CN115309179A - 基于alce-ssa优化的三维无人机低空突防方法 - Google Patents
基于alce-ssa优化的三维无人机低空突防方法 Download PDFInfo
- Publication number
- CN115309179A CN115309179A CN202210611993.0A CN202210611993A CN115309179A CN 115309179 A CN115309179 A CN 115309179A CN 202210611993 A CN202210611993 A CN 202210611993A CN 115309179 A CN115309179 A CN 115309179A
- Authority
- CN
- China
- Prior art keywords
- sparrow
- formula
- unmanned aerial
- aerial vehicle
- population
- 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
- 230000035515 penetration Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 241000287127 Passeridae Species 0.000 claims abstract description 120
- 238000010845 search algorithm Methods 0.000 claims abstract description 27
- 230000007123 defense Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 17
- 150000001875 compounds Chemical class 0.000 claims description 12
- 230000000739 chaotic effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000002431 foraging effect Effects 0.000 claims description 4
- 230000036626 alertness Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 235000013305 food Nutrition 0.000 claims description 3
- 235000013372 meat Nutrition 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000282461 Canis lupus Species 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010410 dusting Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G05D1/10—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开基于ALCE‑SSA优化的三维无人机低空突防方法，对无人机低空突防三维环境建模，获得模型；对模型确定突防代价函数；获取麻雀搜索算法；根据无人机低空突防对获得的麻雀搜索算法进行改进，得到改进麻雀搜索算法；利用改进麻雀搜索算法对无人机低空突防三维路径进行规划。本发明在面对不同环境时具有更好的路径规划效果，即提高改进麻雀搜索算法的寻优精度，寻得最优路径。
Description
技术领域
本发明涉及无人机路径规划技术领域，特别涉及一种自适应领头雀引导和中心变异-进化因子的麻雀搜索算法优化的无人机低空突防三维路径规划方法。
背景技术
低空突防是无人机作战中的重要环节，也是目前的研究热点。为了找出一条从起点到终点的可以避开威胁源的安全路径，突防目标以有效的规划路线方法为基础，在约束问题下找出最优解，其关键取决于寻优算法的优劣。近年来学者们展开深入研究，提出了多种低空突防路径规划算法，主要可以分为两大类：(1)常规算法，如：人工势场法、A*算法等；(2)智能算法，如：遗传算法(Genetic Algorithms,GA)、粒子群算法(Particle SwarmOptimization,PSO)、灰狼算法(Grey Wolf Optimization,GWO)、飞蛾扑焰算法(Moth-Flame Optimization,MFO)等。相比于常规算法，智能算法收敛速度快，鲁棒性强，尤其采用群体智能优化算法求解无人机突防路径的问题是目前的研究热点。