CN114777788A - 基于路径搜索及智能优化的航路规划方法、设备及介质 - Google Patents

基于路径搜索及智能优化的航路规划方法、设备及介质 Download PDF

Info

Publication number
CN114777788A
CN114777788A CN202210423286.9A CN202210423286A CN114777788A CN 114777788 A CN114777788 A CN 114777788A CN 202210423286 A CN202210423286 A CN 202210423286A CN 114777788 A CN114777788 A CN 114777788A
Authority
CN
China
Prior art keywords
route
point
waypoints
path
search
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
Application number
CN202210423286.9A
Other languages
English (en)
Inventor
国海峰
张振亚
蔡亚伟
徐亮
许超
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.)
PLA AIR FORCE AVIATION UNIVERSITY
Original Assignee
PLA AIR FORCE AVIATION 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 PLA AIR FORCE AVIATION UNIVERSITY filed Critical PLA AIR FORCE AVIATION UNIVERSITY
Priority to CN202210423286.9A priority Critical patent/CN114777788A/zh
Publication of CN114777788A publication Critical patent/CN114777788A/zh
Pending legal-status Critical Current

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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明属于无人机航路规划技术领域，公开了一种基于路径搜索及智能优化的航路规划方法、设备及介质，利用A*算法结合随机搜索策略进行基础航路初始化，采用改进的粒子群算法迭代进行航路优化，利用航路点精简策略进行航路点精简，输出路径规划结果。本发明通过基础航路初始化阶段完成航路的初始搜索，生成基础的可行航路；航路优化阶段完成航路点的智能优化，提高航路适应度；航路点精简阶段完成航路点的精简，提高航路可飞性。本发明提高了规划结果的优选程度和规划效率，提升了战时无人机执行任务的能力。本发明改善了人工依赖性，使人员从复杂的计算过程解脱出来从而专注于决策和依赖经验判断的其它领域，提高了作战效能。

Description

基于路径搜索及智能优化的航路规划方法、设备及介质
技术领域
本发明属于无人机航路规划技术领域，尤其涉及一种基于路径搜索及智能优化的航路规划方法、设备及介质。
背景技术
无人机航路规划是指在特定约束条件下，寻找从起始点到目标点且满足任务需求和无人机性能指标的最优或可行航路。无人机航路规划是无人机任务规划的基础，是无人机实现智能飞行、自主控制的技术前提。快速、精确地规划出最优或较优的可飞航路，是提升无人机任务效能的重要手段之一。
目前业内对航路规划提出了多种算法，主要包括传统算法(如动态规划算法等)和现代智能算法(如A*算法、遗传算法、粒子群算法、蚁群算法等)，但传统算法仅适用于单一约束条件下的规划、难以应对多约束条件下的复杂规划；传统的A*算法存在搜索速度慢和耗内存空间大的缺陷，如果降低搜索精度，则又出现计算精确度不足、规划结果优选度水平不高的问题；遗传算法、粒子群算法等优化算法存在收敛性不足、计算耗时较长的问题。
发明内容
针对现有技术存在的问题，本发明提供了一种基于路径搜索及智能优化的航路规划方法、设备及介质。
本发明是这样实现的，一种基于路径搜索及智能优化的航路规划方法，所述基于路径搜索及智能优化的航路规划方法包括：
利用A*算法结合随机搜索策略进行基础航路初始化，采用改进的粒子群算法迭代进行航路优化，利用航路点精简策略进行航路点精简，输出路径规划结果。
