1、哈尔滨工程大学硕士学位论文基于蜂群算法的无人机群协同飞行策略研究姓名：郭海洋申请学位级别：硕士专业：模式识别与智能系统指导教师：莫宏伟2012-03-11基于蜂群算法的无人机群协同飞行策略研究摘 要由于航天领域的逐步发展和作战环境的日益复杂，多无人机协唰控制完成任务将会成为今后高空作业的十分重要的发展方向，多架无人机如何能够合理的共同完成任务也成为各国研究人员研究的热点之。本文首先阐述了关于群体智能概念和优势，然后介绍了群体无人机的研究背景，研究意义和蜂群算法的基本原理，本文旨在采用蜂群算法进行多无人机的任务规划，所以首先验证了蜂群算法的优化效果，jffABC算法与BBOABC，BBODE，D
2、E，PSO，GA算法进行了比较，得出了一个关键参数的基本选择范围，再对几个函数进行优化，仿真结果表明蜂群算法精度较高，是有效的和可行的，更适合针对应用于寻优设计，该算法也是元启发式算法研究的一个新的设想。然后利用蜂群算法较好的优化性能去优化无人机的航路，分析和总结了无人机航迹规划中所必需考虑的各种因素、研究对象和航迹规划常用的算法，着重阐述了环境模型的建立、约束条件和航迹评价，用代价函数来评价航迹的可行性；并且分析了多个无人机协同的意义、协同航迹的模型、IhR策略再将蜂群算法应用于航迹规划，给出了实验的仿真结果，对蜂群算法应用于航迹规划进行了仿真，并且考虑从不同攻击方向进入的效果，以及出现突发
3、威胁时如何重新适时的规划航迹，结果表明蜂群算法能够很好地完成协同航迹的规划；在飞行的整个过程中，所耗费的路径代价定义为协同函数，将每架飞机抵达任务目标的时间范围通过协同函数来传达到，以这样的共享信息的方式达到整体的协同。最终得到使多架飞机到达预定目标点，同时团队代价耗费最小，并且尽量让单架无人机的个体代价也最小的路径。本文也对目标点的攻击方向进行了设定仿真。最后研究了基于蜂群模型的群体无人机，考虑无人机群体的飞行控制，利用蜂群的飞行机制中的四个规则及蜂群中蜜蜂分类的启发，规划模型，让空中的单个无人机通过自组织的方法达到群聚智能飞行的目的，本文让引领机出发搜寻目标，然后根据具体情况召唤在目的地的
4、跟随机，通知需要多少跟随机共同去完成任务，最后又在始发地与重点之间设置了若干障碍物，让无人机避开障碍，完成任务，这样节约了时问，保证群体无人机完成对目标的攻击，并具有很好的时效性。关键词：群体无人机；蜂群算法；任务规划；自组织基于蜂群算法的无人机群协同飞行策略研究ABSTRACTWith the improvement of aeronautical and space technologies and the complexity ofoperational environment，multiUAV complete the task through coordinated control
5、is a majortrend in the work high above the ground in the future，and in different countries，the researchfocus on multiUAV how to accomplish task reasonabl yIn this paper,research background and meaning of this thesis and basic principle of beecolony algorithm are introducedIt is studied that the miss
6、ion planning of multiUAV basedon bee colony algorithmFirst，the optimization effect of the bee colony algorithm is validatedBy comparison ofABC algorithm and BBOABC、BBODE、DE、PSO、GAwe obtained thefundamental selection range of key parameter,then optimized several functionsThe resultsindicated that bee
