CN111638725A - 基于蚁群算法与人工势场法的无人机编队重构系统及方法 - Google Patents

Abstract

基于蚁群算法与人工势场法的无人机编队重构系统及方法，系统包括目标分配模块、路径规划模块、地面站模块；采用群智能优化算法对标准蚁群算法的选择策略进行改进，提高了算法的全局搜索能力以及搜索精度，当无人机群组规模较大时，有更大的概率搜索到全局最优解。在路径规划过程中采用改进的人工势场法，其中对引力场公式的改进解决了无人机移动初期引力场过大可能导致碰撞的问题，对斥力场的改进解决移动无人机在靠近目标点过程中，目标不可达的问题。如果无人机陷入局部最小点，通过给当前无人机额外施加一个逃出力，帮助其摆脱局部最小点，采用局部极小点逃离策略有效解决了人工势场法容易陷入局部最优的问题。本发明具有较快的计算速度。

Description

基于蚁群算法与人工势场法的无人机编队重构系统及方法

技术领域

本发明属于多无人机在编队重构过程中的最优路径寻找领域，具体涉及一种基于蚁群算法与人工势场法的无人机编队重构系统及方法。

背景技术

无人机由于其体积小、灵活性高、功能性多、操作性强，无人员伤亡等诸多优点，在交通管控、航空拍摄、无线通信、气象预测、灾情预警救助、军事侦察等领域都得到快速的普及以及广泛的应用。由于单架无人机在执行指定任务中具有一定的局限性，如在侦察任务时，如果无人机出现故障，则必须中断任务返航维修，可能错过任务的最佳完成时间。在进行农药灌溉或者军事侦察时，单无人机由于其视野覆盖范围有限，完成任务的效率较低且容易遗漏任务目标。无人机编队控制是指多无人机在执行任务的过程中会按照指定几何形状进行飞行，从而适应不同的任务以及环境。由于多无人机编队飞行具有搜索范围大、整体效率高、信息收集完备性强、气动效率高等优点，能够很好的克服单无人机执行任务中存在的问题和局限性，因此对于无人机编队控制的研究也成为无人机领域的一个研究热点。作为一门新兴理论，无人机编队技术涉及空气动力、传感器、电子、计算机、控制、通信及人工智能等多个学科和技术领域的交叉，它涵盖了队形生成、队形保持、队形变换、编队集结与解散、自适应重构、机间避碰与空域障碍物规避等多个子研究领域。每个子研究领域都已经开展了大量的研究，并取得了不少研究成果，但仍有很多技术问题尚待探索和解决。

综上所述，无人机编队重构的最佳位置难以确认，计算开销较大且无人机具有一定的体积，移动过程中存在碰撞的风险。而无人机编队重构的难点在于当无人机群规模较大时，目标分配的计算开销大，精度较低，并且无人机移动过程中容易发生碰撞。鉴于此，通过智能优化算法以及人工势场法寻找每一架无人机在编队重构过程中的最优路径，智能算法可以提高搜索精度，人工势场法可以防止无人机在移动过程中发生碰撞，并且具有较快的计算速度。

发明内容

本发明的目的在于针对无人机编队重构的最佳位置寻找问题，提供一种基于蚁群算法与人工势场法的无人机编队重构系统及方法，能够搜索到编队变化过程中以总路径最短为优化目标的全局最优匹配结果，具有较快的计算速度，可以防止无人机移动过程中发生碰撞。

为了实现上述目的，本发明采用如下的技术方案：

一种基于蚁群算法与人工势场法的无人机编队重构系统，包括：

-目标分配模块；

通过地面站获取无人机群的坐标信息，采用群智能优化算法，以无人机群组内所有无人机移动路径总长最短为优化目标，确定初始编队与目标编队内无人机的匹配关系；

-路径规划模块；

对目标分配模块计算所得的无人机匹配关系，使用路径规划算法计算无人机群组中每一架无人机的移动轨迹，并将计算所得的航点坐标通过地面站发送至无人机群组；

-地面站模块；

用于接收无人机群组中每一架无人机在原始编队下的坐标数据，运行目标分配模块以及路径规划模块，通过计算得到目标编队的最优匹配关系以及无人机群组内每一架无人机的无碰撞移动轨迹的航点坐标，并将航点坐标发送至相对应的无人机。

