CN108563239A - 一种基于势场蚁群算法的无人机航迹规划方法 - Google Patents

Abstract

本发明属于无人机技术领域，具体的说是一种基于势场蚁群算法的无人机航迹规划方法。本发明以无人机地面站卫星数字地图作为研究平台，通过静态航迹规划来完成无人机自起点至作业点的安全航线导航工作。本发明将蚁群算法(Ant Colony Optimal)全局搜索能力与人工势场算法(Artificial Potential Field)局部搜索能力优势互补，通过将势场算法概念带入到蚁群算法的选择概率上，提高蚂蚁在搜索时对环境的适应性与实时性，提高蚁群算法局部搜索能力，并以此来对无人机巡航环境进行分析，完成无人机静态航迹规划，在电力无人机自主巡线中将有广泛的应用前景。

Description

一种基于势场蚁群算法的无人机航迹规划方法

技术领域

本发明属于无人机技术领域，具体的说是一种基于势场蚁群算法的无人机航迹规划方法。

背景技术

在蚁群算法航迹规划作业时，由于蚁群算法分布式计算方法启发信息参数的调节不能面面俱到，因此为综合算法整体效率，蚁群算法在复杂环境计算常常需要耗费大量时间，太过强调蚁群算法的全局搜索特性也会令蚁群算法在搜索后期因为ACO算法个体所发现的解完全不一致而导致算法停滞(stagnation)，极大浪费算法搜索始建于效率。

此外，人工势场算法主要通过在无人机巡航环境搭建不同的势力场模型函数来对无人机航迹抉择进行影响，因此，当无人机所受综合力影响使无人机朝障碍物靠近时，无人机在巡径过程中可能会遇到斥力大于引力的情况而导致无人机无法触达最终目标节点，或者巡航过程中某点所受合力为零时，算法导向将会消失，无人机将陷入停滞状态，陷入局部稳定。

发明内容

本发明的目的，就是针对上述问题，提出一种通过提高无人机在静态航迹规划时提高对于卫星数字地图的适应能力及高效计算能力的方法，并以此为基准来提高无人机在自主巡航作业过程中导航航线的安全精度。

为了便于理解，首先对本发明所采用的蚁群算法进行说明：

M.Dorigo等科研学者通过对自然界中的蚂蚁进行模拟，根据蚂蚁巡迹相关特性来定义模拟蚂蚁：

(1)设模拟蚂蚁在历经抉择过程中主要以搜索环境中信息素浓度及启发信息所构成的选择概率函数所决定；

(2)模拟蚂蚁在单次迭代路径搜索过程中，为提高模拟蚁对全局的遍历搜索能力，每轮迭代单个蚂蚁仅能对每个有效节点搜索一次，并通过tabu_k对所遍历城市进行记录。此外，模拟蚁在搜索过程中，会效仿真实蚂蚁在循迹过程中释放信息素。

设M为群落中所包含模拟蚂蚁总量，d_ij表示节点i与j彼此之间的欧式距离。τ_ij(t)为时刻t时，路径i与j之间的信息素浓度。蚁群算法巡径前，首先随机置m到搜索环境中有效的n个节点上，并保证搜索环境信息素处处相等。然后，令τ_ij(0)＝C。在时刻t，节点i处模拟蚂蚁路径抉择概率为：

式(1)中，allowed_k＝{0,1,…,n-1}-tabu_k为蚁群当前可遍历节点集，tabu_k为蚁群不可遍历节点及无效点集。此外，α为信息素启发因子，α的取值与蚁群彼此之间的信息素沟通能力正相关。β为能见度启发因子，β的取值大小与启发信息对路径抉择能力呈正相关，且取值越大，蚁群路径选择概率越近似于贪心规则。启发函数η_ij(t)数学表达如下所示：

式(2)中，d_ij为节点i到节点j之间的欧式距离，而L_jg为下一目标节点j至目标点g之间的综合势力场。为提高蚁群算法局部搜索导向性，于式(2)中引入启发信息系数q，启发信息q的数学模型如(3)与(4)所示。

q＝K·exp(cosθ) (3)

θ＝∠(F_att+F_rep) (4)

启发信息q通过计算无人机引力场与斥力场之间综合势力场的夹角θ来作为无人机在局部路径搜索信息中的导向信息，通过势力场权重信息(4)，势场蚁群算法可以对势场影响能力进行界定及对局部搜索能力进行强化。

蚁群算法为了权衡启发信息与模拟蚂蚁路径搜索时所释放启发信息浓度之间的关系。当单个蚂蚁完成起点至目标点的路径搜索后，算法会对但前路径上所覆盖信息素进行稀释，提高模拟蚂蚁对全局节点遍历的能力。因此蚁群算法局部信息素浓度挥发策略如式(5)所示：

τ_ij(t+1)＝(1-λ)τ_ij(t)+λτ₀ (5)

式(5)中，λ为局部信息素挥发系数，且λ∈(0,1)；τ₀为极小值常量。当τ_ij(t)<τ_min时，令τ_ij(t)＝(τ_min+τ_max)·0.4；当τ_ij(t)>τ_max，令τ_ij(t)＝τ_ij·λ。τ_min和τ_max为设定的信息素最小值和最大值，防止算法由于信息素过多或过少而陷入停滞状态，λ为一常数，通常设为0.6。

