АЛГОРИТМ СИНТЕЗА СИСТЕМЫ ВИДЕОНАБЛЮДЕНИЯ НА БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТАХ ДЛЯ ЗАЩИТЫ ПЛОЩАДНОГО ОБЪЕКТА Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

УДК 519.688

АЛГОРИТМ СИНТЕЗА СИСТЕМЫ ВИДЕОНАБЛЮДЕНИЯ НА БЕСПИЛОТН ЫХ ЛЕТАТЕЛЬН ЫХ АП ПАРАТАХ ДЛЯ ЗАЩИТЫ ПЛОЩАДНОГО ОБЪЕКТА

К. П. Рогожкина1, В. В. Козлов2

1,2 Пензенский государственный университет, Пенза, Россия

Yat-kr@yandex.ru 2rm-vlad@mail.ru

Аннотация. Представлена разработка алгоритма синтеза системы видеонаблюдения (СВ) на беспилотных летательных аппаратах (БПЛА) для защиты площадного объекта в системе поддержки принятия решений по поражению малогабаритных средств воздушного нападения: дана характеристика системы поддержки принятия решений (СППР) по поражению малогабаритных средств воздушного нападения, сформирован алгоритм структурно-параметрического синтеза СВ на БПЛА.

Ключевые слова: беспилотный летательный аппарат, система видеонаблюдения, алгоритм синтеза, генетический алгоритм

Для цитирования: Рогожкина К. П., Козлов В. В. Алгоритм синтеза системы видеонаблюдения на беспилотных летательных аппаратах для защиты площадного объекта // Вестник Пензенского государственного университета. 2022. № 2. С. 91-98.

В современных условиях меняется тактика применения БПЛА [1]. В связи с этим лицу, принимающему решение (ЛПР) по защите площадного объекта, требуется помощь в принятии особенно нестандартных и быстрых решений по способам предотвращения нападения БПЛА и эффективной системе управления.

Для реализации функции поддержки принятия решений необходимо использовать информационные технологии, технологии СППР, технологии моделирования и имитации. СППР представляют собой компьютерные автоматизированные системы, почти всегда интерактивные, разработанные, для оказания помощи ЛПР в принятии решений управления, объединяя данные, сложные модели и удобное программное обеспечение в единую мощную систему, которая может поддерживать слабоструктурированное и неструктурированное принятие решения [2].

Для поддержки решений ЛПР по защите площадного объекта СППР должна формировать множество альтернативных способов защиты объекта, адаптируясь к условиям реализации противодействия БПЛА, тем самым сокращая скорость принятия решений, их передачу. Предлагается способ защиты объекта получать в результате синтеза СВ на БПЛА.

Постановка задачи синтеза в виде оптимизационной задачи.

В концептуальном плане синтез СВ на БПЛА представляет собой формирование системы, состоящей из видеокамер с различными характеристиками, расположенными на рубежах охраны площадного объекта.

Для синтеза СВ на БПЛА приняты следующие допущения: - показателем эффективности функционирования СВ на БПЛА является «относительная площадь детектирования»;

© Рогожкина К. П., Козлов В. В., 2022

- максимальное количество элементов СВ на БПЛА является задаваемой величи-

ной;

- число рубежей СВ на БПЛА является задаваемой величиной;

- в качестве элементов СВ на БПЛА могут рассматриваться видеокамеры (ВК) с различными характеристиками;

- в качестве индивидуальных характеристик элементов СВ на БПЛА могут рассматриваться площади областей детектирования ВК.

В итоге задача структурно-параметрического синтеза СВ на БПЛА математически сформулирована в виде задачи условной дискретной оптимизации: требуется найти оптимальную структуру СВ на БПЛА с требуемыми характеристическими свойствами, которая в конкретных условиях выполнения задачи обнаружения обеспечивала бы достижение максимального значения показателя эффективности («относительной площади детектирования»).

В качестве целевой функции для решения задачи синтеза СВ на БПЛА примем зависимость для определения относительной площади детектирования. Следовательно, целевая функция имеет следующий вид:

f (*)

= - min

xeX

N n,

i=i j=i

S

(1)

при следующих ограничениях:

- признак наличия ВК в одной возможной точке рубежа - бинарная переменная:

Xjk е{0,1}, i = 1,...,R,j = 1,...,Nr, k = 1,...,N; (2)

- в одной возможной точке рубежа должно быть не более одной ВК:

N

X Xjk <1; (3)

k=1

- количество ВК на одном рубеже не должно превышать общее количество возможных точек этого рубежа:

Nr

X Xjk < Nr; (4)

j=1

- общее количество ВК на всех рубежах не должно превышать заданное общее количество камер:

R Nr N

XXXx» <N; (5)

,=1 j=1 k=1

- точки основания равнобедренных прямоугольников области детектирования каждой ВК не должны выходить за пределы последнего рубежа:

max (R + bk - Rr )< 0; (6)

