CN115562347A - 基于boa-tsar算法的近地配送无人机路径规划方法 - Google Patents
基于boa-tsar算法的近地配送无人机路径规划方法 Download PDFInfo
- Publication number
- CN115562347A CN115562347A CN202211369264.5A CN202211369264A CN115562347A CN 115562347 A CN115562347 A CN 115562347A CN 202211369264 A CN202211369264 A CN 202211369264A CN 115562347 A CN115562347 A CN 115562347A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- boa
- butterfly
- fitness
- unmanned aerial
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000000739 chaotic effect Effects 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000002922 simulated annealing Methods 0.000 claims abstract description 7
- 241000255777 Lepidoptera Species 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 239000003205 fragrance Substances 0.000 claims description 10
- 238000012384 transportation and delivery Methods 0.000 claims description 10
- 239000003016 pheromone Substances 0.000 claims description 9
- 230000001953 sensory effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009191 jumping Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 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
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012567 medical material Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000003620 semiochemical Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于BOA‑TSAR算法的近地配送无人机路径规划方法，包括步骤：S1，通过去除短周期性质的Tent混沌映射改进了蝴蝶优化算法(BOA)初始种群生成的随机性策略，平衡了BOA算法生成的初始解在解空间的均衡性；S2，通过自适应非线性惯性权重、模拟退火策略以及具有全局自适应特征的随机性变异，改进了BOA算法在处理高维复杂函数时收敛速度较慢、精度较低以及存在局部最优停滞的缺点；S3，提出了一种基于三维LOS检测法的初始种群生成策略，在保证BOA算法生成路径可行解多样性的同时，进一步减少路径间断点的产生。本发明基于仿真实验验证了BOA‑TSAR的优越性能。仿真结果表明，BOA‑TSAR在同类型的群体智能算法当中具有非常强大的竞争性。同时在路径规划实验当中的路径长度衡量指标以及平滑度指标上达到了最优。
Description
技术领域
本发明属于无人机路径规划及轨迹优化领域，特别是一种基于BOA-TSAR算法的近地配送无人机路径规划方法。
背景技术
随着市场对于物流自动化装备需求的不断增加，机器人在物流行业得到越来越广泛的应用，近年来，电商和快递业的爆发式增长更是催生了物流机器人的蓬勃发展，机器人已经从传统的码垛、拆垛、搬运等工作，深入到了仓储、分拣、配送等环节。
最初，无人机由于其造价相对低廉，隐蔽性高，操作灵活，不惧伤亡等优点被广泛的应用于各国的军事行业当中，并逐渐成为各国中坚军事力量的代表。如今，随着工业4.0及新兴技术的崛起，无人机在农业、摄影、运输、遥感、以及搜索救援等各个领域当中发挥着重要的作用。无人机技术的进步，使得构建低空无人配送网络逐步成为现实。2013年，Amazon启动了名为Prime Air Drone Deliveries的无人机配送网络搭建计划，以此减少地面交通拥堵情况下的运输配送时间。该技术使得向难以进入的地方快速运输急需的医药物资(例如用于移植的器官、血液以及药物)以迫切的挽救生命成为可能。当前，无人机在城市地区，尤其是城市低空环境下的飞行依然受到了严格的限制。相当部分地区的飞行任务需要受到当地部门的批准或者授权。大部分的无人机的工作场景都投放在偏远郊区或者野外环境。这远远没有发挥出无人机的优势，以取代人们在当前拥堵的交通环境下实现快速高效的配送服务。因此，搭建空中无人配送网络，将无人机合理化的运用于高效运输，将会为进一步缩短医学救助时间，提高医学救助成功率提供巨大帮助。
