1 Distributed Cooperative Search Control Method of Multiple UAVs for Moving Target
(用于移动的多个无人机目标的分布式协同搜索控制方法)
摘要：减少未知运动参数引起的不确定性对运动目标搜索计划的影响，提高运动目标的搜索方案，针对无人机搜索的效率，提出了一种新的分布式多无人机移动目标协同搜索控制方法，这篇报告。基于板载传感器的检测结果，使用贝叶斯理论更新目标概率图。高斯引入目标转移概率密度函数的分布来计算运动目标的预测概率存在，然后目标概率图可以进一步实时更新。结合的性能指标函数，构建目标成本，环境成本和合作成本，将合作搜索问题转化为中心优化问题。为了提高计算效率，提出了分布式模型预测控制方法，因此，可以获得每个UAV的控制命令。模拟结果验证了所提出的方法可以避免无人机搜索的盲目性，并有效地提高团队的整体效率。
1 介绍
近年来，无人驾驶飞行器（UAVs）已经出现广泛用于民用和军用场合，表演各种任务，如搜索，侦察和监视[1]。携带一系列传感器，他们可以搜索任务区内的各种目标并获得大量目标有用的信息。目前，搜索方法一般预先计划轨迹方法，搜索是有效的稳定和非威胁目标。但是，具有复杂性环境和威胁的增加，它将变得非常难以让单个无人机完成搜索任务并捕捉。它可能被敌人摧毁，然后整个任务将失败。要解决这个问题，许多学者提出了合作搜索方法多架无人机[2-4]。多无人机合作搜索是执行目标跟踪等其他任务的前提条件攻击和评估。有效的搜索可以达到目标在任务区域并获取情报信息。如何实现无人机之间更好的合作一个需要解决的重要问题。
对于多无人机合作搜索的问题，有是由相关学者开发的许多文献。 在[5,6]，一种基于分布式的协同搜索方法提出了模型预测控制（DMPC）。 基于这种方法，是一个集中的在线优化问题分解成每个分散优化问题无人机。在[7]中，建议团队的目标是搜索并覆盖整个未知区域，同时避免碰撞。 另一个问题是通信延迟无人机在进行合作搜索时不确定环境[8,9]。 在[8]中，提出了一种随机方法估计每个无人机的不同行动的概率，它可以有效地补偿通信的影响延迟。
[图片上传失败...(image-ddd032-1565939059044)]
虽然上述方法已经过验证对于合作搜索问题，它们主要是有效的关于静态目标，不适合移动和时间紧迫的目标。目前，搜索移动目标是卫星和机器人的主要焦点[12-18]。这里列出了几个典型的结果。在[12]中，提出了五种方法来搜索海洋运动目标，并且他们的表现通过模拟实验进行比较根据卫星的可信轨道数据。在[14]中，一群无人机用于搜索一个或多个逃避预定义区域中的目标。这些目标有能力避免检测无人机。通过谈判无人机，群体可以优化其感知能力确保最大的搜索范围。在[16]，为目标运动的不确定性，分布式目标中心形成控制策略集成滑模控制建议。它可以弥补不确定性并保持不变预期的以目标为中心的形成。
在本文中，我们专注于搜索移动目标使用多无人机合作。 我们的主要贡献包括三个方面：
（1）构建认知信息图来描述目标，环境和无人机之间的相互作用。
（2）设计了一种新的认知信息图更新机制，并结合预测目标运动。
（3）信息素图和人工潜力字段被合并到合作成本中，可以确保有效合作和避免无人机之间碰撞
本文的其余部分安排如下。在第2节，介绍了问题描述。认知信息图的模型的构建在第3节中。基于这些效果，无人机搜索的性能功能构建，以及后退地平线优化方法用于解决分布式协作决策第4节中的问题。模拟结果显示在在第6节中，我们总结了本文并指出这项工作的进一步方向
2 问题描述
2.1****搜索环境描述。
如上所述提到的，无人机通过使用检测地面移动目标具有固定角度的板载传感器。所以整个环境可以映射到二维空间。
（此处有一点网格的介绍）
这应该是每个网格都可以存储一些包含的有用信息，现有的目标概率，不确定度环境和情况。 结合所有网格，用于搜索的认知信息图（CIM）可以是获得。为了更好地描述搜索问题，给出了如下三个假设：
（1）每个网格中只有一个目标
（2）无人机之间的通信没有延迟或中断。 、
（3）在环境中，没有威胁和障碍，只考虑到无人机之间的碰撞问题。
