1.一种基于协同计算的无人机群侦算力调度方法,其特征在于,包括:S1、基于初始先验信息建立自适应栅格地图,获取任务搜索向量其中,j表示无人机编号,i表示栅格编号;为栅格目标存在概率,表示无人机j侦测到栅格gi存在目标的可能性大小,栅格不确定度表示无人机j侦测到栅格gi的不确定情况;
自适应栅格化地图G={g1,g2,…,gi}:根据侦测权重划分任务区域为栅格大小不一的栅格地图,将目标区域划分成四个栅格,栅格侦测权重表示为:其中,表示栅格内目标侦测重要程度,表示地形复杂度,αw,βw为相应的系数,将权重超过阈值Wth的栅格进一步划分为四个子栅格,重复上述过程,直到无法继续划分;
栅格目标存在概率:初始栅格目标存在概率由栅格侦测权重Wi归一化得:其中,η表示先验信息准确度,η∈[0,1];
栅格不确定度定义为该栅格内目标存在概率的信息熵:
S2、分析无人机侦测向量组成,包括无人机侦测范围、无人机概率侦测模型,任务搜索向量更新模型,并建立无人机集群信息协同模型;
S3、分析无人机计算向量组成,包括无人机协同计算属性,集群协同计算联盟,任务卸载比例矩阵和计算资源分配矩阵;
S4、分析群侦算力的组成,包括集群侦测力和集群任务完成时延,得到群侦算力的计算方法;
S5、以最大化群侦算力为目标,建立系统优化模型,通过侦测机群智能优化算法,联合优化无人机集群侦测位置和集群资源分配。
2.根据权利要求1所述的一种基于协同计算的无人机群侦算力调度方法,其特征在于,步骤S2的具体步骤如下:(a)无人机侦测向量ZCj={vgj,(PDj,PFj),Yj},其中vgj表示无人机j的可侦测栅格集合,PDj表示成功侦测概率,PFj表示误差侦测概率,成功侦测概率和误差侦测概率统称为无人机概率侦测模型;Yj表示无人机j的任务搜索向量;
(b)无人机概率侦测模型:
成功侦测概率表示目标存在时无人机系统成功判断目标存在的概率,定义为无人机与可侦测栅格之间的高度差平方的指数函数:式中,定义为成功侦测概率,指示了栅格gi中实际是否存在目标,指示了无人机侦测的具体结果,ωs为无人机的成功侦测敏感度,κs为无人机的成功侦测系数,表示无人机j与栅格gi之间的高度差,vgj表示无人机j的可侦测栅格集合;
误差侦测概率表示目标不存在时无人机系统错误判断目标存在的概率:式中,ωf为无人机的误差侦测敏感度,κf为无人机的误差侦测系数;
(c)集群信息协同模型
在集群协同侦测过程中,每架无人机独立完成自身任务搜索向量的更新,为了集群快速精确完成侦测,避免无人机对已完成侦测的栅格重复侦测,集群中无人机需要基于其他无人机任务搜索向量,获取全局任务搜寻向量信息,因此,建立集群信息协同模型:由贝叶斯准则可知,k架无人机同时侦测可表示为:
为了简化计算,将公式(6)变换为:
令由此公式(7)可转化为:
由公式(8)可知,通过集群信息协同模型,无人机只需接收其他无人机传递的概率偏移量即可获得全局搜索向量信息,由于通信仅涉及传递概率偏移量,通信时延可以忽略不计。
3.根据权利要求1所述的一种基于协同计算的无人机群侦算力调度方法,其特征在于,步骤S3的具体步骤如下:(a)无人机计算向量
无人机计算向量JS={(xt,AC),λ,fr},其中xt表示无人机的协同计算属性,AC表示协同计算联盟矩阵,λ表示任务卸载比例矩阵,fr表计算资源分配比例矩阵;
(b)协同计算属性xt
非协同无人机(Non-CooperativeUnmannedAerialVehicle,NC-UAV):在自身负载高时,需要将自身部分计算任务卸载到协同无人机,并可按一定比例卸载给多架协同无人机,使得多个协同无人机协同计算提高任务完成速度,设定非协同无人机的协同计算属性xt=0;
协同无人机(CooperativeUnmannedAerialVehicle,C-UAV):在自身任务负载低时,能够接收非协同无人机的任务数据并帮助非协同无人机进行协同计算,设定协同无人机的协同计算属性xt=1;
(c)集群协同计算联盟组建:考虑到集群中可能存在多个非协同无人机,为了提高集群资源利用率,所有协同无人机考虑自身负载情况以及协同收益,均可同时动态加入多个非协同无人机的计算联盟参与任务计算。
4.根据权利要求1所述的一种基于协同计算的无人机群侦算力调度方法,其特征在于,步骤S4的具体步骤如下:(a)群侦算力计算方法:群侦算力主要由集群侦测力和集群任务完成时延组成,下面依次结果各个部分的计算方法;
