CN110608743A - 基于多种群混沌灰狼算法的多无人机协同航路规划方法 - Google Patents

Abstract

本发明公开了一种基于多种群混沌灰狼算法的多无人机协同航路规划方法。所述方法在三维规划空间基础上建立多机协同航路规划模型，然后结合多种群思想构造多无人机初始航迹集合，最后利用混沌灰狼优化算法搜索各架无人机的最优航路。该方法引入多种群思想实现多无人机的协同航路编码，并通过混沌局部搜索扩大航路搜索范围，有效解决原算法易陷入局部最优的问题，算法稳定性提高，能够达到更好的航路规划效果，本发明采用的多种群灰狼算法调整参数少，收敛速度快，能够实现多维度的空间搜索和不同情况下的航路规划问题，满足不同的约束条件及规划要求，实现对无人机群的最优航路搜索。

Description

基于多种群混沌灰狼算法的多无人机协同航路规划方法

技术领域

本发明涉及一种基于多种群混沌灰狼算法的多无人机协同航路规划方法，属于无人机航路规划领域。

背景技术

现代战争中，单架无人机由于作战范围和自身功能限制，无法满足多样化作战需求。多机协同作战由于能够相互协同执行多种作战任务，提高作战效能，已成为未来无人机发展的一种趋势。多机协同航路规划是多架无人机实现协同作战的关键技术，目的是根据当前环境态势，为每架无人机快速规划出满足相关约束和规划要求的最优航路，保证无人机群能够准确到达目的地并实施相应任务。为无人机规划航路时需要时刻考虑飞行期间大机动转弯次数，飞行航程，能够避开雷达、地形等威胁区等要求，同时多机的航路需要考虑机间避碰和时间的协同性，保证无人机群能够在规定时间内到达目的地。

目前针对多机协同航路规划的方法主要分为两类：一类是单机航路规划发展而来的方法，如Voronoi图法、势场法等；另一类是仿生智能优化算法，如遗传算法、粒子群算法和蚁群算法等。第一类方法在二维空间下可以快速搜索到多条航路，实现多机航路规划，但当规划空间复杂、维数增加时，上述方法计算量增加，空间复杂度成指数增长。群体仿生智能算法通过模拟自然界中生物的生活和捕食习性，可实现多维搜索空间的优化问题求解，由于其较强的搜索能力和鲁棒性，适于解决多机的协同航路规划问题。2014年Mirjalili等人提出一种新型仿生智能优化算法——灰狼优化算法(Grew Wolf Optimization，GWO)，该算法结构简单、调整参数少、不受空间结构限制，目前已被应用在不同领域。该方法解决多机航路规划的基本思想是：将灰狼种群搜索食物的过程映射为无人机搜索航路的过程，模拟灰狼的种群制度和捕食习性，从种群中选出当前位置最优的三个个体，其余个体根据前三头狼的位置不断更新自身并靠近猎物，最终对猎物进行围捕，即得到规划航路。但是原有算法在进行多架无人机的航路规划问题时存在开发能力较差，易陷入局部最优等问题，需要采取有效的改进措施。

发明内容

本发明的目的在于提供一种基于多种群混沌灰狼算法的多无人机协同航路规划方法。

为了实现上述目的，本发明采用的技术方案如下：

一种基于多种群混沌灰狼算法的多无人机协同航路规划方法，包括以下步骤：

步骤1：建立多无人机航路规划三维环境，在该规划空间下无人机飞行航迹表示为多个三维节点；同时确定执行任务的无人机个数、各架无人机起点和目标点、规划航路的航点个数、飞行速度范围。

步骤2：根据规划的性能指标要求建立多机协同航路规划模型，确定航路代价函数，多机规划考虑的评价指标包括单机飞行代价和多机间协同代价，其中单机代价考虑燃油消耗、最大爬升角或下滑角、飞行高度，根据式(1)计算得到：

式中，J_f为燃油消耗代价，(x_i+1,y_i+1,z_i+1)、(x_i,y_i,z_i)分别为相邻航路点的坐标，n为航点数，假定无人机始终以一定的速度飞行，燃油消耗代价可用航路长度代替；