张宏宏等为解决无人机低空突防的问题，利用改进蚁群算法生成一条风险较低的路径，提升了寻优效率，但路径精确度不高。宋宇等提出了一种基于三维规划的改进粒子群优化方法，提升了搜索性能，但威胁场考虑得比较简单，并未考虑地形等因素，实际应用效果并不理想。许江波等通过自适应策略改进鱼群算法，利用其全局寻优能力解决路径规划问题，但搜索时间过长。以上研究虽然实现了无人机的航迹规划，但路径规划效果和迭代收敛速度仍有进一步改进空间。麻雀搜索算法(Sparrow Search Algorithm,SSA)是2020年由XUE提出的一种新的群智能优化算法，模拟了麻雀觅食的过程，具有收敛速度快，适应性强，模型易修改等特点，适合用于无人机路径规划。汤安迪等提出了一种基于混沌麻雀搜索算法的航迹规划法，能够快速地得到一条安全的可行航迹。但是该算法是针对二维场景的应用，存在一定的局限性。SSA本身还存在易陷入局部最优，种群多样性快速减少等问题，仍需进一步改进。
发明内容
本发明的目的在于提供一种基于ALCE-SSA优化的三维无人机低空突防方法，以解决现有技术中无人机在三维低空突防时存在环境复杂，路径规划计算量大等问题，以及现有麻雀搜索算法路径搜索能力不足，易陷入局部最优等缺陷，本发明在面对不同环境时具有更好的路径规划效果，即提高改进麻雀搜索算法的寻优精度，寻得最优路径。
为达到上述目的，本发明采用如下技术方案：
基于ALCE-SSA优化的三维无人机低空突防方法，包括以下步骤：
步骤1：对无人机低空突防三维环境建模，获得模型；
步骤2：对步骤1中获得的模型确定突防代价函数；
步骤3：获取麻雀搜索算法；
步骤4：根据无人机低空突防对步骤3中获得的麻雀搜索算法进行改进，得到改进麻雀搜索算法；
步骤5：利用步骤4中获得的改进麻雀搜索算法对无人机低空突防三维路径进行规划。
进一步地，步骤1中对无人机低空突防三维环境建模包括地形约束和威胁源模型约束：
地形约束中三维环境下的山峰建模，如下所示：
式中，(x,y)为地形的坐标，(x0,y0)为山峰地形的中心点坐标，h为高度参数，λ1和λ2反应山峰的陡峭程度；
威胁源模型约束包括雷达探测、防空火炮、地空导弹；
将威胁源等效为地形模型，假设距离威胁源中心越近，威胁代价越大，地形越高，反之则越低，因此，将威胁源等效为：
式中，Kthr为威胁源修正系数，第p个威胁源中心的水平坐标为(xp,yp)，第p个威胁源的最大半径Rmax,p，R为三维环境坐标点(x,y)到威胁源中心的距离。
进一步地，步骤2的突防代价函数包括：
1)在飞行中，离地面0.05-2.5km高度处适于飞行，航迹点的地形威胁代价如下：
式中，KZ,K′z为地形威胁系数，hj为第j个航迹点的海拔高度，Zj为第j个航迹点的地形高度，fZ,j为第j个航迹点对应的威胁代价；
2)低空突防需考虑高程代价，航迹点j的高程代价如下所示：
fH,j＝hj
式中，fH,j为第j个航迹点对应的高程代价；
3)地形约束还需要考虑飞行边界范围和最大飞行高度，保证无人机的可控性，设定飞行水平范围为(xmin,ymin)＝(0,0)和(xmax,ymax)＝(100,100)，最大飞行高度为zmax＝5；
在雷达区内，简化的雷达探测概率模型如下：
P0＝1/r4
式中，r为航迹点到威胁源中心的距离；
在防空火炮区内，毁伤概率表示为：
PG＝1/r
在导弹区半径内下被击中的可能性为：
式中，Rmax为威胁源的最大半径；
在禁飞区的约束为：
PJ＝KJ
式中，KJ为禁飞区威胁代价，PJ为在禁飞区的约束代价；
定义每个航迹点在各个威胁区域的计算代价如下：
式中，rj,p为第j个航迹点到威胁源p中心的直线距离，P0、PG、PM和PJ分别为雷达，火炮，导弹，禁飞区的代价函数，fT,jp为航迹点j到威胁源p中心的代价；
4)无人机约束是无人机在飞行过程中受自身的物理约束，包括转弯角α、下滑及爬升角β，以及燃油代价，各物理约束分别为：
式中，Kα和Kβ分别为转弯角和俯仰角威胁系数，
和
为第j个航迹点对应α和β的代价函数，JL,j为第j个航迹点对应的航程，综合各代价函数，得出第j个航迹点的无人机自身约束代价函数为：
fJ,j＝Jα_angle,j+Jβ_angle,j+JL,j
5)航迹代价函数是将地形约束、高程代价、威胁源模型约束及无人机自身物理约束的代价加权综合起来，构成最终的无人机代价函数，公式如下：
式中，F为整条航迹的代价，σ1，σ2，σ3和σ4为各代价的权重，d为航迹点的总数，w为威胁源的总数。
进一步地，步骤3中麻雀搜索算法包括以下步骤：
步骤3.1：随机初始化麻雀种群；
步骤3.2：发现者位置更新；
步骤3.3：加入者位置更新；
步骤3.4：警戒者位置更新。
进一步地，步骤3.2中麻雀种群中的发现者负责觅食和指导整个种群移动，发现者位置更新如下：
式中，
表示种群中第t代中第i个个体的第j维位置，ζ为(0,1]中的均匀随机数，Q为一个标准正态分布随机数，L是一行多维的全一矩阵，R2为[0,1]中的均匀随机数，ST为警戒阈值；
