技术领域
[0001] 本
发明涉及无人机充电技术领域，具体是一种激光供能无人机集群化充电调度方法。
背景技术
[0002] 无人机(简称UAV)在军事与民用中已扮演了一个十分重要的
角色，具有
机体重量轻、体积小、灵活性高、
载荷比高、隐蔽性好、成本低等特点。从无人机的发展现状与应用需求来看，无人机未来主要向高生存率、成本低、回收率高、更加小型化、长航时与多用途发展这就决定电动
力无人机依旧是重要发展方向，但也对无人机的
能源供给提出了更高的要求。
[0003] 由于电动无人机自身携带的有限
能量难以保证其长时间的任务飞行，严重影响了其相应功能的发挥。激光无线能量传输技术的提出和应用，极大的提高了无人机的续航能力。该技术是通过光伏接收器将激光能量转换为
电能并为
电池或负载进行供电的一项新兴技术，理论上可以对设备进行快速充电。激光具有高传输功率
密度、远距离能量传输能力和低
电磁干扰的特点。因此激光无线能量传输技术适用于空旷、远距离、对电磁干扰有高要求的环境，例如：延长正在执行任务的无人机续航时间、对模
块航天器进行能量补充、应用于空间
太阳能电站等。
[0004] 目前，无人机激光供能充电技术的研究中，大多都是针对单个无人机激光无线供能需求进行研究，但是对于多个无人机或者集群规模化的无人机的无线激光充电研究相对较少。无人机通常是以编队的形式外出进行任务，因此，考虑集群化的激光无线充电是十分有必要的。在一个无人机集群中，地面激光充电站何时对哪一架无人机进行激光无线供电，如何去调度充电站对无人机进行充电，这是一个必须面对的问题。
发明内容
[0005] 本发明所要解决的技术问题在于：在无人机激光无线供能的
基础上，提出了一种激光供能无人机集群化充电调度方法，该方法能够有效增加无人机任务的时间，同时也能最大限度的保证系统中各个无人机的存活率。
[0006] 本发明采取的技术方案为：
[0007] 一种激光供能无人机集群化充电调度方法，包括以下步骤：
[0008] 步骤一：获取激光无线充
电网络的数据信息，建立充电计费数学模型：
[0009]
[0010] 其中，Pr是接收端接收功率，η表示光电转换效率，Lp是激光传输损耗，λ是激光的
波长，L表示激光充电站，dist(Ui,L)表示第i个UAV与激光充电站LC的欧几里得距离， Pl表示激光发射器发出的激光功率。
[0011] 步骤二：根据充电计费数学模型，采用引力搜索
算法获得初始化数据，计算得到相应的充电计划适应度函数值。所述适应度函数为无人机充电延迟时间Cl，表示激光充电站对每架无人机提供充电服务所花费的平均时间。
[0012]
[0013] 其中，ui表示第i架无人机，表示激光充电站LC对ui充电的时间，表示激光充电站 LC在给ui充电前对所有充电
请求充电的时间，w为无人机的总体数量。
[0014] 其中：
[0015]
[0016] wt(L→ui)＝∑(ct(L→uj)) (4)
[0017] 表示充电完成后UAV的电量， 表示充电前UAV的电量，ct(L→ui)表示ui充电前第j轮充电请求充电完成的时间。
[0018] 步骤三：通过引力搜索算法计算每一个充电请求队列的适应度函数值，得到每轮充电请求的适应度函数值fit(t)，并通过比较找出最佳和最差的适应度函数值b(t)和w(t),如公式 (5)所示，
[0019]
[0020] 其中，m表示系统中一个充电队列的充电请求个数，i表示第i个充电请求。
[0021] 每一轮中求得的适应度函数值与最佳的适应度函数值b(t)来比较；
[0022] 若fit(t)小于b(t)，则输出此时的充电请求队列的