无人机与其他商用飞机不同，其定义为可由远程无线电设备或机载计算机控制的无人驾驶飞行器。尽管无人机具备的短距离内垂直起飞和降落的能力，在一定程度上大大加强了近地飞行的适配性，但在执行配送任务的过程中依然面临巨大挑战。如何在时间紧急、条件复杂的环境下，实现安全高效的无人机自主导航，将会是无人机配送成功的决定性因素。路径规划作为无人机自主导航模块的关键性技术，其要求无人机在工作空间当中自主规划出一条从起始点到目标点的无碰撞路径，本质为在可行区域约束条件下的最优化问题。路径规划具有最小成本并要求其满足可行性约束条件，被描述为对传统优化策略具有挑战性的问题之一。
发明内容
为了解决上述问题，本发明提出了一种BOA-TSAR算法的近地配送无人机路径规划方法，通过元启发式搜索算法所具有的解决高度非线性和复杂问题的能力来实现无人机安全高效的自主导航。
本发明采用的技术方案是：基于BOA-TSAR算法的近地配送无人机路径规划方法，包括以下步骤：
S1，基于蝴蝶优化算法(BOA)的初始蝴蝶种群的生成问题，加入了去除短周期特性的改进型Tent混沌映射，改进了BOA算法初始种群生成的随机性策略，平衡了BOA算法生成的初始解在解空间的均衡性，进一步提高算法在初始阶段的种群多样性。
S2，提出了一种改进的BOA算法(BOA-TSAR)，该算法结合了非线性自适应惯性权重(NAIW)策略、模拟退火法(SA)的Metropolis准则以及具有全局自适应特征的随机性变异，用以改进BOA算法的搜索性能，改进了BOA算法在处理高维复杂函数时收敛速度较慢、精度较低以及存在局部最优停滞的缺点。
S3，将BOA-TSAR算法与无人机路径规划相结合，通过改进型三维布雷森汉姆线算法的视野线(LOS)检测用以实现初始路径种群的合理化生成，减少BOA-TSAR的收敛时间，在保证BOA算法生成路径可行解多样性的同时，进一步减少路径间断点的产生。
进一步，所述步骤S1具体包括：
S11，通过在Tent混沌映射中添加微小扰动的方式，使得其所产生的混沌序列跳出短周期循环。
S12，在微小扰动当中添加基于F分布的随机数，使得微小扰动的值更多分布在较小区间，在破坏混沌序列短周期特性的同时保持序列的随机性。
S13，经过多次实验，在F分布的概率密度函数当中第一自由度a与第二自由度b的取值分别取为a＝3,b＝5时随机扰动较为合理。
具体地，基于F分布去除短周期特性的改进型混沌映射的公式如下所示：
其中frnd(a,b)为服从F分布所产生的随机数，xn表示混沌映射当前产生的序列数，δ∈[0,1]且一般情况下δ＝0.5，xn+1表示混沌映射产生的下一个序列数。
进一步，所述步骤S2具体包括：
S21，在BOA算法的全局搜索阶段引入自适应非线性惯性权重，如下所示：
其中ωBOA表示当前蝴蝶的惯性权重值，Fitnesst,g表示第t次迭代中的最优蝴蝶的适应度，Fitnesst,i表示第t次迭代当中第i只蝴蝶的适应度，Niter表示最大迭代次数。将ωBOA拆分成两个部分权重，其中ω1与蝴蝶个体的适应度相关，它会依照蝴蝶个体的适应度值的变化而自动做出调整。ω2的取值则会随着迭代次数的增加呈现出减速递减趋势。
S22，在BOA算法的迭代过程中引入模拟退火过程的Metropolis准则；当前蝴蝶个体的状态为
其所对应的适应度表示为Fitnesst,i，蝴蝶经过移动之后状态为
适应度为Fitnesst,i+1，则定义当前蝴蝶个体的状态由
变为
的概率为pmetr，公式如下所示：
其中Tfrag表示物理环境中的香味残留系数。
S23，在BOA算法的全局搜索阶段引入带有自适应特征的随机性变异因子，公式如下所示：
其中Mu表示带有自适应特征的随机性变异因子，γ为变异算子，γ0为初始变异算子，变异算子γ的表达式如下所示：
其中chi2pdf(χfree)表示自由度为χfree的卡方分布概率密度函数，Niter表示最大迭代次数。
进一步，改进BOA算法的全局搜索与局部搜索，具体包括：
1)全局搜索阶段，蝴蝶需要向当前适应度最高蝴蝶个体进行迁移，公式如下所示：
其中
表示第t次迭代过程中第i个蝴蝶个体的解向量，fi表示第i只蝴蝶散发的香味信息素的强度，g*表示在当前迭代中最优蝴蝶个体所具有的适应度，r为满足r∈[0,1]的随机数。
2)局部搜索阶段，蝴蝶个体处于随机移动的状态，并受到当代种群当中其他随机蝴蝶的影响，公式如下所示：
其中
和
表示解空间的第j个和第k个蝴蝶个体。
进一步，所述改进BOA算法的计算步骤具体包括：