步骤3.3中加入者为除去发现者外的种群个体，加入者位置更新公式如下：
式中，
是第t代种群发现者占据的最佳位置，
表示当前全局最差位置，A为只含1或-1元素的1×d的矩阵，定义矩阵运算A+的计算方式如下：
A+＝AT(AAT)-1
步骤3.4中在麻雀种群随机选取20％的个体作为警戒者，警戒者更新公式如下：
式中，
表示当前全局最优位置，δ是符合正态分布的步长控制参数，均值为0，方差为1，k是[-1,1]的随机数；fi表示麻雀当前位置的适应度；fg与fw分别为全局最优和最差适应度；ε为不为零的极小值。
进一步地，步骤4中根据无人机低空突防对步骤3中获得的麻雀搜索算法进行改进，得到改进麻雀搜索算法，具体步骤包括：
步骤4.1：在步骤1获得的三维环境模型内基于随机Tent映射初始化麻雀种群，每只麻雀代表一条突防路径；
步骤4.2：采用自适应领头雀引导策略更新麻雀种群中的发现者位置；
步骤4.3：加入者位置更新；
步骤4.4：警戒者位置更新；
步骤4.5：基于中心变异-进化因子进行麻雀种群位置更新；
步骤4.6：计算麻雀种群的适应度，根据适应度的大小选出最优麻雀；
步骤4.7：判断是否达到最大迭代次数，若是，输出最优麻雀即最优突防航迹点，若否，返回步骤4.2。
进一步地，步骤4.1中基于随机Tent映射初始化麻雀种群，公式如下：
式中，i为种群规模，i＝1,2…n；j为个体维数，j＝1,2…d；s为(0,1)的随机数，ψ为混沌参数，对上式取初值后，得到n×d个混沌序列，将混沌序列代入个体位置公式求出种群的个体位置，公式如下：
xi,j＝Lbj+vi,j(Ubj-Lbj)
式中，Ubj和Lbj分别为j维三维地形搜索空间的上下边界。
进一步地，步骤4.2中采用自适应领头雀引导策略更新发现者位置，具体公式为：
式中，
表示种群中第t代中最优个体，ω为权重因子，更新公式如下：
式中，ωmax，ωmin分别为权重因子的最大值和最小值。
进一步地，步骤4.5中基于中心变异-进化因子进行位置更新，具体为：
为加快迭代速度，只选取最优个体进行中心变异，设X＝[x1,x2,…,xd]是带有单位质量的d个点，则一个离散均匀的整体中心G为：
则整体中某一点xj的中心变异点定义为：
采用弱肉强食的原则设计进化部分，通过适应度值的好坏对种群进行排序，按照顺序进化，适应度好的个体有大概率保留下来，较差的个体大概率选择进化，公式如下：
式中，t1,t2为麻雀种群中的随机个体，且互不相同；x1为最优个体；rand和s为0-1的随机数；P(i)为种群中第i个个体对应的适应度级别，计算公式为：
通过中心变异-进化因子产生新解的计算公式表示为：
式中，g1(x)为中心变异；g2(x)为进化；τ为选择中心变异或进化的概率，计算公式如下：
采用中心变异-进化因子求取新解之后，根据贪婪原则更新得到的新种群。
进一步地，步骤5中利用获得的改进麻雀搜索算法对无人机低空突防三维路径进行规划，具体方式为：
每条路径都是由多个航迹点连接而成的线，定义种群中的一只麻雀
即为一条路径，代价最小的麻雀代表最优路径，每个航迹点都具有三维属性(x,y,z)，利用ALCE-SSA规划无人机三维的突防路径时，具体步骤包括：
步骤5.1：对步骤1获得的三维环境模型利用步骤4.1的方法获得初始麻雀种群；
步骤5.2：对初始麻雀种群利用步骤2获得的代价函数计算每只麻雀的适应度，根据适应度的大小对麻雀种群排序，选出最优麻雀；
步骤5.3：对麻雀种群利用步骤4.2-4.5的方法更新位置，计算每只麻雀的适应度，根据适应度的大小对麻雀种群排序；
步骤5.4：判断是否达到最大迭代次数，若是，输出最优麻雀即最优突防航迹点，否则，返回步骤5.3；
步骤5.5：对5.4获得的最优航迹点三次样条插值优化得到最终的无人机三维的突防路径。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提出了一种自适应领头雀引导和中心变异-进化因子的麻雀搜索算法(Adaptive Leading Sparrow Guide and center Mutation-evolution Factor SparrowSearch Algorithm,ALCE-SSA)，在保证快速寻优的前提下，获得无人机突防的最优路径，本发明在面对不同环境时具有更好的路径规划效果，即提高改进麻雀搜索算法的寻优精度，寻得最优路径。
进一步地，本发明设计了随机Tent映射初始化种群提高初始化种群的质量；在发现者位置更新上采用自适应领头雀引导策略解决了鸟群发现者在更新位置上父代带来的不利影响，能够同时提升前期全局探索和后期局部寻优的能力；采用中心变异-进化因子提高种群多样性，防止种群陷入局部最优，扩大搜索空间，提升了全局寻优能力。由此，ALCE-SSA可以更精确、快速地使无人机自主避开危险区域选择最优路径，实现低空突防。
