CN113009928A - 基于改进蚁群算法的无人机冲突解脱方法 - Google Patents
基于改进蚁群算法的无人机冲突解脱方法 Download PDFInfo
- Publication number
- CN113009928A CN113009928A CN202011639913.XA CN202011639913A CN113009928A CN 113009928 A CN113009928 A CN 113009928A CN 202011639913 A CN202011639913 A CN 202011639913A CN 113009928 A CN113009928 A CN 113009928A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- ant colony
- colony algorithm
- conflict resolution
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 85
- 239000003016 pheromone Substances 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 34
- 230000008020 evaporation Effects 0.000 claims abstract description 26
- 238000001704 evaporation Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 11
- 241000257303 Hymenoptera Species 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 2
- 230000002238 attenuated effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于改进蚁群算法的无人机冲突解脱方法,将无人机冲突解脱过程离散为N步,通过每步改变航向实现冲突解脱;通过人工势场法为蚁群算法提供初期搜索路径,细化解脱过程中无人机航向调整角度,采用分段调整的方法优化蚁群算法信息素蒸发系数,最后利用改进算法找出无人机最优解脱路径。利用人工势场算法规划出一条可行性较高的解脱路径,以此路径作为蚁群算法初期搜索路径,缩小了蚁群算法初期搜索空间,提高了初期搜索解的速度;针对蚁群算法易陷入局部最优的特点,对其信息素蒸发系数采用分段调整,使信息素蒸发系数逐渐衰减,直至最小值;既避免蚁群算法初期易陷入局部最优,还使得算法后期加快收敛速度,大大提高了算法的效率。
Description
技术领域
本发明涉及无人机冲突解脱算法,具体涉及一种基于改进蚁群算法的无人机冲突解脱方法。
背景技术
随着经济技术的高速发展,无人机进入了迅猛发展的时期,无人机的应用领域也日趋多面化,无人机适用于完成危险性高的任务,以避免出现有人驾驶飞机出现伤亡的情况,如监视、侦察和作战等任务。但因为空域资源有限,无人机发生冲突的概率越来越大,引起了人们对无人机自主飞行中冲突解脱越来越多的关注。在无人机完成任务过程中,当飞行安全受到威胁时,需要随时根据周围情况进行及时应对,改变飞机路线,所以无人机在飞行过程中的安全保障是亟待解决的问题。
为了解决这一难题,涌现出很多的冲突解脱算法,用来避免飞机出现碰撞危险,能够用最短的时间从危险中解脱并到达预设目的地完成任务,如粒子群算法、遗传算法、蚁群算法等。蚁群算法:模拟蚂蚁在寻找食物的过程中发现路径的生物行为而产生的概率型算法,是一种具有分布计算、信息正反馈和启发式搜索等特征的启发式全局优化算法,应用于寻找最优路径等问题。蚂蚁寻找路径时留下的信息素,使蚂蚁间产生间接通讯,利用信息素正反馈作用对后继蚂蚁选择路径产生影响,继而寻找到最优路径。
蚁群算法在用于解决无人机冲突解脱问题时有良好的效果,但传统蚁群算法中因为初始信息素匮乏而导致初期搜索范围过大、随机搜索会导致算法初期收敛速度较慢,信息素正反馈机制容易使算法陷入局部最优的缺点,大大降低了算法的效率。
发明内容
本发明所要解决的技术问题是提供一种基于改进蚁群算法的无人机冲突解脱方法,基于蚁群算法,引入人工势场算法用于提高蚁群算法初期收敛速度;对蚁群算法的信息素蒸发系数进行分段调整,避免算法陷入局部最优,并且考虑到无人机摆脱冲突时需要考虑角度的约束,避免转弯角度过大,加入角度限制以规划出平滑可行的路线,完成代价更小的冲突解脱。
