本技术涉及无人机控制，特别是涉及一种无人机网络的自适应智能合约方法及应用。
背景技术：
1、无人机集群在任务执行过程中容易出现安全状况，如攻击者对无人机节点进行物理破坏使得无人机节点故障、敌方通过干扰通信等方式来获取无人机节点的控制权、无人机节点自身出现故障等，从而使得无人机网络拓扑结构发生变化，导致当前拓扑结构可能无法支撑整个无人机集群继续协同完成任务。
2、在真实的战场环境中无人机网络容易成为恶意攻击的目标，攻击者可能通过物理破坏的方式使得无人机节点故障，或通过干扰通信等方式来获取无人机节点的控制权。此时，无人机网络的协同工作必然会出现问题，然而传统的无人机网络中采用的静态拓扑结构不具备灵活性，从而无法应对这种威胁以及满足后续战场环境的需求，因此为了保护无人机网络整体的安全，研究一种动态优化无人机网络拓扑结构的策略是至关重要的。
技术实现思路
1、本技术的目的在于提供一种无人机网络的自适应智能合约方法及应用，以解决现有技术中无人机网络采用静态拓扑结构不具备灵活性，当无人机节点出现故障等情况时，当前拓扑结构无法支撑整个无人机集群继续协同完成任务的技术问题。
2、为实现上述目的，本技术第一方面提供一种无人机网络的自适应智能合约方法，包括：
3、无人机节点持续监测全局节点表，并判断无人机节点的数量是否减少，所述全局节点表包括无人机网络中全部无人机节点的信息；
4、若无人机节点的数量减少，强共识节点获取当前节点信息，所述强共识节点为无人机网络中可信度最高的无人机节点，所述当前节点信息包括无人机网络中所有无人机节点的当前位置及速度；
5、所述强共识节点获取目标节点和目标学习节点的个体历史最优数据以及群体历史最优数据，所述个体历史最优数据包括节点对子监测区域的覆盖率最高时节点的个体最优位置和个体最优覆盖率，所述群体历史最优数据包括无人机网络对总监测区域的覆盖率最高时节点的群体最优位置和群体最优覆盖率；
6、所述强共识节点基于所述当前节点信息、所述目标节点和目标学习节点的个体历史最优数据以及群体历史最优数据，计算目标节点的最优位置；
7、所述强共识节点基于所述目标节点的最优位置，向所述目标节点发送调度指令。
8、在一个或多个实施方式中，所述强共识节点基于所述当前节点信息、所述目标节点和目标学习节点的个体历史最优数据以及群体历史最优数据，计算目标节点的最优位置的步骤包括：
9、所述强共识节点基于所述当前节点信息和适应度函数，计算所有无人机节点的当前适应度；
10、所述强共识节点基于所述目标节点和目标学习节点的个体最优覆盖率以及所述适应度函数，计算所述目标节点和目标学习节点的历史最优适应度；
11、所述强共识节点基于所述目标节点的当前节点信息、所有无人机节点的当前适应度、所述目标节点和目标学习节点的历史最优适应度、所述目标节点的个体最优位置和群体最优位置，得到目标节点的最优位置；
12、其中，所述适应度函数为节点的适应度和个体覆盖率正相关的函数。
13、在一个或多个实施方式中，所述强共识节点基于所述当前节点信息和适应度函数，计算所有无人机节点的当前适应度的步骤包括：
14、所述强共识节点基于所述当前节点信息，计算所有无人机节点的当前个体覆盖率；
15、所述强共识节点将所有无人机节点的当前个体覆盖率代入适应度函数中，得到所有无人机节点的当前适应度。
16、在一个或多个实施方式中，所述历史最优适应度的计算方法包括：
17、所述强共识节点将节点的个体最优覆盖率代入适应度函数中，得到节点的历史最优适应度。
18、在一个或多个实施方式中，所述强共识节点基于所述目标节点的当前节点信息、所有无人机节点的当前适应度、所述目标节点和目标学习节点的历史最优适应度、所述目标节点的个体最优位置和群体最优位置，得到目标节点的最优位置的步骤包括：
19、基于所有无人机节点的当前适应度以及所述目标节点的历史最优适应度，得到所述目标节点的自我学习因子；
20、基于所述目标节点的自我学习因子、个体最优位置和当前位置，得到所述目标节点的自我位置权重；
21、基于所有无人机节点的当前适应度，得到所述目标节点的社会学习因子；
22、基于所述目标节点的社会学习因子、群体最优位置和当前位置，得到所述目标节点的群体位置权重；
23、基于所述目标节点和目标学习节点的历史最优适应度，得到所述目标节点的相互学习因子；
24、基于所述目标节点的相互学习因子、当前位置和所述目标学习节点的个体最优位置，得到所述目标节点的相互学习位置权重；
25、基于所述目标节点的当前位置及速度、自我位置权重、群体位置权重和相互学习位置权重，得到所述目标节点的最优位置。
