一种基于自适应权重鸽群算法的无人机航路规划方法技术

本发明专利技术涉及一种无人机航路规划方法，特别是涉及基于自适应权重鸽群算法的无人机航路规划方法，该方法属于人工智能领域，该方法具体步骤如下：初始化参数、初始化航路、威胁代价计算、自适应权重系数的地磁算子和地标算子规划航路以及航路平滑处理，自适应权重鸽群算法通过对算法中参数的调整能够解决不同情况下的无人机航路规划问题，可以自由地根据无人机的应用领域和约束条件等因素的变化改变参数，从而达到更好的规划效果。

【技术实现步骤摘要】

本专利技术涉及一种无人机航路规划方法，特别是涉及基于自适应权重鸽群算法的无人机航路规划方法，该方法属于人工智能领域。
技术介绍
无人机(UnmannedAerialVehicle，UAV)在复杂威胁环境中的航路规划问题一直各专家和学者研究的重点。。民用无人机的航路规划需要考虑城市建筑物的阻挡、自然地理环境的限制和特殊的天气气候等因素。军用无人机根据所属的机器类型不同、执行任务的不同也需要时刻考虑地理自然环境、地方雷达信号干扰等造成的威胁。群智能仿生算法是人工智能的一个分支，主要包括微粒群算法、蚁群算法人工蜂群算法和鸽群算法等。群智能仿生算法应用于无人机航路规划的优点在于生物种群的特殊行为模型能够更好的与无人机的行为模型吻合，从而能够为无人机航路规划提供更好的模型依据。1991年M.Dorigo、V.Maniez-zo、A.colorini等人提出了蚁群优化算法(AntAlgorithm)，用于求解TSP问题。许多学者已经对微粒群算法和蚁群算法从不同的角度出发，在不同的应用领域进行了优化，得出了许多优化的群智能仿生算法算法。此外，许多国内学者也提出了许多新的智能优化算法。2002年我国学者李晓磊、邵之江、钱积新等提出了人工鱼群算法；Karaboga等模拟蜜蜂群的智能采蜜行为，提出了人工蜂群算法。现有的鸽群算法在无人机航路规划中的应用主要分为两个阶段：鸽群先按照太阳和磁场进行初步定位，此处使用地磁算子对种群中粒子的飞行速度和位置进行控制；然后依照地标进行精确定位，此阶段使用地标算子模拟鸽群的寻优行为。经过仿真实验结果表明单一的鸽群算法进行航路规划存在一些缺陷。例如，现有的鸽群算法更容易陷入局部最优解；算法的收敛速度较慢，收敛速度不稳定等问题，在实际的航路规划中，可能导致相同条件下的规划结果差异较大，不具备参考性；应用于航路规划中的威胁代价消耗过大；现有的使用鸽群算法应用在航路规划时并没有对鸽群算法得到的航路进行平滑处理。自适应权重鸽群算法(AWPIO)是在现有的鸽群算法的基础上在种群粒子寻找最优解的过程中添加自适应权重的惯性引导因子，在最大程度上避免陷入局部最优解。原有的无人机航路规划算法在进行航路规划时都或多或少的存在陷入局部最优解的问题，导致无人机在整个飞行过程中并不是按照最优路线航行。
技术实现思路
现有的鸽群算法在解决无人机航路规划问题中存在对复杂地形不能进行精准的航路规划，针对这个问题，对鸽群算法进行了改进，使用自适应权重的鸽群算法计算并求解航路规划问题中的最优航路点，并使用数学模型对所求航路点进行路径平滑计算操作。本专利技术自适应权重鸽群算法的无人机航路规划方法包括以下几个步骤：步骤1：初始化自适应鸽群算法参数(1)初始化参数维数DD是解的维数，与优化问题的规模相关，本专利技术中设置D＝20即是在问题规模维度为20的空间中进行问题寻优。(2)初始化种群数量种群数量的设置决定了问题求解的精度，种群规模寻优精度越高，但是消耗的时间复杂度也越高。因此，在均衡时间复杂度和寻优精度的情况下，本专利技术设置种群数量pigeonnum为120。(3)初始化迭代次数自适应鸽群算法分为两个阶段进行计算，分别是地磁算子操作阶段和地标算子操作阶段。进行航路规划之前需要分别设定两个阶段运行的最大迭代次数为T1＝100，T2＝40。(4)初始化自适应权重系数的取值范围ω初始化自适应权重系数ω的最大值ωmax和最小值ωmin，这两个值的确定影响自适应地磁算子操作阶段的寻优效率。步骤2：初始化航路现有的鸽群优化算法在进行无人机航路规划时，都是直接使用鸽群算法进行最优解的计算，并没有对无人机航行的初始路径进行初始化，本文中增加了航路的初始化部分，为此后的鸽群算法提供一个更优的初始最优值。对航路进行初始化后可以减少算法的计算时间，并且能够提高鸽群算法的执行效率。步骤3：威胁代价计算无人机航路规划的性能指标主要包括完成规定任务的安全性能指标和燃油性能指标，即威胁代价最小性能指标和燃油代价最小性能指标。威胁代价最小值按公式(1)计算：L为航路的长度公式(1)油耗代价最小值按公式(2)计算：L为航路的长度公式(2)总威胁代价评估模型为公式(3):minJ＝kJt+(1-k)Jf公式(3)其中，威胁代价的评估模型为公式(4)，当无人机沿路径Lij飞行时，Nt个威胁源对其产生的总威胁代价按公式(4)计算：为了简化威胁代价计算，把每条边分为5段，取其中5个点来计算这条边所受到的威胁代价，若威胁点到该边的距离在威胁半径之内，按公式(5)计算它的威胁代价。上式中，Lij为连接节点i,j边的长度，d(0.1,k)表示Lij边上的1/10分点距第k个威胁源中心的距离，tk为威胁因子，表示当前威胁对无人机航行的威胁等级。步骤4：自适应权重系数的地磁算子和地标算子规划航路(1)地磁算子操作阶段普通的鸽群算法在求解局部最优解和全局最优解时，存在易于陷入局部极值的问题。因此，为了均衡鸽群算法的局部搜索能力和全局搜索能力，在鸽群算法的地磁操作部分引入非线性的动态惯性权重系数(即自适应权重系数)，从而提高整个算法在航路规划中的效率，自适应权重系数根据公式(6)计算得出。其中，ωmin和ωmax分别表示惯性权重系数ω的最小值和最大值，f为威胁代价评估函数，fmin表示当前鸽群中的平均威胁代价值，fmin表示当前鸽群中的最小威胁代价值。鸽群能够通过自身对地磁的感应在大脑中绘制出简要地图，再根据太阳的方向辨别目的地的方向。在自适应鸽群算法的地磁操作阶段，在D维搜索空间中，每次迭代都根据公式(7)(8)来计算更新粒子的速度和位置。vi(t)＝ω·vi(t-1)·e-Rt+rand·(xg-xi(t-1))公式(7)xi(t)＝xi(t-1)+vi(t)公式(8)其中，R是地磁算子，rand是一个随机数，xg为当前的全局最优位置，全局最优解是通过比较当前种群中所有粒子的威胁代价值和距离目的地的距离而得出的。利用初始化的种群粒子的位置和速度，根据初始个体的代价函数值更新局部最优位置和全局最优位置。反复使用自适应权重系数的地磁算子进行寻优，直到迭代次数大于地磁算子的最大迭代次数时停止操作。(2)地标算子操作阶段在地磁算子操作阶段得到的全局最优粒子作为地标算子操作阶段的初始种群进行路径寻优。引入地标算子，鸽子据此判断当前位置是否和地标算子的位置相似，若判断出两者位置相似，鸽群直接飞向目的地；否则，其余鸽子将跟随地标相似的鸽子飞去。在地标操作过程中，若所有鸽子经过判断后发现所有鸽子都与地标算子的位置不相似，则每次迭代都去除种群数量一半的鸽子，此处选择鸽群的规则由公式(9)制定。此后，设置所有鸽子的中心位置鸽子(xc)的飞行方向为目的地方向。第t次迭代时，鸽子i的位置由公式(10)(11)确定。xi(t)＝xi(t-1)+rand·(xc(t)-xi(t-1))公式(11)其中，fitness()为威胁建模后得出的威胁代价值最小的位置。通过此过程得出威胁代价最小的位置。通过地标操作的计算可以更快的寻找到目的地的位置，从而是无人机更快的飞向目的地，提高飞行效率。根据以上公式的计算，最终保留当前全体中较有的粒子进行下一轮的寻优，反复使用地标算子进行全局寻优，直到迭代次数大于地标算子的本文档来自技高网...

