CN105718997A - 基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法 - Google Patents
基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法 Download PDFInfo
- Publication number
- CN105718997A CN105718997A CN201610028742.4A CN201610028742A CN105718997A CN 105718997 A CN105718997 A CN 105718997A CN 201610028742 A CN201610028742 A CN 201610028742A CN 105718997 A CN105718997 A CN 105718997A
- Authority
- CN
- China
- Prior art keywords
- conflict resolution
- aircraft
- path
- ant
- potential field
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 43
- 239000003016 pheromone Substances 0.000 claims abstract description 66
- 241000257303 Hymenoptera Species 0.000 claims abstract description 54
- 230000002431 foraging effect Effects 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 230000035772 mutation Effects 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 4
- 230000001934 delay Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000001681 protective effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,包括如下步骤:S1,将飞机和目的地进行电荷转换,利用人工势场法得到初始路径;S2,将人工势场法得到的初始路径进行调整,对调整后的路径进行编码,得到权威蚂蚁的觅食路径;S3,由权威蚂蚁衍生权威蚁群,并利用权威蚁群初始化信息素矩阵;S4,根据初始化的信息素矩阵,利用蚁群算法迭代寻优,获得最终的冲突解脱方案。该方法避免了人工势场法完全追求时效性,造成解脱方案角度偏转的不可行问题;同时又解决了蚁群算法模拟生物自组织过程计算量大、难以实时应用于冲突解脱场景的时效性问题,有效地满足了现实场景中对时效性和可行性的要求。
Description
技术领域
本发明涉及一种多飞行器冲突解脱方法,尤其涉及一种基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法。
背景技术
在传统的空管体制中,对于空中交通的规划、监控、指挥全部由地面的各管理部门承担,但随着我国航空业的快速发展,航空业务量与日俱增,飞行流量大大增加,空域中飞行器的密度增大,传统空管体制低下的管理效率与管理需求之间的矛盾越来越突出,因此,需要打破传统的效率低下的航行管理规则,即采用自由飞行模式,使得飞行器可以自由地选择飞行路径。要顺利实现自由飞行关键就是要确保飞行器之间始终有安全的间隔距离以避免相撞的危险。由于自由飞行允许自由选择航路,飞行器之间发生冲突的可能性将大大增加,如何为飞行员提供实时的辅助决策来解决自由飞行中的冲突问题显得尤为重要。
飞行器的冲突解脱是保证飞行器飞行安全的重要手段,现有的飞行器冲突解脱方法采用局部调整飞行路径、即时速度或飞行高度层来实现,虽然可以消除当前的冲突,但是,局部调整可能会带来与其他飞行器的新的冲突。
为了解决上述问题,在专利号为ZL201210368083.0的中国发明专利中提出了一种飞行冲突解脱方法及装置,包括:根据获取的n架飞机的飞行计划信息,确定存在飞行冲突,各飞行计划信息包括每一架飞机对应航路的各航路点位置、飞行速度、起飞时间;根据预设的最大起飞延迟时间,对n架飞机中的每一架飞机随机生成m个起飞延迟时间,生成m×n阶初始化变量种群,初始化变量种群为父种群;应用改进的遗传算法对父种群进行X次遗传迭代优化,生成父种群的第X子代种群,X表示预设的遗传迭代次数;在第X子代种群中,确定整体适应度最高的染色体,根据整体适应度最高的染色体,获得所述n架飞机各自对应的最优化的起飞延迟时间;在一定程度上解决了现有的飞行器冲突解脱方法不能提供全局解脱方法的问题。
发明内容
针对现有技术的不足,本发明所要解决的技术问题在于提供一种基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法。
为实现上述发明目的,本发明采用下述的技术方案:
一种基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,包括如下步骤:
S1,将飞机和目的地进行电荷转换,利用人工势场法得到初始路径;
S2,将人工势场法得到的初始路径进行调整,对调整后的路径进行编码,得到权威蚂蚁的觅食路径;
