·580· 智能系统学报 第16卷 信息素更新的目的是使得较优路径上的信息 婪搜索由于贪婪思想，多架无人机均选择了相同 素增加，同时根据挥发因子p(0<p<1)的值模拟一 的路径，容易导致局部最优。本文就无人机群航 种挥发的方式削弱较差路径上的信息素，避免信 迹覆盖率、地图高亮区域和目标捕获点的分布规 息素的无限累积，出现局部解1。路径上的信息 律3个指标对这4种算法进行了比对分析，其中 素更新为 航迹覆盖率对比如图11所示。 (j.5)=.Pob (3) 开始 式中：j为栅格序号；为邻接矩阵中第j行中的 所在列；1为当前时刻。式(3)仅仅更新无人机上 初始化参数 一时刻到当前时刻的路径，σ的正负分别对应信 n,a、iter、t、 息素的产生和挥发，式(3)的挥发是系统根据无 p、MM、、i 人机的搜索状况而进行的，实际环境中，信息素 发现 目标 作为昆虫的外激素也会因为温度等环境因素而自 计算 然挥发，为了构建环境的真实性以及避免过度地 f(x,y,) -0p 局部搜索，需要进行全局更新： 信息增量△d =-1(1-p) (4) 方向限定 式中p为信息素挥发因子。 更新fx,八列 计算UPEP 6仿真实验 更新t 本文仿真环境为Windows10系统，电脑配置 计算P 为i5-8300H/1050Ti,本次仿真在Matlab R2014b版 K<n 轮盘赌法 本中进行。仿真场景设置如表1所示。 选择节点 表1仿真场景参数设置汇总表 Table 1 Summary of simulation scenario parameter setting 将所选节点 放入禁忌表 环境 无人机 仿真时长 目标 MM=37 n:10架 单次步数k:60/次 0初值=0.6 结束 a=1 v:1步/格 迭代数iter:30次 图9本文算法流程 初值=100 =2 Fig.9 Algorithm flow chart of this paper p=0.1 0=909 文献[16]中对环境进行节点建模，节点个数 为32个，为了对比大环境中本文算法的有效性， 实验设置了1369个节点的栅格环境。基于上述 (a)贪婪搜索方法 b)随机搜索方法 场景，为了能够比较算法的优劣性，需要进行多 角度、长时间迭代的对比分析，本文仿真对比了基 于贪婪思想的搜索方法、随机搜索方法、文献[16) 的搜索方法和本文的搜索方法。贪婪搜索方法是 在运动方向中选择信息素浓度最高的方向；随机 搜索方法则是没有任何决策机制，随机选择运动 (c)本文搜索方法 (d)文献[16搜索方法 方向22。图9为本文算法的流程。 图104类算法的可视化界面 图10所示为基于贪婪、随机、本文搜索方法以 Fig.10 Visual interface of four algorithms 及文献[16]搜索方法运行结束后的可视化界面。 如图11所示，本文的搜索算法的航迹覆盖率 图10中的4幅图均为各自算法最后一次迭 均值达到80%左右，仅以此结果来看，本文搜索 代下的热力图和无人机群航迹图。结果表明，主 的效果比较可观，文献[16]搜索算法的覆盖率仅 动搜索和随机搜索与贪婪搜索相比，其目标的捕 有52.3%，以此可以表明本文所提算法相较于文 捉率高，捕捉范围广：且主动算法的搜索覆盖最 献[16)更适用于较大的环境。然而动态目标相对 广，随机搜索容易围绕在出生点附近，所以其捕 于无人机群体具有时间和空间的不确定性，因此 获目标的效率很大程度取决于出生点的好坏，贪 实验中用热力图中高亮区域的数量来表征算法中信息素更新的目的是使得较优路径上的信息 素增加，同时根据挥发因子 ρ(0<ρ<1) 的值模拟一 种挥发的方式削弱较差路径上的信息素，避免信 息素的无限累积，出现局部解[23]。