CN113504793A - 一种基于Voronoi图的无人机集群路径规划方法 - Google Patents

一种基于Voronoi图的无人机集群路径规划方法 Download PDF

Info

Publication number
CN113504793A
CN113504793A CN202110783268.7A CN202110783268A CN113504793A CN 113504793 A CN113504793 A CN 113504793A CN 202110783268 A CN202110783268 A CN 202110783268A CN 113504793 A CN113504793 A CN 113504793A
Authority
CN
China
Prior art keywords
quantum
squirrel
generation
path
optimal
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
CN202110783268.7A
Other languages
English (en)
Other versions
CN113504793B (zh
Inventor
高洪元
白浩川
张志伟
马静雅
刘廷晖
张禹泽
刘家威
张震宇
赵立帅
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202110783268.7A priority Critical patent/CN113504793B/zh
Publication of CN113504793A publication Critical patent/CN113504793A/zh
Application granted granted Critical
Publication of CN113504793B publication Critical patent/CN113504793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于Voronoi图的无人机集群路径规划方法，本发明为解决二维栅格环境建模路径规划速率较慢，计算复杂度较大的问题，基于Voronoi图进行战场环境建模，通过减少路径中间节点，降低了算法进行节点遍历时所需的时间，同时设计出一种基于量子松鼠觅食的离散优化算法应用于路径规划，通过量子旋转门对量子松鼠的位置进行更新，更好的平衡了全局寻优能力与局部寻优能力，保证了路径规划结果的有效性。同时本发明为了适应战场环境的变化可能造成的路径失效问题，提供多条备选航迹，保证了路径的可选择性。

