CN114545958A - 一种基于改进的麻雀搜索算法的无人机路径规划方法 - Google Patents
一种基于改进的麻雀搜索算法的无人机路径规划方法 Download PDFInfo
- Publication number
- CN114545958A CN114545958A CN202210136638.2A CN202210136638A CN114545958A CN 114545958 A CN114545958 A CN 114545958A CN 202210136638 A CN202210136638 A CN 202210136638A CN 114545958 A CN114545958 A CN 114545958A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- path
- noise
- search algorithm
- 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
- 241000287127 Passeridae Species 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010845 search algorithm Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 29
- 230000012292 cell migration Effects 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明公开了一种基于改进的麻雀搜索算法的无人机路径规划方法,其中主要以改进的麻雀搜索算法为无人机进行路径规划,并在危险、噪音路径获取是时间等方面提出合理约束。该路径规划主要针对半封闭或封闭的建筑物区域物流无人机路径规划问题,采用栅格法进行环境建模,考虑无人机性能、配送性质和城市环境等影响要素,以航程代价、危险代价、噪音和路径生成时间代价最小为目标函数,构建多约束无人机路径规划模型。改进麻雀算法求解,利用间充质细胞迁移策略和局部路径矢量自检原则,对麻雀搜索算法进行改进,提出一个快速收敛且综合路径质量较高的路径策略。
Description
技术领域
本发明涉及一种基于改进的麻雀搜索算法的无人机路径规划方法,属于无人机路径规划方法技术领域。
背景技术
无人机路径规划问题是目前关于无人机研究方向中的一个热门领域,也是基础问题。在路径规划问题中,要求机器人依据一定的标准(如时间最短,功耗最低,距离最短),在所给定的环境中寻优出一条从起始点到目标点的最优或者说接近最优的路径。
目前,关于无人机路径规划的研究颇多,如典型的A*算法、遗传算法、人工势能法、蚁群算法,还有近年新出的灰狼算法的智能优化算法,但是他们都有各自的缺陷,如遗传算法存在过早收敛、编码是容易出现不规则不规范的问题。蚁群算法存在计算量大、所需要的时间长的问题。
麻雀搜索算法作为一个新型的群智能优化算法,在解决优化问题上有很成熟的应用,主要是受麻雀的觅食行为和反捕食行为的启发而形成的一种算法。它具有参数简单、搜索速度较快的特点,在路径规划和图像处理方面有较强的优势。但是因为麻雀搜索算法也有一定的缺陷,如处理信息的维度较高,寻优方式存在跳跃性的问题。提出的时间比较晚,还有大量的研究空间,值得进一步研究探索其寻找最优解的能力。
在现有的麻雀搜索算法中应用在无人机路径规划的研究领域中,存在出现收敛速度慢、算法运行停滞和陷入局部最优解的问题。造成这样的原因是因为在算法运行到后期的时候,种群的多样性减少,总群搜索能力降低导致的。
发明内容
为了解决现有技术中存在的问题,本发明提出了一种基于改进的麻雀搜索算法的无人机路径规划方法,以解决传统麻雀搜索算法的路径规划较差和收敛速度较慢的问题,以此来提高搜索性能和开拓性能的基于改进麻雀搜索算法的无人机路径规划方法。
为实现上述目的,本发明采用的技术方案为:一种基于改进的麻雀搜索算法的无人机路径规划方法,一种基于改进的麻雀搜索算法的无人机路径规划方法,其特征在于:包括如下具体步骤:
步骤1,环境建模,为了量化评估无人机在半封闭或封闭区域内飞行的风险,基于立体栅格模型,将无人机视为一个半径为rd的圆,在遇到障碍物时增加半径r'd以保持安全距离,以此建立无人机在该区域的分型环境模型,帮助后期分析无人机飞行的危险程度;
步骤2,建立路径规划模型,设置目标函数和约束条件;构建综合考虑坠落危险和噪声的无人机城市运行半封闭或封闭的风险模型在半封闭或者全封闭的环境中,由固定螺旋桨高速旋转所带来的噪音污染对周围的居民或者公司员工产生工作或者生活上的严重影响,由此提出因无人机飞行坠落而带来的安全隐患和螺旋桨旋转带来的噪音风险;