J_a为最大爬升角或下滑角代价，θ_i为某条航路相邻航路点的爬升角或下滑角；

J_h为高度代价，h_i为某条航路第i个航路点的高度，safth_i为每架飞机设定的最小安全高度；

J_th为威胁代价，m为某航段的采样点数，K为威胁个数，threat_ij(k)为第i个航路段第j个采样点(x_ij,y_ij,z_ij)与第k个障碍物的威胁代价，h为当前无人机的飞行高度，H(k)为第k个障碍物的高度，d_T为无人机距离障碍物中心点的水平距离，R_T(h)表示高度为h时障碍物的延伸半径，d_Tmin为无人机与障碍物的最小安全距离，为地形的坡度。

多机协同代价主要考虑无人机之间的时间协同，具体为：

J_copT为时间协同代价，T_min为所有航路飞行时间段中范围较小的时间段，T_inter为两条航路飞行时间段相交区间，rand是[0,1]之间的随机数。

通过加权得到综合航路代价函数，表示为式：

J＝w₁J_f+w₂J_a+w₃J_h+w₄J_th+w₅J_copT (3)

式中，w₁、w₂、w₃、w₄、w₅分别为不同代价指标的权重，权重总和为1，可以通过调整权重的大小得到满足不同要求的航路。

步骤3：结合多种群思想构造多无人机的航迹集合，对航路进行编码。设无人机集合为U＝{U_i,i＝1,2,...,N_u}，对应灰狼子种群个数为N_u，设每个子种群中灰狼个体数为m，则子种群中灰狼个体可表示为X＝{X_i,i＝1,2,...,m}，第i只灰狼在搜索空间中的位置为X_i＝(X_i1,X_i2,...,X_in)，代表某条航路除起始点和目标点外的中途航路点，其中每个航路点的坐标X_in＝(x_in,y_in,z_in)。初始化时对个体在x轴方向的坐标根据设定的航迹节点个数进行等分，搜索过程中只对y轴和z轴方向的位置进行更新，将该规划问题转化为二维空间的搜索优化问题。

步骤4：采用多种群混沌灰狼优化算法求解多机协同航路规划问题，算法中个体适应度值对应航路代价函数值，具体包括以下步骤：

步骤4.1：初始化算法参数及个体位置

初始化算法中的种群数目、迭代次数和各代价权重，并根据规划空间确定搜索上下界，随机初始化个体位置后，开始进行迭代搜索；

步骤4.2：对所有个体位置进行边界处理，对超出边界范围的个体位置进行调整；

步骤4.3：根据代价函数公式(3)计算当前种群个体的适应度值，得到种群中适应度值最好的三个个体α，β，δ；

步骤4.4：其余个体根据前三个个体的位置更新自身位置。具体的，个体与猎物间距离及位置更新方式为：

D＝|C·X_p(t)-X(t)| (4)

X(t+1)＝X(t)-A·D (5)

式中，D表示个体与猎物间距离，t为当前迭代次数，C＝2·r₁，r₁为[0,1]之间的随机数，X为迭代t次时个体位置向量，A＝2a·r₂-a，a从2逐渐减小到0，r₂为[0,1]之间的随机数。

根据上面两个公式可以得到其余个体与前三头狼的距离以及向猎物移动的方向：

式中，X_α,X_β,X_δ分别表示α，β，δ狼的位置，D_α,D_β,D_δ分别表示前三个个体与猎物之间的距离。

步骤4.5：通过局部混沌搜索在最优个体X_α附近产生新个体X_c，具体为：

(1)混沌映射采用Logistic一维映射，其解析式为：

x_n+1＝μx_n(1-x_n)μ∈[0,4] (9)

式中，设定初值x₀∈[0,1]，μ为控制参数，设置μ值为4，混沌运动处于完全混沌状态，混沌序列在[0,1]区间内不重复的遍寻所有状态。将式(9)经过K次迭代产生一个[0,1]之间的n维混沌随机序列z:x₀,x₁,...,x_n，将其映射到航路搜索点附近的区域，得到新的灰狼个体X_c；

z→X_c:X_c＝X_α+R·(z-0.5) (10)