进一步，所述航路点精简包括：对部分冗余航路点进行精简，删除部分必要性不大的航路点；
所述部分必要性不大的航路点包括：转弯较小且删除后不影响飞行性能的航路点。
进一步，所述基于路径搜索及智能优化的航路规划方法包括以下步骤：
步骤一，构建二维地图模型，利用A*算法结合随机搜索策略进行航路的初始搜索，生成基础的可行航路；
步骤二，采用改进的粒子群算法迭代进行航路优化；以改进的粒子群算法的输出适应度最优的粒子作为输入，保留起始点和目标点，进行航路点的精简，输出最优路径。
进一步，所述构建二维地图模型，利用A*算法结合随机搜索策略进行航路的初始搜索，生成基础的可行航路：
(1)构建二维地图模型：
获取地形图，以一定巡航高度截取地形生成二维地图，获取地形障碍参数，对各个地形障碍区取外接圆，简化为圆形区域；将敌方雷达、高炮或其他威胁简化为圆形区域；确定表现形式为[x，y，R，type]，所述x，y，R，type分别表示区域的中心横坐标、中心纵坐标、覆盖半径、类型；加载起始点和目标点，加载目标点进入角度，将目标点偏移至整数坐标点，以同样的偏移量偏移起始点坐标、地形障碍区域以及威胁区域中心点坐标；
(2)进行可行航路搜索：
加载无人机转弯角度限制条件，将地形障碍区域、威胁区域、起始点、目标点或其他参数输入，以目标点为起始点，起始点为目标点，采用A*算法搜索路径；于路径搜索过程中，每次扩展航点时均判断当前点和目标点之间的连线与所有的地形障碍区域、威胁区域是否有交叉，以及是否满足无人机转弯角度限制条件，若当前点和目标点之间存在直线路径并且满足转弯角度限制，则直接搜索到目标点；否则，按前一段航路的方向，选择符合转弯角度限制的下一步方向扩展航路点；
当存在多个待扩展航路点路径代价相同时，采用随机选择的方法选择下一航点：根据相同路径代价的航路点个数N，初始化随机数N*rand()，向上取整作为下一步扩展点的序号。
进一步，所述采用改进的粒子群算法迭代进行航路优化包括：
(1)以可行航路为基础初始化粒子种群及参数；所述参数包括：(种群规模、迭代次数、最大惯性权重、最小惯性权重、加速度因子、初始速度；利用每个粒子表征1条航路；
(2)采用改进的粒子群算法对种群进行循环迭代更新，在基本的粒子群算法基础上采用线性递减的惯性权重以及对部分种群增加随机速度的方法；
(3)采用适应度函数将航路长度代价、地形障碍代价、威胁代价进行加权和得到每个粒子的航路适应度；所述航路长度代价、地形障碍代价、威胁代价权重分别为1、8、1；
所述航路长度代价计算方法为：实际航路长度与起始点到目标点直线距离之差；
所述地形障碍代价为落入地形障碍区的航路点及两航路点中间点的数量之和；
所述威胁代价的计算方法为：计算各航路点及两航路点中间点的简化威胁概率，公式如下：
Figure BDA0003607375530000031
其中，R表示威胁区覆盖半径，Dist表示各点到威胁区中心距离；
(4)按粒子群算法迭代方法对种群进行迭代，重复步骤(2)至步骤(4)。
进一步，所述随机速度的生成包括：
首先，以正弦函数生成各个粒子的随机速度：
Rand_Speed＝V_max*(sin(Freq*(1∶N)+Phase))；
其中，Rand_Speed表示各个粒子的随机速度，V_max表示幅值，Freq表示频率，Phase表示初始相位；所述幅值、频率、初始相位均随机生成；
其次，以Rand_Speed为基础，生成分段加权的随机速度。
进一步，所述进行航路点的精简包括：
计算各航路点的转弯角度，若转弯角度<10°且删除所述航路点点后不会造成新的路径经过地形障碍区或增加威胁代价，则删除所述航路点。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于路径搜索及智能优化的航路规划方法如下步骤：
步骤一，构建二维地图模型，利用A*算法结合随机搜索策略进行航路的初始搜索，生成基础的可行航路；
步骤二，采用改进的粒子群算法迭代进行航路优化；
步骤三，以改进的粒子群算法的输出适应度最优的粒子作为输入，保留起始点和目标点，进行航路点的精简，输出最优路径。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于路径搜索及智能优化的航路规划方法如下步骤：
步骤一，构建二维地图模型，利用A*算法结合随机搜索策略进行航路的初始搜索，生成基础的可行航路；
步骤二，采用改进的粒子群算法迭代进行航路优化；
步骤三，以改进的粒子群算法的输出适应度最优的粒子作为输入，保留起始点和目标点，进行航路点的精简，输出最优路径。