本发明相比于灰狼算法，飞蛾扑火算法和麻雀搜索算法三种算法，能耗更优，路径更平滑，收敛速度更快，可以使无人机有效地利用地形优势来躲避威胁源，表现出较好的寻优能力。
附图说明
说明书附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明的流程示意图；
图2是本发明所涉及的改进麻雀搜索算法的流程图；
图3是本发明在地形1中的路径规划图；
图4是本发明在地形2中的路径规划图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1为本发明的流程图，本发明对基本的麻雀搜索算法进行了优化改进，提出一种自适应领头雀引导和中心变异-进化因子的麻雀搜索算法，如图2，应用于无人机低空突防的路径规划中。首先，建立相关地形模型和威胁源模型；其次对麻雀搜索算法进行改进。通过随机Tent初始化种群的位置，提高了初始化种群的质量；然后针对麻雀搜索算法中发现者位置更新的不足，设计了一种自适应领头雀引导策略，减小了依靠单一父代更新的不利影响，能够同时提升前期全局探索和后期局部寻优的能力；最后，针对种群多样性不足，易陷入局部最优的问题，设计了一种中心变异-进化因子，扩大搜索空间，进一步提升了全局寻优能力。从图3和图4可以看出，ALCE-SSA相比于灰狼算法，飞蛾扑火算法和麻雀搜索算法三种算法，能耗更优，路径更平滑，收敛速度更快，可以使无人机有效地利用地形优势来躲避威胁源，表现出较好的寻优能力。
具体步骤如下：
步骤1：有关无人机低空突防三维环境建模包括：地形约束、威胁源模型约束。
地形约束中三维环境下的山峰建模如下：
式中，(x,y)为地形的坐标，(x0,y0)为山峰地形的中心点坐标，h为高度参数，λ1和λ2反应山峰的陡峭程度；
在飞行中，离地面0.05-2.5km高度处适于飞行，航迹点的地形威胁代价如下：
式中，KZ,K′z为地形威胁系数，hj为第j个航迹点的海拔高度，Zj为第j个航迹点的地形高度，fZ,j为第j个航迹点对应的威胁代价。此外，低空突防需考虑高程代价，航迹点j的高程代价如下所示：
fH,j＝hj
地形约束还需要考虑飞行边界范围和最大飞行高度，保证无人机的可控性。设定飞行水平范围为(xmin,ymin)＝(0,0)和(xmax,ymax)＝(100,100)，最大飞行高度为zmax＝5。
威胁源模型约束中包括有雷达探测、防空火炮、地空导弹等。
在雷达区内，简化的雷达探测概率模型如下：
P0＝1/r4
其中，r为航迹点到威胁源中心的距离。
防空火炮威胁
在防空火炮区内，毁伤概率可表示为：
PG＝1/r
地空导弹威胁
无人机在导弹区半径内下被击中的可能性为：
式中，Rmax为威胁源的最大半径。
禁飞区威胁
现实中存在着一些气候和环境非常恶劣的区域，本发明中称为禁飞区。禁飞区的约束为：
PJ＝KJ
式中，KJ为禁飞区威胁代价。
将威胁源等效为地形模型，假设距离威胁源中心越近，威胁代价越大，地形越高，反之则越低。因此，可以将威胁源等效为：
式中，Kthr为威胁源修正系数，第p个威胁源中心的水平坐标为(xp,yp)，第p个威胁源的最大半径Rmax,p，R为坐标点到威胁源中心的距离。定义每个航迹点在威胁区域的计算代价如下：
式中，rj,p为第j个航迹点到威胁源p中心的直线距离，P0、PG、PM和PJ分别为雷达，火炮，导弹，禁飞区的代价函数，fT,jp为航迹点j到威胁源p中心的代价。
无人机约束是无人机在飞行过程中受自身的物理约束，主要包括转弯角α、下滑及爬升角β，以及燃油代价(路程)。各物理约束分别为：
式中，Kα和Kβ分别为转弯角和俯仰角威胁系数，
和
为第j个航迹点对应α和β的代价函数，JL,j为第j个航迹点对应的航程。综合各代价函数，可得出第j个航迹点的无人机自身约束代价函数为：
fJ,j＝Jα_angle,j+Jβ_angle,j+JL,j
航迹代价函数是将地形约束、高程代价、威胁源模型约束及无人机自身物理约束的代价加权综合起来，就构成了最终的无人机代价函数，公式如下：
式中，F为整条航迹的代价，σ1，σ2，σ3和σ4为各代价的权重，d为航迹点的总数，w为威胁源的总数。
步骤2：基本的麻雀搜索算法分为以下步骤：
麻雀种群中的发现者负责觅食和指导整个种群移动，发现者位置更新如下：
式中，
表示种群中第t代中第i个个体的第j维位置，ζ为(0,1]中的均匀随机数，Q为一个标准正态分布随机数，L是一行多维的全一矩阵，R2为[0,1]中的均匀随机数，ST为警戒阈值，取值为0.6。
加入者为除去发现者外适应度较差的一些个体，加入者位置更新公式如下：
式中，
是第t代种群发现者占据的最佳位置，
表示当前全局最差位置，A为只含1或-1元素的1×d的矩阵，定义矩阵运算A+的计算方式如下：
A+＝AT(AAT)-1
在麻雀种群随机选取20％的个体作为警戒者，警戒者更新公式如下：
式中，
表示当前全局最优位置，δ是符合正态分布的步长控制参数，均值为0，方差为1，k是[-1,1]的随机数；fi表示麻雀当前位置的适应度；fg与fw分别为全局最优和最差适应度；ε为不为零的极小值，设置为1-8，防止分母为0。
