用于电磁干扰环境中的无人机路径规划方法技术

本发明专利技术公开了一种能够快速得到全局最优路径的用于电磁干扰环境中的无人机路径规划方法。该无人机路径规划方法以蚁群算法信息素更新为切入点，通过分别对蚁群寻优过程中的全局信息和局部信息素分别更新来提高蚁群算法的全局和搜索能力，提高算法寻找全局最优路径的搜索速度，该用于电磁干扰环境中的无人机路径规划方法可以根据新的作业节点重新快速生成新路径，从而达到对无人机的实时路径规划，经过试验验证，用于电磁干扰环境中的无人机路径规划方法对给定目标点进行解算，出事航迹生成耗时353ms，对航迹点更改新航迹生成用时261ms，快速的航迹搜索与计算可以很好的适用于真实环境中实时无人机巡线路径规划中。适合在无人机技术领域推广应用。

UAV path planning method for electromagnetic interference environment

The invention discloses a method for path planning of an unmanned aerial vehicle (UAV) in an electromagnetic interference environment, which can quickly obtain the global optimal path. The UAV path planning method based on ant colony algorithm pheromone update as the starting point, to improve the global search ability of ant colony algorithm and ant colony search based on local and global information and process were updated, improved algorithm to find the global optimal path search speed, the electromagnetic interference in the environment for path planning of UAV methods according to the operating node of the new rapid re generate a new path, so as to achieve the real-time path planning of UAV, after experimental verification for electromagnetic interference in the environment of the UAV path planning method to calculate the given target point, the accident took 353ms to track generation, track change new track generated by 261ms. Fast track search and calculation can be well applied to the real environment in real-time path planning of UAV patrol line. It is suitable for the popularization and application of UAV technology.

