基于蚁群算法的飞行物冲突解脱路径规划方法技术

本发明专利技术涉及一种基于蚁群算法的飞行物冲突解脱路径规划方法，包括如下步骤：步骤S1：初始化迭代次数、蚂蚁数m、累计信息重要程度因子α、启发函数重要程度因子β、介于出发地和目的地之间的多个航迹点以及各航迹点之间的初始信息素浓度；步骤S2：每只蚂蚁多次从出发地到目的地之间经不同的航迹点走完全程，完成多次迭代，进而选择出最佳航线，其中，在进行状态转移时，扰动因子随迭代次数递减；在对信息素进行更新时，仅采用全局更新，并且，仅对全局最优路径上信息素蒸发和释放，并增加信息素，对全局最劣路径上的信息素蒸发和释放，对中间路径不做处理。本发明专利技术在规划飞行物路径时，具备跳出早熟的能力，收敛速度加快。

Path planning method for conflict resolution of flying objects based on ant colony algorithm

The present invention relates to an ant colony algorithm based flight object collision resolution path planning method, which includes the following steps: (1) the number of initialization iterations, the number of ants m, the cumulative information importance factor alpha, the heuristic function importance factor beta, a plurality of flight path points between the origin and destination, and between each flight path point. Initial pheromone concentration; x2: Each ant travels through different routes from the starting point to the destination many times, completes many iterations, and then selects the best route, in which the disturbance factor decreases with the number of iterations during the state transition; in the pheromone update, only the global update is used. Moreover, only the pheromone evaporation and release on the global optimal path, and increase the pheromone, the pheromone evaporation and release on the global worst path, do not deal with the intermediate path. The invention has the ability to jump out of premature and to speed up convergence when planning the flying path.

