基于改进的混合粒子群优化算法的无人机航迹规划方法技术

本发明专利技术涉及一种基于改进混合粒子群优化算法的无人机航迹规划方法，该方法，针对无人机航迹约束条件，改进了航迹编码方式，并对结合遗传算法的混合粒子群优化算法，首先借助粒子群优化算法全局搜索能力强的特点进行全局搜索，当迭代次数进行到指定代数并接近全局最优解时，此时整个种群进入全局最优解的邻域内；其次，利用改进的遗传算法在全局最优解的邻域内进行局部快速搜索，最终到达全局最优解，航迹段跨越多个网格节点，可以避免进行分层规划的复杂性，提高了无人机航迹规划的算法效率，更便于工程应用。

【技术实现步骤摘要】
基于改进的混合粒子群优化算法的无人机航迹规划方法
本专利技术属于飞行器航迹规划
，尤其涉及综合考虑无人机到达时间、油耗、威胁、以及飞行区域等因素的前提下找到一条能够保证无人机安全飞行的飞行航迹。该航迹规划方法能在大范围的真实环境中规划出满足各种约束的安全航迹，可广泛应用于各类无人飞行器的航迹规划。
技术介绍
随着航空技术的发展，无人机在军用与民用领域的应用不断扩大，如：敌情侦察、察-打-评、协同打击、地形勘探、地理测绘、高压巡检等。无人机执行的任务复杂多样，为提高其生存能力，必须实现自主飞行。航迹规划是无人机自主飞行的关键技术之一。无人机的航迹规划的目的是找到能够保证无人机安全突防的飞行航迹，既要尽量减少被敌防空设施捕获和摧毁的概率，又要降低坠毁的概率，同时还要满足各种约束条件。对于多飞行器协同作战，为了提高执行任务的成功率，多个无人机之间的协作与安全性也很重要，具体地，无人机航迹规划需要考虑包括安全性、航迹约束、协作性以及实时性要求。航迹规划是一个NP问题，对其直接求解往往会导致组合爆炸，为了降低其算法复杂度，国内外学者提出了各种规划方法，包括基于概率图搜索的规划方法、基于栅格搜索的规划方法、基于人工势场的规划方法以及基于进化计算的规划方法。本项专利技术属于一种改进的基于进化算法的航迹规划方法。
技术实现思路
本专利技术针对上述问题，提供了一种基于改进混合粒子群优化算法的无人机航迹规划方法，航迹段跨越多个网格节点，可以避免进行分层规划的复杂性，提高了无人机航迹规划的算例效率，更便于工程应用。本专利技术的目的在于提供一种基于改进混合粒子群优化算法的无人机航迹规划方法，其特征在于，所述方法包括以下步骤：(1)采用全实数坐标数组编码方式构造用于航迹规划的三维空间航迹编码：x1y1h1d1α1…xiyihidiαi…xnynhndnαn(1)式中：n为该航迹上的航迹点的个数；xi、yi、hi为第i个地形网格节点在航迹网格图中的坐标与高程值；di为第i个结点到第i+1个结点的航迹段长度，αi为方向角；(4)选用Alpine函数、Rastrigrin函数、Schaffer函数其中之一作为航迹规划使用的目标函数，确定航迹段约束条件；(5)从起始地形网格节点开始使用混合粒子群优化算法对构造的规划空间进行搜索，当符合航迹段约束条件时，将搜索的地形网格节点加入到参考航迹中；如此循环，直到将终点地形网格节点加入到参考航迹中。优选的技术方案中，所述方法中，步骤(2)使用的Alpine函数为：式中，x1,2∈[0,10]。优选的技术方案中，所述方法中，步骤(2)使用的Rastrigrin函数为：式中，xi∈(-10,10)，n＝2。优选的技术方案中，所述方法中，步骤(2)使用的Schaffer函数为：式中，xi∈[-10,10]。优选的技术方案中，所述方法步骤(3)中使用混合粒子群优化算法对构造的规划空间进行搜索包括：(31)首先利用粒子群优化算法进行全局寻优搜索，获取全局最优解的邻域；(32)其次利用遗传算法在全局最优解的邻域内进行局部快速搜索，最终到达全局最优解，获取待加入参考航迹的地形网格节点。