无人机定位系统_无人机集群定位与固定站定位的区别

亲爱的小伙伴们，很多人可能对无人机定位系统和无人机集群定位与固定站定位的区别不是很了解，所以今天我来和大家分享一些关于无人机定位系统和无人机集群定位与固定站定位的区别的知识，希望能够帮助大家更好地了解这个话题。

本文目录一览

• 1、无人机定位系统
• 2、无人机集群定位与固定站定位的区别

无人机定位系统

无人机导航定位工作主要由组合定位定向导航系统完成，组合导航系统实时闭环输出位置和姿态息，为飞机提供精确的方向基准和位置坐标，同时实时根据姿态信息对飞机飞行状态进行预测。

GPS。飞控系统通常通过全球卫星定位系统（GPS）来获得无人机的经纬度位置信息，以确认无人机的自身位置。GPS是一种基于卫星定位的全球定位系统，通过接收来自卫星的信号，可以确定接收器的位置、速度和时间信息。

不要。大疆的无人机使用GPS定位系统可以在没有流量的情况下正常飞行。GPS定位系统是基于卫星信号进行定位，不需要依赖任何的网络信号，因此在无法获得网络信号的情况下也能够准确地确定位置和导航。

通过无人机机身的传感器定位；通过识别二维码定位；通过基站定位。

返回目录

无人机集群定位与固定站定位的区别

背景技术：

2.无人机可以作为通信基站用于灾后通信和紧急组网等场景中。为实现无人机自治组网，需要对新接入的无人机实现快速准确的相对定位。现有的无人机集群定位方法多基于gps卫星定位系统，无法在gps拒止环境下应用，且普遍精度较低，对大规模无人机集群的可拓展性较差。粒子群优化方法则是一种在gps拒止环境下，实现相对定位的可行方案。
3.然而，传统的粒子群优化方法在粒子迭代时，粒子可能在个体粒子历史最优(personalbest)和全体粒子全局最优(globalbest)之间不断震荡，使得当前时刻更新后的粒子无法收敛至最优的位置。此外，下一时刻的粒子位置是上一时刻全体粒子全局最优和个体粒子历史最优的线性叠加值，这无法保证粒子的更新位置结果比上一时刻的结果更好(更接近真实位置)，从而导致整体收敛速度变慢，使得无人机集群定位的时间较长，且定位精度较低。

