一种基于多无人机安全通信的协同控制策略的制作方法
【专利摘要】本发明公开了一种基于多无人机安全通信的协同控制策略，步骤1：运用变速虚拟领导者的Olfati?saber蜂拥控制算法对无人机群组进行初步协同控制；步骤2：引入虚拟通信圆环，对每架无人机进行在线的通信功率设置，计算每个无人机节点的满足安全通信要求的期望位置；步骤3：运用优化的位置移动函数，使各无人机节点安全无碰撞地移动到步骤二中得出的期望位置上；本发明更多的研究通信是如何影响无人机群组动力学和通信拓扑的，通过新提出的虚拟通信圆环，改进的目标移动函数与已有的经典动力学蜂拥算法的结合，有效的解决了多无人机系统可能出现的信息泄漏的不安全现象，是一种描述无人机动力学和无线自组织网络关系的新思路。
【专利说明】
一种基于多无人机安全通信的协同控制策略
技术领域
[0001] 本发明属于多无人机协同控制的通信领域，具体涉及一种基于多无人机安全通信 的协同控制策略。
【背景技术】
[0002] 多无人机系统由于其个体具有自主智能性、高速度、快速变化的拓扑等特点，内部 通信网络采用移动自组织网络;现有技术中无人机的安全通信问题，只要存在两方面的缺 陷：一方面，无人机发射功率很高时，复用信道会受到干扰，这样不仅会严重干扰其他无人 机，降低节点的性能，而且还会增加无人机群组的总体发射功率，容易使信息发生泄露；另 一方面，若某些无人机的发射功率不够高，链路中的信噪比会降低，这会影响链路的连通 性，导致某些无人机不能正常通信。
[0003] 在多无人机安全通信领域，主要研究方向集中在对节点之间数据安全性和网络协 议的优化等方面;Milan Rollo等人在FIPA ACL的基础上嵌入了X-Security层处理智能体 之间的安全通信，使用接收方进行秘钥加密发送消息来保证通信数据的机密性，提供了点 对点的安全通信机制;杜君等人提出的移动自组织网络路由优化算法，该方法通过改进蚁 群算法建立信任统计模型，发现节点间安全性较高的路由路径作为数据传输路径。
[0004] 在无人机协同控制方面，主要研究集中在基于空气动力学基础的固定编队控制和 基于群体智能算法的动态编队控制。
[0005] 在自然界中，很多动物群体，诸如鸟群、鱼群、蚁群、蜂群等，常常会保持一定队形 向目标位置移动的有秩序的群体运动，这种群体行为我们称为蜂拥；自C.Reynolds.提出了 用计算机直观显示鸟群移动的三个准则之后，群体智能理论得到迅速发展，而这也是现今 蜂拥行为的启发式规则，分别是1)每个节点都向群组中心靠近;2)避免群组中节点的碰撞； 3)节点的速度趋于一致;Vicsek等人在Reynolds模型的基础上提出了改进的群体蜂拥模 型，通过提出位置匹配规则使所有个体最终以相同的速度和方向移动;Olfati-Saber将基 于动态网络方法为群体蜂拥行为建模的思想推广到多障碍物空间中的建模问题，提出的基 于虚拟领导者和α栅格的蜂拥算法不仅满足了三个蜂拥条件，而且给出了严格的数学模型 和几何图形学上的解释;把群体控制理论延伸到多无人机的协同控制领域，一个相当重要 的问题是无人机间的通信性能；因为基于感知和传递信息的自主智能体控制的无人机是通 过通信实现的。多无人机系统的通信性能，需要对无人机间距离，无线信号功率和拓扑结构 进行全面考虑，而现今蜂拥算法作为多无人机协同控制基础的研究中，主要使无人机间处 于等距的编队，对无人机间通信性能、安全通信等因素考虑较少。
【发明内容】
[0006] 本发明针对现有技术存在的不足之处，提出了一种基于多无人机安全通信的协同 控制策略;解决了通信安全问题，降低信息泄露的几率。
[0007] 本发明的目的是通过以下技术方案实现的：一种基于多无人机安全通信的协同控 制策略，包括以下几个步骤：
[0008] 步骤1:运用变速虚拟领导者的olfati-saber蜂拥控制算法对无人机群组进行初 步协同控制使整个多无人机群组达到等距的蜂拥状态；
[0009] 步骤2:引入虚拟通信圆环，其构造方法包括寻找层节点和设置通信半径，对每架 无人机进行在线的通信功率设置，计算每个无人机节点的满足安全通信要求的期望位置， 使之达成安全通信目标；
[0010] 步骤3:运用优化的位置移动函数，使各无人机节点安全无碰撞地移动到步骤二中 得出的期望位置上。
[0011] 上述的一种基于多无人机安全通信的协同控制策略，所述步骤1还包括：
[0012] 步骤1.1:设置参数，设定无人机节点数量η，无人机之间的蜂拥距离d，通信频谱带 宽W，发射功率Pit，最大迭代次数Iter_tim es.