为解决上述问题,本发明所采取的技术方案是:
一种基于改进蚁群算法的无人机冲突解脱方法,将无人机冲突解脱过程离散为N步,通过每步改变航向实现冲突解脱;通过人工势场法为蚁群算法提供初期搜索路径,细化解脱过程中无人机航向调整角度,采用分段调整的方法优化蚁群算法信息素蒸发系数,最后利用改进算法找出无人机最优解脱路径。
作为本发明的进一步改进,上述方法包括以下步骤:
步骤S1,利用人工势场法规划无人机初始路径;
规定无人机每步长Mkm,即每Mkm更新一次航路点,以把每架飞机的解脱过程离散为 N步;两架无人机在规定的航线同时出发,不进行避让动作的前提下,在行进至相同步数会发生冲突,提前预测到冲突点;
利用人工势场法的原理,目的地产生引力场,对无人机产生引力,无人机自身具有斥力场,斥力保证飞机间不会发生碰撞,根据合力规划无人机航迹,以保证无人机安全的完成任务;
步骤S2,无人机偏转角度优化,以使无人机解脱航迹更加平滑;
步骤S3,基于改进算法的冲突解脱仿真。
作为本发明的进一步改进,所述步骤S1中,无人机初始路径规划计算过程为:
将第i架飞机位置设为Xi,目的地生成引力场Ua,通过引力吸引无人机飞往目的地,引力场函数为:Ua=1/2εd2 (1)
式(1)中ε为引力场尺度因子,d为无人机与目的地距离;
目的地对无人机的引力为:
为避免碰撞,无人机本身会激发斥力场Ur,当无人机飞进其它无人机的斥力作用范围内,受到斥力作用:
式(3)中rij表示无人机i和无人机j的距离;rj表示将无人机本身看作一个圆,其圆心到无人机最远端的距离,即保护半径;σij为无人机以自身为圆心的圆形斥力场的作用半径;
无人机i进入无人机j的斥力场时,受到无人机j对其斥力作用:
为了保证无人机在进入彼此斥力作用范围内能够进行同向转弯,引入与斥力场相切的涡旋力,涡旋力为:
式(5)表示无人机j对无人机i产生的涡旋力,通过将上述的引力、斥力和涡旋力叠加,规划出无人机航迹:
式(6)中假设共K架无人机,Fa为目的地点对无人机i产生的引力,kri和kvi分别表示斥力增益系数和涡旋力增益系数,斥力和涡旋力可以控制解脱路径的弧度;由此通过人工势场法得到了一条初始路径。
作为本发明的进一步改进,所述步骤S2,无人机偏转角度优化过程如下:
结合无人机实际飞行限制因素,假设无人机解脱过程中每步有5个角度调整方式可以选择,分别是:左转30°,左转15°,原航向前行,右转15°,右转30°,无人机在进入每一步之前根据5个角度方向做出调整,无人机每步角度调整方式设为a,每步调整的偏转角度θ在满足延误距离最小,无人机不发生冲突及偏转角度限制的前提下:
式(7)中+30°代表右转30°,+15°代表右转15°,0°代表原航向前行,-15°代表左转15°,-30°代表左转30°。
作为本发明的进一步改进,所述步骤S3,基于改进算法的冲突解脱仿真包括以下步骤:
步骤S31,人工势场法初始路径的表示;
步骤S32,约束条件及评价指标的设定;
步骤S33,蚁群算法信息素蒸发系数分段调整;
步骤S34,基于蚁群改进算法的冲突解脱Matlab仿真。
作为本发明的进一步改进,所述步骤S31基于步骤S1和步骤S2的内容,通过人工势场法规划冲突解脱初始路径,将无人机每步的调整方式设为5种飞行角度;在蚁群算法中,无人机的每步调整方式可以设置为:左转30°时编码为-2,左转15°时编码为-1,原航向前行时编码为0,右转15°时编码为1,右转30°时编码为2,每种解脱方案都有对应的编码表示;
将人工势场法得到的路径,每步按照设置的编码进行表示,则得到蚁群算法中的初始搜索路径,当两架无人机在解脱过程中分为N步进行调整,每步的调整方式用-2,-1,0,1,2表示,则每一种解脱方案都对应一个5×2N维的向量:
X=(x1,x2,…xL×N),xi∈{-2,-1,0,1,2} (8)。
作为本发明的进一步改进,所述步骤S32,约束条件及评价指标的设定如下:
无人机飞行中,无人机间的最小安全距离σ约为20km,即在离散化后的冲突解脱过程中,无人机时刻需要满足的安全距离约束条件为:
|Xin-Xjn|≥σ,i≠j (9)
式(9)中|Xin-Xjn|表示第n步时无人机i,j的直线距离;
将解脱过程离散化,设置步长及步数后,无人机的飞行距离保持不变,为了规避冲突,在飞行过程中进行航向调整,无人机无法到达目的地,而到达了与目的地接近的位置Xin,将Xin与目的地的距离定义为解脱方案的延误Si,即:
Si=|Xd-Xin| (10)
式(10)中Xd表示目的地,在满足安全性的前提下,将延误Si作为解脱方案的评价指标,定义延误S为所有无人机的延误的和,即:
S=∑K i=1Si (11)
式(11)中S越小时,代表无人机到达目的地所需代价越小,方案越优秀。
作为本发明的进一步改进,所述步骤S33,将蚁群算法信息素蒸发系数进行分段调整,得到改进蚁群算法:
式(12)中ε为小于1的某常数,NC表示迭代次数,ρmin表示蒸发系数最小值。
作为本发明的进一步改进,所述步骤S34,基于改进蚁群算法的冲突解脱Matlab仿真过程如下:
根据人工势场算法得到初始路径后,在其路径上适当分泌信息素,使路径上的节点信息素得到更新,信息素更新方程如下:
τij(t+1)=(1-ρ)τij(t)+Q/S (13)
式(13)中τij(t)表示在t时刻第j步第i个节点的信息素浓度;τij(t+1)表示t+1时刻第j步第i个节点的信息素浓度;ρ为信息素蒸发系数,介于0,1之间;Q为正常数;S为上一小节提及的延误;根据方程更新后,完成初始化信息素矩阵的任务;
当蚂蚁满足约束条件完成任务时,蚂蚁就会在路径上的节点分泌信息素,使节点信息素得到更新,更新方程如下:
τij(t+1)=(1-ρ)τij(t)+Δτij (14)
式(14)中△τij表示本次迭代中节点的信息素增量;
式(15)中△τij k表示第k只蚂蚁在本次迭代中留在节点上的信息素量;
式(16)中Sk为第k只蚂蚁在本次迭代完成任务后的延误距离,若蚂蚁所走路径中没有经过该节点,则△τij k为0;
每只蚂蚁选择下一步的概率与节点的信息素强度成正比,Pij为选择第j步第i个节点的概率,即无人机在保证安全的前提下,选择的航向调整角度,概率为:
采用上述技术方案所产生的有益效果在于:
本发明在假设无人机冲突点已知的情况下,将无人机冲突解脱过程离散为N步,通过每步改变航向实现冲突解脱;利用人工势场算法规划出一条可行性较高的解脱路径,以此路径作为蚁群算法初期搜索路径,缩小了蚁群算法初期搜索空间,提高了初期搜索解的速度,人工势场算法结构简单实用,通过合力可以快速规划出相对平滑的轨迹;在此基础上针对蚁群算法易陷入局部最优的特点,对其信息素蒸发系数采用分段调整,使信息素蒸发系数逐渐衰减,直至最小值;这样既避免蚁群算法初期易陷入局部最优,还使得算法后期加快收敛速度,大大提高了算法的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是冲突点示意图;
图2是受力示意图;
图3是人工势场法初始路径示意图;
图4是飞行角度示意图;
图5是编码示意图;
图6是改进算法迭代曲线示意图;
图7是改进算法解脱路径示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供一种基于改进蚁群算法的无人机冲突解脱方法,将无人机冲突解脱过程离散为N步,通过每步改变航向实现冲突解脱;通过人工势场法为蚁群算法提供初期搜索路径,细化解脱过程中无人机航向调整角度,采用分段调整的方法优化蚁群算法信息素蒸发系数,最后利用改进算法找出无人机最优解脱路径。其中,人工势场算法是指将物体运动抽象成一种人造引力场中的运动,目标点对物体产生“引力”,障碍物对物体产生“斥力”,通过两者合力控制物体运动轨迹的一种虚拟力法。
基于改进蚁群算法的无人机冲突解脱方法,包括以下步骤:
步骤S1,利用人工势场法规划无人机初始路径;
为保证精度的情况下尽快求得计算结果,规定无人机每步长Mkm,即每Mkm更新一次航路点,这样就可以把每架飞机的解脱过程离散为N步。两架无人机在规定的航线同时出发,不进行避让动作的前提下,在行进至相同步数会发生冲突,提前预测到冲突点,如图1所示。
利用人工势场法的原理,目的地产生引力场,对无人机产生引力。无人机自身具有斥力场,斥力保证飞机间不会发生碰撞,根据合力规划无人机航迹,保证无人机能够安全的完成任务,无人机受力如图2所示。
步骤S2,无人机偏转角度优化,以使无人机解脱航迹更加平滑;
步骤S3,基于改进算法的冲突解脱仿真。
具体的,所述步骤S1中,无人机初始路径规划计算过程为:
将第i架飞机位置设为Xi,目的地生成引力场Ua,通过引力吸引无人机飞往目的地,引力场函数为:Ua=1/2εd2 (1)
式(1)中ε为引力场尺度因子,d为无人机与目的地距离。
