CN109357678B - 一种基于异质化鸽群优化算法的多无人机路径规划方法 - Google Patents

Abstract

本发明公开了一种基于异质化鸽群优化算法的多无人机路径规划方法，属于无人机路径规划技术领域，具体步骤为：首先，对无人机的飞行环境进行建模，构建无人机的一条完整飞行路径L；在建模基础上，计算该完整飞行路径L达到最优时的总体损失函数H，并给出达到最优需满足的约束条件；然后，同时执行两个鸽群算法，同步优化约束条件中的坐标和拉格朗日参数；最后，遍历优化后的位置矩阵，将全部的坐标信息构成一组点列，即为规划后的飞行路径L。本发明有效提升获取性能函数全局最优值的精度，大幅减少计算时间，从而提升无人机路径规划问题的准确性和实时性表现。

Description

一种基于异质化鸽群优化算法的多无人机路径规划方法

技术领域

本发明属于无人机路径规划技术领域，具体涉及一种基于异质化鸽群优化算法的多无人机路径规划方法。

背景技术

随着我国无人机技术的快速发展和适用领域的不断拓展，各类无人机不单单只用于航拍和娱乐性，而开始转向物流运输、农林、安防和电力等重要领域，无人机产品的整体研发、生产能力已经成为衡量我国科技创新和高端制造业水平的重要标志。随着无人机整体研发成本的不断降低，其应用领域不断延展，无人机领域具有旺盛的市场需求和广阔的发展前景，在国民经济建设中的作用日益突出，在不远的未来将会成为支持中国经济发展的重要产业。

但目前，无人机飞行时对其他飞行物和地面人员可能构成安全隐患，可能会带来间谍行为、交通事故、飞入政府禁区、偷拍、偷运毒品、抢占航线等严重的安全问题，这已经引起政府部门与社会各界的强烈关注。上述问题说明民用无人机的飞行运营、适航管理、安全管理等管理规划方面还没有建立较为完善的标准规范和法规体系，而解决上述问题的关键技术难点就是无人机的路径规划问题。

一般的包括无人机在内的连续域范围内的路径规划问题，其一般步骤主要包括环境建模、路径搜索、路径平滑三个环节，其中路径搜索阶段是在环境模型的基础上应用相应算法寻找一条行走路径，使预定的性能函数获得最优值。

现已证明各类智能优化算法是解决这一问题的有力工具，其中尤其是粒子群优化算法(PSO)、模拟退火算法(SA)等优秀算法已得到了广泛应用，但上述算法在应用于无人机路径规划这一特定领域时，暴露出了自身计算精度仍然不足、计算速度过慢等缺陷，这与要求准确性和实时性的无人机路径规划领域是相违背的。

发明内容

本发明的目的在于提供一种基于异质化鸽群优化算法的多无人机路径规划方法，用于解决无人机路径规划问题，有效提升获取性能函数全局最优值的精度，同时大幅减少计算时间，提升算法整体性能，从而改善其他现有智能优化算法在这两方面上表现的不足。

具体包括如下步骤：

步骤一、对无人机的飞行环境进行建模，构建无人机的一条完整飞行路径L；

具体为：建立一个无人机飞行的环境模型，设环境模型中起点为S和终点为T，在S和T之间连线做N个平行等间距平面，在每个平面上分别随机各取一点L₁,L₂,...,L_N作为路径上的一个中间节点，于是无人机的完整飞行路径L表达式为：

L＝{S,L₁(x,y,z),L₂(x,y,z),...L_N(x,y,z),T}

步骤二、在建模基础上，计算该完整飞行路径L达到最优时的总体损失函数H，并给出达到最优需满足的约束条件；

具体如下：

步骤2.1、计算规划路径时的全程消耗燃料的速率函数J_f以及安全影响的函数J_t：

ω_f表示无人机在当前路径L上燃料消耗的速率；ω_t表示无人机当前路径L上安全影响的程度；ω_t定义为：

N_t是当前路径L上存在的危险区域的总个数，L_i是当前路径L上第i段路径的长度，d_0.1,i,k是当前路径L的第i段路径上的0.1等分点与第k个危险区域中心之间的距离，t_k是第k个危险区域的危险程度。

