外,在视图的影响的增加隐层神经元的数目在BP神经网络训练时间和数据集的结果的准确性,神经元的数量和长度之间的权衡的时间和结果的准确性考虑,和一般30选择隐藏的神经元。具体地说,BP神经网络的训练过程异构多无人机任务分配和路径规划如图4。
虽然最陡梯度下降法用于BP神经网络比传统算法更优的达到最优解,该方法的应用将会影响算法的收敛速度和全局优化的编程模型。同时,进化算法具有效率和稳定求解全局最优解。同时,提高蚁群算法的性能的基础上,以前的研究。BP神经网络进一步优化的蚁群算法的改进算法实现。具体而言,这种方法旨在优化神经网络的参数。
优化和改进的遗传算法有相同和不同的原则和遗传算法。其基本原理大致如下:多个事务,蚂蚁寻找最优路径通过相互沟通。假设蚂蚁的数量米蚁群算法,先进行概率选择。以下公式表示蚁群从点的可能性我对点j。
在公式(29日),代表点的信息素浓度我对点j,表示路径点的期望值我对点j,和表示信息素和启发式因素的相对重要性,分别。然后,更新信息素。毕竟蚂蚁周期从起点到的所有任务,许多额外的nonimportant信息素生成,因此,信息素需要更新如下:
在公式代表旧的信息素挥发系数,一般在0和1之间,(1− )表示信息素残留。然后,为了不断迭代,训练的迭代的数量K前两个步骤是有限的,或算法错误率达到给定值时停止。图中描述的步骤的示意图5。
基于上述,规划模型在这项研究中使用蚁群算法。最后步骤如下:首先,在输入层节点的数目,隐藏层和输出层和隐层神经元的数量确定BP神经网络,并进一步计算期望值为随后的偏差计算做准备。第二个是初始化参数包括节点,信息素浓度和迭代的数量。第三,选择节点根据蚁群算法的路径选择概率和计算重量参数作为BP神经网络的参数,然后从所有蚂蚁路径集的参数选择也作为BP神经网络的参数。然后,根据神经网络参数,利用神经网络训练数据,结果对应于最小误差值作为最优值的迭代。当迭代次数达到最大数量,迭代停止,发现最优值,并更新相应的蚁群信息素矩阵。第五是计算是否达到最小误差根据输出结果。如果没有,回到第二步后处理。BP神经网络的具体步骤和蚁群算法,请参考数据4和5。
3.2。实验结果和分析,基于蚁群算法的神经网络模型解决
通过使用小型高速无人机的飞行训练数据,本文比较飞行仿真实验神经网络异构多无人机任务规划技术的蚁群算法。操作实验计算机10采用Windows系统的硬件环境。该BP神经网络采用的结构,如图3,有3个隐藏层。培养目标是0.0001,学习速率是0.01。本文还利用蚁群算法,和人口规模是总数的10.80%的数据集作为训练集,剩下的是设置为测试数据。
为了验证任务分配的有效性和异构的无人机路径规划模型,设计测试情况,包括四个异类无人机和三个传感器在这篇文章中,它有不同的特性。此外,无人机可以携带的传感器数量最多是2,和4没有飞行区域和30个任务环境中,这个实验的迭代次数设置为5000,和其他参数设置和修改根据这个实验的计算结果。有必要指出,最大的目标(1)转化为最小的双目标,并给出每个目标函数的权重50%,双对象转换成多目标进行处理。此外,为了进一步验证该算法的稳定性,10进行了重复实验。的最大偏差10双目标函数编程模型是1.4%。因此,它被认为是。实验结果如表所示1。无人机飞行的路径规划是图所示6。
在本文中,我们的名字作为ACO-BPNN该模型。为了验证提出的性能ACO-BPNN模型,我们比较该方法与GA-BPNN和摘要。美和穗青葱作为指标来评估该模型。计算结果如图所示7。
(一)
(b)
如图7(一)ACO-BPNN的美价值,GA-BPNN,摘要是4.67,6.57,和10.23,分别。GA-BPNN的美价值增加了40.7%,所提出的模型,和摘要的美价值提出模型的价格相比增加了119.6%。如图7 (b),GA-BPNN ACO-BPNN穗青葱的价值和摘要是0.050,0.086,和0.120,分别。GA-BPNN穗青葱的价值增加了72.0%,所提出的模型,和摘要的穗青葱价值提出模型的价格相比增加了140.0%。因此,从图7,该模型ACO-BPNN具有更好的性能。为了验证该模型更加直观,我们比较三种不同算法之间的迭代,如图8- - - - - -10,分别。它可以从他们提出的迭代模型是1950倍,和GA-BPNN大约是2600次,摘要是4200倍。因此,该模型的迭代速度更好。总体而言,美、穗青葱,和迭代时间,该模型更好。
ACO-BPNN等解决方案过程在很大程度上可以避免陷入局部最小值。目前,该方法已掌握足够的信息在全球层面上(解决方案),可以消除大部分的当地最低的地区。本文提出的算法由MATLAB开发的仿真平台模拟,实现算法的路径显示,人机交互控制,等等。仿真结果表明,该设计方案是有效和正确的,比传统算法更好的动态和静态性能。
摘要结合解决速度快和相对稳定的解决算法的优点,效果是最好的。此外,与其他比较方法相比,它有进一步改善的稳定性和有效性。认为优化算法可以应用于在实践中多无人机任务规划。
4所示。结论
无人机技术的快速发展,如何优化无人机飞行路线,提高缺陷的过程中无人机的任务是我们需要讨论和研究。本文主要研究了异构多无人机任务规划基于蚁群优化神经网络算法。测试成本,通过分析蚁群算法优化的神经网络可以有效的利用资源和任务计划采用一个更有效的解决方案。除了实验仿真的异构多无人机仿真环境,复杂的影响因素对实验数据分析了在实际环境中。首先,除了任务规划和设计,我们也限制了实验数据根据无人机的承载数量,传感器负载,没有飞行区域规划,最大飞行距离。本文比较了模型误差和效率比较方法和建立一个数学模型来测试它。实验结果表明,该算法可以提高整个无人机系统的运行效率,缩短整个任务的完成时间。证明了该算法可以适应异构多无人机任务规划和设计,提供对无人机设计技术的其他方面的支持。随后,异构多无人机领域进一步探索在复杂环境中达到最好的算法的效率。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有利益冲突或者人际关系可能出现影响工作报告。
确认
这项工作是由国防科学技术基金项目(项目编号2019 - jcjq jj - 015)。