式中，R为搜索半径，可用于控制局部搜索范围，X_α为α狼的位置。

(2)计算X_c适应度值，将该新个体与当前迭代次数下的最优个体X_α进行比较，若适应度值小于原个体，则用该新个体代替原个体，否则原个体不变。

步骤4.6：若达到预定迭代次数，结束并输出航路，否则跳至步骤4.2进行下一次迭代。

与现有技术相比，本发明所达到的有益效果为：

(1)针对三维空间下的多机协同航迹规划问题，结合多种群思想进行多机的航迹编码，提高算法进行航路规划时的开发能力，并考虑了实际飞行时多机之间的时间协同性要求，保证无人机群能够在合适时间范围内到达目标点执行任务；引入局部混沌搜索，以当前迭代次数下的最优个体为基础产生新个体，有利于灰狼优化算法跳出局部最优，同时提高了算法的搜索精度和稳定性；

(2)本发明采用的多种群灰狼优化算法，调整参数少，收敛速度快，能够实现多维度的空间搜索和不同情况下的航路规划问题，满足不同的约束条件及规划要求，实现对无人机群的最优航路搜索。

附图说明

图1为本发明的多机协同航路规划方法流程图。

图2为本发明的混沌灰狼算法流程图。

图3为本发明的多种群混沌灰狼算法规划协同航迹图。

图4为本发明的多种群混沌灰狼算法规划航迹等高线图。

图5为本发明的多种群混沌灰狼优化算法(MP-CGWO)、灰狼优化算法(GWO)收敛曲线对比图。

具体实施方式

下面结合所附图表，对本发明的技术方案作详细说明。

如图1、2所示，一种基于多种群混沌灰狼算法的多无人机协同航路规划方法，包括如下步骤：

步骤1：建立多无人机航路规划三维环境，初始化无人机个数为N架、各架无人机起点S和目标点E，航路点个数Dim以及无人机飞行速度范围[v_min,v_max]。以山区背景为任务环境，采用随机函数建立山区数字高程模型(DEM)模拟山峰和威胁区，在该规划空间下无人机航路表示为多个三维航迹节点{S,P₁,P₂,...,P_n,E}，航迹节点表示为P_i＝(x_i,y_i,z_i)，将航迹节点依次连线得到多个航路段，与起始点和目标点相连即为一条飞行航路。

步骤2：建立多无人机航路规划模型，设置航路代价函数作为评价航路优劣的指标。多机规划考虑的评价指标包括单机飞行代价和多机间协同代价，其中单机代价考虑燃油消耗、最大爬升角或下滑角、飞行高度，多机协同代价主要考虑无人机之间的时间协同，最后通过加权得到综合航路代价函数。单机代价表示为：

式中，J_f为燃油消耗代价，(x_i+1,y_i+1,z_i+1)、(x_i,y_i,z_i)分别为相邻航路点的坐标，n为航点数，假定无人机始终以一定的速度飞行，燃油消耗代价可用航路长度代替；

J_a为最大爬升角或下滑角代价，θ_i为某条航路相邻航路点的爬升角或下滑角；

J_h为高度代价，h_i为某条航路第i个航路点的高度，safth_i为每架飞机设定的最小安全高度；

J_th为威胁代价，m为某航段的采样点数，K为威胁个数，threat_ij(k)为第i个航路段第j个采样点(x_ij,y_ij,z_ij)与第k个障碍物的威胁代价，h为当前无人机的飞行高度，H(k)为第k个障碍物的高度，d_T为无人机距离障碍物中心点的水平距离，R_T(h)表示高度为h时障碍物的延伸半径，d_Tmin为无人机与障碍物的最小安全距离，为地形的坡度。

根据无人机飞行时间段的交集，确定时间协同代价公式为：

式中，J_copT为时间协同代价，T_min为所有航路飞行时间段中范围较小的时间段，T_inter为两条航路飞行时间段相交区间，rand是[0,1]之间的随机数，设第i架无人机的航程为L_i，根据速度区间[v_min,v_max]得到飞行时间段同理，第j架无人机的飞行时间区间若这两架无人机的飞行时间有交集，说明存在时间协同的可能性，即：