7、 colony algorithm has high accuracy；it is also efficient and effectiveBeecolony algorithm is a new kind ofmetaheuristic algorithmOn basis of well optimal performance of bee colony algorithm，we optimized thetraj ectory of UAV,a brief analysis and summary about various factors must be considered、resea
8、rch objects and commonly used algorithms in trajectory planningIt mainly elaboratesenvironmental model construction，constraint condition，route evaluation and feasibility ofroute evaluation through cost functionAnd trajectory planning is by using bee colonyalgorithm；it is based on the model of trajec
9、tory planning and coordinated strategyThe resultof simulation shows that bee colony algorithm can complete the trajectory planningThroughadjusting coordination variable estimated team arrival time，coordination agent selects pathsand feasible velocities among each UAV initial optimal and suboptimal p
10、aths，such that timingconstraint is satisfiedIn consequence，multiUAV arrivals predetermined location with theleast teamS consumptionMoreover,the path which is selected tries to ensure the individualconsumption is least tooThe attack direction of target is also simulated in this paperWith the consider
11、ation of flight control of multiUAV which is based on bee colonymodel，individual UAV reaches the swarm of intelligent flight through self-organizationwhich is on the basis of 4 rules in bee colony flight mechanism and the classification of beesThe scout starts off on the mission of searching for tar
12、get，inform the need to complete thetask the munber of UAVUAV to avoid obstacles and complete the taskthen，follow UAV iscalled for saving time to ensure the swarm of UAV is completed the mission of attackKey words：multiUAV；bee colony algorithm；mission planning；self-organization第1章绪论第1章绪论11多无人机协同控制的研究
