CN113063419A - 一种无人机路径规划方法及系统 - Google Patents

一种无人机路径规划方法及系统 Download PDF

Info

Publication number
CN113063419A
CN113063419A CN202110093069.3A CN202110093069A CN113063419A CN 113063419 A CN113063419 A CN 113063419A CN 202110093069 A CN202110093069 A CN 202110093069A CN 113063419 A CN113063419 A CN 113063419A
Authority
CN
China
Prior art keywords
individual
iteration
unmanned aerial
aerial vehicle
updating
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.)
Granted
Application number
CN202110093069.3A
Other languages
English (en)
Other versions
CN113063419B (zh
Inventor
皮德常
陈阳
徐悦
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110093069.3A priority Critical patent/CN113063419B/zh
Publication of CN113063419A publication Critical patent/CN113063419A/zh
Application granted granted Critical
Publication of CN113063419B publication Critical patent/CN113063419B/zh
Active 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种无人机路径规划方法及系统，主要依赖于仿生优化技术来实现一种环形结构的全局邻域学习方法。基于仿花授粉算法的全局更新方程其采用服从Lèvy分布的更新方式促进种群收敛，具有强烈的震荡性会影响算法收敛速度，通过利用相关数学理论验证并分析其收敛过程，提出新的全局更新方程；为增加种群多样性设计全局邻域学习方法，并将该方法集成到改进的仿花授粉算法框架中，实现了更加平滑稳定的无人机飞行路径规划。