【技术保护点】
一种基于自适应权重鸽群算法的无人机航路规划方法，其特征在于：该方法具体步骤如下：步骤一：初始化参数初始化参数维数D＝20,初始化种群数量pigeonnum＝120,威胁代价评估比例因子k＝0.3,自适应鸽群算法地磁算子操作阶段和地标算子操作阶段的迭代次数分别为T1＝100，T2＝40，地磁算子参数R＝0.2，自适应权重惯性系数的最大值wmax＝0.7,最小值wmin＝0.4步骤二：初始化航路步骤三：威胁代价计算无人机航路规划的性能指标主要包括完成规定任务的安全性能指标和燃油性能指标，即威胁代价最小性能指标和燃油代价最小性能指标；威胁代价最小值按公式(1)计算：油耗代价最小值按公式(2)计算：总威胁代价评估模型为公式(3):min J＝kJt+(1‑k)Jf    公式(3)其中，威胁代价的评估模型为公式(4)；当无人机沿路径Lij飞行时，Nt个威胁源对其产生的总威胁代价按公式(4)计算：为了简化威胁代价计算，把每条边分为5段，取其中5个点来计算这条边所受到的威胁代价，若威胁点到该边的距离在威胁半径之内，按公式(5)计算它的威胁代价；上式中，Lij为连接节点i,j边的长度，d(0.1,k)表示Lij边上的1/10分点距第k个威胁源中心的距离，tk为威胁因子，表示当前威胁对无人机航行的威胁等级；步骤四：自适应权重系数的地磁算子和地标算子规划航路自适应权重系数根据公式(6)计算得出。其中，ωmin和ωmax分别表示惯性权重系数ω的最小值和最大值，f为威胁代价评估函数，favg表示当前鸽群中的平均威胁代价值，fmin表示当前鸽群中的最小威胁代价值，无人机航路规划中应用自适应鸽群算法的具体过程为：第一步：开始地磁操作阶段，根据威胁代价评估模型对鸽群中的每个粒子计算威胁代价值；第二步：根据求出的每个鸽子的威胁代价值更新局部最优解xp和全局最优解xg；第三步:判断是否达到地磁操作的最大迭代次数，若大于地磁操作的最大迭代次数，则转到step4继续执行地标操作，否则，返回step1；第四步：根据规则求出当前鸽群中距离目的地最近的位置(即求出所有鸽子的中心位置)，并在此处将鸽群规模减半；第五步：计算当前鸽群中每个鸽子的威胁代价值，并据此更新局部最优解xp和全局最优解xg；第六步：判断是否达到地标操作的最大迭代次数；若大于地标操作的最大迭代次数，则程序结束，当前的全局最优解的位置即为所求的所有航路点；否则，返回第四步；步骤五：航路平滑处理样条平滑的基本原理为公式(7)所示：其中参数p为平滑参数，且取值范围为0≤p≤1。wi为权重系数，且取值范围为0≤wi≤1，默认情况下wi＝1。...

