CN112033416B

CN112033416B - 一种无人机静态航迹规划方法和装置

Info

Publication number: CN112033416B
Application number: CN202010987540.9A
Authority: CN
Inventors: 武明义; 柴旭朝; 瞿博阳; 郑志帅; 刘萍; 闫李; 付凯; 肖俊明
Original assignee: Zhongyuan University of Technology
Current assignee: Zhongyuan University of Technology
Priority date: 2020-09-18
Filing date: 2020-09-18
Publication date: 2021-08-10
Anticipated expiration: 2040-09-18
Also published as: CN112033416A

Abstract

本发明提供一种无人机静态航迹规划方法和装置，规划方法包括如下步骤：步骤1，构建无人机飞行环境的三维坐标图，并确定静态轨迹航线中的避让风险信息和无人机航迹的坐标信息；步骤2，基于坐标信息和避让风险信息确定无人机航迹的飞行区域；步骤3，建立航迹的总代价模型，总代价模型的计算结果表征航迹在无人机飞行时的适应度大小；步骤4，在飞行区域内设置N条无人机的初始航迹，并划分成三个子种群；步骤5，对不同子种群采用多策略融合差分算法更新每个子种群的子代航迹；并通过总代价模型选择所有子种群中适应度最小的子代航迹作为无人机静态航迹。本发明能够规划出一条既能规避风险又能满足无人机可飞性的静态航迹。

Description

一种无人机静态航迹规划方法和装置

技术领域

本发明属于无人机技术领域，具体涉及一种无人机静态航迹规划方法和装置。

背景技术

无人机在军事领域(如侦察、跟踪、打击)和民用领域(如救援、搜索、监测)均有广阔的应用前景，特别是在危险、偏远或恶劣的环境下已逐渐取代了有人机系统。为确保无人机高效执行任务，根据环境信息、无人机自身特性、任务需求预先规划出一条合理的静态的全局的航迹是必不可少的，其安全性和可靠性直接决定着后续实时局部规划航迹的优劣，也逐渐成为目前普遍关注的一个热点问题。

与机器人路径规划相比不同的是，无人机静态航迹规划是面对复杂的三维场景，若在军事领域还要面对雷达、高炮等威胁源，以及还需考虑无人机本身动力学约束的可飞行性。

为了使无人机能够实现自动、安全的飞行，需要提前对无人机的航迹进行规划，需要操作人员从纸质地图中逐点查找、计算航点，并手动将得到的航线数据输入无人机系统中。这一工作往往需要花费操作人员很长的时间，但是如果航线发生一些变动，会导致不能很好的适应，即存在适应性差的问题。

目前也多采用智能优化算法，以提高无人机航迹规划的效果，主要有灰狼算法(GWO)、改进的蝙蝠算法(IBA)、自适应差分进化算法(SaDE)、差分进化算法(DE)和多种群差分进化进化算法(MPEDE)等。但采用这些算法进行无人航迹规划时，存在收敛速度慢、鲁棒性差且当面临更加复杂的任务环境时难以寻找到更优的路径等问题。

因此，需要提供一种针对上述现有技术中不足的改进技术方案。

发明内容

本发明的目的是提供一种无人机静态航迹规划方法和装置。

为了实现上述目的，本发明提供如下技术方案：

一种无人机静态航迹规划方法，所述规划方法包括如下步骤：

步骤1，构建无人机飞行环境的三维坐标图，并确定静态轨迹航线中的避让风险信息和无人机航迹的坐标信息；所述避让风险包括山峰、威胁源；所述威胁源包括雷达、火炮和禁飞区；

步骤2，基于所述无人机航迹的坐标信息和所述避让风险信息确定所述无人机航迹的飞行区域；

步骤3，建立无人机航迹的总代价模型，所述总代价模型的计算结果表征航迹在无人机飞行时的适应度大小；

步骤4，在所述飞行区域内设置N条无人机的初始航迹，并将N条初始航迹划分成三个子种群；

步骤5，对不同子种群采用多策略融合差分算法更新每个子种群的子代航迹；并通过所述总代价模型选择所有子种群中适应度最小的子代航迹作为所述无人机静态航迹；所述多策略融合差分算法是指在进行差分算法处理时，对于不同子种群交叉操作采用相同的交叉策略，同时变异操作采用不同的变异策略。