综合单机飞行代价和协同代价，得到航路代价函数为：

J＝w₁J_f+w₂J_a+w₃J_h+w₄J_th+w₅J_copT (3)

式中，w₁、w₂、w₃、w₄、w₅分别为不同代价指标的权重，权重总和为1，设定不同的权重可得到满足不同指标要求的航路。

步骤3：建立多种群航迹编码，结合多种群思想构造多无人机的航迹集合，具体的，设无人机集合为U＝{U_i,i＝1,2,...,N_u}，对应灰狼子种群个数为N_u，设每个子种群中灰狼个体数为m，则子种群中灰狼个体可表示为X＝{X_i,i＝1,2,...,m}，第i个个体在搜索空间中的位置为X_i＝(X_i1,X_i2,...,X_in)，代表某条航路除起始点和目标点外的中途航路点，其中每个航路点的坐标为X_in＝(x_in,y_in,z_in)，编码时对个体在x轴方向的坐标根据设定的航迹节点数进行等分，搜索过程中只对y轴和z轴方向的位置进行搜索更新，将该规划问题转化为二维的搜索优化问题。

步骤4：通过多种群混沌灰狼优化算法搜索多机协同航路时，算法中个体适应度值对应航路代价函数值，搜索过程包括以下步骤：

步骤4.1：初始化算法参数和种群个体位置。算法参数包括种群中个体数目SN、最大迭代次数Iteration及各代价权重值，随机初始化个体位置，得到当前种群所有个体的位置矩阵Positions＝[P₁，P₂，…，P_SN]，其中P_i为Dim维向量，代表某个个体位置，对应一条规划航路；同时根据规划空间确定搜索上下界[ub,lb]。设当前迭代次数It为0，迭代开始。

步骤4.2：对所有个体位置进行边界处理，若个体位置超过最大值ub，则回到最大值边界；若超出最小值lb，则回到最小值边界。

步骤4.3：根据代价函数公式(3)计算当前种群个体的适应度值Fitness，并从适应度值中得到值最小的三个个体作为种群中的优秀个体α，β，δ，更新α，β，δ的适应度值和位置，它们分别代表当前代价最小的三条航路。

步骤4.4：当前种群中其余个体根据前三个个体位置更新自身位置，具体的，已知个体与猎物间距离公式和个体位置更新公式分别为：

D＝|C·X_p(t)-X(t)| (4)

X(t+1)＝X(t)-A·D (5)

式中，D表示个体与猎物间距离，t为当前迭代次数，C＝2·r₁，r₁为[0,1]之间的随机数，X为迭代t次时个体位置向量；A＝2a·r₂-a，a从2逐渐减小到0，r₂为[0,1]之间的随机数。

根据公式(4)和公式(5)可以得到其余个体与前三头狼的距离以及向猎物移动的方向：

式中，X_α,X_β,X_δ分别表示α，β，δ狼的位置，D_α,D_β,D_δ分别表示前三个个体与猎物之间的距离，对个体P_i根据上述公式更新各维度的位置坐标。

步骤4.5：通过混沌局部搜索在最优个体X_α附近产生新个体X_c。具体步骤为：

(1)混沌局部搜索混采用Logistic一维映射，其解析式为：

x_n+1＝μx_n(1-x_n)(9)

式中，设定初值x₀∈[0,1]，μ为控制参数，设置μ值为4，混沌运动处于完全混沌状态，混沌序列在[0,1]区间内不重复的遍寻所有状态。将式(9)经过K次迭代产生一个[0,1]之间的n维混沌随机序列z:x₀,x₁,...,x_n，将其映射到航路搜索点附近的区域，得到新的灰狼个体X_c：

z→X_c:X_c＝X_α+R·(z-0.5) (10)

