CN115454115A - 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 - Google Patents
基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 Download PDFInfo
- Publication number
- CN115454115A CN115454115A CN202211202414.3A CN202211202414A CN115454115A CN 115454115 A CN115454115 A CN 115454115A CN 202211202414 A CN202211202414 A CN 202211202414A CN 115454115 A CN115454115 A CN 115454115A
- Authority
- CN
- China
- Prior art keywords
- wolf
- unmanned aerial
- aerial vehicle
- optimal
- path
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 56
- 241000282461 Canis lupus Species 0.000 claims description 90
- 230000008569 process Effects 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 20
- 241000282421 Canidae Species 0.000 claims description 17
- 238000012804 iterative process Methods 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 244000062804 prey Species 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000010845 search algorithm Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003891 environmental analysis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification 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
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
- G05D1/0825—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于混合灰狼‑粒子群算法的旋翼无人机路径规划方法,属于航空军事作战和民用巡查技术领域,具体包括以下步骤:构建无人机路径障碍物模型并进行环境建模;设计无人机性能约束和代价函数;进行粒子群初始化,计算所有粒子的适应度;判断是否达到最大迭代次数,若是,输出搜索结果,结束算法;否则,继续寻优和迭代;继续进行粒子群算法部分,直到达到最大迭代次数后结束整个算法,得到规划出来的最优路径。本发明将混合灰狼-粒子群搜索算法应用到旋翼无人机路径规划中,能够帮助无人机在三维环境中高效的飞行并且准确的到达目标点。
Description
技术领域
本发明属于航空军事作战和民用巡查技术领域,具体涉及一种基于混合灰狼-粒子群算法的旋翼无人机路径规划方法。
背景技术
旋翼无人机是一种能进行垂直起降、以四个或多个旋翼作为主要动力设备的飞机器,螺旋桨小,具有良好的悬停、倒飞、侧飞能力,操纵简单,不受场地限制,在军事作战和民用巡查领域受到广泛关注。随着飞行任务的复杂度、强度不断加强,旋翼无人机在飞行区域会遇到各种各样动态或静态的障碍物,飞行受到极大的限制,因此研究旋翼无人机自主路径规划方法,保持无人机安全飞行、减少航程、降低能耗、提高无人机生存率至关重要,具有重要的实际应用价值。
保证旋翼无人机安全、迅捷的通过一段存有障碍物的区域,采用高效的路径规划算法成为其中的关键。灰狼算法和粒子群算法都广泛应用于路径规划领域,灰狼优化算法搜索方式单一,虽然拥有较强的探索能力但搜索成功率低;而粒子群优化算法操作简单、收敛速度快,能够找到全局最优值,但却容易受到个体最佳位置和种群最佳位置的影响陷入局部最优值,都无法使无人机在三维环境中高效飞行并且准确到达目标点。
发明内容
为了解决上述问题,本发明提出了一种基于混合灰狼-粒子群算法的旋翼无人机路径规划方法,将混合灰狼-粒子群算法PSOGWO应用到旋翼无人机路径规划中,提高旋翼无人机自主规划能力,获得最优无碰撞路径,最大限度地减少路径长度、飞行时间和能源消耗。
本发明的技术方案如下:
一种基于混合灰狼-粒子群算法的旋翼无人机路径规划方法,具体包括以下步骤:
步骤1、构建无人机路径障碍物模型并进行环境建模;
步骤2、设计无人机性能约束和代价函数;性能约束包括最大电量约束、无人机自身性能约束、障碍物约束;
