CN114020045A

CN114020045A - 一种基于改进蚁群算法的无人机航迹规划方法

Info

Publication number: CN114020045A
Application number: CN202111239736.0A
Authority: CN
Inventors: 邱诚; 黄大庆; 王浩雪
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2021-10-25
Filing date: 2021-10-25
Publication date: 2022-02-08
Anticipated expiration: 2041-10-25
Also published as: CN114020045B

Abstract

本发明公开了一种基于改进蚁群算法的无人机航迹规划方法，使用改进的初始化信息素规则以及更适用于该问题下的启发函数，提出了新的信息素更新规则，加入了转向因素对搜索路径的影响，通过对比较优解与历史最优解，来加强历史最优解的影响，使得优质路径上的节点在路径搜索中更加容易被选择。本发明提出一种新的信息素初始化方法，降低蚁群在搜索初期搜索的盲目性，提高算法的收敛速度，降低搜索时间；引入转向参数改进信息素的更新规则，使蚂蚁更倾向于选择转向次数较少的路径，使规划的无人机飞行路径更加平滑。

Description

一种基于改进蚁群算法的无人机航迹规划方法

技术领域

本发明属于无人机航迹规划领域，具体涉及一种基于改进蚁群算法的无人机航迹规划方法。

背景技术

无人机的航迹规划就是根据任务目标搜索出一条从源点到目标点的飞行路径，是无人机任务规划问题中的核心技术。无人机在低空飞行往往会穿越障碍物，因此，穿越不规则障碍空间的航路设计成为热点研究内容。进行路径搜素的算法有很多，如A*算法、遗传算法、人工势场算法等。蚁群算法因其具有并行计算、鲁棒性强等优点，被广泛应用于无人机航迹规划中。

蚁群算法是一种根据自然界蚂蚁觅食的行为而提出的算法，由于自然界的蚂蚁觅食过程中会在走过的路径上留下一种称为信息素的化学物质，经过路径的蚂蚁越多，该路径上所遗留的信息素含量也就越高，同时也就证明该路径较其他路径更为优越，吸引更多的蚂蚁选择这条路径。

然而传统蚁群算法存在以下缺点：1)蚁群在路径规划初期搜索存在盲目性，收敛速度慢，搜索时间长；2)在某次迭代中一只蚂蚁可能发现了最优解，但由于次优解路径上信息素已经积累较多，导致最优解与次优解之间信息素含量存在差距，算法无法收敛于最优解而陷于局部最优；3)将蚁群算法用于无人机航迹规划时往往无法顾及路径是否平滑的问题，存在可能找到的最优解转角过多并不适合无人机作为飞行路径的问题。

现有的改进蚁群算法虽然改善了蚁群算法由于自身局限性而导致的收敛速度慢以及容易陷于局部最优的问题，但在实际应用中仍然存在许多不足。因此希望有一种改进方法可以克服或至少减轻现有技术的上述缺陷。

发明内容

发明目的：为了解决现有技术存在的问题，本发明提供了一种基于改进蚁群算法的无人机航迹规划方法，降低蚁群在搜索初期搜索的盲目性，提高算法的收敛速度，降低搜索时间。

技术方案：本发明所述的一种基于改进蚁群算法的无人机航迹规划方法，包括以下步骤：

(1)采用栅格法对无人机的飞行环境进行建模；设置起始点S，目标点E，最大迭代次数k，蚂蚁数量m，信息素启发因子α，距离启发因子β，信息素挥发因子ρ，信息素强度Q；

(2)基于改进的全局信息素初始化方法初始化全局信息素；

(3)计算适用于环境建模下的启发函数；

(4)将m只蚂蚁置于起点S处，初始化禁忌表Tabu并将此时的位置加入禁忌表中；

(5)更新蚂蚁在当前位置的可选节点集合allowed_k,计算allowed_k中各节点转移概率，蚂蚁根据轮盘赌的方式选择下一节点j，蚂蚁到达节点j后，更新禁忌表Tabu，将节点j加入禁忌表；判断路径是否发生转向，若是，则转向次数加一；

(6)判断蚂蚁是否到达目标点E，若是，则停止搜索，本次迭代结束；否则，转到步骤(5)直到到达目标点E；

(7)在所有蚂蚁到达目标点E后，结束本次迭代，记下每一代每一只蚂蚁的觅食路线和路线长度，记下本次迭代中所搜寻的路径长度较短的几只蚂蚁的序号，使用一种改进的信息素更新方法对全局信息素进行更新；