本申请的一些优选实施例，步骤2中，在基于所述无人机航迹的坐标信息和所述避让风险信息确定所述无人机航迹的飞行区域时，需要设定飞行区域边界约束条件，通过设定的飞行区域边界约束得到所述无人机航迹的飞行区域。

本申请的一些优选实施例中，步骤4中，在所述飞行区域内设置N条无人机的初始航迹，并将N条初始航迹划分成三个子种群时，包括如下过程：

设置N条无人机的初始航迹，并设定对应的控制参数；所述控制参数包括控制点数量、每条航迹的初始交叉因子、每条航迹的初始缩放因子和最小迭代次数；

对无人机的每条初始航迹都进行平滑处理，以满足无人机可行性飞行条件；

将进行平滑处理后的N条初始航迹划分成三个子种群。

本申请的一些优选实施例中，步骤5中，在对不同子种群采用多策略融合差分算法更新每个子种群的子代航迹；并通过所述总代价模型选择所有子种群中适应度最小的子代航迹作为所述无人机静态航迹时，包括如下过程：

根据总代价模型计算结果获得每个子种群中的每个初始航迹的适应度；

对不同的子种群分别采用相同交叉策略进行交叉操作，采用不同的变异策略进行变异操作；

对每个子种群均采用相同的选择策略进行选择操作，从而更新子代航迹；

当达到设定的最小迭代次数时，从最小迭代次数所对应的子代航迹中选择所有子种群中适应度最小的子代航迹作为所述无人机静态航迹。

本申请的一些优选实施例中，所述规划方法还包括以下步骤：

首先，基于最小迭代次数，设置至少一个中间迭代次数，当达到其中一个中间迭代次数时，通过所述总代价模型判断第一子种群、第二子种群或者第三子种群的航迹更新效果更好；

然后，根据判断出的航迹更新效果更好的结果，重新划分三个子种群的航迹数。

本申请的一些优选实施例中，步骤1中，构建无人机飞行环境的三维坐标图，并确定静态轨迹航线中的避让风险信息和无人机航迹的起始点坐标信息时，包括以下过程：

基于所述无人机飞行环境的三维坐标图确定山峰的地形高度；

基于所述无人机飞行环境的三维坐标图确定所述威胁源的信息；

基于所述无人机飞行环境的三维坐标图确定所述无人机航迹的起点坐标信息和终点坐标信息。

本申请的一些优选实施例中，所述总代价模型包括威胁源代价模型和无人机飞行代价模型；所述威胁源代价模型包括雷达代价模型、火炮代价模型和禁飞区代价模型；所述无人机代价模型包括航路燃油代价模型、偏向角代价模型、爬升角代价模型和高度代价模型。

本申请的一些优选实施例中，对于更新的子代航迹，其缩放因子F为：

Dif_meanF＝M_newF-M_oldF

F_i,G+1＝F_i,G+Dif_meanF

式中，M_oldF为第i-1代种群中所有个体中的最小适应度值对应的缩放因子，M_newF为第i代种群中所有个体中的最小适应度值对应的缩放因子，F_i,G+1为第i个个体在G+1代的缩放因子。

本申请的一些优选实施例中，对于更新的子代航迹，其交叉因子CR为：

Dif_meanCR＝M_newCR-M_oldCR

CR_i,G+1＝CR_i,G+Dif_meanCR

式中，M_oldCR为第i-1代种群中所有个体的适应度值对应的交叉因子，M_newF为第i代种群中所有个体中的最小适应度值对应的交叉因子，CR_i,G+1为第i个个体在G+1代的交叉因子。

本发明还提出一种无人机静态航迹规划装置包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，所述处理器在执行所述的计算机程序时实现上述的无人机静态航迹规划方法的步骤。