步骤3、进行粒子群初始化,初始化种群的数量以及初始化搜索空间中每个个体的速度和位置;计算所有粒子的适应度,将所有个体的极值进行对比获得所有个体的种群极值,并记录粒子群的最优位置;
步骤4、判断是否达到最大迭代次数,若是,输出搜索结果,结束算法;否则,通过个体和种群的最优位置进行个体的速度和位置更新,判断粒子是否进行灰狼算法部分,进行灰狼算法部分后不断迭代更新粒子的最佳位置,判断是否达到最小迭代次数,若达到则以最佳位置的平均值替换当前粒子位置;
步骤5、继续进行粒子群算法部分,直到达到最大迭代次数后结束整个算法,得到规划出来的最优路径。
进一步地,步骤1的具体过程如下:
步骤1.1、构建无人机路径障碍物模型,采用不同形状的障碍物来模拟飞行环境中的各式各样的实际物体,包括采用柱体障碍物来模拟无人机在飞行过程中遇到的各式各样的建筑物,采用球体来模拟无人机在飞行过程中遇到的巨石以及土丘;
步骤1.2、基于步骤1.1,在搜索空间中选用俯视图分别为圆形、正方形和L型的障碍物模型来模拟无人机飞行的路径环境。
进一步地,步骤2的具体过程如下:
步骤2.1、设计最大电量约束;假定飞机的飞行路径分为n段,最大航程为Lmax,则第i段航程表示为Li;第i段路径长度的代价函数fd为:
由于算法搜索生成的路径不能满足无人机飞行的需要,需要对生成的路径进行平滑处理,引入曲率代价函数fc:
其中,y′i描述为yi相对于xi在坐标(xi,yi)下的一阶导,y″i描述为yi相对于xi在坐标(xi,yi)下的二阶导,ni表示第n段路径上路径点的个数;
无人机电池的能耗fb为:
fb=fd+fc (3)
步骤2.2、设计无人机自身性能约束函数fo为:
其中,从当前点到下个中间点的俯仰角约束函数fpitch_angle(xi)满足以下公式:
式中,θ为无人机的俯仰角度,θmax为无人机的最大俯仰角度,M为约束值;
从当前点到下个位置的偏航角约束函数fyaw_angle(xi)满足以下公式:
式中,Ψi为无人机的偏航角度,Ψmax为无人机的最大偏航角度;
飞行高度的约束函数fopt_height(xi)表示为:
其中,H是根据环境分析以及任务需要所推算出的最优飞行高度,hi为无人机距地面的高度,Mh为约束值;
步骤2.3、设计障碍物约束:无人机在飞行过程中会遇到各种各样的障碍物,障碍物约束函数ft表示为:
式中,Q表示障碍物的个数,dn,q表示第n路径段内路径点到第q个障碍物之间的距离,rq表示第q个障碍物的半径;
步骤2.4、通过对以上各个约束函数的分析,得到无人机飞行轨迹的代价函数为:
f=ω1fb+ω2fo+ω3ft (11)
代价函数中ω1、ω2和ω3表示各个部分的约束函数在代价函数中所占的比例,并且系数之和为1。
进一步地,步骤3的具体过程如下:
步骤3.1、进行粒子群初始化,初始化种群的数量以及初始化搜索空间中每个个体的速度和位置,如下所示:
步骤3.2、采用步骤2.4中的代价函数对当前种群中所有个体的最优极值进行一一对比,获得最优极值的个体fm,从而获得全局最优极值fg,通过个体极值fm得到当前个体最优位置pm,通过种群最优极值fg得到种群最优位置pg,分别表示如下:
其中,fm=(fm1,fm2,fm3)T表示种群中第m个个体在j维空间的最优极值参数,pmj表示种群中第m个个体在j维空间的最优极值对应的最优位置参数;
其中,fg=(fg1,fg2,fg3)T表示种群在j维空间的最优极值,pgj表示种群最优个体在j维空间的位置参数。
进一步地,步骤4的具体过程如下:
步骤4.1、判断是否达到最大迭代次数,若是,输出搜索结果,结束;否则,通过个体和种群的最优位置进行个体的速度和位置更新,表示如下:
vm(k+1)=μvm(k)+c1r1(pm(k)-xm(k))+c2r2(pg(k)-xm(k)) (16)
式中,vm(k+1)是第m个个体第k+1次迭代的速度,k为迭代次数;μ为惯性权重,c1和c2为加速因子,取值范围为(0,2);r1和r2为0到1的随机数,
位置更新为:
xm(k+1)=xm(k)+vm(k+1) (17)
式中,xm(k+1)是m个个体第k+1次迭代的位置;
步骤4.2、判断当前粒子的随机数是否小于设定的概率值0.5,如果否,回到步骤3.2,如果是,该粒子个体进入灰狼算法进行个体位置更新优化;将灰狼分为4个等级,即α狼,β狼,δ狼和ω狼;α狼、β狼和δ狼构成领导小组领导着ω狼;ω狼是狼群中最低级的灰狼,它们总是服从于其他类型的狼;
灰狼捕食猎物的包围过程,小种群个体更新位置如下:
Dm=|Cm·Xp(k)-Xm(k)| (18)
Xm(k+1)=Xp(k)-Am×Dm (19)
其中,k是当前迭代次数,Xm(k)表示搜索空间中第m个灰狼的位置,Xp(k)是猎物的位置,Dm为第m个灰狼个体距离领头狼的距离,系数向量Am和Cm表示为:
Am=2a×r1-a (20)
Cm=2×r2 (21)
a=2-2k/kmax (22)
其中r1和r2是[0,1]中的随机参数;a是收敛因子,其值是线性的从2减少到0,这是为了模拟灰狼接近猎物的过程,kmax为最大迭代次数;
狩猎过程:通过比较所有粒子的适应度值,选出最优、次优和次次优的粒子形成领导组,领导组包括α、β和δ,领导组有猎物的位置信息,每个ω狼根据最佳搜索代理更新其位置:
Dα=|C1.Xα(k)-Xm(k)| (23)
Dβ=|C2.Xβ(k)-Xm(k)| (24)
Dδ=|C3.Xδ(k)-Xm(k)| (25)