步骤2.2、利用燃料消耗的速率函数J_f和安全影响的函数J_t计算整条路径上的损失函数J；

J＝λJ_f+(1-λ)J_t

λ是用来衡量在优先最短路径或是优先最安全飞行之间的系数。

步骤2.3、利用损失函数J和区域限定函数G引入拉格朗日函数计算总体损失函数H；

则总体损失函数H为：

H＝J+∑α_i'G_i'

其中，α≥0是拉格朗日参数；G_i'为无人机飞行路径中的第i'个路障的限定函数；

步骤2.4、计算总体损失函数H达到最小时需满足的约束条件。

无人机避开障碍时对于路径上的某点P(x,y,z)需满足G(x,y,z)＜0，则约束条件为：

步骤三、同时执行两个基于异质化粒子鸽群算法，同步优化约束条件中的坐标和拉格朗日参数。

具体如下：

步骤3.1、生成与种群数量规模一致的BA无标度网络模型，以确定粒子之间的邻居关系；

设定算法基础种群数量为N，每个解的维度为D，节点总个数与种群数量个数相同，设为N，初始节点为2，每次加入一个新节点，新节点将与2个初始节点相连形成随机BA无标度网络模型，节点编号为1,2,3,...,j,...N，第j个节点的度记录为d_j；

步骤3.2、通过BA无标度网络模型随机生成纬度均为N*D的初始位置矩阵和速度矩阵；

随机数范围为总体损失函数H的自变量范围；

步骤3.3、设定地图指南针算子迭代次数上限为t₁，第一次将初始的位置矩阵代入目标函数，更新Fitness_best、Pbest和Gbest参数；

Fitness_best为当前迭代次数下位置矩阵中的全局最优解；将初始位置矩阵代入总体损失函数H得到第一代规模为N的函数值矩阵，选取该函数值矩阵中最小的一个节点的值，以此更新Fitness_best参数值；

Pbest_j为第j个节点的所有历史位置中，单独比较自身在已进行的所有迭代中的最优位置，并以此更新Pbest_j；

Gbest_j为第j个节点自身和所有邻居节点的Pbest中的最优位置值。每个节点根据BA无标度网络模型，比较该节点和与自身有连边的节点的Pbest，并从中挑选最优位置更新Gbest；