S3,由权威蚂蚁衍生权威蚁群,并利用权威蚁群初始化信息素矩阵;
S4,根据初始化的信息素矩阵,利用蚁群算法迭代寻优,获得最终的冲突解脱方案。
其中较优地,在步骤S1中,利用人工势场法得到初始路径,包括如下步骤:
S11,在目的地设置引力场;其中,势场函数为:飞机与目的地之间产生的引力为:
S12,当飞机相遇时,飞机产生斥力场为:
其中,表示飞机i和飞机j的距离;rj是飞机j的保护半径,σrj是斥力场的作用区域;
两架飞机之间产生的斥力为:
S13,设置遇到冲突时使飞机向同一方向转弯的涡旋场:
其中,所述涡旋场产生的涡旋力与所述斥力场产生的斥力相切;
S14,将步骤S11~S13中的三个力场叠加,得到多机情况下动态的路径规划方程:其中j=1,…,m,i≠j;kri为斥力系数;kvi为涡旋系数。
其中较优地,在步骤S2中,将人工势场法得到的初始路径进行调整,包括如下步骤:
将所述初始路径划分为K步,在每一步中,飞机保持一定的速度和航向;
在进入每一步之前,判断飞机沿着之前的航向飞行与人工势场法要求的航向的偏差是否在容许误差内;
如果在容许误差内,则飞机沿原航向飞行;否则,按照人工势场法要求的航向对飞机航向进行调整。
其中较优地,在步骤S2中,对调整后的路径进行编码,得到权威蚂蚁的觅食路径,包括如下步骤:
将N架飞机在冲突解脱过程中的路径均分为K步进行调整;
将每步的调整方式用1代表右转度数阈值,-1代表左转度数阈值,0代表保持原航向进行编码;
将每一种冲突解脱方案对应的路径编码为一个N*K维的向量xi∈{-110},每k个分量对应一条初始路径;实现将初始路径转化为权威蚂蚁的觅食路径。
其中较优地,在步骤S3中,由权威蚂蚁衍生权威蚁群,包括如下步骤:
S311,从权威蚂蚁的觅食路径包含的N*K个分量中随机选取若干分量,令所述若干分量中的每个分量等概地向另外两种可取值变异;
S312,对变异后产生的新个体进行安全性检验;如果满足安全性要求,则成功衍生另一只权威蚂蚁;
S313,重复步骤S311~S312,得到多只权威蚂蚁,并将获得的权威蚂蚁构成权威蚁群。
其中较优地,在步骤S312中,对变异后产生的新个体进行安全性检验,包括如下步骤:
S3121,将变异后的觅食路径进行解码,得到飞机在冲突解脱过程中的路径;
S3122,判断飞机按照所述路径进行航行,与其他飞机之间的距离是否满足约束条件;
S3123,如果满足约束条件,则变异后产生的新个体满足安全性要求,成功衍生另一只权威蚂蚁;否则,变异后产生的新个体未满足安全性要求。
其中较优地,在步骤S3122中,所述约束条件为:|A′i-B′i|>σ;i=1,2,…,k;其中,|A′i-B′i|表示第i步A、B两架飞机的直线距离。
其中较优地,在步骤S3中,利用权威蚁群初始化信息素矩阵,包括如下步骤:
S321,对权威蚁群中每只权威蚂蚁进行解码,得到飞机在冲突解脱过程中的路径,并获得飞机冲突解脱过程中到达的目的地;
S322,根据飞机冲突解脱过程中到达的目的地和预设的飞行目的地计算飞机的延误;其中,飞机的延误Si=|A′k-Ak|;Ak为无延误时预设的飞行目的地,Ak′为飞机冲突解脱过程中到达的目的地。
S323,冲突解脱方案的延误S为所有飞机的延误的和,即根据所述冲突解脱方案的延误对觅食路径上每一节点的信息素进行更新;
S324,重复步骤S321~S323,直至权威蚁群中没有未被处理的权威蚂蚁,完成初始化信息素矩阵。
其中较优地,在步骤S323中,根据飞机的延误对觅食路径上每一节点的信息素进行更新,采用的更新方程为:τij(t+1)=(1-ρ)τij(t)+Q/S;
其中,ρ为挥发系数;S为冲突解脱方案的延误;Q为增益系数。
其中较优地,在步骤S4中,利用蚁群算法迭代寻优,获得最终的冲突解脱方案,包括如下步骤:
S41,根据初始化的信息素矩阵,蚂蚁以转移概率Pij选择节点;蚂蚁选择每一节点的概率和所述节点信息素的强度成正比,即:τij表示第j列第i个节点的信息素;
S42,判断蚂蚁是否成功觅食,当蚂蚁成功觅食后,对蚂蚁经过的节点的信息素采用更新方程进行更新;
S43,重复步骤S41~S42,直到得到的觅食路径的解收敛,选取信息素最多的觅食路线进行解码,获得最终的冲突解脱方案。
本发明所提供的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,通过人工势场法得到初始路径,将初始路径进行调整、编码,得到“权威蚂蚁”的觅食路径;由“权威蚂蚁”衍生“权威蚁群”,并利用“权威蚁群”初始化信息素矩阵;根据初始化的信息素矩阵,利用蚁群算法迭代寻优,获得最终的冲突解脱方案。本方法避免了人工势场法完全追求时效性,造成解脱方案角度偏转的不可行问题;同时又解决了蚁群算法模拟生物自组织过程计算量大、难以实时应用于冲突解脱场景的时效性问题,有效地满足了现实场景中对时效性和可行性的要求。
附图说明
图1为本发明所提供的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法的流程图;
图2为本发明所提供的多飞行器冲突解脱方法中,利用人工势场法得到初始路径的流程图;
图3为本发明所提供的多飞行器冲突解脱方法中,涡旋力与引力和斥力位置关系的结构示意图;
图4为本发明所提供的多飞行器冲突解脱方法中,对初始路径进行调整前后对比的示意图;
图5为本发明所提供的多飞行器冲突解脱方法中,离散化的冲突解脱航迹的示意图;
图6为本发明所提供的多飞行器冲突解脱方法中,对初始路径进行编码的结构图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