与最接近的现有技术相比，本发明提供的技术方案具有如下有益效果：

在本申请中基于差分进化算法首先划分为多种群，并分别采用不同的变异策略，提高了算法的探索能力；然后自适应差分算法的缩放因子和交叉因子，使得算法能够在整个优化过程中自主侧重局部搜索和全局搜索，并能够自适应调整收敛速度；最后的种群间交叉变异，加强了种群间的信息交流，同样增加了种群的探索能力，因此，本发明采用多策略融合差分进化算法能够规划出一条既能规避风险又能满足无人机可飞性的静态三维航迹。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。其中：

图1为本发明无人机静态航迹规划方法的流程图；

图2为本发明包含威胁源的三维坐标图；

图3为本发明的规划方法与现有规划方法得到航迹的示意图；

图4为本发明的规划方法与现有规划方法在规划过程中总代价成本随迭代次数的变化关系图。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。各个示例通过本发明的解释的方式提供而非限制本发明。实际上，本领域的技术人员将清楚，在不脱离本发明的范围或精神的情况下，可在本发明中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本发明包含归入所附权利要求及其等同物的范围内的此类修改和变型。

在本申请中，采用基于多策略融合差分进化算法(MSFDE)规划无人机静态航迹，主要技术构思是：先产生一随机初始群体；然后将初始群体划分成若干子种群，对于不同的子种群，采用相同的交叉操作但是采用不同的变异操作，通过选择操作确定每个子种群的下一代；当迭代到一定次数时，通过不同子种群之间的比较确定哪个子种群的更新效果更好；然后，重新对子种群进行划分，最后在达到最小迭代次数时的子代航迹中，选择适应度最小的子代航迹作为本发明无人机静态航迹。

方法实施例：

基于上述采用多策略融合差分进化算法(MSFDE)规划无人机静态航迹的主要技术构思，本发明的无人机静态航迹规划方法如图1所示，包括如下步骤：

步骤1，构建无人机飞行环境的三维坐标图，并确定静态轨迹航线中的避让风险的信息和无人机航迹的坐标信息。

所述避让风险包括山峰、危险源；所述危险源包括雷达、火炮和禁飞区；

S11，基于所述无人机飞行环境的三维坐标图确定所述山峰的地形高度；

首先，通过所述无人机飞行环境的三维坐标图获取山峰的坐标和山峰的数量；

然后，根据所述山峰的坐标和所述山峰的数量确定所述飞行环境中地形的高度。

在本实施例中地形高度函数表示为：

其中，(x_i,y_i)为山峰的坐标，T(x,y)为坐标为(x,y)处的地形高度，m为山峰数目，T_i为高度幅值，x_si和y_si分别为第i个山峰沿着X轴和Y轴的减量。

步骤S12，基于所述无人机飞行环境的三维坐标图确定所述威胁源的信息；

本申请实施例中威胁源包括雷达、火炮和禁飞区，不同的威胁源确定的信息不同，确定的危险源的信息不同。

对于雷达，将雷达造成的威胁区域近似为圆柱形区域表示，主要确定雷达的威胁半径和威胁强度；

在本申请实施例中，雷达共有四个，那么四个雷达的威胁半径和威胁强度如表1所示。

表1

编号	位置	威胁半径	威胁强度
				Artillery1	(50,30)	7	10
Artillery2	(50,80)	7	8
				Artillery3	(70,75)	8	9
Artillery4	(50,48)	7	5

对于火炮(导弹)，将火炮造成的威胁区域近似为圆柱形区域表示，主要确定火炮的威胁半径和威胁强度；

在本申请实施例中，火炮共有四个，那么四个火炮的威胁半径和威胁强度如表2所示。

表2

编号	位置	威胁半径	威胁强度
				Radar1	(35,30)	7	6
Radar2	(85,60)	10	5
				Radar3	(20,70)	7	7
Radar4	(30,30)	8	8

对于禁飞区，将禁飞区形成的威胁区域近似由矩形区域表示，主要确定禁飞区的位置坐标；

在本申请实施例中，禁飞区共有两个，那么两个火炮的位置坐标如表3所示。

表3

编号	形状	四个角坐标位置
			NFZ1	长方形	(60,30)、(60,45)、(75,30)、(75,45)
NFZ2	长方形	(50,55)、(50,65)、(70,55)、(70,65)

