CN112229409B - 基于贝叶斯和进化算法的无人机协同航迹规划方法 - Google Patents
基于贝叶斯和进化算法的无人机协同航迹规划方法 Download PDFInfo
- Publication number
- CN112229409B CN112229409B CN202011101297.2A CN202011101297A CN112229409B CN 112229409 B CN112229409 B CN 112229409B CN 202011101297 A CN202011101297 A CN 202011101297A CN 112229409 B CN112229409 B CN 112229409B
- Authority
- CN
- China
- Prior art keywords
- track
- unmanned aerial
- antibody
- aerial vehicle
- node
- 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.)
- Active
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出了一种基于贝叶斯和进化算法的无人机协同航迹规划方法,主要解决现有技术中无人机协同航迹规划存在优化难度大及优化效率低的问题。其方案为:通过计算两条航迹节点之间的距离找到一组相同或相近的节点,然后以这些节点为界将两条航迹划分为一组可交换的航迹单元对;再通过计算所有航迹单元对交换之后航迹长度的变化强度,从而确定该航迹单元对的交换强度;最后,根据航迹单元对的交换强度使用贝叶斯推理来确定航迹单元的交换概率,得到无人机的协同总代价。本发明在多种威胁代价的无人机协同航迹规划任务中,可有效避免航迹断点的产生、提高了优化的收敛性,能够更加高效的实现无人机航迹寻优,获取更高的优化性能。
Description
技术领域
本发明属于信息处理技术领域,涉及无人机的航行轨迹规划,具体是一种基于贝叶斯和进化算法的无人机协同航迹规划方法,可用于三维空间的无人机航迹规划。
背景技术
多无人机协同飞行是未来无人机发展的重要趋势,而航迹规划问题是无人机飞行的关键环节。多无人机协同飞行对航迹规划问题提出了更高的要求,它不仅需要考虑无人机飞行时所面对的多种外部威胁以及自身航迹长度的限制,还需要考虑多个无人机的整体协作。
为了更好的解决多无人机航迹的协同规划问题,Zhonghua Hu等人于2011年在《Journal of Information&Computational Science》上发表了一篇题为“CooperativeAttack Path Planning for Unmanned Air Vehicles Swarm Based on Grid Model andBi-level Programming”的文章,提出了GFACO算法。该算法将无人机的航迹规划问题划分为航迹规划层和协同规划层,这种方法有效地降低了问题的复杂度,加快了算法的收敛速度。在航迹规划层,它使用栅格来划分无人机的飞行空间,然后通过进化过程中信息素的不断积累来逼近问题的最优解。以GFACO算法为代表的蚁群算法适合在离散的空间进行多点搜索。但是因为在搜索过程中,先验信息比较少,所以这类方法的前期收敛速度较慢。此外,将无人机的威胁代价和航迹代价简单相加的方法虽然将多目标优化问题转化为了单目标问题,但是却无法很好的应对无人机任务中的偏好变化。在近些年出现了许多多目标优化算法,其中免疫克隆算法就是其中的一种,它的收敛速度快,而且解的多样性高。这能够给无人机提供多种候选航迹,且可以很好的应对任务中偏好的变化。
无人机的航迹规划问题是一类特殊的优化问题,当使用免疫克隆算法对它进行优化时会遇到一些实际问题。使用抗体表示的航迹很难进行交叉操作,因为航迹是三维空间中的一些栅格点连接成的线,如果使用了不合适的交叉操作可能会导致航迹中出现较大的断点,且这些断点很难进行处理,会严重影响航迹优化的进行;此外,在对航迹进行交叉的过程中,对所有的航迹片段进行无差别对待会使得航迹优化效率降低。
发明内容
