(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211072713.X (22)申请日 2022.09.02 (71)申请人 中国计量大 学 地址 310018 浙江省杭州市江干区学源街 258号中国计量大 学 (72)发明人 蔡宇峰　丁涛　邓琴　石明娟　 穆金霞　蒋欣颜　林璐瑶　何羽亭　 (51)Int.Cl. G01N 33/00(2006.01) G01D 21/02(2006.01) G06N 3/00(2006.01) B64C 39/02(2006.01) (54)发明名称 一种基于群体分配的多未知目标定位方法 (57)摘要 本发明创造性地将多无人机群体分配与改 进海鸥算法相结合， 公开了一种基于群体分配的 多未知目标定位方法。 相对于传统的依赖固定传 感器网络或地面移动机器人的溯源 方法， 本发明 以无人机集群作为气体泄漏的溯源平台， 具有成 本低、 搜索范围广、 灵活性强和溯源效率高等优 点。 基于群体分配的多未知 目标定位方法， 相比 于改进海鸥算法， 具有如下创新性： 组形成根据 距离和适应度来评估无人机加入哪个组， 有助于 无人机有选择的加入组； 限制组大小提高了无人 机分配效率； 组合并操作可以提升系统性能和避 免局部冗余覆盖。 本方法在 多气体污染源浓度场 仿真实验中， 高效地实现了多气体污染源的定 位。 权利要求书3页 说明书6页 附图6页 CN 115372565 A 2022.11.22 CN 115372565 A 1.一种基于群 体分配的多未知目标定位方法， 其特 征在于， 包括以下步骤： 步骤1： 在待监测区设定n架无人机Ri(i＝1...n)， 在待监测区存在m个气味源Sj(j＝ 1...m)； 步骤2： 初始化设定， 即 设定无人机的初始位置； 步骤3： 采用多无人机群体分配的多未知目标定位方法搜索气体污染源， 包括以下步 骤： 步骤3.1： 初始化 参数设定， 位于羽流附近的阈值Thr、 气体源定位成功的阈值Thg； 步骤3.2： 计算初始无 人机群各个 体Ri的适应值； 步骤3.3： 判断无人机个体适应度值是否超过阈值Thr， 若超过， 则执行步骤3.4， 否则， 执 行步骤3.5； 步骤3.4： 采用组方法进行多未知污染源搜索， 包括以下步骤： 步骤3.4.1： 采用组形成方法形成组； 其中， 组形成方法为无人机比较其接收的信号强度， 并加入其接收最强信号的组， 信号 强度取决于无 人机的适应度值和距离： Vij＝fiti·exp(‑dij) 其中Vij是由无人机Ri(在半径(Gr)内)产生并由无人机Rj接收到的信号， fiti是无人机Ri 的适应度值， dij是无人机Ri和Rj之间的距离， 使用信号强度方程组形成的方式同时考虑了 距离和适应度， 有助于无 人机在同时接收多个信号时决定应加入哪个组； 步骤3.4.2： 判断组的大小是否 大于Gmaxsize， 若大于， 则需进行限制组大小操作后执行步 骤3.4.3， 否则直接执 行步骤3.4.3； 其中， 限制组大小方法定义了参数Gmaxsize， 以限制组中无人机的最大数量， 这有助于实 现更好的资源利用率， 随着无人机数量的增加， 组的大小也增加， 但是气体源数量的增加将 导致群体规模的减小， 因此寻找额外气体源所需的无人机数量也应增加， 所以定义了限制 组大小的函数， 函数如下： wm＝|0.5‑(1/(exp(m) ))| 其中， n是无人机总数， m是气体源数量， λ是常数， 当形成一个组时， 如果形成的组的大 小大于Gmaxsize， 则将从该组中删除P个性能最差的无 人机， P的计算公式如下： P＝gksize‑Gmaxsize 其中， gksize是组gk的大小， P是从组gk中移除的无 