CN111707273B - 一种基于遗传算法的飞行器航迹快速规划优化方法 - Google Patents

一种基于遗传算法的飞行器航迹快速规划优化方法 Download PDF

Info

Publication number
CN111707273B
CN111707273B CN202010498294.0A CN202010498294A CN111707273B CN 111707273 B CN111707273 B CN 111707273B CN 202010498294 A CN202010498294 A CN 202010498294A CN 111707273 B CN111707273 B CN 111707273B
Authority
CN
China
Prior art keywords
aircraft
point
planning
model
track
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.)
Expired - Fee Related
Application number
CN202010498294.0A
Other languages
English (en)
Other versions
CN111707273A (zh
Inventor
黄桁
王帅
吴倩倩
陶俐言
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010498294.0A priority Critical patent/CN111707273B/zh
Publication of CN111707273A publication Critical patent/CN111707273A/zh
Application granted granted Critical
Publication of CN111707273B publication Critical patent/CN111707273B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/22—Plotting boards
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于遗传算法的飞行器航迹快速规划优化方法，包括步骤：S11.建立多目标飞行器路线规划的目标函数和约束条件；S12.根据所述目标函数和约束条件建立多目标飞行器路线规划的第一模型；S13.基于非支配排序遗传算法NSGA‑II对建立的第一模型进行求解，得到航迹规划的最优解。本发明对三维空间的飞行器航迹规划问题，转化为多目标车辆路径规划问题，将复杂的飞行器空间航迹规划转为多约束下求解给定点的最短路径，简化了计算复杂度，提高了模型的通用性。

Description

一种基于遗传算法的飞行器航迹快速规划优化方法
技术领域
本发明涉及飞行器航迹优化技术领域，尤其涉及一种基于遗传算法的飞行器航迹快速规划优化方法。
背景技术
智能飞行器(Smart Aircraft,SA)，以无人机(Unmanned Aerial Vehicle,UAV)为原型衍化而来，是一种具备远距离飞行以及独立执行任务能力的新型工具设备，被广泛应用于航拍、农业植物保护、灾难救援、运送物资等普通民事领域，以及威胁侦测、敌方目标搜索、对地攻击和目标轰炸等军事领域。
而在现实生活中，随着智能飞行器技术的快速发展，控制其在复杂环境下航迹的快速规划已是该领域一个重要的热点课题。回顾往年学者对智能飞行器飞行航迹优化的相关文献，研究主要集中在“最快爬升”(张培培,王新民,陈晓,等.基于改进粒子群算法的无人机爬升轨迹优化[J].计算机仿真)的效率约束条件和“最省燃油爬升”(张锦,王伟,宁东方.用遗传算法进行飞机节油轨迹优化[J].弹箭与制导学报)的成本约束条件下的航迹优化，鲜有文献针对定位误差的航迹优化进行研究分析。由于智能飞行器的系统结构限制，该类飞行器的定位系统无法对自身进行精准定位，一旦定位误差积累到一定程度，超过某个潜在阈值，很有可能造成任务失败的局面。因此，如何在飞行过程中对定位误差进行校正是智能飞行器航迹规划中一项亟需解决的重要问题。
发明内容
本发明的目的是针对现有技术的缺陷，提供了一种基于遗传算法的飞行器航迹快速规划优化方法。
为了实现以上目的，本发明采用以下技术方案：
一种基于遗传算法的飞行器航迹快速规划优化方法，包括步骤：
S1.建立多目标飞行器路线规划的目标函数和约束条件；
S2.根据所述目标函数和约束条件建立多目标飞行器路线规划的第一模型；
S3.基于非支配排序遗传算法NSGA-II对建立的第一模型进行求解，得到航迹规划的最优解。
进一步的，所述步骤S1中建立多目标飞行器路线规划的目标函数，表示为：
Figure BDA0002523786500000021
其中，Tab表示飞行器从A点出发抵达B点时飞行航迹的总长度；N表示飞行器在飞行过程中所经过的误差校正点的数量；k表示经过的校正点的集合，{k1,k2,…,kn}；
Figure BDA0002523786500000022
表示A点到第一个误差校正点的航迹长度；
Figure BDA0002523786500000023