本发明的目的在于克服上述现有技术存在的不足,提供了一种基于贝叶斯和进化算法的无人机协同航迹规划方法。该方法通过计算两条航迹节点之间的距离找到一组相同或相近的节点;然后以这些节点为界将两条航迹划分为一组可交换的航迹单元对,因为航迹单元对的首尾都是相同或相近的节点,所以交换之后并不会使航迹产生断点;此外,该方法通过计算所有航迹单元对交换之后航迹长度的变化强度来确定该航迹单元对的交换强度。如果交换后航迹长度变化更大,则给该航迹单元更大的交换强度,这样有助于航迹向着更加简单的方向进化。最后,该方法根据航迹单元对的交换强度使用贝叶斯推理来确定航迹单元的交换概率。
根据上述技术思路,实现本发明目的采取的技术方案包括如下步骤:
(1)获取无人机的航迹节点:
在无人机航行的三维空间中,按照预设空间距离等间隔对每个空间维度进行栅格划分,得到一组均匀分布在该三维空间中的栅格交点,即无人机的航迹节点;
(2)构建抗原-抗体亲和度函数:
(2a)构建恶劣气候的威胁代价Jc:
其中,||·||2表示L2范数;
(2b)构建高度的威胁代价JH:
其中,hi表示航迹节点i距离地面的高度;
(2c)构建地形的威胁代价JT:
(2d)构建总的威胁代价Jthreat;
由步骤(2a)~(2c)中得到的威胁代价按照下式共同组成总的威胁代价Jthreat,具体计算公式如下:
Jthreat=wc*Jc+wH*JH+wT*JT,
其中,wc,wH,wT分别表示恶劣天气、高度障碍和地形的威胁等级系数。
(2e)构建燃油消耗代价Jlength:
其中,wL表示比例系数;
(2f)根据总的威胁代价和燃油消耗代价得到飞行航迹的抗原-抗体亲和度函数f(x);
其中,wthreat表示威胁代价的权重,wlength表示燃油消耗代价的权重;
(3)根据无人机飞行任务中环境的复杂度设定进化算法中飞行航迹的数目N,即抗体数;搜索得到N条抗体后组成第t代抗体种群Pt,t∈[0,T],其中T表示根据抗体数预先设定的最大迭代次数;根据无人机飞行任务的初始节点和终止节点初始化N条表示飞行航迹的抗体,得到初始化抗体种群P0;
(4)令t=1,对抗体种群Pt进行克隆选择和克隆,产生抗体群Pt 2:
(4a)对抗体种群Pt使用随机联赛法进行克隆选择得到抗体种群Pt 1;
(4b)按克隆比例mc对抗体种群Pt 1进行克隆,得到抗体群Pt 2,其中0<mc<1;
(5)对抗体群Pt 2进行重组和变异:
(5a)从抗体群Pt 2中选出两个抗体进行重组,并对其划分航迹单元:
(5b)计算相对应的两个路径单元的重组变化量,经过转化得到其对应的单元选择概率:
(5b1)计算两个对应航迹单元重组后原航迹的长度变化强度ΔSn:
其中,abs(·)表示绝对值函数,len(·)表示计算航迹单元的长度,ΔSn表示第n个航迹单元的长度变化强度;
(5b2)根据下式计算第n个航迹单元的修正长度变化强度ΔS′n:
(5b3)使用第n个航迹单元的修正长度变化强度ΔS′n来计算单元选择概率pn:
其中,pn表示第n个航迹单元的单元选择概率;
(5c)使用贝叶斯公式计算航迹单元的重组概率p′n;
其中,hn是第n个航迹单元出现的概率;
(5d)使用轮盘赌的方法选择需要重组的航迹单元对,并进行重组:
(6)将抗体种群Pt 1和变异后抗体群CMt进行合并,并根据合并后种群中抗体的抗原-抗体亲和度重新选择出N个抗体,并将其组成第t+1代抗体种群Pt+1:
(7)判断t是否达到最大迭代次数T,若是,继续执行步骤(8),反之,对t加1后返回步骤(4);
(8)根据抗原-抗体亲和度从抗体种群Pt中选出最优抗体,将其作为一个无人机的一条备选航迹P11;
(9)根据无人机的飞行任务要求,为M个无人机确定Q条备选航迹{Pm,1,Pm,2,...,Pm,Q},其中Pm,Q表示第m个无人机的第Q条备选航迹,1≤m≤M,Q≥1;最终得到M个无人机的协同航迹{P1,q1,P2,q2,...,Pm,qm,...,PM,qM};其中Pm,qm表示第m个无人机的协同轨迹,1≤qm≤Q。
本发明与现有技术相比,具有以下优点:
第一、本发明使用两条航迹中相同或相近的节点将航迹划分为一组相对应的航迹单元对,由于每个航迹单元对的首尾都由相同或相近的节点组成,因此通过选择合适的航迹单元对进行交换,则可有效地避免航迹断点的产生;