群智能优化算法基于蚁群算法，在选择下一目标位置的过程中，每一个目标位置对应的转移概率都乘以一个随机的放大因子，并且放大后的转移概率不大于当前无人机群禁忌表外允许选择目标的转移概率中最大转移概率；放大因子随着算法迭代次数的增加呈线性递减。

路径规划算法基于人工势场法，当无人机与目标点的距离小于设定值后，无人机所受的斥力随无人机与目标位置的距离减少而递减；当无人机路径陷入局部最优时，对无人机额外施加一力用于逃出局部最优，力的方向与无人机当前位置指向目标点位置的方向矢量正交，同时设定力的作用距离，当无人机在附加力的作用下远离局部最优点时，附加力逐渐递减。

所述的地面站通过mavlink协议收发无人机群组与地面站间传递的数据。

本发明同时公开一种基于蚁群算法与人工势场法的无人机编队重构方法，包括以下步骤：

1)通过地面站与无人机群确定初始编队以及目标编队内每一架无人机的坐标；

2)对信息素和启发因子的权重系数α和β，以及挥发因子ρ进行初始化，确定无人机群组内无人机总量n、无人机群组总量m，以及最大迭代次数N；设定无人机群组编号k＝1，当前迭代次数iter＝1，信息素初始值τ_ij＝1，计算群组内每一架无人机的启发因子

其中η_ij表示当前无人机群组中编号为i的无人机匹配到目标编队中编号为j的无人机所对应的启发因子，d_ij为对应的距离，i＝1,2,...,n,j＝i＝1,2,...,n；

3)根据信息素计算初始编队内每一架无人机的转移概率；

4)确定当前无人机群组k内第i架无人机的移动目标，更新该无人机群的禁忌表tabu_k；

5)判断当前无人机编号i是否小于n，是则跳转到步骤4)，否则跳转到步骤6)；

6)记录当前无人机群组中所有无人机移动的路径总和L_k；

7)判断当前无人机群组k是否小于无人机群组总量m，是则跳转到步骤3)，否则跳转到步骤8)；

8)更新无人机群的信息素；

9)判断当前迭代次数iter是否小于最大迭代次数N，是则跳转到步骤3)，否则记录最短路径以及目标匹配结果，并将匹配关系传递至路径规划模块；

10)计算每架无人机所受的吸引力和斥力，根据合力计算并记录无人机下一时刻的航点的坐标；

11)判断无人机是否陷入局部最小点，如果是则给当前无人机额外施加一个逃出力F_add(q)，帮助其摆脱局部最小点；否则跳转到步骤12)；

12)判断无人机群组内每一架无人机距离目标位置的距离总和是否大于限定值，如果大于限定值则跳转到步骤10)，否则跳转到步骤13)；

13)将无人机群组内每一架无人机的最终航点坐标设置为其目标位置的坐标。

所述的步骤3)通过下式计算初始编队内每一架无人机的转移概率：

式中，

表示当前无人机群组k中编号为i的无人机移动到目标编队中的编号为j的无人机所在位置的转移概率；步骤4)根据转移概率

寻找出allowed_k内最大的转移概率ρ_best，根据下述公式计算allowed_k内每一个目标点转移概率的放大因子ξ_ij，其中rand为[0,1]内的随机数，allowed_k＝{1,2,...,n}-tabu_k；

根据放大因子计算新的转移概率：

通过新的转移概率

使用轮盘赌法确定当前无人机群组k内第i架无人机的匹配目标。

所述的步骤8)使用信息素更新公式更新当前无人机群的信息素，信息素更新公式如下：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij

所述的步骤10)按照下式计算每架无人机所受的吸引力和斥力：

引力场：

吸引力：

其中，k_att为引力系数，q为无人机当前的位置，q_goal为目标点位置，ρ(q_goal)表示无人机当前位置指向目标点位置的方向矢量，d₀为一常量，用于控制引力场的变化；