表示第i个校准点到第i+1校准点的航迹长度；
Figure BDA0002523786500000024
表示最后一个校准点到终点B点的航迹长度；
所述步骤S1中建立多目标飞行器路线规划的约束条件，所述约束条件包括第一约束条件、第二约束条件、第三约束条件；
第一约束条件表示为：
Figure BDA0002523786500000025
Figure BDA0002523786500000026
其中，
Figure BDA0002523786500000027
表示飞行器到达垂直校正点时的垂直误差，
Figure BDA0002523786500000028
表示飞行器到达垂直校正点时的水平误差；α1表示飞行器垂直误差在垂直误差校正点能被校正时，垂直最大容差；α2表示飞行器垂直误差在垂直误差校正点能被校正时，水平最大容差；
第二约束条件表示为：
Figure BDA0002523786500000029
Figure BDA00025237865000000210
其中，
Figure BDA00025237865000000211
为飞行器到达垂直校正点时的垂直误差，
Figure BDA00025237865000000212
为飞行器到达垂直校正点时的水平误差；β1表示飞行器水平误差在垂直误差校正点能被校正时，垂直最大容差；β2表示飞行器水平误差在垂直误差校正点能被校正时，水平最大容差。
第三约束条件表示为：
Figure BDA0002523786500000031
Figure BDA0002523786500000032
其中，
Figure BDA0002523786500000033
分别表示离开当前误差校正点时飞行器的垂直误差和水平误差；δ表示飞行器每行进1m产生的误差专用单位；
Figure BDA0002523786500000034
表示当前误差校正点到规划方案中下一个误差校正点的距离。
进一步的，所述步骤S2中建立多目标飞行器路线规划的第一模型，表示为：
Figure BDA0002523786500000035
Figure BDA0002523786500000036
进一步的，所述步骤S3具体包括：
S31.根据约束条件，产生规模为N的可行解集作为初始父代种群Pt，并通过遗传算子产生子代种群Qt，并将产生的父代种群和子代种群合并形成种群Rt；
S32.对种群Rt进行快速非支配排序，并计算每个非支配层中的个体拥挤度，根据非支配排序结果和个体拥挤度结果，利用精英选择策略选取数量为N的个体组成新的父代种群Pt+1；
S33.对选取的新的父代种群进行选择、交叉、变异操作，得到数量为N的新的子代种群Qt+1，将新的父代种群Pt+1和新的子代种群Qt+1进行合并，形成新的种群Rt+1；
S34.重复步骤S32-S33，直到达到设定的最大迭代次数。
相应的，还提供一种基于遗传算法的飞行器航迹快速规划优化方法，包括步骤：
S1.建立多目标飞行器路线规划的目标函数和约束条件；
S2.根据所述目标函数和约束条件建立多目标飞行器路线规划的第一模型；
S3.将飞行器自身最小转弯半径的约束条件加入第一模型中，得到多目标飞行器路线规划的第二模型；
S4.基于非支配排序遗传算法NSGA-II对建立的第二模型进行求解，得到航迹规划的最优解。
进一步的，所述步骤S3中飞行器自身最小转弯半径的约束条件，表示为：
Figure BDA0002523786500000041
其中，
Figure BDA0002523786500000042
表示经过第i-1个、第i个、第i+1个校准点确定的圆的半径，i≥2。
进一步的，所述步骤S3中得到多目标飞行器路线规划的第二模型，表示为：
Figure BDA0002523786500000043
Figure BDA0002523786500000044
相应的，还提供一种基于遗传算法的飞行器航迹快速规划优化方法，包括步骤：
S1.建立多目标飞行器路线规划的目标函数和约束条件；
S2.根据所述目标函数和约束条件建立多目标飞行器路线规划的第一模型；
S3.将误差校正失败概率的约束条件加入第一模型中，得到多目标飞行器路线规划的第三模型；
S4.基于非支配排序遗传算法NSGA-II对建立的第三模型进行求解，得到航迹规划的最优解。
进一步的，所述步骤S1中多目标飞行器路线规划的目标函数，表示为：
Figure BDA0002523786500000052
其中，
Figure BDA0002523786500000053
表示经过异常点，没有被成功校正但能继续按规定航迹飞行的概率；Pf＝0表示经过正常点的概率；
所述步骤S3中，误差校正失败概率的约束条件表示为：
fi×fi+1＝0
其中，fi表示第i个误差校正点是否为异常点。
进一步的，所述步骤S3中得到多目标飞行器路线规划的第三模型，表示为：
Figure BDA0002523786500000054
Figure BDA0002523786500000055
与现有技术相比，本发明综合考虑飞行器飞行过程中的累积误差、校正点误差约束、飞行器的最小转弯半径、误差校正失败概率，就智能飞行器航迹快速规划问题构建了多约束条件下的多目标数学模型。针对所建的数学模型，本发明应用NSGA-II算法，结合实际案例进行计算，验证了该模型和算法的有效性，且通过多目标规划模型能够综合考虑彼此冲突的目标函数，并在飞行器航迹距离和经过的校正点数量上取得平衡，为现实生活中飞行器的多约束多目标航迹快速规划问题提供了参考。