第二、由于本发明在对航迹单元对进行交换时,根据交换后航迹长度的变化量,采用贝叶斯推理来决定当前航迹单元对交换的概率;该方式在一个或多个航迹单元对交换后,航迹长度发生较大变化的情况下,相比于现有技术中使用无差别随机选择的方式,其交换产生的航迹更加精简,能够有效降低无人机的燃油消耗、节约飞行时间。
附图说明
图1为本发明的实现流程图;
图2为本发明中单个无人机的单条航迹生成流程图;
图3为本发明与现有技术的仿真对比曲线图;其中(a)为无人机的协同代价随进化代数的变化曲线,(b)为无人机航迹代价随进化代数的变化曲线(c)为无人机的燃油消耗代价随进化代数的变化曲线,(d)为无人机的威胁代价随进化代数的变化曲线。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步的详细描述。
参照图1和图2,一种基于深度全卷积神经网络的运动目标检测方法,包括如下步骤:
步骤1:对无人机的航行空间进行栅格划分:
无人机航行的建模空间是一个长宽高有限的三维空间,为了简化无人机航迹规划的问题模型,按照预定的空间距离等间隔对每个空间维度进行栅格划分,最终得到一组均匀分布在该三维空间中的栅格交点,这些栅格交点称为无人机的航迹节点,无人机的航迹是由这些节点组成的有序节点集。在一条航迹中除了首尾两个节点,其余节点均可与它周围多个相邻节点相连,从而构成不同的航行路线。
步骤2:构建抗原-抗体亲和度函数:
(2a)构建恶劣气候的威胁代价Jc:
其中,||·||2表示L2范数;
(2b)构建高度的威胁代价JH:
其中,hi表示航迹节点i距离地面的高度;
(2c)构建地形的威胁代价JT:
其中,NTe表示地形威胁源的数目;QT(dTi,k)表示地形影响概率,其表示如下:
(2d)构建总的威胁代价Jthreat;
由步骤(2a)~(2c)中得到的威胁代价按照下式共同组成总的威胁代价Jthreat,具体计算公式如下:
Jthreat=wc*Jc+wH*JH+wT*JT,
其中,wc,wH,wT分别表示恶劣天气、高度障碍和地形的威胁等级系数。
(2e)构建燃油消耗代价Jlength:
其中,wL表示比例系数;
(2f)根据总的威胁代价和燃油消耗代价得到飞行航迹的抗原-抗体亲和度函数f(x);
其中,wthreat表示威胁代价的权重,wlength表示燃油消耗代价的权重;
步骤3:根据无人机飞行任务中环境的复杂度设定进化算法中飞行航迹的数目N,即抗体数;搜索得到N条抗体后组成第t代抗体种群Pt,t∈[0,T],其中T表示根据抗体数预先设定的最大迭代次数;
令t=0,根据抗体数目N、无人机飞行任务的初始节点和终止节点初始化N条表示飞行航迹的抗体,即初始化抗体种群Pt,得到初始化抗体种群P0;所述初始化抗体具体是在初始化每一个抗体时,从初始节点开始,引入启发因子和导引因子形成转移规则,选择其中转移概率最大的节点作为航迹中的下一节点,然后依次形成一条连接初始节点和终止节点的抗体;
其中转移概率按如下方法计算:
(3.1)根据下式计算启发因子ηj:
其中,wc、wH、wT分别表示恶劣气候、高度障碍和地形的威胁等级系数;Nc表示恶劣气候的威胁源个数,NTe表示高度障碍及地形的威胁源个数;表示第j个航迹节点与第g个恶劣气候威胁源的距离,hj表示航迹节点j的高度,表示第j个航迹节点与第k个山体的距离;
(3.2)根据下式计算引导因子λj:
其中,dj,end表示第j个航迹节点与终止节点的距离。
(3.3)计算从第i个航迹节点到第j个航迹节点的转移概率,其表达式如下:
其中,α表示启发因子的重要度系数,β表示引导因子的重要度系数;Bi表示第i个航迹节点的下一个可到达节点点集,且该点集不包含航迹已经搜索到的节点。
步骤3a)计算启发因子ηj,其表达式如下所示:
其中,wc,wH,wT分别表示恶劣气候、高度障碍和地形的威胁等级系数Nc,NTe分别表示恶劣气候、高度障碍和地形的威胁源个数。表示第j个节点与第k个恶劣气候威胁源的距离,hj表示节点j的高度,表示第j个节点与第k个山体的距离。
步骤3b)计算引导引导因子λj,其表达式如下所示:
其中,dj,end表示第j个节点与终止节点的距离。
步骤3c)计算从节点i到节点j的转移概率,其表达式如下所示:
其中,α表示启发因子的重要度系数,β表示引导因子的重要度系数。Bi表示第i个节点的下一个节点的点集,它不包含航迹已经搜索到的点。