优选的技术方案中，所述方法步骤(31)中假设通过数学建模方法对问题进行建模后，待优化问题为：式(I)描述了一个多约束、多控制变量的待优化问题，其中x∈Rn为控制变量，其取值空间为Ω＝{x|xi∈(mini,maxi),i＝1,2,...,n}；f(x)表示待优化的目标函数；Nj≤gj(x)≤Mj,j＝1,2,...m表示m个约束条件；该优化问题的目标是借助特定的优化算法找到一组满足所有约束条件的n维控制变量x，使得目标函数f(x)的取值最大或者最小；则所述方法步骤(31)具体为：(311)在控制变量x允许的n维搜索空间Ω内，生成由m个粒子组成的初始种群POP0:x0＝(x1,x2,…,xm)；其中种群x0中，任意一个粒子xi，i＝1,..,m；都表示最优化问题的一组可行解，且该粒子的位置表示为xi＝(xi1,xi2,…,xin)，其速度表示为vi＝(vi1,vi2,…,vin)；(312)根据待优化的目标函数和最优化问题的具体要求，构造适应度函数其中适应度函数用于评价种群中每个粒子的适应能力，其值越大，表示该粒子的适应能力越强，越接近于最优解，反之则适应能力越弱，越远离最优解；(313)根据每个粒子的位置xi计算适应度值对当前种群xt，t＝1,…,N1；进行评估，其中N1为粒子群优化算法最大迭代次数，即找出当代种群中最优的个体位置并结合之前的迭代过程记录当前获得的全局最优个体位置(a)对每个粒子的适应度值与其历史最优适应度值pbest进行比较，若则：若则：(b)对每个粒子的适应度值与当前全局最优个体的适应度值gbest进行比较，若则：若则：(314)根据当前搜索到的个体历史最优适应度值，对第i个粒子的速度和位置更新：式(9)中，vi为粒子的飞行速度矢量；xi为粒子的位置矢量；t为进化代数；学习因子c1、c2为非负实数；ω为惯性权重；r1、r2为在区间[0,1]上服从均匀分布的两个随机数；T为时间飞行因子，T＝d+ω；其中惯性权重ω需要根据迭代过程不断进行自适应调整，调整算法为：式(18)中，α(x)表示种群进化速度，β(x)表示种群聚合度；表示第t代全局最优粒子的适应度值，表示当前种群中所有粒子的平均适应度值；学习因子c1和c2的变化规律为：式(20)中，c1s和c2s分别为学习因子c1和c2的初始值，c1e和c2e分别为学习因子c1和c2的终止值；(315)通过(314)获得更新后的粒子速度和位置，产生新一代的种群，返回(313)步；重复上述过程直至最大迭代次数N1，此时，利用粒子群优化算法对最优化问题进行N1次迭代的全局搜索过程结束，最终获得了该最优化问题的一个全局次优解和一组全局最优解邻域内的可行解。优选的技术方案中，所述方法步骤(32)具体包括：(321)利用粒子群优化算法进行全局搜索结束之后，产生新的种群XN1作为遗传算法进行局部搜索的初始种群，将粒子群优化算法中的每一个粒子一一对应成为遗传算法种群中的染色体xi(i＝1,..,m)，且n维染色体xi表示该染色上具有n个基因；(322)计算种群中每个染色体xi对应的适应度函数值对当前种群Xt(t＝N1,N1+1,…,N1+N2)进行评估，其中N2为遗传算法的最大迭代次数；(323)根据整个种群中的个体适应度计算结果，计算每个染色体被选择成为父代的概率，其计算方法如下：式中，Pi为染色体xi的选择概率，为种群中的最小适应度值；然后按照轮盘赌游戏规则，对整个种群进行选择操作；(324)对第(32本文档来自技高网...