Description

一种基于Voronoi图的无人机集群路径规划方法
技术领域
本发明涉及一种基于Voronoi图的无人机集群路径规划方法，属于无人机路径规划领域。
背景技术
无人机集群路径规划技术是保障无人机正常飞行且完成作战攻击任务的关键技术之一。由于战场环境复杂多变，无法获得稳定的威胁数据，为满足集群飞行任务的要求必须尽可能设计出多条最优飞行轨迹。另一方面，由于针对不同的作战环境作战决策必须做出相应的变化，因此对无人机集群路径规划的实时性要求越来越高，因此设计出复杂度低，计算量小，鲁棒性强的路径规划算法是目前急需解决的问题。
目前应用于无人机路径规划的主要算法包括：人工势场法、A*算法、蚁群算法等。赵江等在《计算机工程与应用》(2018，54(21)：217-223)上发表的“对AGV路径规划A*算法的改进与验证”一文中提出了通过将A*算法规划的多余路径中间点合并，消除了多余拐点与共线节点来减少AGV路径损耗，但此方法是在A*寻路结束后进行的改进，并没有减少A*算法的计算复杂度，而且使用的传统二维栅格建模导致寻路过程中遍历节点较多，实时性较差，因此这种思路不适用于大规模无人机集群作战。李宪强等在《航空学报》(2020，41(S2):1-7)上发表的“蚁群算法的改进设计及在航迹规划中的应用”一文中提出将人工势场算法与蚁群算法结合起来，通过人工势场算法规划的初始路径设置蚁群算法的初始信息素，加快了蚁群算法的收敛速度，但是人工势场法寻路结果具有不确定性，适应度较差的初始解容易使蚁群算法陷入局部最优，路径规划成功概率较低，且只能产生一条最优路径，灵活性较差，同样不适用与大规模无人机集群作战。
发明内容
本发明为解决二维栅格环境建模路径规划速率较慢，计算复杂度较大的问题，基于Voronoi图进行战场环境建模，通过减少路径中间节点，降低了算法进行节点遍历时所需的时间，同时设计出一种基于量子松鼠觅食的离散优化算法应用于路径规划，通过量子旋转门对量子松鼠的位置进行更新，更好的平衡了全局寻优能力与局部寻优能力，保证了路径规划结果的有效性。同时本发明为了适应战场环境的变化可能造成的路径失效问题，提供多条备选航迹，保证了路径的可选择性。
本发明的目的是这样实现的：步骤如下：
步骤一：Voronoi图建模；
步骤二：初始化量子松鼠种群，设定种群中松鼠的个数为L1，随机初始化第m个量子松鼠位置向量
Figure BDA0003158039460000021
其中
Figure BDA0003158039460000022
L2为每个量子松鼠位置的维数，即路径中间经过的节点数；t为迭代次数，初始时设t＝1；
步骤三：将量子松鼠位置每一维映射为确定范围内的整数，对于第m个松鼠量子位置第n维的映射规则为：
Figure BDA0003158039460000023
其中：ceil为向上取整函数；un,max为第n维变量的上界，un,min为第n维变量的下界，得到第m个松鼠位置
Figure BDA0003158039460000024
对其计算适应度值，计算方式为：
Figure BDA0003158039460000025
其中，
Figure BDA0003158039460000026
和
Figure BDA0003158039460000027
分别是是第m个松鼠位置
Figure BDA0003158039460000028
中的第i维和第i+1维变量，
Figure BDA0003158039460000029
则是以第i维
Figure BDA00031580394600000210
表示的节点序号作为行数，第i+1维
Figure BDA00031580394600000211
作为列数对应的节点代价矩阵中数值；计算并对适应度值从小到大排列；排序前l1个量子松鼠松鼠设定为处于山核桃树的量子松鼠，其量子位置为
Figure BDA00031580394600000212
排序l1+1至l2个量子松鼠设定处于橡子树的量子松鼠，其量子位置为
Figure BDA00031580394600000213
其余设定为处于普通树的量子松鼠，其量子位置为
Figure BDA00031580394600000214
设第t代第m个量子松鼠历史最优位置为
Figure BDA00031580394600000215
当t＝1时，
Figure BDA00031580394600000216
设第t代所有量子松鼠历史最优量子位置均值为
Figure BDA00031580394600000217
其计算方式为
Figure BDA00031580394600000218
步骤四：分别计算山核桃树量子松鼠、橡子树量子松鼠、普通树量子松鼠所对应量子位置的量子旋转角，第t+1代第m1个山核桃树松鼠量子旋转角矢量为