步骤3,改进麻雀搜索算法,在传统麻雀搜索算法的基础上,提出一个包含三个改进措施的麻雀搜索算法;
步骤4,设置综合路径评价方法,选择四个指标作为路径评价的标准:最短距离值、危险程度、噪音大小和路径采集时间,体现出路径的好坏。
进一步的,所述步骤2中,包括如下具体步骤:
步骤2.1,设立目标函数:设起始点S坐标为(x0,y0,z0),目标点G坐标为(xn,yn,zn),途径的路径用点Ci表示,坐标为(xi,yi,zi),并考虑航程代价、危险代价、噪音代价和路径获取时间代价,由此设立模型目标函数J;
步骤2.2,设置相关约束条件,所述约束条件至少包括最小路径段长度约束、飞行高度无人机飞行高度的限制约束、无人机载货上限约束及最大噪音约束。
进一步的,所述步骤2.1中,考虑的代价包括:
(1)航程代价
定义无人机从S至G的航程代价为L,表达式为:
(2)危险代价
无人机在飞行的过程中,其下方会经过人、货物或机器,因此定义无人机从S到G的危险代价为R,表达式为:
其中k1为无人机高度变化惩罚系数;M为无人机空载质量,M’为活动质量,g为重力加速度,Δz(i-1,i)为路径点Ci-1与Ci的高度差,mi表示为该位置下人员密度;
(3)噪音代价
在飞行途中需要考虑到噪音的因素,定义无人机从S到G的噪音代价为D,表达式为:
其中k2为噪音变化惩罚系数,L0-20lg(r/r0)+3表示距离噪音源r米高度处的噪声值(dB),L0为机器原噪声,r为距噪声源的距离,r0为噪声源高度的距离,在此r0将取值一米;
(5)路径获取时间
路径获取时间是生成最短路径的程序执行时间,是总时间中重要部分;一般来说,获得路径所需的迭代次数小于算法设定的迭代次数,表达式为:
其中,N为获得路径迭代次数,T为路径获取时间,Tc表示算法的执行时间,tmax表示算法设置的最大迭代次数;
综上所述,模型目标函数J为
min J=α1L+α2R+α3N+α4T
式中:α1、α2、α3分别为航程、高度、危险度代价和路径获取的权重系数,满足α1+α2+α3+α4=1。
进一步的,所述步骤2.2中,设立约束条件包括:
(5)最小路径段长度
相邻路径点距离不能小于最小路径段长度,约束为:
li≥lmin,i=1,2,...,n
其中,βmax为最大转角,βi为无人机在路径点Ci转弯角;
若zi-1≠zi,无人机进行升降操作,则满足约束,表达式为:
其中,μmax为最大俯仰角,μi为无人机咋路径Ci俯仰角;
(6)飞行高度无人机飞行高度的限制约束为:
Hmin≤zi≤Hmax
其中,Hmin和Hmax为无人机飞行的最低和最高高度,这取决于无人机性能和空域政策;
(7)最大货物载重,无人机载货上限约束为:
M=M'+q
q≤qmax
其中,q为货物的质量,qmax为最大载重,M'为无人机空载的重量;
(8)最大噪音约束:
N=N'+n
N'<nmax
其中,N'为无人机自身噪音,n为周围环境噪音,nmax为无人机最大环境噪音。
进一步的,所述步骤3中,三个改进措施分别为:间质虫细胞迁移机制计算适应度函数,检测障碍物;使用位置更新公式更新种群;在位置更新公式之后,采用局部矢量自检策略降低全局最优个体的适应度值。
进一步的,模仿间充质细胞的迁移机制,在迁移过程中主动绕开障碍物,获得最优路径,该机制包含障碍检测和路径连接两个阶段,具体步骤如下:
步骤3.1.1,按从起点到终点的顺序,每个无人机半径的长度提取三个点;
步骤3.1.2,以无人机起点为三维坐标轴的原点,找到第一点与第三点的坐标;
步骤3.1.3,判断前述步骤中的第一个和第三个坐标间内是否存在障碍物;
步骤3.1.4,如果没有障碍物,将第二点从路径上移除;如果有障碍,终止循环并继续线性化路径。
进一步的,在麻雀搜索算法中,种群中的全局最优个体起到了引导种群探索方向的作用,因此,对个体局部路径矢量进行自检,以降低其局部路径矢量值,具体步骤如下:
步骤3.2.1,按从起点到终点的顺序,每个无人机半径的长度设点,以无人机起点为三维坐标轴的原点,获取第一个点的位置;
步骤3.2.2,将该点与相邻的两个点链接,获得两个矢量,搜索后计算路径的适应度值;
步骤3.2.3,再计算该点前后路径的矢量和,并计算适应度,如果前后路径的矢量和高于该点的前后两点的矢量,则继续使用之前的路径;如果前后路径的矢量和较高,则保留前后路径的矢量和较高的路径。
进一步的,所述步骤3中,对原始麻雀搜索算法的改进公式如下:
改进的发现者位置更新公式:
改进的跟随者位置更新公式:
改进的侦察者位置更新公式:
与现有技术相比,本发明的有益效果是:提升改进麻雀搜索算法效率,加快算法的迭代速度,并且可以为无人机飞行提供一个较短的飞行路径。
