基于传教士优化算法的无人机航迹规划方法技术

基于传教士优化算法的无人机航迹规划方法，本发明专利技术涉及无人机航迹规划方法。本发明专利技术的目的是为了解决目前UAV航迹规划算法存在收敛速度慢，规划效果差的问题，以及需要极大的计算资源来完成UAV的航迹规划的问题。过程为：一：初始化参数；二：生成loc(i)，迭代索引n

【技术实现步骤摘要】
基于传教士优化算法的无人机航迹规划方法


[0001]本专利技术属于机器人控制领域，具体涉及无人机航迹规划方法，是一种利用飞行器控制与导航技术、最优化以及计算机科学与技术等来实现基于传教士优化的无人机航迹规划方法。

技术介绍

[0002]随着自动控制以及人工智能领域的蓬勃发展，无人机(Unmanned Aerial Vehicle,UAV) 被广泛应用于各种场景之中，如灾难营救、未知环境勘探，战场中远程精确打击目标以及针对某一环境的覆盖式探索。这一领域的发展可以极大的提高任务完成效率并避免不必要的人员伤亡，对于军事领域以及民用领域都具有重要意义。
[0003]目前常见的群智能优化算法包括蚁群算法(Ant Colony Optimization,ACO)、差分进化算法(Differential Evolution,DE)，果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)、粒子群优化算法(Particle Swarm Optimization,PSO)等。其中，专业人员改进了 ACO算法中的信息素分布以及转移概率，实现了复杂障碍环境下的UAV航迹规划。针对存在U型障碍物环境的航迹规划场景，可以利用Splicing Method和DijkstraMethod搜索算法消除多余的路径，以避免蚂蚁陷入U型障碍的死胡同。为了提升航迹规划算法的性能，可以将DE算法与逼近策略结合，形成一种混合差分进化算法，并用于固定翼UAV 在复杂三维环境下的航迹规划。此外，基于拐点的DE/best/1策略可以增强DE算法的收敛速度，以应对灾难场景对于UAV营救速度的需求。为了提升算法收敛速度，可以采用基于最优参考点果蝇优化算法，将两个连续航迹点的中点设置为参考点以提高FOA算法的收敛速度。多种群FOA算法则将所有果蝇分为多个种群，以扩展搜索空间并增加算法的全局搜索能力。并且在搜索开始阶段倾向于全局搜索而在搜索后半段倾向于局部搜索。为了避免各自的种群陷入局部最优，在产生后代时引入了其它种群的最优解。针对阵型汇合型任务背景，专业人员提出了一种基于精英保持策略的分布式合作PSO算法(EliteKeeping Strategy Distributed Cooperative PSO,DCPSO)。该DCPSO算法在每次迭代中各个子群落首先分别执行PSO算法输出各自的最优解，然后形成最优解集并重新计算合作代价。为了提升PSO算法在航迹规划领域的表现，专业人员将综合改进粒子群算法 (Comprehensively Improved PSO,CIPSO)应用于UAV航迹规划。其中，混沌Logistic 映射可以令算法的初始值更加随机，并利用一种自适应线性变化策略来调整CIPSO算法中的参数。仿真结果证明了该算法在收敛速度以及航迹规划结果方面的优势，但其采用的地形图过于简单，无法评估在复杂地形下的算法性能。
[0004]传教优化算法(Preaching Optimization Algorithm,POA)是近年提出的一种群智能优化算法，该算法结合个体适应度以及位置之间的关系计算权重，以维持个体的多样性，且利用精英策略以及人工免疫算法加速收敛。最终专业人员通过CEC
’
17数据集的测试结果说明了该算法在收敛速度以及精度方面的性能。但将POA算法应用于UAV航迹规划时，POA算法中随机初始化传教士位置的方式并没有结合航迹的方向特性，且对于三维坐标以
及边界条件的处理仍存在一些问题需要解决。