(b)集群侦测力:集群侦测力与任务区域的不确定度的变化以及侦测到目标数量有关,表示为:其中,μ表示不确定度变化的权重因子,nF表示集群侦测到目标数量,ng表示任务区域的栅格数量,Ο表示任务区域初始不确定度,表示任务区域每个栅格的初始不确定度,Ο'表示完成侦测后任务区域的不确定度,表示完成侦测后任务区域每个栅格的不确定度;
(c)集群任务完成时延模型:
集群任务完成时延主要由各子任务的本地计算时延和协同计算时延组成,下面依次介绍各个时延的计算方法:任务i的本地计算时延:
式中,λi,i表示无人机i将任务i计算量Ci卸载给自身的卸载比例,表示无人机i将自身剩余计算力fi分配给自身的分配比例,式中,φi表示计算任务i的1bit数据所需的CPU周期,Ii表示任务i的数据量,表示栅格gk的面积,且gk∈vgi,表示无人机i可视栅格集合vgi的总面积,表示vgi中栅格数量,datas表示无人机侦测一次所产生的数据量,表示无人机i对栅格gk的侦测次数;
任务i的协同计算时延包括子任务的传输时延和子任务的计算时延:通信速率Ratei,j由公式(14)计算:
其中,表示无人机i将带宽平均分配给任务i联盟内所有协同无人机,表示无人机i的发射功率,N0为噪声功率谱密度,g0为参考距离的信道功率增益,di,j表示无人机i与联盟内协同无人机j的距离;当di,j→0时,Ratei,j→∞,然而这种情况在实际中不可能会发生。考虑到无人机无限接近会产生碰撞等安全事故,所有无人机的悬停距离应当大于一定阈值dsafe,因此,任务i完成时延:ti=max(tloc,i,tcol,i)。 (15)所有任务采用并行计算方式,因此总任务完成时延T:
T=max(ti) (16)。
5.根据权利要求1所述的一种基于协同计算的无人机群侦算力调度方法,其特征在于,所述S5提出一种侦测机群智能优化算法,通过侦测拓扑优化层和资源优化层交替优化使无人机群侦算力达到最优;
(a)初始化算法参数,包括无人机种群规模pop,最大迭代次数max_iter,收敛因子a,平衡因子l1,参数A;
(b)侦测拓扑优化层中,侦测机群智能优化算法采用佳点集初始化无人机种群位置,提高种群的多样性,佳点集初始化方法如下式,并根据公式(17)计算出佳点:式中,k是满足(k-3)/2≥dim的最小素数,dim表示优化问题的维度;
佳点集Pn(i),可表示为:
Pn(i)={({r1i},{r2i},…,{rni})},1≤i≤pop (18)式中,{rni}表示取小数部分,pop表示无人机种群规模;
将佳点集映射到种群的搜索空间中:
xi(j)=(ubj-lbj)·Pn(i)+lbj (19)式中,xi表示种群i中集群所有无人机的位置,即侦测拓扑,ubj和lbj表示第j维的上下界;
(c)基于当前侦测拓扑,侦测集群中所有可侦测栅格,运用集群信息交互模型使所有可侦测栅格的栅格不确定度低于阈值,输出集群侦测力F和传递每架无人机负载计算量Ci至资源优化层;
(d)资源优化层中,侦测机群智能优化算法采用块坐标下降算法思想,将原优化问题解耦为任务卸载优化子问题(20)和计算资源分配优化子问题(21),问题表达如下:无人机群组建协同计算联盟并通过交替求解两个子优化问题,得出最佳的资源分配方案,使任务完成时延最短,子优化问题的求解方法分别如下:子问题P2.1求解方法:定义计算因子cf为:
通过下式,可以求出在计算资源分配方案固定时,最优的任务卸载方案:子问题P2.2求解方法:定义本地计算因子b为:
定义协同计算因子c为:
通过下式,可以求出在任务卸载方案固定时,最优的计算资源分配方案:输出当前侦测拓扑下的最佳任务完成时延T以及任务卸载比例矩阵λ和计算资源分配矩阵fr;
(e)根据公式计算更新所有种群的适应度,更新α、β和δ无人机为适应度较好的前3个种群;
(f)在侦测拓扑优化层中,基于α、β和δ无人机引导,更新其余无人机位置,更新步骤如下:式中,是[0,2]内的随机数,是[1,2]的随机整数,表示当前α、β和δ无人机的位置,表示当前无人机的位置;
式中,r是[0,1]的随机数,系数A1和A3用于平衡算法的探索和开发的比例,计算公式如下:式中,r1是[0,1]的随机数,收敛因子a和平衡因子l1的计算公式如下:(g)判断循环次数是否达到最大迭代数,若未达到,则迭代次数加一,并返回步骤3继续执行;若达到,则跳出迭代过程,并将所计算出的最优无人机集群拓扑、任务卸载方案和计算资源分配方案输出。