26、在一个或多个实施方式中，所述目标节点的自我学习因子的计算公式如下：
27、式中，为所述目标节点的历史最优适应度，为节点的当前适应度，为初始自我学习因子；
28、所述目标节点的社会学习因子的计算公式如下：
29、式中，为节点的当前适应度，为初始社会学习因子，q为收敛因子；
30、所述目标节点的相互学习因子的计算公式如下：
31、式中，pfitk为所述目标学习节点的历史最优适应度，为所述目标节点的历史最优适应度。
32、在一个或多个实施方式中，所述目标节点的最优位置的计算公式如下：
33、
34、式中，为第j个粒子在迭代第k+1次的速度向量，为更新后的速度表示；表示第j个粒子在k次迭代中的当前速度；rand(0,1)为0～1中的随机数；为目标节点在迭代第k+1次时的位置，即目标节点的最优位置；为目标节点的当前位置；
35、wk为惯性权重因子，wk的更新公式如下：
36、
37、式中，wmax，wmin分别为惯性权重的最大值和最小值，t为最大迭代次数，k为当前迭代次数。
38、为实现上述目的，本技术第二方面提供一种无人机网络的自适应智能合约装置，包括：
39、数量监测模块，用于供无人机节点持续监测全局节点表，并判断无人机节点的数量是否减少，所述全局节点表包括无人机网络中全部无人机节点的信息；
40、当前信息获取模块，用于在无人机节点的数量减少时，供强共识节点获取当前节点信息，所述强共识节点为无人机网络中可信度最高的无人机节点，所述当前节点信息包括无人机网络中所有无人机节点的当前位置及速度；
41、历史信息获取模块，用于供所述强共识节点获取目标节点和目标学习节点的个体历史最优数据以及群体历史最优数据，所述个体历史最优数据包括节点对子监测区域的覆盖率最高时节点的个体最优位置和个体最优覆盖率，所述群体历史最优数据包括无人机网络对总监测区域的覆盖率最高时节点的群体最优位置和群体最优覆盖率；
42、计算模块，用于供所述强共识节点基于所述当前节点信息、所述目标节点和目标学习节点的个体历史最优数据以及群体历史最优数据，计算目标节点的最优位置；
43、指令发送模块，用于供所述强共识节点基于所述目标节点的最优位置，向所述目标节点发送调度指令。
44、为实现上述目的，本技术第三方面提供一种电子设备，包括：
45、至少一个处理器；以及
46、存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上述任一实施方式所述的自适应智能合约方法。
47、为实现上述目的，本技术第四方面提供一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上述任一实施方式所述的自适应智能合约方法。
48、区别于现有技术，本技术的有益效果是：
49、本技术在无人机节点数量减少时，通过获取当前节点信息和节点的历史数据，计算得到节点的自我学习因子、社会学习因子以及相互学习因子，基于上述三个因子得到三个位置权重，基于三个位置权重更新节点的最优位置，基于最优位置发送调度指令，使得在节点数量减少时能够快速进行无人机网络拓扑结构的调整和优化，保证无人机网络的协同工作，实现对监测区域的最大覆盖率。
1.一种无人机网络的自适应智能合约方法，其特征在于，包括：
2.根据权利要求1所述的自适应智能合约方法，其特征在于，所述强共识节点基于所述当前节点信息、所述目标节点和目标学习节点的个体历史最优数据以及群体历史最优数据，计算目标节点的最优位置的步骤包括：
3.根据权利要求2所述的自适应智能合约方法，其特征在于，所述强共识节点基于所述当前节点信息和适应度函数，计算所有无人机节点的当前适应度的步骤包括：
4.根据权利要求2所述的自适应智能合约方法，其特征在于，所述历史最优适应度的计算方法包括：
5.根据权利要求2所述的自适应智能合约方法，其特征在于，所述强共识节点基于所述目标节点的当前节点信息、所有无人机节点的当前适应度、所述目标节点和目标学习节点的历史最优适应度、所述目标节点的个体最优位置和群体最优位置，得到目标节点的最优位置的步骤包括：
6.根据权利要求5所述的自适应智能合约方法，其特征在于，所述目标节点的自我学习因子的计算公式如下：
7.根据权利要求6所述的自适应智能合约方法，其特征在于，所述目标节点的最优位置的计算公式如下：
8.一种无人机网络的自适应智能合约装置，其特征在于，包括：
9.一种电子设备，包括：
10.一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1至7任一项所述的自适应智能合约方法。