斥力场：

斥力：

式中，ρ^γ(q_goal)为无人机与目标点距离的γ次方，γ＝2；q_obs为障碍物的位置，ρ(q_obs)表示无人机当前位置指向目标点位置的方向矢量，L为无人机的半径；

F_rep1的方向为障碍物指向无人机的方向，F_rep2的方向为无人机指向目标点的方向；

根据无人机所受的引力与斥力的合力F以及固定步长l，通过下述公式可以计算出下一时刻无人机的航点坐标q(t+1)：

所述的步骤11)额外施加的逃出力F_add(q)按照下式进行计算：

其中，k_add为附加力的强度系数，l_max为逃出力的作用范围，randv为ρ(q_goal)法平面上的任意方矢量，满足randv·ρ(q_goal)＝0。

相较于现有技术，本发明基于蚁群算法与人工势场法的无人机编队重构系统主要由地面站模块、目标分配模块、路径规划模块三部分组成，地面站模块主要用于算法执行、数据通信以及确定目标编队形状及坐标。目标分配模块采用群智能优化算法确定初始编队与目标编队中无人机的匹配关系，可以搜索到编队变化过程中以总路径最短为优化目标的全局最优的匹配结果。路径规划模块采用的路径规划算法具有较快的计算速度，能够防止无人机移动过程中发生相互碰撞。本发明的无人机编队重构系统搜索精度高，能较快的寻找出原始编队变化到重构编队的最优路径。

相较于现有技术，本发明的无人机编队重构方法采用蚁群算法，对算法中的选择策略进行改进，提高了算法的全局搜索能力以及搜索精度，当无人机群组规模较大时，有更大的概率搜索到全局最优解。在路径规划过程中采用改进的人工势场法，其中对引力场公式的改进解决了无人机移动初期引力场过大可能导致碰撞的问题，对斥力场公式的改进解决了无人机在靠近目标点的过程中，目标不可达的问题，根据合力计算并记录无人机下一个航点的坐标。如果无人机陷入局部最小点，则通过给当前无人机额外施加一个逃出力，帮助其摆脱局部最小点，该策略可以有效的解决人工势场法容易陷入局部最优的问题。

附图说明

图1本发明的无人机编队重构方法流程图；

图2本发明改进蚁群算法较标准蚁群算法在无人机目标分配搜索精度上的性能对比图；

图3本发明改进人工势场法实现带有障碍避免功能的路径规划示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明。

参见图1，本发明提供了一种基于蚁群算法与人工势场法的无人机编队重构系统，包括目标分配模块，通过地面站获取无人机群的坐标信息，采用群智能优化算法，以无人机群组内所有无人机移动路径总长最短为目标，确定初始编队与目标编队无人机的匹配关系。路径规划模块，通过目标分配模块计算所得的无人机匹配关系，使用路径规划算法计算无人机群组中每一架无人机的移动轨迹，并将计算所得的航点坐标通过地面站发送至无人机群组。地面站模块，用于接收无人机群组中每一架无人机在原始编队下的坐标数据，运行目标分配模块以及路径规划模块，通过计算得到构成目标编队的最优匹配关系以及无人机群组内每一架无人机的无碰撞移动轨迹的航点坐标，并将航点坐标发送至相对应的无人机。

本发明无人机编队重构方法采用改进的蚁群算法解决无人机编队重构目标分配问题：

使用标准的蚁群算法处理大规模目标分配问题时，通常会遇到搜索精度低且容易陷入局部最优的问题。为了解决这一问题，本发明对标准蚁群算法选择下一目标过程中的转移概率进行了修改，在修改后的转移概率中，每一个目标位置对应的转移概率都会乘以一个随机的放大因子，并且放大后的转移概率不大于当前禁忌表外允许选择的目标中最大的转移概率，同时放大因子会随着算法迭代次数的增线性递减，使得算法在迭代过程中受到信息素的影响逐渐增大，从而使算法前期具有较强的全局搜索能力，且能够跳出局部最优点，提高算法整体的搜索精度。本发明无人机编队重构目标分配的具体流程如下：