关于无人机的方向问题：在下一个时间步骤中有三个可能的方向，例如转弯，直行，然后右转。 这意味着无人机最大转角为45∘。对于每个UAV，决策是在下一个时间步骤中选择哪条路径。如图1所示，它由两个原理图组成图。 左边的是无人机搜索的描述环境。红色三角形表示无人机，蓝色圆圈表示目标，黑色矩形区域表示a，预先假定的河流或湖泊，其概率较低甚至零。绿色矩形区域表示营地或有趣的目标区域，其中概率较高。
[图片上传失败...(image-e5a76f-1565939059044)]
3 信息认知地图
传统的现有概率图（TEPM）构建于3.1节仅考虑目标在任务区存在的概率，但多无人机合作搜索移动目标是不够的。 接下来，在TEPM的基础上介绍其他两个地图。 一个被称为不确定的地图环境（UEM），它可以描述一定程度无人机访问过的未知环境，另一种称为信息素图（PM），主要是用于建立无人机之间的合作机制以及对环境的可控访问能力。 所以，整合TPM，UEM和PM，认知信息可以设计地图（CIM）
3.1 不确定的地图环境
对于一个网格来说，最开始确定一个不确定度，x(x,y,t)表示gird(x,y)在时刻t的时候的不确定度，当无人机飞过网格之后，网格的不确定度会减少的
不确度使用下面的公式进行更新。
3.2 信息地图
为了实现无人机之间的有效合作，在本节引入了两种基本的信息素[19]也就是引诱和排斥。对于这两种信息素，引入了两种机制，即传播和蒸发。 D定义A和R作为引诱剂和排斥传播的系数，分别作为定义和作为系数的系数 引诱剂和排斥蒸发剂分别为。同样的，为每个网格定义两个相同的信息素。 让并表示网格的引诱和排斥信息素在时间上。
3.2 Pheromone Map. In order to realize the effective cooperation between UAVs, two basic pheromones [19] which are attractant and repulsion are introduced in this section.
For these two pheromones, two mechanisms are introduced, namely, propagation and evaporation. Defne Ga and Gr as the coefcients of attractant and repulsion propagation, respectively, while defning Ea and Er as the coefcients of
attractant and repulsion evaporation, respectively. Similarly, defne two same pheromones for each grid. Let Sa he Sr denote attractant and repulsion pheromone of grid(x,y) at t time t , respectively.
信息素地图。为了实现无人机之间的有效合作，本节介绍了引诱和排斥的两种基本信息素[19]。对于这两种信息素，引入了两种机制，即繁殖和蒸发。 定义Ga和Gr分别作为引诱和排斥传播的系数，同时确定Ea和Er分别为引诱剂和排斥蒸发剂的系数。同样，为每个网格定义两个相同的信息素。让Sa(x,y,t)和Sr(x,y,t)分别表示在t时刻网格（x,y）的引诱剂和排斥信息素。
假设txy是网格单元（x,y）的网格单元的最后访问时间。T0表示再次访问的临界值时间，Kxy是网格单元引诱信息素的切换系数
[图片上传失败...(image-754013-1565939059044)]
引诱信息素的开关矩阵的计算如下所示：
[图片上传失败...(image-2c4d94-1565939059044)]
假设Np是访问状态矩阵，存储着每个网络的访问状态。让nxy 表示无人机在最后一段时间访问网格（x,y）的次数，当nxy>=0，则考虑：
[图片上传失败...(image-c11a9e-1565939059044)]
当前网络的引诱强度可以从下面的公式计算出来：