位置向量集合P，并且位置向量集合P 中的每个元素用一个随机数z(z∈[-1,1])随机赋值，按照升序将元素值进行排列，得到一个按照升序排列的元素值表，该表的顺序即为无人机在这一轮的充电时间顺序表。
[0023] 若fit(t)大于b(t)，则引力搜索算法继续运行，不断更新适应度函数值和位置向量集合 P，直到满足式(3)中所述条件，输出充电时间顺序表。
[0024] 本发明一种激光供能无人机集群化充电调度方法，优点在于：在此调度方法下，地面激光充电站根据系统中无人机实时的电量消耗情况以及每架无人机的请求反馈，通过相应算法的控制，在相应的时间段内，最大化减少每架无人机的充电延迟时间。同时根据输出的适应度函数值，得到无人机集群的充电顺序时间表，使得地面激光充电站按照充电顺序时间表给需要充电的无人机进行有序供电。该方法能够有效增加无人机任务的时间，同时也能最大限度的保证系统中各个无人机的存活率。
附图说明
[0025] 图1是本发明的无人机远程激光集群化充电系统示意图；
[0026] 其中：UAV-无人机，LC-激光充能站。
[0028] 图3是本发明实施提供的在不同通信范围内的充电延迟时间仿真对比实验结果图。
[0029] 图4是本发明实施提供的在不同无人机组数量的充电延迟时间仿真对比实验结果图。
[0030] 图5是本发明实施提供的在不同充电
阈值下的充电延迟时间仿真对比实验结果图。
具体实施方式
[0031] 一种激光供能无人机集群化充电调度方法，具体步骤包括：
[0032] 1.建立无人机的激光无线充电网络模型：
[0033] 如图3所示，一个激光无线充电网络模型中包括一组随机部署的可充电UAVs，一个可以在充电网络区域内补充UAVs能量的激光充能站LC。充电网络中UAVs具有相同的初始能量，它们的能耗率是固定的。然而，在某一时期内，因为它们的状态不一样，因此它们的能量消耗彼此不同。LC一次只能充电一个UAV，并且它有足够的能量来给网络中的所有UAV进行充电。通过公式(1)得到每架无人机的接收功率。
[0034] 2.基于引力搜索算法的充电调度算法：
[0035] (1)、适应度函数：
[0036] 在充电调度中，充电请求队列表示如下：
[0037]
[0038] 其中，w是请求队列中存在的充电请求的总数量， 表示的是第i轮充电请求中的第 d个UAV的位置向量。
[0039] 在引力搜索算法中，适应度函数值可以间接计算出粒子的惯性
质量，粒子的惯性质量越大，其吸引力越强且运动的更慢，说明该优化问题有更好的解。将充电延迟时间Cl设定为适应度函数：
[0040]
[0041] 其中，表示LC对ui充电的时间，表示LC在给ui充电前对所有充电请求充电的时间。 w表示网络中无人机的总数量。
[0042] (2)、充电调度算法流程：
[0043] ①：利用公式(5)计算出每轮充电请求的适应度值，根据公式(7)每个适应度函数值计算出每架无人机在算法中的质量值Mi。
[0044]
[0045] 表示每轮充电中最佳适应度函数值， 表示最差适应度值， fiti(t)表示第i架无人机此时的适应度值，mj(t)表示第j架无人机的质量。根据
牛顿第二定律，Mai代表主动引力质量，Mpi代表被动引力质量，Mii代表惯性质量，且： Mai＝Mpi＝Mii＝Mi
[0046] ②：根据公式(8)计算出在同一时刻下单个无人机xj对于某一特定无人机xi的作用力。
[0047]
[0048] 其中，G(t)表示t时刻的引力常数，xi的被动引力质量用Mpi(t)表示，xi的主动引力质量用Maj(t)表示，xi和xj之间的欧式距离用Rij(t)表示，ε是一个非常小的常数。
[0049] 表示第i个无人机在第d轮充电请求时的位置， 表示第j个无人机在第d 轮充电请求时的位置。