[0013] 步骤1.2:初始化无人机，初始化无人机i在欧式空间中初始位置为pi，和无人机i 在欧式空间中初始速度为Vi ;
[0014] 步骤1.3:计算邻接矩阵aij(p)，多无人机拓扑图为带权图G，根据节点间关系建立 邻接矩阵ai」(p)，如公式(1)所述：
[0015] aij(p)=ph(| |pj-pi| |〇/ra)e[0,l],j^i (1)
[0016] 其中，？1表示节点i在欧式空间的位置，ra=| |r| |。，&1心)表示邻接矩阵两节点间 的距离，W表示除节点i之外的节点j的欧式位置、| |r| |。是指通过σ-范数转换的智能体节点 的感知范围，其中，Ph( I |pj-pi I Ισ/rcc)属于ph(z)函数；
[0017]
, ^[h,l] /^((),1).此分段函数为衡量无人机节点间距 离关系的碰撞函数；
[0018] 步骤1.4:构造集体势能函数V(p)，如公式(2)所示：
[0020]其中，| |pj-pi| |cj = da，A eiv;，Pj表示除节点i之外的节点j的欧式位置，da为蜂 拥的几何结构中两节点之间的距离，氕(Z)是成对的吸引、排斥势能，可通过公式(3)计算：
[0022] 其中：
Φ(ζ)是
一个不均勾s型函数， a，b，c为常整数，ph(z)为碰撞函数，0<a < b, ，
[0023] 步骤1.5:加入智能体群组目标的影响因素，也就是加入群组虚拟领导者γ智能体 的导航反馈项，求得每架无人机控制输入Ui，如公式(4)所示：
[0025]
是Pi和Pj连接方向上的向量εΕ(〇， 1)是σ-范数中的定量参数；
[0026] UiY = fiY (Pi，Vi，Pr，Vr) =-Cl(Pi_Pr)-C2(Vi-Vr)，Cl，C2>0
[0027] UiY是带有虚拟领导者影响的各无人机的控制输入，Vi表示无人机i在欧式空间中 的速度，Pl表示无人机i在欧式空间中位置，P」是除节点i以外的节点j的位置信息，W表示除 节点i以外的节点j的速度信息，Pr表示虚拟领导者的位置，表示虚拟领导者的速度， C1、C2 均是调节虚拟领导者影响的权重值；
[0028] 步骤1.6:判断结果，若满足无人机等距蜂拥则转到步骤1.7，否则转到步骤1.3;
[0029] 步骤1.7:通过无人机运动学公式 计算得到各无人机蜂拥时的欧式空间中 位置信息Pi;
[0030] 上述的一种基于多无人机安全通信的协同控制策略，所述步骤2还包括：
[0031] 步骤2.1:输入蜂拥状态后的Pl、叫(P)、无人机节点数量η;
[0032] 步骤2.2:运用Kmeans算法对步骤1中输入的各无人机节点初始位置Pi进行分类， 找到无人机群组的中心节点位置〇,然后找到离这个虚拟群组中心节点距离最小的无人机 节点记为m i n_num;
[0033] 步骤2 · 3:初始化集合Level_node和集合Compare_node，所述集合Level_node和集 合Compare_node中包含步骤2.2中的最小无人机节点min_num;
[0034] 步骤2.4:从leVel_n〇de中无人机节点开始遍历，判断是否都已遍历过，如果都已 经遍历执行步骤2.5，否则执行步骤2.7;
[0035] 步骤2.5:通过步骤1中输入的邻接矩阵3^(口），找到1^￥61_11〇(16集合中无人机节点 的邻接节点并存入结合Node_neibor;
[0036] 步骤2.6 :判断步骤2.5中生成的Node_neibor集合中的无人机节点是否都属于 Compare_node集合;若都已属于执行步骤2.4，否则，执行步骤2.7;
[0037] 步骤2 · 7:更新Level_node集合，把不属于Compare_node的部分存入新的Level_ node 并把 Level_node 并入 Compare_node;