Description

一种无人机路径规划方法及系统
技术领域
本发明涉及无人机技术领域，特别是涉及一种无人机路径规划方法及系统。
背景技术
随着信息现代化技术的更新换代，近年来无人机作为有效的空中移动平台受到各领域的关注。在军事领域，无人机是一种灵活安全的战斗设备，甚至可以认为更好的研究无人机的控制与应用，使其满足未来战争的需求是未来空战的制胜关键。除了军事研究之外，无人机在平常的民用生活中已经十分常见，国内大疆公司生产的机器已经用于生活中的航拍、专业机型用于农业植保等等。在5G时代下，无人机作为空中有效的移动平台，可以有效的为云计算、边缘计算等技术提供中继手段，亦可作为移动基站等等。
然而，虽然无人机的应用场景将越来越多，发展趋势越来越好，但是其基础研究不容忽视。路径规划是无人机应用的基础关键问题，如何有效的进行任务的处理，在执行任务期间如何有效的避开障碍物，以及在执行飞行任务时如何有效的节约自身能源等等都是规划无人机飞行路径需要处理的问题。此外，对于一般的飞行环境虽然可以预知飞行过程的相关信息，但突发情况是无法预知的，即在设计飞行路径时也要考虑突发情况的实时路径规划。无论处理上述哪种问题，一种良好有效的用来进行无人机飞行路径规划的方法都是十分重要的。
目前用于解决路径规划问题的方法虽然往往可以给出平滑的飞行轨迹，但是仍然存在着许多限制，如路径的最优性不足，且在环境规模较大的场景下无法有效的给出一条良好的路径。
发明内容
本发明的目的是提供一种无人机路径规划方法及系统，能够满足无人机飞行过程中对于路径实时规划的需求，有效提升规划算法的多样性且提高优化目标的精度。
为实现上述目的，本发明提供了如下方案：
一种无人机路径规划方法，所述方法包括：
根据无人机的起始位置与目标位置获得目标适应度函数；
采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解；
计算迭代优化求解过程中所述改进仿花授粉算法的每个个体适应度的连续未改变次数；
将所述连续未改变次数与预设阈值比较，若所述连续未改变次数达到所述预设阈值，则采用全局邻域学习算法对该个体进行更新后再继续执行迭代优化求解直至迭代完成，否则继续执行所述迭代优化求解直至迭代完成；
迭代完成后，将所述改进仿花授粉算法得到的最优个体输出为无人机的最优路径。
本发明还提供了一种无人机路径规划系统，所述系统包括：
适应度函数确定模块，用于根据无人机的起始位置与目标位置获得目标适应度函数；
迭代求解模块，用于采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解；
全局领域更新模块，用于计算迭代优化求解过程中所述改进仿花授粉算法的每个个体适应度的连续未改变次数；
将所述连续未改变次数与预设阈值比较，若所述连续未改变次数达到所述预设阈值，则采用全局邻域学习算法对该个体进行更新后再继续执行迭代优化求解直至迭代完成，否则继续执行所述迭代优化求解直至迭代完成；
结果输出模块，用于迭代完成后，将所述改进仿花授粉算法得到的最优个体输出为无人机的最优路径。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种无人机路径规划方法及系统，通过采用改进的仿花授粉算法集成了全局邻域学习方法的执行框架，改善了传统仿生优化技术单一的学习对象，能够有效提升算法的多样性且提高优化目标的精度。同时该方法不需要将环境地图预先存储也不存在局部极小值陷阱以及狭窄条件下震荡的问题，具有很好的应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例提供的一种无人机路径规划方法的流程图；
图2为本发明实施例提供的全局邻域学习算法中环形结构示意图；
图3为本发明实施例提供的一种无人机路径规划系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
传统的用于解决路径规划问题的方法虽然其往往可以给出平滑的飞行轨迹，但是其仍然存在着许多限制，如路径的最优性不足，或者在环境规模较大的场景下无法有效的给出一条良好的路径。从不同的学科角度出发对路径规划有许多不同种类的算法，如A*(A-Star)，RRT(Rapid-exploration Random Tree，快速搜索随机树)，APF(ArtificalPotential Field，人工势场法)等等。其中A*对内存要求较高，在处理具体的问题时必须提前存储整个无人机任务的环境的地图或信息，因此对于环境密度较高或障碍物较多的复杂场景会出现不足。APF容易因局部极小值引起的陷阱情况，并且当执行任务的环境下具有密集障碍物时，无人机在其间不容易获得好的路径点，此外经过这种狭窄通道时容易出现路径振荡现象影响无人机飞行效率。
