基于并行启发式算法的无人机路径规划方法技术

本发明专利技术公开了一种基于并行启发式算法的无人机路径规划方法，利用全局搜索与局部寻优相结合的机制，推动算法使代价函数随着迭代的进行出现阶梯下降的趋势，使算法既能在全局环境中搜索到细胞的较优解，又能在寻到的较优解周围继续进行局部挖掘，提高了算法的多样性和精确性。

【技术实现步骤摘要】
基于并行启发式算法的无人机路径规划方法
本专利技术属于无人机路径规划
具体涉及一种基于并行启发式算法的无人机路径规划方法。
技术介绍
随着航空产业和海地空一体化战场形势的发展，无人机在军用和民用领域的应用中迅速扩张。由于飞行环境和任务需求的复杂性，未来无人机的发展对自主性的要求将越来越高。路径规划是无人机实现自主导航的关键技术之一。目前无人机路径规划所采用的算法有A*、Dijkstra算法、粒子群算法、蚁群算法和遗传算法等。这些算法或利用不断地局部搜索到较优位置组成完整路径，或利用群体间的信息的社会性交换搜索一条完整路径。但是这些算法不可兼顾全局搜索能力和局部寻优能力。
技术实现思路
针对现有启发式算法存在的问题，本专利技术的专利技术目的在于提供一种基于并行启发式算法的无人机路径规划方法，增强算法的全局搜索能力和精度。本专利技术中提供的方法区别于现有方法的显著特征在于：其一:基于并行搜索机制的概念，针对粒子群算法的搜索机制，结合局部搜索，加入提高算法种群多样性的搜索方式，既保证了算法的全局搜索能力和并行计算速度，又增强了算法的挖掘能力，提高了算法的精度；其二，针对复杂战场环境下的无人机路径规划，考虑路径长度约束和环境威胁度约束，采用多次规划机制，解决单目标实时动态规划问题，能更好地适应复杂环境的变化。本专利技术的专利技术目的通过以下技术方案实现：一种基于并行启发式算法的无人机路径规划方法，包含以下步骤：步骤1、确定细胞种群中的细胞数目、对细胞进行搜索的最大迭代次数和细胞搜索空间P，初始化细胞的位置以及将细胞种群划分为四个子群G1，G2，G3，G4；其中，每个细胞的位置是一个2N维向量，代表一条无人机飞行的潜在的路径，细胞位置的每一维度依次代表路径点的横纵坐标；步骤2、通过以下搜索公式对子群G1中的各细胞的新位置进行搜索：reflection1＝R*G1[i].Pointsvisibility1＝V*(Best.Points-G1[i].Points)Newsolution1＝reflection1+visibility1其中：R＝random()*(r1-r2)+r2，V＝random()*(v1-v2)+v2，r1、r2、v1、v2为算法调节参数，即R是r1到r2之间均匀分布的随机数，V是v1和v2之间均匀的随机数，G1[i].Points代表子群G1中第i个细胞的位置向量，reflection1代表子群G1中第i个细胞的反射度，visibility1代表子群G1中第i个细胞的可见度；Newsolution1代表子群G1中第i个细胞的新位置；通过以下搜索公式对子群G2中的各细胞的新位置进行搜索：reflection2＝R*Best.Pointsvisibility2＝Best.Points-G2[i].PointsNewsolution2＝reflection2+visibility2其中：G2[i].Points代表子群G2中第i个细胞的位置向量，reflection2代表子群G2中第i个细胞的反射度，visibility2代表子群G2中第i个细胞的可见度，Newsolution2代表子群G2中第i个细胞的新位置；通过以下搜索公式对子群G3中的细胞的新的位置Newsolution3进行搜索：reflection3＝G3[i].Pointsvisibility3＝ω*visibility3+c1(pid-G3[i].Points)+c2(pgd-G3[i].Points)Newsolution2＝reflection2+visibility2其中：G3[i].Points代表子群G3中第i个细胞的位置向量，ω、c1、c2是算法设定的调节参数，pid代表单个细胞所搜寻到的历史最优位置，pgd代表所有细胞搜寻到的最优位置，reflection3代表子群G3中第i个细胞的反射度，visibility3代表子群G3中第i个细胞的可见度，Newsolution3代表子群G3中第i个细胞的新位置；通过以下搜索公式对子群G4中的细胞的新的位置Newsolution4进行搜索：reflection4＝G4[i].Pointsreflection4＝V*(Best.Points-av)Newsolution4＝reflection4+visibility4其中：G4[i].Points代表子群G4中第i个细胞的位置向量，reflection4代表子群G4中第i个细胞的反射度，visibility4代表子群G4中第i个细胞的可见度，Newsolution4代表子群G4中第i个细胞的新位置；步骤3、将迭代过程中每个子群搜索的性能最好的细胞的位置进行平均，储存在av中，所有子群性能最好的细胞位置储存在Best.Points中；步骤4、如果已经达到步骤1设定的最大迭代次数，则转移到步骤5，否则转到步骤2重新进行搜索。步骤5、根据步骤4结束得到最优细胞的位置Best.Points，可以得到一条含N个路径点的有序路径序列。优选地，采用代价函数对细胞的位置性能进行评价，代价函数通过以下步骤获得：步骤A、对无人机飞行环境进行建模；步骤B、构建概率地图模型，用于分析运行环境中威胁分布情况；步骤C、确定路径的代价函数：J＝ω1L+ω2P其中ω1、ω2表示加权系数，使得两个评价指标处于相等的量纲，L代表路径长度，P代表路径威胁值。优选地，步骤5中还包含采用分段三次埃米尔特插值的方法，由N个路径点中插值形成M个插值点，形成供无人机飞行的平滑航迹。本专利技术的有益效果在于：第一，本专利技术提出的基于并行启发式算法，在粒子群算法的搜索机制基础上，增加了全局搜索能力，提高了算法的收敛速度。第二，本专利技术提出的基于并行启发式算法，利用全局搜索与局部寻优相结合的机制，推动算法实代价函数随着迭代的进行出现阶梯下降的趋势，使算法既能在全局环境中搜索到细胞的较优解，又能在寻到的较优解周围继续进行局部挖掘，提高了算法的多样性和精确性。第三，本专利技术提出的基于并行启发式算法的无人机路径规划方法，对无人机周围环境进行了有效建模，利用算法收敛快的特点，可以实现无人机在复杂环境下的动态路径规划。附图说明图1：本专利技术提出的基于并行启发式算法的路径规划方法的流程图。图2：本专利技术的概率地图建模过程中地形障碍和禁飞区的示意图。图3：本专利技术的概率地图示意图。图4：本专利技术对周围环境的建模和路径规划示意图。图5：本专利技术提出的并行启发式算法的流程图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。本实施例提出的一种基于并行启发式算法路径规划方法，如图1所示，包含二部分内容，一是对无人机路径规划问题进行建模，得到评价路径优劣的代价函数，二是采用并行启发式算法得到无人机飞行路径，下面对这二部分内容进行分别说明。(一)对无人机路径规划问题进行建模。步骤A、对无人机运行环境进行数学建模。如图4所示，在二维平面中进行路径规划，无人机从出发点S飞往终点T执行任务。在路径规划的区域内建立全局坐标系O-XY，由N个点构成一条路径。无人机从S飞T的路径可以表示为Path＝{S,P1,P2,...,PN,T},其中x＝P1,P2,...,PN为离散路径点的序列，为路径规划问题的自变量。x一共包含2N个坐标，本文档来自技高网...

