[0001] 本发明涉及无人机集群技术领域，具体为一种GEO辅助的无人机集群分组方法。

[0002] 无人机集群技术近年在多个领域得到了广泛的应用，尤其在复杂和动态环境中表现出来极大的优势。通过无人机间组网以及通信指挥，无人机集群能够完成协同合作，完成更具挑战性的任务，其应用涵盖了救援、环境监测、农业、物流运输等多个领域。然而由于无人机集群中无人机数量庞大、飞行区域广泛，如何保持集群内的高效通信成为无人机集群技术的关键挑战。

[0003] 在无人机集群通信的环境中，集中式的通信方式（即所有无人机直接与指挥中心通信）会面临信道拥堵、能耗过高、通信延迟大等问题。因此，目前广泛采用动态组网技术，对无人机集群进行合理的分组划分，并加入中继通信的无人机作为中继节点，以解决信道拥堵等问题。

[0004] 在动态组网中，将整个无人机集群划分为若干个局部通信的组，并在分组过程中确定中继通信无人机的位置，每个组通过中继无人机与指挥中心进行通信。在整个通信网络中，无人机集群的分组，以及中继无人机的位置决定了整个无人机集群的通信负担与能耗。不合理的分组方法以及中继无人机的位置将导致部分组别通信负担严重，能耗加剧，影响着整个网络的工作寿命。然而现有的分组方法并没有充分的考虑无人机的分布情况，对无人机整体分布探索不足，造成通信负载严重、能耗加剧。

[0059] 下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

[0060] 本发明提出的GEO辅助的无人机集群分组方法，结合了GEO算法强大的寻优的优势对无人机集群进行探索。GEO辅助的无人机集群分组方法模型如图1所示，并结合GEO核心思想将攻击向量、巡航向量以及随机记忆交换融合到分组的探索中，降低了无人机集群能量损失函数值，提升了探索能力。

[0061] 在接下来表述中，将无人机集群分为两部分，一部分为中继无人机，其作用是作为每个分组内的中继节点同指挥中心进行通信；其余为节点无人机，其被划分为不同的分组与中继无人机进行通信。

[0062] 本实施例中具体步骤为：

[0063] 步骤1：初始化无人机集群的初始坐标空间以及节点无人机位置集合；其中 为节点无人机位置集合， 为第 个节点无人机的位置，，为节点无人机数量。

[0064] 如图2所示，本实施例中无人机集群分布为二维空间分布，因此空间维数 ，节点无人机数量为20，初始化无人机集群初始坐标空间以及节点无人机坐标位置集合，其位置在图2中用蓝色□表示。

[0065] 步骤2：初始化分组数量K=5及5个中继无人机初始位置集合 ，并将其作为中继无人机最佳记忆位置集合的初始值 ，其位置在图2中用绿
色 表示。右上角角标表示探索无人机分组的迭代次数。

[0066] 其中中继无人机初始位置 按照以下步骤确定：

[0067] 步骤2.1：随机选取一个节点无人机初始位置作为第一个中继无人机初始位置；

[0068] 步骤2.2：对于每个节点无人机初始位置，计算其与当前所有已确定的中继无人机初始位置的距离之和 ， 为第 个节点无人机的位置， 为当前已确定的中继无人机初始位置个数，符号 为2范数；选取距离之和最大对应的节点无人机初始位置作为下一个中继无人机初始位置；

[0069] 步骤2.3：重复步骤2.2，直至5个中继无人机初始位置确定。

[0070] 步骤3：设定对节点无人机分布的探索迭代次数T=50，并确定每次迭代的攻击参数与巡航参数；

[0071] 其中，第 次迭代的攻击参数 与巡航参数 根据公式

[0072]

[0073] 计算得到； 为攻击系数的迭代初值， 为攻击系数的迭代终值， 为巡航系数的迭代初值， 为巡航系数的迭代终值， 、 、 、 均为设定值， ，，其表示在对节点无人机分布的整个探索过程中的倾向由以巡航倾向
为主，逐渐转变为以攻击倾向为主，最终完成探索。

[0074] 步骤4：对第t‑1次迭代后得到的中继无人机的最佳记忆位置集合 进行集合内元素随机交换操作，得到第 次迭代的目标位置集合 ， 为对第t‑1次迭代后的最佳记忆位置集合 进行集合内元素随机排列的函数，生成一组随机排列值，例如： ，其中的 ， ， ， ， 为
位置坐标，则 的可能结果为 ，将位置坐标的顺
序进行随机排列而并不改变其坐标值； 为在第 次迭代中，中继无人机所要进行探索的目标位置集合。