Figure BDA00031580394600000219
其第n维量子旋转角计算方式为
Figure BDA00031580394600000220
其中δt是惯性系数，δt＝c1+c2×[(tmax-t)/tmax],c1和c2为常数，tmax为最大迭代次数，
Figure BDA00031580394600000221
是第t代第m1个量子松鼠位置的第n维变量，ε随机取值为1或-1，
Figure BDA00031580394600000224
和
Figure BDA00031580394600000222
都是在[0,1]范围内的随机数；第t+1代第m2个橡子树松鼠量子旋转角矢量为
Figure BDA00031580394600000223
其第n维量子旋转角计算方式为
Figure BDA0003158039460000031
为第m2个橡子树量子松鼠位置的第n维变量，第t+1代第m3个处于普通树松鼠量子旋转角矢量为
Figure BDA0003158039460000032
其第n维计算方式为：
Figure BDA0003158039460000033
其中
Figure BDA0003158039460000034
为第t代最优橡子树量子松鼠位置的第n维，
Figure BDA0003158039460000035
是第t代第m3个普通树松鼠量子位置的第n维；
步骤五：进行松鼠的量子位置更新，使用模拟的量子旋转门对松鼠量子位置进行更新，处于山核桃树量子位置的松鼠向全局最优量子位置进行移动，第t+1代第m1个量子松鼠位置第n维变量更新方式为
Figure BDA0003158039460000036
为第m1个量子松鼠对应的量子旋转角的第n维变量，rand为0至1之间的随机数，处于橡子树的松鼠量子位置向山核桃树松鼠位置移动，第t+1代第m2个量子松鼠位置第n维变量更新方式为：
Figure BDA0003158039460000037
其中：
Figure BDA0003158039460000038
为第m2个量子松鼠对应的量子旋转角第n维变量，普通树量子松鼠向橡子树量子松鼠位置移动，第t+1代第m3个量子松鼠位置第n维变量更新方式为：
Figure BDA0003158039460000039
其中：
Figure BDA00031580394600000310
为第m3个量子松鼠对应的量子旋转角第n维变量；
步骤六：将量子位置映射为原本的松鼠位置，每一只松鼠新位置都对应一组路径中间节点的序号，将松鼠位置代入适应度函数计算每只松鼠新位置所对应的适应度值；更新局部最优量子松鼠位置与全局最优量子松鼠位置；
步骤七：判断迭代次数是否达到最大，若达到最大迭代次数，迭代终止，输出全局最优量子位置与次优量子位置，映射为具体最优路径与备用路径；否则令迭代次数加1，返回步骤四。
本发明还包括这样一些结构特征：
1.步骤一具体为：采用Delaunay三角剖分算法建立Voronoi图，将二维平面划分为若干个多边形结构，记第i个威胁区域中心坐标为(xpi,ypi)，记第i个威胁区域半径为rpi，构成威胁区域信息矩阵P＝[p1,p2,...,pM]T，
Figure BDA0003158039460000041
共有M个威胁区域；
所有多边形的顶点坐标构成路径可选节点坐标矩阵Q＝[q1,q2,…,qN]T，
Figure BDA0003158039460000042
共N个可选节点，并对每个节点从1到N进行编号；路径规划约束模型包含禁飞区约束和最大转弯角约束，路径规划目标函数模型为：h＝costd+costl，costd为距离代价，costl为威胁代价，h为整条路径的航迹代价；
建立节点之间的代价矩阵H＝[h1,h2,..hj.,hN]，hj＝[h1,j,h2,j,...,hN,j]T,j＝1,2,...,N，其中hij的值为从i号节点行至j号节点的航迹代价。
2.步骤六的更新的具体方式为：通过将每只量子松鼠当前位置所对应的适应度值对比，选出最优量子位置作为当代局部最优量子位置，并将更新后的局部最优量子位置与上一代全局最优量子位置对比，选取最优的量子位置作为当前代全局最优量子位置并进行记录。
与现有技术相比，本发明的有益效果是：，对比目前主流的二维栅格建模方式中间点过多，理论建模时由于建模空间较小，可以在短时间内找到最优路径，但是此建模方式与实际作战环境相差过大，进行实际建模时栅格点数过多无疑会造成计算复杂度成倍数增长，实时性较差。本发明采用Voronoi图建模方式，减少中间点的个数，并通过计算节点之间的航迹代价建立节点代价矩阵，能在减少算法复杂度的同时，寻找出最优路径和备选路径。如果最优航迹失效，那么可以快速从备用航迹中选择可行航迹，此方法能给无人机飞行提供较好的灵活性，提高了算法的实用性和鲁棒性。