【技术保护点】
1.一种基于并行启发式算法的无人机路径规划方法，包含以下步骤：步骤1、确定细胞种群中的细胞数目、对细胞进行搜索的最大迭代次数和细胞搜索空间P，初始化细胞的位置以及将细胞种群划分为四个子群G1，G2，G3，G4；其中，每个细胞的位置是一个2N维向量，代表一条无人机飞行的潜在的路径，细胞位置的每一维度依次代表路径点的横纵坐标；步骤2、通过以下搜索公式对子群G1中的各细胞的新位置进行搜索：reflection1＝R*G1[i].Pointsvisibility1＝V*(Best.Points‑G1[i].Points)Newsolution1＝reflection1+visibility1其中：R＝random()*(r1‑r2)+r2，V＝random()*(v1‑v2)+v2，r1、r2、v1、v2为算法调节参数，即R是r1到r2之间均匀分布的随机数，V是v1和v2之间均匀分布的随机数，G1[i].Points代表子群G1中第i个细胞的位置向量，reflection1代表子群G1中第i个细胞的反射度，visibility1代表子群G1中第i个细胞的可见度；Newsolution1代表子群G1中第i个细胞的新位置；通过以下搜索公式对子群G2中的各细胞的新位置进行搜索：reflection2＝R*Best.Pointsvisibility2＝Best.Points‑G2[i].PointsNewsolution2＝reflection2+visibility2其中：G2[i].Points代表子群G2中第i个细胞的位置向量，reflection2代表子群G2中第i个细胞的反射度，visibility2代表子群G2中第i个细胞的可见度，Newsolution2代表子群G2中第i个细胞的新位置；通过以下搜索公式对子群G3中的细胞的新的位置Newsolution3进行搜索：reflection3＝G3[i].Pointsvisibility3＝ω*visibility3+c1(pid‑G3[i].Points)+c2(pgd‑G3[i].Points)Newsolution2＝reflection2+visibility2其中：G3[i].Points代表子群G3中第i个细胞的位置向量，ω、c1、c2是算法设定的调节参数，pid代表单个细胞所搜寻到的历史最优位置，pgd代表所有细胞搜寻到的最优位置，reflection3代表子群G3中第i个细胞的反射度，visibility3代表子群G3中第i个细胞的可见度，Newsolution3代表子群G3中第i个细胞的新位置；通过以下搜索公式对子群G4中的细胞的新的位置Newsolution4进行搜索：reflection4＝G4[i].Pointsreflection4＝V*(Best.Points‑av)Newsolution4＝reflection4+visibility4其中：G4[i].Points代表子群G4中第i个细胞的位置向量，reflection4代表子群G4中第i个细胞的反射度，visibility4代表子群G4中第i个细胞的可见度，Newsolution4代表子群G4中第i个细胞的新位置；步骤3、将迭代过程中每个子群搜索的性能最好的细胞的位置进行平均，储存在av中，所有子群性能最好的细胞位置储存在Best.Points中；步骤4、如果已经达到步骤1设定的最大迭代次数，则转移到步骤5，否则转到步骤2重新进行搜索。步骤5、根据步骤4结束得到最优细胞的位置Best.Points，可以得到一条含N个路径点的有序路径序列。...