如图1所示,本发明所提供的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,包括如下步骤:首先,将飞机和目的地进行转换,利用人工势场法得到初始路径;其次,将人工势场得到的初始路径进行调整、编码,得到“权威蚂蚁”的觅食路径;然后,由“权威蚂蚁”衍生“权威蚁群”,并利用“权威蚁群”初始化信息素矩阵;最后,根据初始化的信息素矩阵,利用蚁群算法,求得含有飞行规划约束的最终的冲突解脱方案。下面对这一过程做详细具体的说明。
S1,将飞机和目的地转换成带异种电的电荷,并为其构造正负电荷的电场,利用人工势场法得到初始路径。
将冲突解脱问题进行巧妙的转换,将飞机和目的地转换成带异种电的电荷,这样,异种电荷互相吸引的作用保证了每架飞机会飞往目的地,而同种电荷互相排斥的作用则保证了不会发生飞行冲突。在本发明所提供的实施例中,将目的地看作正电荷,所有飞机看作负电荷。通过合理构造正负电荷的电场,将其化为物理学问题,通过对各飞机进行受力分析,确定飞机的运动轨迹,即得到初始路径。
具体来说,假设有N架飞机,第i架飞机的位置为如图2所示,利用人工势场法得到初始路径,具体包括如下步骤:
S11,为了确保飞机能飞往目的地,在目的地设置引力场;其中,势场函数为:目标点(飞机与目的地之间)产生的引力为:
S12,当飞机相遇时,飞机产生斥力场:Ur(xi,xj);
其中,表示飞机i和飞机j的距离。rj是飞机j的保护半径,σrj是斥力场的作用区域。
为了避免飞机i和飞机j碰撞,飞机j会激发斥力场Ur(xi,xj);
其中,表示飞机i和飞机j的距离。rj是飞机j的保护半径,σrj是斥力场的作用区域。
当飞机i进入飞机j的斥力场时,就会受到飞机j对其斥力作用的影响,以保证飞机i和飞机j不发生碰撞。其中,斥力为:
S13,为了保证遇到冲突时飞机都能向同一方向转弯,引入与斥力场相切的涡旋场:
其中,涡旋力与引力和斥力的位置关系如图3所示。
S14,将步骤S11~S13中的三个力场叠加,得到多机情况下动态的路径规划方程为:其中j=1,…,m,i≠j;kri为斥力系数;kvi为涡旋系数。
斥力和涡旋力在[0,1]间取值,其大小可控制解脱路径的弧度。将引力归一化是为了使其和斥力、涡旋力的量级一致,这样它的大小就和飞机到目的地的距离无关,仅指示去往目的地的方向。斥力系数kri、涡旋系数kvi用来控制斥力、涡旋力影响速度的权重。
S15,根据路径规划方程得到飞机的速度:将进行K步迭代,得到飞机的冲突解脱轨迹(脱轨轨迹);其中,kdi为飞机的速度,K为飞机的解脱步数。
将归一化就得到了速度的方向,如果速度的大小设为kdi,那么飞机的速度就由下式决定:
S16,重复步骤S11~S15,得到多飞机的解脱轨迹。
S2,将人工势场法得到的初始路径进行调整,对调整后的路径进行编码,得到“权威蚂蚁”的觅食路径。
人工势场法每步的航向由目的地的引力和其他飞机的斥力共同决定,这就使得其航向偏转在实数范围内取值;在本发明所提供的实施例中,考虑到民用飞机在巡航阶段正常飞行,一般没有大角度转弯或转向飞行。假设:飞机在冲突解脱过程中只能选择3个飞行方向,即保持原有航向,左转30度,右转30度。这种假设除了简化搜索空间,还可以减少飞行员的反应时间,使其更好地执行冲突解脱方案。那么,航向偏转只能取0,±30度这三个离散的值。为了使人工势场法的结果能顺利编码,有必要将人工势场法得到的规划结果(初始路径)做适当的近似。
为了在保证精度的情况下尽快获得计算结果,在本发明中,设定仿真步长为10km,即每10km更新一次航路点,这样,就可以将任意一架进入扇区的飞机的冲突解脱过程离散化为K步,如图4所示。在每一步中,飞机保持一定的速度和航向,在进入每一步之前飞机的航向能做出调整。事实上,只要确定了每架飞机在冲突解脱过程中每步的航向,冲突解脱方案就唯一确定。在本发明所提供的实施例中,近似航迹中每一步的航向按如下规则确定:如果飞机沿着之前的航向飞行与人工势场法要求的航向的偏差在容许误差内,则沿原航向飞行,反之,做相应的调整。在本发明所提供的实施例中,容许误差根据需要初步设定15度。人工势场法要求的航向为根据航行需要向左或向右调整30度。据此规则,如图4所示,对人工势场法得到的“X”线表示的航迹的初始路径做出调整,得到图中“o”线表示的近似航迹。
调整后的航迹(路径)就可以依照上述假设进行编码,如图5所示,假设蚂蚁要穿越一个3*NK的迷宫,从第一列运动到最后一列觅食,每一列有三个节点供蚂蚁选择。这样,蚂蚁的每一条觅食路径就对应一个冲突解脱方案。其中,对调整后的路径进行编码,得到“权威蚂蚁”的觅食路径,具体包括如下步骤:
首先,将N架飞机在冲突解脱过程中的路径分为K步进行调整;
然后,将每步的调整方式用1代表右转度数阈值,-1代表左转度数阈值,0代表保持原航向进行编码;在本发明所提供的实施例中,度数阈值根据实际要求取30度。
最后,将每一种冲突解脱方案对应的路径编码为一个N*K维的向量xi∈{-110}(每k个分量对应一架飞机的解脱轨迹)。至此,实现将初始路径转化为“权威蚂蚁”的觅食路径。
S3,由“权威蚂蚁”衍生“权威蚁群”,并利用“权威蚁群”初始化信息素矩阵。
我们无法证明上述“权威蚂蚁”的觅食路径是最优的,而且,随着容许偏差的改变(例如,由15度改为20度),调整后的航迹(路径)也会有明显差异。为了避免单次近似所带来的偶然误差,尽可能的全面地表征人工势场法得到的解脱轨迹,借鉴遗传算法基因变异的相关理论,由这只“权威蚂蚁”衍生“权威蚁群”。