(1)所有针对BOA算法当中的蝴蝶个体数量N、算法迭代次数Niter、局部搜索和全局搜索的转换概率p、感知模态c、幂指数a、解空间维数Dim以及边界条件(ub,lb)进行初始化处理；
(2)每一在解空间当中随机生成初代蝴蝶种群，根据适应度函数计算每个个体的适应度值并寻找到初代最优蝴蝶；
(3)根据香味公式计算所有蝴蝶的香味信息素所产生的感知强度，并通过随机数rand与转换概率p的大小决定当前蝴蝶的运动行为；
(4)当rand＜p时，当前蝴蝶进行全局搜索并向最优个体进行迁移；当rand≥p时，则当前蝴蝶执行局部游走；
(5)若算法迭代次数达到终止条件，则结束循环并输出最优个体；否则对感官模态进行进一步更新并回到第(3)步；其中感官模态的更新如下所示：
其中ct表示第t次迭代时感官模态的值。
进一步，所述步骤S3具体包括：
S31，通过等体积体素对无人机的三维工作空间进行离散化分割，体素的体积设置为无人机体积的1.2倍到1.5倍；
S32，在离散化的无人机飞行区域内分别对于x轴、y轴以及z轴，使用去除短周期特性的Tent混沌映射生成可行路径节点，并检测所生成节点与其父节点和目标点之间的LOS可达性；
S33，若当前节点与其父节点和目标点同时满足LOS可达，则输出此个体并进行下一个蝴蝶个体的生成；若当前节点仅仅与其父节点具有LOS可达性，则保留当前节点作为父节点，并继续生成下一个节点；如若当前节点与其父节点之间不具有可达性时，则直接废弃当前节点；
S34，算法通过迭代的方式生成初始种群，直到所有的初始蝴蝶都满足可行解即可结束算法。
本发明的优点及有益效果如下：
所对于执行近地配送任务的无人机来说，无人机的自主导航将会是任务成功与否的决定性因素。无人机三维工作空间的路径规划作为自主导航的关键性技术，受到了越来越多的关注。在保证安全性的前提下，长度更短、更平滑的路径无疑将会大幅度缩短无人机执行任务的时间，提高无人机的工作效率。基于以上问题，本发明将通过使用修正型的BOA算法实现无人机的路径规划，实现无人机在复杂低空领域环境下安全配送。现将工作做出总结。
(1)为了避免由于随机数导致的种群分布式聚集，本发明通过使用Tent混沌映射的方式代替了BOA算法初始蝴蝶生成过程当中的随机性策略。同时，通过基于F分布的微小扰动避免了Tent混沌映射当中的生成序列具有短周期现象的产生。
(2)本发明通过自适应非线性惯性权重、模拟退火策略以及具有全局自适应特征的随机变异，提出了BOA-TSAR算法。BOA-TSAR算法改进了BOA算法当中所存在的对于复杂函数的收敛速度较慢、精度较低以及存在局部最优停滞的缺点。通过实验可知，BOA-TSAR算法在单峰函数和多峰函数的测试过程中显示出了最佳收敛速度和收敛精度。同时在横向对比性实验当中，BOA-TSAR算法在同类型的群体智能算法当中同样表现出了强劲的竞争力。
(3)基于BOA-TSAR算法在路径规划设计当中，初始蝴蝶具有冗余节点的问题。本发明提出了一种基于三维LOS检测法的初始种群生成策略，在保证生成可行解的多样性的同时进一步减少路径间断点的产生。通过基于公开数据集的横向对比性测试可知，BOA-TSAR算法所生成的三维路径在路径长度以及路径平滑性指标的测试下表现优秀。
附图说明
图1为本发明的流程图；
图2为基于三维体素的离散型无人机工作环境；
图3为通过LOS检测确定是否需要保留当前节点；
图4为无人机在三维工作空间中产生的完整路径。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
参见图1，本发明采用的具体方案是：
S1，基于无人机三维飞行空间进行离散化建模，本方法采用等体积三维体素将无人机工作空间以及障碍物进行切分，如图2所示。
S2，基于BOA算法的初始蝴蝶种群的生成问题，加入了去除短周期特性的改进型Tent混沌映射：
S11，通过在Tent混沌映射中添加微小扰动的方式，使得其所产生的混沌序列跳出短周期循环。
S12，在微小扰动当中添加基于F分布的随机数，使得微小扰动的值更多分布在较小区间，在破坏混沌序列短周期特性的同时保持序列的随机性。
S13，经过多次实验，在F分布的概率密度函数当中第一自由度a与第二自由度b的取值分别取为a＝3,b＝5时随机扰动较为合理。
Tent混沌映射又被称之为帐篷映射，具有均匀的概率分布密度和良好的数据相关性，表达式如下所示：
当δ＝0.5时，Tent映射具有最典型的形式，此时所得到的映射序列具有均匀的分布特征，对于不同参数具有近乎一致的分布密度。但不可忽视的是在此种情况下，Tent映射所产生的序列在一定程度上会出现短周期特性。
本发明在初始化蝴蝶种群的过程中，通过在Tent混沌映射中添加微小扰动的方式实现跳出周期循环。即当xn＝xn-k且满足k∈(1,2,3,4)时，其中k表示1、2、3或者4中的任意一个数，Tent混沌映射的表达式如下所示。
其中frnd(a,b)为服从F分布所产生的随机数。F分布的概率密度函数呈现出一种非对称性形态，即迅速升高后缓慢下降。这使得微小扰动所产生的值更多的分布在较小区间，在破坏混沌序列的短周期特性的同时保持序列的随机性。xn表示混沌映射当前产生的序列数，δ∈[0,1]且一般情况下δ＝0.5，xn+1表示混沌映射产生的下一个序列数。