13、背景和意义无人机是一类无人驾驶的飞行器，它是在航空模型飞机的基础上演变而来的不载人飞机，所利用的是无线电遥控装置和本身自带的程控设备。伴随着微机电、微电子、光电子、隐身、通信与网络以及航空航天等高新技术的迅猛发展，无人机的技术发展和应用也取得了很大的进步，逐渐获得了研究人员的的关注。为无人机平台技术的发展和应用奠定了坚实的物质技术基础。近几年来，由于无人机在军事和民用方面有很大的潜力，无人机引起了学术界的广泛的研究兴趣和关注。许多研究小组也由于各种研究目的，已经建立了他们自己的无人机实验平台。因为无人机重量轻、体积小，在执行任务的过程中机动性也很好、适应性很强、能够很好的隐蔽并且不存在人身安全
14、问题，更加适应恶劣的生存环境和完成一些“枯燥”“高危”的工作。既可以减少参战人员的伤亡，又降低装备和使用成本，也逐步受到了各国的重视。尤其在最近的一些战争中，充分的体现了无人机的诸多优点。在越南实战中，无人机第一次充当了战争武器，美方也利用“QH一50”系列无人直升机与“瑞安147”系列无人侦察机执行一些有关电子情报侦察的任务；在之后的海湾、阿富汗、科索沃以及伊拉克战争中都使用过“捕食者”、“全球鹰”、“猎犬”、“龙眼”等十几种无人机，而且有些也达到了无人机和战斗机的数据对接，在情报、侦察、监视和攻击协调等方面起到了十分关键的作用u1。由于各种前沿技术的发展和武器的应用，无人机将面临更加恶劣的
15、战场环境、愈发艰难的作战任务、十分宽广的作战范围，这对传统的无人机控制技术提出了挑战。图11捕食者哈尔滨工程大学硕士学位论文图12全球鹰图13猎犬图14龙眼2第1章绪论自1991年，无人机在海湾战争中得到成功的运用以来，无人机的技术也较为成熟，已有三十几个国家投入大量的人力财力进行无人机的研究和生产工作，无人机也在各个领域中发挥了其重要且独特的作用，但随着作战范围的日益扩大，作战难度和任务复杂程度的日益加强，一个无人机在执行任务就容易出现一些的问题，如单架无人机执行较为繁重的任务时时间过长，也可能受到观察角度的限制遗漏，可能造成不能够全方位的去监测侦察或者攻击目标；再有，万一单架无人机在飞行途
16、中一旦出现问题，需要返航，这将耽搁完成任务的时间进度，影响全局，在作战过程中甚至可能破坏整体工作计划。由于这些原因，研究员们投入了更大的精力在多无人机协同完成任务这一问题上，多架共同执行任务的无人机构成了一个多无人机协同系统B1，通过利用生物群体的一些现象，来解决这一系列的问题口1。在自然界中，我们经常可以见到各种牛物群体的有趣运动行为(如图15一图18)，例如蜜蜂筑巢、候鸟迁徙、鱼群游弋、鹿群逃避、蚁群觅食等，这种群体之间的协作行为就称之为群体行为(Swarm Behavior)H1。图15候鸟群飞图16鱼群游弋哈尔滨工程大学硕士学位论文图17蜜蜂筑巢图18蚂蚁觅食举例来讲，蚂蚁在觅食的过程
17、中，能够通过信息素来调节各个无人机合理规划任务，从而达到总代价最小；模拟鸟群的迁徙行为，让其保持队形、借力来节省能量、协同抵抗天敌，这样就更好地发挥单个无人机的效能，提高无人完成任务的效率，便于执行一些较为艰巨、复杂的任务。群体行为的产生机制通常都是十分简单的，但是群体中单个个体行为会被邻近的个体所影响，在没有集中控制的情况下，个体就可以通过局部简单的相互交流，使得整体表现出诸如自组织、协作等一些较为复杂的群体行为，在复杂性技术中，这种现象就叫做涌现(Emergence)。通过交互作用或协作行为，一些比较简单的生物个体就能够体现出整体优势，完成较为复杂的任务，这给人类带来了许多启发瞪1。所以把
18、群智能的思想应用到无人机中，可以对多无人机执行任务带来很多的优势。群体智能的特点如下：4第1蕈绪论(1)群体包含的个体是完全分散式的，没有中心控制，较为容易和此时网络环境下的工作状况相匹配，不会因为尊一个体或几个个体出现不确定的状况而影响全局，因此具有更强的鲁棒性。61。(2)每个个体不能直接得到整体信息，仪能感知部分信息，并有十分简单的单个自治个体的规则，只需要最小智能，具有简单性。(3)群体中个体之间通过非直接通信相互合作。由于通过这种方式进行信息的传输与交互，所以个体越多，通信消耗的增幅也就越大，这样的系统具有更好的可扩展性。(4)自组织能力。也就是说群体通过个体间简单的一些行为就能够解
19、决较为复杂的问题，执行较为复杂的任务。鉴于以上讨论，本文将多无人机执行任务的过程与群智能的思想相结合，H|模拟蜜蜂自组织规则来规划协同完成任务。12群体无人机国内外研究现状121群体无人机国外研究现状现在各国也对无人机的研究越来越重视，也将较大的人力以及财力投入到了多无人机协同控制理论的研究中，就是希望通过无人机的数据链进行相互通信，彼此协同，更加有效的完成各种任务。在围外，现在也已经展开了许多在多无人机协同控制领域的研究，其中具有代表性的项目有美国围防部高级研究计划局(DARPA)研究的自治编队混合主动控制(MixedInitiative Control of Automata-teams，