[0038] 步骤2.8:判断LeVel_n〇de中所有节点的邻接点的并集是否都属于对比组 Compare_node，若都属于算法转步骤2.9，否则执行步骤2.4;
[0039] 步骤2.9:计算得到虚拟通信圆环:首先输入步骤2.7中Level_node各节点，求得各 无人机的通信半径n(t)，如公式(5)所示：
[0041 ]其中，rmax，rmin分别是无人机的可以分配的最大和最小通信半径;n = re/rn，为无人 机节点自身的通信半径和其临近无人机的最小的通信半径的比值，〇1(t)为无人机节点i距 群组中心节点位置〇的距离，α为大于0的正整数，α表示了无人机通信范围特征的权重；
[0042] 通过公式(6)求第j层虚拟通信圆环的半径
[0043] rievei_j=min(rjk)+rievei_(j-i) (6)
[0044] 其中，表示通过公式(5)求得的第j层中节点k的通信半径；
[0045] 用求点积的方法，用圆的极坐标方程求得圆环方程，如公式(7)所示：
[0046] p2-2p(acos9-bsin9)+a2+b 2-R2 = 0 (7)
[0047] 其中，p为圆环半径，（a，b)分别为中心无人机节点的坐标，
[0048] 分别输出圆环方程，level_node集合，各无人机节点位置Pi和群组中心节点位置 〇;执行步骤3;
[0049] 上述的一种基于多无人机安全通信的协同控制策略，所述步骤3还包括:步骤3.3: 输入步骤2中的结果作为步骤3中的输入参数，包括所述的Levelnode集合，所述的各无人 机节点的位置Pi、所述的min_num中心无人机节点；
[0050] 步骤:3.2:对Level_node中各无人机节点进行遍历，判断Level_node集合是否为 空，若为空执行步骤3.6，否则执行3.3。
[0051 ] 步骤3.3:计算每个1^￥61_]10(16中无人机节点与1]1；[11_11111]1中心无人机节点的距离向 量 Pi。；
[0052] 步骤3.4:通过公式(8)求得每个节点与二维空间中X坐标的角度；
[0053] cos0-点积|pi0| |2 (8)
[0054]步骤3. 5:求得每个无人机节点的与虚拟通信圆环交点，作为其期望位置 DestPosi，如公式(9)所示：
[0055] DestPosi-rievei」*[cos9+0( 1); sin9+0(2)] (9)
[0056] 步骤3.6:输出每个节点的DestP〇Sl，并作为参数输入到目标位置移动函数中，使 各无人机移动到其满足安全通信要求的期望位置上；
[0057] 步骤3.7:至此，整个算法结束。
[0058] 本发明，主要针对的是当多无人机群组通信范围的增大，也会增加数据被窃取的 不安全区域，提高信息泄露的几率。因此，本发明主要研究的是通信和多无人机群组大小、 编队形态、和群组动力学之间的。
[0059] 关系，通过对无人机编队即通信拓扑的调整来达到安全通信的目的。
[0060] 本发明改进蜂拥控制算法作为多无人机协同控制策略的基础，相比固定编队的协 同控制，提高了多无人机系统的自主性和鲁棒性。
[0061] 本发明针对多无人机安全通信问题，运用群体智能蜂拥算法研究多无人机协同控 制具有非常重要的意义。
[0062]本发明基于群体智能理论中的蜂拥控制算法，引入虚拟通信圆环控制无人机的无 线信号发射功率，调整群组的通信拓扑，最终使得无人机移动到安全通信范围内，并降低了 整个群组的通信范围。
[0063]与现有技术相比较，本发明的优点在于更多的研究通信是如何影响无人机群组动 力学和通信拓扑的，通过新提出的虚拟通信圆环，改进的目标移动函数与已有的经典动力 学蜂拥算法的结合，与现有方法使各无人机节点形成固定编队或相同间距的编队形态不同 的是，本发明使得各无人机间满足了满足安全通信距离的要求，有效的解决了多无人机系 统可能出现的信息，泄漏的不安全现象，是一种描述无人机动力学和无线自组织网络关系 的新思路。