[图片上传失败...(image-c37d9f-1565939059044)]
[图片上传失败...(image-692e57-1565939059044)]
Da(x,y)表示表示在时间t +1时引诱剂信息素的释放量，ga表示在t到t+1时间之内临近网格的信息释放。
确保无人机之间的有效合作，在时间t + 1，网格的信息素强度可以通过以下等式获得：
[图片上传失败...(image-686758-1565939059044)]
3.3****目标可能存在概率图
如果获得的先前智能信息不准确，则UAV不能完全知道目标分布状态。现有概率图[11]用于描述每个网格的目标存在概率。让P(x,y,t)表示在时间t网格（x,y）目标存在的概率,使得Pd表示传感器检测精度，使得pf表示传感器错误的概率，b(t)表示是否目标在时间t时候是否被检测到，如果b(t)=1，表示无人机检测到目标了，b(t)=0 表示无人机没有检测到目标的。使用板载传感器检测所有网格单元，根据检测结果更新目标现有概率。更新机制如下：
[图片上传失败...(image-a7a4bc-1565939059044)]
减少目标运动参数的不确定性提高搜索效率，预测模型目标运动在本节中确定。 然后，建议提出了一种目标的高斯移动的分布转移概率密度函数。基于在TEPM中更新目标存在概率，现有的预测概率可以计算目标以进一步更新TEPM。所以
可以避免盲目搜索，提高认知能力目标的预测能力。
3.3.1 The Description of Potential Movement Area of Maneuvering Target.
机动目标潜在运动区域的描述
如果先前的智能信息和先前机动目标方式的不确定运动不准确，无人机搜索机动目标将是非常困难的。因此，预测目标的行为方式是非常重要。在这里，在这些影响上的约束都已经进行考虑了。机动目标的潜在的运动区域已经建立，如图4所示。假设在时间t，无人机已经获得了先前的信息并在一小段时间T之后进入搜索区域。在此期间，目标正在移动。
假设在时间t0，机动目标的位置是（x0,y0），V表示目标的速度，a表示目标的航向角，amax是航向角的最大值，Vmax是最大的速度值，机动目标的潜在的运动区域在一小段时间T之内被描述为这样的区域。
[图片上传失败...(image-bb0c62-1565939059044)]
[图片上传失败...(image-1328fe-1565939059044)]
它意味着速度和航向目标角度未知; 那么潜在的运动机动目标区域可以近似于圆形。
3.3.2机动目标的运动预测模型
在本文中，机动目标在潜在的运动区域的概率分布将用于预测运动目标的行动举止。
[图片上传失败...(image-a75cf2-1565939059044)]
在这里给出了三个假设。
（1）目标的位置分量在x和y轴上面是独立的
（2）时间tn-1和tn之间有一个较大的时间间隔，m表示时间步的数目
[图片上传失败...(image-e60a41-1565939059044)]
（3）每个时间步长的加速度相同，并受高斯白噪声的影响具有相同方差的序列。
根据以上描述，可以应用数学上的诱导方法来获得目标的位置和速度，分段K和时间t到tn之间，考虑
[图片上传失败...(image-4ac0c0-1565939059044)]
[图片上传失败...(image-45cac1-1565939059044)]
[图片上传失败...(image-37ddad-1565939059044)]
M = 10 代表的是时间步的数目的。
[图片上传失败...(image-bab2fd-1565939059044)]
3.3.3 机动目标的过渡概率密度函数
目标位置的不确定性主要是由目标的移动方向决定，机动目标的转移概率密度函数可以获得。它受制于高斯分布，其平均值是关于上述循环上面的要点。
机动目标的转移概率密度函数的原理图如图3所示。下面挺多没写的
4 多无人机分布式协同搜索的决策方法
为了保证有效合作，避免无人机碰撞，基于信息素图和人工潜力的结合的特殊机制结合feld方法成立。 同时，相关值功能函数已经构建。 但是，对于集中模型预测控制，计算量非常大。如果是中央无人机被禁用，其他无人机将无法获得决策权命令; 因此整个搜索任务将失败。因此，MultiUAV的集中方式在线优化问题转化为分布式在线优化问题。它可以提高计算效率并确保成功完成了搜索任务。