步骤3.4、利用更新的Fitness_best、Pbest和Gbest参数更新速度矩阵，利用更新的速度矩阵进一步更新位置矩阵；

具体为：

首先，设定中心节点的度d_c，根据与其余每一个节点j的度d_j之间的大小关系，更新速度矩阵；

(1)若节点j的度d_j大于等于中心节点的度d_c，按下述公式更新节点j的速度：

其中，

是节点j在第N_c次迭代的速度，

节点j在第N_c-1次迭代的速度，R是设定的收敛速度参数，N(j)是节点j的所有邻居节点，U(0,1)为取值范围为(0,1)的随机数，

是节点j在第N_c-1次迭代时的位置；

(2)若节点j的度d_j小于中心节点的度d_c，按下述公式更新节点j的速度：

然后，利用所有节点更新完的速度，进一步更新位置矩阵：

步骤3.5、返回步骤3.3循环迭代地图指南针算子直到迭代次数达到t₁，执行步骤3.6；

步骤3.6、对更新完的速度矩阵和位置矩阵执行地标算子：

首先，删除现存网络中节点度数最低的所有节点；

然后，采用更新公式逐个更新位置矩阵中剩余的每个节点的位置；

更新公式如下：

其中，X_center为剩下的所有节点的中心位置，

对于优化约束条件中的坐标，

对于优化约束条件中的拉格朗日参数，

步骤3.7、重复步骤3.6循环迭代地标算子直到迭代达到总迭代次数t；

t为地图指南针算子和地标算子的总迭代次数。

步骤3.8、地标算子执行完毕后，得到位置矩阵中的最优值。

该最优值为一个行向量，其余行向量为零。

步骤四、遍历优化后的位置矩阵，将全部(x,y,z)的坐标信息构成一组点列，即为规划后的飞行路径L：

全部(x,y,z)的坐标信息为飞行路径L上所有中间节点的坐标。

本发明的优点以及带来的有益效果在于：

1、本发明一种基于异质化鸽群优化算法的多无人机路径规划方法，基于计算机网络中的BA无标度网络模型对鸽群优化算法进行改进，考虑了粒子异质性，相对于目前已知算法，大幅的提升了最优值精度和成功率，有效提升路径规划准确性和安全性，符合路径规划领域的需求；

2、本发明一种基于异质化鸽群优化算法的多无人机路径规划方法，相对于目前已知算法，优化收敛速度更快，因此路径规划时的计算时间得到有效降低，路径规划的效率得到提升，更符合无人机路径规划领域的实时性要求；

3、本发明一种基于异质化鸽群优化算法的多无人机路径规划方法，由于整体精度的提升而提升了单峰函数，同时引进BA网络模型，粒子的整体结构和策略出现异质性，因而更容易跳出局部最优解，因此提升了多峰函数的优化效果，不存在优化短板问题，在无人机路径规划问题中，前期对于环形建模的方式和模式不同，所需求解的目标函数也可能涵盖所有函数类型，本发明提出的算法对上述的领域背景是适用的。

附图说明

图1是本发明一种基于异质化鸽群优化算法的多无人机路径规划方法的流程图；

图2是本发明利用两个鸽群算法同步优化约束条件中参数的流程图；

图3是本发明实施例中的一条完整路径的示意图。

具体实施方式

下面通过具体实施例并结合附图对本发明的技术方案做进一步的详细描述。

现有技术中，原始的鸽群优化算法PIO(pigeon-inspired optimization)属于仿生智能优化算法领域，受自然界中鸽子归巢行为的引发，优化精度尚需提升。本发明基于计算机网络中的BA无标度网络模型对鸽群优化算法进行改进，成为基于异质化粒子鸽群算法，简称HPIO(Heterogeneous pigeon-inspired optimization)，并将改进后的鸽群优化算法应用于无人机路径规划问题的解决，有效提升获取性能函数全局最优值的精度，同时大幅减少计算时间，提升算法整体性能，从而提升无人机路径规划问题的准确性和实时性表现，改善其他现有智能优化算法在这两方面上表现的不足。

如图1所示，具体包括如下步骤；

步骤一、对无人机的飞行环境进行建模，构建无人机的一条完整飞行路径L；

环境建模是无人机路径规划的重要环节，目的是建立一个便于计算机进行路径规划所使用的环境模型，将实际物理空间抽象成算法能够处理的抽象空间，实现相互间的映射。具体为：设环境模型中起点为S和终点为T，在S和T之间连线做N个平行等间距平面，将起点和终点之间的区域划分为N+1个部分，在每个平面上分别随机各取一点L₁,L₂,...,L_N作为路径上的一个中间节点，于是无人机的完整飞行路径L表达式为：

L＝{S,L₁(x,y,z),L₂(x,y,z),...L_N(x,y,z),T}

步骤二、在建模基础上，计算该完整飞行路径L达到最优时的总体损失函数H，并给出达到最优需满足的约束条件；

具体如下：

步骤2.1、计算规划路径时需要考虑全程的消耗燃料的速率函数J_f以及远离人流密集区等危险区域而带来的安全影响的函数J_t：

ω_f表示无人机在当前路径L上燃料消耗的速率；ω_t表示无人机当前路径L上安全影响的程度；

在每一个障碍物或是人流密集区的影响范围内，ω_t定义为：

N_t是当前路径L上存在的危险区域的总个数，L_i是当前路径L上第i段路径的长度，d_0.1,i,k是当前路径L的第i段路径上的0.1等分点与第k个危险区域中心之间的距离，t_k是第k个危险区域的危险程度，如图3所示。