在移动机器人路径规划中,传统算法容易陷入局部最优,收敛速度较慢。ISSA是一种基于LPS、邻域的改进算法,为了解决上述问题,本研究提出了搜索策略和改进的位置更新公式。该算法具有收敛速度快、优化能力强的特点。在两种不同的环境下进行了实验,验证了算法的性能。由于每种算法所规划的路径对于每个指标的性能不同,本文提出了一种综合评价算法来评价每种算法所规划的路径的质量。实验结果表明,与现有算法相比,该算法取得了显著的进步。在未来的工作中,将ISSA应用于实际机器人的路径规划具有重要的意义。此外,我们还将使用ISSA进行动态障碍和多机器人路径规划。
附图说明
图1是本发明的流程框图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本实施例提出的一种基于改进的麻雀搜索算法的无人机路径规划方法,具体步骤如下:
步骤1:环境建模,为了量化评估无人机在半封闭或封闭区域内飞行的风险,基于立体栅格模型分析无人机在该区域运行的第三方风险源及其作用机制。
步骤2:建立路径规划模型,设置目标函数和约束条件。构建综合考虑坠落危险和噪声的无人机城市运行半封闭或封闭的风险模型在半封闭或者全封闭的环境中,由固定螺旋桨高速旋转所带来的噪音污染会对周围的居民或者公司员工产生严重的工作或者生活上的影响。由此提出来因无人机飞行带来的坠落的安全隐患和螺旋桨旋转带来的噪音风险。
步骤2.1设立目标函数:
设起始点S坐标为(x0,y0,z0),目标点G坐标为(xn,yn,zn),途径的路径用点Ci表示,(xi,yi,zi),考虑的代价如下:
(1)航程代价
定义无人机从S至G的航程代价为L,表达式为:
(2)危险代价
飞行的过程中下方会经过人、货物、机器。定义无人机从S到G的危险代价为R,表达式为:
其中k1为无人机高度变化惩罚系数;M为无人机空载质量,M’为活动质量,g为重力加速度,Δz(i-1,i)为路径点Ci-1与Ci的高度差,mi表示为该位置下人员密度。
(3)噪音代价
在飞行途中需要考虑到噪音的因素,定义无人机从S到G的噪音代价为D,表达式为:
k2为噪音变化惩罚系数,L0-20lg(r/r0)+3表示距离噪音源r米高度处的噪声值(dB),L0为机器原噪声,r为距噪声源的距离,r0为噪声源高度的距离,在此取一米。
4路径获取时间
路径获取时间是生成最短路径的程序执行时间,是总时间中重要的一部分。一般来说,获得路径所需的迭代次数小于算法设定的迭代次数。表达式为
其中,N为获得路径迭代次数。T为路径获取时间,Tc表示算法的执行时间,tmax表示算法设置的最大迭代次数。
综上所述,模型目标函数J为
min J=α1L+α2R+α3N+α4T
式中:α1、α2、α3分别为航程、高度、危险度代价和路径获取的权重系数,满足α1+α2+α3+α4=1。
步骤2.2:设立约束条件:
(9)最小路径段长度
相邻路径点距离不能小于最小路径段长度,约束为
li≥lmin,i=1,2,...,n
其中,βmax为最大转角,βi为无人机在路径点Ci转弯角。
若zi-1≠zi,无人机进行升降操作,满足约束
其中,μmax为最大俯仰角,μi为无人机咋路径Ci俯仰角。
(10)飞行高度无人机飞行高度的限制约束为:
Hmin≤zi≤Hmax
其中,Hmin和Hmax为无人机飞行的最低和最高高度,这取决于无人机性能和空域政策。
(11)最大货物载重,无人机载货上限约束为:
M=M'+q
q≤qmax
其中,q为货物的质量,qmax为最大载重,M'为无人机空载的重量。
(12)最大噪音约束:
N=N'+n
N'<nmax
其中,N'为无人机自身噪音,n为周围环境噪音,nmax为无人机最大环境噪音。
步骤3:改进麻雀搜索算法。在传统麻雀搜索算法的基础上,提出一个改进的麻雀搜索算法,包含三个改进措施。间充质细胞迁移机制计算适应度函数,检测障碍物;使用改进的位置更新公式更新种群;在位置更新公式之后,采用局部矢量自检策略来降低全局最优个体的适应度值。
其中,模仿间充质细胞的迁移机制,在迁移过程中主动绕开障碍物,获得较优获取的路径。该机制主要包含障碍检测和路径连接两个阶段。步骤如下:
步骤3.1.1从起点开始,按顺序提取三个点;
步骤3.1.2找出第1点与第三点的坐标范围;
步骤3.1.3判断该范围内是否存在障碍物;
步骤3.1.4如果没有障碍物,将第二点从路径上移除;如果有障碍,终止循环并继续线性化路径。
在麻雀搜索算法中,种群中的全局最优个体起到了引导种群探索方向的作用,使得全局最优个体对整个群体有很大的影响。因此,对个体局部路径矢量进行自检,以降低其局部路径矢量值。局部路径矢量自检策略可以分为以下三个步骤:
目的是为了将路径转角处的折线转化为较为平滑的直线,使无人机运行平稳,能够更快地达到目标。提高全局最优个体的适应度值,以获得较短的路径和较快的收敛速度。