步骤S12，基于所述无人机飞行环境的三维坐标图确定所述无人机航迹的起点坐标信息和终点坐标信息；

在本实施例中，无人机航迹起点坐标设置为(5，3，0.1)、终点坐标设置为(90，95，0.1)；基于该无人机航起点和终点所构建的环境的三维坐标如图2所示。

步骤2，基于所述无人机航迹的坐标信息和所述避让风险信息确定所述无人机航迹的飞行区域。

在基于所述无人机航迹的坐标信息和所述避让风险信息确定所述无人机航迹的飞行区域时，需要设定飞行区域边界约束条件，通过设定的飞行区域边界约束条件得到所述无人机航迹的飞行区域；所述飞行区域边界约束条件包括水平方向边界约束和离地面飞行高度边界约束。

设定的飞行区域边界约束条件包括水平方向边界约束(X、Y方向)、离地面飞行高度边界约束(Z方向)，飞行区域边界约束条件如下：

0≤X≤90，0≤Y≤95,0≤H≤5，0≤FH≤1.2

其中，X为地面区域X轴方向的飞行范围，Y为地面区域Y轴方向的飞行范围；H为空中飞行高度，FH为离地面飞行高度。

在设定飞行区域边界约束条件时，一般考虑避让风险信息，从而合理设定飞行区域边界约束条件。该飞行区域边界约束条件的设定一般根据经验进行设定的。

步骤3，建立无人机航迹的总代价模型，通过所述总代价模型的计算结果表征航迹在无人机飞行时的适应度大小。

所述总代价模型的计算结果用于表征航迹在无人机飞行时的适应度大小。

所述总代价模型包括威胁源代价模型和无人机飞行代价模型；

所述威胁源代价模型包括雷达代价模型、火炮代价模型和禁飞区代价模型；

所述无人机代价模型包括航路燃油代价模型、偏向角代价模型、爬升角代价模型和高度代价模型。

在本实施例中，威胁源代价模型中的雷达代价模型、火炮代价模型和禁飞区代价模型分别为：

雷达代价模型表示为：

式中，C_{t_r}为雷达的威胁代价；d_r1为无人机与雷达威胁中心的距离；R_{t_r}为雷达的最小探测半径；k为雷达威胁等级。

火炮代价模型表示为：

式中，C_{t_a}为火炮的威胁代价；d_r2为无人机与火炮威胁中心的距离；R_{t_a}为火炮的最小杀伤半径。

禁飞区代价模型表示为：

式中，

C_NFZ为禁飞区威胁代价；InNFZ(i,j)为禁飞区边界条件，

和

分别代表禁飞区在x轴的上下限；

和

分别代表禁飞区在y轴的上下限。

在本实施例中，无人机代价模型中的航路燃油代价模型、偏向角代价模型、爬升角代价模型和高度代价模型分别为：

航路燃油代价模型表示为：

式中，l_i为航段，即相邻航路点间距；n航段数；L_EC为起点和终点间的欧式距离。

航向角代价模型表示为：

式中，r_min为安全飞行的最小转弯半径；r_cur为无人机飞行的转弯半径；当r_cur≥r_min，航段满足可飞行条件。

爬升角代价函数

式中，γ_max为最小爬升角；γ_i为无人机飞行时的爬升角，如果无人机飞行时的爬升角大于最小爬升角时将会失速；N为航路点个数。

高度代价模型表示为：

式中，H_UAV和H_mou分别为航路点处的无人机的飞行高度和地形高度；H_max为无人机飞行时的最小安全距离。

航迹的总代价模型为

f＝m₁·(C_{t_r}+C_{t_a})+m₂·C_L+m₃·C_θ+m₄·C_γ+m₅·C_H

式中，m₁,m₂,m₃,m₄和m₅分别为各个代价成本的权重系数，其设置如表4所示。

表4

每个航迹均有对应的总代价模型，通过总代价模型能够判断每个航迹的适应度。

步骤4，在所述飞行区域内设置N条无人机的初始航迹，并将N条航迹划分成三个子种群。

S41，设置N条无人机的初始航迹，并设定对应的控制参数；所述控制参数包括控制点数量、每条航迹的初始交叉因子、每条航迹的初始缩放因子和最小迭代次数；

每条所述航迹包括起点和终点，每条航迹在起点和终点之间还设置有航路点，也就是说每条航迹是起点、控制点和终点的连线。其中，控制点是可变的，即在本申请算法的迭代处理过程会发生偏移，以有效的避开风险，从而能够保证无人机的安全飞行。