【技术实现步骤摘要】
基于蚁群算法的飞行物冲突解脱路径规划方法
本专利技术涉及无人机低空域避险
，具体涉及一种基于蚁群算法的飞行物冲突解脱路径规划方法。
技术介绍
近年来，在ICAO新航行系统发展规划的指导下，全球的航空组织对ADS-B(广播式自动相关监视)作为新一代通信导航监视技术之一进行了卓有成效的研究、实验、推广、应用，并取得飞速发展。ADS-B是一种为空-空监视和地-空监视提供自主监视信息的技术手段，无人机通过数据链自动广播其自身的位置和其他飞行状态信息，并实时获取空中ADS-B信息和地面服务信息，达到无人机之间的相互感知，ADS-B功能全面，安装简单方便，费用是雷达系统的十分之一左右，发达国家目前正逐步用ADS-B取代一次、二次雷达，应用在军事领域，能够提高战场空间感知能力，ADS-B的自动性使它非常适用于无人机。多无人机共空域执行任务已成为无人机发展的重要趋势。伴随着无人机的广泛应用，低空飞行空域日益拥堵，自由飞行的实施可以提高空域资源的利用率，解决空域拥挤问题，但自由飞行频频面临无人机撞损、坠毁等安全事故，无人机与无人机、无人机与有人机共空域飞行所面临的碰撞冲突已成为影响无人机自主自由飞行的突出问题，因此，无人机对于避险系统的需求变得非常急切。无人机避险系统对确保无人机安全自主的飞行，提高空域流量，高效完成任务都有着重要的现实意义，无人机自主飞行避险算法是无人机避险系统的核心，避险算法是当探测到无人机将要与其他飞行器发生冲突时，快速有效的规划出解脱航迹避免冲突的发生，目前国内外对无人机避险模型与算法的研究还并不完善，如何在最短时间，消耗最小的情况下实现无人机的冲突解脱，是有待进一步研究与提高的。蚁群优化算法(ACO)是一种模拟蚂蚁觅食行为的模拟优化算法，蚂蚁在运动过程中，能够在它所经过的路径上留下一种称之为外激素的物质进行信息传递，而且蚂蚁在运动过程中能够感知这种物质，并以此指导自己的运动方向，因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。蚁群算法中的正反馈机制，可以使它能优化较好的解，迅速找出解决方案，同时具有鲁棒性强、全局搜索、并行分布计算、易与其他问题结合等优点，在飞行器冲突解脱问题中是一种常见的方法。文章基于蚁群算法，结合精英策略，加入扰动因子，对国内外已有的研究成果进行算法改进，提出一种能快速规划出最优解脱路径的算法，同时算法具备避免早熟的能力。通过MATLAB仿真验证，证明算法有效性。蚁群算法(AntColonyOptimization，简称ACO)最早是由MarcoDorigo等人在1991年首次提出的，蚂蚁主要通过一种叫做信息素的物质对信息进行交流，根据信息素的多少进行选择和更新，通过数次迭代产生最优解。信息素的交流是蚂蚁寻找最短路径最重要的媒介和手段，蚂蚁是盲的，他们的活动是凭借信息素进行的，他们有朝着信息素多的地方运动的趋势，并且留下新的信息素，这是一种正反馈机理。通过并不是面对面的直接交流，而是通过信息素进行间接交流，个体收集的信息与整个群体信息共享，信息在系统内部进行交流学习，不断优化系统，即自适应系统。蚁群算法用于优化问题的求解，正是基于真实蚂蚁觅食行为与优化问题求解过程的相似性，见表1。表1：优化问题求解过程与蚂蚁觅食行为对比在ACO中利用简单个体——蚂蚁,不断迭代地的构造组合优化问题的候选解。蚂蚁解的构造由信息素和启发式信息来指导。原则上通过定义解的分量蚁群算法能够用于各种组合问题。一只蚂蚁开始时使用一个空解,然后重复增加解的分量直至产生一个完整的候选解,这样来构造候选解。在每一个选择点上,蚂蚁必须决定哪个解的分量要加到它的当前部分解。解的构造完成后,蚂蚁将他们构造的解给予正反馈,通过将信息素投放到使用的解的分量上。虽然ACO中的正反馈机制能使较好解得到不断优化，但是由于算法初期信息素积累差异不明显，导致蚁群算法初期收敛速度较慢，当加快收敛速度时，随着搜索的进行虽然搜索速度加快但并不是快速收敛到全局最优解，很可能陷入早熟状态，为了解决这些问题蚁群算法创立者Dorigo又提出了一种改进的蚁群算法——蚁群系统算法(ACS)。然而，在所有蚁群系统算法的文章中都把信息素的局部更新作为其算法的特征之一，但通过实验发现，其作用是有限的。由于信息素的全局更新作用，再经过几次搜索以后，所有属于最佳路径的边，其信息素水平远远高于其它边，相差一个数量级。因此，信息素的局部更新作用不能有效地阻止搜索陷入局部最优化。另外,由于信息素的局部更新在每一步搜索之后都要进行，因此，消耗了大量的计算时间。因此，需要提供一种新的蚁群算法。
技术实现思路
为解决现有技术存在的不足，本专利技术提供了一种基于蚁群算法的飞行物冲突解脱路径规划方法，包括如下步骤：步骤S1：初始化迭代次数、蚂蚁数m、累计信息重要程度因子α、启发函数重要程度因子β、介于出发地和目的地之间的多个航迹点以及各航迹点之间的初始信息素浓度；步骤S2：每只蚂蚁多次从出发地到目的地之间经不同的航迹点走完全程，完成多次迭代，进而选择出最佳航线；其中，蚂蚁在选择航迹点时，遵循下述规则：其中，pp代表蚂蚁选择路径的方式，q为在[0,1]区间均匀分布的随机数，蚂蚁在每个i点，均会随机产生一个q值；并且，不同蚂蚁在不同的航迹点i处，有不同的q值；i表示蚂蚁当前所处的航迹点，j表示蚂蚁下一时刻可能走向的航迹点；τij表示在当前迭代周期中，路径(i,j)上的信息素浓度，ηij表示在当前迭代周期中，蚂蚁从航迹点i走到航迹点j的期望程度，且ηij＝1/dij；dij表示ij两点间的距离；allowedk表示蚂蚁k下一步允许访问航迹点的集合；q0＝1/et/b；t为当前的迭代次数，b为常数；pijk表示当q大于q0时，蚂蚁从可能的路径(i,j)群中随机选择一条路径。其中，在不同的迭代周期中，各航迹点之间的初始信息素浓度更新规则仅采用全局更新规则。其中，在不同的迭代周期中，路径(i,j)上的信息素浓度的全局更新规则为：τij(t＝1)＝(1-ρ)τij(t)+ρ﹒n﹒Δτij(t)其中，τij(t+1)为下一迭代周期中，路径(i,j)上的信息素浓度；ρ为信息素的挥发参数，其值介于[0,1]；n为上一迭代周期中，所有走过路径(i,j)的蚂蚁总数，n≤m；Δτij(t)为每只蚂蚁对对应路径的信息素贡献值。其中，在不同的迭代周期中，采用下述公式确定信息素增量：若路径(i,j)为当前全局最优解，则Δτij(t)＝1/Cgb；若路径(i,j)为当前全局最劣解，则Δτij(t)＝-1/Cgb；若路径(i,j)介于当前全局最优解和当前全局最劣解之间，则Δτij(t)＝0；其中，Cgb为当前全局最优路径的路径长度。其中，在多次迭代周期中，路径(i,j)上的信息素浓度介于一个最大值及最小值之间。其中，在多次迭代周期中，最优路径组成部分相邻两点上的信息素浓度有界。其中，在多次迭代周期中，该蚁群系统能以任意趋近于1的概率接近于最优路径。其中，在多次迭代周期中，在找到最优路径后，经过充分大的迭代次数，所有最优路径上的信息素浓度均高于非最优路径上的信息素浓度。本专利技术提供的基于蚁群算法的飞行物冲突解脱路径规划方法，在规划飞行物本文档来自技高网...