步骤3：针对无人机突防进行改进麻雀搜索算法包括以下步骤：
在步骤1获得的三维地形空间内基于随机Tent映射初始化麻雀种群，每只麻雀代表一条突防路径，基于随机Tent映射初始化麻雀种群的公式如下：
式中，i仍为种群规模(i＝1,2…n)，j为个体维数(j＝1,2…d)，s为(0,1)的随机数，ψ为混沌参数，对该式取初值后，可以得到n×d个混沌序列。将混沌序列代入个体位置公式求出种群的个体位置，公式如下：
xi,j＝Lbj+vi,j(Ubj-Lbj)
式中，Ubj和Lbj分别为j维搜索空间的上下边界。如图2所示，随机Tent映射生成的混沌序列分布y维度和z维度分布更均匀。
一种自适应领头雀引导策略更新发现者：
新的发现者的更新公式修订为：
式中，
表示种群中第t代中最优个体，ω为权重因子，更新公式如下：
式中，ωmax，ωmin分别为最大和最小值。针对种群个体y维度更新ω，ωmaxy，ωminy取1和0.01，z维度的更新ωmaxz和ωminz取0.1和0.005。
加入者和警戒者位置更新公式不变。
基于中心变异-进化因子进行麻雀种群位置更新，增加种群多样性：
为加快迭代速度，只选取最优个体进行中心变异，设X＝[x1,x2,…,xd]是带有单位质量的d个点，则一个离散均匀的整体中心为G为：
则该整体中某一点xj的中心变异点定义为：
采用弱肉强食的原则来设计进化部分，通过适应度值的好坏来对种群进行排序，按照顺序进化。可以看出，适应度好的个体有大概率保留下来，较差的个体大概率选择进化，公式如下：
式中，t1,t2为麻雀种群中的随机个体，且互不相同；x1为最优个体；rand和s为0-1得随机数；P(i)为种群中第i个个体对应的适应度级别，计算公式为：
通过中心变异-进化因子产生新解的计算公式可以表示为：
式中，g1(x)为中心变异；g2(x)为进化；τ为选择中心变异或进化的概率，计算公式如下：
计算公式如下：
采用中心变异-进化因子求取新解之后，根据贪婪原则更新得到的新种群。
计算新麻雀种群的适应度，根据适应度的大小选出最优麻雀；
判断是否达到最大迭代次数，若是，输出最优麻雀即最优突防航迹点。
步骤5：结合改进麻雀搜索算法的无人机低空突防三维路径规划。具体方式为：
每条路径都是由多个航迹点连接而成的线，定义种群中的一只麻雀xd i即为一条路径，代价最小的麻雀代表最优路径，每个航迹点都具有三维属性(x,y,z)。利用ALCE-SSA规划无人机三维的突防路径时，具体步骤包括：
步骤5.1：对步骤1获得的三维环境模型利用步骤4.1的方法获得初始麻雀种群；
步骤5.2：对初始麻雀种群利用步骤2获得的代价函数计算每只麻雀的适应度，根据适应度的大小对麻雀种群排序，选出最优麻雀；
步骤5.3：对麻雀种群利用步骤4.2-4.5的方法更新位置，计算每只麻雀的适应度，根据适应度的大小对麻雀种群排序；
步骤5.4：判断是否达到最大迭代次数，若是，输出最优麻雀即最优突防航迹点，否则，返回步骤5.3；
步骤5.5：对5.4获得的最优航迹点三次样条插值优化得到最终的无人机三维的突防路径。
图3为在地形1中具体的路径规划图，图4为在地形2中具体的路径规划图。
图3由山脉，威胁源(圆圈区域)，路径组成，通过本发明算法ALCE-SSA与SSA、GWO和MFO在无人机突防路线轨迹图中的对比可以看出，GWO的规划路线(路径有+标签)普遍飞行高度高，没有避开威胁源；GWO的后期寻优能力差，导致路径点的某些维度误差较大；MFO(路径有△标签)中飞蛾更新机制使得全局寻优能力较强，三维路径图中的路径规划确实躲开了威胁源，找到了一条相对较优的路径，但是路径总体不够平滑，飞行难度大；SSA(路径有○标签)规划的路径中飞行高度上下起伏，路径不够平滑；本发明ALCE-SSA算法(无标签)可以有效地避开威胁源，近似于沿着地图对角线生成一条较优的路径，较为平滑，飞行难度降低，并且能够实现低空飞行，完成低空突防目标。
图4验证了图3的得出的结论。验证了在模型1得出的SSA算法更新速度快但易陷入局部最优，GWO算法的后期寻优能力差，导致某些路径点维度的精度差，MFO算法全局寻优能力强，但更新速度慢，本文算法在更新速度和精度的优越性。
最后应说明的是：以上各实施例仅仅为本发明的较优实施例用以说明本发明的技术方案，而非对其限制，当然更不是限制本发明的专利范围；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围；也就是说，但凡在本发明的主体设计思想和精神上做出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内；另外，将本发明的技术方案直接或间接的运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.基于ALCE-SSA优化的三维无人机低空突防方法，其特征在于，包括以下步骤：