技术实现思路

[0005]本专利技术的目的是为了解决目前UAV航迹规划算法存在收敛速度慢，规划效果差的问题，以及没有结合UAV飞行的三维方向特性，因此需要极大的计算资源来完成UAV的航迹规划的问题，而提出基于传教士优化算法的无人机航迹规划方法。
[0006]基于传教士优化算法的无人机航迹规划方法具体过程为：
[0007]步骤一：初始化参数，主要包括地形图三维笛卡尔坐标(x,y,z)、UAV最小飞行安全距离d
safe
、UAV最大飞行高度H、线性插值步长d、传教士数量p、迭代次数N
iter
、继承人个数in以及精英数量ein；
[0008]步骤二：根据旋转坐标系生成p个初始航迹作为传教士优化算法的个体，每个初始航迹为航迹点组成的集合，并将第i个个体的航迹点集合记作loc(i)＝{w
n
|1≤n≤N}，其中i＝1,2,...,p，w
n
为UAV航迹点坐标w
n
＝(x
n
,y
n
,z
n
)，N为1个个体的航迹点个数，w
n
为UAV第n个航迹点坐标，x
n
为UAV第n个航迹点的x轴坐标，y
n
为UAV第n个航迹点的y轴坐标，z
n
为UAV第n个航迹点的z轴坐标；
[0009]迭代索引n
iter
＝1，目标函数最小值f
min
(0)＝+∞；
[0010]步骤三：利用第i个个体的航迹点集合loc(i)计算在第n
iter
次迭代中所有个体航迹的目标函数数值f(i,n
iter
)及目标函数数值f(i,n
iter
)最小值
[0011]步骤四：若|f
min
(n
iter
)
‑
f
min
(n
iter
‑
1)|≤τ或n
iter
＞N
iter
停止迭代，执行步骤九；否则进行步骤五；
[0012]其中τ为迭代停止门限；
[0013]步骤五：确定高斯分布方差r
x
/3，r
y
/3以及r
z
/3，并向继承人传播知识生成loc
′
(i)；
[0014]步骤六：经步骤五后POA算法共生成了p
×
(in+1)个个体，包括p个传教士以及 p
×
in个继承人；
[0015]计算p
×
(in+1)个个体中每个个体的目标函数数值，将目标函数数值由小到大排列，取前ein个个体直接成为传教士loc
″
(i)的一部分；
[0016]然后计算除去精英的p
×
(in+1)
‑
ein个个体的权重weight(i)，将权重由大到小排序，选择前p
‑
ein个个体作为传教士loc
″
(i)的另一部分；生成loc
″
(i)；
[0017]步骤七：进行局部搜索生成loc
″′
(i)；
[0018]步骤八：比较目标函数并对loc(i)进行更新，即
[0019][0020]此外，令n
ite本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于传教士优化算法的无人机航迹规划方法，其特征在于：所述方法具体过程为：步骤一：初始化参数，主要包括地形图三维笛卡尔坐标(x,y,z)、UAV最小飞行安全距离d
safe
、UAV最大飞行高度H、线性插值步长d、传教士数量p、迭代次数N
iter
、继承人个数in以及精英数量ein；步骤二：根据旋转坐标系生成p个初始航迹作为传教士优化算法的个体，每个初始航迹为航迹点组成的集合，并将第i个个体的航迹点集合记作loc(i)＝{w
n
|1≤n≤N}，其中i＝1,2,...,p，w
n
为UAV航迹点坐标w
n
＝(x
n
,y
n
,z
n
)，N为1个个体的航迹点个数，w
n
为UAV第n个航迹点坐标，x
n
为UAV第n个航迹点的x轴坐标，y
n
为UAV第n个航迹点的y轴坐标，z
n
为UAV第n个航迹点的z轴坐标；迭代索引n
iter
＝1，目标函数最小值f
min
(0)＝+∞；步骤三：利用第i个个体的航迹点集合loc(i)计算在第n
iter
次迭代中所有个体航迹的目标函数数值f(i,n
iter
)及目标函数数值f(i,n
iter
)最小值步骤四：若|f
min
(n
iter
)
‑
f
min
(n
iter
‑
1)|≤τ或n
iter
＞N
iter
停止迭代，执行步骤九；否则进行步骤五；其中τ为迭代停止门限；步骤五：确定高斯分布方差r
x
/3，r
y
/3以及r
z
/3，并向继承人传播知识生成loc
′
(i)；步骤六：经步骤五后POA算法共生成了p
×
(in+1)个个体，包括p个传教士以及p