人机的数量； 步骤3.4.3： 用改进海鸥算法更新组中无 人机的位置， 包括以下步骤： 步骤3.4.3.1： 初始化设定， 包括种群数量popsize、 解空间 的维数D、 算法最大迭代次数 T、 变量fc、 最大尝试次数t ry_number、 最大移动步长step、 种群初始位置； 步骤3.4.3.2： 计算初始种群各个 体的适应度值， 得到当前最优个 体的位置Pbs(t)； 步骤3.4.3.3： 根据改进海鸥算法中的迁徙行为进行全局搜索， 利用当前最优个体的位 置Pbs(t)得到海鸥的新 位置Ds(t)； 步骤3.4.3.4： 根据改进海鸥算 法中的攻击行为进行局部搜索， 利用海鸥的新位置Ds(t)权　利　要　求　书 1/3 页 2 CN 115372565 A 2得到海鸥的攻击位置Ps(t)； 步骤3.4.3.5： 根据加入的觅食行为， 利用海鸥的攻击位置Ps(t)、 最大尝试次数try_ number和最大移动步长step更新海鸥的位置Ls(t)和污染气体浓度值Y(t)； 步骤3.4.3.6： 判断是否 达到迭代次数， 若达 到迭代次数转到步骤7， 否则返回步骤2； 步骤3.4.3.7： 输出寻优结果， 算法结束； 其中， 所述 步骤3.4.3.3中的迁徙行为用以下计算公式实现： Ds(t)＝|Cs(t)+Ms(t)| 上述公式中， Cs(t)＝α×Ps(t)， Cs(t)表示不与其他海鸥存在位置冲突的新置， α表示海鸥在给定搜索空间中的运动行为， α1、 α2 为权重系数， 为当前海鸥的适应度值， fitp为目标定位成功的阈值， t表示当前迭代次 数， α 的值随着 和t的增大线性降低， Ps(t)表示海鸥当前位置， Ms(t)＝B×(Pbs(t)‑Ps (t))， Ms(t)表示最 佳位置所在的方向， B是负责平衡全局和局部搜索的随机数， B＝0.5 ×rd， rd是[0， 1]范围内的随机数； 步骤3.4.4： 判断是否达到组合并条件， 若达到， 则需进行组合并操作后再输出， 否则直 接输出； 步骤3.5： 无 人机进行随机 搜索； 步骤3.6： 判断无人机个体适应度值是否超过阈值Thg， 若超过， 则执行步骤3.7， 否则， 回 到步骤3.2； 步骤3.7： 发现一个气体源， 进而判断无人机Ri是否属于组， 若属于则进行组解散， 否则 确定无人机Ri未分配组； 其中， 组解散方法为如果一个组找到气体源， 则该组解散， 该组 的成员就分布在其他组 中， 在分布过程中， 重要的是在羽流发现和羽流跟踪阶段的无人机数量之间保持平衡， 为 此， 定义了阈值Thp， 并由以下等式给 出： 其中， β 为常数， Populationsize为组的大小， 将其他组的无人机数量与阈值Thp进行比 较， 若该数量小于阈值Thp， 则无人机根据每个组的效益加入其他组， 组的效益是根据组的 需求和加入该组的成本来定义的， 组的效益 为： Ugk＝Needgk‑Cost Needgk＝exp(‑(w5)·(fitgk)+(w6)·(Nm)) Cost＝d(|Xgk‑Xj|) 其中， Needgk为组的需求， Cost为加入该组的成本， fitgk为组gk的适应度值， Nm为该组中 成员的数量， w5和w6是权重系数， d是欧几里德距离函数， Xgk是组中表现最好的无人机的位 置， Xj是无人机Rj(属于解散组)的位置， 解散组中每个未分配的无人机计算每个组的效益， 并加入效益 最高的组， 重复上述计算 程序， 直到解散组中没有无 人机未分配； 步骤3.8： 判断是否所有的气体源都定位成功， 若成功， 则结束， 否则， 回到步骤3.2； 步骤4： 输出 所有气体污染源位置 。权　利　要　求　书 2/3 页 3 CN 115372565 A 3