X1=Xα(k)-A1.Dα (26)
X2=Xβ(k)-A2.Dβ (27)
X3=Xδ(k)-A3.Dδ (28)
Xm(k+1)=(X1+X2+X3)/3 (29)
其中,Dα、Dβ、Dδ分别表示α狼、β狼和δ狼与其他灰狼个体之间的距离,C1、C2、C3、A1、A2、A3均为系数向量,Xα、Xβ、Xδ表示领导小组的位置,X1、X2、X3分别表示当前灰狼个体通过三只领头狼所推测出的位置;灰狼算法每迭代一次后其迭代次数均加一,当满足灰狼算法部分的迭代次数后,当前粒子原本的位置将由(X1+X2+X3)/3代替,并以代替后的位置继续进行粒子群算法部分;总的迭代过程的迭代次数加一。
进一步地,步骤5的具体过程如下:
步骤5.1、粒子群算法的初始态是一群随机分布的粒子,这些粒子各自会被初始化一个随机速度,经过不断迭代,最优解会逐渐产生;在迭代过程中,每个粒子会根据其惯性、自身历史最优位置和全局最优位置进行位置更新,公式如下:
vm(k+1)=μvm(k)+c1r1(pm(k)-xm(k))+c2r2(pg(k)-xm(k)) (30)
xm(k+1)=xm(k)+vm(k+1) (31)
式中,k为迭代次数;μ为惯性权重,其值越大,全局寻优能力强,局部寻优能力弱;c1和c2为加速因子,进行个体信息反馈和群体信息交流,使粒子根据个体和群体寻优得到的信息做出判断,调整自身位置,移向最优位置范围为(0,2);r1和r2为0到1的随机数,用来增加粒子的容错性和寻优能力;pm为对应第m个粒子的历史最优位置,是该粒子所有迭代过程中的最优位置;pg为全局最优位置,是通过比较所有粒子的适应度值得到的最优粒子的历史最优位置;
步骤5.2、基于步骤5.1不断更新记录粒子群的最优值,且每一次迭代更新都将无人机的位置替换为当前粒子群的种群最优位置,达到最大迭代次数后将每次迭代后的无人机位置用光滑的曲线连接起来,从而得到使用灰狼-粒子群算法规划出来的最优路径。
本发明所带来的有益技术效果:
基于灰狼算法和粒子群算法,本发明提出了一种混合灰狼-粒子群搜索算法,该算法融合了灰狼算法强大的局部搜索能力和粒子群算法的全局搜索能力,灰狼算法特有的三只头狼能帮助种群脱离局部最优值,同时粒子群算法中种群内的最佳个体也能帮助种群更好的找到目标位置,提高搜索成功率,从而提高了无人机路径规划的精度;本发明将混合灰狼-粒子群搜索算法应用到旋翼无人机路径规划中,能够帮助无人机在三维环境中高效的飞行并且准确的到达目标点。
附图说明
图1为本发明中灰狼-粒子群算法的整体搜索过程的流程图;
图2为本发明实验中参数空间中灰狼优化算法与灰狼-粒子群算法的对比结果图;
图3为本发明实验中目标空间中灰狼优化算法与灰狼-粒子群算法的对比结果图;
图4为本发明中灰狼优化算法与灰狼-粒子群算法规划的路径分别在x轴、y轴和z轴的分布情况对比图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
一种基于混合灰狼-粒子群算法的旋翼无人机路径规划方法,具体包括以下步骤:
步骤1、构建无人机路径障碍物模型并进行环境建模。具体过程如下:
步骤1.1、构建无人机路径障碍物模型,主要是用不同形状的障碍物来模拟飞行环境中的各式各样的实际物体,如采用柱体障碍物来模拟无人机在飞行过程中遇到的各式各样的建筑物,采用球体来模拟无人机在飞行过程中遇到的巨石以及一些土丘等等。
步骤1.2、基于步骤1.1,在搜索空间中选用俯视图分别为圆形、正方形和L型的障碍物模型共计13个来模拟无人机飞行的路径环境。
步骤2、设计无人机性能约束和代价函数。性能约束包括最大电量约束、无人机自身性能约束、障碍物约束,具体过程如下:
步骤2.1、最大电量约束:旋翼无人机在航行过程中携带的电量是有限的,飞机的飞行距离受到电池容量的限制。无人机的电量消耗主要与无人机的飞行路径以及飞行路径的曲率成本有关。假定飞机的飞行路径分为n段,最大航程为Lmax,则第i段航程可以表示为Li。第i段路径长度的代价函数fd为:
xi,yi,zi分别表示前一个路径点在x,y,z轴上的坐标,xi+1,yi+1,zi+1分别表示后一个路径点在x,y,z轴上的坐标。表示前一个路径点与后面一个路径点之间的距离。由于算法搜索生成的路径不能满足无人机飞行的需要,需要对生成的路径进行平滑处理,引入曲率代价函数fc:
其中,y′i描述为yi相对于xi在坐标(xi,yi)下的一阶导,y″i描述为yi相对于xi在坐标(xi,yi)下的二阶导,ni表示第n段路径上路径点的个数。
无人机电池的能耗fb为:
fb=fd+fc (3)
其中,fd表示第i段路径长度的代价函数,fc表示曲率代价函数。
步骤2.2、无人机自身性能约束函数fo为:
旋翼无人机在进行路径规划过程中,无人机的爬升和俯冲角度是一个重要的约束,最大俯仰角是无人机从当前位置飞到下一个中间点位置在垂直方向上的角度限制,无人机的俯仰角不能超过这个最大的俯仰角。从当前点到下个中间点的俯仰角约束函数fpitch_angle(xi)满足以下公式:
式中,θ为无人机的俯仰角度,θmax为无人机的最大俯仰角度,M为合适的约束值。
旋翼无人机在实际飞行过程中,最大偏航角约束是指旋翼无人机由当前位置转弯到下一位置时,受到自身机动性能的限制,偏航角只能小于等于最大偏航角,飞机才能飞到下一个位置。从当前点到下个位置的偏航角约束函数fyaw_angle(xi)满足以下公式:
式中,Ψi为无人机的偏航角度,Ψmax为无人机的最大偏航角度,M为合适的约束值。
旋翼无人机的飞行场所多数在城市和山区,无人机飞行高度过低会使无人机与复杂的地形相撞,而无人机飞行高度过高会消耗过多的电能,因此要选择合适的高度范围,飞行高度的约束函数fopt_height(xi)可以表示为:
其中,H是根据环境分析以及任务需要所推算出的最优飞行高度,hi为无人机距地面的高度,Mh为约束值。
步骤2.3、障碍物约束:无人机在飞行过程中会遇到各种各样的障碍物,障碍物约束函数ft表示为:
式中,Q表示障碍物的个数,dn,q表示第n路径段内路径点到第q个障碍物之间的距离,rq表示第q个障碍物的半径。
步骤2.4、通过对以上各个约束函数的分析,可以得到无人机飞行轨迹的代价函数为:
f=ω1fb+ω2fo+ω3ft (11)
代价函数中ω1、ω2和ω3表示各个部分的约束函数在代价函数中所占的比例,并且系数之和为1,根据不同环境合理调整比例系数可以使无人机获得更好的飞行路径。
步骤3、进行粒子群初始化,即初始化种群的数量以及初始化搜索空间中每个个体的速度和位置;计算所有粒子的适应度即代价函数,将所有个体的极值进行对比获得所有个体的种群极值,并记录粒子群的最优位置。具体过程如下:
步骤3.1、进行粒子群初始化,即初始化种群的数量以及初始化搜索空间中每个个体的速度和位置,如下所示:
步骤3.2、采用步骤2.4中的代价函数对当前种群中所有个体的最优极值进行一一对比,获得最优极值的个体fm,从而获得全局最优极值fg,通过个体极值fm得到当前个体最优位置pm,通过种群最优极值fg得到种群最优位置pg,分别表示如下:
其中,fm=(fm1,fm2,fm3)T表示种群中第m个个体在j维空间的最优极值参数,pmj表示种群中第m个个体在j维空间的最优极值对应的最优位置参数。
其中,fg=(fg1,fg2,fg3)T表示种群在j维空间的最优极值,pgj表示种群最优个体在j维空间的位置参数。
步骤4、判断是否达到最大迭代次数,若是,输出搜索结果,结束算法;否则,通过个体和种群的最优位置进行个体的速度和位置更新,判断粒子是否进行灰狼算法部分,进行灰狼算法部分后不断迭代更新粒子的最佳位置,判断是否达到最小迭代次数,若达到则以最佳位置的平均值替换当前粒子位置。具体过程如下:
步骤4.1、判断是否达到最大迭代次数,若是,输出搜索结果,结束;否则,通过个体和种群的最优位置进行个体的速度和位置更新,表示如下:
vm(k+1)=μvm(k)+c1r1(pm(k)-xm(k))+c2r2(pg(k)-xm(k)) (16)
式中,vm(k+1)是第m个个体第k+1次迭代的速度,k为迭代次数;μ为惯性权重,c1和c2为加速因子,取值范围为(0,2)。r1和r2为0到1的随机数,
位置更新为:
xm(k+1)=xm(k)+vm(k+1) (17)
式中,xm(k+1)是m个个体第k+1次迭代的位置。
步骤4.2、判断当前粒子的随机数是否小于设定的概率值prob,本发明中设置概率值为0.5,如果否,回到步骤3.2,如果是,该粒子个体进入灰狼算法进行个体位置更新优化。将灰狼分为4个等级,即α狼,β狼,δ狼和ω狼。α狼、β狼和δ狼构成领导小组领导着ω狼。ω狼是狼群中最低级的灰狼,它们总是服从于其他类型的狼。
灰狼捕食猎物的包围过程,小种群个体更新位置如下:
Dm=|Cm·Xp(k)-Xm(k)| (18)
Xm(k+1)=Xp(k)-Am×Dm (19)
其中,k是当前迭代次数,Xm(k)表示搜索空间中第m个灰狼的位置,Xp(k)是猎物的位置,Dm为第m个灰狼个体距离领头狼的距离,系数向量Am和Cm表示为:
Am=2a×r1-a (20)
Cm=2×r2 (21)
a=2-2k/kmax (22)
其中r1和r2是[0,1]中的随机参数;a是收敛因子,其值是线性的从2减少到0,这是为了模拟灰狼接近猎物的过程,kmax为最大迭代次数。
狩猎过程:通过比较所有粒子的适应度值,选出最优、次优和次次优的粒子形成领导组(α、β和δ),领导组有猎物的位置信息,每个ω狼可以根据最佳搜索代理更新其位置:
Dα=|C1.Xα(k)-Xm(k)| (23)
Dβ=|C2.Xβ(k)-Xm(k)| (24)
Dδ=|C3.Xδ(k)-Xm(k)| (25)
X1=Xα(k)-A1.Dα (26)
X2=Xβ(k)-A2.Dβ (27)
X3=Xδ(k)-A3.Dδ (28)
Xm(k+1)=(X1+X2+X3)/3 (29)
其中,Dα、Dβ、Dδ分别表示α狼、β狼和δ狼与其他灰狼个体之间的距离,C1、C2、C3、A1、A2、A3均为系数向量,Xα、Xβ、Xδ表示领导小组的位置,X1、X2、X3分别表示当前灰狼个体通过三只领头狼所推测出的位置。灰狼算法每迭代一次后其迭代次数均加一,当满足灰狼算法部分的迭代次数后,当前粒子原本的位置将由(X1+X2+X3)/3代替,并以代替后的位置继续进行粒子群算法部分。总的迭代过程的迭代次数加一。
步骤5、继续进行粒子群算法部分,直到达到最大迭代次数后结束整个算法,得到规划出来的最优路径。具体过程如下:
步骤5.1、粒子群算法的初始态是一群随机分布的粒子,这些粒子各自会被初始化一个随机速度,经过不断迭代,最优解会逐渐产生。在迭代过程中,每个粒子会根据其惯性、自身历史最优位置和全局最优位置进行位置更新,公式如下:
vm(k+1)=μvm(k)+c1r1(pm(k)-xm(k))+c2r2(pg(k)-xm(k)) (30)
xm(k+1)=xm(k)+vm(k+1) (31)
式中,k为迭代次数;μ为惯性权重,其值越大,全局寻优能力强,局部寻优能力弱;c1和c2为加速因子,进行个体信息反馈和群体信息交流,使粒子根据个体和群体寻优得到的信息做出判断,调整自身位置,移向最优位置范围为(0,2)。r1和r2为0到1的随机数,用来增加粒子的容错性和寻优能力。pm为对应第m个粒子的历史最优位置,即该粒子所有迭代过程中的最优位置;pg为全局最优位置,即通过比较所有粒子的适应度值得到的最优粒子的历史最优位置。
步骤5.2、基于步骤5.1不断更新记录粒子群的最优值,且每一次迭代更新都将无人机的位置替换为当前粒子群的种群最优位置,达到最大迭代次数后将每次迭代后的无人机位置用光滑的曲线连接起来,这样就得到了使用灰狼-粒子群算法规划出来的最优路径。灰狼-粒子群算法达到最大迭代次数后输出最终的全局最优值,把其与使用灰狼优化算法得到的全局最优值相比较,发现使用灰狼-粒子群算法得到的全局最优值更小,即得到了更优的代价函数值。
为了将灰狼-粒子群算法应用到旋翼无人机路径规划中,提高旋翼无人机自主规划能力,获得最优无碰撞路径,最大限度地减少路径长度、飞行时间和能源消耗,本发明提出一种基于灰狼-粒子群算法的旋翼无人机路径规划方法,本算法的搜索过程如图1所示。
为了证明本发明的可行性与优越性,进行了无人机路径规划算法仿真验证并进行分析。
基于步骤2.3中障碍物约束函数ft的表达式,在各系数之和为1的前提下,改变各系数的大小,进行多组仿真。图2是参数空间中灰狼-粒子群算法PSOGWO和灰狼优化算法GWO的对比结果,可以看出灰狼-粒子群算法规划出来的路径比灰狼优化算法规划出来的路径更为平滑。图3是目标空间中灰狼-粒子群算法PSOGWO和灰狼优化算法GWO的对比结果,可以看出虽然灰狼优化算法的收敛速度比灰狼-粒子群算法的收敛速度快,但是灰狼-粒子群算法规划出的路径更为平滑、最优代价函数值更小且在较长一段时间内的优化效果在不断提升。图4为灰狼优化算法GWO以及灰狼-粒子群算法PSOGWO规划的路径分别在x轴、y轴和z轴的分布情况,可以看出在x,y,z轴上灰狼-粒子群算法规划出来的路径长度均比灰狼优化算法规划出的路径长度要短。
通过图2-图4可知,随着代价函数中设置的威胁物约束占比的减小,设置的无人机自身性能约束及最大电量约束占比增大,两种算法收敛获得的最优代价值也在增加,但在代价函数相同的情况下,灰狼-粒子群算法明显比灰狼优化算法收敛效果更好,获得的最优代价值更小。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (6)
1.一种基于混合灰狼-粒子群算法的旋翼无人机路径规划方法,其特征在于,具体包括以下步骤:
步骤1、构建无人机路径障碍物模型并进行环境建模;
步骤2、设计无人机性能约束和代价函数;性能约束包括最大电量约束、无人机自身性能约束、障碍物约束;
步骤3、进行粒子群初始化,初始化种群的数量以及初始化搜索空间中每个个体的速度和位置;计算所有粒子的适应度,将所有个体的极值进行对比获得所有个体的种群极值,并记录粒子群的最优位置;
步骤4、判断是否达到最大迭代次数,若是,输出搜索结果,结束算法;否则,通过个体和种群的最优位置进行个体的速度和位置更新,判断粒子是否进行灰狼算法部分,进行灰狼算法部分后不断迭代更新粒子的最佳位置,判断是否达到最小迭代次数,若达到则以最佳位置的平均值替换当前粒子位置;
步骤5、继续进行粒子群算法部分,直到达到最大迭代次数后结束整个算法,得到规划出来的最优路径。
2.根据权利要求1所述基于混合灰狼-粒子群算法的旋翼无人机路径规划方法,其特征在于,所述步骤1的具体过程如下:
步骤1.1、构建无人机路径障碍物模型,采用不同形状的障碍物来模拟飞行环境中的各式各样的实际物体,包括采用柱体障碍物来模拟无人机在飞行过程中遇到的各式各样的建筑物,采用球体来模拟无人机在飞行过程中遇到的巨石以及土丘;
步骤1.2、基于步骤1.1,在搜索空间中选用俯视图分别为圆形、正方形和L型的障碍物模型来模拟无人机飞行的路径环境。
3.根据权利要求1所述基于混合灰狼-粒子群算法的旋翼无人机路径规划方法,其特征在于,所述步骤2的具体过程如下:
步骤2.1、设计最大电量约束;假定飞机的飞行路径分为n段,最大航程为Lmax,则第i段航程表示为Li;第i段路径长度的代价函数fd为:
由于算法搜索生成的路径不能满足无人机飞行的需要,需要对生成的路径进行平滑处理,引入曲率代价函数fc:
其中,y′i描述为yi相对于xi在坐标(xi,yi)下的一阶导,y″i描述为yi相对于xi在坐标(xi,yi)下的二阶导,ni表示第n段路径上路径点的个数;
无人机电池的能耗fb为:
fb=fd+fc (3)
步骤2.2、设计无人机自身性能约束函数fo为:
其中,从当前点到下个中间点的俯仰角约束函数fpitch_angle(xi)满足以下公式:
式中,θ为无人机的俯仰角度,θmax为无人机的最大俯仰角度,M为约束值;
从当前点到下个位置的偏航角约束函数fyaw_angle(xi)满足以下公式:
式中,Ψi为无人机的偏航角度,Ψmax为无人机的最大偏航角度;
飞行高度的约束函数fopt_height(xi)表示为:
其中,H是根据环境分析以及任务需要所推算出的最优飞行高度,hi为无人机距地面的高度,Mh为约束值;