在本申请中控制点数量为9，那么航迹的总控制点数一共有11个。

在本申请实施例中，初始航迹数N＝200；为每个初始航迹个体按照数字顺序编号，即1、2、3…200；

相对应的初始化交叉因子矩阵的行数为200，列为1，元素由均值为0.5，标准差为0.1的正态分布产生；初始化缩放因子矩阵的行数为200，列为1，元素由均值为0.5，标准差为0.1的正态分布产生；

最小迭代次数D＝300。

S42，对无人机的每条初始航迹都进行平滑处理，以满足无人机可行性飞行条件；

由于11个数量较少，形成的航迹由折线构成，不满足无人机可飞行条件，因此，需要进行平滑处理，使得到的航迹平滑，满足无人机可飞行条件。

采用B样条曲线方法来平滑由这11个控制点构成的航迹，每两个航路点之间插入11个航路点，总共生成121个航路点。

其中，B样条曲线函数N_i,p(u)如下式：

式中，P_i为控制点，N_i,p(u)是基函数，U＝[u₀,u₁,…,u_m]是节点向量，k代表阶次。

S43，将进行平滑处理后的N条初始航迹划分成三个子种群；

将200个进行平滑处理后的初始轨迹线分为三个子种群，分别为第一子种群P1、第二子种群P2和第三子种群P3。

其中，第一子种群P1的航迹(个体)数为40；第二子种群P2的个体数为40；第三子种群P3的个体数为120。

步骤5，对不同子种群采用多策略融合差分算法更新每个子种群的子代航迹；并通过所述总代价模型确定所有子种群中适应度最小的子代航迹作为所述无人机静态航迹；

所述多策略融合差分算法是指在进行差分算法处理时，对于不同子种群交叉操作采用相同的交叉策略，同时变异操作采用不同的变异策略。

S51，根据总代价模型的计算结果获得每个子种群中的每个初始航迹的适应度f_N,G；

航迹的适应度用来评估每条航迹相对于所有航迹(种群)优劣的相对的大小。

航迹的适应度表示为f_N,G，其中，N表示航迹编号，N∈(1，200)；G表示更新迭代的次数，G∈(1，300)。

通过总体代价模型，每个初始航迹的适应度值分别为f_1,1、f_2,1…f_200,1。

S52，对不同的子种群分别采用相同交叉策略进行交叉操作，采用不同的变异策略进行变异操作；

在本实施例中，子种群有三个，三个子种群采取的变异策略分别如下：

第一子种群P1所采用的变异策略为：

式中，X_i,G表示第G代的编号为i航迹(个体)；V_i,G表示经变异策略之后得到的X_i,G对应的供体向量；F是缩放因子；X_pbest,G表示在该种群的前100*p％优秀(根据适应度进行排序，由小到大)个体中随机选择的一个；X_r1,G表示从当前种群中随机选取的；

从一个外部存档集A和当前种群的并集中随机选择一个，A的最小规模为200，它由子代表现优于父代的个体组成，当A的规模超过200时，则从中随机选取200个去掉多余的个体。

第二子种群P2所采用的变异策略为：

V_i,G＝X_i,G+K·(X_rbest,G-X_i,G)+F·(X_rbest,G-X_rworst,G)

式中，X_i,G表示第G代的编号为i航迹(个体)；V_i,G表示经变异策略之后得到的X_i,G对应的供体向量；F是缩放因子；K是组合系数由0到1的均匀分布随机产生；X_rbest,G是从三个种群中各自选择一个个体并进行适应度值比较之后，表现最好的那个个体；同理，X_rworst,G是表现最差的个体；其余的个体则用X_rmedian,G表示。

第三子种群P3所采用的变异策略为：

V_i,G＝X_rbest,G+F·(X_rmedian,G-X_rworst,G)