技术实现要素：

4.因此，本发明要解决的技术问题在于克服现有技术中粒子群算法中由于粒子可能在个体粒子历史最优和全体粒子全局最优之间不断震荡，使得无人机集群定位的时间较长，且定位精度较低的缺陷，从而提供一种无人机集群定位方法、装置及计算机设备。
5.根据第一方面，本发明实施例公开了一种无人机集群定位方法，包括：获取无人机集群的数量信息和位置信息；所述位置信息包括所述无人机集群中的长机位置信息和锚点位置信息；基于所述数量信息将所述无人机集群划分为不同的子群，并获取每一个所述子群的参数信息；基于每一个所述子群的参数信息、长机位置信息和锚点位置信息得到每一个所述子群的个体最优位置和全局最优位置；基于每一个所述子群的个体最优位置和全局最优位置得到每一个所述子群的参考最优位置；基于每一个所述子群的参考最优位置更新每一个所述子群的参数信息；基于更新后的参数信息返回执行基于每一个所述子群的参数信息、长机位置信息和锚点位置信息得到每一个所述子群的个体最优位置和全局最优位置的步骤至基于每一个所述子群的参考最优位置更新每一个所述子群的参数信息的步骤，直至达到最大迭代次数后得到最后的参考最优位置；基于最后的参考最优位置得到每一个所述子群的最佳位置。
6.可选地，所述参数信息包括所述子群的位置信息、速度信息和子群中无人机的可覆盖范围，所述基于每一个所述子群的参数信息、长机位置信息和锚点位置信息得到每一个所述子群的个体最优位置和全局最优位置，包括：基于所述子群的位置信息和子群中无人机的可覆盖范围得到每一个所述子群的粒子数量和粒子位置；基于每一个所述子群的粒子数量和粒子位置、长机位置信息和锚点位置信息得到每一个所述子群的个体最优位置和
全局最优位置。
7.可选地，所述基于每一个所述子群的粒子数量和粒子位置、长机位置信息和锚点位置信息得到每一个所述子群的个体最优位置和全局最优位置，包括：基于每一个所述子群的粒子位置、长机位置信息和锚点位置信息得到每一个所述子群中粒子的适应度函数；基于所述适应度函数得到每一个所述子群的粒子的个体最优；基于每一个所述子群的粒子数量和粒子的适应度函数得到每一个所述子群的粒子的全局最优。
8.可选地，所述基于每一个所述子群的粒子位置、长机位置信息和锚点位置信息得到每一个所述子群中粒子的适应度函数，包括：基于所述长机位置信息和每一个所述子群的粒子位置得到第一相对测算距离；基于所述锚点位置信息和每一个所述子群的粒子位置得到第二相对测算距离；基于所述第一相对测算距离和第二相对测算距离得到所述适应度函数。
9.可选地，基于每一个所述子群的个体最优位置和全局最优位置得到每一个所述子群的参考最优位置，包括：将所述个体最优和全局最优进行线性叠加得到所述最佳位置，所述线性叠加的权重系数由穷举法确定。
10.可选地，所述基于每一个所述子群的参考最优位置更新每一个所述子群的参数信息，包括：基于所述每一个所述子群的最佳位置更新每一个所述子群的粒子的位置信息、速度信息和适应度函数。
11.可选地，根据以下公式更新每一个所述子群的粒子的位置信息、速度信息和适应度函数，
[0012][0013]
p
gi
‑
nup
＝p
gi
‑
n
+v
gi
‑
nup
，
[0014]
f＝f
gi
‑
n
(p
gi
‑
nup
)，
[0015]
v
gi
‑
nup
表示更新后的粒子速度，g表示子群编号，gi表示编号为g的子群中的第i个粒子，gi
‑
n表示编号为g的子群中的第i个粒子的第n次迭代，为选择惯性权重，δ＝rand(0,1)是高斯分布随机数，r
b
‑
gi
‑
n
表示编号为g的子群中的第i个粒子的第n次迭代后的参考最优，p
gi
‑
n
表示编号为g的子群中的第i个粒子的第n次迭代后位置；p
gi
‑
nup
表示更新后的编号为g的子群中的第i个粒子的第n次迭代后的位置；f
gi
‑
n
表示编号为g的子群中的第i个粒子的第n次迭代后的适应度函数。
[0016]