步骤2.3、设计障碍物约束:无人机在飞行过程中会遇到各种各样的障碍物,障碍物约束函数ft表示为:
式中,Q表示障碍物的个数,dn,q表示第n路径段内路径点到第q个障碍物之间的距离,rq表示第q个障碍物的半径;
步骤2.4、通过对以上各个约束函数的分析,得到无人机飞行轨迹的代价函数为:
f=ω1fb+ω2fo+ω3ft (11)
代价函数中ω1、ω2和ω3表示各个部分的约束函数在代价函数中所占的比例,并且系数之和为1。
4.根据权利要求1所述基于混合灰狼-粒子群算法的旋翼无人机路径规划方法,其特征在于,所述步骤3的具体过程如下:
步骤3.1、进行粒子群初始化,初始化种群的数量以及初始化搜索空间中每个个体的速度和位置,如下所示:
步骤3.2、采用步骤2.4中的代价函数对当前种群中所有个体的最优极值进行一一对比,获得最优极值的个体fm,从而获得全局最优极值fg,通过个体极值fm得到当前个体最优位置pm,通过种群最优极值fg得到种群最优位置pg,分别表示如下:
其中,fm=(fm1,fm2,fm3)T表示种群中第m个个体在j维空间的最优极值参数,pmj表示种群中第m个个体在j维空间的最优极值对应的最优位置参数;
其中,fg=(fg1,fg2,fg3)T表示种群在j维空间的最优极值,pgj表示种群最优个体在j维空间的最优位置参数。
5.根据权利要求4所述基于混合灰狼-粒子群算法的旋翼无人机路径规划方法,其特征在于,所述步骤4的具体过程如下:
步骤4.1、判断是否达到最大迭代次数,若是,输出搜索结果,结束;否则,通过个体和种群的最优位置进行个体的速度和位置更新,表示如下:
vm(k+1)=μvm(k)+c1r1(pm(k)-xm(k))+c2r2(pg(k)-xm(k)) (16)
式中,vm(k+1)是第m个个体第k+1次迭代的速度,k为迭代次数;μ为惯性权重,c1和c2为加速因子,取值范围为(0,2);r1和r2为0到1的随机数,
位置更新为:
xm(k+1)=xm(k)+vm(k+1) (17)
式中,xm(k+1)是m个个体第k+1次迭代的位置;
步骤4.2、判断当前粒子的随机数是否小于设定的概率值0.5,如果否,回到步骤3.2,如果是,该粒子个体进入灰狼算法进行个体位置更新优化;将灰狼分为4个等级,即α狼,β狼,δ狼和ω狼;α狼、β狼和δ狼构成领导小组领导着ω狼;ω狼是狼群中最低级的灰狼,它们总是服从于其他类型的狼;
灰狼捕食猎物的包围过程,小种群个体更新位置如下:
Dm=|Cm·Xp(k)-Xm(k)| (18)
Xm(k+1)=Xp(k)-Am×Dm (19)
其中,k是当前迭代次数,Xm(k)表示搜索空间中第m个灰狼的位置,Xp(k)是猎物的位置,Dm为第m个灰狼个体距离领头狼的距离,系数向量Am和Cm表示为:
Am=2a×r1-a (20)
Cm=2×r2 (21)
a=2-2k/kmax (22)
其中r1和r2是[0,1]中的随机参数;a是收敛因子,其值是线性的从2减少到0,这是为了模拟灰狼接近猎物的过程,kmax为最大迭代次数;
狩猎过程:通过比较所有粒子的适应度值,选出最优、次优和次次优的粒子形成领导组,领导组包括α、β和δ,领导组有猎物的位置信息,每个ω狼根据最佳搜索代理更新其位置:
Dα=|C1.Xα(k)-Xm(k)| (23)
Dβ=|C2.Xβ(k)-Xm(k)| (24)
Dδ=|C3.Xδ(k)-Xm(k)| (25)
X1=Xα(k)-A1.Dα (26)
X2=Xβ(k)-A2.Dβ (27)
X3=Xδ(k)-A3.Dδ (28)
Xm(k+1)=(X1+X2+X3)/3 (29)
其中,Dα、Dβ、Dδ分别表示α狼、β狼和δ狼与其他灰狼个体之间的距离,C1、C2、C3、A1、A2、A3均为系数向量,Xα、Xβ、Xδ表示领导小组的位置,X1、X2、X3分别表示当前灰狼个体通过三只领头狼所推测出的位置;灰狼算法每迭代一次后其迭代次数均加一,当满足灰狼算法部分的迭代次数后,当前粒子原本的位置将由(X1+X2+X3)/3代替,并以代替后的位置继续进行粒子群算法部分;总的迭代过程的迭代次数加一。
6.根据权利要求1所述基于混合灰狼-粒子群算法的旋翼无人机路径规划方法,其特征在于,所述步骤5的具体过程如下:
步骤5.1、粒子群算法的初始态是一群随机分布的粒子,这些粒子各自会被初始化一个随机速度,经过不断迭代,最优解会逐渐产生;在迭代过程中,每个粒子会根据其惯性、自身历史最优位置和全局最优位置进行位置更新,公式如下:
vm(k+1)=μvm(k)+c1r1(pm(k)-xm(k))+c2r2(pg(k)-xm(k)) (30)
xm(k+1)=xm(k)+vm(k+1) (31)
式中,k为迭代次数;μ为惯性权重,其值越大,全局寻优能力强,局部寻优能力弱;c1和c2为加速因子,进行个体信息反馈和群体信息交流,使粒子根据个体和群体寻优得到的信息做出判断,调整自身位置,移向最优位置范围为(0,2);r1和r2为0到1的随机数,用来增加粒子的容错性和寻优能力;pm为对应第m个粒子的历史最优位置,是该粒子所有迭代过程中的最优位置;pg为全局最优位置,是通过比较所有粒子的适应度值得到的最优粒子的历史最优位置;