步骤1：对无人机低空突防三维环境建模，获得模型；
步骤2：对步骤1中获得的模型确定突防代价函数；
步骤3：获取麻雀搜索算法；
步骤4：根据无人机低空突防对步骤3中获得的麻雀搜索算法进行改进，得到改进麻雀搜索算法；
步骤5：利用步骤4中获得的改进麻雀搜索算法对无人机低空突防三维路径进行规划。
2.根据权利要求1所述的基于ALCE-SSA优化的三维无人机低空突防方法，其特征在于，步骤1中对无人机低空突防三维环境建模包括地形约束和威胁源模型约束：
地形约束中三维环境下的山峰建模，如下所示：
式中，(x,y)为地形的坐标，(x0,y0)为山峰地形的中心点坐标，h为高度参数，λ1和λ2反应山峰的陡峭程度；
威胁源模型约束包括雷达探测、防空火炮、地空导弹；
将威胁源等效为地形模型，假设距离威胁源中心越近，威胁代价越大，地形越高，反之则越低，因此，将威胁源等效为：
式中，Kthr为威胁源修正系数，第p个威胁源中心的水平坐标为(xp,yp)，第p个威胁源的最大半径Rmax,p，R为三维环境坐标点(x,y)到威胁源中心的距离。
3.根据权利要求1所述的基于ALCE-SSA优化的三维无人机低空突防方法，其特征在于，步骤2的突防代价函数包括：
1)在飞行中，离地面0.05-2.5km高度处适于飞行，航迹点的地形威胁代价如下：
式中，KZ,K′z为地形威胁系数，hj为第j个航迹点的海拔高度，Zj为第j个航迹点的地形高度，fZ,j为第j个航迹点对应的威胁代价；
2)低空突防需考虑高程代价，航迹点j的高程代价如下所示：
fH,j＝hj
式中，fH,j为第j个航迹点对应的高程代价；
3)地形约束还需要考虑飞行边界范围和最大飞行高度，保证无人机的可控性，设定飞行水平范围为(xmin,ymin)＝(0,0)和(xmax,ymax)＝(100,100)，最大飞行高度为zmax＝5；
在雷达区内，简化的雷达探测概率模型如下：
P0＝1/r4
式中，r为航迹点到威胁源中心的距离；
在防空火炮区内，毁伤概率表示为：
PG＝1/r
在导弹区半径内下被击中的可能性为：
式中，Rmax为威胁源的最大半径；
在禁飞区的约束为：
PJ＝KJ
式中，KJ为禁飞区威胁代价，PJ为在禁飞区的约束代价；
定义每个航迹点在各个威胁区域的计算代价如下：
式中，rj,p为第j个航迹点到威胁源p中心的直线距离，P0、PG、PM和PJ分别为雷达，火炮，导弹，禁飞区的代价函数，fT,jp为航迹点j到威胁源p中心的代价；
4)无人机约束是无人机在飞行过程中受自身的物理约束，包括转弯角α、下滑及爬升角β，以及燃油代价，各物理约束分别为：
式中，Kα和Kβ分别为转弯角和俯仰角威胁系数，
和
为第j个航迹点对应α和β的代价函数，JL,j为第j个航迹点对应的航程，综合各代价函数，得出第j个航迹点的无人机自身约束代价函数为：
fJ,j＝Jα_angle,j+Jβ_angle,j+JL,j
5)航迹代价函数是将地形约束、高程代价、威胁源模型约束及无人机自身物理约束的代价加权综合起来，构成最终的无人机代价函数，公式如下：
式中，F为整条航迹的代价，σ1，σ2，σ3和σ4为各代价的权重，d为航迹点的总数，w为威胁源的总数。
4.根据权利要求1所述的基于ALCE-SSA优化的三维无人机低空突防方法，其特征在于，步骤3中麻雀搜索算法包括以下步骤：
步骤3.1：随机初始化麻雀种群；
步骤3.2：发现者位置更新；
步骤3.3：加入者位置更新；
步骤3.4：警戒者位置更新。
5.根据权利要求4所述的基于ALCE-SSA优化的三维无人机低空突防方法，其特征在于，步骤3.2中麻雀种群中的发现者负责觅食和指导整个种群移动，发现者位置更新如下：
式中，
表示种群中第t代中第i个个体的第j维位置，ζ为(0,1]中的均匀随机数，Q为一个标准正态分布随机数，L是一行多维的全一矩阵，R2为[0,1]中的均匀随机数，ST为警戒阈值；
步骤3.3中加入者为除去发现者外的种群个体，加入者位置更新公式如下：
式中，
是第t代种群发现者占据的最佳位置，
表示当前全局最差位置，A为只含1或-1元素的1×d的矩阵，定义矩阵运算A+的计算方式如下：
A+＝AT(AAT)-1
步骤3.4中在麻雀种群随机选取20％的个体作为警戒者，警戒者更新公式如下：
式中，
表示当前全局最优位置，δ是符合正态分布的步长控制参数，均值为0，方差为1，k是[-1,1]的随机数；fi表示麻雀当前位置的适应度；fg与fw分别为全局最优和最差适应度；ε为不为零的极小值。
6.根据权利要求4所述的基于ALCE-SSA优化的三维无人机低空突防方法，其特征在于，步骤4中根据无人机低空突防对步骤3中获得的麻雀搜索算法进行改进，得到改进麻雀搜索算法，具体步骤包括：
步骤4.1：在步骤1获得的三维环境模型内基于随机Tent映射初始化麻雀种群，每只麻雀代表一条突防路径；
步骤4.2：采用自适应领头雀引导策略更新麻雀种群中的发现者位置；
