本发明专利技术涉及一种基于序列小生境粒子群算法的无人机多航迹规划方法，属于无人机多航迹规划技术领域。该方法首先对所需规划的问题进行建模，构建航迹代价函数以及约束条件；使用PSO算法对模型进行第一次规划得到第一组航迹；结合序列小生境技术更新当前最优航迹附近的代价函数模型，增大最优航迹小生境内其它方案的代价值；然后再使用PSO算法对更新后的模型进行下一次规划，获得次优航迹；重复上述两个步骤便可将最初构建的代价函数模型的最优航迹及次优航迹依次找出，当找到足够数量的航迹时，算法终止并输出满足任务要求的多航迹结果。本发明专利技术可更好地应对由实际环境变化和未知性导致的单条航迹不可行问题，并能为多无人机协同任务提供预先航迹。
【技术实现步骤摘要】
本专利技术涉及一种基于序列小生境粒子群算法的无人机多航迹规划方法，属于无人机多航迹规划
技术介绍
无人机(UnmannedAerialVehicle,UAV)航迹规划问题是在满足飞行性能以及地形、威胁等约束条件下，为无人机规划出一条使飞行航程，到达时间，燃料消耗等代价相对较小的飞行航迹，保证其圆满完成飞行任务。在实际的航迹规划过程中，由于实际环境的复杂性，无人机很难事先获得全部的威胁和环境信息，而且这些因素也可能会实时发生变化，这可能导致预先规划的单条最优航迹在无人机执行任务时无法使用。另一方面，当多机协同执行任务时，往往需要规划多条不同的航迹，从不同的方向到达目标区域执行任务。要解决上述问题一种有效的途径就是使用多航迹规划方法，预先规划出多条航迹，然后在执行任务时根据不同需要临时决定适合的航迹或多机协同航迹。无人机的多航迹规划方法一般直接采用多峰值函数优化的方法从而生成多条相对较优的航迹。目前对于此类多峰值函数的优化问题多采用小生境技术结合智能进化优化算法进行求解。小生境技术(niche)的基本思想是将生物学中的小生境概念应用于进化计算中，它模拟生态平衡中的一种仿生技术，在大种群中形成若干个相互独立的小的子种群，即小生境。在进化过程中所有的个体只在自己所在的小生境内部进化，追逐出不同的极值点从而得到各自的最优解。而本专利技术中采用序列小生境技术结合粒子群优化算法，能够有效而且相对高效的对无人机多航迹规划问题进行求解。粒子群优化算法(ParticleSwarmOptimization,PSO)是一种模拟鸟类飞行过程中迁徙和群聚行为的智能优化算法。在PSO算法中，每个优化问题的备选解假设为n维搜索空间中的一个点，称为“粒子”。粒子的优劣程度通过由代价函数响应得到适应值来度量，同时每个粒子都会有一个速度决定它们飞行的方向和距离。粒子根据记忆追踪两个极值在解空间内进行搜索：一个是粒子本身找到的最优解pBest，另一个是整个种群找到的最优解gBest。第i粒子的第j维位置和速度的更新公式如下vij(t+1)=ω(t)vij(t)+c1r1(pBestij(t)-xij(t))+c2r2(gBestij(t)-xij(t))]]>xij(t+1)=xij(t)+vij(t+1)]]>其中，t为粒子群当前代数；r1和r2为[0,1]间的随机数；c1是粒子跟踪自身历史最优值的权重系数；c2是粒子跟踪群体最优值的权重系数；ω是惯性权重系数，惯性权重系数越大代表粒子越倾向于执行全局搜索，反之则代表粒子越倾向于局部搜索，故而惯性权重随迭代次数的增加而减小，其更新公式为ω(t+1)＝ω(t)×ωdecay其中ωdecay为惯性权重衰减系数。序列小生境技术(sequentialnichetechnique,SNT)的主要思想是优化算法在搜索空间找到一个最优解后，则认为该最优解的附近区域为一个小生境区域。人为修改小生境区域内的函数模型，使其在之后的迭代优化中不再吸引粒子，迫使优化算法去寻找未被发现的局部最优解。再依次生成这样的小生境，直到所需的局部最优解依次被找到。