(8)判断当前迭代次数是否到达最大迭代次数，若是，输出最优路径；否则，转到步骤(4)。

进一步地，所述步骤(2)通过以下公式实现：

其中，MM为栅格环境的列数，p为定值，为初始化信息素量，τ_ij为由第i个栅格到第j个栅格之间的信息素量。

进一步地，步骤(3)所述启发函数为：

η_ij＝1/d_jE

其中，E为目标位置节点，d_jE为节点j到目标点的欧式距离，取d_jE的倒数作为启发函数，距离目标点更近的节点更容易被蚂蚁选择。

进一步地，步骤(5)所述转移概率为：

其中，

为转移概率，t表示当前迭代次数，τ_ij(t)为信息素量，s为所有allowed_k中的元素，α是信息素启发因子，表示信息素的重要程度，α越大说明信息素含量在蚂蚁节点的选择中越重要，β是距离启发因子，表示距离的重要程度，β越大蚂蚁越倾向于选择距离目标点近的节点。

进一步地，步骤(5)所述判断路径是否发生转向实现过程如下：

其中，W为当前节点，to_visit为下一节点，last_visit为上一节点，

为第k次迭代中第m只蚂蚁所选择路径的转向次数。

进一步地，所述步骤(7)实现过程如下：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij(t)，0＜ρ＜1

其中，ρ为信息素挥发系数，t为当前迭代次数，Δτ_ij(t)为本次迭代中路径(i，j)上信息素增加的总量；

其中，

表示第n只蚂蚁在路径(i，j)上释放的信息素量，Δτ_better(t)表示本次迭代中所搜寻路径长度最短的z只蚂蚁在路径(i，j)上释放的额外信息素量；

TDvalue_n＝Turn_n-Tmin

其中，Q是信息素强度，是一个数值大于零的常量；L_n表示第n只蚂蚁本次迭代搜索到的路径长度；Turn_n为第n只蚂蚁搜索路径的转向次数，Tmin为当前路径最小转向次数，TDvalue_n为第n只蚂蚁搜索路径的转向次数与当前路径最小转向次数的差值；

其中，

为本次迭代中搜寻路径最短的z只蚂蚁中第l只蚂蚁在路径(i，j)上释放的额外信息素量；

为搜寻路径最短的第l只蚂蚁搜索到的路径长度；L_best为当前历史最短路径长度，ω为一常数，用于控制次优解释放额外信息素量的大小。

有益效果：与现有技术相比，本发明的有益效果：1、本发明提出一种新的信息素初始化方法，降低蚁群在搜索初期搜索的盲目性，提高算法的收敛速度，降低搜索时间；2、使用新的启发函数，避免栅格环境下两节点之前距离差异性小导致的原启发函数难以对蚂蚁的搜索产生引导作用的问题；3、引入转向参数改进信息素的更新规则，使蚂蚁更倾向于选择转向次数较少的路径，使规划的无人机飞行路径更加平滑；4、记录每次迭代搜索的路径最短的几只蚂蚁，通过比对当代较优解与历史最优解的路径节点交集，强化优质路径节点间的信息素量，加快算法收敛度的同时增强蚂蚁的寻优能力。

附图说明

图1为本发明的流程图；

图2为20x20栅格环境建模图；

图3为传统蚁群算法路径规划结果图；

图4为传统蚁群算法收敛曲线变化趋势图；

图5为本发明改进的蚁群算法路径规划结果图；

图6为本发明改进的蚁群算法收敛曲线变化趋势图。

具体实施方式

下面结合附图对本发明做进一步详细说明。

本发明提出一种基于改进蚁群算法的无人机航迹规划方法，如图1所示，具体包括以下步骤：

步骤1：采用栅格法对无人机的飞行环境进行建模。

设置起始点S，目标点E，最大迭代次数k，蚂蚁数量m，信息素启发因子α，距离启发因子β，信息素挥发因子ρ，信息素强度Q。

本发明分别使用传统蚁群算法和本发明改进的蚁群算法在图2所示的20x20的栅格环境下进行路径规划，图中黑色栅格表示存在障碍物无法飞行，白色栅格为自由栅格，允许飞行。设置起始点为序号为1的栅格，目标点为序号为400的栅格，迭代次数100次，蚂蚁数量50只，信息素启发因子α＝1.5，距离启发因子β＝5，信息素挥发因子ρ＝0.2，信息素强度Q＝1。

步骤2：基于改进的全局信息素初始化方法初始化全局信息素。

步骤3：计算适用于环境建模下的启发函数：

η_ij＝1/d_jE

步骤4：将m只蚂蚁置于起点S处，初始化禁忌表Tabu并将此时的位置加入禁忌表中。

步骤5：更新蚂蚁在当前位置的可选节点集合allowed_k，计算allowed_k中各节点转移概率，蚂蚁根据轮盘赌的方式选择下一节点j，蚂蚁到达节点j后，更新禁忌表Tabu，将节点j加入禁忌表；判断路径是否发生转向，若是，则转向次数加一。

将50只蚂蚁置于起点S处，初始化禁忌表Tabu并将此时的位置加入禁忌表中更新蚂蚁在当前位置的可选节点集合allowed_k，计算allowed_k中各节点转移概率：