式中，R为搜索半径，可用于控制局部搜索范围，X_α为α狼的位置。

(2)计算X_c适应度值，将该新个体与当前迭代次数下的最优个体X_α进行比较，若适应度值小于原个体，则用该新个体代替原个体，否则原个体不变。

步骤4.6：若达到迭代次数，结束并输出航路；否则It＝It+1，跳至步骤4.2进行下一次迭代。

为了验证方法的可行性和有效性，下面结合仿真实验做进一步的说明。

多机协同航路规划的仿真实验在Windows10操作系统上进行，平台为MATLAB2016b。规划空间大小为100km×100km×100km，包含六座山峰作为威胁区，多无人机协同航路规划是在已知任务分配方案的情况下进行展开，4架无人机对3个目标点进行攻击，起始点和目标点的坐标如表1所示，无人机飞行速度范围为40～60m/s。

表1各无人机起始点与目标点坐标表

编号	起始点	目标点
			UAV1	(1,5,10)	(90,10,100)
UAV2	(1,20,10)	(90,10,100)
			UAV3	(5,40,10)	(95,30,100)
UAV4	(5,90,10)	(90,60,100)

仿真实验中，初始化4个无人机航路子种群，子种群中个体数量为20，迭代次数为200，航点个数为10，代价函数中的权重分别为0.3、0.2、0.1、0.2、0.2，仿真得到各架无人机的三维航路规划图及对应等高线图如图3、4所示，其中图4中威胁区中心点坐标在(40,80)的山峰初始段的等高线由外到里的高度(单位：m)依次为55、110、165、220，可以看出所有无人机都能够有效避开威胁到达目标点，且航路平滑，无明显机动大转角。各无人机飞行时间区间(单位：s)为[1490,2235]、[1497,2246]、[1604,2406]、[1554,2331]，可知时间交集为[1490,2235]，所有无人机满足时间协同性要求，能够在规定时间内到达指定目标点实施相应任务。

在相同的威胁环境下，分别使用多种群混沌灰狼优化算法(MP-CGWO)、原始的灰狼优化算法(GWO)进行多次规划仿真，基本参数一致，仿真次数设为10，最终得到各自的平均航路代价收敛曲线如图5所示，并计算得到航路代价平均值和方差，结果如表2所示。

表2算法统计结果对比表

从图5可以看出，各算法代价函数均随着收敛次数增加逐渐收敛，本发明算法收敛速度相对较快，且均值和方差均小于GWO算法，搜索精度和稳定性均有所提升。经过以上分析，本发明的多种群混沌灰狼算法在航路规划中具有更好的规划效果和稳定性，可实现三维环境中的多机协同航路规划和避障。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于多种群混沌灰狼算法的多无人机协同航路规划方法，其特征在于，包括以下步骤：

步骤1：建立多无人机协同航路规划三维环境，确定待规划无人机个数、各架无人机起点和目标点、规划航路航点个数及无人机飞行速度范围；

步骤2：根据规划的性能评价指标要求建立多机协同航路规划模型，确定航路代价函数；

步骤3：结合多种群思想构造多无人机的航迹集合；

步骤4：利用混沌灰狼算法进行多机协同航路规划，得到各无人机的最优航路。

2.如权利要求1所述的基于多种群混沌灰狼算法的多无人机协同航路规划方法，其特征在于，所述步骤2中的性能评价指标包括单机飞行代价和多机间协同代价，其中单机飞行代价考虑燃油消耗、最大爬升角或下滑角、飞行高度，具体为：

式(1)中，J_f为燃油消耗代价，(x_i+1,y_i+1,z_i+1)、(x_i,y_i,z_i)分别为相邻航路点的坐标，n为航点数；

J_a为最大爬升角或下滑角代价，θ_i为某条航路相邻航路点的爬升角或下滑角；

J_h为高度代价，h_i为某条航路第i个航路点的高度，safth_i为每架飞机设定的最小安全高度；

J_th为威胁代价，m为某航段的采样点数，K为威胁个数，threat_ij(k)为第i个航路段第j个采样点(x_ij,y_ij,z_ij)与第k个障碍物的威胁代价，h为当前无人机的飞行高度，H(k)为第k个障碍物的高度，d_T为无人机距离障碍物中心点的水平距离，R_T(h)表示高度为h时障碍物的延伸半径，d_Tmin为无人机与障碍物的最小安全距离，为地形的坡度；