- должно быть исключение пересечения треугольников, биссектрисы которых находятся на одной прямой:

max(R,- + bk -R)< 0; (7)

- должно быть исключение наложения углов треугольников областей детектирования:

(©2^ )< 0, (8)

тах (

где ^ - площадь детектирования _/-й ВК на 1-м рубеже обнаружения; $тах - фактическая площадь покрытия местности всеми рубежами обнаружения; я - число рубежей СВТО; Мг - число возможных точек размещения камер на одном рубеже; хг}. - признак наличия

]-й видеокамеры на 1-м рубеже обнаружения; N - общее число заданных ВК; Я - радиус

1-го рубежа; Ъъ - биссектриса равнобедренного треугольника детектирования к-й ВК;

©2^_1к - дирекционный угол, отсчитываемый против часовой стрелки на левый угол

равнобедренного треугольника детектирования ВК, стоящей правее 1-й ВК; ©3^ - ди-

рекционный угол, отсчитываемый против часовой стрелки на правый угол равнобедренного треугольника детектирования 1-й ВК.

Выбор метода решения задачи синтеза системы видеонаблюдения на беспилотных летательных аппаратах.

Задача структурно-параметрического синтеза по своей сути представляет собой задачу дискретной оптимизации.

Как правило, задачи дискретной оптимизации характеризуются большим числом переменных, и, как следствие, большим пространством поиска, что не дает возможности перебрать все многообразие решений за «разумное» время. С другой стороны, нам и не требуется нахождение глобального решения, достаточно найти «приемлемое» решение по заданному критерию. Этими обстоятельствами объясняется выбор метаэвристическо-го эволюционного метода оптимизации - генетического алгоритма (ГА) [3].

ГА имеет следующие отличия от традиционных задач оптимизации:

- ГА манипулируют непосредственно кодировками хе $, а не самими решениями х е Б исходной задачи дискретной оптимизации;

- работают не с одной кодировкой хе $, а одновременно с совокупностью кодировок (х1 -х2-ХУ) из пространства поиска Б, называемой популяцией Р' численностью, которая формируется заново для каждого последующего поколения;

- являются методами нулевого порядка («слепого поиска»), использующими в процессе поиска только информацию об оценке кодировок Xе $ с помощью функции приспособленности;

- являются стохастическими алгоритмами, основные операторы которых (селекция, скрещивание, мутация, замена) основываются на вероятностных схемах;

- основываются на моделировании биологических механизмов эволюции и попу-ляционной генетики в живой природе, а не на математических свойствах функции приспособленности.

ГА обладают рядом преимуществ, например:

- ГА не требуют никакой информации о поведении функции (например, диффе-ренцируемости и непрерывности);

- разрывы, существующие на поверхности ответа, имеют незначительный эффект на полную эффективность оптимизации;

- ГА относительно стойки к попаданию в локальные оптимумы;

- пригодны для решения крупномасштабных проблем оптимизации;

- могут быть использованы для широкого класса задач;

- просты в реализации;

- могут быть использованы в задачах с изменяющейся средой.

В настоящее время ГА используются для решения таких задач, как:

- поиск глобального экстремума многопараметрической функции;

- аппроксимация функций;

- задачи о кратчайшем пути;

- задачи размещения;

- настройка искусственной нейронной сети;

- игровые стратегии;

- обучение машин.

Таким образом, с учетом всех преимуществ ГА он является наиболее приемлемым способом решения обозначенной выше задачи синтеза.

Структурно-параметрический синтез системы видеонаблюдения на беспилотных летательных аппаратах площадного объекта на основе генетического алгоритма.

Задача структурно-параметрического синтеза СВ на БПЛА по своей сути представляет собой задачу дискретной оптимизации.

Блок-схема алгоритма решения задачи структурно-параметрического синтеза СВ на БПЛА с необходимыми комментариями представлена на рис. 1.

Рис. 1. Блок-схема алгоритма решения задачи синтеза

Работа алгоритма представляет собой итерационный процесс, организованный методом ГА, нахождения оптимального расположения БПЛА с ВК с требуемыми характери-

стическими свойствами, которое в конкретных условиях выполнения задачи обнаружения обеспечивает достижение максимального значения показателя эффективности (относительной площади детектирования).

Программно алгоритм синтеза СВ на БПЛА реализован в среде Matlab [3] с помощью функции ga, реализующей метод ГА.

В табл. 1 представлены принятые параметры функции ga для решения обозначенной задачи оптимизации.

Разработанный алгоритм синтеза СВ на БПЛА представляет собой последовательность формирования оптимальной кольцевой структуры из ВК с различными характеристиками для выполнения задачи обнаружения БПЛА.

В табл. 2 представлена временная сложность алгоритма для решения задачи структурно-параметрического синтеза СВ на БПЛА.