式中，X_i,G表示第G代的编号为i航迹(个体)；F是缩放因子；X_rbest,G是从三个种群中各自选择一个个体并进行适应度值比较之后，表现最好的那个个体；同理，X_rworst,G是表现最差的那个个体；其余的个体则用X_rmedian,G表示。

在本实施例中，第一子种群P1、第二子种群P2和第三子种群P3均采用的相同交叉策略如下：

式中，U_i,j表示经交叉策略之后得到的X_i,j对应的试验向量；j_rand是1到D中随机产生的一个整数；D是变量的维度；CR是交叉概率，在均匀分布0到1之间随机产生一个数，如果小于交叉概率CR或者j＝jrand条件满足则试验向量继承变异策略产生的结果(即，V_i,j)，否则试验向量则还等于原个体，维持不变。

使用交叉操作，是为了增加下一代种群的多样性。

S53，对每个子种群均采用相同的选择策略进行选择操作，从而更新子代航迹；

当子种群的个体(航迹)进行变异、交叉操作后，通过比较选择得到下一代，选择的策略如下：

式中，f(X_i,G)为父代个体的适应度；f(U_i,G)为子代个体的适应度；

如果f(X_i,G)≤f(U_i,G)，则选择X_i,G作为下一代，即个体维持不变；

如果f(U_i,G)≤f(X_i,G)，则选择U_i,G作为下一代。

S54，当达到设定的最小迭代次数时，从最小迭代次数所对应的子代航迹中选择所有子种群中适应度最小的子代航迹作为所述无人机静态航迹。

判断该子代是否为设定的最小迭代次数N，如果是，就从该子代中的所有子种群中选择适应度最小的航迹作为所述无人机静态航迹。否则，继续更新迭代。

在一些优选实施例中，在执行步骤S54之前，还包括

首先，基于最小迭代次数，设置至少一个中间迭代次数，当达到中间迭代次数时，通过所述总代价模型判断第一子种群、第二子种群或者第三子种群的航迹更新效果哪个更好。在本申请实施例中，中间迭次次数分别为40次、80次、120次、160次。

在本申请实施例中，以中间迭代为40时，描述对中间迭代次数的判断、处理过程。步骤S53的子代更新至第40代时，利用总代价模型分别计算三个子种群的第40代个体(航迹)适应度。

首先，根据总代价模型获得每条航迹(第40代个体)的总代价值；

其次，将该第40代航迹的每个总代价值分别与初始航迹的每个总代价值作差处理，得到每个个体的差异变化量；

然后，分别计算第一子种群、第二子种群和第三子种群的总差异变化量；总差异变化量最小的子种群判断为航迹更新效果更好。

然后，根据判断出的航迹更新效果更好的结果，重新划分三个子种群的航迹(个体)数；

当判断结果为第一个变异操作的航迹更新效果更好，那么从第41代开始，三个子种群中航迹(个体)数为：第一子种群P1的航迹(个体)数为120；第二子种群P2的个体数为40；第三子种群P3的个体数为40。

在本申请的实施例中，对应更新的每一子代航迹，均需更新三个子种群中所有子代航迹(个体)的缩放因子和交叉因子。

缩放因子F的更新为：

Dif_meanF＝M_newF-M_oldF

F_i,G+1＝F_i,G+Dif_meanF

M_oldF为第i-1代种群中所有个体中的最小适应度值对应的缩放因子，M_newF为第i代种群中所有个体中的最小适应度值对应的缩放因子，F_i,G+1为第i+1个个体在G+1代的缩放因子；

交叉因子CR的更新为：

Dif_meanCR＝M_newCR-M_oldCR

CR_i,G+1＝CR_i,G+Dif_meanCR

M_oldCR为第i-1代种群中所有个体中的最小适应度值对应的交叉因子，M_newF为第i代种群中所有个体中的最小适应度值对应的交叉因子，CR_i,G+1为第i+1个个体在G+1代的交叉因子。

装置实施例：

无人机静态航迹规划装置包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时实现上述的无人机静态航迹规划方法的步骤。基于无人机静态航迹规划方法已在方法实施例中详细介绍，此处不再赘述。