多机协同代价考虑无人机之间的时间协同，具体为：

J_copT为时间协同代价，T_min为所有航路飞行时间段中范围较小的时间段，T_inter为两条航路飞行时间段相交区间，rand是[0,1]之间的随机数；

通过加权得到综合航路代价函数，表示为下式：

J＝w₁J_f+w₂J_a+w₃J_h+w₄J_th+w₅J_copT (3)

式(3)中，w₁、w₂、w₃、w₄、w₅分别为不同代价指标的权重，权重总和为1。

3.如权利要求2所述的基于多种群混沌灰狼算法的多无人机协同航路规划方法，其特征在于，所述步骤3中利用多种群思想构造多无人机的航迹集合，具体包括：

设执行任务的无人机集合为U＝{U_i,i＝1,2,...,N_u}，对应灰狼子种群个数为N_u，设每个子种群中灰狼个体数为m，则子种群中灰狼个体表示为X＝{X_i,i＝1,2,...,m}，第i只灰狼在搜索空间中的位置为X_i＝(X_i1,X_i2,...,X_in)，代表某条航路除起始点和目标点外的中途航路点，其中每个航路点的坐标X_in＝(x_in,y_in,z_in)，将航路点与起始点、目标点连线即为一条飞行航路。

4.如权利要求3所述的基于多种群混沌灰狼算法的多无人机协同航路规划方法，其特征在于，所述步骤4具体包括：

步骤4.1：初始化算法参数及个体位置，初始化算法中种群数目、迭代次数和各代价权重，并根据规划空间确定搜索上下界，随机初始化个体位置后，开始进行迭代搜索；

步骤4.2：对所有个体位置进行边界处理，对超出边界范围的个体位置进行调整；

步骤4.3：根据代价函数公式(3)计算当前种群个体的适应度值，得到种群中适应度值最好的三个个体α，β，δ；

步骤4.4：其余个体根据前三个个体的位置更新自身位置，个体与猎物间距离及位置更新公式分别为：

D＝|C·X_p(t)-X(t)| (4)

X(t+1)＝X(t)-A·D (5)

上式中，D表示个体与猎物间距离，t为当前迭代次数，C＝2·r₁，r₁为[0,1]之间的随机数，X为迭代t次时个体位置向量；A＝2a·r₂-a，a从2逐渐减小到0，r₂为[0,1]之间的随机数；

根据式(4)和式(5)得到其余个体与前三头狼的距离以及向猎物移动的方向：

式中，X_α,X_β,X_δ分别表示α，β，δ狼的位置，D_α,D_β,D_δ分别表示前三个个体与猎物之间的距离，X为当前迭代下个体更新后的位置向量；

步骤4.5：通过局部混沌搜索在最优个体X_α附近产生新个体X_c，计算X_c适应度值，将该新个体与当前迭代次数下的最优个体X_α进行比较，若适应度值小于原个体，则用该新个体代替原个体，否则原个体不变；

步骤4.6：若达到迭代次数，结束循环并输出航路，否则跳至步骤4.2进行下一次迭代。

5.如权利要求4所述的基于多种群混沌灰狼算法的多无人机协同航路规划方法，其特征在于，步骤4.5中，新个体产生方式采用Logistic一维混沌映射，解析式为：

x_n+1＝μx_n(1-x_n)μ∈[0,4] (9)

式(9)中，设定初值x₀∈[0,1]，μ为控制参数，设置μ值为4，混沌运动处于完全混沌状态，混沌序列在[0,1]区间内不重复的遍寻所有状态，将式(9)经过K次迭代产生一个[0,1]之间的n维混沌随机序列z:x₀,x₁,...,x_n，将其映射到航路搜索点附近的区域，得到新的灰狼个体X_c；

z→X_c:X_c＝X_α+R·(z-0.5) (10)

式中，R为搜索半径，可用于控制局部搜索范围，X_α为α狼的位置。