基于单平台探测概率模型的水下无人集群部署规划算法

生雪莉, 李鹏飞, 郭龙祥, 陆 典, 韩 笑



基于单平台探测概率模型的水下无人集群部署规划算法

生雪莉, 李鹏飞, 郭龙祥, 陆 典, 韩 笑

(1. 哈尔滨工程大学 水声技术重点实验室, 哈尔滨, 150001; 2. 海洋信息获取与安全工信部重点实验室(哈尔滨工程大学), 工业和信息化部, 哈尔滨, 150001; 3. 哈尔滨工程大学 水声工程学院, 哈尔滨, 150001)

在执行海洋环境监测、近海勘探及军事战术侦察等任务时, 水下无人集群探测的探测性能取决于集群内平台的部署规划及单个平台的探测性能模型。文中基于主动声呐信息流程和海军水面舰艇模型(NISSM), 引入了单平台区域探测的概率模型, 提出一种基于布谷鸟搜索算法, 采用高斯变异算子和锦标赛选择机制的指定区域内无人平台部署规划算法, 并进行了仿真验证。仿真结果表明: 单平台探测概率模型能够量化地给出区域内各点的探测概率, 有效反映受平台自身参数及海洋环境约束引起的平台探测信息的不确定性, 且平台探测能力的衰减程度与虚警概率相关。文中的无人平台部署规划算法较布谷鸟算法性能优异、进化曲线斜率更陡、收敛速度更快, 不同数量平台基于该算法部署规划后的区域有效探测覆盖率较随机部署高0.2, 达0.8以上。文中的研究可对任务区域无人集群的布放提供参考。

水下无人集群; 单平台探测概率模型; 无人平台部署规划算法; 区域有效探测覆盖率

0 引言

随着无人科技的发展, 在现代战争追求人员零伤亡的需求下, 作为无人作战系统重要组成部分的水下无人集群, 已经成为世界各国研究的热点[1]。

由于水下无人集群不受恶劣的水文环境和高危险海底环境影响, 能突破人体极限, 全天候、高强度地侦察和获取水中的各种信息, 各国纷纷利用水下无人集群进行水下战场侦察、监视、情报收集、预警探测、通信中继、环境调查、有效载荷预置、水声对抗、目标探测与识别、猎雷及跟踪打击等任务[2-3]。在上述监视和侦察任务中, 无人集群的部署规划是构建水下探测网络区域覆盖的关键, 而单平台的探测性能又是影响集群部署规划的关键因素。

目前, 对水下探测网络部署问题的研究已有很多, 蒋鹏等[4]提出了一种受果蝇启发的水下传感网部署算法, 考虑到实际水下存在障碍物及边界, 该算法以网络重连通为约束条件, 利用果蝇群的觅食行为结合欧琼鸟飞行机制求解节点移动位置来提高网络覆盖率; 范兴刚等[5]针对栅栏平面上的覆盖空洞, 提出了基于节点重部署的能量高效的三维栅栏构建算法, 该算法选择移动能耗最小的节点移动到空洞的垂直修补线段上, 修补覆盖空洞, 实现了三维栅栏覆盖; 崔频[6]在遗传算法的基础上结合虚拟力方法, 同时兼顾目标水域的能量平均, 研究了一种虚拟力导向遗传算法的水下传感器网络能量均衡部署策略。但以上的部署算法均是基于布尔感知模型所做的研究, 布尔感知模型无法反映出平台自身工作参数、传输距离和海洋环境噪声干扰等因素对平台探测性能的约束, 难以真实有效反映其探测信息的不确定性[7]。

为了有效反映单平台的探测性能和提高无人集群的区域覆盖率, 文中基于主动声呐信息流程和海军水面舰艇模型(navy interim surface ship model, NISSM)主动声呐模型[8], 引入了单个平台区域探测的概率模型, 提出了基于布谷鸟算法的水下探测网络无人平台部署规划算法, 并进行了仿真验证。

1 单平台探测概率模型

实际应用环境中, 由于海洋环境噪声干扰、传播损失等因素的影响, 水下无人平台的探测能力表现出一定的不确定性, 即平台距离目标位置越近, 其探测能力越强; 反之, 平台距离目标位置越远, 其探测能力越弱, 其获取的信息可靠度越低。传统的布尔感知模型下平台对信息的获取是确定的, 无法体现平台的探测能力。单平台探测概率模型能够量化地给出探测范围内各点的探测概率, 较布尔感知模型能够有效反映特定区域中平台获取信息的不确定性。

考虑声波以球面波形式传播, 则

结合式(1)~式(4), 得给定虚警概率下的探测概率

其中

2 协同探测策略

在单平台探测概率模型下, 由于平台获取信息的不确定性, 目标区域的点并不是以均一概率被感知。探测信息的可靠程度由平台与目标点之间的距离、海洋环境噪声干扰和目标强度决定。为了降低目标区域目标点成为探测盲点的可能性, 需要对目标点实施多平台协同探测策略。