S3，本发明提出了一种改进型的BOA算法(BOA-TSAR)，初始化BOA-TSAR算法的参数信息，计算初级蝴蝶种群的适配度，以选择最优个体。该BOA-TSAR算法结合了非线性自适应惯性权重(NAIW)策略、模拟退火法(SA)的Metropolis准则以及具有全局自适应特征的随机性变异，用以改进BOA算法的搜索性能。
BOA算法的迭代假设：
1)所有的蝴蝶个体都应该释放适当的香味信息素，使得所有的个体之间可以相互吸引。
2)每一只蝴蝶都可以实现随机移动，或者向发出更多香味的适应度更优的蝴蝶移动。
3)蝴蝶的刺激强度受到算法目标函数的影响。
本发明中香味信息素的计算公式为：
f＝cIa
其中f表示香味信息素所具有的感知强度，即其他蝴蝶所能感知到的香味强度。I表示蝴蝶的适应度，也即当前蝴蝶所产生香味的刺激强度。c表示感知模态，它决定着BOA算法的收敛速度。a表示依赖于香味信息素的幂指数，它与感知模态共同决定着BOA算法的运动行为。在通常情况下算法允许参数a与参数c在[0,1]的范围内进行取值。
S21，本发明针对BOA算法中所存在的对于处理复杂函数收敛速度慢，寻优结果精度低的缺点，在BOA算法的全局搜索阶段引入了自适应非线性惯性权重，如下所示：
其中ωBOA表示当前蝴蝶的惯性权重值。Fitnesst,g表示第t次迭代中的最优蝴蝶的适应度。Fitnesst,i表示第t次迭代当中第i只蝴蝶的适应度。Niter表示最大迭代次数。将ωBOA拆分成两个部分权重，其中ω1与蝴蝶个体的适应度相关，它会依照蝴蝶个体的适应度值的变化而自动做出调整。ω2的取值则会随着迭代次数的增加呈现出减速递减趋势。
S22，在BOA算法当中通过使用Metropolis准则，可以在一定概率的情况下保留劣质个体，增加种群的多样性，并提高BOA算法跳出局部最优的能力。假设当前蝴蝶个体的状态为
其所对应的适应度表示为Fitnesst,i。蝴蝶经过移动之后状态为
适应度为Fitnesst,i+1。则定义当前蝴蝶个体的状态由
变为
的概率为pmetr，公式如下所示：
其中Tfrag表示物理环境中的香味残留系数，通过循环衰变使其降为蝴蝶无法感知的阈值并将其作为结束算法的标志性条件。
S23，本发明通过在BOA算法的全局搜索阶段引入带有自适应特征的随机性变异因子，以此来提高算法的全局搜索能力，公式如下所示：
其中γ为变异算子，其所具有的权重系数与当前蝴蝶和最优蝴蝶的适应度差值呈现出正相关性。γ0为初始变异算子，经过多次测试，γ0的取值为0.1时较算法的表现性最好。Fitnesst,g表示第t次迭代过程中蝴蝶种群中的最优适应度值，Fitnesst,i表示第t次迭代过程中，蝴蝶个体状态
所对应的适应度。变异算子γ的表达式如下所示：
其中chi2pdf(χfree)表示自由度为χfree的卡方分布概率密度函数，t表示当前迭代次数。其表现为迅速增加而后缓慢下降的趋势，有助于蝴蝶个体随着迭代次数的增加而自适应的收敛至全局最优位置。
BOA算法的全局搜索与局部搜索，具体包括：
S31，在BOA算法的全局搜索阶段，蝴蝶需要向当前适应度最高蝴蝶个体进行迁移，公式如下所示：
其中
表示第t次迭代过程中第i个蝴蝶个体的解向量。fi表示第i只蝴蝶散发的香味信息素的强度。g*表示在当前迭代中最优蝴蝶个体所具有的适应度。r为满足r∈[0,1]的随机数。
S32，在BOA算法的局部搜索阶段，蝴蝶个体处于随机移动的状态，并受到当代种群当中其他随机蝴蝶的影响，公式如下所示：
其中
和
表示解空间的第j个和第k个蝴蝶个体。
根据以上介绍，蝴蝶优化算法的计算步骤具体包括：
(1)所有针对BOA算法当中的蝴蝶个体数量(N)、算法迭代次数(Niter)、局部搜索和全局搜索的转换概率(p)、感知模态(c)、幂指数(a)、解空间维数(Dim)以及边界条件(ub,lb)进行初始化处理；
(2)每一在解空间当中随机生成初代蝴蝶种群，根据适应度函数计算每个个体的适应度值并寻找到初代最优蝴蝶；
(3)根据香味公式计算所有蝴蝶的香味信息素所产生的感知强度，并通过随机数rand与转换概率p的大小决定当前蝴蝶的运动行为；
(4)当rand＜p时，当前蝴蝶进行全局搜索并向最优个体进行迁移。当rand≥p时，则当前蝴蝶执行局部游走；
(5)若算法迭代次数达到终止条件，则结束循环并输出最优个体。否则对感官模态进行进一步更新并回到第(3)步。其中感官模态的更新如下所示。
其中ct表示第t次迭代时感官模态的值。
S4，基于三维LOS(三维布雷森汉姆线算法的视野线)检测法的初始种群生成策略具体步骤如下所示：
S41，通过等体积体素对无人机的三维工作空间进行离散化分割。考虑无人机自主飞行的安全性，体素的体积设置为无人机体积的1.2倍到1.5倍，如图2所示。
S42，在离散化的无人机飞行区域内分别对于x轴、y轴以及z轴，使用去除短周期特性的Tent混沌映射生成可行路径节点，并检测所生成节点与其父节点和目标点之间的LOS可达性，如图3所示。