1)地面站通过mavlink协议接收无人机群组内每一架无人机的初始位置坐标，并在地面站上确定目标编队内每一架无人机的位置及坐标。

2)参数初始化，对信息素和启发因子的权重系数α和β，以及挥发因子ρ进行初始化，确定无人机群组内无人机总量n、无人机群组总量m，以及最大迭代次数N；设定无人机群组编号k＝1，当前迭代次数iter＝1，信息素初始值τ_ij＝1，计算群组内每一架无人机的启发因子

其中η_ij表示当前无人机群组中编号为i的无人机匹配到目标编队中编号为j的无人机所对应的启发因子，d_ij为对应的距离，i＝1,2,...,n,j＝i＝1,2,...,n；

3)计算初始编队内每一架无人机的转移概率：

4)使用改进的选择策略确定当前无人机群组内第i架无人机的移动目标，并更新该无人机群的禁忌表tabu_k。根据转移概率

寻找出allowed_k内最大的转移概率ρ_best，随后根据下述公式计算allowed_k内每一个目标点转移概率的放大因子ξ_ij，其中rand为[0,1]内的随机数，allowed_k＝{1,2,...,n}-tabu_k；

根据放大因子计算新的转移概率：

通过新的转移概率

使用轮盘赌法确定第i架无人机的匹配目标，并更新该无人机群的禁忌表tabu_k。

5)判断当前无人机编号是否小于n，是跳转步骤4)，否则跳转步骤6)。

6)记录当前无人机群组中所有无人机移动的路径总L_k，更新所有无人机群组的最优路径L。

7)判断当前无人机群组k是否小于无人机群组总数m，是则跳转到步骤3)，否则跳转到步骤8)

8)使用信息素更新公式更新当前无人机群的信息素；

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij

判断是否达到最大迭代次数N，是则跳转到步骤3)，否则记录最短路径以及目标分配结果。

本发明无人机编队重构方法采用进的人工势场法解决多无人机无碰撞路径规划问题：

在传统的人工势场法中，引力的大小会受到无人机到目标位置距离的影响，因此当无人机离目标位置较远时，引力可能会过大从而使无人机受到的斥力被忽略，发生碰撞。另外当目标位置附近存在障碍物时，无人机可能会因为障碍物斥力过大导致无人机无法到达目标点。同时传统的人工势场法容易出现引力与斥力相等的情况，从而使无人机陷入局部最优，发生停滞或者震荡。因此为了解决上述三个问题，本发明对引力场进行了改进，使得无人机距离目标点较远时所受引力为一个常量，当距离目标点的距离小于设定值后，无人机所受引力会受到距离的影响。针对无法到达目标点的问题，本发明对斥力场进行改进，使得无人机所受斥力会随着无人机距离目标位置的距离减少而递减。针对局部最优问题，当无人机陷入局部最优时，将对无人机额外施加一力，该附加力的方向与无人机当前位置指向目标点位置的方向矢量正交，并且设定一个作用距离，当无人机在附加力的作用下远离局部最优点时，附加力会逐渐递减。本发明无人机编队路径规划算法的具体流程如下：

1)地面站通过mavlink协议接收无人机群组内每一架无人机的初始位置坐标，并在地面站上确定目标编队内每一架无人机的位置及坐标，同时接收计算所得的目标分配结果。

2)根据改进人工势场函数计算每架无人机所受的吸引力以及斥力，并根据合力计算并记录无人机下一个航点的坐标；具体的计算公式如下：

引力场：

引力：

其中，k_att为引力系数，q为无人机当前的位置，q_goal为目标点位置，ρ(q_goal)表示无人机当前位置指向目标点位置的方向矢量，d₀为一常量，用于控制引力场的变化；

斥力场：

斥力：

式中，ρ^γ(q_goal)为无人机与目标点距离的γ次方，γ＝2；q_obs为障碍物的位置，ρ(q_obs)表示无人机当前位置指向目标点位置的方向矢量，L为无人机的半径；

根据无人机所受的引力与斥力的合力F以及固定步长l，通过下述公式可以计算出下一时刻无人机的航点坐标q(t+1)：

F(q(t))＝F_att(q(t))+F_rep(q(t))

