本发明属于无人机集群协同自主飞行，尤其是涉及一种基于改进粒子群算法的无人机群协同飞行自主决策方法。

　　1、无人机是一种通过遥控或自主控制系统操作的飞行器，广泛应用于军事、物流、农业、摄影和测绘等领域。由于其灵活性和低成本，无人机在执行任务时可以进入人类难以到达或危险的区域，实现高效的数据采集、监视和运输。随着技术的进步，无人机的自动化和智能化水平不断提高，进一步扩展了其应用范围和实际价值。在现代军事领域，无人机作为一种拥有巨大威胁和应用潜力的新型技术，受到各国的高度重视。相比传统的有人作战，无人机作战具有成本低、无需驾驶员参与、灵活性高，体积小、机动性强，能够在复杂和危险的环境中灵活作战，执行多种任务等特点。随着无人机智能装备的不断发展，未来的战争格局将受到深远影响，无人机技术也将成为各国重点研究的领域。

　　2、随着无人机的广泛应用，敌方空中防御体系变得愈发复杂和完善，这对无人机的突防能力造成了极大的限制。单纯提升单架无人机的突防能力已不足以应对当前复杂的防御体系。在此背景下，无人机集群协同作战由于具备更强的突防能力，正日益受到重视。通过无人机集群协同作战，可以使整体的作战效能明显增强，从而更有效的突破敌方防线。多个无人机协同探索时，协同航迹规划是一个包含地形、威胁区域、时域、空域、通信等约束复杂约束的优化问题。对于复杂约束的优化问题往往较难求解，并且耗时较长，容易陷入局部最优解。

　　3、为了有效求解无人机集群协同飞行时快速自主决策这样一个包含复杂约束的优化问题，提高无人机集群间的协同作战能力，确保对敌的高效打击。因此，研究基于改进粒子群算法的无人集群协同飞行自主决策方法，将为解决无人机集群协同飞行时快速自主决策问题提供强有力的技术支持。

　　5、1)基于改进粒子群算法的三维路径规划“谢勇宏,孔月萍.基于改进粒子群算法的三维路径规划[j].计算机测量与控制,2022,30(03):179-182+191”；该方法针对粒子群算法解决建造项目中的无人机三维路径规划问题时，易陷入局部最优问题，提出了一种混合惯性牵引力的粒子群优化算法。通过在初始阶段起始点与目标点位置关系，引入自适应初始化机制，对粒子群的初始种群进行优化；采用线性递减的惯性权重方式，加强算法前期的全局搜索与后期的局部搜索性能；借助万有引力思想在速度更新中引入加速度，加强搜索的性能。采用有无自适应初始化机制的改进算法进行对比试验，结果验证了该机制更有利于提高算法的求解质量。但是其缺点为：(1)该方法为对于单无人机的三维路径规划，没用考虑无人机集群的三维路径规划问题；(2)没有给出无人机集群协同方案，使无人机集群能够协同打击目标点。

　　6、2)基于pso-hj算法的多无人机协同航迹规划方法“单文昭,崔乃刚,等.基于pso-hj算法的多无人机协同航迹规划方法[j].中国惯性技术学报,2020,28(01):122-128”；该方法针对多无人机协同航迹求解计算量大,难以收敛等问题,提出了一种基于粒子群优化和hook-jeeves搜索算法相融合的多无人机时间协同三维航迹规划方法。首先，建立了单无人机航迹规划求解模型。然后，通过对适应度评价函数值低的粒子引入hooke-jeeves搜索算法，提高了粒子多样性，改善了航迹规划算法收敛性；对不满足约束的粒子引入约束违反度函数，基于比较准则提出了一种新的粒子评价机制，促进粒子搜索位于约束边界的最优解，加快了航迹规划算法的计算效率。最后，设计了一种多无人机时间协同航迹规划求解算法，利用pso-hj算法先分别求解单无人机航迹信息，通过多无人机集中航迹规划层协调到达时间实现协同航迹规划。该方法的缺点为：(1)没有考虑无人机集群在空间上的约束，即飞行过程中集群相撞的可能性；(2)当不满足时间约束的时候，没有给出具体的重新选择航迹组的方法；(3)没有给出次优航迹组的求解思路。

　　1、针对无人机集群协同飞行自主决策的复杂约束优化难题，本发明建立了无人机自主飞行的约束模型，设计了相应的目标函数，然后建立了时间和空间协同约束模型，以显著提升无人机集群协同飞行自主决策的效率。