本发明的另一目的在于提供一种信息数据处理终端，其特征在于，所述信息数据处理终端用于执行所述基于路径搜索及智能优化的航路规划方法。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明提高了规划结果的优选度和规划效率，影响航路规划的因素较多，且需要大量的计算。传统规划方法如果要求达到较高的优选度、置信度，计算量会非常大，规划效率较低。本发明针对该问题进行建模、约束条件分析、建立评价函数、优化迭代，借助路径初始搜索和智能优化算法相结合的手段，基于计算机实现了快速规划，并且获取优选度、置信度较高的规划结果。
本发明提出了基于无人机性能限制的随机搜索策略：在A*算法搜索路径时，可能存在多点代价相等的情况，采用随机搜索策略，在满足无人机转弯角度、威胁区域限制的前提下，对代价相等的可行扩展点按随机顺序搜索，避免初始路径的单一性。
本发明提出了粒子群算法种群随机速度的策略：基本的粒子群算法存在容易早熟的问题，本发明提出改进策略，在基本算法速度更新的基础上，对部分种群增加随机速度，增加种群多样性。考虑到相邻航路点之间的关联性，随机选择部分航路段以连续函数的离散值作为该航路段各点的演化速度。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明通过基础航路初始化阶段完成航路的初始搜索，生成基础的可行航路；航路优化阶段完成航路点的智能优化，提高航路适应度；航路点精简阶段完成航路点的精简，提高航路可飞性。
本发明提高了规划结果的优选程度和规划效率，提升了战时无人机执行任务的能力。本发明改善了人工依赖性，使人员从复杂的计算过程解脱出来从而专注于决策和依赖经验判断的其它领域，提高了作战效能。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
本发明的技术方案解决了现存的航路规划算法计算精度和实时性的矛盾问题，在保证规划实时性的前提下有效保证了规划的精度，既能满足离线规划的应用需求、也能满足在线实时规划的应用需求。
本发明的技术成果可应用于民用、警用以及军用等无人机航路规划领域，可有效提高无人机航路规划的效率、优选度和置信度，具有重要的经济、社会效益和推广前景。
附图说明
图1是本发明实施例提供的基于路径搜索及智能优化的航路规划方法原理图；
图2是本发明实施例提供的基于路径搜索及智能优化的航路规划方法流程图；
图3是本发明实施例提供的粒子群算法加权随机速度生成方法流程图；
图4是本发明实施例提供的规划仿真结果图；
图5是本发明实施例提供的粒子群算法适应度对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明实施例提供的基于路径搜索及智能优化的航路规划方法包括：
利用A*算法结合随机搜索策略进行基础航路初始化，采用改进的粒子群算法迭代进行航路优化，利用航路点精简策略进行航路点精简，输出路径规划结果。
本发明实施例提供的航路点精简包括：对部分冗余航路点进行精简，删除部分必要性不大的航路点。
本发明实施例提供的部分必要性不大的航路点包括：转弯较小且删除后不影响飞行性能的航路点。
如图2所示，本发明实施例提供的基于路径搜索及智能优化的航路规划方法包括以下步骤：
S101，构建二维地图模型，利用A*算法结合随机搜索策略进行航路的初始搜索，生成基础的可行航路；
S102，采用改进的粒子群算法迭代进行航路优化；
S103，以改进的粒子群算法的输出适应度最优的粒子作为输入，保留起始点和目标点，进行航路点的精简，输出最优路径。
本发明实施例提供的构建二维地图模型，利用A*算法结合随机搜索策略进行航路的初始搜索，生成基础的可行航路：
(1)构建二维地图模型：
获取地形图，以一定巡航高度截取地形生成二维地图，获取地形障碍参数，对各个地形障碍区取外接圆，简化为圆形区域；将敌方雷达、高炮或其他威胁简化为圆形区域；确定表现形式为[x，y，R，type]，所述x，y，R，type分别表示区域的中心横坐标、中心纵坐标、覆盖半径、类型；加载起始点和目标点，加载目标点进入角度，将目标点偏移至整数坐标点，以同样的偏移量偏移起始点坐标、地形障碍区域以及威胁区域中心点坐标；
(2)进行可行航路搜索：
加载无人机转弯角度限制条件，将地形障碍区域、威胁区域、起始点、目标点或其他参数输入，以目标点为起始点，起始点为目标点，采用A*算法搜索路径；于路径搜索过程中，每次扩展航点时均判断当前点和目标点之间的连线与所有的地形障碍区域、威胁区域是否有交叉，以及是否满足无人机转弯角度限制条件，若当前点和目标点之间存在直线路径并且满足转弯角度限制，则直接搜索到目标点；否则，按前一段航路的方向，选择符合转弯角度限制的下一步方向扩展航路点；