另外，本申请将本申请的规划方法和现有的基于其他算法的规划方法放在一起进行对比分析，共进行了30次独立实验：图3为本发明的规划方法与采用现有规划方法得到航迹，通过图3能够发现所有规划方法均能找到满足约束条件的航迹，并且本发明的规划方法MSFDE所得到的航迹远远优于GWO、DE和SaDE三个算法，而对于其它两种算法虽然效果不明显，但仍然占有优势。基于图3中航迹的信息，计算得到最优值、最差值、均值和标准差；如表5所示，通过表5分析可知，在四个评价指标(最优值、最差值、均值和标准差)在小数点后保留六位有效数字的情况下MSFDE均小于其它几种比较算法，从而证明在满足约束条件的情况下，MSFDE能够找到使航迹代价更小的路径，并且标准差值的大小也说明MSFDE有更好的鲁棒性。

表5

图4为本发明的规划方法与现有规划方法在规划过程中总代价成本随迭代次数的变化关系图，通过图4能够发现MSFDE的最终收敛值小于其它五种算法，且当到达第200代的时候MSFDE的适应度值已经小于其他几种算法了，由此说明该规划方法具有更强的探索能力以及收敛速度。

与现有技术相比，本发明无人机静态规划方法采用多策略融合差分算法，具有首先划分为多种群，并分别采用不同的变异策略，提高了算法的探索能力；然后自适应差分算法的缩放因子和交叉因子，使得算法能够在整个优化过程中自主侧重局部搜索和全局搜索，并能够自适应调整收敛速度；最后的种群间交叉变异，加强了种群间的信息交流，同样增加了种群的探索能力。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均在本发明待批权利要求保护范围之内。

Claims

1.一种无人机静态航迹规划方法，其特征在于，所述规划方法包括如下步骤：

步骤5，对不同子种群采用多策略融合差分算法更新每个子种群的子代航迹；并通过所述总代价模型选择所有子种群中适应度最小的子代航迹作为所述无人机静态航迹；所述多策略融合差分算法是指在进行差分算法处理时，对于不同子种群交叉操作采用相同的交叉策略，同时变异操作采用不同的变异策略；

步骤4中，在所述飞行区域内设置N条无人机的初始航迹，并将N条初始航迹划分成三个子种群时，包括如下过程：

将进行平滑处理后的N条初始航迹划分成三个子种群；

步骤5中，在对不同子种群采用多策略融合差分算法更新每个子种群的子代航迹；并通过所述总代价模型选择所有子种群中适应度最小的子代航迹作为所述无人机静态航迹时，包括如下过程：

2.根据权利要求1所述的无人机静态航迹规划方法，其特征在于，步骤2中，在基于所述无人机航迹的坐标信息和所述避让风险信息确定所述无人机航迹的飞行区域时，需要设定飞行区域边界约束条件，通过设定的飞行区域边界约束得到所述无人机航迹的飞行区域。

3.根据权利要求1所述的无人机静态航迹规划方法，其特征在于，所述规划方法还包括以下步骤：

4.根据权利要求1所述的无人机静态航迹规划方法，其特征在于，步骤1中，构建无人机飞行环境的三维坐标图，并确定静态轨迹航线中的避让风险信息和无人机航迹的起始点坐标信息时，包括以下过程：

5.根据权利要求4所述的无人机静态航迹规划方法，其特征在于，所述总代价模型包括威胁源代价模型和无人机飞行代价模型；所述威胁源代价模型包括雷达代价模型、火炮代价模型和禁飞区代价模型；所述无人机代价模型包括航路燃油代价模型、偏向角代价模型、爬升角代价模型和高度代价模型。

6.根据权利要求1所述的无人机静态航迹规划方法，其特征在于，对于更新的子代航迹，其缩放因子F为：

Dif_meanF＝M_newF-M_oldF

F_i,G+1＝F_i,G+Dif_meanF

7.根据权利要求1所述的无人机静态航迹规划方法，其特征在于，对于更新的子代航迹，其交叉因子CR为：

Dif_meanCR＝M_newCR-M_oldCR

CR_i,G+1＝CR_i,G+Dif_meanCR

8.一种无人机静态航迹规划装置，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，其特征在于，所述处理器在执行所述的计算机程序时实现如权利要求1-7任一项述的无人机静态航迹规划方法的步骤。