遗传算法中,有一步较为重要的变异运算。它是指依据变异概率Pm将个体编码串中的某些基因值用其它基因值来替换,从而形成一个新的个体。这种变异运算是产生新个体的辅助方法,它决定了遗传算法的局部搜索能力,同时保持种群的多样性。
受其启发,在步骤S2中得到一只“权威蚂蚁”的觅食路径xi∈{-110},的N*K个分量亦可看作该路径的基因。对其进行变异操作,由“权威蚂蚁”衍生“权威蚁群”,具体包括如下步骤:
S311,从“权威蚂蚁”的觅食路径包含的N*K个分量中随机选取若干分量,对每个分量,令其等概地向另外两种可取值变异。例如:当编码过程中该分量取值为0时,以等概率向1和-1两种取值变异。
S312,对变异后产生的新个体进行安全性检验;如果满足安全性要求(即没有飞行冲突),则成功衍生了另一只“权威蚂蚁”。
其中,对变异后产生的新个体进行安全性检验,包括如下步骤:
S3121,将变异后的(觅食路径)进行解码,得到飞机在冲突解脱过程中的路径;
S3122,判断飞机按照得到的路径进行航行,与其他飞机之间的距离是否满足约束条件;
S3123,如果满足约束条件,则变异后产生的新个体满足安全性要求(即没有飞行冲突),成功衍生了另一只“权威蚂蚁”;否则,变异后产生的新个体未满足安全性要求。
空中交通管理系统规定,为了保障飞行安全,任意时刻、任意两架飞机间的距离大于最小安全间距σ。在本发明所提供的实施例中,根据航行需要,安全距离设置为20km。对于离散化的冲突解脱过程,需要满足的约束条件为:|A′i-B′i|>σ;i=1,2,…,k;其中,|A′i-B′i|表示第i步A、B两架飞机的直线距离。
S313,重复步骤S311~S312,得到多只“权威蚂蚁”,并将获得的“权威蚂蚁”构成“权威蚁群”。
由“权威蚂蚁”衍生“权威蚁群”之后,利用“权威蚁群”初始化信息素矩阵,具体包括如下步骤:
S321,对“权威蚁群”中每只“权威蚂蚁”进行解码,得到飞机在冲突解脱过程中的路径,并获得飞机冲突解脱过程中到达的目的地。
S322,根据飞机冲突解脱过程中到达的目的地和预设的飞行目的地计算飞机的延误。其中,飞机的延误Si=|A′k-Ak|;Ak为无延误时预设的飞行目的地,Ak′为飞机冲突解脱过程中到达的目的地。
当觅食路径所对应的冲突解脱方案的航迹满足上述安全性的要求时,就认为该蚂蚁找到了食物,从而会在该觅食路径上分泌一定量的信息素来引导后续蚂蚁,否则,则认为该觅食路径为无效路径,蚂蚁不会分泌信息素。
满足安全性的条件下,为了评价不同的解脱方案,定义飞机的延误Si。假定每架飞机冲突解脱过程中飞行的距离和预设的飞行距离保持不变。具体来说,假定按照飞行计划,A飞机由A0飞往Ak是200km的飞行距离,那么冲突解脱方案也只规划200km的飞行轨迹。为了规避冲突,A必须在飞行过程中进行航向的调整,这样飞行200km后,A就不能到达Ak,而是落在了与其相近的Ak′。我们将二者的距离定义为飞机在该种冲突解脱方案下的延误:Si=|A′k-Ak|。为了顺利达到目的地,飞机要补偿飞行Si,显然,为了规避冲突而带来的额外运营成本、航班延误都和Si正相关,故而可以选择它作为评价冲突解脱方案的指标。
在本发明所提供的实施例中,定义解脱方案的延误S为所有飞机的延误的和,即S越小说明冲突解脱方案越优秀,映射到蚁群算法中,我们可以认为该冲突解脱方案所对应的觅食路径找到了更多的食物,从而会在该路径上分泌更多的信息素。
S323,冲突解脱方案的延误S为所有飞机的延误的和,即根据冲突解脱方案的延误对觅食路径上每一节点的信息素进行更新。
每一只“权威蚂蚁”会根据解码后对应解脱方案的延误,在其路径上适当分泌信息素,而使路径上每一节点的信息素得到更新。
更新方程为:τij(t+1)=(1-ρ)τij(t)+Q/S。其中,ρ为挥发系数,取值介于0到1,表征上一代蚂蚁留下的信息素的挥发速度。S为冲突解脱方案的延误。S越小,解脱方案越优秀,故而要求蚂蚁分泌的信息素越多,二者存在负相关的关系。在本发明中,取反比来近似表示。Q为增益系数,将蚂蚁每次迭代分泌的信息素调整到合适的量级。
S324,重复步骤S321~S323,直至“权威蚁群”中没有未被处理的“权威蚂蚁”,完成初始化信息素矩阵。
将“权威蚁群”中的所有蚂蚁按上述方程更新它们经过的节点的信息素,就完成了初始化信息素矩阵的工作。
S4,根据初始化的信息素矩阵,利用蚁群算法迭代寻优,获得最终的冲突解脱方案。
利用蚁群算法解决冲突解脱问题,有两个难点:一是如何将冲突解脱方案映射为蚂蚁的觅食路径,即编码问题;上述已经介绍,在此便不再赘述了。二是定义怎样的路径为找到食物,即优化目标问题。鉴于此,下面详细阐述利用蚁群算法求解冲突解脱问题的过程。
经过“权威蚁群”初始化信息素后,第一代蚂蚁选择每一节点的概率和该节点信息素的强度成正比。由于“权威蚁群”根据人工势场法得到的解脱方案调整而来,利用其初始化信息素后能引导大量蚂蚁找到不发生冲突的安全路径,这样就避免了基本蚁群算法在初期没有信息素的指引,完全随机探测,得到大量无效路径的问题。根据初始化的信息素矩阵,利用蚁群算法模拟蚂蚁自组织过程,程式化地迭代寻优,获得最终的冲突解脱方案,具体包括如下步骤:
S41,根据初始化的信息素矩阵,蚂蚁以转移概率Pij选择节点;蚂蚁选择每一节点的概率和该节点信息素的强度成正比,即:τi j表示第j列第i个节点的信息素。
S42,判断蚂蚁是否成功觅食,当蚂蚁成功觅食后,对蚂蚁经过的节点的信息素采用更新方程进行更新。