步骤3.2.1,获取某一点路径的矢量;
步骤3.2.2,获得相邻路径的矢量,搜索后计算路径的适应度值;
步骤3.2.3,判断该店的前后路径的矢量和,计算适应度,如果前后路径的矢量和较低,则继续使用之前的路径。如果前后路径的矢量和较高,则保留前后路径的矢量和较高的路径。
改进麻雀搜索算法公式:
在传统麻雀搜索算法的位置更新公式中,迭代过程为Xt→Xt+1;也就是说,下一时刻麻雀的位置取决于前一时刻麻雀的位置。但这也带来了一个问题。如果t时刻的个体Xi的适应度值不是个体的最优的,则个体在t时刻的位置并不是最好的,不是全局最优解(与最佳适应度个体在再整个过程中更新的位置进行比较)。因此,本文对原始麻雀搜索算法进行了改进,通过更新个体的最优适应度来解决这个问题。改进公式如下:
改进的发现者位置更新公式:
改进的跟随者位置更新公式:
改进的侦察者位置更新公式:
步骤4:设置综合路径评价方法。
应该注意的是,上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。
Claims (8)
1.一种基于改进的麻雀搜索算法的无人机路径规划方法,其特征在于:包括如下具体步骤:
步骤1,环境建模,为了量化评估无人机在半封闭或封闭区域内飞行的风险,基于立体栅格模型,将无人机视为一个半径为rd的圆,在遇到障碍物时增加半径r′d以保持安全距离,以此建立无人机在该区域的分型环境模型,帮助后期分析无人机飞行的危险程度;
步骤2,建立路径规划模型,设置目标函数和约束条件;构建综合考虑坠落危险和噪声的无人机城市运行半封闭或封闭的风险模型在半封闭或者全封闭的环境中,由固定螺旋桨高速旋转所带来的噪音污染对周围的居民或者公司员工产生工作或者生活上的严重影响,由此提出因无人机飞行坠落而带来的安全隐患和螺旋桨旋转带来的噪音风险;
步骤3,改进麻雀搜索算法,在传统麻雀搜索算法的基础上,提出一个包含三个改进措施的麻雀搜索算法;
步骤4,设置综合路径评价方法,选择四个指标作为路径评价的标准:最短距离值、危险程度、噪音大小和路径采集时间,体现出路径的好坏。
2.根据权利要求1所述的基于改进的麻雀搜索算法的无人机路径规划方法,其特征在于:所述步骤2中,包括如下具体步骤:
步骤2.1,设立目标函数:设起始点S坐标为(x0,y0,z0),目标点G坐标为(xn,yn,zn),途径的路径用点Ci表示,坐标为(xi,yi,zi),并考虑航程代价、危险代价、噪音代价和路径获取时间代价,由此设立模型目标函数J;
步骤2.2,设置相关约束条件,所述约束条件至少包括最小路径段长度约束、飞行高度无人机飞行高度的限制约束、无人机载货上限约束及最大噪音约束。
3.根据权利要求2所述的基于改进的麻雀搜索算法的无人机路径规划方法,其特征在于:所述步骤2.1中,考虑的代价包括:
(1)航程代价
定义无人机从S至G的航程代价为L,表达式为:
(2)危险代价
无人机在飞行的过程中,其下方会经过人、货物或机器,因此定义无人机从S到G的危险代价为R,表达式为:
其中k1为无人机高度变化惩罚系数;M为无人机空载质量,M’为活动质量,g为重力加速度,Δz(i-1,i)为路径点Ci-1与Ci的高度差,mi表示为该位置下人员密度;
(3)噪音代价
在飞行途中需要考虑到噪音的因素,定义无人机从S到G的噪音代价为D,表达式为:
其中k2为噪音变化惩罚系数,L0-20lg(r/r0)+3表示距离噪音源r米高度处的噪声值(dB),L0为机器原噪声,r为距噪声源的距离,r0为噪声源高度的距离,在此r0将取值一米;
(4)路径获取时间
路径获取时间是生成最短路径的程序执行时间,是总时间中重要部分;一般来说,获得路径所需的迭代次数小于算法设定的迭代次数,表达式为:
其中,N为获得路径迭代次数,T为路径获取时间,Tc表示算法的执行时间,tmax表示算法设置的最大迭代次数;
综上所述,模型目标函数J为
min J=α1L+α2R+α3N+α4T
式中:α1、α2、α3分别为航程、高度、危险度代价和路径获取的权重系数,满足α1+α2+α3+α4=1。
4.根据权利要求2所述的基于改进的麻雀搜索算法的无人机路径规划方法,其特征在于:所述步骤2.2中,设立约束条件包括:
(1)最小路径段长度
相邻路径点距离不能小于最小路径段长度,约束为:
li≥lmin,i=1,2,...,n
其中,βmax为最大转角,βi为无人机在路径点Ci转弯角;
若zi-1≠zi,无人机进行升降操作,则满足约束,表达式为:
其中,μmax为最大俯仰角,μi为无人机咋路径Ci俯仰角;
(2)飞行高度无人机飞行高度的限制约束为:
Hmin≤zi≤Hmax
其中,Hmin和Hmax为无人机飞行的最低和最高高度,这取决于无人机性能和空域政策;