步骤4:令t=1,对抗体种群Pt进行克隆选择和克隆,产生抗体群Pt 2:
(4a)对抗体种群Pt使用随机联赛法进行克隆选择得到抗体种群Pt 1;具体做法分为如下四步:
第一步,对抗体群进行非支配排序和拥挤度距离的计算;
第二步,确定联赛规模b1,抗体种群选择规模大小b2;
第三步,将其中非支配等级高且拥挤度距离大的抗体保留到下一代;
第四步,重复第三步b2次,选出b2个抗体保留至下一代,得到抗体群Pt 1。
(4b)按克隆比例mc对抗体种群Pt 1进行克隆,得到抗体群Pt 2,其中0<mc<1;
步骤5:对抗体群Pt 2进行重组和变异:
(5a)从抗体群Pt 2中选出两个抗体进行重组,并对它们进行航迹单元划分。航迹单元的划分是为了找到两个抗体间可以进行重组的航迹片段。因此,每一对对应的航迹单元的起始节点和终止节点都需要位于相同或相近的空间节点,这样重组后的航迹依然连续;
(5a1)使用欧式距离来计算两个抗体之间所有航迹节点之间的距离,除航迹的首尾节点外,因为在相同的无人机飞行任务中,起始节点和终止节点都是相同的;具体方式为:从抗体群Pt 2中选出第一抗体x1和第二抗体x2,分别表示第一条航迹和第二条航迹,令其对应的航迹长度分别为和根据欧式距离计算这两条航迹中航迹节点之间的距离Li,j:
(5b)计算相对应的两个路径单元的重组变化量,经过转化得到其对应的单元选择概率:
(5b1)计算两个对应航迹单元重组后原航迹的长度变化强度ΔSn:
其中,abs(·)表示绝对值函数,len(·)表示计算航迹单元的长度,ΔSn表示第n个航迹单元的长度变化强度;
(5b2)根据下式计算第n个航迹单元的修正长度变化强度ΔS′n:
(5b3)使用第n个航迹单元的修正长度变化强度ΔS′n来计算单元选择概率pn:
其中,pn表示第n个航迹单元的单元选择概率;
(5c)使用贝叶斯公式计算航迹单元的重组概率p′n;
其中,hn是第n个航迹单元出现的概率;
(5d)使用轮盘赌的方法选择需要重组的航迹单元对,并进行重组:
步骤7:判断t是否达到最大迭代次数T,若是,继续执行步骤(8),反之,对t加1后返回步骤(4);
步骤8:根据抗原-抗体亲和度从抗体种群Pt中选出最优抗体,将其作为一个无人机的一条备选航迹P11;
步骤9:根据无人机的飞行任务要求,为M个无人机确定Q条备选航迹{Pm,1,Pm,2,...,Pm,Q},其中Pm,Q表示第m个无人机的第Q条备选航迹,1≤m≤M,Q≥1;最终得到M个无人机的协同航迹{P1,q1,P2,q2,...,Pm,qm,...,PM,qM};其中Pm,qm表示第m个无人机的协同轨迹,1≤qm≤Q。
无人机的协同航迹具体按计算步骤如下:
(9.2)按照下式确定无人机到达目的地的时间范围交集D:
D=D1∩D2∩...∩DM;
(9.3)根据下式计算航迹代价JL:
JL=0.9*Jthreat+0.1*Jlength;
(9.4)在满足协同到达时间Tc时,选择最小航迹代价的航迹组成最终的协同方案{P1,q1,P2,q2,...,Pm,qm,...,PM,qM};其中,Pm,qm表示第m架无人机在满足协同时间Tc时代价最小的一条航迹。
根据下式可以得到反应航迹优劣的无人机协同总代价Call,用于验证本发明方法是否优于其他现有方法;
无人机协同总代价Call:
以下结合仿真实验,对本发明的技术效果作进一步说明:
1.仿真条件和内容
本发明的仿真实验是在Intel Core i9-9900X CPU,RAM 48G的硬件环境与Ubuntu18.04的软件环境下基于Matlab平台实现的。
设置无人机飞行区域大小为200km*200km*10km,网格大小为5km*5km*0.7km,无人机的速度范围是100km/h-200km/h。
建立三维地形模型时假设地形是由一系列圆锥体形状的山体构成,整个地形可表示为:
其中,Nk表示山峰的述目,ak,bk分别表示第k个山峰中心对称轴的坐标,hk表示第k个山峰的海拔。
仿真的威胁源包含恶劣天气、高度和地形,如表1所示:
表1无人机飞行环境的仿真设置
当无人机与威胁源的距离在最小威胁范围内时会被击落;当无人机与威胁源的距离在最大威胁范围外时,它对无人机没有任何威胁。