【附图说明】
[0064]
[0065] 图1为本发明一种基于多无人机安全通信的协同控制策略的流程图。 具体实施例：
[0066] 下面结合附图详细描述本发明的【具体实施方式】，【具体实施方式】的内容不作为对 本发明的保护范围的限定。
[0067] -种基于多无人机安全通信的协同控制策略，包括以下几个步骤：
[0068] 步骤1:运用变速虚拟领导者的olfati-saber蜂拥控制算法对无人机群组进行初 步协同控制使整个多无人机群组达到等距的蜂拥状态；
[0069]步骤1.1:设置参数，设定无人机节点数量η，无人机之间的蜂拥距离d，通信频谱带 宽W，发射功率Pit，最大迭代次数Iter_times;
[0070] 步骤1.2:初始化无人机，初始化无人机i在欧式空间中初始位置?1，和无人机i在 欧式空间中初始速度Vi;
[0071] 步骤1.3:计算邻接矩阵aij(p)，多无人机拓扑图为带权图G，根据节点间关系建立 邻接矩阵ai」(p)，如公式(1)所述：
[0072] aij(p)=ph(| |pj-pi| |〇/ra)e[0,l],j^i (1)
[0073] 其中，？1表示节点i在欧式空间的位置，ra=| |r| μ，&1」(ρ)表示邻接矩阵两节点间 的距离;W表示除节点i之外的节点j的欧式位置、| |r| |。是指通过σ-范数转换的智能体节点 的感知范围，其中，Ph( I |pj-pi I Ισ/ra)属于ph(Z)函数；
[0074]
, ^[h,l] /^(0,1).此分段函数为衡量无人机节点间距 离关系的碰撞函数；
[0075]步骤1.4:构造集体势能函数V(p)，如公式(2)所示：
[0077]其中，| |pj-pi| |cj = da，，ρ」表示除节点i之外的节点j的欧式位置，da为蜂 拥的几何结构中两节点之间的距离，也(Z)是成对的吸引、排斥势能，可通过公式(3)计算：
[0079] Φ(ζ)是一 ，
个不均勾s型函数， a，b，c为常整数，ph(z)为碰撞函数，0<a<b, r
[0080]步骤1.5:加入智能体群组目标的影响因素，也就是加入群组虚拟领导者γ智能体 的导航反馈项，求得每架无人机控制输入ui，如公式(4)所示：
[0082]
是Pi和Pj连接方向上的向量εΕ(〇， 1)是σ-范数中的定量参数，
[0083] UiY = fiY (Pi，Vi，Pr，Vr) =-Cl(Pi_Pr)-C2(Vi-Vr)，Cl，C2>0
[0084] UiY是带有虚拟领导者影响的各无人机的控制输入，Vi表示无人机i在欧式空间中 的初始速度，Pl表示无人机i在欧式空间中初始位置，P』是除节点i以外的节点j的位置信息， Vj表示除i以外的j的速度信息，pr表示虚拟领导者的位置，Vr表示虚拟领导者的速度，C1、C2 均是调节虚拟领导者影响的权重值；
[0085] 步骤1.6:判断结果，若满足无人机等距蜂拥则转到步骤1.7，否则转到步骤1.3;
[0086] 步骤1.7:通过无人机运动学公式得到各无人机蜂拥时的欧式空间中 位置信息Pi;
[0087] 步骤2:引入虚拟通信圆环，其构造方法包括寻找层节点和设置通信半径，对每架 无人机进行在线的通信功率设置，计算每个无人机节点的满足安全通信要求的期望位置， 使之达成安全通信目标;在满足通信需求的情况下，把群组外侧无人机的通信范围降到最 小。
[0088]步骤2.1:输入蜂拥状态后的Ρι、&^(ρ)、无人机节点数量η;
[0089] 步骤2.2:运用Kmeans算法对步骤1中输入的各无人机节点初始位置Pl进行分类， 找到无人机群组的虚拟群组中心，然后找到离这个虚拟群组中心节点距离最小的无人机节 点记为min_num;
