用于多种无人机协作的群体智能算法：综合综述

原创

已于 2023-02-11 18:42:25 修改 · 1.3w 阅读

116

于 2023-02-11 17:42:42 首次发布

本文综述了群智能算法在多无人机协作中的应用，包括碰撞避免、任务分配、路径规划和编队重构。重点介绍了遗传算法、差分进化等典型算法，并探讨了未来研究趋势，如信息交换方式的转变、分布式控制和自组织水平的提升。

Swarm intelligence algorithms for multiple unmanned aerial vehicles collaboration: a comprehensive review
用于多种无人机协作的群体智能算法：综合综述
https://doi.org/10.1007/s10462-022-10281-7

Swarm intelligence algorithms for multiple unmanned aerial vehicles collaboration: a comprehensive review

摘要：

在过去的十年里，无人机（uav）显示出了越来越大的前景。在此背景下，我们提供了一个在多个无人机协作中发挥极其重要的作用。本研究集中在与该主题相关的四个方面：避免碰撞处理、任务分配、路径规划和地层重组。综合研究了选定的典型算法，分析了它们在多无人机协作中的优缺点。本研究总结了群智能算法的基本结构，其中包括几个基本阶段；并对多无人机协作的四个方面的群智能算法进行了全面的调查。此外，通过分析这些关键技术和相关应用，突出了研究趋势和挑战。这篇广泛的综述是为学者和专业人士在无人机群的概述。

一、多无人机协作中的群体智能

群智能算法本质上是基于迭代随机搜索算法，在迭代过程中全局共享启发式信息，进行后续迭代搜索。根据创造这些技术的灵感来源，它们基本上可以分为四类：进化现象、生物群体智能、物理规则和与人类相关的概念。
在这里插入图片描述

在众多的群智能算法中，可以抽象出一个基本框架。第一步是初始化操作，包括定义相关参数值，设置终止条件，随机生成agent。然后，根据初始设定的评价函数对群中的agent进行评价。然后，根据设定的唯一规则对智能进行评估，并对代理进行更新。最后判断是否满足终止条件，循环或结束迭代过程。
在这里插入图片描述
选择遗传算法(GA)和差分进化算法(DE)是基于进化现象的;选择粒子群算法(PSO)、蚁群算法(ACO)和人工蜂群算法(ABC)是基于生物的群体智能算法;引力搜索算法(GSA)基于物理规律;其他在这一领域使用较少的被归为其他。此外，基于人的概念的算法在无人机领域很少使用，也没有选取典型的此类算法。图2显示了自1950年以来，我们基于谷歌Scholar数据和Web of Science数据检索的多无人机协作领域的研究数量。结果表明，在过去的几十年里，群智能算法在这一领域进行了较为深入的研究和应用。
在这里插入图片描述
由于无人机(UAV)的应用环境日益复杂，所执行的任务日益多样化，以及单架无人机能力有限，对多架无人机协作技术的需求日益迫切，已成为日益重要的发展趋势。多年来，大量的研究通过分析自然界生物的群体行为，如模仿鸟类迁徙、蜜蜂觅食等，进一步解决了当前的问题，以最大限度地提高单架无人机的效率，并控制多架无人机的决策和管理。从而更安全、更可靠、更稳定地完成避碰、任务分配、路径规划、编队重构等任务。

群体智能算法在解决优化问题方面的卓越性能体现在简单的静态问题和复杂的动态问题。具有静态目标函数的算法在优化过程中通常保持之前给定的目标函数，而其他算法在搜索过程中目标函数会发生变化。影响群智能算法分类的因素有很多。核心是基于算法在每次迭代中生成的随机解的数量:基于单解的算法和基于种群的算法。前者在优化过程中只随机生成一个候选解，并不断迭代;后者会生成多个候选解，更有利于搜索空间信息的共享，具有更强的空间探索能力。

二、典型的群智能算法

这些描述性的群智能算法是非常高效的群优化算法，它们已经在大量的学术和现实问题上得到了验证。它们向解收敛速度较慢，且在一定程度上搜索时容易出现停滞，因此存在缺陷。因此，在结合具体应用时，对基本的群智能算法进行了相应的改进，以避免此类问题的出现。在这个小节中，我们讨论并代表了不同类型的多无人机协作群智能算法。

1.遗传算法

基于自然界生物遗传学和种群进化规律和过程的启发式算法是一种进化算法(GA)。根据演化算法的发展历史，演化算法主要有四个分支。最流行的是由Holland为模拟达尔文进化论而开发的遗传算法(Holland 1992)。该算法是在研究生物遗传现象和人工适应系统行为之间的相似之处时创建的。该算法从随机初始种群开始;主要采用随机选择、交叉、变异等操作，获得一组对环境适应性更强的新个体;并最终逐代收敛到最优个体，生成问题的最优解(Chen and Liu 2007)。
在评估个体的适应度后，使用选择算子来确定如何从亲本群体中选择个体作为后代。常用的方法有轮盘赌轮盘选择、随机锦标赛、例外值选择等(Katoch et al. 2021)。通过交叉算子，遗传算法能够保持种群的原始特征，即能够模仿自然界有性繁殖的基因重组过程。最后一个操作是变异操作。突变操作以一定的概率选择一定的位或几个个体，随机改变这些位的基因值。

2.差分进化

差分进化(DE)是由Rainer Storn和Kenneth Price在1995年共同提出，用来求解Chebyshev多项式(Storn and Price 1997)。本质上，它是一种基于种群的随机搜索算法。与遗传算法类似，它主要通过突变、交叉和选择三种操作算子模拟生物进化过程，使初始解演化为全局最优解(Wang et al. 2011)。在过去几十年的发展过程中，DE越来越受到研究者的关注，并成功地应用于各个科学和工程领域。
差分进化中的选择和交叉操作与前面介绍的遗传算法相似，其中最重要的操作是变异操作。
本质上，DE算法的变异过程是将父向量中不同个体的加权差分向量加到基向量上，也可以说是对基向量进行了随机扰动。