当有成功觅食的蚂蚁经过该节点时,蚂蚁就会根据觅食路径解码后对应的冲突解脱方案的延误适当分泌信息素,而使该节点的信息素得到更新。
更新方程为:τij(t+1)=(1-ρ)τij(t)+Q/S。其中,ρ为挥发系数,取值介于0到1,表征上一代蚂蚁留下的信息素的挥发速度。S为冲突解脱方案的延误。S越小,解脱方案越优秀,故而要求蚂蚁分泌的信息素越多,二者存在负相关的关系。Q为增益系数,将蚂蚁每次迭代分泌的信息素调整到合适的量级。
S43,重复步骤S41~S42,直到得到的觅食路径的解收敛,选取信息素最多的觅食路线进行解码,获得最终的冲突解脱方案。
如前文所述,处于无效路径的蚂蚁不会分泌信息素,只有确保飞行安全的前提下,蚂蚁才会根据延误量在各自路径上适当分泌信息素,以此来引导后续蚂蚁,进而形成信息素的正反馈来加快解的收敛。直到得到的觅食路径的解收敛,选取信息素最多的觅食路线进行解码,获得最终的冲突解脱方案。利用“权威蚁群”初始化信息素保证了蚁群初期就能迅速搜索到安全路径,让其快速进入“正反馈”过程,这无疑会极大加快蚂蚁算法的收敛速度。
综上所述,本发明所提供的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,通过人工势场法得到初始路径;将人工势场得到的初始路径进行调整、编码,得到“权威蚂蚁”的觅食路径;然后,由“权威蚂蚁”衍生“权威蚁群”,并利用“权威蚁群”初始化信息素矩阵;根据初始化的信息素矩阵,利用蚁群算法迭代寻优,获得最终的冲突解脱方案。本方法避免了人工势场法完全追求时效性,造成解脱方案角度偏转的不可行问题;同时又解决了蚁群算法模拟生物自组织过程计算量大、难以实时应用于冲突解脱场景的时效性问题,有效地满足了现实场景中对时效性和可行性的要求。
上面对本发明所提供的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质精神的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (10)
1.一种基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,其特征在于包括如下步骤:
S1,将飞机和目的地进行电荷转换,利用人工势场法得到初始路径;
S2,将人工势场法得到的初始路径进行调整,对调整后的路径进行编码,得到权威蚂蚁的觅食路径;
S3,由权威蚂蚁衍生权威蚁群,并利用权威蚁群初始化信息素矩阵;
S4,根据初始化的信息素矩阵,利用蚁群算法迭代寻优,获得最终的冲突解脱方案。
2.如权利要求1所述的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,其特征在于在步骤S1中,利用人工势场法得到初始路径,包括如下步骤:
S11,在目的地设置引力场;其中,势场函数为:飞机与目的地之间产生的引力为:
S12,当飞机相遇时,飞机产生斥力场为:
其中,表示飞机i和飞机j的距离;rj是飞机j的保护半径,σrj是斥力场的作用区域;
两架飞机之间产生的斥力为:
S13,设置遇到冲突时使飞机向同一方向转弯的涡旋场:
其中,所述涡旋场产生的涡旋力与所述斥力场产生的斥力相切;
S14,将步骤S11~S13中的三个力场叠加,得到多机情况下动态的路径规划方程: 其中j=1,…,m,i≠j;kri为斥力系数;kvi为涡旋系数。
3.如权利要求1所述的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,其特征在于在步骤S2中,将人工势场法得到的初始路径进行调整,包括如下步骤:
将所述初始路径划分为K步,在每一步中,飞机保持一定的速度和航向;
在进入每一步之前,判断飞机沿着之前的航向飞行与人工势场法要求的航向的偏差是否在容许误差内;
如果在容许误差内,则飞机沿原航向飞行;否则,按照人工势场法要求的航向对飞机航向进行调整。
4.如权利要求1所述的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,其特征在于在步骤S2中,对调整后的路径进行编码,得到权威蚂蚁的觅食路径,包括如下步骤:
将N架飞机在冲突解脱过程中的路径均分为K步进行调整;
将每步的调整方式用1代表右转度数阈值,-1代表左转度数阈值,0代表保持原航向进行编码;
将每一种冲突解脱方案对应的路径编码为一个N*K维的向量xi∈{-110},每k个分量对应一条初始路径;实现将初始路径转化为权威蚂蚁的觅食路径。
5.如权利要求1所述的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,其特征在于在步骤S3中,由权威蚂蚁衍生权威蚁群,包括如下步骤:
S311,从权威蚂蚁的觅食路径包含的N*K个分量中随机选取若干分量,令所述若干分量中的每个分量等概地向另外两种可取值变异;
S312,对变异后产生的新个体进行安全性检验;如果满足安全性要求,则成功衍生另一只权威蚂蚁;
S313,重复步骤S311~S312,得到多只权威蚂蚁,并将获得的权威蚂蚁构成权威蚁群。
6.如权利要求5所述的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,其特征在于在步骤S312中,对变异后产生的新个体进行安全性检验,包括如下步骤:
S3121,将变异后的觅食路径进行解码,得到飞机在冲突解脱过程中的路径;
S3122,判断飞机按照所述路径进行航行,与其他飞机之间的距离是否满足约束条件;