4.1 无人机搜索的性能指标函数
合作搜索的目的是在整个搜索区域找到尽可能多的目标 尽可能减少不确定度，从而确保无人机之间的有效的合作和避免碰撞[19,20]。我们可以构建搜索效率的功能，描述无人机搜索的性能。 这个功能是一个多目标优化函数，包含覆盖范围，目标发现和合作能力。 接下来，我们会详细的介绍了环境搜索成本，目标发现成本和合作成本的建模过程。
4.1.1 环境搜索成本：
环境搜寻费用主要用于描述如何减少环境的不确定程度。引入信息熵来表示环境的不确定度，表现为P(x,y,tn)特殊定义描述如下：
[图片上传失败...(image-2316f3-1565939059044)]
随着无人机不断搜索和检测任务区，信息熵可能逐渐减少。 所以，为了描述减少的信息熵的额度，环境的搜索成本是定义如下：
[图片上传失败...(image-4e6127-1565939059044)]1 Distributed Cooperative Search Control Method of Multiple UAVs for Moving Target
(用于移动的多个无人机目标的分布式协同搜索控制方法)
摘要：减少未知运动参数引起的不确定性对运动目标搜索计划的影响，提高运动目标的搜索方案，针对无人机搜索的效率，提出了一种新的分布式多无人机移动目标协同搜索控制方法，这篇报告。基于板载传感器的检测结果，使用贝叶斯理论更新目标概率图。高斯引入目标转移概率密度函数的分布来计算运动目标的预测概率存在，然后目标概率图可以进一步实时更新。结合的性能指标函数，构建目标成本，环境成本和合作成本，将合作搜索问题转化为中心优化问题。为了提高计算效率，提出了分布式模型预测控制方法，因此，可以获得每个UAV的控制命令。模拟结果验证了所提出的方法可以避免无人机搜索的盲目性，并有效地提高团队的整体效率。
1 介绍
近年来，无人驾驶飞行器（UAVs）已经出现广泛用于民用和军用场合，表演各种任务，如搜索，侦察和监视[1]。携带一系列传感器，他们可以搜索任务区内的各种目标并获得大量目标有用的信息。目前，搜索方法一般预先计划轨迹方法，搜索是有效的稳定和非威胁目标。但是，具有复杂性环境和威胁的增加，它将变得非常难以让单个无人机完成搜索任务并捕捉。它可能被敌人摧毁，然后整个任务将失败。要解决这个问题，许多学者提出了合作搜索方法多架无人机[2-4]。多无人机合作搜索是执行目标跟踪等其他任务的前提条件攻击和评估。有效的搜索可以达到目标在任务区域并获取情报信息。如何实现无人机之间更好的合作一个需要解决的重要问题。
对于多无人机合作搜索的问题，有是由相关学者开发的许多文献。 在[5,6]，一种基于分布式的协同搜索方法提出了模型预测控制（DMPC）。 基于这种方法，是一个集中的在线优化问题分解成每个分散优化问题无人机。在[7]中，建议团队的目标是搜索并覆盖整个未知区域，同时避免碰撞。 另一个问题是通信延迟无人机在进行合作搜索时不确定环境[8,9]。 在[8]中，提出了一种随机方法估计每个无人机的不同行动的概率，它可以有效地补偿通信的影响延迟。
[图片上传失败...(image-e646c2-1565939061133)]
虽然上述方法已经过验证对于合作搜索问题，它们主要是有效的关于静态目标，不适合移动和时间紧迫的目标。目前，搜索移动目标是卫星和机器人的主要焦点[12-18]。这里列出了几个典型的结果。在[12]中，提出了五种方法来搜索海洋运动目标，并且他们的表现通过模拟实验进行比较根据卫星的可信轨道数据。在[14]中，一群无人机用于搜索一个或多个逃避预定义区域中的目标。这些目标有能力避免检测无人机。通过谈判无人机，群体可以优化其感知能力确保最大的搜索范围。在[16]，为目标运动的不确定性，分布式目标中心形成控制策略集成滑模控制建议。它可以弥补不确定性并保持不变预期的以目标为中心的形成。
在本文中，我们专注于搜索移动目标使用多无人机合作。 我们的主要贡献包括三个方面：
（1）构建认知信息图来描述目标，环境和无人机之间的相互作用。
（2）设计了一种新的认知信息图更新机制，并结合预测目标运动。
（3）信息素图和人工潜力字段被合并到合作成本中，可以确保有效合作和避免无人机之间碰撞
本文的其余部分安排如下。在第2节，介绍了问题描述。认知信息图的模型的构建在第3节中。基于这些效果，无人机搜索的性能功能构建，以及后退地平线优化方法用于解决分布式协作决策第4节中的问题。模拟结果显示在在第6节中，我们总结了本文并指出这项工作的进一步方向
2 问题描述
2.1****搜索环境描述。
如上所述提到的，无人机通过使用检测地面移动目标具有固定角度的板载传感器。所以整个环境可以映射到二维空间。
（此处有一点网格的介绍）
这应该是每个网格都可以存储一些包含的有用信息，现有的目标概率，不确定度环境和情况。 结合所有网格，用于搜索的认知信息图（CIM）可以是获得。为了更好地描述搜索问题，给出了如下三个假设：
（1）每个网格中只有一个目标
（2）无人机之间的通信没有延迟或中断。 、
（3）在环境中，没有威胁和障碍，只考虑到无人机之间的碰撞问题。
关于无人机的方向问题：在下一个时间步骤中有三个可能的方向，例如转弯，直行，然后右转。 这意味着无人机最大转角为45∘。对于每个UAV，决策是在下一个时间步骤中选择哪条路径。如图1所示，它由两个原理图组成图。 左边的是无人机搜索的描述环境。红色三角形表示无人机，蓝色圆圈表示目标，黑色矩形区域表示a，预先假定的河流或湖泊，其概率较低甚至零。绿色矩形区域表示营地或有趣的目标区域，其中概率较高。
[图片上传失败...(image-8d22e9-1565939061132)]
3 信息认知地图
传统的现有概率图（TEPM）构建于3.1节仅考虑目标在任务区存在的概率，但多无人机合作搜索移动目标是不够的。 接下来，在TEPM的基础上介绍其他两个地图。 一个被称为不确定的地图环境（UEM），它可以描述一定程度无人机访问过的未知环境，另一种称为信息素图（PM），主要是用于建立无人机之间的合作机制以及对环境的可控访问能力。 所以，整合TPM，UEM和PM，认知信息可以设计地图（CIM）
3.1 不确定的地图环境
对于一个网格来说，最开始确定一个不确定度，x(x,y,t)表示gird(x,y)在时刻t的时候的不确定度，当无人机飞过网格之后，网格的不确定度会减少的
不确度使用下面的公式进行更新。
3.2 信息地图
为了实现无人机之间的有效合作，在本节引入了两种基本的信息素[19]也就是引诱和排斥。对于这两种信息素，引入了两种机制，即传播和蒸发。 D定义A和R作为引诱剂和排斥传播的系数，分别作为定义和作为系数的系数 引诱剂和排斥蒸发剂分别为。同样的，为每个网格定义两个相同的信息素。 让并表示网格的引诱和排斥信息素在时间上。
3.2 Pheromone Map. In order to realize the effective cooperation between UAVs, two basic pheromones [19] which are attractant and repulsion are introduced in this section.
For these two pheromones, two mechanisms are introduced, namely, propagation and evaporation. Defne Ga and Gr as the coefcients of attractant and repulsion propagation, respectively, while defning Ea and Er as the coefcients of
attractant and repulsion evaporation, respectively. Similarly, defne two same pheromones for each grid. Let Sa he Sr denote attractant and repulsion pheromone of grid(x,y) at t time t , respectively.
信息素地图。为了实现无人机之间的有效合作，本节介绍了引诱和排斥的两种基本信息素[19]。对于这两种信息素，引入了两种机制，即繁殖和蒸发。 定义Ga和Gr分别作为引诱和排斥传播的系数，同时确定Ea和Er分别为引诱剂和排斥蒸发剂的系数。同样，为每个网格定义两个相同的信息素。让Sa(x,y,t)和Sr(x,y,t)分别表示在t时刻网格（x,y）的引诱剂和排斥信息素。
假设txy是网格单元（x,y）的网格单元的最后访问时间。T0表示再次访问的临界值时间，Kxy是网格单元引诱信息素的切换系数
[图片上传失败...(image-1b290f-1565939061132)]
引诱信息素的开关矩阵的计算如下所示：
[图片上传失败...(image-26c05b-1565939061132)]
假设Np是访问状态矩阵，存储着每个网络的访问状态。让nxy 表示无人机在最后一段时间访问网格（x,y）的次数，当nxy>=0，则考虑：
[图片上传失败...(image-8cd859-1565939061132)]
当前网络的引诱强度可以从下面的公式计算出来：
[图片上传失败...(image-7e7c2f-1565939061132)]
[图片上传失败...(image-600f9c-1565939061132)]
Da(x,y)表示表示在时间t +1时引诱剂信息素的释放量，ga表示在t到t+1时间之内临近网格的信息释放。
确保无人机之间的有效合作，在时间t + 1，网格的信息素强度可以通过以下等式获得：
[图片上传失败...(image-d73063-1565939061132)]
3.3****目标可能存在概率图
如果获得的先前智能信息不准确，则UAV不能完全知道目标分布状态。现有概率图[11]用于描述每个网格的目标存在概率。让P(x,y,t)表示在时间t网格（x,y）目标存在的概率,使得Pd表示传感器检测精度，使得pf表示传感器错误的概率，b(t)表示是否目标在时间t时候是否被检测到，如果b(t)=1，表示无人机检测到目标了，b(t)=0 表示无人机没有检测到目标的。使用板载传感器检测所有网格单元，根据检测结果更新目标现有概率。更新机制如下：
[图片上传失败...(image-87ca49-1565939061132)]
减少目标运动参数的不确定性提高搜索效率，预测模型目标运动在本节中确定。 然后，建议提出了一种目标的高斯移动的分布转移概率密度函数。基于在TEPM中更新目标存在概率，现有的预测概率可以计算目标以进一步更新TEPM。所以
可以避免盲目搜索，提高认知能力目标的预测能力。
3.3.1 The Description of Potential Movement Area of Maneuvering Target.
机动目标潜在运动区域的描述
如果先前的智能信息和先前机动目标方式的不确定运动不准确，无人机搜索机动目标将是非常困难的。因此，预测目标的行为方式是非常重要。在这里，在这些影响上的约束都已经进行考虑了。机动目标的潜在的运动区域已经建立，如图4所示。假设在时间t，无人机已经获得了先前的信息并在一小段时间T之后进入搜索区域。在此期间，目标正在移动。
假设在时间t0，机动目标的位置是（x0,y0），V表示目标的速度，a表示目标的航向角，amax是航向角的最大值，Vmax是最大的速度值，机动目标的潜在的运动区域在一小段时间T之内被描述为这样的区域。
[图片上传失败...(image-ebfd1e-1565939061132)]
[图片上传失败...(image-e646cb-1565939061132)]
它意味着速度和航向目标角度未知; 那么潜在的运动机动目标区域可以近似于圆形。
3.3.2机动目标的运动预测模型
在本文中，机动目标在潜在的运动区域的概率分布将用于预测运动目标的行动举止。
[图片上传失败...(image-45dc3a-1565939061132)]
在这里给出了三个假设。
（1）目标的位置分量在x和y轴上面是独立的
（2）时间tn-1和tn之间有一个较大的时间间隔，m表示时间步的数目
[图片上传失败...(image-20b558-1565939061132)]
（3）每个时间步长的加速度相同，并受高斯白噪声的影响具有相同方差的序列。
根据以上描述，可以应用数学上的诱导方法来获得目标的位置和速度，分段K和时间t到tn之间，考虑
[图片上传失败...(image-629899-1565939061132)]
[图片上传失败...(image-56bc0e-1565939061132)]
[图片上传失败...(image-da09f3-1565939061132)]
M = 10 代表的是时间步的数目的。
[图片上传失败...(image-f7d538-1565939061132)]
3.3.3 机动目标的过渡概率密度函数
目标位置的不确定性主要是由目标的移动方向决定，机动目标的转移概率密度函数可以获得。它受制于高斯分布，其平均值是关于上述循环上面的要点。
机动目标的转移概率密度函数的原理图如图3所示。下面挺多没写的
4 多无人机分布式协同搜索的决策方法
为了保证有效合作，避免无人机碰撞，基于信息素图和人工潜力的结合的特殊机制结合feld方法成立。 同时，相关值功能函数已经构建。 但是，对于集中模型预测控制，计算量非常大。如果是中央无人机被禁用，其他无人机将无法获得决策权命令; 因此整个搜索任务将失败。因此，MultiUAV的集中方式在线优化问题转化为分布式在线优化问题。它可以提高计算效率并确保成功完成了搜索任务。
4.1 无人机搜索的性能指标函数
合作搜索的目的是在整个搜索区域找到尽可能多的目标 尽可能减少不确定度，从而确保无人机之间的有效的合作和避免碰撞[19,20]。我们可以构建搜索效率的功能，描述无人机搜索的性能。 这个功能是一个多目标优化函数，包含覆盖范围，目标发现和合作能力。 接下来，我们会详细的介绍了环境搜索成本，目标发现成本和合作成本的建模过程。
4.1.1 环境搜索成本：
环境搜寻费用主要用于描述如何减少环境的不确定程度。引入信息熵来表示环境的不确定度，表现为P(x,y,tn)特殊定义描述如下：
[图片上传失败...(image-895c38-1565939061132)]
随着无人机不断搜索和检测任务区，信息熵可能逐渐减少。 所以，为了描述减少的信息熵的额度，环境的搜索成本是定义如下：
[图片上传失败...(image-106f7e-1565939061132)]
4.1.2 目标的发现成本。目标的发现成本表示无人机基于从当前位置到目标位置的板载传感器的发现目标的可能性：
4.1.3合作成本。合作优化的目的是避免过度重复搜索一个网格。 因此，引入信息素来描述搜索区的占领情况。通过这种方式，它可以有效减少重复访问网格的无人机的数量并且提高合作搜索效率。合作成本定义如下：
4.1.4 多UAV之间的碰撞避免机制。对于Multi-UAVs合作搜索问题，我们不仅如此考虑合作搜索效率，但也考虑无人机之间的碰撞和轨迹重叠。在这里，引入了智能潜能feld方法来解决以上问题。这个方法是一种虚拟方法，可以通过计算无人机之间的竞争力量确保相对位置和方向。同时，让我们来定义无人机和无人机之间的定义如下：
5 模拟验证和结果分析
验证拟议的有效性和可行性方法，多无人机分布式仿真平台在此建立了合作搜索移动目标，在仿真平台上可以观察到无人机的动态飞行轨迹和目标的运动轨迹。模拟的条件设计如下：任务区域的尺寸为80 km×80 km并分为80×80网格，宽度和长度相同Rs = 1公里。十个随机移动目标分布在任务区域中。
三个无人机从一个基地取出并进入底部，短时间内搜索区域的边缘。 假设
无人机的速度为30~50 m / s，移动目标的速度为3〜5 m / s，以及无人机和目标的转弯角度约束分别为-45∘45∘和-180∘180∘。 模拟结果显示在图6和7中
由于无人机搜索过程是动态的，因此选择不同的步骤来描述搜索行为，无人机和环境区域的覆盖范围。在图7中，细线表示无人机的搜索轨迹和矩形表示目标的移动轨迹。如图所示，在图7（a）中，无人机可以在开始时检测到一些目标。
随着模拟的进行，无人机可以不断访问单个的单元网格，了解任务区域和确认目标是否存在。从图7（d）中可以看出三架无人机已经覆盖了大部分任务区域并检测出来比图7（a）中的目标更多的目标。图8显示了信息素的潜在差异变异。没有无人机之间的轨迹重叠，没有资源被浪费了。所提出的方法可以避免碰撞并确保无人机之间更好的合作。以上的所有的结果已经证实了提出的方法的有效性和可行性。
进一步验证所提方法的有效性，本文将其与其他合作搜索方法进行比较
分别用非预测，扫描光束方法和贪婪搜索方法。这里是比较的两个方面，即找到的平均目标数目和任务区的平均覆盖率。因为无人机的初始位置和移动目标，以及初始化区域环境，在模拟中是随机的，模拟二十次，模拟的长度步长设定为1000.模拟结果如图所示分别如图8和9所示。
仿真结果表明，该方法可以减少无人机过程中的不确定性和盲目性，通过引入目标的移动预测进行搜索并提高无人机的整体搜索性能，实时观察多UAV的飞行轨迹。
未来的研究可能侧重于认知的设计信息图（CIM）和解决分布式协同搜索和控制的优化解决方案。更多合理的CIM旨在获取更多信息，包括环境，障碍，威胁和目标。搜索和捕获智能逃避目标也是一个有待进一步研究的重要问题。
4.1.2 目标的发现成本。目标的发现成本表示无人机基于从当前位置到目标位置的板载传感器的发现目标的可能性：
4.1.3合作成本。合作优化的目的是避免过度重复搜索一个网格。 因此，引入信息素来描述搜索区的占领情况。通过这种方式，它可以有效减少重复访问网格的无人机的数量并且提高合作搜索效率。合作成本定义如下：
4.1.4 多UAV之间的碰撞避免机制。对于Multi-UAVs合作搜索问题，我们不仅如此考虑合作搜索效率，但也考虑无人机之间的碰撞和轨迹重叠。在这里，引入了智能潜能feld方法来解决以上问题。这个方法是一种虚拟方法，可以通过计算无人机之间的竞争力量确保相对位置和方向。同时，让我们来定义无人机和无人机之间的定义如下：
5 模拟验证和结果分析
验证拟议的有效性和可行性方法，多无人机分布式仿真平台在此建立了合作搜索移动目标，在仿真平台上可以观察到无人机的动态飞行轨迹和目标的运动轨迹。模拟的条件设计如下：任务区域的尺寸为80 km×80 km并分为80×80网格，宽度和长度相同Rs = 1公里。十个随机移动目标分布在任务区域中。
三个无人机从一个基地取出并进入底部，短时间内搜索区域的边缘。 假设
无人机的速度为30~50 m / s，移动目标的速度为3〜5 m / s，以及无人机和目标的转弯角度约束分别为-45∘45∘和-180∘180∘。 模拟结果显示在图6和7中
由于无人机搜索过程是动态的，因此选择不同的步骤来描述搜索行为，无人机和环境区域的覆盖范围。在图7中，细线表示无人机的搜索轨迹和矩形表示目标的移动轨迹。如图所示，在图7（a）中，无人机可以在开始时检测到一些目标。
随着模拟的进行，无人机可以不断访问单个的单元网格，了解任务区域和确认目标是否存在。从图7（d）中可以看出三架无人机已经覆盖了大部分任务区域并检测出来比图7（a）中的目标更多的目标。图8显示了信息素的潜在差异变异。没有无人机之间的轨迹重叠，没有资源被浪费了。所提出的方法可以避免碰撞并确保无人机之间更好的合作。以上的所有的结果已经证实了提出的方法的有效性和可行性。
进一步验证所提方法的有效性，本文将其与其他合作搜索方法进行比较
分别用非预测，扫描光束方法和贪婪搜索方法。这里是比较的两个方面，即找到的平均目标数目和任务区的平均覆盖率。因为无人机的初始位置和移动目标，以及初始化区域环境，在模拟中是随机的，模拟二十次，模拟的长度步长设定为1000.模拟结果如图所示分别如图8和9所示。
仿真结果表明，该方法可以减少无人机过程中的不确定性和盲目性，通过引入目标的移动预测进行搜索并提高无人机的整体搜索性能，实时观察多UAV的飞行轨迹。
未来的研究可能侧重于认知的设计信息图（CIM）和解决分布式协同搜索和控制的优化解决方案。更多合理的CIM旨在获取更多信息，包括环境，障碍，威胁和目标。搜索和捕获智能逃避目标也是一个有待进一步研究的重要问题。