20、MICA)项目7,81欧洲EEC资助COMETS(RealtimeCoordination and Control of Multiple Heterogeneous UAVs广1项目等。MICA项目是为了寻求一些新的方法去监视和控制目标，便于人可以更好地投入到整个战场的管理过程中，让相对较少的工作人员就可以完成对较大型的无人机作战体系的指挥。COMETS主要的研究是针对多类无人机的协同监视与检测系统，研究目标是为系统设计并且实现集成分布式感知技术，实时图像处理能力和分布式控制结构，能够在森林火灾监视任务中，演示验证系统的能力。这些项目研究了多无人机协同系统的资源处理、调整措施、操作系统和多无
21、人机协同航迹规划问题。美国空军技术学院(Air Force Institute of Technology，AFIT)在“捕食者”和“全球鹰”无人侦察机的基础卜，对多个无人机的协同侦察任务规划问题展开了许多的研究。Joel LRyan，TGlenn Baileyt“3在解决多无人机的协同侦察任务的问题时，将其抽象成一个带时间窗的多旅行商问题，采用的算法是反射禁忌搜索算法。文中结合了无人机各方面的约束，对目标进行优化，优化目标定义为基于无人机存活率的目标覆盖函数。Bary RSecrest“副把问题等化为一个TSP司题，着重研究的是采用粒子群算法规划哈尔滨工程人学硕士学位论文此类问题。VWill
22、iam Porto”到把多UAV协同侦察完成任务抽象成为一个多TSP的问题，利用进化算法对问题进行求解，在实验仿真中，对40个目标用6架相同的UAV侦察，效果较好。MattheW GHutchison”刮也研究了多UAV协同侦察问题，它可描述为：给定一个圆形的区域，将这个区域几等分，在整个圆形区域中随机分布一些任务目标点，让一个无人机负责侦查其中的某一个部分的任务目标点，并将该问题建模为相互独立的多TSP问题，采用了模拟退火算法，以最短路径长度做为优化的目标。这种方案只是将问题分解简单化，抽象为多TSP问题，忽略了协同的本质，但是确实降低了问题的复杂程度，为解决问题带来了一定的便利。Darin
23、 TBrown副把“捕食者”和“全球鹰”UAV作为背景，研究有关UAV的任务航线规划问题(Mission Routing Problem)，把UAV航迹规划的任务问题抽象成为带路径长度和时间窗约束的VRP模型，VRP模型中的一个车辆对应一架UAV，VRP模型中的顾客对应所要侦察的任务目标，优化目标为最短航线距离，问题利用禁忌搜索算法进行解决。Brian Whitetl61等人描述了无人机群的合作路径规划。解决的问题是无人机群同时到达目的地，为此制定路径规划问题，产生可行(易于IL行和安全)的路径。解决办法被分为三步。第一步，产生易于飞行的路径，Dubins路径中的回旋曲线弧来为每个无人机产生路
24、径，这些路径是用不I司的几何准则产生的；第二步是增加些额外的限制来产生安全的路径，为了不让无人机之间或者与环境中的已知障碍物碰撞，制订如下安全限制：(让各路径)保持最小的分离距离；在同等长度上的这些路径不要交叉；飞跃中间的路点，让各路径长度相等来确保无人机能同时到达。美军联合部队司令部通过“阿尔法计划”展开了关于UAV自主“集群”作战效能的研究n 71。通过仿真结果，把装有武器以及传感器的无人机群与现在存在的某个可执行单元进行了对比分析。群体无人机不单歼灭了六几十个敌方目标同时还监测到91的敌方军队，但是单一的作战单元仅仅摧毁11个敌方目标和监测了不到33的敌方部队。在霍普金斯大学，应用物理实
25、验室进一步地研究了该问题，并对“集群”单元应用于搜索地面目标的两种算法进行了比较”。Eugene Edison等人研究了无人机的任务分配和路径规划问题，多无人机需要协作完成各种任务，把无人机的运动规划建模为汽车模型问题，考虑每个车辆的最小转弯半径，通过一个有限集合探视车辆的角度定义了一个目标，文中提出以图表的形式在任务分配和路径优化的综合问题。这种新方法得到了次优的轨迹分配。为改善可探测角度的离散化提出了一种改进方案，采用基因算法进行解空间的随机搜索。本文区分车组的组成两种情况：同质化，即所有车辆是相同的：和异质性，车辆可能具有不同的作战能力和运动约束。通过采样运行和蒙特卡罗模拟的研究论证遗传