当存在多个待扩展航路点路径代价相同时，采用随机选择的方法选择下一航点：根据相同路径代价的航路点个数N，初始化随机数N*rand()，向上取整作为下一步扩展点的序号。
本发明实施例提供的采用改进的粒子群算法迭代进行航路优化包括：
(1)以可行航路为基础初始化粒子种群及参数；所述参数包括：(种群规模、迭代次数、最大惯性权重、最小惯性权重、加速度因子、初始速度；利用每个粒子表征1条航路；
(2)采用改进的粒子群算法对种群进行循环迭代更新，在基本的粒子群算法基础上采用线性递减的惯性权重以及对部分种群增加随机速度的方法；
(3)采用适应度函数将航路长度代价、地形障碍代价、威胁代价进行加权和得到每个粒子的航路适应度。
(4)按粒子群算法迭代方法对种群进行迭代，重复步骤(2)至步骤(4)。
本发明实施例提供的航路长度代价、地形障碍代价、威胁代价权重分别为1、8、1；
本发明实施例提供的航路长度代价计算方法为：实际航路长度与起始点到目标点直线距离之差；
本发明实施例提供的地形障碍代价为落入地形障碍区的航路点及两航路点中间点的数量之和；
本发明实施例提供的威胁代价的计算方法为：计算各航路点及两航路点中间点的简化威胁概率，公式如下：
Figure BDA0003607375530000091
其中，R表示威胁区覆盖半径，Dist表示各点到威胁区中心距离；
进一步，所述本发明实施例提供的首先，以正弦函数生成各个粒子的随机速度：
Rand_Speed＝V_max*(sin(Freq*(1∶N)+Phase))；
其中，Rand_Speed表示各个粒子的随机速度，V_max表示幅值，Freq表示频率，Phase表示初始相位；所述幅值、频率、初始相位均随机生成；
其次，以Rand_Speed为基础，生成分段加权的随机速度。
本发明实施例提供的进行航路点的精简包括：
计算各航路点的转弯角度，若转弯角度<10°且删除所述航路点点后不会造成新的路径经过地形障碍区或增加威胁代价，则删除所述航路点。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例1：
本发明的基本原理如图1所示，本发明提出的基于路径搜索及智能优化的航路规划方法将应急区域规划的过程分为基础航路初始化、航路优化、航路点精简。其中基础航路初始化阶段完成航路的初始搜索，生成基础的可行航路；航路优化阶段完成航路点的智能优化，提高航路适应度；航路点精简阶段完成航路点的精简，提高航路可飞性。
(1)基础航路初始化包括以下几个步骤：
1)构建二维地图模型
加载地形图，以一定巡航高度截取地形生成二维地图，获取地形障碍参数，对各个地形障碍区取其外接圆，简化为圆形区域；将敌方雷达、高炮等威胁简化为圆形区域；表示形式为[x，y，R，type]，分别表示区域的中心横坐标、中心纵坐标、覆盖半径、类型(1代表地形障碍，2代表威胁)。
加载起始点和目标点，加载目标点进入角度，将目标点偏移到整数坐标点，以同样的偏移量偏移起始点坐标、地形障碍区域以及威胁区域中心点坐标。
2)可行航路搜索
加载无人机转弯角度限制条件，将地形障碍区域、威胁区域、起始点、目标点等参数输入，以目标点为起始点，起始点为目标点，采用A*算法搜索路径。
路径搜索过程中，每次扩展航点时均判断当前点和目标点之间的连线与所有的地形障碍区域、威胁区域是否有交叉，以及是否满足无人机转弯角度限制条件，然后进行如下操作：
IF当前点和目标点之间存在直线路径并且满足转弯角度限制
THEN
下一步直接搜索到目标点；
ELSE
按前一段航路的方向，选择符合转弯角度限制的下一步方向扩展航路点；
END
当存在多个待扩展航路点路径代价相同时，采用随机选择的方法选择下一航点，具体方法为：根据相同路径代价的航路点个数N，初始化随机数N*rand()，将其向上取整作为下一步扩展点的序号。
(2)航路优化包括以下几个步骤：
以可行航路为基础初始化粒子种群及算法参数(种群规模popsize、迭代次数gen、最大惯性权重maxW、最小惯性权重minW、加速度因子c1、c2，初始速度等)，每个粒子表征1条航路。
采用改进的粒子群算法对种群进行循环迭代更新，在基本的粒子群算法基础上采用线性递减的惯性权重、以及对部分种群增加随机速度的方法，其中随机速度的生成步骤如下(假设每个粒子的航点数为N)：
以正弦函数生成各个粒子的随机速度Rand_Speed，幅值V_max、频率Freq、初始相位Phase均随机生成，幅值的范围为0.2～0.8，频率的范围为0.1～0.8，初始相位范围为0～2π，
Rand_Speed＝V_max*(sin(Freq*(1：N)+Phase))。
以Rand_Speed为基础，生成分段加权的随机速度，具体方法和步骤见图3。