为简化问题，本发明忽略无人机的加速，改变高度，调转方向等动作上带来的损耗，认为其在当前路径L上每段路径上都做匀速直线运动，因此J_f可认为和路径长度相等，两者成线性关系。

步骤2.2、利用燃料消耗的速率函数J_f和安全影响的函数J_t由衡量系数λ进行整合，计算整条路径上的损失函数J；

J＝λJ_f+(1-λ)J_t

λ是用来衡量在优先最短路径或是优先最安全飞行之间的系数，本实施例中取0.5。

步骤2.3、利用损失函数J和区域限定函数G引入拉格朗日函数计算总体损失函数H；

此外还需躲避建筑物防止碰撞，认为其是硬约束必须遵守因而不能使用很大的t_k来将其并入到尽量避免人流的软约束中。则引入拉格朗日函数的总体损失函数H为：

H＝J+∑α_i'G_i'

其中，α≥0是拉格朗日参数；G_i'为无人机飞行路径中的第i'个路障的限定函数；无人机避开障碍时对于路径上的某点P(x,y,z)需满足G(x,y,z)＜0。

步骤2.4、计算总体损失函数H达到最小时需满足的约束条件。

约束条件为：

于是，在两个定点之间的无人机路径规划问题被建模成了一个针对一系列点坐标的优化问题。

步骤三、同时执行两个基于异质化粒子鸽群算法，同步优化约束条件中的坐标和拉格朗日参数。

即在每一次迭代中：

(1).第一个鸽群算法优化参数α_i并更新当前最优值；

(2).第二个鸽群算法在当前的最优α_i的基础上优化坐标x,y,z的值。

设每一个所需求解的参数或性能方程为一个“目标方程”，下面的方法针对一个目标方程进行，不同的目标方程方法可以类推。

如图2所示，具体如下：

步骤3.1、生成与种群数量规模一致的BA无标度网络模型，以确定粒子之间的邻居关系；

设定算法基础种群数量为N，每个解的维度为D，节点总个数与种群数量个数相同，设为N，初始节点为2，每次加入一个新节点，新节点将与2个初始节点相连形成随机BA无标度网络模型，节点编号为1,2,3,...,j,...N，第j个节点的度记录为d_j；

步骤3.2、通过BA无标度网络模型随机生成纬度均为N*D的初始位置矩阵(position)和速度矩阵(velocity)；

初始位置矩阵(position)和速度矩阵(velocity)均为随机矩阵，随机数范围为总体损失函数H的自变量范围；

步骤3.3、设定地图指南针算子迭代次数上限为t₁，第一次将初始的位置矩阵代入目标函数，更新Fitness_best、Pbest和Gbest参数；

设定地图指南针算子迭代次数t₁，算法中地图指南针算子执行t₁次后改用地标算子继续迭代；

Fitness_best为当前迭代次数下位置矩阵中的全局最优解；将初始位置矩阵代入总体损失函数H得到第一代规模为N的函数值矩阵，选取该函数值矩阵中最小的一个节点的值，以此更新当前迭代次数全局最优解Fitness_best的值；

Pbest_j为第j个节点的所有历史位置中，单独比较自身在已进行的所有迭代中的最优位置，并以此更新Pbest_j；

Gbest_j为第j个节点自身和所有邻居节点的Pbest中的最优位置值。每个节点根据BA无标度网络模型，比较该节点和与自身有连边的节点的Pbest，并从中挑选最优位置更新Gbest；