其中，

蚂蚁根据轮盘赌的方式选择下一节点j，蚂蚁到达节点j后，更新禁忌表Tabu，将节点j加入禁忌表。判断路径方向是否发生转向，若是，则转向次数加一；判断过程如下：

为第k次迭代中第m只蚂蚁所选择路径的转向次数。

步骤6：判断蚂蚁是否到达目标点E，若是，则停止搜索，本次迭代结束；否则，转到步骤(5)直到到达目标点E。

步骤7：在所有蚂蚁到达目标点E后，结束本次迭代，记下每一代每一只蚂蚁的觅食路线和路线长度，记下本次迭代中所搜寻的路径长度较短的几只蚂蚁的序号，使用一种改进的信息素更新方法对全局信息素进行更新。

在一次迭代结束后，记下每一代每一只蚂蚁的觅食路线和该路线的转向次数以及路线长度，记下本次迭代中所搜寻的路线长度较短的5只蚂蚁的序号以及它们搜索到的路线以及路线的长度，对比本次迭代中的最短路径长度与历史最短路径长度，若本次迭代中的最短路径长度小于历史最短路径长度，则更新历史最短路径长度为本次迭代中的最短路径长度，记为L_best。

对于每次迭代中的五条次优路径，对比当前历史最优路径，若次优路径上的节点(i，j)同时属于最优路径，则对这两个节点之间路径上的信息素进行额外的增加，信息素的增量如下：

式中，

为搜寻路径最短的第l只蚂蚁搜索到的路径长度；L_best为当前历史最短路径长度，ω为一常数，令ω＝4，用于控制次优解释放额外信息素量的大小。

基于每次迭代中每一条路径的转向次数制定新的信息素更新规则，将每条路径的转向次数与历史最小转向次数进行比较，对差值过大的路径进行信息素的衰减，对与历史最小转向次数差值小于等于1的路径进行信息素的增加，规则如下：

TDvalue_n＝Turn_n-Tmin

式中，Q是信息素强度，是一个数值大于零的常量；L_n表示第n只蚂蚁本次迭代搜索到的路径长度；Turn_n为第n只蚂蚁搜索路径的转向次数，Tmin为当前路径最小转向次数，TDvalue_n为第n只蚂蚁搜索路径的转向次数与当前路径最小转向次数的差值。

改进的信息素更新方法如下：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij(t)，0＜ρ＜1

式中，ρ为信息素挥发系数，t为当前迭代次数，Δτ_ij(t)为本次迭代中路径(i，j)上信息素增加的总量。

式中，

表示第n只蚂蚁在路径(i，j)上释放的信息素量，Δτ_better(t)表示本次迭代中所搜寻路径长度最短的z只蚂蚁在路径(i，j(上释放的额外信息素量。

步骤8：判断当前迭代次数是否到达最大迭代次数，若是，输出最优路径；否则，转到步骤(4)。

判断当前迭代次数是否达到100，若是则输出最优路径以及收敛曲线变化趋势图；若未达到则回到步骤4开始一次新的迭代，直到完成100次迭代。

为验证本发明改进蚁群算法的有效性和可行性，在CPU为AMD R5，2.2GHz，8G内存的硬件环境下，利用软件Malalb2014a进行模拟仿真，在20x20的栅格环境下对无人机航迹规划的效果进行验证。

对比传统蚁群算法以及本发明改进的蚁群算法，图3的路径长度为34.0416，共产生14次转向；图5的路径长度为31.5563，比传统蚁群算法规划的路径减短了7.3％，共产生10次转向，比传统蚁群算法规划的路径更加平滑，能够有效减少无人机的飞行损耗，提高飞行效率。

对比图4和图6可以发现，本发明改进的蚁群算法的收敛性要比传统蚁群算法好很多。在收敛速度方面，传统蚁群算法在50次左右达到收敛，而本发明改进的蚁群算法在20几次时就达到了收敛，收敛速度更快，搜索时间更短；传统蚁群算法在49次迭代的时候发现了最优解最后却收敛于次优解，说明当蚂蚁发现最优解时，由于次优解上的信息素已经累积较多，蚂蚁一次迭代中在最优解路径上释放的信息素不足以引导后面的蚂蚁往最优解路径上走，算法陷于局部最优，本发明改进的蚁群算法解决了这个问题。

为验证本发明改进的蚁群算法的稳定性与有效性，分别对传统蚁群算法以及本发明算法进行多次仿真，将得到的仿真结果与本发明改进算法的结果进行对比分析，如表1所示：

表1本发明算法与传统蚁群算法性能对比表

性能指标	传统蚁群算法	本发明算法
			平均路径长度	33.9446	31.7505
最优路径长度	33.2132	30.9706
			平均转向次数	14.2	11.0
平均迭代次数	41.0	24.2

通过上表可以看出，本发明改进的算法优于传统蚁群算法，平均路径长度降低了6.5％，且找到的最优解优于传统蚁群算法，平均转向次数降低了22.5％，平均迭代次数降低了41.0％。对比表明，本发明提出的改进蚁群算法不仅收敛速度快所寻路径也更优，再次验证了本发明所提改进的有效性和可行性。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。