当所有蚂蚁完成一次路径搜索后，算法会对搜索环境中的全局信息素浓度进行更新。全局信息素浓度挥发策略如式：

为适应蚁群算其中，ε为算法引入的一个常系数，L_worst为当前迭代中最差路径解集，L_best为当前迭代最优路径解集。

初始信息素分配分配策略：

设τ_i∈τ，τ为信息素矩阵，C为大于1的常系数。此外，A＝{min(g_start，g_end)，min(g_start，g_end)+1，…，max(g_start，g_end)}，g_start搜索起始点，g_end为路径规划终点。

如图1所示，本发明的方法包括：

步骤1初始化参数。选择起始巡航位置S，目标触达位置G，初始N_c＝0，置N_cmax为最大迭代次数，蚂蚁群落规模m，启发因子α与β等参数初始化；

步骤2初始信息素分配。按照式(7)，根据起始点位置S和目标点位置G进行信息素的不均衡分配；

步骤3蚂蚁路径选择。将m只蚂蚁置于搜索起点。通过人工势场法对待选节点j到目标点距离L_jg进行计算，带入式(2)得到启发信息的值，再依据式(1)遍历下一个可行节点j，并实时对tabu_k进行更新。如此循环直至蚂蚁触达目标点；

步骤4信息素局部更新。对模拟蚂蚁本轮迭代循迹路径按式(5)进行局部信息素更新，并保证信息素浓度τ_ij(t)∈[τ_min,τ_max]；

步骤5信息素全局更新。待群落所有蚂蚁结束单次迭代后，便利迭代中高效蚂蚁及最差蚂蚁。按照式(6)确定全局信息素挥发系数，并保证信息素浓度τ_ij(t)∈[τ_min,τ_max]；

步骤6搜索终止条件判断。判断迭代是否到达最大迭代次数，若是，输出最优路径长度。否则，置tabu_k为空，令N_c＝N_c+1，转步骤3依次循环至满足次数N_c＝N_cmax，结束。

本发明的有益效果为，本发明以无人机地面站卫星数字地图作为研究平台，通过静态航迹规划来完成无人机自起点至作业点的安全航线导航工作。目前，传统静态航迹规划算法通常面临规划航迹准确性与实时性双重指标的严苛要求，但由于复杂的数字地图会提高航迹规划算法的计算量，因此难以满足无人机在自主巡航过程中实时性与准确性的要求。因此，本发明将蚁群算法(Ant Colony Optimal)全局搜索能力与人工势场算法(Artificial Potential Field)局部搜索能力优势互补，通过将势场算法概念带入到蚁群算法的选择概率上，提高蚂蚁在搜索时对环境的适应性与实时性，提高蚁群算法局部搜索能力，并以此来对无人机巡航环境进行分析，完成无人机静态航迹规划，在电力无人机自主巡线中将有广泛的应用前景。

附图说明

图1是本发明的流程示意图。

具体实施方式

在发明内容部分已经详细描述了本发明的技术方案，在此不再赘述。

Claims (1)

1.一种基于势场蚁群算法的无人机航迹规划方法，其特征在于，包括以下步骤：

S1、初始化参数：

设定起始巡航位置S，目标触达位置G，初始N_c＝0，置N_cmax为最大迭代次数，蚂蚁群落规模m，初始化信息素启发因子α与能见度启发因子β；

S2、根据如下公式初始信息素分配：

其中，τ_i∈τ，τ为信息素矩阵，C为大于1的常系数，A＝{min(g_start，g_end)，min(g_start，g_end)+1，…，max(g_start，g_end)}，g_start为搜索起始点，对应步骤S1中设定的S，g_end为路径规划终点，对应步骤S2中设定的G；

S3、蚂蚁路径选择：

将m只蚂蚁置于搜索起点，根据如下启发函数η_ij(t)获得启发信息：

其中，d_ij为节点i到节点j之间的欧式距离，而L_jg为目标节点j至目标点g之间的综合势力场，q为启发信息系数，allowed_k＝{0,1,…,n-1}-tabu_k为蚁群当前可遍历节点集，tabu_k为蚁群不可遍历节点及无效点集，n为有效节点个数；

根据获得的启发信息，结合如下蚂蚁路径抉择概率公式遍历下一个可行节点j，并实时对tabu_k进行更新：

其中，τ_ij(t)为时刻t时，路径i与j之间的信息素浓度；

判断蚂蚁是否触达目标点，若是，则进入步骤S5，若否，则进入步骤S4；

S4、信息素局部更新：

对模拟蚂蚁本轮迭代循迹路径按下式进行局部信息素更新，并保证信息素浓度τ_ij(t)∈[τ_min,τ_max]：

τ_ij(t+1)＝(1-λ)τ_ij(t)+λτ₀

其中，λ为局部信息素挥发系数，且λ∈(0,1)；τ₀为极小值常量，当τ_ij(t)<τ_min时，令τ_ij(t)＝(τ_min+τ_max)·0.4；当τ_ij(t)>τ_max，令τ_ij(t)＝τ_ij·λ；τ_min和τ_max为设定的信息素最小值和最大值；

回到步骤S3；

S5、信息素全局更新：

待群落所有蚂蚁结束单次迭代后，遍历迭代中高效蚂蚁及最差蚂蚁，按照下式确定全局信息素挥发系数，并保证信息素浓度τ_ij(t)∈[τ_min,τ_max]：

其中，ε为引入的一个常系数，L_worst为当前迭代中最差路径解集，L_best为当前迭代最优路径解集；

S6、搜索终止条件判断：

判断迭代是否到达最大迭代次数，若是，输出最优路径长度；否则，置tabu_k为空，令N_c＝N_c+1，转步骤S3依次循环至满足次数N_c＝N_cmax。