26、算法的性能。结果表明算法可以更快的提供可行解，并且为无人机规划问题找到最优解一。第1蕈绪论122群体无人机的国内研究现状高晓光P，宋绍梅悼u等人采用层次分解策略建立了多uAv航迹规划系统结构，并将多UAV的协同航迹规划进行了分解，共分为三层：协同管理层、路径规划层和轨迹控制层。其中，l州司管理层丰要是起到协调的作用，即协调多UAV的攻击时机确定、协同攻击航路选择、协同攻击代价以及性能：路径规划层要选择一条安全完成预定任务的lI行路径，能使UAV躲避敌方威胁，最终的规划结果用一系列航路点表示。规划的依据是任务要求、威胁位置、燃料限制和UAV机动性能：轨迹控制层的作用是将各个UAV的行驶航迹点序列
27、进行可飞的航迹平滑处理，并决定控制量。沈延航，周洲，祝小平刮研究了多兀人机搜索静止的多个目标问题。采用搜索理论，依据“回报率”的状态图，展开了关于多UAV协同控制搜索理论的研究。并且利用蒙特卡洛仿真，在理论最优的前提下，对协同搜索以及随机搜索都进行J，分析。实验结果显示，协同搜索比随机搜索更具优势，能够更好地利用无人机的资源，提高群体的效能。宋敏，魏瑞轩，冯志明研究的是不同类型无人机通过彼此的协同来完成对目标的侦察、攻击和毁伤评估的任务，丰要是任务分配的问题，首先需要充分考虑不同UAV完成任务方式的差异，将其建模为更加符合实际的异构多UAV任务分配模型；为了降低模型求解难度，采用了有效的任务分
28、层解耦方法，并运用一种自适应差分进化算法对该问题进行求解。实验结果显示，采用此种方式可以使得异构多UAV的达到更好的协同任务分配效果H“。杨江华对未知环境下的多UAV任务白组织的蚁群算法进行了研究，着眼于未来战场的作战趋势，未来提高兀人机自丰作战能力，本文以蚁群觅食行为作为模型，提出有效解决该类问题的算法和分布式矢量化信息素结构，并提高了无人机整体性能的鲁棒性，研究了就信息素视图方式的无人机协同方法，确实提高了作战效率，降低了通信时对整体协调性的T扰4|。丁琳，高晓光刈通过Voronoi图方法，引进协同变量以及协同函数，产生与预知威胁相关联的航迹，使所有UAV可以一起到达任务目标，而且能通过集
29、合点得出状态图，如果在任务过程中出现突发威胁，相应的调整即时航迹，作战过程中的突发威胁实时进行航路的调整，最终得出每一架UAV的几何路径。柳长安，王和平，李为吉K，左益宏B”等人对多uAv协同侦察航线规划问题进行了研究，两个优化目标是：侦察到尽量多的目标和获得全部目标的有效侦察时问；按照这两个要求，于是用有效侦察飞行时间来衡量航迹的优劣，表示UAV对任务目标总的监控时间，文中假设各UAV的飞行都是相同的速率，所以将它的有效侦察飞行时间相应的转化为在有此时间内uAV飞过的距离，即有效侦察飞行距离，用它来评价航迹的优劣，接着利用遗传算法解决问题。哈尔滨工程人。予：硕士学位论文曹菊红，高晓光副设计了
30、一种基于智能体技术的多UAVI力,同控制智能指挥系统，体现了单个UAV的自主性，利用Agent的两种特性：自主性和交互性，通过专用通讯网络实时分享信息，发布信息，使得攻击决策能力有所提高。郑昌文，丁明跃瞄，李磊，徐帆江叫采用进化计算实现多UAV协调航迹规划。算法中，不同的UAV潜存航迹形成各自的集合，并在集合内部进化，南个体的适应度函数来实现飞行器之间的协调关系。采用特定的进化算子及染色体，可以让算法能够更好地利用各种环境信息，解决各种航迹约束问题，并相应地生成三维航迹。严平，丁明跃，周成平，郑昌文研究了未知环境中的兀人机多任务航迹规划问题，并利用l【行路线图提出了一种多任务航迹规划框架，通过
31、多任务结合动态航路设计，然后在稀疏路线图和细致路线图上分别及时地寻得初始航路和启发式搜索备用航路，这样在有新任务时可以实时地获得可行的初始航迹，并且在途中如果遭遇到临时威胁也可以及时修改航迹，避免碰撞“。叶嫒媛”刈解决了多UCAV的任务规划问题，将它抽象成多目标的MILP问题模型，通过多目标整数规划进化算法解决。将群智能理论应用到无人机协同控制方面的文章还很多，如蚁群算法。国防科学技术大学，苏菲p到等人他们研究了有关无人机1力、同多任务分配的问题(CMTAP)，采用的是蚁群算法。在基本得CMTAP模型基础上，建立了一种扩展的协同多任务分配模型，全方面地考虑了多类复杂约束条件，包括无人机任务能力
