一种基于概率地图和改进遗传算法的多无人机路径规划方法技术

本发明专利技术涉及多无人机路径规划技术领域，公开了一种基于概率地图和改进遗传算法的多无人机路径规划方法，包括以下步骤：S1：栅格化目标区域并编号；S2：构建概率地图；S3：构建概率折扣回报率模型；S4：构建双目标混合整数规划模型；S5：构建多约束条件保证目标函数可行性；S6：初始化种群信息；S7：对染色体编码和解码；S8：对染色体的交叉算子和变异算子进行自适应优化；S9：计算染色体的适应度函数；S10：输出结果。本发明专利技术可以同时规划多条无人机的路径，实现多无人机的全局优化；在不增加搜索时间的情况下，可以对较大概率目标区域进行优先搜索；避免了传统方式在达到总续航时才终止任务的缺陷。缺陷。缺陷。

【技术实现步骤摘要】
一种基于概率地图和改进遗传算法的多无人机路径规划方法


[0001]本专利技术涉及多无人机路径规划
，具体是一种基于概率地图和改进遗传算法的多无人机路径规划方法。

技术介绍

[0002]无人机在军事侦查、灾难搜救现场、地质勘探等领域都具有广泛的应用。采用无人机对未知区域进行目标搜索是目前无人机发展的主要方向之一；而多架无人机组成无人机集群可以协同完成任务，是未来无人机的发展方向；组成无人机集群的多架无人机通过机间链路互相通信实现协作，可以迅速准确地执行路径规划、协同侦察、协同感知等复杂任务。针对当前多无人机的路径规划问题，现在主要在全局最短路径上对单架无人机或者智能体进行路径规划，在有障碍物且障碍物已知的情况下，通过遗传算法迭代和删除算子等操作优化求出一个相对最优解；但是对于多无人机时，仅仅考虑总路径最短而不考虑各个无人机各自完成任务的时间，会导致一些极端的情况，例如：两个无人机时，在全局总路径最短的情况下，其中一个耗时10分钟，另外一个耗时100分钟；虽说达到了全局总路径之和最短，但完成任务的时间会比较长，在大多数场景或者实际应用中，我们需要考虑的是完成任务的总耗时，即耗时最长的无人机所用时间。
[0003]针对以上问题，一些专家学者在多目标配送问题和多机器人分拣中给出了一些方法；比如说在同城多车辆配送问题上，一些专家学者采用带时间窗的方法来解决多车辆的分配问题，将货物分为普通件和急件来构建配送路线，但是时间窗的方式所采用时间范围不够精准，无法在一些场景精确表示各个物品的优先级问题；在多机器人分拣问题中，一些专家基于货箱机器人的拣选方式及特点，将其转化为非对称车辆路径问题，以机器人总拣选路径最短和完成时间最少为双目标建立混合整数规划模型，此方法在染色体编码时主要是针对机器人承载货箱的数量约束与需求点的需求量信息，将序列可行化，但此方式无法很好的平衡各架机器人完成任务耗时的差距问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于概率地图和改进遗传算法的多无人机路径规划方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种基于概率地图和改进遗传算法的多无人机路径规划方法，包括以下步骤：
[0007]S1：获取待搜索区域的经纬度信息，根据每个栅格大小来栅格化目标区域，栅格化完成后，给每个栅格编号并计算各个栅格中心的经纬度坐标；
[0008]S2：判断目标区域是否有先验知识，如果有，根据已知的先验知识对各个目标物经纬度坐标所在的栅格区域进行赋值，并标记各个目标物的优先级，构建概率地图，如果没有，则概率地图的目标区域均初始化为0；
[0009]S3：根据无人机的航迹以及出现在该航迹上的概率，将各个栅格区域内无人机的
