一种无人机路径规划方法及系统技术方案

本发明专利技术涉及一种无人机路径规划方法及系统，主要依赖于仿生优化技术来实现一种环形结构的全局邻域学习方法。基于仿花授粉算法的全局更新方程其采用服从Lèvy分布的更新方式促进种群收敛，具有强烈的震荡性会影响算法收敛速度，通过利用相关数学理论验证并分析其收敛过程，提出新的全局更新方程；为增加种群多样性设计全局邻域学习方法，并将该方法集成到改进的仿花授粉算法框架中，实现了更加平滑稳定的无人机飞行路径规划。

【技术实现步骤摘要】
一种无人机路径规划方法及系统
本专利技术涉及无人机
，特别是涉及一种无人机路径规划方法及系统。
技术介绍
随着信息现代化技术的更新换代，近年来无人机作为有效的空中移动平台受到各领域的关注。在军事领域，无人机是一种灵活安全的战斗设备，甚至可以认为更好的研究无人机的控制与应用，使其满足未来战争的需求是未来空战的制胜关键。除了军事研究之外，无人机在平常的民用生活中已经十分常见，国内大疆公司生产的机器已经用于生活中的航拍、专业机型用于农业植保等等。在5G时代下，无人机作为空中有效的移动平台，可以有效的为云计算、边缘计算等技术提供中继手段，亦可作为移动基站等等。然而，虽然无人机的应用场景将越来越多，发展趋势越来越好，但是其基础研究不容忽视。路径规划是无人机应用的基础关键问题，如何有效的进行任务的处理，在执行任务期间如何有效的避开障碍物，以及在执行飞行任务时如何有效的节约自身能源等等都是规划无人机飞行路径需要处理的问题。此外，对于一般的飞行环境虽然可以预知飞行过程的相关信息，但突发情况是无法预知的，即在设计飞行路径时也要考虑突发情况的实时路径规划。无论处理上述哪种问题，一种良好有效的用来进行无人机飞行路径规划的方法都是十分重要的。目前用于解决路径规划问题的方法虽然往往可以给出平滑的飞行轨迹，但是仍然存在着许多限制，如路径的最优性不足，且在环境规模较大的场景下无法有效的给出一条良好的路径。
技术实现思路
本专利技术的目的是提供一种无人机路径规划方法及系统，能够满足无人机飞行过程中对于路径实时规划的需求，有效提升规划算法的多样性且提高优化目标的精度。为实现上述目的，本专利技术提供了如下方案：一种无人机路径规划方法，所述方法包括：根据无人机的起始位置与目标位置获得目标适应度函数；采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解；计算迭代优化求解过程中所述改进仿花授粉算法的每个个体适应度的连续未改变次数；将所述连续未改变次数与预设阈值比较，若所述连续未改变次数达到所述预设阈值，则采用全局邻域学习算法对该个体进行更新后再继续执行迭代优化求解直至迭代完成，否则继续执行所述迭代优化求解直至迭代完成；迭代完成后，将所述改进仿花授粉算法得到的最优个体输出为无人机的最优路径。本专利技术还提供了一种无人机路径规划系统，所述系统包括：适应度函数确定模块，用于根据无人机的起始位置与目标位置获得目标适应度函数；迭代求解模块，用于采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解；全局领域更新模块，用于计算迭代优化求解过程中所述改进仿花授粉算法的每个个体适应度的连续未改变次数；将所述连续未改变次数与预设阈值比较，若所述连续未改变次数达到所述预设阈值，则采用全局邻域学习算法对该个体进行更新后再继续执行迭代优化求解直至迭代完成，否则继续执行所述迭代优化求解直至迭代完成；结果输出模块，用于迭代完成后，将所述改进仿花授粉算法得到的最优个体输出为无人机的最优路径。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供了一种无人机路径规划方法及系统，通过采用改进的仿花授粉算法集成了全局邻域学习方法的执行框架，改善了传统仿生优化技术单一的学习对象，能够有效提升算法的多样性且提高优化目标的精度。同时该方法不需要将环境地图预先存储也不存在局部极小值陷阱以及狭窄条件下震荡的问题，具有很好的应用价值。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种无人机路径规划方法的流程图；图2为本专利技术实施例提供的全局邻域学习算法中环形结构示意图；图3为本专利技术实施例提供的一种无人机路径规划系统框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。传统的用于解决路径规划问题的方法虽然其往往可以给出平滑的飞行轨迹，但是其仍然存在着许多限制，如路径的最优性不足，或者在环境规模较大的场景下无法有效的给出一条良好的路径。从不同的学科角度出发对路径规划有许多不同种类的算法，如A*(A-Star)，RRT(Rapid-explorationRandomTree，快速搜索随机树)，APF(ArtificalPotentialField，人工势场法)等等。其中A*对内存要求较高，在处理具体的问题时必须提前存储整个无人机任务的环境的地图或信息，因此对于环境密度较高或障碍物较多的复杂场景会出现不足。APF容易因局部极小值引起的陷阱情况，并且当执行任务的环境下具有密集障碍物时，无人机在其间不容易获得好的路径点，此外经过这种狭窄通道时容易出现路径振荡现象影响无人机飞行效率。基于仿生算法进行路径规划是一种有效改善以上缺陷的方法，本专利技术的目的就是提供一种无人机路径规划方法及系统，改善传统仿生优化算法中种群没有对多数优势个体进行学习的不足，构造的全局邻域学习可以有效的提升算法的多样性且提高优化目标的精度。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。实施例1如图1所示，本实施例提供了一种无人机路径规划方法，所述方法包括：步骤101：根据无人机的起始位置与目标位置获得目标适应度函数；步骤102：采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解；步骤103：计算迭代优化求解过程中所述改进仿花授粉算法的每个个体适应度的连续未改变次数；步骤104：将所述连续未改变次数与预设阈值比较，若所述连续未改变次数达到所述预设阈值，则采用全局邻域学习算法对该个体进行更新后再继续执行迭代优化求解直至迭代完成，否则继续执行所述迭代优化求解直至迭代完成；步骤105：迭代完成后，将所述改进仿花授粉算法得到的最优个体输出为无人机的最优路径。本实施例提供的方法从仿生优化的角度以解决无人机路径规划问题为出发点，设计一种全局邻域学习的方法并将其集成到算法框架，提出了一种新颖的全局邻域学习集成仿生优化的无人机路径规划方法，有效地解决了传统方法解决无人机路径规划问题的资源消耗高，局部最小值影响以及得到的无人机路径不够好等问题，相比其他的仿生优化技术，该方法对于无人机路径规划问题的可大大提高解的精度，即可得到更好的路径。由于无论进行全局邻域学习还是按照仿花授粉算法全局与局部更新方式进行迭代，生成的新解都是按照贪心策略保留最佳本文档来自技高网...