附图说明
图1为本发明系统流程图。
图2为威胁代价计算方式说明。
图3为基于Voronoi图包含威胁范围的战场环境构建。
图4为本发明路径规划结果。
图5为A*算法结合二维栅格模型得到的路径规划结果。
图6的表格为两种方法耗时对比。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明具体涉及一种基于Voronoi图的无人机集群路径规划方法，该方法通过Voronoi图进行战场环境建模，减少算法计算复杂度的同时可以获得多条可选路径，提高了算法的运算效率以及实用性。
图1介绍了本发明的系统流程图，详细流程如下：
步骤一：Voronoi图建模，采用Delaunay三角剖分算法建立Voronoi图，将二维平面划分为个多边形结构，记第i个威胁区域中心坐标为
Figure BDA0003158039460000051
记第i个威胁区域半径为
Figure BDA0003158039460000052
构成威胁区域信息矩阵P＝[p1,p2,...,pM]T，
Figure BDA0003158039460000053
共有M个威胁区域。所有多边形的顶点坐标构成路径可选节点坐标矩阵Q＝[q1,q2,…,qN]T，
Figure BDA0003158039460000054
共N个可选节点，并对每个节点从1到N进行编号。路径规划约束模型包含禁飞区约束和最大转弯角约束，路径规划目标函数模型为：h＝costd+costl，costd为距离代价，costl为威胁代价，h为整条路径的航迹代价。通过目标函数建立节点代价矩阵H＝[h1,h2,...,hN]，hj＝[h1,j,h2,j,...,hN,j]T,j＝1,2,...,N，路径代价矩阵O＝[o1,o2,...,oN]，oj＝[o1,j,o2,j,...,oN,j]T,j＝1,2,...,N，威胁代价矩阵E＝[e1,e2,...,eN]，ej＝[e1,j,e2,j,...,eN,j]T,j＝1,2,...,N，其中hi,j＝oi,j+ei,j,i＝1,2,...,N,j＝1,2,...,N。当节点i与节点j之间路径经过威胁区域，或节点则节点i与节点j之间的威胁代价ei,j＝σ，σ为惩罚因子。当节点i与节点j之间路径不经过威胁区域时，节点间威胁代价按照图2所示方式计算，分别取节点i与节点j所连线段之间的1/4，1/2，3/4处计算三点至威胁区中心的距离d1,d2,d3，节点i至节点j之间的威胁代价ei,j计算方式为
Figure BDA0003158039460000055
即
Figure BDA0003158039460000056
两节点间路径代价oi,j的计算方式为
Figure BDA0003158039460000057
(xi,yi)是i节点的坐标，(xj,yj)是j节点的坐标。
步骤二：初始化量子松鼠种群，设定种群中松鼠的个数为L1，初始化第m个量子松鼠量子位置
Figure BDA0003158039460000058
其中
Figure BDA0003158039460000059
L2为每个量子松鼠量子位置的维数，即路径中间节点数。t为迭代次数，初始时设t＝1。
步骤三：将量子松鼠量子位置每一维映射为确定范围内的整数，对于映射规则为
Figure BDA0003158039460000061
ceil为向上取整函数。un,max为第n维变量的上界，un,min为第n维变量的下界，得到第m个松鼠位置
Figure BDA0003158039460000062
对其计算适应度值，计算方式为
Figure BDA0003158039460000063
其中，
Figure BDA0003158039460000064
和
Figure BDA0003158039460000065
分别是是第m个松鼠位置
Figure BDA0003158039460000066
中的第i维和第i+1维变量，
Figure BDA0003158039460000067
则是以第i维
Figure BDA0003158039460000068
表示的节点序号作为行数，第i+1维
Figure BDA0003158039460000069
作为列数对应的节点代价矩阵中数值。计算并对适应度值从小到大排列。排序前l1个量子松鼠设定为处于山核桃树的量子松鼠，其量子位置为
Figure BDA00031580394600000610
排序l1+1至l2个量子松鼠设定处于橡子树的量子松鼠，其量子位置为
Figure BDA00031580394600000611