附图说明
图1是实施例一提供的一种基于遗传算法的飞行器航迹快速规划优化方法流程图；
图2是实施例一提供的误差校正点和起终点AB理想航线空间视图；
图3是实施例一提供的NSGA-II算法流程示意图；
图4是实施例一提供的方案一中飞行器最短飞行航迹以及误差校正点的最小数量示意图；
图5是实施例一提供的方案一中飞行器的航迹图；
图6是实施例一提供的方案二中飞行器最短飞行航迹以及误差校正点的最小数量示意图；
图7是实施例一提供的方案二中飞行器的航迹图；
图8是实施例一提供的飞行器最短飞行航迹以及误差校正点的最小数量示意图；
图9是实施例一提供的数据集2中飞行器的航迹图；
图10是实施例二提供的飞行器最短飞行航迹以及误差校正点的最小数量示意图；
图11是实施例二提供的数据集1中飞行器的航迹图；
图12是实施例二提供的方案二中飞行器最短飞行航迹以及误差校正点的最小数量示意图；
图13是实施例二提供的数据集2中飞行器的航迹图；
图14是实施例三提供的数据集1中飞行器的航迹图；
图15是实施例三提供的方案2中数据集2中飞行器的航迹图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷，提供了一种基于遗传算法的飞行器航迹快速规划优化方法。
实施例一
本实施例提供一种基于遗传算法的飞行器航迹快速规划优化方法，如图1所示，包括步骤：
S11.建立多目标飞行器路线规划的目标函数和约束条件；
S12.根据所述目标函数和约束条件建立多目标飞行器路线规划的第一模型；
S13.基于非支配排序遗传算法NSGA-II对建立的第一模型进行求解，得到航迹规划的最优解。
本实施例要求为智能飞行器拟制最佳的校准飞行路线，保证其在飞行过程中位置误差能够得到及时校正并按照规定航迹继续飞行，同时，拟定的路线还需要满足问题相应的约束条件，使得飞行器的航迹长度尽可能小，且经过校正区域进行校正的次数尽可能少。
如图2所示，智能飞行器从起始点A点出发，其垂直和水平误差均为0。
飞行器经过垂直误差校正点时，需要满足垂直误差不大于α1个单位，水平误差不大于α2个单位，才能进行即时垂直误差校正，即垂直误差清零。
飞行器经过水平误差校正点时，需要满足垂直误差不大于β1个单位，水平误差不大于β2个单位，才能进行即时水平误差校正，即水平误差清零。
因此，可将上述问题转换为带约束条件的多目标车辆路线规划问题(Multi-objective Vehicle Routing Problem,MVRP)，进而转述为：不考虑转弯半径，探寻出一种误差校正点规划方案，使得在经过校正点数量最少的情况下，车辆(飞行器)经过的路径长度最短。
在步骤S11中，建立多目标飞行器路线规划的目标函数和约束条件。
根据上述内容的分析，本模型存在两个优化目标，分别为飞行器航迹最短和飞行器经过的误差调整点数量最少，故将目标函数设定如下：
Figure BDA0002523786500000081
其中，Tab表示飞行器从A点出发抵达B点时飞行航迹的总长度；N表示飞行器在飞行过程中所经过的误差校正点的数量；k表示经过的校正点的集合，{k1,k2,…,kn}；
Figure BDA0002523786500000082
表示A点到第一个误差校正点的航迹长度；
Figure BDA0002523786500000083
表示第i个校准点到第i+1校准点的航迹长度；
Figure BDA0002523786500000084
表示最后一个校准点到终点B点的航迹长度；
建立多目标飞行器路线规划的约束条件，约束条件包括第一约束条件、第二约束条件、第三约束条件；
第一约束条件为当飞行器的垂直误差不大于α1个单位，水平误差不大于α2个单位时才能进行垂直误差校正，表示为：
Figure BDA0002523786500000085
Figure BDA0002523786500000086
其中，
Figure BDA0002523786500000087
表示飞行器到达垂直校正点时的垂直误差，
Figure BDA0002523786500000088
表示飞行器到达垂直校正点时的水平误差；α1表示飞行器垂直误差在垂直误差校正点能被校正时，垂直最大容差；α2表示飞行器垂直误差在垂直误差校正点能被校正时，水平最大容差；
第二约束条件为当飞行器的垂直误差不大于β1个单位，水平误差不大于β2个单位时才能进行水平误差校正，表示为：
Figure BDA0002523786500000089
Figure BDA00025237865000000810
其中，
Figure BDA00025237865000000811
为飞行器到达垂直校正点时的垂直误差，
Figure BDA00025237865000000812
为飞行器到达垂直校正点时的水平误差；β1表示飞行器水平误差在垂直误差校正点能被校正时，垂直最大容差；β2表示飞行器水平误差在垂直误差校正点能被校正时，水平最大容差。
第三约束条件为当垂直误差和水平误差均小于θ个单位时，飞行器仍能够按照规划路径飞行，表示为：
Figure BDA0002523786500000091
Figure BDA0002523786500000092