Таблица1

Параметры функции ga

Параметр Описание параметра Значение параметра

PopulationSize Размер популяции 100

EliteCount Число элитных потомков 10

CrossoverFraction Доля популяции в следующем поколении, не включая элитных потомков, которая создается функцией кроссовера 0,8

FunctionTolerance Алгоритм останавливается, если среднее относительное изменение наилучшего значения функции пригодности в поколениях меньше или равно FunctionTolerance 103

ConstraintTolerance Определяет осуществимость с учетом нелинейных ограничений 103

CrossoverFcn Функция, которую алгоритм использует для создания дочерних элементов кроссовера @crossoverscattered (функция кроссовера для задач без линейных ограничений создает случайный двоичный вектор и выбирает гены, где вектор равен 1 от первого родителя, и гены, где вектор равен 0 от второго родителя, и объединяет гены, чтобы сформировать потомка)

MutationFcn Функция, которая производит потомков мутацией @mutationgaussian (Гауссовская функция мутации для неограниченных задач, добавляет случайное число, взятое из гауссовского распределения со средним значением 0, к каждой записи родительского вектора)

SelectionFcn Функция, которая выбирает родителей потомков кроссовера и мутации @selectionstochunif (функция Stochastic uniform выкладывает линию, в которой каждый родитель соответствует участку линии длины, пропорциональной его масштабируемому значению)

Таблица 2

Временная сложность алгоритма

№ п/п Число входных переменных, п Затраченное время, t (с)

1 100 (2 рубежа; 5 возможных точек размещения видеокамер; 10 заданных видеокамер) 2197

2 270 (3 рубежа; 6 возможных точек размещения видеокамер; 15 заданных видеокамер) 4086

3 560 (4 рубежа; 7 возможных точек размещения видеокамер; 20 заданных видеокамер) 7357

Анализируя табл. 2, можно сделать вывод о технической достижимости реализации алгоритма и возможности его применения в СППР с оптимизацией кода на языке программирования высокого уровня и адаптацией под конкретные требования системы.

Расчет производился на ПЭВМ со следующими характеристиками:

- операционная система: Microsoft Windows (хб4);

- среда программирования: Matlab R2020b;

- процессор: Intel(R) Core(TM) i7-8750H CPU @ 2,2 GHz;

- оперативная память: 20,00 Гб.

Для апробации разработанного алгоритма были проведены расчеты по определению оптимальной структуры СВ на БПЛА, элементами которой выступали ВК с характеристиками, приведенными в табл. 3.

Таблица 3

Начальный состав СВ на БПЛА и характеристики ВК (минимальная плотность пикселей по горизонтали при максимальной дальности

обнаружения равна 10 пикс./м)

№ а - угол обзора Разрешение wm - размер матрицы hm - размер матрицы

п/п по горизонту, (о) ВК, (Мп) по горизонтали, (пикс.) по вертикали, (пикс.)

1 40 8 3840 2160

2 45 8 3840 2160

3 51 8 3840 2160

4 23 5 2560 1920

5 20 4 2688 1440

6 30 5 2560 1920

7 40 8 3840 2160

8 51 8 3840 2160

9 35 5 2560 1920

10 30 4 2688 1440

11 50 8 3840 2160

12 23 4 2688 1440

13 25 4 2688 1440

14 33 5 2560 1920

15 40 8 3840 2160

16 20 4 2688 1440

17 23 4 2688 1440

18 40 8 3840 2160

19 51 5 2560 1920

20 23 4 2688 1440

В результате решения задачи структурно-параметрического синтеза СВ на БПЛА с помощью разработанного алгоритма получен вариант ее кольцевой структуры, который изображен на рис. 2.

Рис. 2. Вариант СВ на БПЛА

Показатель эффективности синтезированной СВ на БПЛА равен 0,24.

Таким образом, разработанный алгоритм СВ на БПЛА позволяет формировать оптимальную кольцевую структуру, состоящую из ВК с различными характеристиками, в частности, трех рубежей обнаружения, пяти возможных точек расположения камер и 20 заданных видеокамер; получено численное значение показателя относительной площади детектирования, равное 0,24.

Список литературы

1. Евтодьева М., Целицкий С. Беспилотные летательные аппараты военного назначения: тенденции в сфере разработок и производства // Пути к миру и безопасности. 2019. № 2. С. 104-111.

2. Попов А. Л. Системы поддержки принятия решений : учеб.-метод. пособие. Екатеринбург : Урал. гос. ун-т, 2008. 80 с.

3. Панченко Т. В. Генетические алгоритмы : учеб.-метод. пособие / под ред. Ю. Ю. Тарасе-вича. Астрахань : Астрахан. ун-т, 2007. 87 с.

Информация об авторах Рогожкина Ксения Петровна, магистрант, Пензенский государственный университет

Козлов Владислав Владимирович, магистрант, Пензенский государственный университет

Авторы заявляют об отсутствии конфликта интересов.