其余设定为处于普通树的量子松鼠，其量子位置为
Figure BDA00031580394600000612
设第t代第m个量子松鼠历史最优位置为
Figure BDA00031580394600000613
当t＝1时，
Figure BDA00031580394600000614
设第t代所有量子松鼠历史最优量子位置均值为
Figure BDA00031580394600000615
其计算方式为
Figure BDA00031580394600000616
步骤四：分别计算山核桃树量子松鼠，橡子树量子松鼠，普通树量子松鼠所对应量子位置的量子旋转角，第t+1代第m1个山核桃树松鼠量子旋转角矢量为
Figure BDA00031580394600000617
其第n维量子旋转角计算方式为
Figure BDA00031580394600000618
其中δt是惯性系数，用来平衡算法的全局寻优能力与局部寻优能力，δt＝c1+c2×[(tmax-t)/tmax],c1和c2为常数，tmax为最大迭代次数，
Figure BDA00031580394600000619
是第t代第m1个量子松鼠位置的第n维变量，ε随机取值为1或-1，
Figure BDA00031580394600000620
和
Figure BDA00031580394600000621
都是在[0,1]范围内的随机数。第t+1代第m2个橡子树松鼠量子旋转角矢量为
Figure BDA00031580394600000622
其第n维量子旋转角计算方式为
Figure BDA00031580394600000623
为第m2个橡子树量子松鼠位置的第n维变量。第t+1代第m3个处于普通树松鼠量子旋转角矢量为
Figure BDA00031580394600000624
其第n维计算方式为
Figure BDA00031580394600000625
其中
Figure BDA00031580394600000626
为第t代最优橡子树量子松鼠位置的第n维，
Figure BDA0003158039460000071
是第t代第m3个普通树松鼠量子位置的第n维。
步骤五：进行松鼠的量子位置更新，使用模拟的量子旋转门对松鼠量子位置进行更新，处于山核桃树量子位置的松鼠向全局最优量子位置进行移动，第t+1代第m1个量子松鼠位置第n维变量更新方式为
Figure BDA0003158039460000072
为第m1个山核桃树位置对应的量子旋转角的第n维变量，rand为0至1之间的随机数。处于橡子树的松鼠量子位置向山核桃树松鼠位置移动，第t+1代第m2个量子松鼠位置第n维变量更新方式为
Figure BDA0003158039460000073
为橡子树的量子松鼠对应的量子旋转角，普通树量子松鼠向橡子树量子松鼠位置移动，第t+1代第m3个量子松鼠位置第n维变量更新方式为
Figure BDA0003158039460000074
为普通树的量子松鼠对应的量子旋转角。
步骤六：将量子位置映射为原本的松鼠位置，每一只松鼠新位置都对应一组路径中间节点的序号，将松鼠位置代入适应度函数计算每只松鼠新位置所对应的适应度值。更新局部最优量子松鼠位置与全局最优量子松鼠位置。其具体方式为：通过将每只量子松鼠当前位置所对应的适应度值对比，选出最优个体作为当代局部最优量子位置，并将更新后的局部最优量子位置与上一代全局最优量子位置对比，选取最优的量子位置作为当前代全局最优量子位置并进行记录。
步骤七：判断迭代次数是否达到最大，若达到最大迭代次数，迭代终止，输出全局最优量子位置与次优量子位置，映射为具体最优路径与备用路路径；否则令迭代次数加1，返回步骤四。
如图3利用Voronoi图进行的战场环境建模，所有坐标单位都为千米，其中A1(35，85),A2(25，16),A3(35，40)为雷达威胁区域中心点，威胁区域半径为10个单位，B1(54，62),B2(75，80),B3(89，40)，B4(65，30)为高炮威胁区域中心点坐标,区域半径为8个单位，种群规模L1＝25，中间点个数L2＝5，最大迭代次数tmax＝200。惩罚因子σ＝105。
如图4所示本发明仿真结果产生了三条可行路径，一条最优路径和两条备选路径，无人机在行进时如果战场环境出现变化导致最优路径失去效果，则可视情况挑选其他路径。对比图5在相同环境中A*算法只能产生一条路径，说明本发明所提出的算法模型灵活性更高。图6的表格中，本发明提出的战场环境建模方法由于减少了中间节点所带来的算法复杂度，再结合设计的量子松鼠觅食算法，缩短了算法计算所消耗的时间，提高了算法的实时性，这种提升在大规模无人机集群作战中的优势将更为显著。