基于仿生算法进行路径规划是一种有效改善以上缺陷的方法，本发明的目的就是提供一种无人机路径规划方法及系统，改善传统仿生优化算法中种群没有对多数优势个体进行学习的不足，构造的全局邻域学习可以有效的提升算法的多样性且提高优化目标的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供了一种无人机路径规划方法，所述方法包括：
步骤101：根据无人机的起始位置与目标位置获得目标适应度函数；
步骤102：采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解；
步骤103：计算迭代优化求解过程中所述改进仿花授粉算法的每个个体适应度的连续未改变次数；
步骤104：将所述连续未改变次数与预设阈值比较，若所述连续未改变次数达到所述预设阈值，则采用全局邻域学习算法对该个体进行更新后再继续执行迭代优化求解直至迭代完成，否则继续执行所述迭代优化求解直至迭代完成；
步骤105：迭代完成后，将所述改进仿花授粉算法得到的最优个体输出为无人机的最优路径。
本实施例提供的方法从仿生优化的角度以解决无人机路径规划问题为出发点，设计一种全局邻域学习的方法并将其集成到算法框架，提出了一种新颖的全局邻域学习集成仿生优化的无人机路径规划方法，有效地解决了传统方法解决无人机路径规划问题的资源消耗高，局部最小值影响以及得到的无人机路径不够好等问题，相比其他的仿生优化技术，该方法对于无人机路径规划问题的可大大提高解的精度，即可得到更好的路径。由于无论进行全局邻域学习还是按照仿花授粉算法全局与局部更新方式进行迭代，生成的新解都是按照贪心策略保留最佳解，当算法迭代完成，得到的无人机路径规划能够最大程度的接近实际最优路线。由于该方法所具有的特性以及较强的搜索能力，使其不但在小规模环境下能快速得到良好的路径而且适用于大规模环境下的路径规划。经过扩展后，不再局限于无人机的路径规划问题，对于在无人车以及特定环境下的机器人应用的路径规划问题仍然适用。
无人机路径规划是在无人机起始位置到目标位置寻找一条最优的路径。在这条路径中存在许多威胁物，无论是雷达威胁还是无人机航迹规划中遇到的武器威胁，统称之为障碍物。这些障碍物一般会通过卫星侦探或者无人机的传感器探测得到，然后对已知存在或者潜在的障碍威胁物进行规避寻找无人机最优的航行路线。除此之外，无人机自身油耗也是一个威胁，无人机需要在自身携带燃油充足的条件下才能完成任务。
因此，无人机航迹规划问题可以被视为是一个多维优化问题进行处理。假设无人机从S点飞到T点。以S到T的直线距离为横坐标，利用K+1条垂线将威胁空间分为K等份(K为正整数)，则问题可以转化为寻找K+1个垂线上面的可行的离散点集合。按照从起始位置至目标位置的顺序组成若干长度为K+1的点序列，所述点序列即为无人机路径，将所述无人机路径作为仿花授粉算法的种群个体进行迭代优化求解。
在迭代求解开始之前，需要确定无人机的目标问题的适应度函数：
Figure BDA0002913392650000051
其中，目标J表示综合代价，α表示权重系数，length表示从起始点到目标点的直线距离，wt和wf分别表示在随着当前路径l变化产生的障碍物威胁代价和油耗威胁代价。
然后采用改进仿花授粉算法对所述目标适应度函数进行预定次数的迭代优化求解。传统的仿花授粉算法中种群以全局更新过程进行更新的目的是在目标问题的空间内尽可能的探索更优位置，利用更新公式
Figure BDA0002913392650000052
进行更新，其中L表示按照Lèvy分布生成的随机数。表现形式是所有的个体向当前最优位置按Lèvy分布进行聚拢。但这样的全局更新方程具有强烈的震荡性会影响算法的收敛速度，分析全局更新公式的收敛位置如下：
假定固定最优个体g*不变，在维度为1时对于个体
Figure BDA0002913392650000053
而言，在t＝0时，t＝1的更新方程为
Figure BDA0002913392650000061
t＝2时更新方程为：
Figure BDA0002913392650000062
归纳可知：