技术实现思路
本专利技术针对标准小生境技术在进行无人机多航迹规划时存在计算量大与时效性较差的问题，提出了基于序列小生境技术PSO算法的无人机多航迹问题规划方法，并设计了针对此类问题的小生境半径确定方法。本专利技术提出的方法首先对所需规划的问题进行建模，构建航迹代价函数以及约束条件；使用PSO算法对模型进行第一次规划得到第一组航迹；结合序列小生境技术更新当前最优航迹附近的代价函数模型，增大最优航迹小生境内其它方案的代价值；然后再使用PSO算法对更新后的模型进行下一次规划，获得次优航迹；重复上述两个步骤便可将最初构建的代价函数模型的最优航迹及次优航迹依次找出，当找到足够数量的航迹时，算法终止并输出满足任务要求的多航迹结果。本专利技术的目的是通过下述技术方案实现的。一种基于序列小生境粒子群算法的无人机多航迹规划方法，包括步骤如下：步骤1获取无人机飞行环境设定以及无人机飞行性能参数；步骤2构建航迹规划求解模型，包含以下两个步骤；步骤2.1确定粒子的编码方式基于序列小生境PSO算法求解无人机多航迹规划问题过程中，种群中的每个粒子表示一条备选航迹，每条航迹又包括一定数量的航迹点，故而每一个粒子x表征一组航迹点坐标，例如x＝(xstart，ystart，x1，y1，...，xn，yn，xgool，ygool)其中(xstart，ystart)、(xgool，ygool)为已知的起始点和目标点坐标；n为待规划的航迹点数。步骤2.2构造的代价函数包括航迹长度、平均飞行高度等；约束条件包括转弯角约束、爬升角约束、最短航迹段约束、威胁约束与地形约束等。步骤3航迹规划问题的环境初始化设置，包括规划区域边界，起始点和目标位置，威胁位置及其大小，以及所需规划的航迹数目K，并令已规划航迹数量i＝0；步骤4PSO算法初始设置，包括最大迭代次数与种群规模等；本专利技术设计了一种针对多航迹规划问题的小生境半径计算方法，如下r=P×S/(2×D)]]>式中，D为设计变量的维度；P为每条航迹的航点个数；S为规划区域的面积大小。步骤5使用拉丁超方试验设计方法生成初始粒子种群；步骤6判断i是否等于0。若是转步骤7；否则转步骤10步骤7计算每个粒子的代价函数值，保存pBest和gBest，及其相应位置；步骤8根据pBest和gBest更新粒子的速度矢量，并根据速度矢量更新粒子位置；步骤9判断粒子是否收敛，若是，输出最优航迹解x，且令i＝i+1，并记录此解航迹为si；否则转步骤7；步骤10判断i是否等于K。若是，算法终止并输出多航迹结果；否则按以下步骤修改解航迹si附近小生境半径区域r内的代价函数值，并返回步骤7。代价函数的更新公式如下∏n+1(x)＝∏n(x)×G(x，sn)式中，∏n+1(x)为搜索第n+1个航迹时使用的代价函数；∏n(x)为搜索第n个最优航迹时使用的代价函数；G(x，sn)为指数缩减函数，其表达式如下G(x,sn)=exp(lg(m)×r-d(x,sn)r),d(x,sn)≤r1,d(x,sn)≤r]]>式中m为缩减系数，应取得足够大，才能保证代价函数值在小生境范围内显著改变而在下一次迭代中不再吸引粒子，根据经验m建本文档来自技高网...