Claims (3)

1.一种基于Voronoi图的无人机集群路径规划方法，其特征在于：步骤如下：
步骤一：Voronoi图建模；
步骤二：初始化量子松鼠种群，设定种群中松鼠的个数为L1，随机初始化第m个量子松鼠位置向量
Figure FDA0003158039450000011
其中
Figure FDA0003158039450000012
L2为每个量子松鼠位置的维数，即路径中间经过的节点数；t为迭代次数，初始时设t＝1；
步骤三：将量子松鼠位置每一维映射为确定范围内的整数，对于第m个松鼠量子位置第n维的映射规则为：
Figure FDA0003158039450000013
其中：ceil为向上取整函数；un,max为第n维变量的上界，un,min为第n维变量的下界，得到第m个松鼠位置
Figure FDA0003158039450000014
对其计算适应度值，计算方式为：
Figure FDA0003158039450000015
其中，
Figure FDA0003158039450000016
和
Figure FDA0003158039450000017
分别是是第m个松鼠位置
Figure FDA0003158039450000018
中的第i维和第i+1维变量，
Figure FDA0003158039450000019
则是以第i维
Figure FDA00031580394500000110
表示的节点序号作为行数，第i+1维
Figure FDA00031580394500000111
作为列数对应的节点代价矩阵中数值；计算并对适应度值从小到大排列；排序前l1个量子松鼠松鼠设定为处于山核桃树的量子松鼠，其量子位置为
Figure FDA00031580394500000112
排序l1+1至l2个量子松鼠设定处于橡子树的量子松鼠，其量子位置为
Figure FDA00031580394500000113
其余设定为处于普通树的量子松鼠，其量子位置为
Figure FDA00031580394500000114
设第t代第m个量子松鼠历史最优位置为
Figure FDA00031580394500000115
当t＝1时，
Figure FDA00031580394500000116
设第t代所有量子松鼠历史最优量子位置均值为
Figure FDA00031580394500000117
其计算方式为
Figure FDA00031580394500000118
步骤四：分别计算山核桃树量子松鼠、橡子树量子松鼠、普通树量子松鼠所对应量子位置的量子旋转角，第t+1代第m1个山核桃树松鼠量子旋转角矢量为
Figure FDA00031580394500000119
其第n维量子旋转角计算方式为
Figure FDA00031580394500000120
其中δt是惯性系数，δt＝c1+c2×[(tmax-t)/tmax],c1和c2为常数，tmax为最大迭代次数，
Figure FDA0003158039450000021
是第t代第m1个量子松鼠位置的第n维变量，ε随机取值为1或-1，
Figure FDA0003158039450000022
和
Figure FDA0003158039450000023
都是在[0,1]范围内的随机数；第t+1代第m2个橡子树松鼠量子旋转角矢量为
Figure FDA0003158039450000024
其第n维量子旋转角计算方式为
Figure FDA0003158039450000025
Figure FDA0003158039450000026
为第m2个橡子树量子松鼠位置的第n维变量，第t+1代第m3个处于普通树松鼠量子旋转角矢量为
Figure FDA0003158039450000027
其第n维计算方式为：
Figure FDA0003158039450000028
其中
Figure FDA0003158039450000029
为第t代最优橡子树量子松鼠位置的第n维，
