本发明专利技术公开了一种基于MASAC算法的复杂动态环境中多无人机协同编队方法。该方法为：首先建立多无人机协同编队的数学模型，初始化模型参数；然后采用动态虚拟目标和领航追随相结合的多无人机协同控制方法，计算每个无人机的动态目标，与环境交互移动到新的位置；接着将多无人机协同编队问题转化为分布式的部分可观测马尔可夫模型，采用MASAC算法进行模型的训练，得到收敛的策略模型；最后利用训练得到的策略模型进行多无人机协同编队任务。本发明专利技术提高了多无人机编队在复杂环境中自主导航与调整的精确度，提升了多无人机任务的适应性，使无人机能够在不依赖中心节点的情况下，快速响应局部环境的变化，提高了多无人机协同编队任务执行的效率和安全性。
本专利技术涉及多智能体系统控制和深度强化学习，特别是一种基于masac算法的复杂动态环境中多无人机协同编队方法。
1、多无人机系统由于其在多种领域中，特别是在搜索与救援、环境监测以及农业巡检等关键任务中的应用潜力，已成为当前研究和技术发展的热点。有效的多无人机协同编队不仅能够显著提升任务执行的效率，还能增强任务的执行质量。然而，多无人机编队也面临如何在动态复杂的环境情况下，尤其是在环境不断变化且各无人机之间的交互需要即时响应的情况下保持高效的协同作业能力等诸多挑战。
2、传统的多无人机编队方法多依赖于预设的固定编队结构和集中式控制策略，这些方法能够满足静态或预测性强的环境情况下的编队需求，但在不可预测和高度动态的环境中，无法满足快速适应环境变化的需求。例如，集中式控制策略在处理大规模无人机编队时，往往受限于通信延迟和计算负荷，难以实时响应环境的变化。
3、多智能体深度强化学习(multi-agent soft actor-critic，masac)作为一种新的方法，通过智能体与环境的交互学习最优的策略，从而解决多智能体系统
1.一种基于MASAC算法的复杂动态环境中多无人机协同编队方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于MASAC算法的复杂动态环境中多无人机协同编队方法，其特征在于，步骤1所述的建立多无人机协同编队的数学模型，初始化模型参数，具体如下：
3.根据权利要求1所述的基于MASAC算法的复杂动态环境中多无人机协同编队方法，其特征在于，步骤2所述的采用动态虚拟目标和领航追随相结合的多无人机协同控制方法，计算每个无人机的动态目标，与环境交互移动到新的位置，具体如下：
4.根据权利要求1所述的基于MASAC算法的复杂动态环境中多无人机协同编队方法
1.一种基于masac算法的复杂动态环境中多无人机协同编队方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于masac算法的复杂动态环境中多无人机协同编队方法，其特征在于，步骤1所述的建立多无人机协同编队的数学模型，初始化模型参数，具体如下：
3.根据权利要求1所述的基于masac算法的复杂动态环境中多无人机协同编队方法，其特征在于，步骤2所述的采用动态虚拟目标和领航追随相结合的多无人机协同控制方法，计算每个无人机的动态目标，与环境交互移动到新的位置，具体如下：
4.根据权利要求1所述的基于masac算法的复杂动态环境中多无人机协同编队方法，其特征在于，步骤3所述的将多无人机协同编队问题转化为分布式的部分可观测马尔可夫模型，采用masac算法进行模型的训练，得到收敛的策略模型，具体为：