【技术保护点】
1.一种基于蚁群算法的飞行物冲突解脱路径规划方法，其特征在于，包括如下步骤：步骤S1：初始化迭代次数、蚂蚁数m、累计信息重要程度因子α、启发函数重要程度因子β、介于出发地和目的地之间的多个航迹点以及各航迹点之间的初始信息素浓度；步骤S2：每只蚂蚁多次从出发地到目的地之间经不同的航迹点走完全程，完成多次迭代，进而选择出最佳航线；其中，蚂蚁在选择航迹点时，遵循下述规则：

【技术特征摘要】
1.一种基于蚁群算法的飞行物冲突解脱路径规划方法，其特征在于，包括如下步骤：步骤S1：初始化迭代次数、蚂蚁数m、累计信息重要程度因子α、启发函数重要程度因子β、介于出发地和目的地之间的多个航迹点以及各航迹点之间的初始信息素浓度；步骤S2：每只蚂蚁多次从出发地到目的地之间经不同的航迹点走完全程，完成多次迭代，进而选择出最佳航线；其中，蚂蚁在选择航迹点时，遵循下述规则：其中，pp代表蚂蚁选择路径的方式，q为在[0,1]区间均匀分布的随机数，蚂蚁在每个i点，均会随机产生一个q值；并且，不同蚂蚁在不同的航迹点i处，有不同的q值；i表示蚂蚁当前所处的航迹点，j表示蚂蚁下一时刻可能走向的航迹点；τij表示在当前迭代周期中，路径(i,j)上的信息素浓度，ηij表示在当前迭代周期中，蚂蚁从航迹点i走到航迹点j的期望程度，且ηij＝1/dij；dij表示ij两点间的距离；allowedk表示蚂蚁k下一步允许访问航迹点的集合；q0＝1/et/b；t为当前的迭代次数，b为常数；pijk表示当q大于q0时，蚂蚁从可能的路径(i,j)群中随机选择一条路径。2.如权利要求1所述的基于蚁群算法的飞行物冲突解脱路径规划方法，其特征在于：在不同的迭代周期中，各航迹点之间的初始信息素浓度更新规则仅采用全局更新规则。3.如权利要求2所述的基于蚁群算法的飞行物冲突解脱路径规划方法，其特征在于：在不同的迭代周期中，路径(i,j)上的信息素浓度的全局更新规则为：τij(t＝1)＝(1-ρ)τij(t)+ρ﹒...

【专利技术属性】
技术研发人员：吴学礼，甄然，贾云聪，李素康，
申请(专利权)人：河北科技大学，
类型：发明
国别省市：河北,13