32、的差别和动态任务时间约束，在多子群蚁群算法的基础上，采用基于分工原则的蚁群算法，解决了CMTAP问题。根据多任务协同分配的特点，设计了一种状态转移规则，是基于任务代价和任务能力评估问题的解构造策略，也使算法的性能得到了提高。南京航空航天大学赵敏，姚敏p刮将无人机群作为一个整体的研究对象，因为要提高效率、降低油耗，对任务和航线进行了综合规划。为了减少机群完成任务的时问和无人机飞行的航程，提出了新的方法一种肩发式的任务和轨迹综合规划方法。也为了能减小机群完成任务的总时间，使各无人机的任务执行时间基本均衡，让同一无人机执行多个任务事在路径上能够相邻。13蜂群算法的研究现状蜂群算法(Bee Colon
33、y Algorithm)是一种新颖的元启发式非数值优化计算方法，建立在蜜蜂白组织机制和群体智能基础上的。蜂群算法的大体发展过程如下，最初，蜂群的自组织模拟模型是1995年由Seely(”1最先提出的。在这个模型中，各个阶层的蜜蜂只负责单一的任务，但是蜜蜂可以通过摇摆舞、气味等方式来进行多种信息的交流，进而使得整个蜂群能够协完成多种工作，如收获花粉、构建蜂巢等。继而，在2003年，美国弗吉尼亚科技大学Teodorovic D”叫提出了蜂群优化算法(bee colonyoptimization，BCO)，2005第1章绪论年，DKaraboga又提出了更为系统的人工蜂群算法(artificial
34、bee colony，ABC)，具有算法简单、鲁棒性强的优点，并将其应用于函数的数值优化问题上，在非限制性数值优化函数上有着比常见的肩发式算法更加优越的个0t4-hH匕up”。DKaraboga年IBBasturk在2006年又进一步利用ABC理论去解决限制性数值优化的问题，测试效果较好p。蜂群算法的分类是受到蜜蜂在自然界中的行为各有不同的肩发，BITAM S391等人将蜂群算法重点分为两大类，基于婚配行为与基于采蜜行为两类。而MAGDALENE M等人H 04”将蜂群算法分为基于交配和采蜜行为两类。由于蜜蜂的繁殖包括很多，如交配或婚配、产卵和照顾幼蜂等一系列行为，所以采取了一种更为恰当的分类
35、方法：将蜂群算法主要分为基于繁殖原理和基于采蜜原理两大类。近些年来，这两大类，也被。泛的地应用到了很多领域。较为常见的基于蜜蜂繁殖行为的蜂群算法，它是mAbbassH副于2001年提出的，称为蜜蜂交配优化算法(honey bee matingoptimization，HBMO o它模拟的是这样一个整体过程，即一只蜂王如何进化成为含有一只或者多只蜂王的蜂群，并应用到解决可满足性的问题上。Niknam等人，分别采用HBMO与PSO算法相结合和效的多目标HBMO算法，解决馈线重组分布问题H 3。441。Fathian等人H到将HBMO进行改进，应用于聚类分析问题，并与其他算法比较；Magdalene
36、等人H叫用HBMO进行金融分类，解决信贷风险估计问题；Haddad等人用HBMO完成了走水管道的优化设计，采用了变量的最佳组合以减少泄洪槽和消力池的总成本H”；进行了水资源优化设计，将HBMO应用于单一水库的最小化总目标的运作H引；解决了沿海储水层的威尔斯最佳效果运算【4；Curkovic等人晡叫利用HBMO使的移动机器人能够避开障碍物并且求解非线性丢番图方程标准函数，解决路径规划问题；Kang解决了分布式计算机系统的最大可靠性的任务分配问题，最大限度地提高_：，系统的可靠性，找到了最佳分配方式，以HBMO算法为基础，在合理的计算时问内找到了最佳解决方案，证明了该算法的有效性蟑。Marinak
37、is等人p刈将HBMO结合了蜜蜂交配优化算法和扩展邻域搜索算法，解决了开放式车辆路径问题；除了HBMO，还存在其它的基于繁殖机理的蜂群算法，包括蜂王算法p副和蜜蜂进化型遗传算法睛41等。基于蜜蜂繁殖原理的蜂群算法它在本质卜其实就是对遗传算法p圳的一种改进。较为常见的基于蜜蜂采蜜原理的蜂群算法是人工蜂群算法(artificial bee colonyalgorithm，ABC)，它是Karaboga在2005年提出的，并且用ABC解决约束优化b“、聚类分析p71和训练神经网络问题陋81；胡巾华等人用ABC解决无人机路径规划瞪91、机器人路径规划1、求解作业车间调度问题JSP陋11和旅行商问题TS