S3123,如果满足约束条件,则变异后产生的新个体满足安全性要求,成功衍生另一只权威蚂蚁;否则,变异后产生的新个体未满足安全性要求。
7.如权利要求6所述的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,其特征在于:
在步骤S3122中,所述约束条件为:|A′i-B′i|>σ;i=1,2,…,k;其中,|A′i-B′i|表示第i步A、B两架飞机的直线距离。
8.如权利要求1所述的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,其特征在于在步骤S3中,利用权威蚁群初始化信息素矩阵,包括如下步骤:
S321,对权威蚁群中每只权威蚂蚁进行解码,得到飞机在冲突解脱过程中的路径,并获得飞机冲突解脱过程中到达的目的地;
S322,根据飞机冲突解脱过程中到达的目的地和预设的飞行目的地计算飞机的延误;其中,飞机的延误Si=|A′k-Ak|;Ak为无延误时预设的飞行目的地,Ak′为飞机冲突解脱过程中到达的目的地。
S323,冲突解脱方案的延误S为所有飞机的延误的和,即根据所述冲突解脱方案的延误对觅食路径上每一节点的信息素进行更新;
S324,重复步骤S321~S323,直至权威蚁群中没有未被处理的权威蚂蚁,完成初始化信息素矩阵。
9.如权利要求8所述的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,其特征在于:
在步骤S323中,根据飞机的延误对觅食路径上每一节点的信息素进行更新,采用的更新方程为:τij(t+1)=(1-ρ)τij(t)+Q/S;
其中,ρ为挥发系数;S为冲突解脱方案的延误;Q为增益系数。
10.如权利要求1所述的基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法,其特征在于在步骤S4中,利用蚁群算法迭代寻优,获得最终的冲突解脱方案,包括如下步骤:
S41,根据初始化的信息素矩阵,蚂蚁以转移概率Pij选择节点;蚂蚁选择每一节点的概率和所述节点信息素的强度成正比,即:τi j表示第j列第i个节点的信息素;
S42,判断蚂蚁是否成功觅食,当蚂蚁成功觅食后,对蚂蚁经过的节点的信息素采用更新方程进行更新;
S43,重复步骤S41~S42,直到得到的觅食路径的解收敛,选取信息素最多的觅食路线进行解码,获得最终的冲突解脱方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610028742.4A CN105718997B (zh) | 2016-01-15 | 2016-01-15 | 基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610028742.4A CN105718997B (zh) | 2016-01-15 | 2016-01-15 | 基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105718997A true CN105718997A (zh) | 2016-06-29 |
CN105718997B CN105718997B (zh) | 2019-02-15 |
Family
ID=56147277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610028742.4A Active CN105718997B (zh) | 2016-01-15 | 2016-01-15 | 基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105718997B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459612A (zh) * | 2017-02-21 | 2018-08-28 | 北京航空航天大学 | 基于人工势场法的无人机编队控制方法及装置 |
CN108898866A (zh) * | 2018-07-04 | 2018-11-27 | 深圳万智联合科技有限公司 | 一种有效的智能车辆控制系统 |
CN110989656A (zh) * | 2019-11-13 | 2020-04-10 | 中国电子科技集团公司第二十研究所 | 一种基于改进人工势场法的冲突解脱方法 |
CN112462804A (zh) * | 2020-12-24 | 2021-03-09 | 四川大学 | 基于ads-b和蚁群算法的无人机感知与规避策略 |
CN113009928A (zh) * | 2020-12-31 | 2021-06-22 | 河北科技大学 | 基于改进蚁群算法的无人机冲突解脱方法 |
CN113094859A (zh) * | 2021-04-20 | 2021-07-09 | 嘉兴泰豪装备技术有限公司 | 电气控制箱线路布线优化方法、系统及存储介质 |
CN113283727A (zh) * | 2021-05-17 | 2021-08-20 | 南京航空航天大学 | 基于量子启发式算法的机场滑行道调度方法 |
WO2023029188A1 (zh) * | 2021-08-31 | 2023-03-09 | 南京天溯自动化控制系统有限公司 | 路径规划方法、装置、设备及存储介质 |