【技术特征摘要】
1.一种基于自适应权重鸽群算法的无人机航路规划方法，其特征在于：该方法具体步骤如下：步骤一：初始化参数初始化参数维数D＝20,初始化种群数量pigeonnum＝120,威胁代价评估比例因子k＝0.3,自适应鸽群算法地磁算子操作阶段和地标算子操作阶段的迭代次数分别为T1＝100，T2＝40，地磁算子参数R＝0.2，自适应权重惯性系数的最大值wmax＝0.7,最小值wmin＝0.4步骤二：初始化航路步骤三：威胁代价计算无人机航路规划的性能指标主要包括完成规定任务的安全性能指标和燃油性能指标，即威胁代价最小性能指标和燃油代价最小性能指标；威胁代价最小值按公式(1)计算：油耗代价最小值按公式(2)计算：总威胁代价评估模型为公式(3):minJ＝kJt+(1-k)Jf公式(3)其中，威胁代价的评估模型为公式(4)；当无人机沿路径Lij飞行时，Nt个威胁源对其产生的总威胁代价按公式(4)计算：为了简化威胁代价计算，把每条边分为5段，取其中5个点来计算这条边所受到的威胁代价，若威胁点到该边的距离在威胁半径之内，按公式(5)计算它的威胁代价；上式中，Lij为连接节点i,j边的长度，d(0.1,k)表示Lij边上的1/10分点距第k个威胁源中心的距离，tk为威胁因子，表示当前威胁对无人机航行的威胁等级；步骤四：自适应权重系数的地磁算子和地标算子规划航路自适应权重系数根据公式(6)计算得出。其中，ωmin和ωmax分别表示惯性权重系数ω的最小值和最大值，f为威胁代价评估函数，favg表示当前鸽群中的平均威胁代价值，fmin表示当前鸽群中的最小威胁代价值，无人机航路规划中应用自适应鸽群算法的具体过程为：第一步：开始地磁操作阶段，根据威胁代价评估模型对鸽群中的每个粒子计算威胁代价值；第二步：根据求出的每个鸽子的威胁代价值更新局部最优解xp和全局最优解xg；第三步:判断是否达到地磁操作的最大迭代次数，若大于地磁操作的最大迭代次数，则转到step4继续执行地标操作，否则，返回step1；第四步：根据规则求出当前鸽...

【专利技术属性】
技术研发人员：林娜，黄思铭，拱长青，李席广，赵亮，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：辽宁;21