[0075] 步骤5：在第 次迭代中，对于第 个中继无人机，根据第 个中继无人机当前所在位置 以及第 个中继无人机的目标位置 ，计算第 个中继无人机的攻击向量 ：

[0076]

[0077] 第 个中继无人机的攻击向量 表示为 ，其方向由第 个中继无人机当前所在位置指向第 个中继无人机探索的目标位置，在图3中用红色箭头表示。

[0078] 步骤6：在第 次迭代中，根据公式

[0079]

[0080] 计算 ； 为以第 个中继无人机攻击向量为法线并包含第 个中继无人机当前所在位置的超平面方程的常量， 为第 个中继无人机当前所在位置 的第j个元素。

[0081] 步骤7：在第 次迭代中，第 个中继无人机的巡航向量表示为 ，任意选定一个不为0的攻击向量分量 对应的 为待求量，巡航向量的其余分量随机取值，得到第 个中继无人机的巡航向量，在图3中用粉色箭头表示；其中待求量 根据公式[0082]

[0083] 得到。

[0084] 步骤8：在第 次迭代中，根据第 个中继无人机的攻击向量、巡航向量计算第 个中继无人机的移动步长 ：

[0085]

[0086] 计算得到，式中 和 均为 之间的随机长度。

[0087] 步骤9：在第 次迭代中，根据移动步长 ，更新第 个中继无人机的位置，在图3中用蓝色 表示：

[0088]

[0089] 步骤10：在第 次迭代中，采用下述步骤更新中继无人机的最佳记忆位置集合：

[0090] 依据 第 次迭 代后 得 到的中 继无 人机 的最 佳记 忆位 置集 合，以及中继无人机当前第 次迭代时的位置集合 ，得到中继无人机的预设位置集合初值 ，其中 的第 个元素取值为
；所述预设位置集合初值共有 种可能；

[0091] 对于每一种预设位置集合初值 ，通过以下过程完成一次节点无人机分组，并计算当前预设位置集合初值下的局部最优中继无人机位置集合，以及计算损失函数的大小：

[0092] a、对于每个节点无人机，将其分配给当前预设位置集合中的距离最近的预设位置：

[0093]

[0094] 其中 为第 个节点无人机的位置， 为与第 个节点无人机位置距离最近的预设位置，表示预设位置 对应的分组， 表示预设位置集合中的其余预设位置；得到的分组结果记为 ，其中 中记录第 个分组内的节点无人机编号；

[0095] b、对于每一个分组，重新计算该组对应的预设位置：

[0096]

[0097] 为第 个节点无人机的位置；

[0098] c、重复a、b直至预设位置集合收敛，得到的预设位置集合收敛值作为基于某一种预设位置集合初值 的局部最优中继无人机位置集合 ， 为 中的第 个元素； 表示a、b过程的重复次数；并根据公式

[0099]

[0100] 计算 的能量损失函数 ；

[0101] 对于 种预设位置集合初值，得到 个局部最优中继无人机位置集合，更新中继无人机最佳记忆位置集合为 个局部最优中继无人机位置集合中能量损失函数最小的一个局部最优中继无人机位置集合 ，得到第 次迭代后的中继无人机最佳记忆位置集合。

[0102] 步骤11：根据设定的迭代次数，重复步骤4 步骤10，将最后一次迭代得到的中继无~人机最佳记忆位置集合和对应的节点无人机分组情况输出，实现无人机集群分组。

[0103] 性能分析：

[0104] 上述实例中，采用随机生成的2D的无人机集群进行测试。攻击参数与巡航参数分别选择为 ， ，分组数量指定为5，节点无人机数量为20，蒙特卡洛仿真总次数为1000。如图4、图5所示，从总体蒙特卡洛仿真实验结果来看，本发明提出的分组方法达到的结果拥有更低的无人机集群能量损失函数值，从更详细的蒙特卡洛仿真实验结果看，若K‑Means++分组方法已经达到了最好的部署效果，本发明所提出的分组方法可以达到相同的结果；若没有达到，则本发明无人机分组结果能够达到更低的能量损失函数值，拥有更强的探索能力以及更低的无人机集群能量损失。

[0105] 尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。