读《用于多无人机编队重配置的混合离线最优方法》《A Hybrid Offline Optimization Method for Reconfiguration of Multi-UAV Formations》

《A Hybrid Offline Optimization Method for Reconfiguration of Multi-UAV Formations》

摘要：

　　（做什么，面临的挑战，解决方法）本文解决的是多无人机编队重构最优化控制的问题。编队重构面临两大挑战，一是需要满足无限个连续状态不等式约束（时间上的无限）；二是实现控制和状态输入的非连续输入。同时，离散系统不能足够精确近似原始系统。本文方法可以获取状态变量和连续控制输入，并在没有增加约束的情况下解决了连续状态不等式约束。

引言

A.背景介绍

　　（解决的现实问题）无人机在现实生活中的成功应用吸引力很多学者的关注，在特殊危险任务具有更高的效率和操作便捷性。在复杂环境中，多无人机需要协同完成任务，编队飞行能够有效的提高任务完成率和减少飞行能源消耗。完成任务的同时，多无人机之间的实时性在编队重构中越来越重要。

B.文献回顾

　　（是什么，当前任务的限制）有很多方法用于解决编队重构问题，这些工作大多是在无限时间域上的编队保持、追踪控制和调节控制问题。而本文解决的是在有限时间域上的编队重构最优化控制问题。编队重构是输入一组控制变量让无人机从当前位置到达期望位置，并满足各项约束条件。实际上，这是一个受限于连续状态不等式约束的最优化控制问题。连续状态不等式约束包括最小安全距离，防止无人机之间碰撞，最远通信距离，建立多无人机之间的实时通信。由于连续状态不等式约束有无限个约束条件（从时间上来讲），很难被解决。这种情况在优化领域叫做半无限规划。为了解决这种问题，将状态和控制离散化成为一种较为通用的方法。该离散系统可以近似于最优化控制系统，以有限数量的不等式约束近似于连续状态不等式约束。这种方法有三个难点，一是由于离散化采样，连续状态不等式约束可能不会在连续时间内满足；二是离散动力系统不会一直近似于原本连续模型；三是为了达到某一要求的精度，过多的采样次数会消耗大量的计算资源。

　　（常用方法，及其不足之处）基于启发式模型的有，遗传算法(GA），改进的粒子群算法(PSO)，基于遗传算法和粒子群优化的混合算法(HPSOGA)，鸽子启发优化算法(PIO)相继被提出，但这些都需要消耗大量的计算资源。

　　（常用方法，及其不足之处）基于非启发式算法的有，基于滚动时域控制的差分演化方法(DEBRHC)，基于学习的模型预测方法(LBMP)，直接序列法(DSM)，回环控制方法(CLC)，分布式鲁棒反馈控制方法(DRFC)，基于PID的反步方法相继被提出(BBPID)，DEBRHC和LBMP是设计在2D环境下，因此无法满足复杂环境的3D情况下。DSM没有考虑碰撞约束，只实现了一系列的近似凸约束，CLC被用于解决该问题。DRFC用于解决多无人机起飞着陆问题。BBPID用于解决编队问题。以上方法在稳定性和鲁棒性都很有保证，但只是求解局部解。基于滚动时域控制(RHC)的差分演化(DE)自适应方法和基于序列凸规划方法陆续被提出。

　　总的来说，离散化状态被广泛应用，但是并没有正确解决连续状态不等式约束。启发式方法需要消耗大量的计算资源，非启发式方法只能求解局部解。

C.本文贡献

　　（本文的创新点，贡献）本文提出一种混合优化控制方法解决3D情况下的碰撞约束和通信约束。第一步是使用基于控制参数方法求解局部解，采用分段常量控制输入和分段线性控制输入。其次，采用约束转录方法和局部平滑技术解决连续状态不等式约束。将原本模型转变为规范约束下的最优参数选择问题，构造目标函数和约束函数使用梯度下降法求解。第二步，使用模拟退火方法搜寻全局最优解。大量的数字实验被用于验证本文方法的有效性和可行性。

　　主要贡献:

　　　　(1)在每一次优化迭代中，将状态变量非离散化，并用离散或连续的控制输入来代替控制输入，计算差分等式得到状态变量。

　　　　(2)与分段常量控制输入的HSPOGA相比，本文可以得到连续控制输入

　　　　(3)通过约束转录将连续状态不等式约束转变为规范约束，与状态离散化方法相比极大减少了约束数量

　　　　(4)采用梯度下降法，收敛速度快于采用启发式方法的HSPOGA。

　　　　(5)仿真实验表明，在最优化和可行性方面均比HSPOGA有效。