[0090] 步骤2 · 3:初始化集合Level_node和集合Compare_node，所述集合Level_node和集 合Compare_node中包含步骤2.2中的最小无人机节点min_num;
[0091] 步骤2.4:从leVel_n〇de中无人机节点开始遍历，判断是否都已遍历过，如果都已 经遍历执行步骤2.5，否则执行步骤2.7;
[0092] 步骤2.5:通过步骤1中输入的邻接矩阵3^(口），找到1^￥61_]1〇(16集合中无人机节点 的邻接节点并存入结合Node_neibor;
[0093] 步骤2.6 :判断步骤2.5中生成的Node_neibor集合中的无人机节点是否都属于 Compare_node集合;若都已属于执行步骤2.4，否则，执行步骤2.7;
[0094] 步骤2 · 7:更新Level_node集合，把不属于Compare_node的部分存入新的Level_ node 并把 Level_node 并入 Compare_node;
[0095] 步骤2.8 :判断Level_node中所有节点的邻接点的并集是否都属于对比组 Compare_node，若都属于算法转步骤2.9，否则执行步骤2.4;
[0096] 步骤2.9:计算得到虚拟通信圆环:首先输入步骤2.7中Level_node各节点，求得各 无人机的通信半径n(t)，如公式(5)所示：
[0098] 其中，rmax，rmin分别是无人机的可以分配的最大和最小通信半径;n = re/rn，为无人 机节点自身的通信半径和其临近无人机的最小的通信半径的比值， 〇1(t)为无人机节点i距 群组中心节点位置〇的距离，α为大于0的正整数，α表示了无人机通信范围特征的权重；
[0099] 通过公式(6)求第j层虚拟通信圆环的半径
[0100] rievei_j=min(rjk)+rievei_(j-i) (6)
[0101] 其中，rjk表示通过公式(5)求得的第j层中节点k的通信半径；
[0102] 用求点积的方法，用圆的极坐标方程求得圆环方程，如公式(7)所示：
[0103] p2-2p(acos9-bsin9)+a2+b2-R2 = 0 (7)
[0104] 其中，P为圆环半径，（a，b)分别为中心无人机节点的坐标，
[0105]分别输出圆环方程，level_node集合，各无人机节点初始位置Pi和群组中心节点 位置〇;执彳丁步骤3;
[0106] 步骤3:运用优化的位置移动函数，使各无人机节点安全无碰撞地移动到步骤二中 得出的期望位置上；
[0107] 步骤3.1:输入步骤2中的结果作为步骤3中的输入参数，包括所述的Level_node集 合，所述的各无人机节点的位置Pi、所述的min_num中心无人机节点；
[0108] 步骤:3.2:对Level_node中各无人机节点进行遍历，判断Level_node集合是否为 空，若为空执行步骤3.6，否则执行3.3;
[0109] 步骤3.3:计算每个Level_node中无人机节点与min_num中心无人机节点 [0110]的距离向量Pi。；
[0111] 步骤3.4:通过公式(8)求得每个节点与二维空间中X坐标的角度；
[0112] cos0-点积（pi。，[1，0])/| |pio| |2 (8)
[0113] 步骤3. 5:求得每个无人机节点的与虚拟通信圆环交点，作为其期望位置 DestPosi，如公式(9)所示：
[0114] DestPosi-rievei」*[cos9+0( 1); sin9+0(2)] (9)
[0115] 步骤3.6:输出每个节点的DestP〇Sl，并作为参数输入到目标位置移动函数中，最 终使得每个无人机节点都平滑无碰撞地移动到满足虚拟通信圆环限制的目标位置；