3 算法设计

3.1 布谷鸟算法

2009年, 剑桥大学Yang等[9]提出了一种新型的智能优化算法——布谷鸟算法(cuckoo search alg- orithm, CSA)。CSA具有参数设置少, 收敛速度快, 全局搜索性能强等优点, 一经提出就被广泛应用到多目标优化、工程设计、微电网优化、神经网络训练以及计算机网络等领域[10]。

CSA是受布谷鸟寄生孵育雏鸟的生物现象启发而设计的一种优化算法, 其主要思想是通过莱维飞行路径产生候选鸟窝以及采用精英策略更新当前鸟窝位置, 最终使鸟窝位置能够达到或接近全局最优解。

在这3个理想状态下, 鸟巢位置的更新公式为

3.2 无人平台部署规划算法

在CSA中, 由于采用基于莱维飞行的搜索策略, 使得搜索新鸟巢的路径长度和方向具有较大的随机性, 有利于算法在优化前期进行全局搜索, 但在优化后期存在收敛速度慢、求解精度低以及容易陷入局部最优等问题, 为了提高CSA的求解精度以及防止其陷入局部最优, 文中将高斯变异算子及锦标赛选择机制引入CSA中, 提出了无人平台部署规划算法。

4 仿真结果与分析

4.1 单平台探测概率模型仿真

图1是基于表1中参数信息进行的仿真试验, 图2是选取单平台探测概率模型的部分进行了局部放大。由图中可知, 由于海洋环境噪声干扰、传播损失及目标强度的影响, 无人平台的探测能力表现出一定的不确定性。由图1和图2直观地显示出: 平台距离目标的位置越近, 探测信息的可信度越高; 平台距离目标的位置越远, 其探测能力越弱。探测能力衰减趋势如图2所示, 区域内点探测概率的具体数学表达见式(6)。

图1 单平台探测概率模型

4.2 仿真验证

表1 参数列表

图2 探测概率模型局部

图3 变虚警概率下的单平台探测概率模型

对比可知: 图4中, 迭代次数为40时, CSA优化得到的协同覆盖率低于0.8, 而无人平台部署规划算法优化得到的协同覆盖率高于0.85; 图5中,迭代次数为50时, CSA优化得到的协同覆盖率为0.75, 无人平台部署规划算法优化得到的协同覆盖率高于0.85。图4和图5中无人平台部署规划算法的进化曲线斜率均大于CSA的进化曲线斜率。

图4 100次条件下2种算法进化曲线对比图

图5 200次条件下2种算法进化曲线对比图

引入高斯变异算子和锦标赛选择机制的无人平台部署规划算法收敛速率优于CSA。当迭代次数低于100次时, 文中所提算法规划效果更优。

图6和图7中: 颜色深浅表示区域中某点探测概率的大小; *表示单平台探测概率模型的中心即平台的部署位置。图6(a)是4个平台随机部署的效果图, 区域有效探测覆盖率为0.63; 图6(b)是文中所提算法对4个平台部署规划的效果图, 区域有效探测覆盖率为0.9。图7(a)是6个平台随机部署的效果图, 区域有效探测覆盖率为0.73; 图7(b)是文中所提算法对6个平台部署规划的效果图, 区域有效探测覆盖率为0.95。4或6个平台基于文中所提算法区域有效探测覆盖率较随机部署提升0.2以上。优化后的4或6个平台部署位置见表2。

文中所提出的无人平台部署规划算法对区域内平台部署具有很好的规划效果, 较随机部署有效提高了区域有效探测覆盖率。

图6 4个平台部署对比示意图

图7 6个平台部署对比示意图

表2 位置信息列表

5 结束语

文中基于主动声呐信息流程和NISSM声呐模型引入的单平台探测概率模型能够有效地反映监测区域内平台探测信息的不确定性, 量化地给出区域内各点的探测概率。所提出的无人平台部署规划算法能够很好地解决区域内平台部署问题, 由于引入高斯变异算子和锦标赛选择机制, 该算法的收敛速率优于CSA, 对区域内平台部署具有很好的规划效果。

文中介绍的单平台探测概率模型是基于二维平面且全指向性的, 由于现实水环境是三维空间, 后续还需研究三维空间里的探测概率模型及有向探测概率模型, 以及相关的平台部署规划算法。

[1] 钟宏伟. 国外无人水下航行器装备与技术现状及展望[J]. 水下无人系统学报, 2017, 25(3): 215-225.Zhong Hong-wei. Review and Prospect of Equipment and Techniques for Unmanned Undersea Vehicle in Foreign Countries[J]. Journal of Unmanned Undersea Systems, 2017, 25(3): 215-225.