目的地对无人机的引力为:
为避免碰撞,无人机本身会激发斥力场Ur,当无人机飞进其它无人机的斥力作用范围内,受到斥力作用:
式(3)中rij表示无人机i和无人机j的距离;rj表示将无人机本身看作一个圆,其圆心到无人机最远端的距离,即保护半径;σij为无人机以自身为圆心的圆形斥力场的作用半径;
无人机i进入无人机j的斥力场时,受到无人机j对其斥力作用:
为了保证无人机在进入彼此斥力作用范围内能够进行同向转弯,引入与斥力场相切的涡旋力,涡旋力为:
式(5)表示无人机j对无人机i产生的涡旋力,通过将上述的引力、斥力和涡旋力叠加,规划出无人机航迹:
式(6)中假设共K架无人机,Fa为目的地点对无人机i产生的引力,kri和kvi分别表示斥力增益系数和涡旋力增益系数,斥力和涡旋力可以控制解脱路径的弧度;由此通过人工势场法得到了一条初始路径。由此通过人工势场法得到了一条初始路径,如图3所示。具体的,所述无人机偏转角度优化,为使无人机解脱航迹更加平滑,结合无人机实际飞行限制因素,假设无人机解脱过程中每步有5个角度调整方式可以选择,分别是:左转 30°,左转15°,原航向前行,右转15°,右转30°。无人机在进入每一步之前可以根据5个角度方向做出调整,如图4所示,图中θ为偏转角度。
无人机每步角度调整方式设为α,每步调整的偏转角度θ在满足延误距离最小,无人机不发生冲突及偏转角度限制的前提下:
式(7)中+30°代表右转30°,+15°代表右转15°,0°代表原航向前行,-15°代表左转15°,-30°代表左转30°。
具体的,所述步骤S3,基于改进算法的冲突解脱仿真包括以下步骤:
步骤S31,人工势场法初始路径的表示;
步骤S32,约束条件及评价指标的设定;
步骤S33,蚁群算法信息素蒸发系数分段调整;
步骤S34,基于蚁群改进算法的冲突解脱Matlab仿真。
(1)人工势场法初始路径的表示
基于步骤S1和步骤S2的内容通过人工势场法规划冲突解脱初始路径,将无人机每步的调整方式设为5种飞行角度。在蚁群算法中,无人机的每步调整方式可以设置为:左转30。时编码为-2,左转15。时编码为-1,原航向前行时编码为0,右转15。时编码为1,右转30。时编码为2,这样每种解脱方案都有对应的编码表示。将人工势场法得到的路径,每步按照设置的编码进行表示,则可以得到蚁群算法中的初始搜索路径。综上,当两架无人机在解脱过程中分为N步进行调整,每步的调整方式用-2,-1,0,1, 2表示,则每一种解脱方案都对应一个5×2N维的向量:
X=(x1,x2,…xL×N),xi∈{-2,-1,0,1,2} (8)
其编码示意图如图5,其中每N个分量对应一架飞机的解脱路径。
(2)约束条件及评价指标
无人机飞行中,为保证飞行安全,无人机间的最小安全距离σ约为20km。即在离散化后的冲突解脱过程中,无人机时刻需要满足的安全距离约束条件为:
|Xin-Xjn|≥σ,i≠j (9)
式(9)中|Xin-Xjn|表示第n步时无人机i,j的直线距离;
将解脱过程离散化,设置步长及步数后,无人机的飞行距离保持不变,为了规避冲突,在飞行过程中进行航向调整,无人机无法到达目的地,而到达了与目的地接近的位置Xin,将Xin与目的地的距离定义为解脱方案的延误Si,即:
Si=|Xd-Xin| (10)
式(10)中Xd表示目的地,在满足安全性的前提下,将延误Si作为解脱方案的评价指标,定义延误S为所有无人机的延误的和,即:
S=∑K i=1 Si (11)
式(11)中S越小时,代表无人机到达目的地所需代价越小,方案越优秀。
(3)蚁群算法信息素蒸发系数分段调整
为了增强初期搜索能力,后期提高收敛速度,改善蚁群算法性能。当信息素蒸发系数较大时,容易导致重复选择,搜索能力下降;较小时,搜索能力增强,但是收敛速度下降。因此将信息素蒸发系数进行分段调整:
式(12)中ε为小于1的某常数,NC表示迭代次数,ρmin表示蒸发系数最小值。
(4)基于改进算法的冲突解脱Matlab仿真
根据人工势场算法得到初始路径后,在其路径上适当分泌信息素,使路径上的节点信息素得到更新,信息素更新方程如下:
τij(t+1)=(1-ρ)τij(t)+Q/S (13)
式(13)中τij(t)表示在t时刻第j步第i个节点的信息素浓度;τij(t+1)表示t+1时刻第j步第i个节点的信息素浓度;ρ为信息素蒸发系数,介于0,1之间;Q为正常数;S为上一小节提及的延误;根据方程更新后,完成初始化信息素矩阵的任务;