(3)最大货物载重,无人机载货上限约束为:
M=M'+q
q≤qmax
其中,q为货物的质量,qmax为最大载重,M'为无人机空载的重量;
(4)最大噪音约束:
N=N'+n
N'<nmax
其中,N'为无人机自身噪音,n为周围环境噪音,nmax为无人机最大环境噪音。
5.根据权利要求1所述的基于改进的麻雀搜索算法的无人机路径规划方法,其特征在于:所述步骤3中,三个改进措施分别为:间质虫细胞迁移机制计算适应度函数,检测障碍物;使用位置更新公式更新种群;在位置更新公式之后,采用局部矢量自检策略降低全局最优个体的适应度值。
6.根据权利要求5所述的基于改进的麻雀搜索算法的无人机路径规划方法,其特征在于:模仿间充质细胞的迁移机制,在迁移过程中主动绕开障碍物,获得最优路径,该机制包含障碍检测和路径连接两个阶段,具体步骤如下:
步骤3.1.1,按从起点到终点的顺序,每个无人机半径的长度提取三个点;
步骤3.1.2,以无人机起点为三维坐标轴的原点,找到第一点与第三点的坐标;
步骤3.1.3,判断前述步骤中的第一个和第三个坐标间内是否存在障碍物;
步骤3.1.4,如果没有障碍物,将第二点从路径上移除;如果有障碍,终止循环并继续线性化路径。
7.根据权利要求5所述的基于改进的麻雀搜索算法的无人机路径规划方法,其特征在于:在麻雀搜索算法中,种群中的全局最优个体起到了引导种群探索方向的作用,因此,对个体局部路径矢量进行自检,以降低其局部路径矢量值,具体步骤如下:
步骤3.2.1,按从起点到终点的顺序,每个无人机半径的长度设点,以无人机起点为三维坐标轴的原点,获取第一个点的位置;
步骤3.2.2,将该点与相邻的两个点链接,获得两个矢量,搜索后计算路径的适应度值;
步骤3.2.3,再计算该点前后路径的矢量和,并计算适应度,如果前后路径的矢量和高于该点的前后两点的矢量,则继续使用之前的路径;如果前后路径的矢量和较高,则保留前后路径的矢量和较高的路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210136638.2A CN114545958A (zh) | 2022-02-15 | 2022-02-15 | 一种基于改进的麻雀搜索算法的无人机路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210136638.2A CN114545958A (zh) | 2022-02-15 | 2022-02-15 | 一种基于改进的麻雀搜索算法的无人机路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114545958A true CN114545958A (zh) | 2022-05-27 |
Family
ID=81674797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210136638.2A Pending CN114545958A (zh) | 2022-02-15 | 2022-02-15 | 一种基于改进的麻雀搜索算法的无人机路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114545958A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114710819A (zh) * | 2022-06-06 | 2022-07-05 | 天津讯联科技有限公司 | 一种无人机集群组网的路由规划方法 |
CN115616923A (zh) * | 2022-12-20 | 2023-01-17 | 南京可信区块链与算法经济研究院有限公司 | 一种基于遗传算法和麻雀算法的车辆路径优化方法 |
CN116467997A (zh) * | 2023-05-10 | 2023-07-21 | 南京邮电大学 | 基于决策协商算法的多实例化分块布图下的顶层布线方法 |
-
2022
- 2022-02-15 CN CN202210136638.2A patent/CN114545958A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114710819A (zh) * | 2022-06-06 | 2022-07-05 | 天津讯联科技有限公司 | 一种无人机集群组网的路由规划方法 |
CN114710819B (zh) * | 2022-06-06 | 2022-08-26 | 天津讯联科技有限公司 | 一种无人机集群组网的路由规划方法 |
CN115616923A (zh) * | 2022-12-20 | 2023-01-17 | 南京可信区块链与算法经济研究院有限公司 | 一种基于遗传算法和麻雀算法的车辆路径优化方法 |