CN117935625A (zh) * | 2024-03-22 | 2024-04-26 | 中国民航管理干部学院 | 一种智慧空中交通无人机航线管理系统及方法 |
CN118311971A (zh) * | 2024-06-11 | 2024-07-09 | 国网天津市电力公司电力科学研究院 | 路径确定方法及运动控制方法 |
CN118426489A (zh) * | 2024-06-24 | 2024-08-02 | 中国电子信息产业集团有限公司第六研究所 | 一种无人机集群飞行路径的规划方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408975A (zh) * | 2014-10-28 | 2015-03-11 | 北京航空航天大学 | 飞行器冲突解脱方法及装置 |
-
2016
- 2016-01-15 CN CN201610028742.4A patent/CN105718997B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408975A (zh) * | 2014-10-28 | 2015-03-11 | 北京航空航天大学 | 飞行器冲突解脱方法及装置 |
Non-Patent Citations (3)
Title |
---|
李猛等: "《基于蚁群优化算法和人工势场的无人机航迹规划》", 《应用科学学报》 * |
董晔等: "《基于混合人工势场-蚁群算法的机器人避障》", 《辽宁科技大学学报》 * |
许琴琴: "《一种组合飞行器冲突解脱算法》", 《重庆理工大学学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459612A (zh) * | 2017-02-21 | 2018-08-28 | 北京航空航天大学 | 基于人工势场法的无人机编队控制方法及装置 |
CN108898866B (zh) * | 2018-07-04 | 2021-03-16 | 矩阵数据科技(上海)有限公司 | 一种智能车辆控制系统 |
CN108898866A (zh) * | 2018-07-04 | 2018-11-27 | 深圳万智联合科技有限公司 | 一种有效的智能车辆控制系统 |
CN110989656A (zh) * | 2019-11-13 | 2020-04-10 | 中国电子科技集团公司第二十研究所 | 一种基于改进人工势场法的冲突解脱方法 |
CN112462804B (zh) * | 2020-12-24 | 2022-05-10 | 四川大学 | 基于ads-b和蚁群算法的无人机感知与规避策略 |
CN112462804A (zh) * | 2020-12-24 | 2021-03-09 | 四川大学 | 基于ads-b和蚁群算法的无人机感知与规避策略 |
CN113009928A (zh) * | 2020-12-31 | 2021-06-22 | 河北科技大学 | 基于改进蚁群算法的无人机冲突解脱方法 |
CN113094859A (zh) * | 2021-04-20 | 2021-07-09 | 嘉兴泰豪装备技术有限公司 | 电气控制箱线路布线优化方法、系统及存储介质 |
CN113283727A (zh) * | 2021-05-17 | 2021-08-20 | 南京航空航天大学 | 基于量子启发式算法的机场滑行道调度方法 |
CN113283727B (zh) * | 2021-05-17 | 2023-09-15 | 南京航空航天大学 | 基于量子启发式算法的机场滑行道调度方法 |
WO2023029188A1 (zh) * | 2021-08-31 | 2023-03-09 | 南京天溯自动化控制系统有限公司 | 路径规划方法、装置、设备及存储介质 |
CN117935625A (zh) * | 2024-03-22 | 2024-04-26 | 中国民航管理干部学院 | 一种智慧空中交通无人机航线管理系统及方法 |
CN117935625B (zh) * | 2024-03-22 | 2024-05-24 | 中国民航管理干部学院 | 一种智慧空中交通无人机航线管理系统及方法 |
CN118311971A (zh) * | 2024-06-11 | 2024-07-09 | 国网天津市电力公司电力科学研究院 | 路径确定方法及运动控制方法 |
CN118426489A (zh) * | 2024-06-24 | 2024-08-02 | 中国电子信息产业集团有限公司第六研究所 | 一种无人机集群飞行路径的规划方法 |
CN118426489B (zh) * | 2024-06-24 | 2024-08-30 | 中国电子信息产业集团有限公司第六研究所 | 一种无人机集群飞行路径的规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105718997B (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105718997B (zh) | 基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法 | |
Yang et al. | Scalable multi-agent computational guidance with separation assurance for autonomous urban air mobility | |