步骤5.2、基于步骤5.1不断更新记录粒子群的最优值,且每一次迭代更新都将无人机的位置替换为当前粒子群的种群最优位置,达到最大迭代次数后将每次迭代后的无人机位置用光滑的曲线连接起来,从而得到使用灰狼-粒子群算法规划出来的最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202414.3A CN115454115B (zh) | 2022-09-29 | 2022-09-29 | 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202414.3A CN115454115B (zh) | 2022-09-29 | 2022-09-29 | 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115454115A true CN115454115A (zh) | 2022-12-09 |
CN115454115B CN115454115B (zh) | 2024-09-06 |
Family
ID=84309745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211202414.3A Active CN115454115B (zh) | 2022-09-29 | 2022-09-29 | 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115454115B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029639A (zh) * | 2023-02-22 | 2023-04-28 | 南京信息工程大学 | 一种基于混合灰狼粒子群算法的车辆路径规划方法 |
CN116684273A (zh) * | 2023-06-08 | 2023-09-01 | 中国人民解放军国防科技大学 | 一种基于粒子群的机动通信网络结构自动规划方法及系统 |
CN117270546A (zh) * | 2023-11-22 | 2023-12-22 | 宁德思客琦智能装备有限公司 | 一种智能多目标机器人路径规划方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017161315A (ja) * | 2016-03-08 | 2017-09-14 | 国立大学法人京都大学 | 最適飛行網の生成方法及びシステム |
WO2018176595A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
CN110608743A (zh) * | 2019-10-18 | 2019-12-24 | 南京航空航天大学 | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 |
CN113467472A (zh) * | 2021-07-27 | 2021-10-01 | 山东科技大学 | 一种复杂环境下的机器人路径规划方法 |
CN113625767A (zh) * | 2021-09-02 | 2021-11-09 | 大连海事大学 | 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 |
-
2022
- 2022-09-29 CN CN202211202414.3A patent/CN115454115B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017161315A (ja) * | 2016-03-08 | 2017-09-14 | 国立大学法人京都大学 | 最適飛行網の生成方法及びシステム |
WO2018176595A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
CN110608743A (zh) * | 2019-10-18 | 2019-12-24 | 南京航空航天大学 | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 |
CN113467472A (zh) * | 2021-07-27 | 2021-10-01 | 山东科技大学 | 一种复杂环境下的机器人路径规划方法 |
CN113625767A (zh) * | 2021-09-02 | 2021-11-09 | 大连海事大学 | 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 |
Non-Patent Citations (2)
Title |
---|
方胜良;余莉;汪亚夫;: "基于粒子群优化算法的无人机航迹规划", 计算机仿真, no. 08, 15 August 2010 (2010-08-15) * |
李靖;杨帆;: "基于改进灰狼优化算法的区域监测机器人路径规划", 科学技术与工程, no. 15, 28 May 2020 (2020-05-28) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029639A (zh) * | 2023-02-22 | 2023-04-28 | 南京信息工程大学 | 一种基于混合灰狼粒子群算法的车辆路径规划方法 |