其中，i＝0时，ki即为A点；
Figure BDA0002523786500000093
分别表示离开当前误差校正点时飞行器的垂直误差和水平误差；δ表示飞行器每行进1m产生的误差专用单位；
Figure BDA0002523786500000094
表示当前误差校正点到规划方案中下一个误差校正点的距离。
在步骤S12中，根据目标函数和约束条件建立多目标飞行器路线规划的第一模型。
不考虑飞行器在飞行过程中转弯受到结构和控制系统的限制，即不考虑最小转弯半径，设定的数学模型如下：
Figure BDA0002523786500000095
Figure BDA0002523786500000096
在步骤S13中，基于非支配排序遗传算法NSGA-II对建立的第一模型进行求解，得到航迹规划的最优解。
在以往针对单目标优化问题，能够使用诸如遗传算法、蚁群算法、粒子群算法等智能优化算法对问题进行求解，而且在小规模问题中往往能够得到最优解。然而在多目标优化问题中如问题一，各个目标之间相互制约，较多情况在改善一个目标性能效果时，损失了其他目标的性能效果，难以求得一个使所有目标性能效果都达到最优的解，因此，本发明采用NSGA-II算法，该算法在众多解决多目标优化问题的遗传算法中影响最大且应用范围最广，具有简单有效、特征对比明显的优点。
如图3所示，步骤S13具体包括：
S131.根据约束条件，产生规模为N的可行解集作为初始父代种群Pt，并通过遗传算子产生子代种群Qt，并将产生的父代种群和子代种群合并形成种群Rt；
S132.对种群Rt进行快速非支配排序，并计算每个非支配层中的个体拥挤度，根据非支配排序结果和个体拥挤度结果，利用精英选择策略选取数量为N的个体组成新的父代种群Pt+1；
S133.对选取的新的父代种群进行选择、交叉、变异操作，得到数量为N的新的子代种群Qt+1，将新的父代种群Pt+1和新的子代种群Qt+1进行合并，形成新的种群Rt+1；
S134.重复步骤S132-S133，直到达到设定的最大迭代次数。
本实施例以数据集1、数据集2为例具体说明：
建立多目标飞行器路线规划的第一模型，利用NSGA-II算法进行求解，求解结果显示：
数据集1中存在2个较好方案：方案1——飞行器在经过8个误差校正点后，最短航迹距离为106050.2342米，航迹规划方案为：0(A)—>303—>64—>607—>170—>278—>369—>214—>397—>612(B)，程序运行时间为17.18s；方案2——飞行器在经过9个误差校正点后，最短航迹距离为105236.7332米，航迹规划方案为：0(A)—>503—>69—>237—>233—>33—>315—>403—>594—>397—>612(B)，程序运行时间为15.562s。
数据集2中的最好方案：飞行器在经过12个误差校正点后，最短航迹距离为118026.3673米，航迹规划方案为：0(A)—>163—>114—>5—>222—>8—>309—>305—>123—>45—>160—>92—>93—>61—>292—>326(B)，程序运行时间为10.01s。上述各方案求解得出的最短航迹距离均接近于AB两点直线距离，因此可证明算法的有效性，NSGA-II算法复杂度为O(mN2),其中m为目标函数数量，N为种群规模。
本实施例通过对第一模型进行求解，得到两个优解，如下表1：
最短航迹距离(米) 经过的最少校正点数量(个)
方案1 105236.7332 9
方案2 106050.2342 8
表1
如图4所示为方案一中飞行器最短飞行航迹以及误差校正点的最小数量示意图；如图5所示为方案一中飞行器的航迹图。
如图6所示为方案二中飞行器最短飞行航迹以及误差校正点的最小数量示意图；如图7所示为方案二中飞行器的航迹图。
由表1可以得出，在方案一中飞行器需多经历1个校准点，但航迹距离仅减少813.501米，因此，选择方案二作为第一模型中的最优解，如下表2为方案二中数据集1的结果：
校正点编号 校正前垂直误差 校正前水平误差 校正点类型
0 0 0 出发点A
303 17.674222 17.674222 0
64 22.805206 5.130984 1
607 18.455596 23.58658 0
170 22.048516 3.592919 1
278 10.457033 14.049953 0
369 21.893167 11.436134 1
214 13.313572 24.749705 0
397 22.330655 9.017083 1
612 16.972691 25.989774 终点B
表2
依据数据集1，得出飞行器最短航迹为106050.2342米，经过误差校正点的最少数量为8个，且经过顺序为：0(A)—>303—>64—>607—>170—>278—>369—>214—>397—>612(B)。
如下表3为方案二中数据集2的结果：
Figure BDA0002523786500000111
Figure BDA0002523786500000121
表3
依据数据集2，得出飞行器最短航迹为118026.3673米，经过误差校正点的最少数量为12个，且经过顺序为：0(A)—>163—>114—>5—>222—>8—>309—>305—>123—>45—>160—>92—>93—>61—>292—>326(B)。