[0050] 引力常数G(t)可表示为：
[0051]
[0052] 其中，G0表示重力常数的初始值，β表示控制参数值，是一个常数，一般情况下β的值为20，tmax表示最大
迭代次数。
[0053] 网络中无人机受到的其他无人机作用力的总和为： randj是[0,1]之间的随机数，Kbest从m到1随着
时间线性的减小，使得算法到最后在搜索空间中只有最好的解的那个粒子去作用于其他的粒子。
[0054] 粒子xi在维度d中的t时刻的
加速度可表示为： 维度d中xi的速度和位置更新可以表示为：
[0055] 3)利用引力搜索算法不断更新网络中每轮充电的无人机的适应度值，位置向量，速度和加速度，当算法中计算出的某一无人机的适应度函数值小于前几轮算法中储存的最佳的适应度函数值时，输出相应的充电请求队列xi。
[0056] 算法详细的描述如下：
[0057] 输入：充电请求队列数量m，充电请求队列集合xi，最大迭代次数tmax，无人[0058] 机运行范围S
[0059] 初始化充电请求队列总体m，初始化变量集合Cfit，用于储存适应度值，初始[0060] 化一个位置向量集合P，用于储存输出的充电请求队列的位置向量。
[0061] for t＝1到tmax，执行操作：
[0062] 计算所有充电请求队列中无人机的适应度值fit(t)
[0063] 更新充电请求队列中无人机的惯性质量M(t)，引力常数G(t)，最佳适应[0064] 度值b(t)，最差适应度值w(t)
[0065] if Cfit>b(t)则执行：
[0066] 更新P，Cfit
[0067] end if
[0068] 计算施加在各个无人机上总作用力
[0069] 计算所有充电请求队列的加速度和速度
[0070] 更新所有充电请求队列的位置向量
[0071] end for
[0072] 根据算法求得的充电请求队列输出充电计划顺序表。
[0073] 3.充电时间顺序表的输出
[0074] 当算法输出了一组充电队列时，需要按照顺序给这一队列中的无人机进行有序充电，即给队列中的每一个无人机进行排序。引入一个随机变量z，将每个充电请求队列中的元素 用一个随机数z进行初始化(z∈[-1,1])赋值，接着将每个元素值按照升序进行排列，元素值最小的将出现在调度的第一个位置，第二小的将出现在调度的第二个位置，以此类推，则最终每一轮会根据充电请求队列xi得到一个充电请求顺序表。激光充能站LC将按照此充电顺序为无人机进行有序充电。
[0075] 图3是本发明实施提供的在不同通信范围内的充电延迟时间仿真对比实验结果图。从图3 中可以看出，在无人机数量和充电阈值保持不变时，充电延迟随着无人机的通信范围的增大而增大，因为能量消耗与无人机的通信范围成正比，从而增加了充电请求的数量。对于不同的无人机通信范围，基于引力搜索算法(GSA)的充电方案与先到先服务(FCFS)算法和距离最近则先被服务(NJAP)算法相比，其充电延迟最小。该算法的适应度函数考虑了空间和时间因素来计算充电延迟，因此得到的充电延迟时间是最优的。
[0076] 图4是本发明实施提供的在不同无人机组数量的充电延迟时间仿真对比实验结果图。从图 4中可以看出，在无人机通信范围和充电阈值保持不变时，如果无人机的数量增加，则充电请求的到达率也相应增加，从而增加了充电延迟。同时，三种算法中基于引力搜索算法的充电方案的充电等待时间最小，并且充电等待时间的
波动也是最小的。
[0077] 图5是本发明实施提供的在不同充电阈值下的充电延迟时间仿真对比实验结果图。从图5 中可以看出，在无人机通信范围和数量保持不变时，在不同充电阈值下，与前面的两种情况类似，三种算法中，引力搜索算法仍然保持了最小的充电延迟时间。