在本次实验中设置了四架无人机,令其按照任务要求同时到达目标区域,其中起始点和终止点的位置如表2所示:
表2四架无人机的飞行任务设置
UAV1 | UAV2 | UAV3 | UAV4 | |
起始点(km) | (10,15,1.4) | (190,20,1.4) | (175,175,1.4) | (10,180,1.4) |
任务目标(km) | (90,90,2.8) | (110,90,2.8) | (110,110,2.8) | (90,110,2.8) |
实验中进化算法的参数设置如下:最大进化次数maxgen=50,抗体群规模N=300,启发因子的重要度系数a=1,导引因子的重要度系数β=0.25,联赛规模b1=2,选择规模克隆比例mc=3,重组概率pc=0.7,变异概率pm=0.3,协同系数θ=0.985。
实验中对比了基于蚁群算法的方法、基于免疫克隆的算法的方法和本发明的方法。
2.仿真结果分析
图3展示了仿真实验中三种算法的性能对比图;其中子图(a)、(b)、(c)和(d)分别展示了航迹代价、协同代价、燃油消耗代价和威胁代价随着进化代数增长的变化曲线;在每个子图中,横坐标轴表示进化代数,纵坐标轴表示相应的代价值。
从仿真结果中可以看出,本发明的方法相比于基于蚁群算法的方法和基于免疫克隆算法的方法有更好的收敛性。在三种方法中,本发明的方法在整个进化过程中始终保持着最低的协同代价,而且随着进化的进行,协同代价持续降低,如果继续延长进化代数可能获得更低的协同代价。此外,不仅仅是协同代价,本发明的方法在航迹代价、燃油消耗代价和威胁代价也都有优异的表现。
仿真结果表明,本发明可以进行更加高效的无人机航迹寻优,它有优异的收敛性,可以取得更高的性能。
上述仿真分析证明了本发明所提方法的正确性与有效性。
本发明未详细说明部分属于本领域技术人员公知常识。
以上描述仅是本发明的一个具体实施例,不构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理的情况下,进行形式和细节上的各种修正和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求的保护范围之内。
Claims (5)
1.一种基于贝叶斯和进化算法的无人机协同航迹规划方法,其特征在于,包括步骤如下:
(1)获取无人机的航迹节点:
在无人机航行的三维空间中,按照预设空间距离等间隔对每个空间维度进行栅格划分,得到一组均匀分布在该三维空间中的栅格交点,即无人机的航迹节点;
(2)构建抗原-抗体亲和度函数:
(2a)构建恶劣天气的威胁代价Jc:
其中,||·||2表示L2范数;
(2b)构建高度的威胁代价JH:
其中,hi表示航迹节点i距离地面的高度;
(2c)构建地形的威胁代价JT:
(2d)构建总的威胁代价Jthreat;
由步骤(2a)~(2c)中得到的威胁代价按照下式共同组成总的威胁代价Jthreat,具体计算公式如下:
Jthreat=wc*Jc+wH*JH+wT*JT,
其中,wc,wH,wT分别表示恶劣天气、高度障碍和地形的威胁等级系数;
(2e)构建燃油消耗代价Jlength:
其中,wL表示比例系数;
(2f)根据总的威胁代价和燃油消耗代价得到飞行航迹的抗原-抗体亲和度函数f(x);
其中,wthreat表示威胁代价的权重,wlength表示燃油消耗代价的权重;
(3)根据无人机飞行任务中环境的复杂度设定进化算法中飞行航迹的数目N,即抗体数;搜索得到N条抗体后组成第t代抗体种群Pt,t∈[0,T],其中T表示根据抗体数预先设定的最大迭代次数;根据无人机飞行任务的初始节点和终止节点初始化N条表示飞行航迹的抗体,得到初始化抗体种群P0;
(4)令t=1,对抗体种群Pt进行克隆选择和克隆,产生抗体群Pt 2:
(4a)对抗体种群Pt使用随机联赛法进行克隆选择得到抗体种群Pt 1;
(4b)按克隆比例mc对抗体种群Pt 1进行克隆,得到抗体群Pt 2,其中0<mc<1;
(5)对抗体群Pt 2进行重组和变异:
(5a)从抗体群Pt 2中选出两个抗体进行重组,并对其划分航迹单元:
(5b)计算相对应的两个路径单元的重组变化量,经过转化得到其对应的单元选择概率:
(5b1)计算两个对应航迹单元重组后原航迹的长度变化强度ΔSn:
