一种基于聚类和遗传算法的多无人机协同任务规划方法与流程

本发明属于无人机系统技术领域，具体涉及一种基于聚类和遗传算法的多无人机协同任务规划方法。

背景技术：

近年来，全世界的经济基础实力得到很大程度的提升，科技也随之逐渐发展、提高，无人机技术的研究也有了较大的飞跃，其应用非常广泛。在很多复杂的场景之下，单个无人机根本无法达到人们的预期，于是提出了运用多架无人机协同实现快速高效的任务执行。

对比单无人机与多无人机协同发现：单架无人机操作简单且易实现，而多架无人机执行任务时要完善它们之间的协同规划，故而后者执行起来比较复杂，对服务器的处理速度有一定的要求。但是单架无人机只能按照顺序依次完成所有任务，这样会很耗时，很多情况下无法达到要求；而多架无人机能够在同一时间解决多个任务。相较之下，多无人机很大地提升了任务执行速度，大多数情况下能够应对任务实时性的要求。另外，无人机的运行需要能量支持，而一架无人机对能量的储存能力是有限的，单无人机执行复杂任务时很可能出现能量耗尽需要返回基地补充能量的情况，而多架无人机只要选择合适的任务管理方式完成任务分配和航迹规划，便可以达到尽可能少的能量消耗，这对于环境保护、节约能源均有益。但是就目前而言，多架无人机之间的协同配合问题值得我们进一步的深度研究。因此，设计一种多无人机协同任务规划方法至关重要。

技术实现要素：

针对目前多架无人机协同配合存在的缺陷和问题，本发明提供一种基于聚类和遗传算法的多无人机协同任务规划方法，从而实现多无人机协同规划能耗最优的航行轨迹，便于突发紧急任务时无人机能够有一定的能源储备。

本发明解决其技术问题所采用的方案是：一种基于聚类和遗传算法的多无人机协同任务规划方法，包括以下步骤：

步骤一、根据任务类型和巡检区域获取多个无人机协同任务的所有任务航点n，将所有任务航点共同组成任务航点集计算任务航点集中所有任务航点的坐标；

步骤二、选取k架无人机负责执行该巡检区域的巡检任务，以距离为划分依据使用k-means聚类算法对所有任务航点进行集中式分配；

步骤三、根据每架无人机负责的任务点的坐标计算出每架无人机执行任务的能量消耗，所述能量消耗包括飞行能耗、转向能耗和数据传输能耗；

步骤四、对遗传算法的选择、交叉变异以及进化环节进行改进，利用改进的遗传算法对无人机的巡检区域进行路径规划得到k架无人机协同的最优航迹；

步骤五、k架无人机按照步骤四的最优航迹进行航行，并在将执行任务时收集的数据传输至本地服务器的同时实时传送本机的能量剩余，若电池剩余百分比大于15％时，继续按照航迹执行任务，若无人机电池剩余百分比小于15％，后端控制服务器发送相应信息要求无人机立刻中断当前任务的执行，返回无人机基地补充能量。

上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤一中还包括根据无人机装载的传感器或者摄像机的覆盖范围确定划分的规格，采用网格分割法，将待测区域网格化处理，待测点为每个网格的中心，从而使能够完全覆盖巡检区域。

上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤二中采用k-means聚类算法将n个任务点划分为k个点簇，每一个点簇由一架uav负责执行任务，包括以下步骤：

(1)产生随机坐标点作为聚类中心；

(2)分别计算各任务航点到k个聚类中心的距离，将任务航点依次划分给距离最近的聚类中心所属的点簇；

(3)采用均值法更新聚类中心得到新的中心坐标；

(4)根据新的中心坐标按照步骤(2)、(3)完成点簇划分；

(5)判断本次迭代得到的聚类中心的坐标是否满足预先设定的聚类中心的坐标精确度，若不满足，则多次迭代重复(3)、(4)；若满足，则结束运行。

上述的基于聚类和遗传算法的多无人机协同任务规划方法，所述飞行能量消耗为

式中：为的飞行能耗；p为飞行功率；t为飞行时间；为飞行阻力；为飞行速度，表示执行任务时的总直线飞行距离；

上述的基于聚类和遗传算法的多无人机协同任务规划方法，所述转向能耗：

式中：为的转向能耗、θ为转向角；α为比例参数，表示两点间的距离。

上述的基于聚类和遗传算法的多无人机协同任务规划方法，所述数据传输能耗：

式中：为数据传输的能耗、ω为需要传输的数据量、pt为数据传输功率、c为数据传输的信道容量、l为数据传输路径损耗、为接收者的灵敏度、为常数，δ为常数，λ为常数一般取20，(x1,x2)为任务点的坐标。