S43，若当前节点与其父节点和目标点同时满足LOS可达，则输出此个体并进行下一个蝴蝶个体的生成。若当前节点仅仅与其父节点具有LOS可达性，则保留当前节点作为父节点，并继续生成下一个节点。如若当前节点与其父节点之间不具有可达性时，则直接废弃当前节点，如图4所示。
S44，算法通过迭代的方式生成初始种群，直到所有的初始蝴蝶都满足可行解即可结束算法。
根据实验的结果分析，可知本发明所提出的一种基于三维LOS检测法的初始种群生成策略，在保证生成可行解的多样性的同时进一步减少路径间断点的产生。通过基于公开数据集的横向对比性测试可知，BOA-TSAR算法所生成的三维路径在路径长度以及路径平滑性指标的测试下表现优秀。
Claims (10)
1.基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于，包括以下步骤：
S1，基于BOA算法的初始蝴蝶种群的生成问题，加入去除短周期特性的改进型Tent混沌映射；
S2，通过结合非线性自适应惯性权重、模拟退火法的Metropolis准则以及具有全局自适应特征的随机性变异，改进BOA算法；
S3，将改进的BOA算法与无人机路径规划相结合，通过改进型三维布雷森汉姆线算法的视野线(LOS)检测用以实现初始路径种群的合理化生成。
2.根据权利要求1所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述步骤S1具体包括：
S11，在Tent混沌映射中添加微小扰动；
S12，在微小扰动当中添加基于F分布的随机数。
3.根据权利要求1或2所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：基于F分布去除短周期特性的改进型混沌映射的公式如下所示：
其中frnd(a,b)为服从F分布所产生的随机数，xn表示混沌映射当前产生的序列数，δ∈[0,1]，xn+1表示混沌映射产生的下一个序列数。
4.根据权利要求1所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述步骤S2具体包括：
S21，在BOA算法的全局搜索阶段引入自适应非线性惯性权重；
S22，在BOA算法的迭代过程中引入模拟退火过程的Metropolis准则；
S23，在BOA算法的全局搜索阶段引入带有自适应特征的随机性变异因子。
5.根据权利要求4所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述自适应非线性惯性权重，如下所示：
其中ωBOA表示当前蝴蝶的惯性权重值，Fitnesst,g表示第t次迭代中的最优蝴蝶的适应度，Fitnesst,i表示第t次迭代当中第i只蝴蝶的适应度，Niter表示最大迭代次数，将ωBOA拆分成两个部分权重，其中ω1与蝴蝶个体的适应度相关，它会依照蝴蝶个体的适应度值的变化而自动做出调整，ω2的取值则会随着迭代次数的增加呈现出减速递减趋势。
6.根据权利要求4所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述Metropolis准则如下所示：当前蝴蝶个体的状态为
其所对应的适应度表示为Fitnesst,i，蝴蝶经过移动之后状态为
适应度为Fitnesst,i+1，则定义当前蝴蝶个体的状态由
变为
的概率为pmetr，公式如下所示：
其中Tfrag表示物理环境中的香味残留系数。
7.根据权利要求4所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述带有自适应特征的随机性变异因子，公式如下所示：
其中Mu表示带有自适应特征的随机性变异因子，γ为变异算子，γ0为初始变异算子，变异算子γ的表达式如下所示：
其中chi2pdf(χfree)表示自由度为χfree的卡方分布概率密度函数，Niter表示最大迭代次数。
8.根据权利要求1或5或6或7所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：改进BOA算法的全局搜索与局部搜索，具体包括：
1)全局搜索阶段，蝴蝶需要向当前适应度最高蝴蝶个体进行迁移，公式如下所示：
其中
表示第t次迭代过程中第i个蝴蝶个体的解向量，fi表示第i只蝴蝶散发的香味信息素的强度，g*表示在当前迭代中最优蝴蝶个体所具有的适应度，r为满足r∈[0,1]的随机数；
2)局部搜索阶段，蝴蝶个体处于随机移动的状态，并受到当代种群当中其他随机蝴蝶的影响，公式如下所示：
其中
和
表示解空间的第j个和第k个蝴蝶个体。
9.根据权利要求1或5或6或7所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述改进BOA算法的计算步骤具体包括：
(1)所有针对BOA算法当中的蝴蝶个体数量N、算法迭代次数Niter、局部搜索和全局搜索的转换概率p、感知模态c、幂指数a、解空间维数Dim以及边界条件(ub,lb)进行初始化处理；