Figure FDA00031580394500000210
是第t代第m3个普通树松鼠量子位置的第n维；
步骤五：进行松鼠的量子位置更新，使用模拟的量子旋转门对松鼠量子位置进行更新，处于山核桃树量子位置的松鼠向全局最优量子位置进行移动，第t+1代第m1个量子松鼠位置第n维变量更新方式为
Figure FDA00031580394500000211
Figure FDA00031580394500000212
为第m1个量子松鼠对应的量子旋转角的第n维变量，rand为0至1之间的随机数，处于橡子树的松鼠量子位置向山核桃树松鼠位置移动，第t+1代第m2个量子松鼠位置第n维变量更新方式为：
Figure FDA00031580394500000213
其中：
Figure FDA00031580394500000214
为第m2个量子松鼠对应的量子旋转角第n维变量，普通树量子松鼠向橡子树量子松鼠位置移动，第t+1代第m3个量子松鼠位置第n维变量更新方式为：
Figure FDA00031580394500000215
其中：
Figure FDA00031580394500000216
为第m3个量子松鼠对应的量子旋转角第n维变量；
步骤六：将量子位置映射为原本的松鼠位置，每一只松鼠新位置都对应一组路径中间节点的序号，将松鼠位置代入适应度函数计算每只松鼠新位置所对应的适应度值；更新局部最优量子松鼠位置与全局最优量子松鼠位置；
步骤七：判断迭代次数是否达到最大，若达到最大迭代次数，迭代终止，输出全局最优量子位置与次优量子位置，映射为具体最优路径与备用路径；否则令迭代次数加1，返回步骤四。
2.根据权利要求1所述的一种基于Voronoi图的无人机集群路径规划方法，其特征在于：步骤一具体为：采用Delaunay三角剖分算法建立Voronoi图，将二维平面划分为若干个多边形结构，记第i个威胁区域中心坐标为
Figure FDA0003158039450000031
记第i个威胁区域半径为
Figure FDA0003158039450000032
构成威胁区域信息矩阵P＝[p1,p2,...,pM]T，
Figure FDA0003158039450000033
共有M个威胁区域；
所有多边形的顶点坐标构成路径可选节点坐标矩阵Q＝[q1,q2,…,qN]T，
Figure FDA0003158039450000034
共N个可选节点，并对每个节点从1到N进行编号；路径规划约束模型包含禁飞区约束和最大转弯角约束，路径规划目标函数模型为：h＝costd+costl，costd为距离代价，costl为威胁代价，h为整条路径的航迹代价；
建立节点之间的代价矩阵H＝[h1,h2,..hj.,hN]，hj＝[h1,j,h2,j,...,hN,j]T,j＝1,2,...,N，其中hij的值为从i号节点行至j号节点的航迹代价。
3.根据权利要求1或2所述的一种基于Voronoi图的无人机集群路径规划方法，其特征在于：步骤六的更新的具体方式为：通过将每只量子松鼠当前位置所对应的适应度值对比，选出最优量子位置作为当代局部最优量子位置，并将更新后的局部最优量子位置与上一代全局最优量子位置对比，选取最优的量子位置作为当前代全局最优量子位置并进行记录。
CN202110783268.7A 2021-07-12 2021-07-12 一种基于Voronoi图的无人机集群路径规划方法 Active CN113504793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110783268.7A CN113504793B (zh) 2021-07-12 2021-07-12 一种基于Voronoi图的无人机集群路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110783268.7A CN113504793B (zh) 2021-07-12 2021-07-12 一种基于Voronoi图的无人机集群路径规划方法

