The invention belongs to the technical field of unmanned aerial vehicle, in particular to a path planning method of unmanned aerial vehicle based on potential field ant colony algorithm. The invention takes the satellite digital map of the unmanned aerial vehicle ground station as the research platform, and accomplishes the safe route navigation from the start point to the operation point of the unmanned aerial vehicle through the static track planning. The invention complements the global search ability of Ant Colony Optimal with the local search ability of Artificial Potential Field, and improves the adaptability and real-time of ant colony algorithm in searching environment by introducing the concept of potential field algorithm into the selection probability of ant colony algorithm. Based on this, the UAV cruising environment is analyzed, and the UAV static track planning is completed. It will be widely used in the autonomous cruising of electric UAV.
【技术实现步骤摘要】
一种基于势场蚁群算法的无人机航迹规划方法
本专利技术属于无人机
,具体的说是一种基于势场蚁群算法的无人机航迹规划方法。
技术介绍
在蚁群算法航迹规划作业时,由于蚁群算法分布式计算方法启发信息参数的调节不能面面俱到,因此为综合算法整体效率,蚁群算法在复杂环境计算常常需要耗费大量时间,太过强调蚁群算法的全局搜索特性也会令蚁群算法在搜索后期因为ACO算法个体所发现的解完全不一致而导致算法停滞(stagnation),极大浪费算法搜索始建于效率。此外,人工势场算法主要通过在无人机巡航环境搭建不同的势力场模型函数来对无人机航迹抉择进行影响,因此,当无人机所受综合力影响使无人机朝障碍物靠近时,无人机在巡径过程中可能会遇到斥力大于引力的情况而导致无人机无法触达最终目标节点,或者巡航过程中某点所受合力为零时,算法导向将会消失,无人机将陷入停滞状态,陷入局部稳定。
技术实现思路
本专利技术的目的,就是针对上述问题,提出一种通过提高无人机在静态航迹规划时提高对于卫星数字地图的适应能力及高效计算能力的方法,并以此为基准来提高无人机在自主巡航作业过程中导航航线的安全精度。为了便于理解,首先对本专利技术所采用的蚁群算法进行说明:M.Dorigo等科研学者通过对自然界中的蚂蚁进行模拟,根据蚂蚁巡迹相关特性来定义模拟蚂蚁:(1)设模拟蚂蚁在历经抉择过程中主要以搜索环境中信息素浓度及启发信息所构成的选择概率函数所决定;(2)模拟蚂蚁在单次迭代路径搜索过程中,为提高模拟蚁对全局的遍历搜索能力,每轮迭代单个蚂蚁仅能对每个有效节点搜索一次,并通过tabuk对所遍历城市进行记录。此外,模拟蚁在 ...
【技术保护点】
1.一种基于势场蚁群算法的无人机航迹规划方法,其特征在于,包括以下步骤:S1、初始化参数:设定起始巡航位置S,目标触达位置G,初始Nc=0,置Ncmax为最大迭代次数,蚂蚁群落规模m,初始化信息素启发因子α与能见度启发因子β;S2、根据如下公式初始信息素分配:
【技术特征摘要】
1.一种基于势场蚁群算法的无人机航迹规划方法,其特征在于,包括以下步骤:S1、初始化参数:设定起始巡航位置S,目标触达位置G,初始Nc=0,置Ncmax为最大迭代次数,蚂蚁群落规模m,初始化信息素启发因子α与能见度启发因子β;S2、根据如下公式初始信息素分配:其中,τi∈τ,τ为信息素矩阵,C为大于1的常系数,A={min(gstart,gend),min(gstart,gend)+1,…,max(gstart,gend)},gstart为搜索起始点,对应步骤S1中设定的S,gend为路径规划终点,对应步骤S2中设定的G;S3、蚂蚁路径选择:将m只蚂蚁置于搜索起点,根据如下启发函数ηij(t)获得启发信息:其中,dij为节点i到节点j之间的欧式距离,而Ljg为目标节点j至目标点g之间的综合势力场,q为启发信息系数,allowedk={0,1,…,n-1}-tabuk为蚁群当前可遍历节点集,tabuk为蚁群不可遍历节点及无效点集,n为有效节点个数;根据获得的启发信息,结合如下蚂蚁路径抉择概率公式遍历下一个可行节点j,并实时对tabuk进行更新:其中,τij(t)为时刻t时,路...
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。