38、P嫡21；Pulikanti等人6列为了求解二次方程相关问题，把ABC与局域搜索和贪婪启发法相结合，取得了较好的实验效果；樊9哈尔滨工程人学硕十学位论文小毛等人利用ABC算法较好地解决了约束平面选址问题陋4埽口01背包问题M51；Hsieh等人旧叫用ABC预测股票价格；Karaboga”用ABC设计数字无限脉冲反应过滤器；Rao等人副用ABC优化多工序制粉操作过程参数：Sonmez引用带有自适应罚函数的ABC设计桁架结构最小重量；Xu等人“叫基于混沌理论改进ABC以解决无人驾驶战斗机的路径规划问题：Omkar等人1用并行矢量估计ABC以优化多目标复合件设计；Banhamsakun等人口列用最优
39、选择法改进ABC算法，进行图像配准。Pulikanti，Srikanth提出了一种新的贪婪的启发式和本地搜索方式相结合的人工蜂群算法，用此算法来解决二次背包问题。它是异构01背包问题，也是个NP难问题，实验结果表明ABC算法比其他算法更容易取得更好的效果u“。Duan HaiBin等人采用一种新型的混合人工蜂群算法(ABC)和量子进化算法(QEA)解决连续优化问题。ABC提高本地搜索能力，随机性。通过这种方式，提高QEA町以跳出过早收敛，并找到最佳值。实验结果表明，此方法可行并且有效地解决复杂的连续优化问题41。Karaboqa等人研究了人工蜂群算法(ABC)在约束优化问题上的应用，给出了和其
40、他算法算法的性能比较结果。首先提出的ABC在非约束优化问题的应用，并在此类问题上表现出性能的优越。在这篇文章中，用ABC算法求解并应用到约束优化类问题方面。Gao，Weifeng研究了人工蜂群算法在全局有优化中的应用，受差分进化算法的启发，引进了参数M，两种改进的方案，ABCbestl和ABCrandl，为了避免种种确定，使用了一种选择性概率P去控制它们，并且得到了新的搜索机制；另外，为了提高全局搜索系数。实验表明ABC算法在混合数值优化问题上，具有较好的寻优效果。Rubiolarqo等人采用ABC算法解决静态RWA问题，也是属于多目标的优化问题。Sundar等人采用ABC算法解决O一1多维背
41、包问题，启发式修复算子和局部搜索引入了算法中，结果表明，不单能够取得较好的结果而且收敛速度较快。Brajevic提出将ABC算法应用于求解车辆问题方面。车辆路径问题是一个NPhard问题，这里也考虑了求解车辆路径问题的变异。ABC算法较为成熟地应用主要是连续无约束和约束的问题。在这里，将算法用于不同类型的问题，小规模的问题。对实验结果进行了比较，计算研究表明，该算法在求解车辆路径问题上，具有广阔的应用前景1。Xu，Chunfang等人用ABC算法解决无人作战飞行器的路径规划问题，路径规划是一个相当复杂的全局最优问题，目的就是考虑各种不同的复杂战场环境的制约下，能够寻求一个最优的飞行路线。文中提
42、出改进的ABC优化算法为解决无人作战飞机在各种战场环境的路径规划。实验比较结果显示我们提出的方法的可行性，有效性和鲁棒性。除ABC夕b，基于蜜蜂采蜜行为的蜂群算法还有虚拟蜜蜂算法哺”。近年来，蜜蜂的采蜜行为、记忆、学习和信息分享这些特性也已经成为群智能的研究热点之一隅。第l草绪论14论文将要完成的内容及组织结构本文研究基于蜂群算法的多无人机协同飞行策略，蜂群算法本身就是一种较为新颖的优化算法，本文就是要利用蜂群的优化特性以及蜂群飞行机制的自组织特性完成无人机问的协同飞行。论文的具体章节如下：第一章：介绍课题的研究背景及意义，多兀人机协同控制的研究现状，蜂群算法的研究现状。第二章：介绍关于课题的
43、基本理论，包括人工牛命以及生物界自组织特性。第三章：蜂群算法的原理以及在函数优化上的应用，并且与其他五种算法进行比较，蜂群算法整体效果最好，这也验证了蜂群算法的优化性能。第四章：将蜂群算法用于路径规划，用蜂群算法寻找最优路径，最终让多机的总代价最小，仿真验证协同航迹规划效果。第五章：利用蜂群机制对无人机飞行进行研究，采用蜜蜂的飞行规则规划无人机协同执行任务。哈尔滨：I：程人学硕士学位论文第2章相关理论21多智能体多智能体一般专指多智能体系统或者多智能体技术。多智能体系统是分布式人工智能的一个重要分支，是20世纪末至2l世纪初，国际上人工智能领域的前沿学科，研究的目的在于解决大型、复杂的现实问题