路径上的信息 素更新为 τ t ( j, ξj ) = τ t · P t ob (3) 式中：j 为栅格序号；ξj 为邻接矩阵中第 j 行中的 所在列；t 为当前时刻。式 (3) 仅仅更新无人机上 一时刻到当前时刻的路径，σ 的正负分别对应信 息素的产生和挥发，式 (3) 的挥发是系统根据无 人机的搜索状况而进行的，实际环境中，信息素 作为昆虫的外激素也会因为温度等环境因素而自 然挥发，为了构建环境的真实性以及避免过度地 局部搜索，需要进行全局更新： τ t = τ t−1 ·(1−ρ) (4) 式中 ρ 为信息素挥发因子。 6 仿真实验 本文仿真环境为 Windows 10 系统，电脑配置 为 i5-8300H/1050Ti，本次仿真在 Matlab R2014b 版 本中进行。仿真场景设置如表 1 所示。 表 1 仿真场景参数设置汇总表 Table 1 Summary of simulation scenario parameter setting 环境 无人机 仿真时长 目标 MM=37 n:10架 单次步数k：60/次 σ初值 =0.6 a = 1 v：1步/格 迭代数iter：30次 — τ初值 =100 r=2 — — ρ = 0.1 θ = 90° — — 文献 [16] 中对环境进行节点建模，节点个数 为 32 个，为了对比大环境中本文算法的有效性， 实验设置了 1 369 个节点的栅格环境。基于上述 场景，为了能够比较算法的优劣性，需要进行多 角度、长时间迭代的对比分析，本文仿真对比了基 于贪婪思想的搜索方法、随机搜索方法、文献 [16] 的搜索方法和本文的搜索方法。贪婪搜索方法是 在运动方向中选择信息素浓度最高的方向；随机 搜索方法则是没有任何决策机制，随机选择运动 方向[24-25]。图 9 为本文算法的流程。 图 10 所示为基于贪婪、随机、本文搜索方法以 及文献 [16] 搜索方法运行结束后的可视化界面。 图 10 中的 4 幅图均为各自算法最后一次迭 代下的热力图和无人机群航迹图。结果表明，主 动搜索和随机搜索与贪婪搜索相比，其目标的捕 捉率高，捕捉范围广；且主动算法的搜索覆盖最 广，随机搜索容易围绕在出生点附近，所以其捕 获目标的效率很大程度取决于出生点的好坏，贪 婪搜索由于贪婪思想，多架无人机均选择了相同 的路径，容易导致局部最优。本文就无人机群航 迹覆盖率、地图高亮区域和目标捕获点的分布规 律 3 个指标对这 4 种算法进行了比对分析，其中 航迹覆盖率对比如图 11 所示。 开始 初始化参数 n, α、iter、τ、 ρ、MM、v、δ 计算 f (x, y, δ) 计算 Pi 将所选节点 放入禁忌表 发现 目标 i<n 结束 方向限定 计算 UPEP 轮盘赌法 选择节点 信息增量 Δδ Y −30 ρ ρ N 更新 f (x, y, δ) 更新 τ M M Y iter<30 N N Y 图 9 本文算法流程 Fig. 9 Algorithm flow chart of this paper (a) 贪婪搜索方法 (b) 随机搜索方法 (c) 本文搜索方法 (d) 文献 [16] 搜索方法 图 10 4 类算法的可视化界面 Fig. 10 Visual interface of four algorithms 如图 11 所示，本文的搜索算法的航迹覆盖率 均值达到 80% 左右，仅以此结果来看，本文搜索 的效果比较可观，文献 [16] 搜索算法的覆盖率仅 有 52.3%，以此可以表明本文所提算法相较于文 献 [16] 更适用于较大的环境。然而动态目标相对 于无人机群体具有时间和空间的不确定性，因此 实验中用热力图中高亮区域的数量来表征算法中 ·580· 智 能 系 统 学 报 第 16 卷