航迹搜索概率进行加权计算，作为该无人机搜索完该区域后的奖励值，并按照先后顺序求解概率的平均折扣回报，构建概率折扣回报率模型，以保证相对概率大的目标区域具有更高的搜索优先级；
[0010]S4：根据无人机的完成时间最少和相对概率最大，通过混合概率地图和遗传算法构建双目标混合整数规划模型；
[0011]S5：对无人机构建多个约束条件，以保证算法的可行性和收敛性，例如：每架无人机仅访问一个目标区域，每个目标区域仅被一个无人机搜寻一次，以及每架无人机路径不能超过续航；
[0012]S6：初始化种群信息，包括改进无人机自适应搜索距离，改进自适应函数、遗传算子、交叉算子信息，并多次收敛使得完成任务时间最短；既保证了初始化种群的速度和多样性，同时也减少不可用航迹和较差解的概率；
[0013]S7：采用单染色体编码的方式，对多无人机染色体编码和解码；
[0014]S8：对染色体的交叉算子和变异算子进行自适应优化，并随着算法的迭代交叉概率和变异概率逐步减小，既保证了初始染色体的多样化，又保证了在后期较优染色体不被破坏；
[0015]S9：根据目标函数计算染色体的适应度函数，适应度函数为耗时最长无人机路径的长度和折扣概率的加权平均数；
[0016]S10：根据精英保留策略和轮盘赌选择合适的个体，判断是否达到设定的优化目标或迭代次数，若是，则终止算法并输出结果；否则的话继续执行S7步骤。
[0017]作为本专利技术再进一步的方案：在所述S1步骤中，栅格的大小受无人机相机的参数和无人机飞行高度的影响，通过调整无人机的高度来决定各个栅格的大小，栅格的中心点的位置代表栅格的经纬度坐标，一个栅格的大小为一架无人机的单次搜索范围。
[0018]作为本专利技术再进一步的方案：在所述S3步骤中，无人机的航迹搜索概率的计算方法如下：
[0019]假设总共K架无人机，第n架无人机S
n
的航迹为L2，L5，L7，L3，其中，n＜K；其对应的概率分别是P2，P5，P7，P3；折扣率为λ；则该无人机的航迹搜索概率为P
n
＝P2*λ0+P5*λ+P7*λ2+P3*λ3。
[0020]作为本专利技术再进一步的方案：在所述S4步骤中，完成时间最短是指耗时最长的无人机所用时间最少，相对概率最大是指在S3步骤中按照先后顺序求解概率的平均折扣回报。
[0021]作为本专利技术再进一步的方案：在所述S6步骤中，初始化种群信息的方法如下：
[0022]S61、确定种群M的大小，先随机初始化种群；
[0023]S62、计算无人机分配的目标区域，计算公式如下：g＝N/K取整，h＝N/K取余。
[0024]S63、若h为0时，每架无人机分配g个目标区域；h不为0时，对前h个无人机分配g+1的目标区域，其他无人机各分配g个目标区域。
[0025]作为本专利技术再进一步的方案：在所述S7步骤中，多无人机染色体编码和解码方法如下：
[0026]S71、设定染色体编码的长度为N+K
‑
1，其中，K为无人机数量，N为待搜索目标区域数量；
[0027]S72、用染色体编码的后K
‑
1位表示各架无人机的起始点和终止点位置；
[0028]S73、在开始时采用平均分配的方式，之后的每一次迭代都以上一代数据为依据，除了最后一架无人机外，其它无人机终止条件为该无人机路径刚好小于上一代无人机中航迹最长的路径。
[0029]作为本专利技术再进一步的方案：在所述S8步骤中，交叉算子采用两点交叉方式，交叉的概率pc为0.9，其操作步骤如下：
[0030]S81、设定染色体基因由数字S1
‑
S9组成，并忽略标志位，随机选取两个交叉点2和5，交叉基因如下所示：
[0031]X＝(S4，S8，S7，S3，S5，S9，S6，S2，S1)
[0032]Y＝(S8，S5，S1，S4，S9，S6，S2，S7，S3)