[0116] 步骤3.7:至此，整个算法结束，达成了使无人机群组满足安全通信要求的编队形 态；
[0117] 【具体实施方式】的内容是为了便于本领域技术人员理解和使用本发明而描述的， 并不构成对本发明保护内容的限定。本领域技术人员在阅读了本发明的内容之后，可以对 本发明进行合适的修改。本发明的保护内容以权利要求的内容为准。在不脱离权利要求的 实质内容和保护范围的情况下，对本发明进行的各种修改、变更和替换等都在本发明的保 护范围之内。
【主权项】
1. 一种基于多无人机安全通信的协同控制策略，其特征在于:包括以下几个步骤： 步骤1:运用变速虚拟领导者的Olfati-saber蜂拥控制算法对无人机群组进行初步协 同控制使整个多无人机群组达到等距的蜂拥状态； 步骤2:引入虚拟通信圆环，其构造方法包括寻找层节点和设置通信半径，对每架无人 机进行在线的通信功率设置，计算每个无人机节点的满足安全通信要求的期望位置，使之 达成安全通信目标； 步骤3:运用优化的位置移动函数，使各无人机节点安全无碰撞地移动到步骤二中得出 的期望位置上。2. 根据权利要求1所述的一种基于多无人机安全通信的协同控制策略，其特征在于:所 述步骤1还包括： 步骤1.1:设置参数，设定无人机节点数量n，无人机之间的蜂拥距离d，通信频谱带宽W， 发射功率# 最大迭代次数Iter_times; 步骤1.2:初始化无人机，初始化无人机i在欧式空间中初始位置为Pl，和无人机i在欧式 空间中初始速度为Vi; 步骤1.3:计算邻接矩阵aij(p)，多无人机拓扑图为带权图G，根据节点间关系建立邻接 矩阵a^(p)，如公式（1)所述： aij(p)=ph( | |pj-pi| |〇/ra)e[〇,l], j^i (1) 其中，Pi表示节点i在欧式空间的位置，ra= I |r I |(j，pj表示除节点i之外的节点j的欧式 位置、I ki |。是指通过〇-范数转换的智能体节点的感知范围，其中，ph(i |w-Pl| μ/Γα)属于P h(z)函数I，M[h,l] /?e(0,l).此分段函数为衡量无人机节点间 距离关系的碰撞函数； 步骤1.4:构造集体势能函数V(p)，如公式(2)所示：(2) 其中，I Ipfpd U = da，V：^螞，da为蜂拥状态的几何结构中两节点之间的距离，Pj表示 除节点i之外的节点j的欧式位置，&(/)是成对的吸引、排斥势能，可通过公式(3)所示：(3)其中，<K(s)ds=<K(z)=ph(z/ra)<Mz-da: Φ (z)是 s 一个不均勾s型函数，σ, (ζ) = z/ vl + z-' a，b，c为常整数，ph(z)为碰撞函数，步骤1.5:加入智能体群组目标的影响因素，也就是加入群组虚拟领导者γ智能体的导 (； 4) 航反馈项，求得每架无人机控制输入Ui，如公式(4)所示： 其中，|2是Pi和Pj连接方向上的向量ee(〇，l)是 σ_范数中的定量参数；是带有虚拟领导者影响的各无人机的控制输入，Vi表示无人机i在欧式空间中的速 度，Pl表示无人机i在欧式空间中初始位置，P』是除节点i以外的节点j的位置信息，W表示除 节点i以外的节点j的速度信息，Pr表示虚拟领导者的位置，表示虚拟领导者的速度， C1、c2 均是调节虚拟领导者影响的权重值； 步骤1.6:判断结果，若满足无人机等距蜂拥则转到步骤1.7，否则转到步骤1.3; 步骤1.7:通过无人机运动学公式计算得到各无人机蜂拥时的欧式空间中位置信息Pl。3.