Publications (2)

Publication Number Publication Date
CN113504793A true CN113504793A (zh) 2021-10-15
CN113504793B CN113504793B (zh) 2022-07-15

Family

ID=78012453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110783268.7A Active CN113504793B (zh) 2021-07-12 2021-07-12 一种基于Voronoi图的无人机集群路径规划方法

Country Status (1)

Country Link
CN (1) CN113504793B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115373399A (zh) * 2022-09-13 2022-11-22 中国安全生产科学研究院 一种基于空地协同的地面机器人路径规划方法
CN118215022A (zh) * 2024-05-17 2024-06-18 安徽成方量子科技有限公司 一种基于量子通信的无人机群组通信加密方法、系统及其存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101122974A (zh) * 2007-09-13 2008-02-13 北京航空航天大学 基于Voronoi图和蚁群优化算法的无人机航路规划方法
CN103471592A (zh) * 2013-06-08 2013-12-25 哈尔滨工程大学 一种基于蜂群协同觅食算法的多无人机航迹规划方法
CN107622327A (zh) * 2017-09-15 2018-01-23 哈尔滨工程大学 基于文化蚁群搜索机制的多无人机航迹规划方法
CN108459503A (zh) * 2018-02-28 2018-08-28 哈尔滨工程大学 一种基于量子蚁群算法的无人水面艇航迹规划方法
CN108985438A (zh) * 2018-06-26 2018-12-11 红河学院 一种基于邻域拓扑的布谷鸟搜索算法
CN112666981A (zh) * 2021-01-04 2021-04-16 北京航空航天大学 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101122974A (zh) * 2007-09-13 2008-02-13 北京航空航天大学 基于Voronoi图和蚁群优化算法的无人机航路规划方法
CN103471592A (zh) * 2013-06-08 2013-12-25 哈尔滨工程大学 一种基于蜂群协同觅食算法的多无人机航迹规划方法
CN107622327A (zh) * 2017-09-15 2018-01-23 哈尔滨工程大学 基于文化蚁群搜索机制的多无人机航迹规划方法
CN108459503A (zh) * 2018-02-28 2018-08-28 哈尔滨工程大学 一种基于量子蚁群算法的无人水面艇航迹规划方法
CN108985438A (zh) * 2018-06-26 2018-12-11 红河学院 一种基于邻域拓扑的布谷鸟搜索算法
CN112666981A (zh) * 2021-01-04 2021-04-16 北京航空航天大学 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HONGPING HU等: "A Hybrid Algorithm Based on Squirrel Search Algorithm and Invasive Weed Optimization for Optimization", 《IEEE ACCESS》 *
MOHIT JAIN等: "A novel nature-inspired algorithm for optimization: Squirrel search algorithm", 《 SWARM AND EVOLUTIONARY COMPUTATION》 *
严炜等: "基于差分量子退火算法的农用无人机路径规划方法", 《华中农业大学学报》 *
韩毅等: "国外新型智能优化算法——松鼠觅食算法", 《现代营销（信息版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115373399A (zh) * 2022-09-13 2022-11-22 中国安全生产科学研究院 一种基于空地协同的地面机器人路径规划方法
CN118215022A (zh) * 2024-05-17 2024-06-18 安徽成方量子科技有限公司 一种基于量子通信的无人机群组通信加密方法、系统及其存储介质

Also Published As

Publication number Publication date
CN113504793B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN110608743B (zh) 基于多种群混沌灰狼算法的多无人机协同航路规划方法
CN112082552A (zh) 基于改进的混合粒子群优化算法的无人机航迹规划方法
CN110308740B (zh) 一种面向移动目标追踪的无人机群动态任务分配方法
CN113504793B (zh) 一种基于Voronoi图的无人机集群路径规划方法
CN112947592B (zh) 一种基于强化学习的再入飞行器轨迹规划方法
Li et al. A Multi-UCAV cooperative occupation method based on weapon engagement zones for beyond-visual-range air combat
CN110162077B (zh) 一种基于飞鱼算法的无人机航迹规划方法
CN111121784B (zh) 一种无人侦察机航路规划方法
Liu et al. Three-dimensional mountain complex terrain and heterogeneous multi-UAV cooperative combat mission planning
CN115454115B (zh) 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法
CN113759935B (zh) 基于模糊逻辑的智能群体编队移动控制方法
CN113625767A (zh) 一种基于优选信息素灰狼算法的固定翼无人机集群协同路径规划方法
Lei et al. Moving time UCAV maneuver decision based on the dynamic relational weight algorithm and trajectory prediction
CN115494873A (zh) 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法
CN113391633A (zh) 一种面向城市环境的移动机器人融合路径规划方法
CN114372603A (zh) 一种仿鸽群多学习智能的无人靶机协同航路动态规划方法
Xianyong et al. Research on maneuvering decision algorithm based on improved deep deterministic policy gradient
CN111381605A (zh) 一种应用于多无人机大范围海域水下多目标协同搜索方法
Wu et al. Heuristic position allocation methods for forming multiple UAV formations
CN116485043B (zh) 一种翼伞集群系统归航多目标优化方法
Xiao et al. Multi-UAV 3D path planning based on improved particle swarm optimizer
CN115422776A (zh) 一种多基异构无人集群多波次统一协同任务分配方法和系统
CN110986948A (zh) 一种基于奖励函数优化的多无人机分组协同判断方法
CN114397818A (zh) 基于mapio的航天器集群轨道重构路径规划方法
Gao et al. UAV path planning method based on quantum squirrel search 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