[0033]S82、选取交叉点后，X交叉基因为S8S7S3S5，Y的交叉基因为S5S1S4S9；在X中删除出现在染色体Y交叉点间的基因，记为X
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于概率地图和改进遗传算法的多无人机路径规划方法，其特征在于，包括以下步骤：S1：获取待搜索区域的经纬度信息，根据每个栅格大小来栅格化目标区域，栅格化完成后，给每个栅格编号并计算各个栅格中心的经纬度坐标；S2：判断目标区域是否有先验知识，如果有，根据已知的先验知识对各个目标物经纬度坐标所在的栅格区域进行赋值，并标记各个目标物的优先级，构建概率地图，如果没有，则概率地图的目标区域均初始化为0；S3：根据无人机的航迹以及出现在该航迹上的概率，将各个栅格区域内无人机的航迹搜索概率进行加权计算，作为该无人机搜索完该区域后的奖励值，并按照先后顺序求解概率的平均折扣回报，构建概率折扣回报率模型，以保证相对概率大的目标区域具有更高的搜索优先级；S4：根据无人机的完成时间最少和相对概率最大，通过混合概率地图和遗传算法构建双目标混合整数规划模型；S5：对无人机构建多个约束条件，以保证算法的可行性和收敛性，例如：每架无人机仅访问一个目标区域，每个目标区域仅被一个无人机搜寻一次，以及每架无人机路径不能超过续航；S6：初始化种群信息，包括改进无人机自适应搜索距离，改进自适应函数、遗传算子、交叉算子信息，并多次收敛使得完成任务时间最短；既保证了初始化种群的速度和多样性，同时也减少不可用航迹和较差解的概率；S7：采用单染色体编码的方式，对多无人机染色体编码和解码；S8：对染色体的交叉算子和变异算子进行自适应优化，并随着算法的迭代交叉概率和变异概率逐步减小，既保证了初始染色体的多样化，又保证了在后期较优染色体不被破坏；S9：根据目标函数计算染色体的适应度函数，适应度函数为耗时最长无人机路径的长度和折扣概率的加权平均数；S10：根据精英保留策略和轮盘赌选择合适的个体，判断是否达到设定的优化目标或迭代次数，若是，则终止算法并输出结果；否则的话继续执行S7步骤。2.根据权利要求1所述的一种基于概率地图和改进遗传算法的多无人机路径规划方法，其特征在于，在所述S1步骤中，栅格的大小受无人机相机的参数和无人机飞行高度的影响，通过调整无人机的高度来决定各个栅格的大小，栅格的中心点的位置代表栅格的经纬度坐标，一个栅格的大小为一架无人机的单次搜索范围。3.根据权利要求1所述的一种基于概率地图和改进遗传算法的多无人机路径规划方法，其特征在于，在所述S3步骤中，无人机的航迹搜索概率的计算方法如下：假设总共K架无人机，第n架无人机S
n
的航迹为L2，L5，L7，L3，其中，n<K；其对应的概率分别是P2，P5，P7，P3；折扣率为λ；则该无人机的航迹搜索概率为P
n
＝P2*λ0+P5*λ+P7*λ2+P3*λ3。4.根据权利要求1所述的一种基于概率地图和改进遗传算法的多无人机路径规划方法，其特征在于，在所述S4步骤中，完成时间最短是指耗时最长的无人机所用时间最少，相对概率最大是指在S3步骤中按照先后顺序求解概率的平均折扣回报。5.根据权利要求1所述的一种基于概率地图和改进遗传算法的多无人机路径规划方法，其特征在于，在所述S6步骤中，初始化种群信息的方法如下：
S61、确定种群M的大小，先随机初始化种群；S62、计算无人机分配的目标区域，计算公式如下：g＝N/K取整，h＝N/K取余。S...

【专利技术属性】
技术研发人员：李刚，智宏鑫，蔡泽浩，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：