【技术特征摘要】
1.一种基于并行启发式算法的无人机路径规划方法，包含以下步骤：步骤1、确定细胞种群中的细胞数目、对细胞进行搜索的最大迭代次数和细胞搜索空间P，初始化细胞的位置以及将细胞种群划分为四个子群G1，G2，G3，G4；其中，每个细胞的位置是一个2N维向量，代表一条无人机飞行的潜在的路径，细胞位置的每一维度依次代表路径点的横纵坐标；步骤2、通过以下搜索公式对子群G1中的各细胞的新位置进行搜索：reflection1＝R*G1[i].Pointsvisibility1＝V*(Best.Points-G1[i].Points)Newsolution1＝reflection1+visibility1其中：R＝random()*(r1-r2)+r2，V＝random()*(v1-v2)+v2，r1、r2、v1、v2为算法调节参数，即R是r1到r2之间均匀分布的随机数，V是v1和v2之间均匀分布的随机数，G1[i].Points代表子群G1中第i个细胞的位置向量，reflection1代表子群G1中第i个细胞的反射度，visibility1代表子群G1中第i个细胞的可见度；Newsolution1代表子群G1中第i个细胞的新位置；通过以下搜索公式对子群G2中的各细胞的新位置进行搜索：reflection2＝R*Best.Pointsvisibility2＝Best.Points-G2[i].PointsNewsolution2＝reflection2+visibility2其中：G2[i].Points代表子群G2中第i个细胞的位置向量，reflection2代表子群G2中第i个细胞的反射度，visibility2代表子群G2中第i个细胞的可见度，Newsolution2代表子群G2中第i个细胞的新位置；通过以下搜索公式对子群G3中的细胞的新的位置Newsolution3进行搜索：reflection3＝G3[i].Pointsvisibility3＝ω*visibility3+c1(pid-G3[i].Points)+c2(pgd-G3[i].Points)Newsolu...

【专利技术属性】
技术研发人员：陈聪，杨永胜，康敏旸，刘青春，
申请(专利权)人：中国航空无线电电子研究所，
类型：发明
国别省市：上海,31