当蚂蚁满足约束条件完成任务时,蚂蚁就会在路径上的节点分泌信息素,使节点信息素得到更新,更新方程如下:
τij(t+1)=(1-ρ)τij(t)+Δτij (14)
式(14)中△τij表示本次迭代中节点的信息素增量;
式(15)中△τij k表示第k只蚂蚁在本次迭代中留在节点上的信息素量;
式(16)中Sk为第k只蚂蚁在本次迭代完成任务后的延误距离,若蚂蚁所走路径中没有经过该节点,则△τij k为0;
每只蚂蚁选择下一步的概率与节点的信息素强度成正比,Pij为选择第j步第i个节点的概率,即无人机在保证安全的前提下,选择的航向调整角度,概率为:
综上,使用Matlab验证改进算法的可行性。设定无人机飞行距离为200km,将飞行过程离散化为20步,每步步长10km。两架无人机分别从(0,100),(100,0),飞往目的地 (-100,0),(0,-100)。仿真如图6和7所示。
图6可以看出经过人工势场法得出初始路径,加快了蚁群算法初期收敛速度。图7中星标路径表示人工势场法得到的初始路径,圆圈路径是改进算法后得到的无人机解脱路径,可以看出改进算法中无人机调整角度分步进行,路径平滑性相对更好,可行性更高。人工势场-蚁群算法与蚁群算法对比实验数据如下:从结果可以看出,两算法在完成相同迭代次数时间近似,改进算法找到最优解脱方案所用时间较少,延误距离更小,所得到的解脱方案更优秀。
表1人工势场-蚁群算法与蚁群算法数据对比(迭代次数=100蚂蚁个数=100)
人工势场-蚁群算法 | 蚁群算法 | |
完成迭代平均时间t | 4.6131s | 4.4631s |
平均延误距离S | 21.294 | 27.912 |
平均最优解迭代次数NC | 46.6 | 50.8 |
表2人工势场-蚁群算法与蚁群算法数据对比(迭代次数=80蚂蚁个数=150)
人工势场-蚁群算法 | 蚁群算法 | |
完成迭代平均时间t | 5.5876s | 5.4055s |
平均延误距离S | 23.237 | 31.634 |
平均最优解迭代次数NC | 51 | 56.8 |
相对粒子群算法、遗传算法等,人工势场-蚁群算法能够得到可行性更高的解脱方案。
(1)本发明通过人工势场算法为蚁群算法提供初始路径,相比于传统蚁群算法,明显提高了蚁群算法的初期收敛速度,并且优化了蚁群算法信息素蒸发系数避免算法易陷入局部最优。
(2)本发明通过细化无人机航向调整角度,简化操作,使解脱路径更加平滑,提高解脱方案的可行性。
Claims (9)
1.一种基于改进蚁群算法的无人机冲突解脱方法,其特征在于:将无人机冲突解脱过程离散为N步,通过每步改变航向实现冲突解脱;通过人工势场法为蚁群算法提供初期搜索路径,细化解脱过程中无人机航向调整角度,采用分段调整的方法优化蚁群算法信息素蒸发系数,最后利用改进算法找出无人机最优解脱路径。
2.根据权利要求1所述的基于改进蚁群算法的无人机冲突解脱方法,其特征在于,包括以下步骤:
步骤S1,利用人工势场法规划无人机初始路径;
规定无人机每步长Mkm,即每Mkm更新一次航路点,以把每架飞机的解脱过程离散为N步;两架无人机在规定的航线同时出发,不进行避让动作的前提下,在行进至相同步数会发生冲突,提前预测到冲突点;
利用人工势场法的原理,目的地产生引力场,对无人机产生引力,无人机自身具有斥力场,斥力保证飞机间不会发生碰撞,根据合力规划无人机航迹,以保证无人机安全的完成任务;
步骤S2,无人机偏转角度优化,以使无人机解脱航迹更加平滑;
步骤S3,基于改进算法的冲突解脱仿真。
3.根据权利要求2所述的基于改进蚁群算法的无人机冲突解脱方法,其特征在于,所述步骤S1中,无人机初始路径规划计算过程为:
将第i架飞机位置设为Xi,目的地生成引力场Ua,通过引力吸引无人机飞往目的地,引力场函数为:Ua=1/2εd2 (1)
式(1)中ε为引力场尺度因子,d为无人机与目的地距离;
目的地对无人机的引力为:
为避免碰撞,无人机本身会激发斥力场Ur,当无人机飞进其它无人机的斥力作用范围内,受到斥力作用:
式(3)中rij表示无人机i和无人机j的距离;rj表示将无人机本身看作一个圆,其圆心到无人机最远端的距离,即保护半径;σij为无人机以自身为圆心的圆形斥力场的作用半径;
无人机i进入无人机j的斥力场时,受到无人机j对其斥力作用:
为了保证无人机在进入彼此斥力作用范围内能够进行同向转弯,引入与斥力场相切的涡旋力,涡旋力为:
式(5)表示无人机j对无人机i产生的涡旋力,通过将上述的引力、斥力和涡旋力叠加,规划出无人机航迹:
式(6)中假设共K架无人机,Fa为目的地点对无人机i产生的引力,kri和kvi分别表示斥力增益系数和涡旋力增益系数,斥力和涡旋力可以控制解脱路径的弧度;由此通过人工势场法得到了一条初始路径。
5.根据权利要求4所述的基于改进蚁群算法的无人机冲突解脱方法,其特征在于,所述步骤S3,基于改进算法的冲突解脱仿真包括以下步骤:
步骤S31,人工势场法初始路径的表示;
步骤S32,约束条件及评价指标的设定;
步骤S33,蚁群算法信息素蒸发系数分段调整;
步骤S34,基于蚁群改进算法的冲突解脱Matlab仿真。
6.根据权利要求5所述的基于改进蚁群算法的无人机冲突解脱方法,其特征在于,所述步骤S31基于步骤S1和步骤S2的内容,通过人工势场法规划冲突解脱初始路径,将无人机每步的调整方式设为5种飞行角度;在蚁群算法中,无人机的每步调整方式可以设置为:左转30°时编码为-2,左转15°时编码为-1,原航向前行时编码为0,右转15°时编码为1,右转30°时编码为2,每种解脱方案都有对应的编码表示;
将人工势场法得到的路径,每步按照设置的编码进行表示,则得到蚁群算法中的初始搜索路径,当两架无人机在解脱过程中分为N步进行调整,每步的调整方式用-2,-1,0,1,2表示,则每一种解脱方案都对应一个5×2N维的向量:
X=(x1,x2,…xL×N),xi∈{-2,-1,0,1,2} (8)。
7.根据权利要求5所述的基于改进蚁群算法的无人机冲突解脱方法,其特征在于,所述步骤S32,约束条件及评价指标的设定如下:
无人机飞行中,无人机间的最小安全距离σ约为20km,即在离散化后的冲突解脱过程中,无人机时刻需要满足的安全距离约束条件为:
|Xin-Xjn|≥σ,i≠j (9)
式(9)中|Xin-Xjn|表示第n步时无人机i,j的直线距离;
将解脱过程离散化,设置步长及步数后,无人机的飞行距离保持不变,为了规避冲突,在飞行过程中进行航向调整,无人机无法到达目的地,而到达了与目的地接近的位置Xin,将Xin与目的地的距离定义为解脱方案的延误Si,即:
Si=|Xd-Xin| (10)
式(10)中Xd表示目的地,在满足安全性的前提下,将延误Si作为解脱方案的评价指标,定义延误S为所有无人机的延误的和,即:
S=∑K i=1Si (11)
式(11)中S越小时,代表无人机到达目的地所需代价越小,方案越优秀。
9.根据权利要求5所述的基于改进蚁群算法的无人机冲突解脱方法,其特征在于,所述步骤S34,基于改进蚁群算法的冲突解脱Matlab仿真过程如下:
根据人工势场算法得到初始路径后,在其路径上适当分泌信息素,使路径上的节点信息素得到更新,信息素更新方程如下:
τij(t+1)=(1-ρ)τij(t)+Q/S (13)
式(13)中τij(t)表示在t时刻第j步第i个节点的信息素浓度;τij(t+1)表示t+1时刻第j步第i个节点的信息素浓度;ρ为信息素蒸发系数,介于0,1之间;Q为正常数;S为上一小节提及的延误;根据方程更新后,完成初始化信息素矩阵的任务;
当蚂蚁满足约束条件完成任务时,蚂蚁就会在路径上的节点分泌信息素,使节点信息素得到更新,更新方程如下:
τij(t+1)=(1-ρ)τij(t)+Δτij (14)
式(14)中△τij表示本次迭代中节点的信息素增量;
式(15)中△τij k表示第k只蚂蚁在本次迭代中留在节点上的信息素量;
式(16)中Sk为第k只蚂蚁在本次迭代完成任务后的延误距离,若蚂蚁所走路径中没有经过该节点,则△τij k为0;
每只蚂蚁选择下一步的概率与节点的信息素强度成正比,Pij为选择第j步第i个节点的概率,即无人机在保证安全的前提下,选择的航向调整角度,概率为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639913.XA CN113009928A (zh) | 2020-12-31 | 2020-12-31 | 基于改进蚁群算法的无人机冲突解脱方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639913.XA CN113009928A (zh) | 2020-12-31 | 2020-12-31 | 基于改进蚁群算法的无人机冲突解脱方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113009928A true CN113009928A (zh) | 2021-06-22 |