44、，而解决方式是通过将问题转化为简单的、易于管理、此相互可以沟通的系统，这将远远超出了单个智能体的能力。多智能体的内容包括智能体的才能、知识、任务、设计和怎样能让各个智能体之间进行1力、调动作完成任务等。多智能体技术作为人工智能的研究对象，促进了多智能体系统的行为理论、通信语言和体系结构的更为深入的研究，现在，已经成为了人工智能领域研究的一大热点。211多智能体的含义Agent的翻译就是代理者，它的含义哺3j简要分析，代理者的使用能够分成两类：第一类是一般都认同的，即弱化的；第二类是有争论的，强化的。第一类采用代理者的方法很多情况是在硬件或软件基础之上的计算机系统，并具有以下属性：(1)自治力(
45、Autonomy)：Agent可根据外界的环境改变，而对自身行为作出相适应的调整，具有自我调整的能力，也就是在没有人或者其它的直接干预的情况卜就能够正常的工作，并可以对其内部的状态和自身的行为进行控制；(2)社会能力(Social Ability)：利用一种Agent通信语言与别的Agent或人互相交流；(3)反应力(Reactivity)：通过GUI、其它的Agent、INTERNET、或者采用上述一切方法了解环境，并能及时对外界刺激作出一定的反应；(4)主动行为(ProActiveness)Agent并不是简单地响应环境，它可以主动地对目标进行定向。对一些研究者，代理者Agent的强化概念
46、有更特定、更强化的意义。一般来讲：Agent是除了具备以上特性，还采用通常描述人的思想来完成或者概念化的计算机系统。有一种Agent是町视地表示，例如用动画腧或者卡通图标。很明显，这样的Agent用于人机界面中更加合适。代理者的其它属性还有：(1)可移动性(Mobility)：在网络中，Agent具有移动的能力；(2)诚实性(Veracity)：假定Agent不会有意地传递虚假信息；(3)善意性(Benevolence)：假定Agent并未遇到冲突，所以每个Agent尝试按规定去做；(4)合理性(Rationality)：假定Agent行为的目的是达成目标任务，而不是抵制目第2覃相关理论标的实
47、现。由于单个Agent的能力是有限的，在相应实现中，经常采用的是multiagent系统，就是把有着不同功能的各种Agent结合一起，既分工又协作，通过个体互相的作用，共同解决问题，完成任务。尤其随着当今分布式人工智能领域的发展，multi-agent的应用也越来越广泛。212 Agent的特性一般来讲，在一个多智能体系统中，单个自丰的智能体应该有如下的基本功能：(1)感知能力：一个智能体需要有能力去感知周围环境的变化，便于适应多变的环境并且保证决策的正确。(2)行动及控制能力：智能体能够作用并且控制当前的环境。(3)通信能力：智能体之间可以相互通讯，以便于达成个体之间的相：巨协作，共同完成目
48、标任务。(4)推理能力：智能体可以判断和推理它本身的行为和其它智能体的行为，决定活动是否有效同时也可以为下一步行动作出规划。213协作方式协作方式在某种程度上可以说是分布式控制方式，现在的协作方式丰要包括两种，任务公担(task sharing)和结果共享(result sharing)。任务公担就是指各个智能体之问互相合作，共同承担任务，并且如果某个智能体负责的任务过于繁重，不能独自完成时，它能够分解任务，通知另外的智能体共同来完成。本文所研究的基于蜂群机制的无人机协同规划也采用了这种思想。信息产生者 接收者图21结果共享结果共享是指智能体通过个体之间的相互通讯并能够共同利用不同观点所得出的
49、关于整个系统的部分结果。其形式如图21所示。哈尔滨I程人学硕十。孑：何论文在大自然的各种牛物群中，像蜜蜂、蚂蚁、鸟类等，他不是某一个角色来协调其他自丰的个体，但是他们整体却可以表现一种有序、协调和智能的状态。如本文所研究的蜂群算法，蜜蜂问就可以通过自组织，来完成某些任务。这些群体都是通过彼此之间的相与：协作，去完成单个个体无法完成的任务，虽然每一个个体都做一种简单的动作行为，但通过交瓦、协调，最终却完成搜索、预防、觅食等多种智能的行为。也有许多学者研究牛物的自组织行为，如：蚁群算法、boids算法、鱼群算法、蜂群算法等仿牛学算法，并且把他们广泛地用于各个研究领域，取得了许多成果。22蜂群算法介绍221基于繁殖原理的蜂群算法介绍1基于繁殖原理的蜂群算法原理蜜蜂是一种社会性昆虫，它们的社会分工非常明确，蜂后、雄蜂和工蜂共同组成了一个完整的蜜蜂群。蜂后和工蜂是属于雌性的成年蜂，而蜂后在蜂群中是最重要的繁殖个体，唯一有牛殖功能的蜜蜂。蜂后可以蜂蜜急速来一直其它存在的蜂后的性能力，使得每个蜂群中只有一只蜂后。蜂后和雄蜂婚配、产子、最后到