如图8所示为飞行器最短飞行航迹以及误差校正点的最小数量示意图；如图9所示为数据集2中飞行器的航迹图。
NSGA-II是对初代NSGA算法的改进，被广大研究者运用在复杂约束条件下的多目标优化问题，而其优化体现在以下三个方面：
1.算法复杂度。NSGA-II在初代算法的基础上，使用了快速非支配排序算法，使得算法的时间复杂度由第一代O(mN3)降至O(mN2)，其中m为目标函数的个数，N为种群的大小。
2.精英选择策略。采用精英选择策略，并将父代种群和自带种群和并扩大采样规模，保证父代中的优良个体得以保留，不会被抛弃，从而提高由算法得出结果的准确性。
3.拥挤度比较准则。弥补了初代算法需要主动设定共享参数的缺陷，使用拥挤度比较准则作为种群个体间的比较标准，保证种群的多样性。
综上，本实施例采用NSGA-II算法求解该问题，得出的最短航迹距离均接近于AB两点直线距离，因此可证明算法是有效的。
本实施例对三维空间的飞行器航迹规划问题，转化为多目标车辆路径规划问题，将复杂的飞行器空间航迹规划转为多约束下求解给定点的最短路径，简化了计算复杂度，提高了模型的通用性。
实施例二
本实施例提供的一种基于遗传算法的飞行器航迹快速规划优化方法与实施例一的不同之处在于：
本实施例在第一模型的基础上考虑了转弯半径的飞行器航迹规划，得到第二模型，具体步骤为：
S11.建立多目标飞行器路线规划的目标函数和约束条件；
S12.根据所述目标函数和约束条件建立多目标飞行器路线规划的第一模型；
S13.将飞行器自身最小转弯半径的约束条件加入第一模型中，得到多目标飞行器路线规划的第二模型；
S14.基于非支配排序遗传算法NSGA-II对建立的第二模型进行求解，得到航迹规划的最优解。
本实施例的步骤S11、步骤S12、步骤S14均与实施例一类似，在此不多做赘述。
在步骤S13中，将飞行器自身最小转弯半径的约束条件加入第一模型中，得到多目标飞行器路线规划的第二模型。
飞行器在转弯时受到结构和控制系统的限制，无法完成即时转弯(飞行器前进方向无法突然改变)，假设飞行器的最小转弯半径为200m，因此飞行器自身最小转弯半径的约束条件，表示为：
Figure BDA0002523786500000131
其中，
Figure BDA0002523786500000132
表示经过第i-1个、第i个、第i+1个校准点确定的圆的半径，i≥2。
在第一模型的基础上，目标函数不变，加入上述新增约束条件，第二模型表示为：
Figure BDA0002523786500000141
Figure BDA0002523786500000142
本实施例以数据集1、数据集2为例具体说明：
基于第一模型，加入最小转弯半径的约束条件。本实施例证明了飞行器在最小转弯半径下航线距离最短的结论。求解飞行器转弯圆弧距离时，将航迹规划方案中连续经过的3个误差校正点转化为二维平面对圆弧进行求解。结合实施例一中提出的第一模型，得到最佳航迹规划方案：
数据集1：飞行器在经过8个误差校正点后，最短航迹距离为109029.2049米，航迹规划方案为：0(A)—>346—>69—>237—>155—>338—>457—>555—>277—>612(B)，运行时间为14.95s；
数据集2：飞行器在经过12个误差校正点后，最短航迹距离为113426.3511米，航迹规划方案为：0(A)—>163—>114—>8—>309—>305—>123—>45—>160—>92—>93—>61—>292—>326(B)，运行时间为11.96s。
通过对第二模型进行求解，得到两个优解，如下表4：
最短航迹距离(米) 经过的最少校正点数量(个)
方案1 106351.0792 9
方案2 109029.2049 8
表4
如下表5所示为数据集1的结果：
Figure BDA0002523786500000143
Figure BDA0002523786500000151
表5
依据数据集1，在再加入飞行器最小转弯半径的约束下，得出飞行器最短航迹为109029.2049米，经过误差校正点的最少数量为8个，且经过顺序为：0(A)—>346—>69—>237—>155—>338—>457—>555—>277—>612(B)。
如图10所示为飞行器最短飞行航迹以及误差校正点的最小数量示意图；如图11所示为数据集1中飞行器的航迹图。
如下表6所示为数据集2的结果：
Figure BDA0002523786500000152
Figure BDA0002523786500000161
表6
依据数据集2，在再加入飞行器最小转弯半径的约束下，得出飞行器最短航迹为113426.3511米，经过误差校正点的最少数量为12个，且经过顺序为：0(A)—>163—>114—>8—>309—>305—>123—>45—>160—>92—>93—>61—>292—>326(B)。
如图12所示为方案二中飞行器最短飞行航迹以及误差校正点的最小数量示意图；如图13所示为数据集2中飞行器的航迹图。
本实施例依旧使用带精英策略的非支配排序遗传算法(NSGA-II)，只在问题一的基础上加入了飞行器的最小转弯半径的约束，因此算法的有效性和复杂度(O(mN2))均未发生明显改变。