Figure BDA0002913392650000063
求解上述差分方程可得：
Figure BDA0002913392650000064
我们的目标是个体在迭代中不断趋向全局最优解，因此，公式中的L需在0-1之间才可满足这一条件。因此利用该更新方程得到的不是一个收敛的序列。
因此，本文将全局更新公式设置为公式:
Figure BDA0002913392650000065
其中r表示0和1之间的随机数，pbi表示第i个个体的历史最佳位置。
上述提出的更新方程可以视为动态系统，这里采用二阶线性差分方程分析算法全局优化的位置的变化。将公式
Figure BDA0002913392650000066
视为一维情况下可得：
xt+2+rxt+1-(1-t)xt＝2r·pb
上式为二阶常系数差分方程，可知其特征方程为：
λ2+rλ-(1-r)＝0
所以特征根的值Δ＝(r-2)2≥0存在以下两种情况：
第一种情况是Δ＝0，Y＝(C1t+C2)eλt+Y*，其中C1和C2表示通解中的任意两个恒定常数。所以Δ＝0，λ≡-1，随机数r＝2有
Figure BDA0002913392650000067
第二种情况是Δ＞0,
Figure BDA0002913392650000068
解得方程具有两个互异的根，λ1＝-1,λ2＝1-r，所以
Figure BDA0002913392650000069
st.λ2＜0。因为r∈(0,1)满足Δ＞0，因此
Figure BDA00029133926500000610
更新方式是收敛的。
因此，本实施例提供了一种改进的仿花授粉算法，利用新的全局更新公式对目标函数进行迭代求解，具备更好的收敛速度。
在采用改进仿花授粉算法对所述目标适应度函数进行预定次数的迭代优化求解时，以无人机路径为个体，首先随机生成若干个无人机路径作为初始种群，并初始化迭代次数t＝0。接着搜索当前种群中具有最佳适应度的个体作为最优个体；然后对当前种群进行更新，令迭代次数加1后作为新的迭代次数，并判断所述新的迭代次数是否小于预设迭代次数。
当所述新的迭代次数小于预设迭代次数时，返回“搜索当前种群中具有最佳适应度的个体作为最优个体”的步骤继续进行迭代优化求解过程；否则将当前次迭代的最优个体作为迭代结果输出。
对当前种群进行更新是基于改进后的仿花授粉算法中的全局更新公式与局部更新公式进行的，对于某一具体个体，在0-1之间选择一个实数作为概率参数，并在0-1之间随机生成一个随机数作为更新选择参数，将所述更新选择参数与所述概率参数的大小进行比较。当所述更新选择参数小于所述概率参数时，选择全局更新方式
Figure BDA0002913392650000071
对该个体进行更新，否则选择局部更新方式
Figure BDA0002913392650000072
对该个体进行更新。其中，
Figure BDA0002913392650000073
表示第t+1次迭代过程中的第i个个体，
Figure BDA0002913392650000074
表示第t次迭代过程中的第i个个体，pbrn表示个体邻域内历史最佳个体，r和ε表示0-1之间的随机数，
Figure BDA0002913392650000075
和
Figure BDA0002913392650000076
表示第t次迭代过程中与
Figure BDA0002913392650000077
不同的随机两个个体。通过逐一对个体进行更新，达到对整个种群更新的目的。
为了避免算法陷入局部最优，在采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解时，还包括计算迭代优化求解过程中所述改进仿花授粉算法的最优个体适应度的累计未改变次数，并将所述累计未改变次数与预定迭代次数的一半进行比较，当所述累计未改变次数达到预定迭代次数的一半，则随机生成新的种群，否则继续进行迭代优化求解过程。
在仿花授粉算法搜索当前种群中具有最佳适应度的个体作为最优个体时，也需要统计每个个体的适应度改变情况。具体的，对每个个体对应设置一连续未改变次数，并在迭代开始前初始化连续未改变次数为0。接着判断改进仿花授粉算法的迭代次数是否小于1。当所述迭代次数小于1时，记录当前该个体的适应度；当所述迭代次数不小于1时，判断当前次迭代的该个体的适应度与上一次迭代的该个体适应度是否一致，若一致，则令所述连续未改变次数累加1，若不一致，则令所述连续未改变次数为0。
当个体适应度的连续未改变次数达到设定阈值时，对该个体采用全局邻域学习算法进行更新：