【技术保护点】
1.一种基于改进混合粒子群优化算法的无人机航迹规划方法，其特征在于，所述方法包括以下步骤：/n(1)采用全实数坐标数组编码方式构造用于航迹规划的三维空间航迹编码：/nx

【技术特征摘要】
1.一种基于改进混合粒子群优化算法的无人机航迹规划方法，其特征在于，所述方法包括以下步骤：
(1)采用全实数坐标数组编码方式构造用于航迹规划的三维空间航迹编码：
x1y1h1d1α1LxiyihidiαiLxnynhndnαn(1)
式中：n为该航迹上的航迹点的个数；xi、yi、hi为第i个地形网格节点在航迹网格图中的坐标与高程值；di为第i个结点到第i+1个结点的航迹段长度，αi为方向角；
(2)选用Alpine函数、Rastrigrin函数、Schaffer函数其中之一作为航迹规划使用的目标函数，确定航迹段约束条件；
(3)从起始地形网格节点开始使用混合粒子群优化算法对构造的规划空间进行搜索，当符合航迹段约束条件时，将搜索的地形网格节点加入到参考航迹中；如此循环，直到将终点地形网格节点加入到参考航迹中。


2.根据权利要求1所述的无人机航迹规划方法，其特征在于，所述方法中，
步骤(2)使用的Alpine函数为：

式中，x1,2∈[0,10]。


3.根据权利要求1所述的无人机航迹规划方法，其特征在于，所述方法中，
步骤(2)使用的Rastrigrin函数为：

式中，xi∈(-10,10)，n＝2。


4.根据权利要求1所述的无人机航迹规划方法，其特征在于，所述方法中，
步骤(2)使用的Schaffer函数为：

式中，xi∈[-10,10]。


5.根据权利要求1所述的无人机航迹规划方法，其特征在于，所述方法步骤(3)中使用混合粒子群优化算法对构造的规划空间进行搜索包括：
(31)首先利用粒子群优化算法进行全局寻优搜索，获取全局最优解的邻域；
(32)其次利用遗传算法在全局最优解的邻域内进行局部快速搜索，最终到达全局最优解，获取待加入参考航迹的地形网格节点。


6.根据权利要求5所述的无人机航迹规划方法，其特征在于，所述方法步骤(31)中假设通过数学建模方法对问题进行建模后，待优化问题为：



式(I)描述了一个多约束、多控制变量的待优化问题，其中x∈Rn为控制变量，其取值空间为Ω＝{x|xi∈(mini,maxi),i＝1,2,...,n}；f(x)表示待优化的目标函数；Nj≤gj(x)≤Mj,j＝1,2,...m表示m个约束条件；该优化问题的目标是借助特定的优化算法找到一组满足所有约束条件的n维控制变量x，使得目标函数f(x)的取值最大或者最小；
则所述方法步骤(31)具体为：
(311)在控制变量x允许的n维搜索空间Ω内，生成由m个粒子组成的初始种群POP0：x0＝(x1，x2，…，xm)；其中种群x0中，任意一个粒子xi，i＝1,..,m；都表示最优化问题的一组可行解，且该粒子的位置表示为xi＝(xi1，xi2，…，xin)，其速度表示为vi＝(vi1，vi2，...，vin)；
(312)根据待优化的目标函数和最优化问题的具体要求，构造适应度函数其中适应度函数用于评价种群中每个粒子的适应能力，其值越大，表示该粒子的适应能力越强，越接近于最优解，反之则适应能力越弱，越远离最优解；
(313)根据每个粒子的位置xi计算适应度值对当前种群xt，t＝1,…,N1；进行评估，其中N1为粒子群优化算法最大迭代次数，即找出当代种群中最优的个体位置并结合之前的迭代过程记录当前获得的全局最优个体位置
(a)对每个粒子的适应度值与其历史最优适应度值pbest进行比较，若则：



若则：



(b)对每个粒子的适应度值与当前全局最优个体的适应度值gbest进行比较，若则：



若则：



(314)根据当前搜索到的个体历史最优适应度值，对第i个...

【专利技术属性】
技术研发人员：夏敏，王超群，曹林，徐安邦，徐丰，
申请(专利权)人：西北工业大学太仓长三角研究院，
类型：发明
国别省市：江苏;32