3)评价每个粒子的航路适应度，适应度函数综合考虑航路长度代价、地形障碍代价、威胁代价做加权和，权重分别为1、8、1；航路长度代价计算方法为：实际航路长度与起始点到目标点直线距离之差；地形障碍代价为落入地形障碍区的航路点及两航路点中间点的数量之和；威胁代价的计算方法为：计算各航路点及两航路点中间点的简化威胁概率，见下式：
Figure BDA0003607375530000111
其中R为威胁区覆盖半径，Dist为各点到威胁区中心距离。
4)按粒子群算法迭代方法对种群进行迭代，重复2)～4)步。
(3)航路点的精简包括以下几个步骤：
1)以粒子群优化算法的输出适应度最优的粒子作为输入。
2)保留起始点和目标点。
3)计算各航路点的转弯角度，若转弯角度<10°且删除该点后不会造成新的路径经过地形障碍区或增加威胁代价，则删除该点。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用的应用实施例。
本发明的应用实施例提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行基于路径搜索及智能优化的航路规划方法。
本发明的应用实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于路径搜索及智能优化的航路规划方法。
本发明的应用实施例提供了一种信息数据处理终端，所述信息数据处理终端用于执行所述基于路径搜索及智能优化的航路规划方法。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
为验证本发明对无人机航路规划的有效性，进行如下仿真。仿真工具采用MATLAB软件。实验设定：地图尺寸100Km*100Km；地形障碍区域共9个，覆盖直径8～12Km不等；威胁区域共6个，覆盖直径均为10Km；起始点坐标为[5,45]，目标点坐标为[95,70]，目标点进入方向为[2,0](自正西向正东)。
粒子群种群规模500，迭代代数800，规划结果见图4，规划时间在5min以内。多次仿真的规划结果接近，规划的置信度较高。在其它条件相同的前提下，比较了在粒子群算法中采用随机速度改进和不采用随机速度的适应度，结果显示，采用随机速度结果明显较好，对比结果见图5。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于路径搜索及智能优化的航路规划方法，其特征在于，所述基于路径搜索及智能优化的航路规划方法包括：
利用A*算法结合随机搜索策略进行基础航路初始化，采用改进的粒子群算法迭代进行航路优化，利用航路点精简策略进行航路点精简，输出路径规划结果。
2.如权利要求1所述基于路径搜索及智能优化的航路规划方法，其特征在于，所述航路点精简包括：对部分冗余航路点进行精简，删除部分必要性不大的航路点；
所述部分必要性不大的航路点包括：转弯较小且删除后不影响飞行性能的航路点。
3.如权利要求1所述基于路径搜索及智能优化的航路规划方法，其特征在于，所述基于路径搜索及智能优化的航路规划方法包括以下步骤：
步骤一，构建二维地图模型，利用A*算法结合随机搜索策略进行航路的初始搜索，生成基础的可行航路；
步骤二，采用改进的粒子群算法迭代进行航路优化；
步骤三，以改进的粒子群算法的输出适应度最优的粒子作为输入，保留起始点和目标点，进行航路点的精简，输出最优路径。
4.如权利要求3所述基于路径搜索及智能优化的航路规划方法，其特征在于，所述构建二维地图模型，利用A*算法结合随机搜索策略进行航路的初始搜索，生成基础的可行航路：
(1)构建二维地图模型：
获取地形图，以一定巡航高度截取地形生成二维地图，获取地形障碍参数，对各个地形障碍区取外接圆，简化为圆形区域；将敌方雷达、高炮或其他威胁简化为圆形区域；确定表现形式为[x，y，R，type]，所述x，y，R，type分别表示区域的中心横坐标、中心纵坐标、覆盖半径、类型；加载起始点和目标点，加载目标点进入角度，将目标点偏移至整数坐标点，以同样的偏移量偏移起始点坐标、地形障碍区域以及威胁区域中心点坐标；
(2)进行可行航路搜索：
加载无人机转弯角度限制条件，将地形障碍区域、威胁区域、起始点、目标点或其他参数输入，以目标点为起始点，起始点为目标点，采用A*算法搜索路径；于路径搜索过程中，每次扩展航点时均判断当前点和目标点之间的连线与所有的地形障碍区域、威胁区域是否有交叉，以及是否满足无人机转弯角度限制条件，若当前点和目标点之间存在直线路径并且满足转弯角度限制，则直接搜索到目标点；否则，按前一段航路的方向，选择符合转弯角度限制的下一步方向扩展航路点；