确定待更新的种群个体；
随机生成第一随机数r1与第二随机数r2，所述r1与r2的取值范围均在0-1之间；
判断所述第一随机数r1与所述第二随机数r2的大小关系，若r1＜r2，则所述待更新的种群个体进入全局邻域更新，随机选择该个体邻域内的某个体作为学习对象；
若r1≥r2，则不对所述待更新的种群个体进行更新。
种群中每个个体向自身搜索的解学习，增加遍历搜索空间，但是种群之间缺少信息交互。为此本实施例设置邻域拓扑学习，以简单的环形拓扑可以用于学习对象的选择，当种群中某个个体得到的目标解不再更新的时候，令其向自己的邻域中的具有最佳解的个体学习，跳出局部位置的限制。
为了增加个体之间的信息交流抑制个体的搜索停滞，采用环型邻域搜索的方法改进了搜索结构。根据公式
Figure BDA0002913392650000081
更新种群。rn是由个体选择的领域个体。pbrn代表历史rn的历史最佳个体。
rn的选择方式如下：将种群以环形结构进行组合，按照适应度大小将种群中的每个个体进行串联。如图2中以8个个体为例示出了环形结构的组成。对于任意一个个体i，有临时数组NE＝[i-1；i-2；i+1；i+2]。通过两两随机数比较的方式对某一个体进入全局邻域构建。一旦对于个体i进入领域选择，则是在临时数组NE中随机选择一个个体作为i的学习对象。临时数组中i-1和i+1表示的是个体i的左右相连的两个个体。对于个体i+1而言，i与i+2则是i+1左右的两个相邻个体。
输入两个0-1之间均匀分布的随机数r1,r2，输出种群中个体i的学习对象rn。全局邻域学习算法的代码如下：
fori＝1:NP//NP表示种群个体总数
if r1<r2
NE＝[i-1；i-2；i+1；i+2]//NE表示对于个体i的四个相近邻域的临时数组
从NE选择的个体NE(j),j＝[1；2；3；4]
NX＝NE(j)
else
NX＝i
end If
rn＝NX
end for
集成了全局邻域学习的仿花授粉算法优化无人机路径规划方法的代码如下：
输入：
最大迭代次数Maxgen,
种群数目NP,
概率参数P,％％上述三个参数按照一般文献中推荐的进行设置：Maxgen＝1000；NP＝30，P＝0.2。
问题维度Dim,
目标函数f.
输出：
全局最佳位置g*
1.在无人机飞行环境为参考，在特定的空间限制下生成NP个个体x
2.获得当前最优的个体g*
3.定义临时变量:t＝0；t1＝0；t2＝0
4.whilet<Maxgendo
5.fori＝1:NPdo
6.if个体i的函数值连续未改变then
7.执行算法构建了全局邻域学习
8.end if
9.if rand<Pthen％％选择更新方式
10.
Figure BDA0002913392650000091
11.else
12.
Figure BDA0002913392650000092
13.end if
14.end for
15.if t2＝Maxgen/2
16.在空间中随机生成种群
17.endif
18.利用无人机目标问题的适应度函数判断
Figure BDA0002913392650000101
和
Figure BDA0002913392650000102
如果相同，t1++.
否则,t1设置为0
19.判断(g*)t+1与(g*)t,如果相同，t2++.否则,t2设置为0
20.更新种群中的最佳解
21.保存其最佳个体g*％最终输出的g*是具有Dim个数目的点集，即为算法得到的无人机飞行路径
22.t++
23.endwhile
实施例2
一种无人机路径规划系统，如图3所示，所述系统包括：
适应度函数确定模块M1，用于根据无人机的起始位置与目标位置获得目标适应度函数；
迭代求解模块M2，用于采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解；
全局领域更新模块M3，用于计算迭代优化求解过程中所述改进仿花授粉算法的每个个体适应度的连续未改变次数；
将所述连续未改变次数与预设阈值比较，若所述连续未改变次数达到所述预设阈值，则采用全局邻域学习算法对该个体进行更新后再执行迭代优化求解直至迭代完成，否则继续执行所述迭代优化求解直至迭代完成；
结果输出模块M4，用于迭代完成后，将所述改进仿花授粉算法得到的最优个体输出为无人机的最优路径。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (11)