Tan et al. | Evolutionary optimization-based mission planning for UAS traffic management (UTM) | |
Ergezer et al. | 3D path planning for multiple UAVs for maximum information collection | |
Tang et al. | Systematic review of collision-avoidance approaches for unmanned aerial vehicles | |
Durand et al. | Collision Avoidance Using Neural Networks Learned by Genetic Algorithm | |
Brittain et al. | Autonomous separation assurance with deep multi-agent reinforcement learning | |
Seenivasan et al. | Multi-aircraft optimal 4D online trajectory planning in the presence of a multi-cell storm in development | |
Meng et al. | Flight conflict resolution for civil aviation based on ant colony optimization | |
Ramee et al. | Development of a framework to compare low-altitude unmanned air traffic management systems | |
Chen et al. | Integrated conflict management for uam with strategic demand capacity balancing and learning-based tactical deconfliction | |
Deniz et al. | A Multi-Agent Reinforcement Learning Approach to Traffic Control at Merging Point of Urban Air Mobility | |
Martel et al. | Unmanned aircraft systems sense and avoid avionics utilizing ADS-B transceiver | |
Wu et al. | Multi-phase trajectory optimization for an aerial-aquatic vehicle considering the influence of navigation error | |
Bonin et al. | Optimal path planning for soaring flight | |
Vormer et al. | Optimization of flexible approach trajectories using a genetic algorithm | |
Tang et al. | Predeparture flight planning to minimize operating cost for urban air mobility | |
Xu et al. | Aircraft trajectory prediction for terminal airspace employing social spatiotemporal graph convolutional network | |
Gao | Autonomous soaring and surveillance in wind fields with an unmanned aerial vehicle | |
D'Amato et al. | Bi-level flight path optimization for UAV formations | |
Sekine et al. | Rule Design for Interpretable En Route Arrival Management via Runway-Flow and Inter-Aircraft Control | |
CN114440891A (zh) | 用于空中交通管理的四维航迹规划方法及系统、设备 | |
Bittner | Utilization of Problem and Dynamic Characteristics for Solving Large Scale Optimal Control Problems | |
Le Floch et al. | Trajectory planning for autonomous parafoils in complex terrain | |
CN113009928A (zh) | 基于改进蚁群算法的无人机冲突解脱方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |