基于定向模型的搜救问题资料.doc

基于定向模搜索和救援的问题本文提出一新的搜索和救援的问题。通过连接空间最长的时T，研究一种简单的空中搜索最大化搜索和救援。现的信息可能性区域一个模型获得搜索路径的概率努力的分配我们模型本文我们通过连接空间最长的时T，去研究搜索路径问(搜索和救援)先验信息传感器数据专家的意见)可用可能的位置目标的空间分布。这样的分布可能或任何其他类型的不确定性建模功能。导引头或搜索器是一空中平台配备传感器(如扫描雷达、红外)。平台有一个最大时间被加油任何其他系统或人类的约束。(Kierstead 和 Balzo 2003)的研究表明搜索路径问题和精力分配问题密切相关。(Stone 1975)的搜寻理论认为目标和寻找者之间存在一种模仿的概率。第一次正式的提出搜索理轮的是Koopman (1980) 和美国海军运行研究组织在第二次世界大战中为了反潜战提出的更好的策略。从那以后，搜索理论主要应用于监测、搜救任务和搜寻（如找到1980年消失的美国核潜艇蝎子号或者在在苏伊士运河清除未爆炸武器例如海上巡逻飞机、直升机、无人机、船舶光电、红外线和合成孔径雷达传感器搜索路径规划问题是棘手的复杂的因为它是多方面非确定性多项式(Trummel 和 Weisinger 1986)。也有很多因素需要被考虑在内：　Doré et al. (2009)，针对搜索和搜救提出了一个扩展的搜寻理论。他们提出的这个理论相信功能对信息融合以及更新对优化搜索计划内容非常重要。 离散路径问题是基于假设搜寻者或者搜查人和目标在离散的时间和空间维度上移动。此外，关于离散时间的移动目标搜寻模型经常假设目标移动满足马尔科夫链属性(Hong et al. 2009)。在目标满足马尔科夫链移动或者有条件的确定性移动的情况下，Dambreville 和 Cadre (2002)提出了一个优化搜索的算法针对搜索资源满足广义的线性约束而更新的问题。 Eagle (1984)提出了最优动态规划Stewart (1979)提出了一种搜寻效应，当这种效应受到路径的限制时，新颖的重新安置。Eagle 和 Yee (1990)扩展了Stewart (1979)的工作，提出了在7×7搜索网格Dell et al. (1996) 和 Hohzaki 以及 Iida (1997)上有所延展。 Hong et al. (2009) 提出了一种Jacobson 和 McLay (2006)同时提出一种广义的爬山算法去决定在多个搜寻平台上的最优搜寻策略。Kierstead 和 Balzo (2003)提出了一种遗传算法（GA）对移动的目标规划搜索路径。在他的论文中，Janez (2007)提出了一种模拟传感器规划问题就类似汽车调度问题（VRP）。这种构想是基于假设目标的坐标搜寻者是事先知道的。与前面提到的工作不同，目标的静止的并且他们的位置是定义良好的。这样问题的关键就是分配不同的检测工具去检测每一个目标。 3.问题描述图1 简化流程图 对于一种给定的搜索情况，令一个搜索者 s 与适当的传感器在一个给定的平台上组合。多个的搜索者可能会被安排前往不同的搜索区域。在每个搜索区域搜索路径可能都遵循一种静态或者动态的模式。本文旨在给一个特定的搜索者最优的路径搜索计划。我们主要专注于空中搜索。 我们假设这个过程如图1所示。首先一个遇险信号可能会被搜索和救援中心接收，这将激活它的优先级过程。信息将会从不同的信息源传递出来（如传感器）。信息融合过程将产生可能的目标位置空间分布。通过过滤过程，可以在搜索区域生成一个合川分布函数。 我们假设先验信息Kao et al. 2001)。这种强度分配可能涉及到更高程度的信心（比如可能性概率），因此对象更限制在一个特定区域的控制区域。此时，分布函数不一定是一个概率分布函数。为了去生成更多的智能分布地图，可能会应用不同的聚类技术。 一个好的搜救计划应该获得最大的成功概率（POS），这样才能最大概率的找到搜救目标。为了估计成功概率，我们使用另外两种概率模型经行对比。一种是遏制概率（POC），反映目标在一定的搜索区域单元内的概率。另一种是检测概率（POD），反映在搜索区域内传感器检测到搜索目标的概率。值得注意的是这种检测概率是函数提供的传感器在特定的区域内。为了简化模型，我们假设检测到目标的概率是和花费在搜索特定区域的时间有关的函数。我们简化条件概率是为了表达在外侧的传感器的功能范围，其扫描宽度设为W，以及的在区域的总时间(Frost 1998)。 我们假设检测概率以下表达式 （1） 其中表达在区域的有效扫描宽度，是区域j的表面积，是平台到达区域的速度，是相应水平的力度去安排到区域的时间。本文，我们提出了一种路径规划算法去最大化的找到配合的目标在一定的时间