根据第二方面，本发明实施例还公开了一种无人机集群定位装置，包括：获取模块，用于获取无人机集群的数量信息和位置信息；所述位置信息包括所述无人机集群中的长机位置信息和锚点位置信息；划分模块，用于基于所述数量信息将所述无人机集群划分为不同的子群，并获取每一个所述子群的参数信息；第一寻优模块，用于基于每一个所述子群的参数信息、长机位置信息和锚点位置信息得到每一个所述子群的个体最优位置和全局最优位置；第二寻优模块，用于基于每一个所述子群的个体最优位置和全局最优位置得到每一个所述子群的参考最优位置；第一更新模块，用于基于每一个所述子群的参考最优位置更新每一个所述子群的参数信息；迭代模块，用于基于更新后的参数信息返回执行基于所述子群的参数信息得到每一个所述子群的粒子数量和粒子位置的步骤至基于每一个所述子群的参考最优位置更新每一个所述子群的参数信息的步骤，直至达到最大迭代次数后得到最后的参考最优位置；最佳位置确定模块，用于基于最后的参考最优位置得到每一个
所述子群的最佳位置。
[0017]
根据第三方面，本发明实施例还公开了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如第一方面或第一方面任一可选实施方式所述的无人机集群定位方法的步骤。
[0018]
根据第四方面，本发明实施方式还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一可选实施方式所述的无人机集群定位方法的步骤。
[0019]
本发明技术方案，具有如下优点：
[0020]
本发明提供的无人机集群定位方法、装置及计算机设备，包括：根据无人机群的数量信息划分为不同的子群，根据每一个子群的参数信息、长机位置信息和锚点位置信息得到每一个子群的个体最优位置和全局最优位置，以三方的位置信息精确的计算得到子群的位置信息，实现无人机长机到从机的相对定位；基于每一个子群的个体最优位置和全局最优位置得到每一个子群的参考最优位置，以参考最优可以平衡个体最优与全局最优之间的关系；每一个子群的参考最优位置更新每一个子群的参数信息，基于更新后的参数信息进行迭代，直至达到最大迭代次数后得到最后的参考最优位置，以最后的参考最优位置为每一个子群的最佳位置。实现无人机长机到子群中从机的相对定位引入参考最优位置的粒子增强方案，结合全局最优位置与个体最优位置得到的参考最优位置，避免了在个体最优位置和全局最优位置之间不停地振荡，平衡了个体最优位置和全局最优位置的关系，提高了无人机集群的定位精度，根据无人机覆盖范围实现边界限制，可以减少边界内投放的粒子数，从而具有较低的实现复杂度。
附图说明
[0021]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]
图1为本发明实施例中无人机集群定位方法的一个具体示例的流程图；
[0023]
图2为本发明实施例中无人机集群定位装置的一个具体示例的原理框图；
[0024]
图3为本发明实施例中计算机设备的一个具体示例图。
具体实施方式
[0025]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0026]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、
“
第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0027]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0028]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0029]
本发明实施例公开了一种无人机集群定位方法，如图1所示，该方法包括如下步骤：
[0030]
步骤101：获取无人机集群的数量信息和位置信息；所述位置信息包括所述无人机集群中的长机位置信息和锚点位置信息。
[0031]
示例性地，无人机集群中包含了用于带队飞行的长机，还有跟随飞行的从机，以及用于进行无人机通讯定位的锚点，其中锚点可以是一架或多架已知定位的无人机、也可以是固定位置的充电站等，通常情况下，锚点的个数大于三个。本发明实施例对锚点的具体形式和数量不作限定，本领域技术人员可以根据实际需要确定。
[0032]
步骤102：基于所述数量信息将所述无人机集群划分为不同的子群，并获取每一个所述子群的参数信息。
[0033]
示例性地，根据无人机的数量，将无人机集群中除长机外的其他从机划分为不同的子群，其中每一个子群中只包括了一架无人机。根据划分后的子群，获取子群中包含无人机的参数信息，其中参数信息包括，无人机的相对位置信息、运行的速度信息以及可覆盖的范围。划分后子群的具体的位置确定方法采用粒子群算法进行确定。例如，需要定位的无人机从机的数量为k，对应每个无人机g＝1,2,...,k作为一个子群，子群的编号为g。