其中,abs(·)表示绝对值函数,len(·)表示计算航迹单元的长度,ΔSn表示第n个航迹单元的长度变化强度;
(5b2)根据下式计算第n个航迹单元的修正长度变化强度ΔS′n:
(5b3)使用第n个航迹单元的修正长度变化强度ΔS′n来计算单元选择概率pn:
其中,pn表示第n个航迹单元的单元选择概率;
(5c)使用贝叶斯公式计算航迹单元的重组概率p′n;
其中,hn是第n个航迹单元出现的概率;
(5d)使用轮盘赌的方法选择需要重组的航迹单元对,并进行重组:
(6)将抗体种群Pt 1和变异后抗体群CMt进行合并,并根据合并后种群中抗体的抗原-抗体亲和度重新选择出N个抗体,并将其组成第t+1代抗体种群Pt+1:
(7)判断t是否达到最大迭代次数T,若是,继续执行步骤(8),反之,对t加1后返回步骤(4);
(8)根据抗原-抗体亲和度从抗体种群Pt中选出最优抗体,将其作为一个无人机的一条备选航迹P11;
(9)根据无人机的飞行任务要求,为M个无人机确定Q条备选航迹{Pm,1,Pm,2,...,Pm,Q},其中Pm,Q表示第m个无人机的第Q条备选航迹,1≤m≤M,Q≥1;最终得到M个无人机的协同航迹{P1,q1,P2,q2,...,Pm,qm,...,PM,qM};其中Pm,qm表示第m个无人机的协同轨迹,1≤qm≤Q。
2.根据权利要求1所述的方法,其特征在于:步骤(3)所述初始化抗体具体是在初始化每一个抗体时,从初始节点开始,引入启发因子和导引因子形成转移规则,选择其中转移概率最大的节点作为航迹中的下一节点,然后依次形成一条连接初始节点和终止节点的抗体。
3.根据权利要求2所述的方法,其特征在于:所述转移概率按如下方法计算:(3.1)根据下式计算启发因子ηj:
其中,wc、wH、wT分别表示恶劣天气、高度障碍和地形的威胁等级系数;Nc表示恶劣天气威胁源的数目,NTe表示地形威胁源的数目;表示第j个航迹节点与第g个恶劣天气威胁源的距离,hj表示航迹节点j的高度,表示第j个航迹节点与第k个山体的距离;
(3.2)根据下式计算引导因子λj:
其中,dj,end表示第j个航迹节点与终止节点的距离;
(3.3)计算从第i个航迹节点到第j个航迹节点的转移概率,其表达式如下:
其中,α表示启发因子的重要度系数,β表示引导因子的重要度系数;Bi表示第i个航迹节点的下一个可到达节点点集,且该点集不包含航迹已经搜索到的节点。
4.根据权利要求1所述的方法,其特征在于,步骤(4)中所述随机联赛法进行克隆选择,具体做法如下:
第一步,对抗体群进行非支配排序和拥挤度距离的计算;
第二步,确定联赛规模b1,抗体种群选择规模大小b2;
第三步,将其中非支配等级高且拥挤度距离大的抗体保留到下一代;
第四步,重复第三步b2次,选出b2个抗体保留至下一代,得到抗体群Pt 1。
5.根据权利要求1所述的方法,其特征在于:步骤(9)中所述无人机的协同航迹{P1,q1,P2,q2,...,Pm,qm,...,PM,qM},具体按如下方法计算:
(9.2)按照下式确定无人机到达目的地的时间范围交集D:
D=D1∩D2∩...∩DM;
(9.3)根据下式计算航迹代价JL:
JL=0.9*Jthreat+0.1*Jlength;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101297.2A CN112229409B (zh) | 2020-10-15 | 2020-10-15 | 基于贝叶斯和进化算法的无人机协同航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101297.2A CN112229409B (zh) | 2020-10-15 | 2020-10-15 | 基于贝叶斯和进化算法的无人机协同航迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112229409A CN112229409A (zh) | 2021-01-15 |
CN112229409B true CN112229409B (zh) | 2022-08-12 |
Family