Family
ID=76384165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011639913.XA Pending CN113009928A (zh) | 2020-12-31 | 2020-12-31 | 基于改进蚁群算法的无人机冲突解脱方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113009928A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808494A (zh) * | 2015-04-23 | 2015-07-29 | 西安外事学院 | 基于自适应蚁群遗传混合算法pid参数整定方法 |
CN105718997A (zh) * | 2016-01-15 | 2016-06-29 | 中国民航管理干部学院 | 基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法 |
CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
CN110220525A (zh) * | 2019-05-14 | 2019-09-10 | 昆明理工大学 | 一种基于势场蚁群算法的路径规划方法 |
CN111860754A (zh) * | 2020-07-15 | 2020-10-30 | 无锡弘宜智能科技有限公司 | 基于蚁群以及遗传算法的agv调度方法 |
CN111857141A (zh) * | 2020-07-13 | 2020-10-30 | 武汉理工大学 | 一种机器人路径规划方法、装置、设备及存储介质 |
-
2020
- 2020-12-31 CN CN202011639913.XA patent/CN113009928A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808494A (zh) * | 2015-04-23 | 2015-07-29 | 西安外事学院 | 基于自适应蚁群遗传混合算法pid参数整定方法 |
CN105718997A (zh) * | 2016-01-15 | 2016-06-29 | 中国民航管理干部学院 | 基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法 |
CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
CN110220525A (zh) * | 2019-05-14 | 2019-09-10 | 昆明理工大学 | 一种基于势场蚁群算法的路径规划方法 |
CN111857141A (zh) * | 2020-07-13 | 2020-10-30 | 武汉理工大学 | 一种机器人路径规划方法、装置、设备及存储介质 |
CN111860754A (zh) * | 2020-07-15 | 2020-10-30 | 无锡弘宜智能科技有限公司 | 基于蚁群以及遗传算法的agv调度方法 |
Non-Patent Citations (1)
Title |
---|
吴学礼 等: "一种改进蚁群算法的无人机避险方法仿真研究", 《河北科技大学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549407B (zh) | 一种多无人机协同编队避障的控制算法 | |
CN112817330B (zh) | 一种多无人机四维航迹协同规划方法及系统 | |
Wu et al. | Swarm-based 4D path planning for drone operations in urban environments | |
CN108153328B (zh) | 一种基于分段贝塞尔曲线的多导弹协同航迹规划方法 | |
Qiu et al. | Multiple UAV distributed close formation control based on in-flight leadership hierarchies of pigeon flocks | |
CN114330115B (zh) | 一种基于粒子群搜索的神经网络空战机动决策方法 | |