步骤4.3：加入者位置更新；
步骤4.4：警戒者位置更新；
步骤4.5：基于中心变异-进化因子进行麻雀种群位置更新；
步骤4.6：计算麻雀种群的适应度，根据适应度的大小选出最优麻雀；
步骤4.7：判断是否达到最大迭代次数，若是，输出最优麻雀即最优突防航迹点，若否，返回步骤4.2。
7.根据权利要求6所述的基于ALCE-SSA优化的三维无人机低空突防方法，其特征在于，步骤4.1中基于随机Tent映射初始化麻雀种群，公式如下：
式中，i为种群规模，i＝1,2…n；j为个体维数，j＝1,2…d；s为(0,1)的随机数，ψ为混沌参数，对上式取初值后，得到n×d个混沌序列，将混沌序列代入个体位置公式求出种群的个体位置，公式如下：
xi,j＝Lbj+vi,j(Ubj-Lbj)
式中，Ubj和Lbj分别为j维三维地形搜索空间的上下边界。
8.根据权利要求6所述的基于ALCE-SSA优化的三维无人机低空突防方法，其特征在于，步骤4.2中采用自适应领头雀引导策略更新发现者位置，具体公式为：
式中，
表示种群中第t代中最优个体，ω为权重因子，更新公式如下：
式中，ωmax，ωmin分别为权重因子的最大值和最小值。
9.根据权利要求6所述的基于ALCE-SSA优化的三维无人机低空突防方法，其特征在于，步骤4.5中基于中心变异-进化因子进行位置更新，具体为：
为加快迭代速度，只选取最优个体进行中心变异，设X＝[x1,x2,…,xd]是带有单位质量的d个点，则一个离散均匀的整体中心G为：
则整体中某一点xj的中心变异点定义为：
采用弱肉强食的原则设计进化部分，通过适应度值的好坏对种群进行排序，按照顺序进化，适应度好的个体有大概率保留下来，较差的个体大概率选择进化，公式如下：
式中，t1,t2为麻雀种群中的随机个体，且互不相同；x1为最优个体；rand和s为0-1的随机数；P(i)为种群中第i个个体对应的适应度级别，计算公式为：
通过中心变异-进化因子产生新解的计算公式表示为：
式中，g1(x)为中心变异；g2(x)为进化；τ为选择中心变异或进化的概率，计算公式如下：
采用中心变异-进化因子求取新解之后，根据贪婪原则更新得到的新种群。
10.根据权利要求6所述的基于ALCE-SSA优化的三维无人机低空突防方法，其特征在于，步骤5中利用获得的改进麻雀搜索算法对无人机低空突防三维路径进行规划，具体方式为：
每条路径都是由多个航迹点连接而成的线，定义种群中的一只麻雀
即为一条路径，代价最小的麻雀代表最优路径，每个航迹点都具有三维属性(x,y,z)，利用ALCE-SSA规划无人机三维的突防路径时，具体步骤包括：
步骤5.1：对步骤1获得的三维环境模型利用步骤4.1的方法获得初始麻雀种群；
步骤5.2：对初始麻雀种群利用步骤2获得的代价函数计算每只麻雀的适应度，根据适应度的大小对麻雀种群排序，选出最优麻雀；
步骤5.3：对麻雀种群利用步骤4.2-4.5的方法更新位置，计算每只麻雀的适应度，根据适应度的大小对麻雀种群排序；
步骤5.4：判断是否达到最大迭代次数，若是，输出最优麻雀即最优突防航迹点，否则，返回步骤5.3；
步骤5.5：对5.4获得的最优航迹点三次样条插值优化得到最终的无人机三维的突防路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210611993.0A CN115309179A (zh) | 2022-05-31 | 2022-05-31 | 基于alce-ssa优化的三维无人机低空突防方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210611993.0A CN115309179A (zh) | 2022-05-31 | 2022-05-31 | 基于alce-ssa优化的三维无人机低空突防方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115309179A true CN115309179A (zh) | 2022-11-08 |
Family
ID=83855776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210611993.0A Pending CN115309179A (zh) | 2022-05-31 | 2022-05-31 | 基于alce-ssa优化的三维无人机低空突防方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115309179A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116400737A (zh) * | 2023-06-02 | 2023-07-07 | 中国传媒大学 | 一种基于蚁群算法的安全路径规划系统 |