　　3、基于改进粒子群算法的无人机群协同飞行自主决策方法，其特征在于，包括以下步骤：

　　4、s1、基于无人机群的飞行空间与障碍物区域构建无人机三维路径规划的代价函数：

　　8、其中，ji,1是无人机航迹长度代价函数，pi,j是第i架无人机的第j个航迹节点，表示为三维坐标pi,j＝(xi,j,yi,j,zi,j)，...表示求两点间的距离，n是航迹节点的数量；ji,2是障碍物区域代价函数，是计算碰撞的风险的函数，dm＝pi,j,rhreatm为航迹点到障碍物中心点的距离，d是无人机的直径、rm是障碍物的半径、rthreatm是障碍物中心点坐标，m＝1,2,...,m，m是障碍物区域的数量；ji,3是无人机飞行高度代价函数，△zj为前后两个航迹点的高度差；α1,α2,α3其为权重系数，且满足和为1。

　　15、将上述建立的代价函数作为粒子的适度值函数，如下式。随机初始化适度值函数值后带入多种群粒子群优化方式中进行迭代并记录各迭代次数下的适度值和全局最优解。

　　17、其中，fit(xg)为计算适应度值函数，xg为d维搜索空间中粒子的位置向量。

　　18、将传统粒子群按照当前迭代的适应度值大小分为优势群、劣势群和混合群。优势群粒子更新策略：

　　20、其中，xg(t)和分别为第t次迭代时，经莱维飞行更新前后的粒子位置，α为步长控制因子，一般取0.01，用大小步长飞向原本小概率探索区域，使得搜索区域更加均匀；levy(λ)为随机搜索路径，代表点乘；为贪婪算法更新后的粒子位置。

　　24、其中，粒子xi历史最佳位置为种群全局最佳位置为组合粒子记为pmix(t)，c1和c2分别是自身学习因子和全局学习因子，c3中为混合学习因子，r1、r2和r3是(0,1)区间内的随机数且均匀分布；r和n(0，1)是[0，1]之间的随机数，x为粒子的位置，xnew为变异后的粒子的位置，tmax是粒子的最大迭代次数。

　　27、其中，ω为惯性权重，ωmax是初始惯性权重，ωmin是迭代至最大时的惯性权重，一般设置为ωmax＝0.9,ωmin＝0.4。

　　28、通过将建立的代价函数作为粒子的适度值函数，随机初始化适度值函数值后带入多种群粒子群优化方式中进行迭代求解，得到粒子群的最优解，由于每个粒子都代表一种无人机的三维航迹节点，即得到了无人机最优的三维航迹。

　　29、s3、对无人机集群进行备选航迹规划，规划过程中要求满足空间协同cs：

　　30、在备选航迹规划过程中，根据步骤s2为无人机群中的n架无人机按顺序规划出m条飞行路线。为了保障航迹的丰富性，设置最大重复航迹点rmax。当备选航迹组中某两条航迹的相同航迹点数量大于rmax时，则重新规划其中一条航迹。需要确保不同无人机之间的航迹满足空间约束：

　　32、其中，ds≤di,j≤dc，di,j为第i架无人机和第j架无人机间的距离，ds是最小防碰撞距离，dc是最大通信距离；

　　34、规划完全部的无人机集群备选航迹后，计算每架无人机沿着备选航迹飞行时的到达时间区间vi∈[vmin,vmax]是第i架无人机的速度范围，li,j是第j条备选航迹的长度。对每一架无人机的时间区间求并集ati，进行无人机集群的时间协同。

　　36、其中，为集群所有无人机时间区间的交集，uav_num为无人机数量。

　　37、检查无人机集群到达时间区间的交集是否为空集。如果交集为空集，表示没有共同的到达时间，需要重新选择航迹；如果交集不为空集，则得到了满足协同约束的可选航迹组。

　　38、s5、根据得到的无人机三维路径规划航迹组对无人机飞行参数进行设定：

　　39、选择到达时间区间的最小时间集合作为到达时间(at)和相对应的航迹，根据确定的到达时间(at)，计算每架无人机需要的飞行速度。

　　41、(1)本发明解决了无人机集群协同航迹规划的复杂约束优化难题，针对协同规划航迹的复杂优化问题，通过提出改进粒子群算法，并建立自主决策问题模型，给出相关约束条件(例如地形威胁、气象威胁等等)，提高了优化问题的求解速度和准确性。

　　42、(2)在集群的航迹规划完成后，构建了多无人机时间、空间协同约束模型，提出备选航迹组策略以解决时间协同问题，同时给出了多机协同航迹规划解决方法的总体框架。PG电子试玩