步骤3.4、利用更新的Fitness_best、Pbest和Gbest参数执行一次地图指南针算子，更新速度矩阵，利用更新的速度矩阵进一步更新位置矩阵；

具体为：

首先，设定中心节点(hub)的度d_c，根据与其余每一个节点j的度d_j之间的大小关系，更新速度矩阵；

(1)若节点j的度d_j大于等于中心节点的度d_c，按下述公式更新节点j的速度：

其中，

是节点j在第N_c次迭代的速度，

节点j在第N_c-1次迭代的速度，R是设定的收敛速度参数，N(j)是节点j的所有邻居节点，U(0,1)为取值范围为(0,1)的随机数，

是节点j在第N_c-1次迭代时的位置；

(2)若节点j的度d_j小于中心节点的度d_c，按下述公式更新节点j的速度：

然后，利用所有节点更新完的速度，进一步更新位置矩阵：

至此，一次地图指南针算子执行完毕；

步骤3.5、返回步骤3.3循环迭代地图指南针算子直到迭代次数达到t₁，执行步骤3.6；

步骤3.6、对更新完的速度矩阵和位置矩阵执行地标算子：

首先，删除现存网络中节点度数最低的所有节点，它们不再参与下面的运算；

然后，采用更新公式逐个更新位置矩阵中剩余的每个节点的位置；

更新公式如下：

其中，X_center为剩下的所有节点的中心位置，

对于优化约束条件中的坐标，

对于优化约束条件中的拉格朗日参数，

至此，一次地标算子执行完毕；

步骤3.7、重复步骤3.6循环迭代地标算子直到迭代达到总迭代次数t；

t为地图指南针算子和地标算子的总迭代次数。

步骤3.8、地标算子执行完毕后，得到位置矩阵中的最优值。

该最优值为一个行向量，其余行向量为零。

使用算法时把飞行路径L上的所有点(x,y,z)参数设为位置矩阵里的一个行向量，就是说位置矩阵里的每个行向量都表示一个飞行路径L上全部点的完整矩阵，这样算法最后生成一个最优行向量就相当于生成了一个最优矩阵。

步骤四、遍历优化后的位置矩阵，将全部(x,y,z)的坐标信息构成一组点列，即为规划后的飞行路径L：

位置矩阵中N个D维向量表示有N个中间节点，每个节点处有D个(x,y,z,α_i)。

全部的坐标信息为飞行路径L上所有中间节点的坐标。

本发明将计算机网络相关模型和知识引入智能优化算法领域，通过基于BA无标度网络模型的节点度等参数，对整体算法的不同粒子群制定不同的策略和结构，进而对节点度数高的“重要节点”和节点度数低的“非重要节点”再次制定不同的优化策略，使得各个节点专精于不同的搜索领域和搜索策略，进而使整体算法的优化精度、计算速度等各项参数得到有效的改善和提升；随后将改进后的算法应用于无人机的路径规划领域，可以保证规划问题的时效性和准确性，整个方案的实用性和有效性较强，非常适用于无人机各个适用领域的广泛推广。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施示例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施示例技术方案的精神和范围。

Claims (2)

1.一种基于异质化鸽群优化算法的多无人机路径规划方法，其特征在于，具体步骤如下：

步骤一、对无人机的飞行环境进行建模，构建无人机的一条完整飞行路径L；

步骤二、在建模基础上，计算该完整飞行路径L达到最优时的总体损失函数H，并给出达到最优需满足的约束条件；

具体如下：

步骤2.1、计算规划路径时的全程消耗燃料的速率函数J_f以及安全影响的函数J_t：

ω_f表示无人机在当前路径L上燃料消耗的速率；ω_t表示无人机当前路径L上安全影响的程度；ω_t定义为：

N_t是当前路径L上存在的危险区域的总个数，L_i是当前路径L上第i段路径的长度，d_0.1,i,k是当前路径L的第i段路径上的0.1等分点与第k个危险区域中心之间的距离，t_k是第k个危险区域的危险程度；

步骤2.2、利用燃料消耗的速率函数J_f和安全影响的函数J_t计算整条路径上的损失函数J；

J＝λJ_f+(1-λ)J_t

λ是用来衡量在优先最短路径或是优先最安全飞行之间的系数；

步骤2.3、利用损失函数J和区域限定函数G引入拉格朗日函数计算总体损失函数H；

则总体损失函数H为：

H＝J+∑α_i'G_i'