| CN116882607A (zh) * | 2023-07-11 | 2023-10-13 | 中国人民解放军军事科学院系统工程研究院 | 一种基于路径规划任务的关键节点识别方法 |
| CN116954251A (zh) * | 2023-06-12 | 2023-10-27 | 成都丰千达科技有限公司 | 一种基于融入麻雀搜索算法的无人机航迹规划方法及系统 |
-
2022
- 2022-05-31 CN CN202210611993.0A patent/CN115309179A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116400737A (zh) * | 2023-06-02 | 2023-07-07 | 中国传媒大学 | 一种基于蚁群算法的安全路径规划系统 |
| CN116400737B (zh) * | 2023-06-02 | 2023-08-25 | 中国传媒大学 | 一种基于蚁群算法的安全路径规划系统 |
| CN116954251A (zh) * | 2023-06-12 | 2023-10-27 | 成都丰千达科技有限公司 | 一种基于融入麻雀搜索算法的无人机航迹规划方法及系统 |
| CN116882607A (zh) * | 2023-07-11 | 2023-10-13 | 中国人民解放军军事科学院系统工程研究院 | 一种基于路径规划任务的关键节点识别方法 |
| CN116882607B (zh) * | 2023-07-11 | 2024-02-02 | 中国人民解放军军事科学院系统工程研究院 | 一种基于路径规划任务的关键节点识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115309179A (zh) | 基于alce-ssa优化的三维无人机低空突防方法 | |
| CN112880688B (zh) | 基于混沌自适应麻雀搜索算法的无人机三维航迹规划方法 | |
| CN112130581B (zh) | 一种面向空中机动作战的无人机集群协同任务规划方法 | |
| CN106873628B (zh) | 一种多无人机跟踪多机动目标的协同路径规划方法 | |
| 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 | |
| CN109917815B (zh) | 基于全局最优头脑风暴算法的无人机三维路径设计方法 | |
| CN111240353A (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
| CN112230678A (zh) | 基于粒子群算法的三维无人机路径规划方法及规划系统 | |
| CN113741525B (zh) | 基于策略集合maddpg多无人机协同攻防对抗方法 | |
| CN106815443A (zh) | 面向变化环境的超低空飞行器三维多批多航迹规划方法 | |
| CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
| CN115357031B (zh) | 一种基于改进蚁群算法的船舶路径规划方法及系统 | |
| CN116400737B (zh) | 一种基于蚁群算法的安全路径规划系统 | |
| CN114485665A (zh) | 一种基于麻雀搜索算法的无人机航迹规划方法 | |
| CN115859778A (zh) | 一种基于dcl-gwo算法的空战机动决策方法 | |
| 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 | |
| CN113553777A (zh) | 反无人机蜂群的防空部署方法、装置、设备和介质 | |
| CN114967735A (zh) | 一种多ucav协同实时航迹规划方法 | |
| CN116661496B (zh) | 一种基于智能算法的多巡飞弹协同航迹规划方法 | |
| CN117850471A (zh) | 三维环境下考虑雷达威胁的多智能体协同航迹规划方法及其规划系统 | |
| CN116538865A (zh) | 一种无人机系统 | |
| CN116088572A (zh) | 基于自适应灰狼优化算法的无人机协同攻击多目标任务分配方法 | |
| CN116202373A (zh) | 一种无人机自主干扰拦截导弹方法 | |
| CN114610077B (zh) | 多高超声速飞行器轨迹规划方法和系统 | |
| 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 |
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 |