当存在多个待扩展航路点路径代价相同时，采用随机选择的方法选择下一航点：根据相同路径代价的航路点个数N，初始化随机数N*rand()，向上取整作为下一步扩展点的序号。
5.如权利要求3所述基于路径搜索及智能优化的航路规划方法，其特征在于，所述采用改进的粒子群算法迭代进行航路优化包括：
(1)以可行航路为基础初始化粒子种群及参数；所述参数包括：(种群规模、迭代次数、最大惯性权重、最小惯性权重、加速度因子、初始速度；利用每个粒子表征1条航路；
(2)采用改进的粒子群算法对种群进行循环迭代更新，在基本的粒子群算法基础上采用线性递减的惯性权重以及对部分种群增加随机速度的方法；
(3)采用适应度函数将航路长度代价、地形障碍代价、威胁代价进行加权和得到每个粒子的航路适应度；所述航路长度代价、地形障碍代价、威胁代价权重分别为1、8、1；
所述航路长度代价计算方法为：实际航路长度与起始点到目标点直线距离之差；
所述地形障碍代价为落入地形障碍区的航路点及两航路点中间点的数量之和；
所述威胁代价的计算方法为：计算各航路点及两航路点中间点的简化威胁概率，公式如下：
Figure FDA0003607375520000031
其中，R表示威胁区覆盖半径，Dist表示各点到威胁区中心距离；
(4)按粒子群算法迭代方法对种群进行迭代，重复步骤(2)至步骤(4)。
6.如权利要求5所述基于路径搜索及智能优化的航路规划方法，其特征在于，所述随机速度的生成包括：
首先，以正弦函数生成各个粒子的随机速度：
Rand_Speed＝V_max*(sin(Freq*(1:N)+Phase))；
其中，Rand_Speed表示各个粒子的随机速度，V_max表示幅值，Freq表示频率，Phase表示初始相位；所述幅值、频率、初始相位均随机生成；
其次，以Rand_Speed为基础，生成分段加权的随机速度。
7.如权利要求3所述基于路径搜索及智能优化的航路规划方法，其特征在于，所述进行航路点的精简包括：
计算各航路点的转弯角度，若转弯角度<10°且删除所述航路点点后不会造成新的路径经过地形障碍区或增加威胁代价，则删除所述航路点。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7任意一项所述基于路径搜索及智能优化的航路规划方法如下步骤：
步骤一，构建二维地图模型，利用A*算法结合随机搜索策略进行航路的初始搜索，生成基础的可行航路；
步骤二，采用改进的粒子群算法迭代进行航路优化；
步骤三，以改进的粒子群算法的输出适应度最优的粒子作为输入，保留起始点和目标点，进行航路点的精简，输出最优路径。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-7任意一项所述基于路径搜索及智能优化的航路规划方法如下步骤：
步骤一，构建二维地图模型，利用A*算法结合随机搜索策略进行航路的初始搜索，生成基础的可行航路；
步骤二，采用改进的粒子群算法迭代进行航路优化；
步骤三，以改进的粒子群算法的输出适应度最优的粒子作为输入，保留起始点和目标点，进行航路点的精简，输出最优路径。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于执行如权利要求1-7任意一项所述基于路径搜索及智能优化的航路规划方法。
CN202210423286.9A 2022-04-21 2022-04-21 基于路径搜索及智能优化的航路规划方法、设备及介质 Pending CN114777788A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210423286.9A CN114777788A (zh) 2022-04-21 2022-04-21 基于路径搜索及智能优化的航路规划方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210423286.9A CN114777788A (zh) 2022-04-21 2022-04-21 基于路径搜索及智能优化的航路规划方法、设备及介质

Publications (1)

Publication Number Publication Date
CN114777788A true CN114777788A (zh) 2022-07-22

Family

ID=82430482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210423286.9A Pending CN114777788A (zh) 2022-04-21 2022-04-21 基于路径搜索及智能优化的航路规划方法、设备及介质