[0034]
步骤103：基于每一个所述子群的参数信息、长机位置信息和锚点位置信息得到每一个所述子群的个体最优位置和全局最优位置。
[0035]
示例性地，子群的参数信息可以是子群中待测无人机的位置信息和速度等无人机的具体参数信息。待测无人机的定位方法采用粒子群算法进行计算，步骤102中无人机子群编号也是对应粒子群初始化后的粒子子群的编号，每个子群中初始化的粒子数量为n
g
，则总粒子数n
tot
＝n1+n2+
…
+n
k
。每个子群中粒子需要迭代的次数为n，则总迭代次数为nk，在对应无人机g的粒子子群中，每个粒子g
i
的初始化随机位置为粒子的三维笛卡尔坐标组成的列向量，i＝1，...，n
g
。每个粒子的初始化随机速度为粒子在三个坐标轴xyz上的速度分量组成的列向量。选择惯性权重ω为常数，可设为0.4
‑
0.9之间的值，用于表征粒子运动惯性强弱，认知权重c为常数，用于表征粒子学习进化能力强弱，例如可设为2。
[0036]
在本实施例中，个体最优位置为与待测无人机子群所对应的粒子子群中的每一个粒子的个体最优。例如当迭代次数为1次时，个体最优为粒子子群中的进行一次迭代后的每一个粒子的位置，当迭代次数为a次时，个体最优为粒子子群中进行a次迭代后，每一个粒子在所有迭代过程中，适应度函数最小时所对应迭代次数完成后得到的粒子的对应位置；全
局最优位置为与待测无人机子群所对应的粒子子群中所有粒子每完成一次迭代后，在所有粒子的个体最优中选取适应度函数最小的粒子所对应的位置，即为全局最优位置。由此可见，个体最优位置和全局最优位置均是待测无人机对应的粒子子群中粒子的位置，其中粒子群中每一个粒子都具有一个个体最优位置，全局最优位置为一个粒子子群中只有一个全局最优。
[0037]
步骤104：基于每一个所述子群的个体最优位置和全局最优位置得到每一个所述子群的参考最优位置。
[0038]
示例性地，在对待测无人机进行最优位置确定的时候，会出现在个体最优位置与全局最优位置之间出现振荡的情况，引入参考最优位置来平衡个体最优位置和全局最优位置，参考最优位置可以根据个体最优位置和全局最优位置的线性组合中的效果最佳的一组来进行确定，例如，粒子g
i
的个体最优与子群g的全局最优进行线性加权叠加得到粒子g
i
的参考最优r
b
‑
gi
‑
n
＝a1p
b
‑
gi
‑
n
+a2g
b
‑
g
‑
n
，其中，加权参数a1，a2为常数，且满足a1+a2＝1。a1，a2可根据离散化选择，如a1∈{0.2，0.4，0.6，0.8}，a2∈{0.8，0.6，0.4，0.2}。通过穷举a1，a2的方法，找出所有粒子中，对应适应度函数值最小的粒子，即的方法，找出所有粒子中，对应适应度函数值最小的粒子，即得到最终的参考最优粒子引入参考最优的粒子增强方案，结合全局最优位置与个体最优位置的线性组合，提高了无人机集群的定位精度。
[0039]
步骤105：基于每一个所述子群的参考最优位置更新每一个所述子群的参数信息。
[0040]
示例性地，根据得到的参考最优位置对相应无人机子群中的粒子的参数信息进行更新，更新粒子的运行速度、位置信息和适应度函数，例如，根据参考最优当前粒子g
i
的位置使用以下公式得到更新的粒子速度、位置和适应度函数值：
[0041][0042]
p
gi
‑
nup
＝p
gi
‑
n
+v
gi
‑
nup
，
[0043]
f＝f
gi
‑
n
(p
gi
‑
nup
)，
[0044]
v
gi
‑
n
表示更新后的粒子速度，g表示子群编号，gi表示编号为g的子群中的第i个粒子，gi
‑
n表示编号为g的子群中的第i个粒子的第n次迭代，为选择惯性权重，δ＝rand(0，1)是高斯分布随机数，r
b
‑
gi
‑
n
表示编号为g的子群中的第i个粒子的第n次迭代后的参考最优，p
gi
‑
n
表示编号为g的子群中的第i个粒子的第n次迭代后位置；p
gi
‑
nup
表示更新后的编号为g的子群中的第i个粒子的第n次迭代后的位置；f
gi
‑
n
表示编号为g的子群中的第i个粒子的第n次迭代后的适应度函数。
[0045]