×
in个继承人；计算p
×
(in+1)个个体中每个个体的目标函数数值，将目标函数数值由小到大排列，取前ein个个体直接成为传教士loc
″
(i)的一部分；然后计算除去精英的p
×
(in+1)
‑
ein个个体的权重weight(i)，将权重由大到小排序，选择前p
‑
ein个个体作为传教士loc
″
(i)的另一部分；生成loc
″
(i)；步骤七：进行局部搜索生成loc
″′
(i)；步骤八：比较目标函数并对loc(i)进行更新，即此外，令n
iter
＝n
iter
+1，重复步骤三至步骤八；步骤九：输出最优航迹loc(j)，2.根据权利要求1所述基于传教士优化算法的无人机航迹规划方法，其特征在于：所述步骤二中根据旋转坐标系生成初始航迹；具体过程为：步骤二一：根据UAV起始点和终点构建旋转坐标系x
′
y
′
z
′
，其中UAV起始点为x
′
y
′
z
′
的坐标原点o
′
，起始点与终点的连线为x
′
轴，x
′
o
′
y
′
平面与笛卡尔坐标系中的xoy平面平行，z
′
轴垂直于x
′
o
′
y
′
平面，同时x
′
y
′
z
′
满足右手系；为航迹点在x
′
o
′
y
′
平面投影与旋转坐标系原点连线和旋转坐标系x
′
轴的夹角，φ为旋转坐标系x
′
轴和笛卡尔坐标系x轴的夹角；步骤二二：通过N
‑
3条与y
′
轴平行且在x
′
o
′
y
′
平面上的直线将x
′
o
′
y
′
平面沿x
′
轴方向
等分为N
‑
2份，其中N为1个个体的航迹点个数；步骤二三：除了起始点和终点外的航迹点坐标依次在这N
‑
2个区域内随机选择且服从均匀分布；对应的其中，z
n
为UAV初始航迹的飞行高度，d
safe
为UAV最小飞行安全距离，H为UAV最大飞行高度，为(x
n
,y
n
)处的地形高度，U(a,b)表示参数为a，b的均匀分布随机变量，则表示UAV初始航迹的飞行高度在之间且服从均匀分布。3.根据权利要求1或2所述基于传教士优化算法的无人机航迹规划方法，其特征在于：所述步骤三中利用第i个个体的航迹点集合loc(i)计算在第n
iter
次迭代中所有个体航迹的目标函数数值f(i,n
iter
)；具体过程为：步骤三一：根据地图大小确定UAV飞行的范围；具体过程为：利用三维笛卡尔坐标(x,y,z)来表示地形图，其中x与y分别表示地形图在水平面上的横纵坐标，z表示(x,y)处的地形高度；若UAV航迹点的总个数为N，N中任意的第n个航迹点坐标w
n
＝(x
n
,y
n
,z
n
)应在地形图范围内，即其中，x
min
、y
min
、z
min
分别对应于地形图x轴、y轴、z轴坐标的最小值，x
max
、y
max
、z
max
分别对应于地形图x轴、y轴、z轴坐标的最大值；步骤三二：通过UAV飞行的航迹点计算路径长度比率，并将路径长度比率设置为航迹长度代价；具体过程为：采用路径长度比率来描述UAV航迹长度代价f
L
，即其中，||
·
||2为向量的二范数；步骤三三：结合地形高度、UAV最小飞行安全距离以及UAV航迹点计算地形代价；步骤三四：结合地形高度，UAV最大飞行高度以及UAV航迹点计算飞行高度代价；步骤三五：将航迹长度代价，地形代价以及飞行高度代价加权得到UAV航迹规划总代价。4.根据权利要求3所述基于传教士优化算法的无人机航迹规划方法，其特征在于：所述步骤三三中结合地形高度、UAV最小飞行安全距离以及UAV航迹点计算地形代价；具体过程为：将相邻航迹点按线性插值间距d分为M
n
份，w
n
‑1与w
n
之间第m个点的坐标w
m,n
通过线性插值获得；
地形代价f
T
表示为且其中，A
m,n
为w
m,n
是否满足最小安全距离限制，A
m,n
＝1表示w
m,n
与地形图坐标之间的垂直距离小于等于最小安全距离d
safe
；A
m,n
＝0则表示w
m,n
与地形图坐标之间的垂直距离大于最小安全距离d
safe
；w
m,n
为w
n
‑1与w
n
之间经过线性插值的第m个点；x
m,n
为w
m,n
的x轴坐标，y
m,n
为w
m,n
的y轴坐标，z
m,n
为w
m,n
的z轴坐标，为(x

【专利技术属性】
技术研发人员：马琳，贾汉博，魏守明，陈舒怡，叶亮，何晨光，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：