(2)每一在解空间当中随机生成初代蝴蝶种群，根据适应度函数计算每个个体的适应度值并寻找到初代最优蝴蝶；
(3)根据香味公式计算所有蝴蝶的香味信息素所产生的感知强度，并通过随机数rand与转换概率p的大小决定当前蝴蝶的运动行为；
(4)当rand＜p时，当前蝴蝶进行全局搜索并向最优个体进行迁移；当rand≥p时，则当前蝴蝶执行局部游走；
(5)若算法迭代次数达到终止条件，则结束循环并输出最优个体；否则对感官模态进行进一步更新并回到第(3)步；其中感官模态的更新如下所示：
其中ct表示第t次迭代时感官模态的值。
10.根据权利要求1所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述步骤S3具体包括：
S31，通过等体积体素对无人机的三维工作空间进行离散化分割，体素的体积设置为无人机体积的1.2倍到1.5倍；
S32，在离散化的无人机飞行区域内分别对于x轴、y轴以及z轴，使用去除短周期特性的Tent混沌映射生成可行路径节点，并检测所生成节点与其父节点和目标点之间的LOS可达性；
S33，若当前节点与其父节点和目标点同时满足LOS可达，则输出此个体并进行下一个蝴蝶个体的生成；若当前节点仅仅与其父节点具有LOS可达性，则保留当前节点作为父节点，并继续生成下一个节点；如若当前节点与其父节点之间不具有可达性时，则直接废弃当前节点；
S34，算法通过迭代的方式生成初始种群，直到所有的初始蝴蝶都满足可行解即可结束算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211369264.5A CN115562347A (zh) | 2022-11-03 | 2022-11-03 | 基于boa-tsar算法的近地配送无人机路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211369264.5A CN115562347A (zh) | 2022-11-03 | 2022-11-03 | 基于boa-tsar算法的近地配送无人机路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115562347A true CN115562347A (zh) | 2023-01-03 |
Family
ID=84769372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211369264.5A Pending CN115562347A (zh) | 2022-11-03 | 2022-11-03 | 基于boa-tsar算法的近地配送无人机路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115562347A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117528189A (zh) * | 2023-10-20 | 2024-02-06 | 江苏科学梦创展科技有限公司 | 一种适用于动物展览馆的5g传输vr交互系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106644382A (zh) * | 2016-12-27 | 2017-05-10 | 南京理工大学 | 基于多稳态分析的超空泡航行体运动轨迹规划方法 |
| CN108037758A (zh) * | 2017-11-30 | 2018-05-15 | 重庆邮电大学 | 一种基于改进afsa的移动机器人路径规划方法 |
| WO2020076472A2 (en) * | 2018-09-19 | 2020-04-16 | Sana Rezgui | Human-robots: the new specie |
| CN111242388A (zh) * | 2020-01-22 | 2020-06-05 | 上海电机学院 | 一种考虑冷热电联供的微电网优化调度方法 |
| CN113219989A (zh) * | 2021-06-02 | 2021-08-06 | 安徽工业大学 | 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 |
-
2022
- 2022-11-03 CN CN202211369264.5A patent/CN115562347A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106644382A (zh) * | 2016-12-27 | 2017-05-10 | 南京理工大学 | 基于多稳态分析的超空泡航行体运动轨迹规划方法 |
| CN108037758A (zh) * | 2017-11-30 | 2018-05-15 | 重庆邮电大学 | 一种基于改进afsa的移动机器人路径规划方法 |