根据权利要求1所述的一种基于多无人机安全通信的协同控制策略，其特征在于:所 述步骤2还包括： 步骤2.1:输入蜂拥状态后的pi、aij(p)、无人机节点数量η; 步骤2.2:运用Kmeans算法对步骤1中输入的各无人机节点初始位置?1进行分类，找到无 人机群组的虚拟群组中心，然后找到离这个虚拟群组中心节点距离最小的无人机节点记为 min_num； 步骤2.3:初始化集合Level_node和集合Compare_node，所述集合Level_node和集合 Compare_node中包含步骤2.2中的最小无人机节点min_num; 步骤2.4:从leVel_n〇de中无人机节点开始遍历，判断是否都已遍历过，如果都已经遍 历执行步骤2.5，否则执行步骤2.7; 步骤2.5:通过步骤1中输入的邻接矩阵3^(口），找到1^￥61_]10(16集合中无人机节点的邻 接节点并存入结合Node_neibor; 步骤2.6 :判断步骤2.5中生成的Node_neibor集合中的无人机节点是否都属于 Compare_node集合;若都已属于执行步骤2.4，否则，执行步骤2.7; 步骤2.7:更新Le ve l_node集合，把不属于Compare_node的部分存入新的Le ve l_node并 把 Level_node 并入 Compare_node; 步骤2.8:判断Level_node中所有节点的邻接点的并集是否都属于对比组Compare_ node，若都属于算法转步骤2.9，否则执行步骤2.4; 步骤2.9:计算得到虚拟通信圆环:首先输入步骤2.7中Level_node各节点，求得各无人 机的通信半径n(t)，如公式(5)所示：(5) 其中，rmax，rmin分别是无人机的可以分配的最大和最小通信半径;n = re/rn，为无人机 节点自身的通信半径和其临近无人机的最小的通信半径的比值，〇1(t)为无人机节点i距群 组中心节点位置〇的距离，α为大于〇的正整数，α表示了无人机通信范围特征的权重； 通过公式(6)求第j层虚拟通信圆环的半径 rievelj - Illin(rjk) +l"level-(j-1) ( 6 ) 其中，rjk表示通过公式(5)求得的第j层中节点k的通信半径； 用求点积的方法，用圆的极坐标方程求得圆环方程，如公式(7)所示： P2-2p(acos9-bsin9)+a2+b2-R2 = 0 (7) 其中，P为圆环半径，（a，b)分别为中心无人机节点的坐标， 分别输出圆环方程，level_node集合，各无人机节点初始位置pi和群组中心节点位置〇; 执行步骤3。4.根据权利要求1所述的一种基于多无人机安全通信的协同控制策略，其特征在于:所 述步骤3还包括： 步骤3.1:输入步骤2中的结果作为步骤3中的输入参数，包括所述的LeVel_n〇de集合， 所述的各无人机节点的位置Pi、所述的min_num中心无人机节点； 步骤:3.2:对Level_node中各无人机节点进行遍历，判断Level_node集合是否为空，若 为空执行步骤3.6，否则执行3.3。 步骤3.3 :计算每个Level_node中无人机节点与min_num中心无人机节点的距离向量 pio ; 步骤3.4:通过公式(8)求得每个节点与二维空间中X坐标的角度； COS0-点积(piQ，[l，〇])/| |piQ| I2 (8) 步骤3.5:求得每个无人机节点的与虚拟通信圆环交点，作为其期望位置DestP〇Sl，如公 式(9)所示： DestPosi-rievei」*[cos9+〇( 1); sin9+〇(2) ] (9) 步骤3.6:输出每个节点的DestP〇Sl，并作为参数输入到目标位置移动函数中，使各无人 机移动到其满足安全通信要求的期望位置上； 步骤3.7:至此，整个算法结束。
【文档编号】G05D1/10GK105867415SQ201610247738
【公开日】2016年8月17日
【申请日】2016年4月20日
【发明人】吴杰宏, 石祥滨, 赵亮, 李照奎, 高利军, 王丹, 曹玉琪, 邹良开, 柔莹莹, 李亚
【申请人】沈阳航空航天大学