【技术保护点】
1.一种无人机路径规划方法，其特征在于，所述方法包括：/n根据无人机的起始位置与目标位置获得目标适应度函数；/n采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解；/n计算迭代优化求解过程中所述改进仿花授粉算法的每个个体适应度的连续未改变次数；/n将所述连续未改变次数与预设阈值比较，若所述连续未改变次数达到所述预设阈值，则采用全局邻域学习算法对该个体进行更新后再继续执行迭代优化求解直至迭代完成，否则继续执行所述迭代优化求解直至迭代完成；/n迭代完成后，将所述改进仿花授粉算法得到的最优个体输出为无人机的最优路径。/n

【技术特征摘要】
1.一种无人机路径规划方法，其特征在于，所述方法包括：
根据无人机的起始位置与目标位置获得目标适应度函数；
采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解；
计算迭代优化求解过程中所述改进仿花授粉算法的每个个体适应度的连续未改变次数；
将所述连续未改变次数与预设阈值比较，若所述连续未改变次数达到所述预设阈值，则采用全局邻域学习算法对该个体进行更新后再继续执行迭代优化求解直至迭代完成，否则继续执行所述迭代优化求解直至迭代完成；
迭代完成后，将所述改进仿花授粉算法得到的最优个体输出为无人机的最优路径。


2.根据权利要求1所述的一种无人机路径规划方法，其特征在于，所述根据无人机的起始位置与目标位置获得目标适应度函数具体包括：
设定无人机飞行的起始位置与目标位置，并结合障碍物与油耗得到目标适应度函数：其中，目标J表示综合代价，α表示权重系数，length表示从起始点到目标点的直线距离，wt和wf分别表示在随着当前路径l变化产生的障碍物威胁代价和油耗威胁代价。


3.根据权利要求1所述的一种无人机路径规划方法，其特征在于，在所述根据无人机的起始位置与目标位置获得目标适应度函数之前，还包括将无人机路径规划问题进行转化：
将所述起始位置与所述目标位置的连线作为无人机飞行的直线距离；
利用K+1条垂线将所述直线距离K等分，按照从起始位置至目标位置的顺序依次选取每条垂线上的一可通行点，组成若干长度为K+1的点序列，所述点序列即为无人机路径，将所述无人机路径作为仿花授粉算法的种群个体；K为正整数。


4.根据权利要求1所述的一种无人机路径规划方法，其特征在于，所述采用改进仿花授粉算法对所述目标适应度函数进行预定次数的迭代优化求解，包括：
以无人机路径为个体，随机生成若干个无人机路径作为初始种群；
初始化迭代次数t＝0；
搜索当前种群中具有最佳适应度的个体作为最优个体；
对当前种群进行更新，令迭代次数加1后作为新的迭代次数，并判断所述新的迭代次数是否小于预设迭代次数；
当所述新的迭代次数小于预设迭代次数时，返回所述“搜索当前种群中具有最佳适应度的个体作为最优个体”步骤；否则将当前次迭代的最优个体作为迭代结果输出。


5.根据权利要求4所述的一种无人机路径规划方法，其特征在于，所述对当前种群进行更新包括：
在0-1之间选择一个实数作为概率参数；
在0-1之间随机生成一个随机数作为更新选择参数，将所述更新选择参数与所述概率参数的大小进行比较；
当所述更新选择参数小于所述概率参数时，选择全局更新方式对当前种群进行更新；
当所述更新选择参数不小于所述概率参数时，选择局部更新方式对当前种群进行更新。


6.根据权利要求5所述的一种无人机路径规划方法，其特征在于，
所述全局更新方式为根据公式进行更新；
所述局部更新方式为根据公式进行更新；

【专利技术属性】
技术研发人员：皮德常，陈阳，徐悦，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32