Country Status (1)

Country Link
CN (1) CN114777788A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777095A (zh) * 2023-06-30 2023-09-19 中国南方航空股份有限公司 一种航路规划方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777095A (zh) * 2023-06-30 2023-09-19 中国南方航空股份有限公司 一种航路规划方法、装置、设备及介质
CN116777095B (zh) * 2023-06-30 2024-04-12 中国南方航空股份有限公司 一种航路规划方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111024092B (zh) 一种多约束条件下智能飞行器航迹快速规划方法
Ali et al. Cooperative path planning of multiple UAVs by using max–min ant colony optimization along with cauchy mutant operator
CN103557867B (zh) 一种基于稀疏a*搜索的三维多uav协同航迹规划方法
CN102880186B (zh) 基于稀疏a*算法和遗传算法的航迹规划方法
CN112712193B (zh) 基于改进Q-Learning的多无人机局部航路规划方法及装置
US8620510B1 (en) Adaptive multi-vehicle area coverage optimization system and method
CN107504972A (zh) 一种基于鸽群算法的飞行器航迹规划方法及装置
CN112947592B (zh) 一种基于强化学习的再入飞行器轨迹规划方法
CN111880561B (zh) 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法
CN112985408B (zh) 一种路径规划优化方法及系统
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
CN106705970A (zh) 一种基于蚁群算法的多无人机协同路径规划方法
CN112666981B (zh) 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
CN103267528A (zh) 禁飞区限制下的多无人机协同区域搜索方法
CN111338350A (zh) 基于贪婪机制粒子群算法的无人船路径规划方法及系统
Xu et al. Heuristic and random search algorithm in optimization of route planning for Robot’s geomagnetic navigation
CN115061499B (zh) 无人机控制方法及无人机控制装置
CN113268087A (zh) 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法
CN114740883B (zh) 一种协同点侦察任务规划跨层联合优化方法
CN116088576A (zh) 一种基于改进鲸鱼算法的无人机三维路径规划方法
Wang et al. UAV online path planning based on improved genetic algorithm
CN112000126A (zh) 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法
CN114777788A (zh) 基于路径搜索及智能优化的航路规划方法、设备及介质
Guo et al. HPO-RRT*: A sampling-based algorithm for UAV real-time path planning in a dynamic environment
Xing et al. 3d trajectory planning of positioning error correction based on pso-a* 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