ID=74113004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011101297.2A Active CN112229409B (zh) | 2020-10-15 | 2020-10-15 | 基于贝叶斯和进化算法的无人机协同航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112229409B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112867015B (zh) * | 2021-01-28 | 2022-09-16 | 军工保密资格审查认证中心 | 一种联合探测及通信系统中的鲁棒频谱共享方法 |
CN113433974B (zh) * | 2021-07-22 | 2022-07-05 | 河南大学 | 一种强对流天气下飞机安全航迹规划方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512769A (zh) * | 2015-12-16 | 2016-04-20 | 上海交通大学 | 基于遗传规划的无人机航迹规划系统及方法 |
CN105700549A (zh) * | 2016-01-21 | 2016-06-22 | 北京理工大学 | 一种基于序列小生境粒子群算法的无人机多航迹规划方法 |
WO2017177361A1 (en) * | 2016-04-11 | 2017-10-19 | Telefonaktiebolaget Lm Ericsson (Publ) | Flight path control based on cell broadcast messages |
CN107392388A (zh) * | 2017-07-31 | 2017-11-24 | 南昌航空大学 | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 |
CN108318032A (zh) * | 2017-12-21 | 2018-07-24 | 上海交通大学 | 一种考虑攻防对抗的无人机航迹智能规划方法 |
CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
CN111007460A (zh) * | 2019-12-11 | 2020-04-14 | 中国人民解放军陆军工程大学 | 直升机协同定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238388B (zh) * | 2017-05-27 | 2018-02-23 | 合肥工业大学 | 多无人机任务分配与航迹规划联合优化方法及装置 |
-
2020
- 2020-10-15 CN CN202011101297.2A patent/CN112229409B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512769A (zh) * | 2015-12-16 | 2016-04-20 | 上海交通大学 | 基于遗传规划的无人机航迹规划系统及方法 |
CN105700549A (zh) * | 2016-01-21 | 2016-06-22 | 北京理工大学 | 一种基于序列小生境粒子群算法的无人机多航迹规划方法 |
WO2017177361A1 (en) * | 2016-04-11 | 2017-10-19 | Telefonaktiebolaget Lm Ericsson (Publ) | Flight path control based on cell broadcast messages |
CN107392388A (zh) * | 2017-07-31 | 2017-11-24 | 南昌航空大学 | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 |
CN108318032A (zh) * | 2017-12-21 | 2018-07-24 | 上海交通大学 | 一种考虑攻防对抗的无人机航迹智能规划方法 |
CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
