一种基于混合QBSO-CTLBO算法的无人机航迹规划方法技术

本发明专利技术涉及无人机航迹规划技术领域，公开了一种基于混合QBSO‑CTLBO算法的无人机航迹规划方法。本发明专利技术包括种群个体初始化并评估、种群个体迭代更新两个关键步骤；其中，种群个体初始化指随机初始化每个个体的每个航迹点的坐标；种群个体迭代更新是指种群中每个个体按照某种进化机制进行更新，以在搜索空间内进行广域探索和局部开发。本申请技术所提供的航迹规划方法能够更快速地搜索出更加精确的航迹，在全局搜索能力、收敛精度和稳定性等方面优于传统方法。该方法适用于多威胁区和禁飞区等复杂环境下的三维航迹规划，在机器人导航及自动驾驶等诸多领域具有广泛的应用前景。

【技术实现步骤摘要】

本专利技术涉及无人机航迹规划，尤其涉及一种基于混合qbso-ct lbo算法的无人机航迹规划方法。

技术介绍

1、目前，无人飞行器(unmanned aerial vehicle,uav)被越来越广泛地运用于军事、娱乐、农业、救援、航空航天以及电力巡检等领域。作为uav自主导航系统的核心，航迹规划是当前的研究热点。其目的是在给定的条件下，为uav设计出从起始点到目标点的最优或满意的飞行航迹。

2、目前，uav路径规划算法主要分为传统的确定性路径规划化算法和随机性路径规划算法两类。uav航迹规划在本质上是一个复杂带约束的非确定性多项式难(non-deterministic polynomial-hard，np-hard)题。与传统的确定性算法相比，粒子群、蚁群和头脑风暴优化(brain storm optimization，bso)算法等随机性算法更适合于求解复杂的np-hard优化问题。

3、尽管粒子群、蚁群和bso等随机性算法具有收敛速度快、计算复杂度低等缺点，但该类算法仍存在容易陷入局部极值等问题。作为一种较新的随机性算法，bs本文档来自技高网...

【技术保护点】

1.一种基于混合QBSO-CTLBO算法的无人机航迹规划方法，其特征在于，包含以下步骤：

2.根据权利要求1所述的一种基于混合QBSO-CTLBO算法的无人机航迹规划方法，其特征在于，所述步骤1.1中的具体步骤如下：

3.根据权利要求2所述的一种基于混合QBSO-CTLBO算法的无人机航迹规划方法，其特征在于：所述步骤1.2中，对规划环境进行建模，得到航迹规划环境模型包括以下步骤：设置禁飞区、威胁区以及相关参数，其中，相关参数包括规划区域宽度、地形高度、最小和最大离地高度、最大拐弯角度、最大爬升/下滑角度等。

4.根据权利要求3所述的一种基于混合QBS...

【技术特征摘要】

1.一种基于混合qbso-ctlbo算法的无人机航迹规划方法，其特征在于，包含以下步骤：

2.根据权利要求1所述的一种基于混合qbso-ctlbo算法的无人机航迹规划方法，其特征在于，所述步骤1.1中的具体步骤如下：

3.根据权利要求2所述的一种基于混合qbso-ctlbo算法的无人机航迹规划方法，其特征在于：所述步骤1.2中，对规划环境进行建模，得到航迹规划环境模型包括以下步骤：设置禁飞区、威胁区以及相关参数，其中，相关参数包括规划区域宽度、地形高度、最小和最大离地高度、最大拐弯角度、最大爬升/下滑角度等...

【专利技术属性】
技术研发人员：孙希霞，汤灿，解相朋，潘甦，田佳成，徐子豪，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：