本实施例将航迹规划方案中连续经过的3个误差校正点转化为二维平面对曲线航迹进行求解，降低了计算的复杂度，提高了求解效率。
实施例三
本实施例提供的一种基于遗传算法的飞行器航迹快速规划优化方法与实施例一的不同之处在于：
本实施例考虑随时间会发生动态变化的飞行环，即使校正点在飞行器飞行前已经确定，但飞行器在部分校正点(简称为异常点)进行误差校正时存在无法达到理想校正的情况，即将某个误差精确校正为0。异常点能够成功将某个状态的误差校正为0的概率是80％，如果校正失败，则校正后的剩余误差为min(error校正前,5)个单位。在考虑异常点存在校正失败的情况下，以成功到达终点的概率尽可能大为目标，建立三目标优化模型(航迹尽可能短、经过的误差校正点数量尽可能少、成功到达终点的概率尽可能大)，求解出最佳飞行航迹规划方案。
具体包括步骤：
S11.建立多目标飞行器路线规划的目标函数和约束条件；
S12.根据所述目标函数和约束条件建立多目标飞行器路线规划的第一模型；
S13.将误差校正失败概率的约束条件加入第一模型中，得到多目标飞行器路线规划的第三模型；
S14.基于非支配排序遗传算法NSGA-II对建立的第三模型进行求解，得到航迹规划的最优解。
在步骤S13中，若飞行当前所在校正点是异常点(存在校准失败的概率)，那么下一个校准点必须为正常点，即异常点不能连续出现，误差校正失败概率的约束条件表示为：
fi×fi+1＝0
其中，fi表示第i个误差校正点是否为异常点。
根据申述内容，存在三个优化目标，分别为飞行器航迹最短、飞行器经过的误差调整点数量最少以及飞行器成功抵达终点的概率最大，故将目标函数设定如下：
Figure BDA0002523786500000172
其中，
Figure BDA0002523786500000173
表示经过异常点，没有被成功校正但能继续按规定航迹飞行的概率；Pf＝0表示经过正常点的概率
在第一模型建立的模型基础上，目标函数不变，加入上述新增约束条件，得到多目标飞行器路线规划的第三模型，表示为：
Figure BDA0002523786500000174
Figure BDA0002523786500000181
本实施例以数据集1、数据集2为例具体说明：
基于第一模型，考虑飞行器在动态环境下到达部分误差校正点会出现校正失败的情况，通过控制异常点出现的频率及其连续性，从而保证飞行器成功抵达终点的概率尽可能大，为此建立了多目标优化模型，利用NSGA-II算法对问题进行求解，给出航迹规划的最优策略。
数据集1：飞行器在经过9个误差校正点后，最短航迹距离为111311.1米，航迹规划方案为：0(A)—>503—>69—>91—>233—>89—>315—>450—>594—>397—>612(B)。
数据集2：飞行器在经过16个误差校正点后，最短航迹距离为129859.4米，航迹规划方案为：0(A)—>140—>163—>114—>188—>5—>222—>227—>309—>54—>123—>115—>160—>92—>93—>61—>292—>326(B)。
通过对第三模型进行求解，得到三个优解，如下表7：
Figure BDA0002523786500000182
表7
对比三个方案后，选择成功概率最大的方案3作为最优解展示。
如下表8所示为方案3中数据集1的结果：
校正点编号 校正前垂直误差 校正前水平误差 校正点类型
0 0 0 出发点A
503 13.387920 13.387920 1
69 8.807342 22.195262 0
91 17.708705 8.901363 1
233 14.649724 23.551087 0
89 22.432534 7.782811 1
315 14.378320 22.161131 0
450 19.697496 5.319176 1
594 18.052585 23.371761 0
397 21.111709 3.059124 1
612 16.972691 20.031816 终点B
表8
如图14所示为数据集1中飞行器的航迹图。
如下表9所示为通过对第三模型的求解，得到两个优解：
Figure BDA0002523786500000191
表9
如下表10为表9中方案2的数据集2：
Figure BDA0002523786500000192
Figure BDA0002523786500000201
表10
如图15所示为方案2中数据集2中飞行器的航迹图。
本实施例依旧使用带精英策略的非支配排序遗传算法(NSGA-II)，只在问题一的基础上加入了飞行器的最小转弯半径的约束，因此算法的有效性和复杂度(O(mN2))均未发生明显改变。
本实施例通过分类讨论，分析了飞行器在动态环境下误差校正的多种情况，对飞行成功概率分析模型进行了优化，提高了可行解的搜索广度。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (1)

1.一种基于遗传算法的飞行器航迹快速规划优化方法，其特征在于，包括步骤：
S1.建立多目标飞行器航迹规划的目标函数和约束条件；
S2.根据所述目标函数和约束条件建立多目标飞行器航迹规划的第一模型；
S3.将误差校正失败概率的约束条件加入第一模型中，得到多目标飞行器航迹规划的第三模型；
S4.基于非支配排序遗传算法NSGA-II对建立的第三模型进行求解，得到航迹规划的最优解；