【技术实现步骤摘要】

本专利技术涉及无人机
，尤其是一种用于电磁干扰环境中的无人机路径规划方法。
技术介绍
在无人机巡线、测绘等实际无人机作业应用方面，由于工作环境、作业内容变更等要求，需要地面站重新规划无人机的作业路径，因此需要一种快速而又准确的寻优算法。目前航迹规划的诸多算法中，启发式算法快速而又高效的计算能力等到了广大研究者的青睐，其中有Dorigo提出的蚁群算法由于其在解决复杂的组合优化问题中具有良好的动态性及鲁棒性，因此最早被用来解决TSP(TravelingSalesmanProblem)并取得了很好的效果。但是传统蚁群算法在算法后期具有早熟的缺点，导致过早收敛于局部最优解，无法得到全局最优路径，且现有的寻优算法搜索速度较慢，无法满足无人机的实时路径规划的要求。
技术实现思路
本专利技术所要解决的技术问题是提供一种能够快速得到全局最优路径的用于电磁干扰环境中的无人机路径规划方法。本专利技术解决其技术问题所采用的技术方案为：该用于电磁干扰环境中的无人机路径规划方法，包括以下步骤：S1、收集无人机作业目标点；S2、设置信息素初始值τij(0)＝h，其中h为常数，设置蚁群规模为M，设定最大迭代次数为N；S3、将M只蚂蚁随机分配到各个目标点中，并将蚂蚁所分配的目标点添加到各自的禁止清单中；S4、所有蚂蚁按照状态转移公式选择下一节点，1≤k≤M，状态转移公式如下所述：其中，表示蚂蚁k在第t次的迭代时从节点i转移到节点j的概率，1≤t≤N，τij(t)表示迭代次数t时节点i到节点j间航迹所包含的信息浓度，τis(t)表示迭代次数t时节点i到节点s间航迹所包含的信息浓度，为蚁群算法中蚂蚁的可到达点，tabuk为禁止清单，记录蚂蚁k所走过的节点及蚂蚁禁止通行的节点，表示尚未搜索节点，Nr代表当前路径节点周遭点集，α代表信息素浓度因子，β代表启发因子，γ表示引导因子端的重要性权重，ηij(t)＝1/dij(t)，dij(t)表示迭代次数t时节点i到节点j的距离，ηis(t)＝1/dis(t)，dis(t)表示迭代次数t时节点i到节点s的距离；σij(t)表示迭代次数t时节点i到待选节点j的引导因子，即σij(t)＝1/Tj，其中，其中，TMj＝1/((xj-xMj)2+(yj-yMj)2)1/2，TBj＝1/((xj-xBj)2+(yj-yBj)2)1/2其中，(xMj,yMj)和(xBj,yBj)分别节点j周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSj代表无人机油量消耗，λM，λB和λS分别表示其所代表威胁代价的权重系数，其总和值等于1；σis(t)表示迭代次数t时节点i到待选节点s的引导因子，即σis(t)＝1/Ts，其中，其中，TMs＝1/((xs-xMs)2+(ys-yMs)2)1/2，TBs＝1/((xs-xBs)2+(ys-yBs)2)1/2其中，(xMs,yMs)和(xBs,yBs)分别节点s周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSs代表无人机油量消耗，λM，λB和λS分别表示其所代表威胁代价的权重系数，其总和值等于1；S5、当所有蚂蚁均没有找到可达节点时，本次迭代结束，记录所有蚂蚁的本次迭代路径，并对每个蚂蚁所走过的路径进行局部信息素更新；局部信息素更新采用如下规则：τij(t+1)＝(1-θ)τij(t)+θ(1/N×Lnn)，其中θ为设定的局部蒸发系数，并且0＜θ＜1，而Lnn是随机选择各毗邻点之间的一段距离；S6、计算所有蚂蚁的本次迭代路径长度，并选择出本次迭代的全局最优路径；S7、全局信息素更新，全局信息素更新采用如下规则：τgb(t+1)＝(1-ρ)τ(t)+ρΔτ(5)，其中，ρ是全局信息素衰减参数，0＜ρ＜1，Δτ＝1/Lbest，Lbest表示全局最优路径；S8、迭代次数加一次，并判断迭代次数是否达到最大迭代次数，若没有达到最大迭代次数，重复步骤S3至S7；若达到最大迭代次数，蚂蚁寻优结束，输出最后得到的全局最优路径。进一步的是，所述最大迭代次数N＝100。本专利技术的有益效果：该用于电磁干扰环境中的无人机路径规划方法以蚁群算法信息素更新为切入点，通过分别对蚁群寻优过程中的全局信息和局部信息素分别更新来提高蚁群算法的全局和搜索能力，提高算法寻找全局最优路径的搜索速度，该用于电磁干扰环境中的无人机路径规划方法可以根据新的作业节点重新快速生成新路径，从而达到对无人机的实时路径规划，经过试验验证，用于电磁干扰环境中的无人机路径规划方法对给定目标点进行解算，出事航迹生成耗时353ms，对航迹点更改新航迹生成用时261ms，快速的航迹搜索与计算可以很好的适用于真实环境中实时无人机巡线路径规划中。附图说明图1为基于蚁群算法的两点间无人机路径规划图；图2为蚁群算法标定航迹点规划与重规划图。具体实施方式本专利技术所述的用于电磁干扰环境中的无人机路径规划方法，包括以下步骤：该用于电磁干扰环境中的无人机路径规划方法，包括以下步骤：S1、收集无人机作业目标点；S2、设置信息素初始值τij(0)＝h，其中h为常数，设置蚁群规模为M，设定最大迭代次数为N；S3、将M只蚂蚁随机分配到各个目标点中，并将蚂蚁所分配的目标点添加到各自的禁止清单中；S4、所有蚂蚁按照状态转移公式选择下一节点，1≤k≤M，状态转移公式如下所述：其中，表示蚂蚁k在第t次的迭代时从节点i转移到节点j的概率，1≤t≤N，τij(t)表示迭代次数t时节点i到节点j间航迹所包含的信息浓度，在蚁群移动过程中，蚂蚁通过可行路径上的信息素总量来确定下一节点搜索方向，τis(t)表示迭代次数t时节点i到节点s间航迹所包含的信息浓度，为蚁群算法中蚂蚁的可到达点，tabuk为禁止清单，记录蚂蚁k所走过的节点及蚂蚁禁止通行的节点，表示尚未搜索节点，Nr代表当前路径节点周遭点集，α代表信息素浓度因子，β代表启发因子，启发因子的作用是指引蚂蚁往目标的方向移动，起到方向指引性的作用；γ表示引导因子端的重要性权重，ηij(t)表示迭代次数t时节点i到节点j的启发函数，ηij(t)＝1/dij(t)，dij(t)表示迭代次数t时节点i到节点j的距离，ηis(t)＝1/dis(t)，ηis(t)表示迭代次数t时节点i到节点s的启发函数，dis(t)表示迭代次数t时节点i到节点s的距离；此外，无人机在整个飞行过程中收到诸多因素的影响，例如飞机燃油损耗程度会大大限制无人机飞行航程，即无人机存在最大航程参数。记最大路径长度为Lmax,因此每一航程段距离li应满足：引导因子也会考虑条件约束，即当有一个威胁点与某相邻点j的距离小于此类型威胁有效距离时，无须考虑其它威胁节点，使其保证不仅不经过威胁节点有效距离航迹的同时又提高航迹节点选择方向。σij(t)表示迭代次数t时节点i到待选节点j的引导因子，即σij(t)＝1/Tj，其中，其中，TMj＝1/((xj-xMj)2+(yj-yMj)2)1/2，TBj＝1/((xj-xBj)2+(yj-yBj)2)1/2其中，(xMj,yMj)和(xBj,yBj)分别节点j周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSj代表无人机油量消耗，λM，λB本文档来自技高网...