其中，α≥0是拉格朗日参数；α_i是鸽群算法优化参数；G_i'为无人机飞行路径中的第i'个路障的限定函数；

步骤2.4、计算总体损失函数H达到最小时需满足的约束条件；

无人机避开障碍时对于路径上的某点P(x,y,z)需满足G(x,y,z)＜0，则约束条件为：

步骤三、同时执行两个基于异质化粒子鸽群算法鸽群算法，同步优化约束条件中的坐标和拉格朗日参数；

具体如下：

步骤3.1、生成与种群数量规模一致的BA无标度网络模型，以确定粒子之间的邻居关系；

设定算法基础种群数量为N，每个解的维度为D，节点总个数与种群数量个数相同，设为N，初始节点为2，每次加入一个新节点，新节点将与2个初始节点相连形成随机BA无标度网络模型，节点编号为1,2,3,...,j,...N，第j个节点的度记录为d_j；

步骤3.2、通过BA无标度网络模型随机生成纬度均为N*D的初始位置矩阵和速度矩阵；

随机数范围为总体损失函数H的自变量范围；

步骤3.3、设定地图指南针算子迭代次数上限为t₁，第一次将初始的位置矩阵代入目标函数，更新Fitness_best、Pbest和Gbest参数；

Fitness_best为当前迭代次数下位置矩阵中的全局最优解；将初始位置矩阵代入总体损失函数H得到第一代规模为N的函数值矩阵，选取该函数值矩阵中最小的一个节点的值，以此更新Fitness_best参数值；

Pbest_j为第j个节点的所有历史位置中，单独比较自身在已进行的所有迭代中的最优位置，并以此更新Pbest_j；

Gbest_j为第j个节点自身和所有邻居节点的Pbest中的最优位置值。每个节点根据BA无标度网络模型，比较该节点和与自身有连边的节点的Pbest，并从中挑选最优位置更新Gbest；

步骤3.4、利用更新的Fitness_best、Pbest和Gbest参数更新速度矩阵，利用更新的速度矩阵进一步更新位置矩阵；

具体为：

首先，设定中心节点的度d_c，根据与其余每一个节点j的度d_j之间的大小关系，更新速度矩阵；

(1)若节点j的度d_j大于等于中心节点的度d_c，按下述公式更新节点j的速度：

其中，

是节点j在第N_c次迭代的速度，

节点j在第N_c-1次迭代的速度，R是设定的收敛速度参数，N(j)是节点j的所有邻居节点，U(0,1)为取值范围为(0,1)的随机数，

是节点j在第N_c-1次迭代时的位置；t为地图指南针算子和地标算子的总迭代次数；

(2)若节点j的度d_j小于中心节点的度d_c，按下述公式更新节点j的速度：

然后，利用所有节点更新完的速度，进一步更新位置矩阵：

步骤3.5、返回步骤3.3循环迭代地图指南针算子直到迭代次数达到t₁，执行步骤3.6；

步骤3.6、对更新完的速度矩阵和位置矩阵执行地标算子：

首先，删除现存网络中节点度数最低的所有节点；

然后，采用更新公式逐个更新位置矩阵中剩余的每个节点的位置；

更新公式如下：

其中，X_center为剩下的所有节点的中心位置，

对于优化约束条件中的坐标，

对于优化约束条件中的拉格朗日参数，

步骤3.7、重复步骤3.6循环迭代地标算子直到迭代达到总迭代次数t；

t为地图指南针算子和地标算子的总迭代次数；

步骤3.8、地标算子执行完毕后，得到位置矩阵中的最优值；

该最优值为一个行向量，其余行向量为零；

步骤四、遍历优化后的位置矩阵，将全部(x,y,z)的坐标信息构成一组点列，即为规划后的飞行路径L：

全部(x,y,z)的坐标信息为飞行路径L上所有中间节点的坐标。

2.如权利要求1所述的一种基于异质化鸽群优化算法的多无人机路径规划方法，其特征在于，所述的步骤一具体为：建立一个无人机飞行的环境模型，设环境模型中起点为S和终点为T，在S和T之间连线做N个平行等间距平面，在每个平面上分别随机各取一点L₁,L₂,...,L_N作为路径上的一个中间节点，于是无人机的完整飞行路径L表达式为：

L＝{S,L₁(x,y,z),L₂(x,y,z),...L_N(x,y,z),T}。

Images