CN111007460A (zh) * | 2019-12-11 | 2020-04-14 | 中国人民解放军陆军工程大学 | 直升机协同定位方法 |
Non-Patent Citations (3)
Title |
---|
MP-GWO算法在多UCAV协同航迹规划中的应用;周瑞等;《空军工程大学学报(自然科学版)》;20171025(第05期);第28-33页 * |
基于分布式人工免疫算法的数值优化;戚玉涛等;《电子学报》;20090715(第07期);第1554-1561页 * |
基于概率分析进化算法的飞行航迹规划;符小卫等;《计算机工程与应用》;20061001(第28期);第177-180页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112229409A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109631900B (zh) | 一种无人机三维航迹多目标粒子群全局规划方法 | |
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
CN109506655B (zh) | 基于非均匀建模的改进蚁群路径规划算法 | |
CN112229409B (zh) | 基于贝叶斯和进化算法的无人机协同航迹规划方法 | |
Obayashi et al. | Multi-objective design exploration for aerodynamic configurations | |
CN114172942B (zh) | 多无人机辅助物联网的协同任务分配与轨迹优化方法 | |
CN113359849B (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
CN110262548A (zh) | 一种考虑抵达时间约束的无人机航迹规划方法 | |
CN113671985A (zh) | 一种分阶段多基地无人机任务分配和航迹规划方法 | |
CN112230675B (zh) | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 | |
CN112013829A (zh) | 基于多目标优化的多uav/ugv协同长时作业路径规划方法 | |
CN113593228B (zh) | 一种高速公路瓶颈区域自动驾驶协同控制方法 | |
CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
CN111366169B (zh) | 一种确定性移动机器人路径规划方法 | |
CN109862532B (zh) | 轨道交通状态监测多传感器节点布局优化方法及系统 | |
CN112462805B (zh) | 基于改进蚁群算法的5g网联无人机航迹规划方法 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN113093758A (zh) | 一种基于栅格地图模型的改进agv路径规划算法 | |
CN113867358A (zh) | 多无人车协同遍历任务的智能路径规划方法 | |
CN116339316A (zh) | 一种基于深度强化学习的深海采矿机器人路径规划方法 | |
CN110095788A (zh) | 一种基于灰狼优化算法的rbpf-slam改进方法 | |
CN116804879A (zh) | 一种改进蜣螂算法融合dwa算法的机器人路径规划框架方法 | |
CN113903173B (zh) | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 | |
CN116734877A (zh) | 基于改进a*算法与动态窗口法的机器人动态避障方法 | |
CN112884229B (zh) | 基于差分进化算法的大型公共场所人流引导路径规划方法 |
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 |