US20200380877A1 (en) | Optimizing aircraft path planning | |
Fallast et al. | Automated trajectory generation and airport selection for an emergency landing procedure of a CS23 aircraft | |
Wu et al. | Heterogeneous mission planning for multiple uav formations via metaheuristic algorithms | |
Fang et al. | Piecewise-potential-field-based path planning method for fixed-wing UAV formation | |
Zhang et al. | Multi-UAV cooperative Route planning based on decision variables and improved genetic algorithm | |
Babaei et al. | Optimal trajectory-planning of UAVs via B-splines and disjunctive programming | |
CN113009928A (zh) | 基于改进蚁群算法的无人机冲突解脱方法 | |
Ribeiro et al. | Analysis of conflict resolution methods for manned and unmanned aviation using fast-time simulations | |
Kim et al. | Cooperative sUAV collision avoidance based on satisficing theory | |
CN112034880A (zh) | 一种新型多无人机协同航路规划方法 | |
Duan et al. | UAV path planning | |
Bonin et al. | Optimal path planning for soaring flight | |
Zhou et al. | Taxiing speed intelligent management of aircraft based on DQN for A-SMGCS | |
Pinon et al. | Task allocation and path planning for collaborative swarm guidance in support of artillery mission | |
Khudov et al. | DETERMINING THE UNMANNED AERIAL VEHICLE OPTIMAL FLIGHT ROUTE BASED ON THE ANT COLONY OPTIMIZATION. | |
Li et al. | Real-time trajectory planning for autonomous parafoil in obstacle-rich environment | |
Tamanakijprasart et al. | Dynamic Path Planning of UAV in Three-dimensional Complex Environment Based on Interfered Fluid Dynamical System | |
Kucherov | Group of uavs moving on smooth control law with fixed obstacles | |
Xiang et al. | Penetration Planning and Design Method of Unmanned Aerial Vehicle Inspired by Biological Swarm Intelligence 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |
|
RJ01 | Rejection of invention patent application after publication |