CN116467997A (zh) * | 2023-05-10 | 2023-07-21 | 南京邮电大学 | 基于决策协商算法的多实例化分块布图下的顶层布线方法 |
CN116467997B (zh) * | 2023-05-10 | 2023-09-26 | 南京邮电大学 | 基于决策协商算法的多实例化分块布图下的顶层布线方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114545958A (zh) | 一种基于改进的麻雀搜索算法的无人机路径规划方法 | |
CN110472738A (zh) | 一种基于深度强化学习的无人艇实时避障算法 | |
CN114859899B (zh) | 移动机器人导航避障的演员-评论家稳定性强化学习方法 | |
CN113776532B (zh) | 一种基于分组混合优化群搜索算法的无人机巡检线路航迹规划方法 | |
CN113359849B (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
CN106934074B (zh) | 全局最优涡扇发动机进气道减噪设计方法 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN115933693A (zh) | 一种基于自适应混沌粒子群算法的机器人路径规划方法 | |
CN108445894A (zh) | 一种考虑无人艇运动性能的二次路径规划方法 | |
Chen et al. | Path planning of mobile robot based on an improved genetic algorithm | |
CN114815891A (zh) | 一种基于per-idqn的多无人机围捕战术方法 | |
CN114995390A (zh) | 一种基于动态自适应参数调整的蜉蝣算法的移动机器人路径规划方法 | |
CN114610070A (zh) | 一种无人机协同的风电场智能巡检方法 | |
Yuhang et al. | An Adaptive evolutionary multi-objective estimation of distribution algorithm and its application to multi-UAV path planning | |
Zhang et al. | Path planning of patrol robot based on modified grey wolf optimizer | |
CN116048071A (zh) | 基于粒子群和差分进化算法的移动机器人路径规划方法 | |
CN113406957B (zh) | 基于免疫深度强化学习的移动机器人自主导航方法 | |
Leng et al. | UAV path planning in 3D complex environments using genetic algorithms | |
Li et al. | Research on route planning based on quantum-behaved particle swam optimization algorithm | |
Liu et al. | Three-dimensional flight path planning by artificial immune algorithm | |
Changxin et al. | UAV electric patrol path planning based on improved ant colony optimization-A* algorithm | |
Zuo et al. | Flight attitude simulator control system design based on model-free reinforcement learning method | |
CN109141438A (zh) | 一种叉车全局路径规划方法 | |
CN114138005B (zh) | 基于改进a*算法的城区批量物流无人机航迹规划方法及装置 | |
Ren et al. | Research on multimodal algorithms for multi-routes planning based on niche technique |
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 |