所述步骤S1中多目标飞行器航迹规划的目标函数，表示为：
Figure FDA0003318455250000011
minN
Figure FDA0003318455250000012
其中，
Figure FDA0003318455250000013
表示经过异常点，没有被成功校正但能继续按规定航迹飞行的概率；Pf＝0表示经过正常点的概率；Tab表示飞行器从A点出发抵达B点时飞行航迹的总长度；
Figure FDA0003318455250000014
表示A点到第一个误差校正点的航迹长度；
Figure FDA0003318455250000015
表示第i个校准点到第i+1校准点的航迹长度；
Figure FDA0003318455250000016
表示最后一个校准点到终点B点的航迹长度；
所述步骤S3中，误差校正失败概率的约束条件表示为：
fi×fi+1＝0
其中，fi表示第i个误差校正点是否为异常点；
所述步骤S3中得到多目标飞行器航迹规划的第三模型，表示为：
Figure FDA0003318455250000021
Figure FDA0003318455250000022
其中，
Figure FDA0003318455250000023
表示飞行器到达垂直校正点时的垂直误差，
Figure FDA0003318455250000024
表示飞行器到达垂直校正点时的水平误差。
CN202010498294.0A 2020-06-04 2020-06-04 一种基于遗传算法的飞行器航迹快速规划优化方法 Expired - Fee Related CN111707273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010498294.0A CN111707273B (zh) 2020-06-04 2020-06-04 一种基于遗传算法的飞行器航迹快速规划优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010498294.0A CN111707273B (zh) 2020-06-04 2020-06-04 一种基于遗传算法的飞行器航迹快速规划优化方法

Publications (2)

Publication Number Publication Date
CN111707273A CN111707273A (zh) 2020-09-25
CN111707273B true CN111707273B (zh) 2021-11-30

Family

ID=72539235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010498294.0A Expired - Fee Related CN111707273B (zh) 2020-06-04 2020-06-04 一种基于遗传算法的飞行器航迹快速规划优化方法

Country Status (1)

Country Link
CN (1) CN111707273B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112525195B (zh) * 2020-11-20 2022-03-01 中国人民解放军国防科技大学 基于多目标遗传算法的飞行器航迹快速规划方法
CN112861253B (zh) * 2020-12-25 2023-08-22 航天科工微电子系统研究院有限公司 一种异质多飞行器复杂构型协同弹道规划方法
CN112784497B (zh) * 2021-02-05 2022-09-27 中国人民解放军93534部队 一种基于遗传算法的地面雷达组网开机优化方法
CN113029150B (zh) * 2021-03-10 2023-09-08 辽宁工程技术大学 一种多约束条件下的智能飞行器航迹规划方法
CN113221389B (zh) * 2021-06-17 2023-08-08 中国人民解放军火箭军工程大学 一种飞行器发射时间筹划方法及系统
CN114492735A (zh) * 2021-12-30 2022-05-13 北京理工大学 一种无人机集群过程行为建模与协同优化方法及系统
CN114415524B (zh) * 2022-03-31 2022-06-21 中国人民解放军96901部队 一种启发式协同多飞行器的轨迹交叉分析及冲突消解方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6792363B1 (en) * 2003-06-17 2004-09-14 Honeywell International, Inc. System and method for trajectory optimization using adaptive navigation performance estimation
CN104729509B (zh) * 2015-03-24 2017-11-14 张韧 一种基于非支配排序遗传算法ii的航迹规划方法
