【技术实现步骤摘要】
基于多步离散化狼群算法的无人机路径规划方法和系统
[0001]本专利技术涉及一种无人机路径规划方法和系统,尤其涉及一种基于多步离散化狼群算法的无人机路径规划方法和系统,属于无人机路径规划领域
。
技术介绍
[0002]复杂障碍环境下无人机动态路径规划首先需要进行路径规划建模,具体包括无人机模型
、
障碍物模型
、
约束集以及目标函数
。
依据无人机路径规划模型,无人机需有一条从起点到终点的完整飞行路径
。
现有相关研究大多基于静态障碍环境,具体实现方法可分为两大类,传统路径规划方法和生物智能算法
。
然而,在复杂多障碍场景下,传统路径规划算法便会受限于较高的计算复杂度
。
而生物智能算法具有高并行性
、
强鲁棒性以及自组织自学习等特点,在复杂环境下的无人机路径规划问题中得到了广泛的应用
。
相较于传统优化算法,生物智能算法在解决高维复杂
、
多约束的优化问题上具有更佳的稳定性和灵活性
。
[0003]狼群算法具有较好的全局收敛性和计算鲁棒性,适合求解复杂函数优化问题,而多障碍环境下无人机路径规划建模中所涉及到的障碍物模型以及目标函数都是高维复杂函数,因此相比于其他算法,狼群算法在处理复杂环境下的无人机路径规划问题更有优势
。
但传统狼群算法也存在后期收敛速度过慢
、
寻优精度下降
、
易陷入局部最小值等问 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种基于多步离散化狼群算法的无人机路径规划方法,其特征在于,包括如下步骤:
S1
:构建无人机路径规划的目标函数及目标函数的约束条件;所述目标函数综合考虑路径长度代价和障碍物碰撞代价,所述约束条件包括无人机最大飞行距离
、
地形高度
、
无人机与障碍物之间的最小安全距离
、
无人机与障碍物之间的最大安全距离
、
最大航向角
、
最大俯仰角
、
最大飞行速度以及无人机的最大加速度约束;
S2
:采用多步离散化狼群算法,优化求解当前时刻
t
的目标函数,得到目标函数的最优解;所述多步离散化狼群算法通过个体离散化编码
、
随机游走行为
、
基于精英学习机制的召唤行为
、
基于变异操作的围攻行为以及新个体补充策略得到路径规划的最优解;所述基于精英学习机制的召唤行为中猛狼个体将随机选择头狼个体的某一段路径向量进行学习,实现与头狼快速靠近;所述基于变异操作的围攻行为中位置更新采取两种方式:以
Δ
t
的概率按照头狼位置更新,或以1‑
Δ
t
的概率采用适应度值较高的个体突变进行位置更新;所述新个体补充策略采用头狼突变补充新个体,或将适应度值较高的个体突变以补充新个体;
S3
:将步骤
S2
中得到的最优解作为下一时刻
t+1
的路径点,循环迭代直到终点,完成完整的路径规划
。2.
根据权利要求1所述的基于多步离散化狼群算法的无人机路径规划方法,其特征在于,步骤
S1
中所述的目标函数具体表示为:其中,
σ
为二进制标志,由约束条件决定其取1或是0;
C
R
(t)
描述了在
t
时刻无人机的资源消耗代价,具体形式如下所示:
f
L
表示路径长度代价;
f
C
表示障碍物碰撞代价,分别为路径长度代价系数
、
障碍物碰撞代价系数,均为常数,用于表示不同代价所占的比重
。3.
根据权利要求2所述的基于多步离散化狼群算法的无人机路径规划方法,其特征在于,所述的路径长度代价
f
L
表示为:
f
L
=
‖P
UAV
(t+1)
‑
P
UAV
(t)‖2其中
P
UAV
(t+1)
和
P
UAV
(t)
分别表示在
t+1
时刻和
t
时刻的无人机坐标,
||||2表示取其2‑
范数;所述的障碍物碰撞代价
f
C
表示为:其中
P
UAV
(t)
和分别是
t
时刻无人机的坐标和第
j
个障碍物的坐标;
N
o
是障碍物的数量;所述的目标函数
F
的约束条件有:
s.t.L<d
maxmax
V≤V
max
,a
N
≤a
Nmax
(x,y,z)|(0≤x≤x
max
,0≤y≤y
max
,0≤z≤z
max
)
其中
(x,y,z)
为规划空间中的节点坐标,
x
max
、y
max
、z
max
分别表示无人机规划空间中各个维度的最大值,
d
max
表示无人机最大飞行距离,
θ
max
表示最大航向角,表示最大俯仰角,
H
min
表示无人机与障碍物之间的最小安全距离,
H
max
表示无人机与障碍物之间的最大安全距离,
V
max
表示最大飞行速度,
a
Nmax
无人机的最大加速度;如果约束条件全部满足,目标函数表达式中的
σ
即为1,否则判定任务执行有危险的概率,
σ
设置为
0。4.
根据权利要求1所述的基于多步离散化狼群算法的无人机路径规划方法,其特征在于,步骤
S2
中,所述的多步离散化狼群算法包含以下主要步骤:
S21
:个体离散化编码,基于路径点对狼群个体进行离散化编码;
S22
:随机游走行为,基于随机选择策略对探狼的路径变量横
、
纵坐标进行随机赋值,减少游走时间,使其快速完成未知环境探索;
S23
:基于精英学习机制的召唤行为,猛狼直接学习头狼的路径向量,从而实现与头狼快速靠近;
S24
:基于变异操作的围攻行为,以
Δ
t
的概率按照头狼位置更新,或以1‑
Δ
t
的概率采用适应度值较高的个体突变进行位置更新;
S25
:新个体补充策略,采用头狼突变补充新个体,或将适应度值较高的个体突变以补充新个体;
S26
:循环执行步骤
S22
~
S25
,直到算法到达最大迭代次数,选择最优个体成为目标函数的最优解
。5.
根据权利要求4所述的基于多步离散化狼群算法的无人机路径规划方法,其特征在于,步骤
S21
中,所述的个体离散化编码具体为:将飞行路径
L
划分为
n
个离散路径点集合,
L
=
{l1,l2,
…
,l
n
}
技术研发人员:徐淑芳,陈许,毛莺池,王龙宝,张雪洁,李建霓,李琳琳,周子赟,
申请(专利权)人:河海大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。