步骤106：基于更新后的参数信息返回执行步骤103至步骤105，直至达到最大迭代次数后得到最后的参考最优位置。示例性地，上述步骤103到步骤105的过程为粒子群算法完成了一次的迭代的过程，根据已经得到的参考最优位置继续进行迭代，直至迭代次数达到最大，得到最后的参考最优位置。根据长机的计算能力，串行或并行执行g＝1，2，...，k次子群中的步骤103到步骤105，得到所有无人机的最佳位置，完成集群定位，此处需要总迭代次数为nk。
[0046]
步骤107：基于最后的参考最优位置得到每一个所述子群的最佳位置。示例性地，
达到迭代次数最大后得到的最后的参考最优位置即为待测无人机的最佳位置。直到最后一次迭代后，输出当下子群g更新后的粒子位置在所有n
g
个输出粒子位置中找到全局最优解，其对应的粒子位置则为第g个无人机的估计位置的输出结果(此处为方便表示，去掉了角标
‑
n)。
[0047]
本发明提供的无人机集群定位方法，包括：根据无人机群的数量信息划分为不同的子群，根据每一个子群的参数信息、长机位置信息和锚点位置信息得到每一个子群的个体最优位置和全局最优位置，以三方的位置信息精确的计算得到子群的位置信息，实现无人机长机到子群中从机的相对定位；基于每一个子群的个体最优位置和全局最优位置得到每一个子群的参考最优位置，以参考最优可以平衡个体最优与全局最优之间的关系；每一个子群的参考最优位置更新每一个子群的参数信息，基于更新后的参数信息进行迭代，直至达到最大迭代次数后得到最后的参考最优位置，以最后的参考最优位置为每一个子群的最佳位置。实现无人机长机到子群中从机的相对定位引入参考最优的粒子增强方案，结合全局最优位置与个体最优位置的得到参考最优位置，参考最优位置平衡了全局最优位置和个体最优位置，参考最优位置找到了两者的最佳平衡点，提高了无人机集群的定位精度。
[0048]
作为本发明一个可选实施方式，所述参数信息包括所述子群的位置信息、速度信息和子群中无人机的可覆盖范围，上述步骤103，包括：基于所述子群的位置信息和子群中无人机的可覆盖范围得到每一个所述子群的粒子数量和粒子位置；基于每一个所述子群的粒子数量和粒子位置、长机位置信息和锚点位置信息得到每一个所述子群的个体最优位置和全局最优位置。
[0049]
示例性地，根据获取的待测无人机的覆盖范围来限制粒子子群内粒子的投放，使得投放的粒子不超过无人机的可覆盖范围，例如，无人机g的子群粒子初始化位置p
gi
的元素x
gi
，y
gi
，z
gi
，可由无人机g的覆盖范围来限制边界：
[0050]
x
gi
，y
gi
，z
gi
∈{(x，y，z)|x
lo
≤x≤x
hi
，y
lo
≤y≤y
hi
，z
lo
≤z≤z
hi
}，
[0051]
其中，lo和hi分别为x，y，z的覆盖边界值，可以根据待测无人机的具体情况进行确定。根据无人机覆盖范围实现边界限制，可以减少边界内投放的粒子数，从而具有较低的实现复杂度。
[0052]
作为本发明一个可选实施方式，所述步骤103，包括：基于每一个所述子群的粒子位置、长机位置信息和锚点位置信息得到每一个所述子群中粒子的适应度函数；基于所述适应度函数得到每一个所述子群的粒子的个体最优；基于每一个所述子群的粒子数量和粒子的适应度函数得到每一个所述子群的粒子的全局最优。
[0053]
示例性地，粒子群算法中的适应度函数可以是测算距离和粒子实际距离的误差的平方作为适应度函数，测算距离为待测无人机g到对应锚点的距离，适应度函数值越小，则表明粒子越接近无人机g的真实位置。本发明实施例对子群的迭代次数、适应度函数的选择、惯性权重和认知权重的选择不作限定，本领域技术人员可以根据实际需要确定。其中与待测无人机子群相对应的粒子子群中的粒子进行迭代是为了可以跟精确的对待测无人机进行定位。
[0054]
具体地，适应度函数的具体计算可以是，假设无人机长机或统一计算单元(假设已
知其坐标为o＝(0，0，0))可获取其到待测无人机g(假设未知其坐标(x
g
，y
g
，z
g
))的相对测算距离其中，的获取可以通过从无人机通信网接收信号强度(receivedsignalstrengthindicator，简称rssi)的方式来推导，即其中，d0和分别是参考距离(例如1m)和参考距离处的rssi常量，η是路径损耗常量。同理，可得到锚点l到待测无人机g的相对测算距离假设锚点的已知位置坐标为(x
l
，y
l
，z
l