JP2018511136A (ja) * 2015-03-26 2018-04-19 マターネット， インコーポレイテッドＭａｔｔｅｒｎｅｔ， Ｉｎｃ． 無人航空機のための経路計画
CN105160417B (zh) * 2015-08-04 2019-05-14 大连大学 基于改进nsga-ii算法的航天器任务规划求解方法
CN110715664B (zh) * 2019-11-05 2021-04-20 大连理工大学 多约束条件下智能无人飞行器航迹快速规划方法
CN111006693B (zh) * 2019-12-12 2021-12-21 中国人民解放军陆军工程大学 智能飞行器航迹规划系统及其方法

Also Published As

Publication number Publication date
CN111707273A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
CN111707273B (zh) 一种基于遗传算法的飞行器航迹快速规划优化方法
Ropero et al. TERRA: A path planning algorithm for cooperative UGV–UAV exploration
CN106970648B (zh) 城市低空环境下无人机多目标路径规划联合搜索方法
Yang et al. Path planning for single unmanned aerial vehicle by separately evolving waypoints
Zheng et al. Evolutionary collaborative human-UAV search for escaped criminals
Zhang et al. Cooperative and geometric learning algorithm (CGLA) for path planning of UAVs with limited information
US8825366B2 (en) Method and device for determining an optimal flight trajectory followed by an aircraft
CN111044052B (zh) 一种基于智能感知的无人机自适应导航系统及方法
CN111256697B (zh) 一种针对路径点聚类机器学习的无人机航迹规划方法
CN110986960B (zh) 一种基于改进聚类算法的无人机航迹规划方法
CN112666981B (zh) 基于原鸽群动态群组学习的无人机集群动态航路规划方法
Jeauneau et al. Path planner methods for UAVs in real environment
Wang et al. Multiperiod coverage path planning and scheduling for airborne surveillance
CN112824998A (zh) 马尔可夫决策过程的多无人机协同航路规划方法和装置
CN115435787B (zh) 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统
CN115167502A (zh) 基于免疫克隆算法的无人机协同航迹规划方法及装置
Liu et al. Multi-uavs cooperative coverage reconnaissance with neural network and genetic algorithm
Sanders et al. Optimal offline path planning of a fixed wing unmanned aerial vehicle (UAV) using an evolutionary algorithm
CN112925317A (zh) 一种基于改进型头脑风暴优化算法的auv路径规划方法
CN116048126A (zh) 一种基于abc快速收敛的无人机实时路径规划方法
Chen et al. A Two‐Stage Method for UCAV TF/TA Path Planning Based on Approximate Dynamic Programming
Sun et al. Unmanned aerial vehicle path planning based on improved intelligent water drop algorithm
Zheng et al. A method for UAV tracking target in obstacle environment
Rao et al. An Improved Ant Colony Algorithm for UAV Path Planning in Uncertain Environment
Ma et al. Research on route planning of cruise missile based on improved particle swarm optimization algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211130