3)判断无人机是否陷入局部最小点，如果是则使用局部极小点策略跳出局部极小点。否则跳转到步骤4)；

4)判断无人机群组内每一架无人机距离目标位置的距离总和是否大于限定值，如果大于限定值则跳转到步骤2)，否则跳转到步骤5)。

附加力为：

其中，k_add为附加力的强度系数，randv为满足randv*ρ(q_goal)＝0的任意向量，l_max为附加力的作用范围，当无人机远离局部最小点时，附加的逃出力线性递减。

5)将无人机群组内每一架无人机的最终航点坐标设置为其目标位置的坐标。

参见图2，本发明改进蚁群算法较标准蚁群算法在无人机目标分配搜索精度指标上的性能比较。其中x轴为迭代次数，y轴为当代的最优路径长度，虚线表示标准蚁群算法，实线为本发明中改进的蚁群算法。从实验结果可以看出，标准蚁群算法的收敛速度较快，但是精度低，容易陷入局部最优；改进的蚁群算法对选择过程中的转移概率进行了改进，使得算法在迭代过程中受信息素的影响逐渐增强，从而使算法前期具有较强的全局搜索能力，能够跳出局部最优点，因此，本发明改进蚁群算法的搜索精度更高，但是收敛速度有所下降。

参见图3，本发明改进人工势场法实现带有障碍避免功能的路径规划示意图。在该示意图中，y轴上的10个空心圆图标表示无人机群中无人机的初始位置，构成圆形队形的三角形表示无人机群编队重构后无人机的目标位置，星形表示障碍物。通过示意图可以看出，通过改进的人工势场法可以计算出无人机群内每一架无人机移动到重构编队中目标位置的移动轨迹，并且能够避免无人机与障碍物及无人机彼此间产生碰撞的情况发生。

以上所述仅仅是本发明的较佳实施例，并不用以对本发明的技术方案进行任何限制，本领域技术人员应当理解的是，在不脱离本发明精神和原则的前提下，该技术方案还可以进行若干简单的修改和替换，这些修改和替换也均会落入权利要求书所涵盖的保护范围之内。

Claims (9)

1.一种基于蚁群算法与人工势场法的无人机编队重构系统，其特征在于，包括：

-目标分配模块；

通过地面站获取无人机群的坐标信息，采用群智能优化算法，以无人机群组内所有无人机移动路径总长最短为优化目标，确定初始编队与目标编队内无人机的匹配关系；

-路径规划模块；

对目标分配模块计算所得的无人机匹配关系，使用路径规划算法计算无人机群组中每一架无人机的移动轨迹，并将计算所得的航点坐标通过地面站发送至无人机群组；

-地面站模块；

用于接收无人机群组中每一架无人机在原始编队下的坐标数据，运行目标分配模块以及路径规划模块，通过计算得到目标编队的最优匹配关系以及无人机群组内每一架无人机的无碰撞移动轨迹的航点坐标，并将航点坐标发送至相对应的无人机。

2.根据权利要求1所述基于蚁群算法与人工势场法的无人机编队重构系统，其特征在于：所述的群智能优化算法基于蚁群算法，在选择下一目标位置的过程中，每一个目标位置对应的转移概率都乘以一个随机的放大因子，并且放大后的转移概率不大于当前无人机群禁忌表外允许选择目标的转移概率中最大转移概率；放大因子随着算法迭代次数的增加呈线性递减。

3.根据权利要求1所述基于蚁群算法与人工势场法的无人机编队重构系统，其特征在于：所述的路径规划算法基于人工势场法，当无人机与目标点的距离小于设定值后，无人机所受的斥力随无人机与目标位置的距离减少而递减；当无人机路径陷入局部最优时，对无人机额外施加一力用于逃出局部最优，力的方向与无人机当前位置指向目标点位置的方向矢量正交，同时设定力的作用距离，当无人机在附加力的作用下远离局部最优点时，附加力逐渐递减。