【技术保护点】
用于电磁干扰环境中的无人机路径规划方法，其特征在于包括以下步骤：S1、收集无人机作业目标点；S2、设置信息素初始值τij(0)＝h，其中h为常数，设置蚁群规模为M，设定最大迭代次数为N；S3、将M只蚂蚁随机分配到各个目标点中，并将蚂蚁所分配的目标点添加到各自的禁止清单中；S4、所有蚂蚁按照状态转移公式选择下一节点，1≤k≤M，状态转移公式如下所述：其中，表示蚂蚁k在第t次的迭代时从节点i转移到节点j的概率，1≤t≤N，τij(t)表示迭代次数t时节点i到节点j间航迹所包含的信息浓度，τis(t)表示迭代次数t时节点i到节点s间航迹所包含的信息浓度，为蚁群算法中蚂蚁的可到达点，tabuk为禁止清单，记录蚂蚁k所走过的节点及蚂蚁禁止通行的节点，表示尚未搜索节点，Nr代表当前路径节点周遭点集，α代表信息素浓度因子，β代表启发因子，γ表示引导因子端的重要性权重，ηij(t)＝1/dij(t)，dij(t)表示迭代次数t时节点i到节点j的距离，ηis(t)＝1/dis(t)，dis(t)表示迭代次数t时节点i到节点s的距离；σij(t)表示迭代次数t时节点i到待选节点j的引导因子，即σij(t)＝1/Tj，其中，其中，TMj＝1/((xj‑xMj)2+(yj‑yMj)2)1/2，TBj＝1/((xj‑xBj)2+(yj‑yBj)2)1/2其中，(xMj,yMj)和(xBj,yBj)分别节点j周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSj代表无人机油量消耗，λM，λB和λS分别表示其所代表威胁代价的权重系数，其总和值等于1；σis(t)表示迭代次数t时节点i到待选节点s的引导因子，即σis(t)＝1/Ts，其中，其中，TMs＝1/((xs‑xMs)2+(ys‑yMs)2)1/2，TBs＝1/((xs‑xBs)2+(ys‑yBs)2)1/2其中，(xMs,yMs)和(xBs,yBs)分别节点s周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSs代表无人机油量消耗，λM，λB和λS分别表示其所代表威胁代价的权重系数，其总和值等于1；S5、当所有蚂蚁均没有找到可达节点时，本次迭代结束，记录所有蚂蚁的本次迭代路径，并对每个蚂蚁所走过的路径进行局部信息素更新；局部信息素更新采用如下规则：τij(t+1)＝(1‑θ)τij(t)+θ(1/N×Lnn)，其中θ为设定的局部蒸发系数，并且0＜θ＜1，而Lnn是随机选择各毗邻点之间的一段距离；S6、计算所有蚂蚁的本次迭代路径长度，并选择出本次迭代的全局最优路径；S7、全局信息素更新，全局信息素更新采用如下规则：τgb(t+1)＝(1‑ρ)τ(t)+ρΔτ(5)，其中，ρ是全局信息素衰减参数，0＜ρ＜1，Δτ＝1/Lbest，Lbest表示全局最优路径；S8、迭代次数加一次，并判断迭代次数是否达到最大迭代次数，若没有达到最大迭代次数，重复步骤S3至S7；若达到最大迭代次数，蚂蚁寻优结束，输出最后得到的全局最优路径。...

【技术特征摘要】
1.用于电磁干扰环境中的无人机路径规划方法，其特征在于包括以下步骤：S1、收集无人机作业目标点；S2、设置信息素初始值τij(0)＝h，其中h为常数，设置蚁群规模为M，设定最大迭代次数为N；S3、将M只蚂蚁随机分配到各个目标点中，并将蚂蚁所分配的目标点添加到各自的禁止清单中；S4、所有蚂蚁按照状态转移公式选择下一节点，1≤k≤M，状态转移公式如下所述：其中，表示蚂蚁k在第t次的迭代时从节点i转移到节点j的概率，1≤t≤N，τij(t)表示迭代次数t时节点i到节点j间航迹所包含的信息浓度，τis(t)表示迭代次数t时节点i到节点s间航迹所包含的信息浓度，为蚁群算法中蚂蚁的可到达点，tabuk为禁止清单，记录蚂蚁k所走过的节点及蚂蚁禁止通行的节点，表示尚未搜索节点，Nr代表当前路径节点周遭点集，α代表信息素浓度因子，β代表启发因子，γ表示引导因子端的重要性权重，ηij(t)＝1/dij(t)，dij(t)表示迭代次数t时节点i到节点j的距离，ηis(t)＝1/dis(t)，dis(t)表示迭代次数t时节点i到节点s的距离；σij(t)表示迭代次数t时节点i到待选节点j的引导因子，即σij(t)＝1/Tj，其中，其中，TMj＝1/((xj-xMj)2+(yj-yMj)2)1/2，TBj＝1/((xj-xBj)2+(yj-yBj)2)1/2其中，(xMj,yMj)和(xBj,yBj)分别节点j周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSj代表无人机油量消耗，λM，λB和λS分...

【专利技术属性】
技术研发人员：赵强，杜毅，刘玮，杨蔚，周辉，杨生兰，鲁力，
申请(专利权)人：国网四川省电力公司检修公司，
类型：发明
国别省市：四川;51