上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤四中对单无人机进行航迹规划，包括以下步骤：

(1)设定种群的个体数、算法的最大循环次数，随机产生任务航点序列构成原始种群；

(2)计算个体适应度

(3)种群中适者生存淘汰部分个体。生存下来的所有个体作为父代按照计算出的概率交配重组产生下一代个体，之后再按照计算出的概率发生基因突变生成新个体，进而结合成新种群。

上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤五中对于未完成巡检的任务航点，派遣能量储存足够且距离较近的无人机继续执行巡检任务。

本发明的有益效果：本发明采用k-means聚类算法对所有任务航点进行分簇，实现多个无人机任务分配，充分考虑无人机执行任务过程中的飞行能耗、转向能耗和数据传输能耗，更全面地考虑无人机能耗问题，使计算得到的能耗值与实际无人机的能耗更加接近，从而显著降低规划飞行航向的差错率。基于遗传算法提出一种uav航点规划优化算法完成单无人机的航迹规划，使得无人机的能耗最优，以避免飞行过程中受到环境影响导致实际能耗值变大导致无法执行规划航线的问题出现，提高飞行效率和能量利用率；无人机执行任务过程中在传输数据的同时实时传送能量剩余，以便于对能量剩余实时了解从而控制无人机是否继续执行任务，以便于突发紧急任务时无人机能够有一定的能源储备。

附图说明

图1为本发明多无人机协同巡检目标区域的示意图。

图2为本发明聚类算法任务划分的流程图。

图3为本发明基于遗传算法的uav航点规划优化算法流程图。

图4为本发明uavs航行轨迹示意图。

图5为本发明选择算法流程图。

图6为本发明进化算法流程图。

具体实施方式

针对目前多无人机协同任务规划存在的问题，本发明基于聚类和遗传算法提出一种多无人机协同任务规划方法，使用k-means聚类算法完成多个任务点的点簇划分，将多无人机协同规划能耗最优航迹问题简化为多个单架无人机的旅行商问题；然后基于遗传算法提出一种uav航点规划优化算法解决单价无人机的能耗最优航迹规划问题。下面结合附图和实施例对本发明进一步说明。

实施例1：本实施例从获取任务航点开始，根据任务的类型来确定任务航点，如需要无人机完全覆盖整片区域，可根据无人机装载的传感器或者摄像机的覆盖范围确定划分的规格，采用网格分割法，将待测区域网格化处理，待测点为每个网格的中心，以k架uav负责协同巡检矩形区域s为例，完成一次多无人机协同任务规划过程。

步骤一、获取航点

在待巡检的矩形区域s内有多个预先标定的重要任务点，它们共同组成该巡检任务的任务航点集并确定所有任务点在区域s中的坐标。

步骤二、任务分配

共有k架无人机uav＝{uav1,uav2,…,uavk}负责执行该巡检任务，如图1所示，区域s内共有n个任务点待检测。以距离为划分依据使用k-means聚类算法完成多个任务点的集中式分配，将n个目标点划分为k个点簇，每一个点簇分配一架uav负责执行巡检任务。当任务分配系数时代表任务点由负责巡检，由此得到的任务集任务集中的每个元素均为需要巡检的目标点。具体流程如图2所示，包括以下步骤：

(1)产生随机的坐标点作为聚类中心；

(2)分别计算各任务点到k个聚类中心的距离，将任务点依次划分给距离最近的聚类中心所属的点簇；

(3)使用均值法更新聚类中心；

(4)根据新的聚类中心坐标按照步骤(2)(3)完成点簇划分。

(5)判断本次迭代得到的聚类中心的坐标是否满足预先设定的聚类中心的坐标精确度，若不满足精确度的要求，则多次迭代重复(3)、(4)；若满足结束条件，则结束运行。

步骤三、计算无人机的总能量消耗：分别计算无人机在执行任务过程中的飞行距离、转向以及数据传输的能量消耗；

(1)飞行距离能耗：uav在直线飞行时保持高度不变，若速度不变，则uav的动力等于飞行中受到的阻力

uavs的起始位置已知，任务分配完成后，每架uav负责一定区域，区域内的任务点的坐标已知。对于每一种航行轨迹都会有对应的能量消耗，综合uav和其负责的任务点坐标信息，根据能耗函数计算无人机按照规定轨迹航行时消耗的能量值。执行任务时直线匀速飞行时uav的飞行能耗为：