[2] Han Y, Zhang J, Sun D. Error Control and Adjustment Method for Underwater Wireless Sensor Network Localization[J]. Applied Acoustics, 2018, 130: 293-299.

[3] Wang S Q, Sun D J, Zhang Y W. An Efficient Intra-Clust- er MAC Protocol in Underwater Acoustic Sensor Networks[J]. Applied Mechanics & Materials, 2014, 651-653: 1790-1797.

[4] 蒋鹏, 冯洋, 吴锋. 果蝇启发的水下传感网部署算法[J]. 电子学报, 2017, 45(6): 1403-1407.Jiang Peng, Feng Yang, Wu Feng. Fruit Fly Inspired Underwater Sensor Network Deployment Algorithm[J]. Acta Electronica Sinica, 2017, 45(6): 1403-1407.

[5] 范兴刚, 蒿翔, 程斯颢, 等. 基于节点重部署的水下传感器网络三维栅栏覆盖[J]. 传感技术学报, 2018, 31(2): 304-311.Fan Xing-gang, Hao Xiang, Cheng Si-hao, et al. Node Re- deployment for 3D Barrier Coverage in Underwater Sen- sor Networks[J]. Chinese Journal of Sensors and Actuat- ors, 2018, 31(2): 304-311.

[6] 崔频. 水下无线传感器网络部署算法研究[D]. 镇江: 江苏科技大学, 2016.

[7] 贾杰. 无线传感器网络覆盖控制与节点部署技术[M]. 沈阳: 东北大学出版社, 2013: 30-34.

[8] Etter P E. 水声建模与仿真[M]. 北京: 电子工业出版社, 2005: 303-310.

[9] Deb S, Yang X S. Cuckoo Search via Levy Flights[C]//2009 World Congress on Nature & Biologically Inspired Computing. New Zealand: NABIC, 2009: 210-214.

[10] 刘长良, 王鹏飞, 刘帅, 等. 一种改进的CS算法及其在微电网优化中的应用[J]. 系统仿真学报, 2018, 30(3): 930-936.Liu Chang-liang, Wang Peng-fei, Liu Shuai, et al. An Imp- roved CS Algorithm and Its Application in Micro Grid Optimization[J]. Journal of System Simulation, 2018, 30 (3): 930-936.

[11] 杨淑莹, 张桦. 群体智能与仿生计算: Matlab技术实现[M]. 北京: 电子工业出版社, 2012: 13-30.

Deployment Planning Algorithm of Unmanned Underwater Swarm Based on Probability Model of Single-platform Detection

SHENG Xue-li , LI Peng-fei, GUO Long-xiang, LU Dian, HAN Xiao

(1.Acoustic Science and Technology Laboratory, Harbin Engineering University, Harbin 150001, China; 2. Key Laboratory of Marine Information Acquisition and Security(Harbin Engineering University), Ministry of Industry and Information Technology, Harbin 150001, China; 3. College of Underwater Acoustic Engineering, Harbin Engineering University, Harbin 150001, China)

In marine environment monitoring, offshore exploration, military tactical reconnaissance and other missions, the detection performance of unmanned underwater swarm depends on the deployment planning of swarm and the detection performance model of single platform. In this paper, a probability model of single platform for area detection is proposed based on the active sonar process and the navy interim surface ship model(NISSM) sonar model. An unmanned platform deployment planning algorithm in a specified area using a Gaussian mutation operator and a tournament selection mechanism is proposed based on cuckoo search algorithm. Simulation result indicates that the probability model of single-platform detection can give detection probability of each point in a region quantitatively, and can effectively reflect the uncertainty of detection information, which is induced by the restriction of platform’s parameter and marine environment. And the attenuation of the platform detection capability relates to the false alarm probability. The proposed algorithm performs better than the cuckoo search algorithm in terms of higher slope of the evolution curve, and faster convergence speed. For different number of platforms, the effective detection coverage rate of the unmanned platform deployment planning algorithm is more than 0.8, 0.2 higher than that of the random deployment.

unmanned underwater swarm; single-platform detection probability model; unmanned platform deployment planning algorithm; effective detection coverage rate

TJ630.33; TB566

A

1673-1948(2019)02-0194-06

10.11993/j.issn.2096-3920.2019.02.011

生雪莉, 李鹏飞, 郭龙祥, 等. 基于单平台探测概率模型的水下无人集群部署规划算法[J]. 水下无人系统学报, 2019, 27(2): 194-199.

2018-11-8;

2018-12-26.

国家自然科学基金(51779061); 霍英东青年教师基金(151007)资助.

生雪莉(1979-), 女, 博士, 教授, 主要研究方向为水声信号处理技术.

(责任编辑: 杨力军)