1.一种无人机路径规划方法，其特征在于，所述方法包括：
根据无人机的起始位置与目标位置获得目标适应度函数；
采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解；
计算迭代优化求解过程中所述改进仿花授粉算法的每个个体适应度的连续未改变次数；
将所述连续未改变次数与预设阈值比较，若所述连续未改变次数达到所述预设阈值，则采用全局邻域学习算法对该个体进行更新后再继续执行迭代优化求解直至迭代完成，否则继续执行所述迭代优化求解直至迭代完成；
迭代完成后，将所述改进仿花授粉算法得到的最优个体输出为无人机的最优路径。
2.根据权利要求1所述的一种无人机路径规划方法，其特征在于，所述根据无人机的起始位置与目标位置获得目标适应度函数具体包括：
设定无人机飞行的起始位置与目标位置，并结合障碍物与油耗得到目标适应度函数：
Figure FDA0002913392640000011
其中，目标J表示综合代价，α表示权重系数，length表示从起始点到目标点的直线距离，wt和wf分别表示在随着当前路径l变化产生的障碍物威胁代价和油耗威胁代价。
3.根据权利要求1所述的一种无人机路径规划方法，其特征在于，在所述根据无人机的起始位置与目标位置获得目标适应度函数之前，还包括将无人机路径规划问题进行转化：
将所述起始位置与所述目标位置的连线作为无人机飞行的直线距离；
利用K+1条垂线将所述直线距离K等分，按照从起始位置至目标位置的顺序依次选取每条垂线上的一可通行点，组成若干长度为K+1的点序列，所述点序列即为无人机路径，将所述无人机路径作为仿花授粉算法的种群个体；K为正整数。
4.根据权利要求1所述的一种无人机路径规划方法，其特征在于，所述采用改进仿花授粉算法对所述目标适应度函数进行预定次数的迭代优化求解，包括：
以无人机路径为个体，随机生成若干个无人机路径作为初始种群；
初始化迭代次数t＝0；
搜索当前种群中具有最佳适应度的个体作为最优个体；
对当前种群进行更新，令迭代次数加1后作为新的迭代次数，并判断所述新的迭代次数是否小于预设迭代次数；
当所述新的迭代次数小于预设迭代次数时，返回所述“搜索当前种群中具有最佳适应度的个体作为最优个体”步骤；否则将当前次迭代的最优个体作为迭代结果输出。
5.根据权利要求4所述的一种无人机路径规划方法，其特征在于，所述对当前种群进行更新包括：
在0-1之间选择一个实数作为概率参数；
在0-1之间随机生成一个随机数作为更新选择参数，将所述更新选择参数与所述概率参数的大小进行比较；
当所述更新选择参数小于所述概率参数时，选择全局更新方式对当前种群进行更新；
当所述更新选择参数不小于所述概率参数时，选择局部更新方式对当前种群进行更新。
6.根据权利要求5所述的一种无人机路径规划方法，其特征在于，
所述全局更新方式为根据公式
Figure FDA0002913392640000021
进行更新；
所述局部更新方式为根据公式
Figure FDA0002913392640000022
进行更新；
其中，
Figure FDA0002913392640000023
表示第t+1次迭代过程中的第i个个体，
Figure FDA0002913392640000024
表示第t次迭代过程中的第i个个体，pbrn表示个体邻域内历史最佳个体，r和ε表示0-1之间的随机数，
Figure FDA0002913392640000025
和
Figure FDA0002913392640000026
表示第t次迭代过程中与
Figure FDA0002913392640000027
不同的随机两个个体。
7.根据权利要求1所述的一种无人机路径规划方法，其特征在于，所述计算迭代优化求解过程中所述改进仿花授粉算法的每个个体适应度的连续未改变次数包括：
对每个个体对应设置一连续未改变次数，并在迭代开始前初始化所述连续未改变次数为0；
判断改进仿花授粉算法的迭代次数是否小于1；
当所述迭代次数小于1时，记录当前该个体的适应度；
当所述迭代次数不小于1时，判断当前次迭代的该个体的适应度与上一次迭代的该个体适应度是否一致，若一致，则令所述连续未改变次数累加1，若不一致，则令所述连续未改变次数为0。
8.根据权利要求1所述的一种无人机路径规划方法，其特征在于，所述采用全局邻域学习算法对该个体进行更新包括：
确定待更新的种群个体；
随机生成第一随机数r1与第二随机数r2，所述r1与r2的取值范围均在0-1之间；
判断所述第一随机数r1与所述第二随机数r2的大小关系，若r1＜r2，则所述待更新的种群个体进入全局邻域更新，随机选择该个体邻域内的某个体作为学习对象；
若r1≥r2，则不对所述待更新的种群个体进行更新。
9.根据权利要求8所述的一种无人机路径规划方法，其特征在于，所述个体邻域的选择方式包括：
将种群以环形结构组合，保证种群内的每个个体i的前后各有两个相邻的个体，即个体i-2、个体i-1和个体i+1、个体i+2；
将个体i-2、个体i-1和个体i+1、个体i+2作为个体i的邻域；i为计数单位。
10.根据权利要求1所述的一种无人机路径规划方法，其特征在于，在采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解时，还包括：
计算迭代优化求解过程中所述改进仿花授粉算法的最优个体适应度的累计未改变次数；
将所述累计未改变次数与预定迭代次数的一半进行比较，当所述累计未改变次数达到预定迭代次数的一半，则随机生成新的种群，否则继续进行迭代优化求解过程。
11.一种无人机路径规划系统，其特征在于，所述系统包括：
适应度函数确定模块，用于根据无人机的起始位置与目标位置获得目标适应度函数；
迭代求解模块，用于采用改进仿花授粉算法对所述目标适应度函数进行预定迭代次数的迭代优化求解；
全局领域更新模块，用于计算迭代优化求解过程中所述改进仿花授粉算法的最优个体适应度的连续未改变次数；
将所述连续未改变次数与预设阈值比较，若所述连续未改变次数达到所述预设阈值，则采用全局邻域学习算法对该个体进行更新后再继续执行迭代优化求解直至迭代完成，否则继续执行所述迭代优化求解直至迭代完成；
结果输出模块，用于迭代完成后，将所述改进仿花授粉算法得到的最优个体输出为无人机的最优路径。
CN202110093069.3A 2021-01-25 2021-01-25 一种无人机路径规划方法及系统 Active CN113063419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110093069.3A CN113063419B (zh) 2021-01-25 2021-01-25 一种无人机路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110093069.3A CN113063419B (zh) 2021-01-25 2021-01-25 一种无人机路径规划方法及系统