4.根据权利要求1所述基于蚁群算法与人工势场法的无人机编队重构系统，其特征在于：所述的地面站通过mavlink协议收发无人机群组与地面站间传递的数据。

5.一种基于蚁群算法与人工势场法的无人机编队重构方法，其特征在于，包括以下步骤：

1)通过地面站与无人机群确定初始编队以及目标编队内每一架无人机的坐标；

2)对信息素和启发因子的权重系数α和β，以及挥发因子ρ进行初始化，确定无人机群组内无人机总量n、无人机群组总量m，以及最大迭代次数N；设定无人机群组编号k＝1，当前迭代次数iter＝1，信息素初始值τ_ij＝1，计算群组内每一架无人机的启发因子

其中η_ij表示当前无人机群组中编号为i的无人机匹配到目标编队中编号为j的无人机所对应的启发因子，d_ij为对应的距离，i＝1,2,...,n,j＝i＝1,2,...,n；

3)根据信息素计算初始编队内每一架无人机的转移概率；

4)确定当前无人机群组k内第i架无人机的移动目标，更新该无人机群的禁忌表tabu_k；

5)判断当前无人机编号i是否小于n，是则跳转到步骤4)，否则跳转到步骤6)；

6)记录当前无人机群组中所有无人机移动的路径总和L_k；

7)判断当前无人机群组k是否小于无人机群组总量m，是则跳转到步骤3)，否则跳转到步骤8)；

8)更新无人机群的信息素；

9)判断当前迭代次数iter是否小于最大迭代次数N，是则跳转到步骤3)，否则记录最短路径以及目标匹配结果，并将匹配关系传递至路径规划模块；

10)计算每架无人机所受的吸引力和斥力，根据合力计算并记录无人机下一时刻的航点的坐标；

11)判断无人机是否陷入局部最小点，如果是则给当前无人机额外施加一个逃出力F_add(q)，帮助其摆脱局部最小点；否则跳转到步骤12)；

12)判断无人机群组内每一架无人机距离目标位置的距离总和是否大于限定值，如果大于限定值则跳转到步骤10)，否则跳转到步骤13)；

13)将无人机群组内每一架无人机的最终航点坐标设置为其目标位置的坐标。

6.根据权利要求5所述基于蚁群算法与人工势场法的无人机编队重构方法，其特征在于，所述的步骤3)通过下式计算初始编队内每一架无人机的转移概率：

式中，

表示当前无人机群组k中编号为i的无人机移动到目标编队中的编号为j的无人机所在位置的转移概率；步骤4)根据转移概率

寻找出allowed_k内最大的转移概率ρ_best，根据下述公式计算allowed_k内每一个目标点转移概率的放大因子ξ_ij，其中rand为[0,1]内的随机数，allowed_k＝{1,2,...,n}-tabu_k；

根据放大因子计算新的转移概率：

通过新的转移概率

使用轮盘赌法确定当前无人机群组k内第i架无人机的匹配目标。

7.根据权利要求5所述基于蚁群算法与人工势场法的无人机编队重构方法，其特征在于，所述的步骤8)使用信息素更新公式更新当前无人机群的信息素，信息素更新公式如下：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij

8.根据权利要求5所述基于蚁群算法与人工势场法的无人机编队重构方法，其特征在于，所述的步骤10)按照下式计算每架无人机所受的吸引力和斥力：

引力场：

吸引力：

其中，k_att为引力系数，q为无人机当前的位置，q_goal为目标点位置，ρ(q_goal)表示无人机当前位置指向目标点位置的方向矢量，d₀为一常量，用于控制引力场的变化；

斥力场：

斥力：

式中，ρ^γ(q_goal)为无人机与目标点距离的γ次方，γ＝2；q_obs为障碍物的位置，ρ(q_obs)表示无人机当前位置指向目标点位置的方向矢量，L为无人机的半径；

F_rep1的方向为障碍物指向无人机的方向，F_rep2的方向为无人机指向目标点的方向；

根据无人机所受的引力与斥力的合力F以及固定步长l，通过下述公式可以计算出下一时刻无人机的航点坐标q(t+1)：

9.根据权利要求5所述基于蚁群算法与人工势场法的无人机编队重构方法，其特征在于，所述的步骤11)额外施加的逃出力F_add(q)按照下式进行计算：

其中，k_add为附加力的强度系数，l_max为逃出力的作用范围，randv为ρ(q_goal)法平面上的任意方矢量，满足randv·ρ(q_goal)＝0。

Images