式中：ed为uav飞行能耗；p为飞行功率；t为飞行时间；为飞行阻力；为飞行速度，表示执行任务时的总直线飞行距离。

(2)转向能耗：无人机在航行过程中会存在航向改变的情况，航向改变会产生能量消耗。假设uav转向的能耗与总转向角的大小成正比，则uav转向能耗为：

式中：er为uav转向能耗、θ为转向角；α为比例参数，表示两点间的距离。

(3)数据传输能耗：uav在飞行过程中需要传输数据，若传输的数据量较大，其能量消耗相对于飞行距离、转向的能耗不能忽视。uav数据传输路径损耗接收者的灵敏度为那么无人机的发送功率为：

式中：(x1,x2)为任务点的坐标。

传输的信道容量为c，uav需要传输的数据量为ω，那无人机数据传输消耗的能量为：

则无人机整个过程中的能耗为飞行距离、转向以及数据传输的能耗之和，uav执行分配任务所需要的能耗总量为：

etotal＝ed+er+et。

步骤四、对单无人机进行航迹规划：对于的航迹的要求是：从基地起飞，遍历其任务集中的所有任务点后向基地返航，要求飞行过程中的能量消耗尽可能少。使用基于遗传算法改进的uav航点规划优化算法，设定最大迭代次数为100，初始种群个数为50，经过多次迭代，最终得到各无人机的航行轨迹见附图4，步骤如下：

(1)设定种群的个体数、算法的最大循环次数，随机产生航点序列构成原始种群，种群中每个个体为任务点的排序序列组成的集合，其中起点和终点为无人机基地o。

设定种群个体数为50，最大迭代次数为100，经过多次迭代，最终得到各无人机的航行轨迹见附图4，图中不同颜色的轨迹代表不同的无人机，任务点旁边的数字是uav巡检的顺序。

(2)计算个体适应度：根据计算出的每个个体对应的路线需要消耗的uav总能量计算个体适应度：

(3)种群中保留适应度较大的个体，淘汰适应度较小的个体。生存下来的所有个体作为父代按照计算出的概率交配重组产生下一代个体，之后再按照计算出的概率发生基因突变生成新个体，进而结合成新种群。

(4)重复(2)、(3)，直到完成循环，得到能耗最优的航迹规划。

其中对遗传算法的改进主要体现在：

1)选择：提出新的选择方案，新的选择方式综合了上一代选择后的个体以及交叉、变异后得到的个体组成了新种群，根据能耗最小为最优的原则选择个体，剩余个体根据能耗值有一定的概率取代之前选择的耗能较小的个体。具体选择流程如图5所示。

首先确定选择后的种群slefrompop、交叉变异后的种群muttocro以及选择的个体数量slenum。

然后从slefrompop和muttocro中选择互不相同的个体组成新的种群poplation，新种群poplation的个体数popsize。

然后计算poplation中每个个体适应度和路径消耗总能量totaleng；将totaleng由小到大排序得sorteng；将sorteng前slenum个体赋给newslefrompop。

当c＝slenum+1：popsize时随机生成到slenum之间的一个整数r1，计算概率p：

随机生成[0,1]中的数r2，若r2＜p则执行程序newslefrompop(，：)＝poplation(sortengnum(c)，：)；反之则停止。

2)交叉变异：交叉和变异算子随个体的情况做出动态调整。

式中：cropro表示发生交叉的概率；mutpro发生变异的概率；b1、b2、b3、b4为常数，表示影响因子；eave表示总能量的平均值；e1表示当前个体能耗；e2分别表示个体的能耗；emin表示能耗最小值。

3)进化。规定每完成五次的选择、交叉和变异后种群发生进化，对每个个体先随机产生两个整数，将这两个数之间的序列进行翻转，比较翻转后消耗能量的大小，若翻转后个体耗能小则用翻转后个体代替原来个体，具体流程见图6。

首先确定目标点的坐标集合tar1、当前种群poplation、种群中的个体数popsize以及目标点的个数n，使evotopop＝poplation。

对于种群中的每个个体随机产生两个互不相同的[2，n+1]间的整数，将两数之间的序列翻转。

计算新个体的耗能evo1sumeng和原个体的耗能popsumeng。

若popsumeng＞evo1sumeng，将新个体代替原个体；反之，停止。

步骤五、无人机按照计算好的航迹执行任务，将收集到的信息回传后端控制服务器，同时实时传送本机的能量剩余。若电池剩余百分比大于15％时，继续按照航迹执行任务，若无人机电池剩余百分比小于15％，后端控制服务器发送相应信息要求无人机立刻中断当前任务的执行，返回无人机基地补充能量。对于未完成巡检的任务点，需要派遣能量储存足够且距离较近的无人机继续执行巡检任务。

以上所述仅为本发明的较佳实施例，并不限制本发明，凡在本发明的精神和原则范围内所做的任何修改、等同替换和改进，均应包含在本发明的保护范围之内。