| WO2020076472A2 (en) * | 2018-09-19 | 2020-04-16 | Sana Rezgui | Human-robots: the new specie |
| CN111242388A (zh) * | 2020-01-22 | 2020-06-05 | 上海电机学院 | 一种考虑冷热电联供的微电网优化调度方法 |
| CN113219989A (zh) * | 2021-06-02 | 2021-08-06 | 安徽工业大学 | 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117528189A (zh) * | 2023-10-20 | 2024-02-06 | 江苏科学梦创展科技有限公司 | 一种适用于动物展览馆的5g传输vr交互系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Path planning for single unmanned aerial vehicle by separately evolving waypoints | |
| CN110488872B (zh) | 一种基于深度强化学习的无人机实时路径规划方法 | |
| CN109254588B (zh) | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 | |
| US8260485B1 (en) | Adaptive multi-vehicle area coverage optimization system and method | |
| CN108801266B (zh) | 一种多无人机对不确定环境搜索的航迹规划方法 | |
| CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
| CN110488859A (zh) | 一种基于改进Q-learning算法的无人机航路规划方法 | |
| Huang et al. | A new dynamic path planning approach for unmanned aerial vehicles | |
| CN113253733B (zh) | 一种基于学习和融合的导航避障方法、装置及系统 | |
| CN110181508A (zh) | 水下机器人三维航路规划方法及系统 | |
| CN115435787B (zh) | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 | |
| CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
| CN115562347A (zh) | 基于boa-tsar算法的近地配送无人机路径规划方法 | |
| CN115686057B (zh) | 一种基于鲸鱼优化算法的多无人机路径规划方法 | |
| CN109190985A (zh) | 一种多机器人救援任务分配方法 | |
| CN114399045A (zh) | 基于非线性跨代差分进化的花授粉优化方法及实现系统 | |
| 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 | |
| CN117806346A (zh) | 一种基于自适应蜣螂优化器的无人机路径规划方法 | |
| Poudel et al. | Priority-aware task assignment and path planning for efficient and load-balanced multi-UAV operation | |
| Zhang et al. | Design of the fruit fly optimization algorithm based path planner for UAV in 3D environments | |
| 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 | |
| CN112925317A (zh) | 一种基于改进型头脑风暴优化算法的auv路径规划方法 | |
| CN114779821B (zh) | 基于深度学习的无人机自适应斥力系数路径规划方法 | |
| Gaowei et al. | Using multi-layer coding genetic algorithm to solve time-critical task assignment of heterogeneous UAV teaming | |
| CN114840016B (zh) | 基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法 |
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 |