【技术保护点】
一种基于序列小生境粒子群算法的无人机多航迹规划方法，其特征在于包括步骤如下：步骤1获取无人机飞行环境设定以及无人机飞行性能参数；步骤2构建航迹规划求解模型，包含以下两个步骤；步骤2.1确定粒子的编码方式基于序列小生境PSO算法求解无人机多航迹规划问题过程中，种群中的每个粒子表示一条备选航迹，每条航迹又包括一定数量的航迹点，故而每一个粒子x表征一组航迹点坐标；步骤2.2构造的代价函数包括航迹长度、平均飞行高度；约束条件包括转弯角约束、爬升角约束、最短航迹段约束、威胁约束与地形约束；步骤3航迹规划问题的环境初始化设置，包括规划区域边界，起始点和目标位置，威胁位置及其大小，以及所需规划的航迹数目K，并令已规划航迹数量i＝0；步骤4PSO算法初始设置，包括最大迭代次数与种群规模；并通过设计，计算得到所需使用的小生境半径r；步骤5使用拉丁超方试验设计方法生成初始粒子种群；步骤6判断i是否等于0，若是转步骤7；否则转步骤10；步骤7计算每个粒子的代价函数值，保存pBest和gBest，及其相应位置；粒子根据记忆追踪两个极值在解空间内进行搜索：一个是粒子本身找到的最优解pBest，另一个是整个种群找到的最优解gBest；步骤8根据pBest和gBest更新粒子的速度矢量，并根据速度矢量更新粒子位置；步骤9判断粒子是否收敛，若是，输出最优航迹解x，且令i＝i+1，并记录此解航迹为si；否则转步骤7；步骤10判断i是否等于K；若是，算法终止并输出多航迹结果；否则修改更新解航迹si附近小生境半径区域r内的代价函数值，并返回步骤7；至此，就实现了基于序列小生境粒子群算法的无人机多航迹规划过程。...
【技术特征摘要】
1.一种基于序列小生境粒子群算法的无人机多航迹规划方法，其特征
在于包括步骤如下：
步骤1获取无人机飞行环境设定以及无人机飞行性能参数；
步骤2构建航迹规划求解模型，包含以下两个步骤；
步骤2.1确定粒子的编码方式
基于序列小生境PSO算法求解无人机多航迹规划问题过程中，种群中
的每个粒子表示一条备选航迹，每条航迹又包括一定数量的航迹点，故而
每一个粒子x表征一组航迹点坐标；
步骤2.2构造的代价函数包括航迹长度、平均飞行高度；约束条件包
括转弯角约束、爬升角约束、最短航迹段约束、威胁约束与地形约束；
步骤3航迹规划问题的环境初始化设置，包括规划区域边界，起始点
和目标位置，威胁位置及其大小，以及所需规划的航迹数目K，并令已规
划航迹数量i＝0；
步骤4PSO算法初始设置，包括最大迭代次数与种群规模；并通过设
计，计算得到所需使用的小生境半径r；
步骤5使用拉丁超方试验设计方法生成初始粒子种群；
步骤6判断i是否等于0，若是转步骤7；否则转步骤10；
步骤7计算每个粒子的代价函数值，保存pBest和gBest，及其相应位
置；粒子根据记忆追踪两个极值在解空间内进行搜索：一个是粒子本身找
到的最优解pBest，另一个是整个种群找到的最优解gBest；
步骤8根据pBest和gBest更新粒子的速度矢量，并根据速度矢量更
新粒子位置；
步骤9判断粒子是否收敛，若是，输出最优航迹解x，且令i＝i+1，并
记录此解航迹为si；否则转步骤7；
步骤10判断i是否等于K；若是，算法终止并输出多航迹结果；否则
修改更新解航迹si附近小生境半径区域r内的代价函数值，并返回步骤7；
至此，就实现了基于序列小生境粒子群算法的无人...
【专利技术属性】
技术研发人员：龙腾，蔡祺生，王祝，寇家勋，温永禄，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。