CN116684273A (zh) * | 2023-06-08 | 2023-09-01 | 中国人民解放军国防科技大学 | 一种基于粒子群的机动通信网络结构自动规划方法及系统 |
CN116684273B (zh) * | 2023-06-08 | 2024-01-30 | 中国人民解放军国防科技大学 | 一种基于粒子群的机动通信网络结构自动规划方法及系统 |
CN117270546A (zh) * | 2023-11-22 | 2023-12-22 | 宁德思客琦智能装备有限公司 | 一种智能多目标机器人路径规划方法 |
CN117270546B (zh) * | 2023-11-22 | 2024-03-05 | 宁德思客琦智能装备有限公司 | 一种智能多目标机器人路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115454115B (zh) | 2024-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN115454115A (zh) | 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 | |
CN110825113B (zh) | 一种适用于四旋翼无人机集群飞行的队形保持方法 | |
Karimi et al. | Optimal maneuver-based motion planning over terrain and threats using a dynamic hybrid PSO algorithm | |
Zheng et al. | Real-time route planning for unmanned air vehicle with an evolutionary algorithm | |
CN114840020A (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
CN115903888B (zh) | 一种基于天牛群算法的旋翼无人机自主路径规划方法 | |
CN108897338A (zh) | 基于pio的圆轨道航天器编队重构型防碰撞路径规划方法 | |
CN111924139B (zh) | 基于膨胀预警区的小天体着陆避障常推力控制方法 | |
Şahin et al. | Simultaneous autonomous system and powerplant design for morphing quadrotors | |
CN109870906B (zh) | 一种基于bbo优化人工势场的高速旋翼飞行器路径规划方法 | |
CN113190037A (zh) | 基于改进流体扰动和麻雀算法的无人机最优路径搜索方法 | |
CN112414405A (zh) | 一种顾及dsm的应急任务的无人机集群航迹规划方法 | |
CN113220008B (zh) | 多火星飞行器的协同动态路径规划方法 | |
Bian et al. | Trajectory following and improved differential evolution solution for rapid forming of UAV formation | |
CN112363532A (zh) | 一种基于quatre算法的多无人机同时起飞集结方法 | |
CN114138022A (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
Agarwal et al. | Improving energy efficiency in UAV attitude control using deep reinforcement learning | |
CN117806346A (zh) | 一种基于自适应蜣螂优化器的无人机路径规划方法 | |
CN114815875B (zh) | 一种基于集合满射鸽群智能优化的无人机集群编队控制器调参方法 | |
CN112161626B (zh) | 一种基于航路跟踪映射网络的高可飞性航路规划方法 | |
RU2654238C1 (ru) | Способ управления беспилотным планирующим летательным аппаратом | |
Platanitis et al. | Safe flyable and energy efficient UAV missions via biologically inspired methods | |
Wang et al. | Path planning for air-ground robot considering modal switching point optimization | |
Rudnick-Cohen et al. | Design and trajectory planning optimization of a morphing airfoil for 3-d flight maneuvers |
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 |