Publications (2)

Publication Number Publication Date
CN113063419A true CN113063419A (zh) 2021-07-02
CN113063419B CN113063419B (zh) 2024-02-02

Family

ID=76558687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110093069.3A Active CN113063419B (zh) 2021-01-25 2021-01-25 一种无人机路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN113063419B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113639750A (zh) * 2021-07-20 2021-11-12 中国地质大学（武汉） 顾及时变需求的高峰时段无人机监视路径规划方法及装置
CN114339667A (zh) * 2022-01-06 2022-04-12 北京邮电大学 基于混合无人机空中移动基站的中继方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0836342A1 (de) * 1996-10-11 1998-04-15 DeTeMobil Deutsche Telekom MobilNet GmbH Verfahren zur Nachbarschaftsbetrachtung und/oder Nachbarschaftsplanung von Feststationen eines zellularen Funknetzes
CN108287548A (zh) * 2018-01-23 2018-07-17 中南大学 一种自动化导轨运载装置及机器人协同运载方法与系统
CN110309887A (zh) * 2019-07-09 2019-10-08 哈尔滨理工大学 基于改进花朵授粉的模糊c-均值聚类异常检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0836342A1 (de) * 1996-10-11 1998-04-15 DeTeMobil Deutsche Telekom MobilNet GmbH Verfahren zur Nachbarschaftsbetrachtung und/oder Nachbarschaftsplanung von Feststationen eines zellularen Funknetzes
CN108287548A (zh) * 2018-01-23 2018-07-17 中南大学 一种自动化导轨运载装置及机器人协同运载方法与系统
CN110309887A (zh) * 2019-07-09 2019-10-08 哈尔滨理工大学 基于改进花朵授粉的模糊c-均值聚类异常检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALLOUANI FOUAD: "A novel modified flower pollination algorithm for global optimization", NEURAL COMPUTING AND APPLICATIONS (2019), pages 3875 - 3902 *
杨笑: "基于SQP局部搜索的改进花朵授粉算法研究", CNKI优秀硕士学位论文全文库, pages 8 - 10 *
段艳明: "新授粉方式的花授粉算法", 计算机工程与应用, pages 94 - 106 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113639750A (zh) * 2021-07-20 2021-11-12 中国地质大学（武汉） 顾及时变需求的高峰时段无人机监视路径规划方法及装置
CN113639750B (zh) * 2021-07-20 2023-05-26 中国地质大学（武汉） 顾及时变需求的高峰时段无人机监视路径规划方法及装置
CN114339667A (zh) * 2022-01-06 2022-04-12 北京邮电大学 基于混合无人机空中移动基站的中继方法和装置
CN114339667B (zh) * 2022-01-06 2022-12-20 北京邮电大学 基于混合无人机空中移动基站的中继方法和装置

Also Published As

Publication number Publication date
CN113063419B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN111176334B (zh) 一种多无人机协同目标搜索方法
CN106705970B (zh) 一种基于蚁群算法的多无人机协同路径规划方法
Zhang et al. An improved constrained differential evolution algorithm for unmanned aerial vehicle global route planning
CN102880186B (zh) 基于稀疏a*算法和遗传算法的航迹规划方法
CN108458717A (zh) 一种迭代的快速扩展随机树irrt的无人机路径规划方法
CN105700549A (zh) 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
CN112329348A (zh) 一种面向非完全信息条件下军事对抗博弈的智能决策方法
CN107392388A (zh) 一种采用改进人工鱼群算法规划无人机三维航迹的方法
CN110687923A (zh) 无人机长距离循迹飞行方法、装置、设备及存储介质
CN113063419A (zh) 一种无人机路径规划方法及系统
CN111121784B (zh) 一种无人侦察机航路规划方法
CN109357678A (zh) 一种基于异质化鸽群优化算法的多无人机路径规划方法
Liu et al. Potential odor intensity grid based UAV path planning algorithm with particle swarm optimization approach
CN104834317A (zh) 一种智能识别威胁类型的无人机飞行路径规划方法
Lei et al. Path planning for unmanned air vehicles using an improved artificial bee colony algorithm
CN114167865A (zh) 一种基于对抗生成网络与蚁群算法的机器人路径规划方法
Huang A Novel Three‐Dimensional Path Planning Method for Fixed‐Wing UAV Using Improved Particle Swarm Optimization Algorithm
CN110986954A (zh) 基于灰狼优化算法的军用运输机航路规划方法
Fan et al. Path planning for a reconnaissance UAV in uncertain environment
CN116400737B (zh) 一种基于蚁群算法的安全路径规划系统
Chen et al. A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification
CN112800679A (zh) 一种光电装备防御规划方法、装置、设备及存储介质
CN111928853A (zh) 复杂环境下空基平台快速航路规划方法
Baker et al. Factored Monte-Carlo tree search for coordinating UAVs in disaster response
Wang et al. Improved grey wolf optimizer for multiple unmanned aerial vehicles task allocation

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