)，l＝1，2，...，l。子群g中粒子i到长机的距离为到锚点无人机l的距离为则子群g中粒子g
i
的适应度函数为在第n次迭代时，则角标可表示为
[0055]
在确定适应度函数后，个体最优位置的计算过程可以是，在第n次迭代时(n＝1，...，n)，求取粒子g
i
的个体最优解即所有历史n次迭代中适应度函数中最小值所对应迭代次数的粒子g
i
的位置。求取方法为其中表示在过去第l次迭代时粒子对应的适应度函数值。
[0056]
全局最优位置的计算过程可以是，在第n次迭代时的所有粒子中，求取粒子子群g的全局最优解g
b
‑
g
‑
n
，即当下迭代整个粒子子群g中所有粒子的适应度函数最小值所对应粒子的位置。求取方法为子的位置。求取方法为其中表示在当前第n次迭代时粒子对应的适应度函数值。
[0057]
作为本发明一个可选实施方式，所述步骤103中的适应度函数的计算过程包括：基于所述长机位置信息和每一个所述子群的粒子位置得到第一相对测算距离；基于所述锚点位置信息和每一个所述子群的粒子位置得到第二相对测算距离；基于所述第一相对测算距离和第二相对测算距离得到所述适应度函数。
[0058]
示例性地，第一相对测算距离为每一个所述子群的粒子与所述长机的相对测算距离；第二相对测算距离为每一个所述子群的粒子与所述锚点的相对测算距离。
[0059]
本发明实施例还公开了一种无人机集群定位装置，如图2所示，该装置包括：
[0060]
获取模块201，用于获取无人机集群的数量信息和位置信息；所述位置信息包括所述无人机集群中的长机位置信息和锚点位置信息。示例性地，详细内容请见上述任意方法实施例的步骤101所述，此处不再赘述。
[0061]
划分模块202，用于基于所述数量信息将所述无人机集群划分为不同的子群，并获取每一个所述子群的参数信息。示例性地，详细内容请见上述任意方法实施例的步骤102所述，此处不再赘述。
[0062]
第一寻优模块203，用于基于每一个所述子群的参数信息、长机位置信息和锚点位置信息得到每一个所述子群的个体最优位置和全局最优位置。示例性地，详细内容请见上述任意方法实施例的步骤103所述，此处不再赘述。
[0063]
第二寻优模块204，用于基于每一个所述子群的个体最优位置和全局最优位置得到每一个所述子群的参考最优位置。示例性地，详细内容请见上述任意方法实施例的步骤104所述，此处不再赘述。
[0064]
第一更新模块205，用于基于每一个所述子群的参考最优位置更新每一个所述子群的参数信息。示例性地，详细内容请见上述任意方法实施例的步骤105所述，此处不再赘述。
[0065]
迭代模块206，用于基于更新后的参数信息返回执行基于所述子群的参数信息得到每一个所述子群的粒子数量和粒子位置的步骤至基于每一个所述子群的参考最优位置更新每一个所述子群的参数信息的步骤，直至达到最大迭代次数后得到最后的参考最优位置。示例性地，详细内容请见上述任意方法实施例的步骤106所述，此处不再赘述。
[0066]
最佳位置确定模块207，用于基于最后的参考最优位置得到每一个所述子群的最佳位置。示例性地，详细内容请见上述任意方法实施例的步骤107所述，此处不再赘述。
[0067]
本发明提供的无人机集群定位装置，包括：获取模块，用于获取无人机集群的数量信息和位置信息；所述位置信息包括所述无人机集群中的长机位置信息和锚点位置信息；划分模块，用于基于所述数量信息将所述无人机集群划分为不同的子群，并获取每一个所述子群的参数信息；第一寻优模块，用于基于每一个所述子群的参数信息、长机位置信息和锚点位置信息得到每一个所述子群的个体最优位置和全局最优位置；第二寻优模块，用于基于每一个所述子群的个体最优位置和全局最优位置得到每一个所述子群的参考最优位置；第一更新模块，用于基于每一个所述子群的参考最优位置更新每一个所述子群的参数信息；迭代模块，用于基于更新后的参数信息返回执行基于所述子群的参数信息得到每一个所述子群的粒子数量和粒子位置的步骤至基于每一个所述子群的参考最优位置更新每一个所述子群的参数信息的步骤，直至达到最大迭代次数后得到最后的参考最优位置；最佳位置确定模块，用于基于最后的参考最优位置得到每一个所述子群的最佳位置。根据划分模块将待测无人机划分为不同的子群利用

返回目录

总结：以上就是本站针对你的问题搜集整理的答案，希望对你有所帮助。如果您想更深入地了解相关内容，可以查看文章下方的相关链接。