CN116126032B - 一种基于改进多目标进化算法的无人机群路径规划方法 - Google Patents

一种基于改进多目标进化算法的无人机群路径规划方法 Download PDF

Info

Publication number
CN116126032B
CN116126032B CN202310405415.6A CN202310405415A CN116126032B CN 116126032 B CN116126032 B CN 116126032B CN 202310405415 A CN202310405415 A CN 202310405415A CN 116126032 B CN116126032 B CN 116126032B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
constraint
path
individual
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.)
Active
Application number
CN202310405415.6A
Other languages
English (en)
Other versions
CN116126032A (zh
Inventor
彭超达
黄海源
何才杰
齐龙
张文晖
张金鹏
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.)
South China Agricultural University
Original Assignee
South China Agricultural 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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202310405415.6A priority Critical patent/CN116126032B/zh
Publication of CN116126032A publication Critical patent/CN116126032A/zh
Application granted granted Critical
Publication of CN116126032B publication Critical patent/CN116126032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种基于改进多目标进化算法的无人机群路径规划方法，该方法包括：构建无人机群飞行区域三维地形环境；构建无人机B样条曲线飞行路径模型；构建无人机群路径规划的约束多目标优化问题模型；执行改进多目标进化算法求解无人机群路径规划的约束多目标优化问题，通过基于渐进权重状态约束处理技术和基于飞行环境约束修复机制的多目标进化算法，最终得到并输出满足约束条件的无人机群路径规划。本发明能够高效处理无人机群路径规划过程中的无人机群动力学和任务相关约束条件，规划优秀的无人机群路径。

Description

一种基于改进多目标进化算法的无人机群路径规划方法
技术领域
本发明涉及路径优化的技术领域，尤其涉及一种基于改进多目标进化算法的无人机群路径规划方法。
背景技术
无人机因其机动性高、性能稳定等优点，在智慧农业、资源勘查、灾害救援和军事对抗等领域得到了广泛的应用。由于无人机的飞行环境复杂，如何合理地规划无人机的飞行路径，使其能够既安全又高效地完成任务，成为需要研究的关键问题。目前，单无人机路径规划问题已经得到广泛研究，但随着多无人机系统的发展，如何使无人机群在同一空域内高效协调地飞行，仍是亟待解决的问题。
通常，无人机群路径规划问题可被建模为约束优化问题。现有研究中，解决该问题的算法大致可以分为以下三类：基于节点优化的路径规划算法、基于采样的路径规划算法和基于人工智能的路径规划算法。其中，基于节点的优化算法包括算法，算法等，它们通过构建损失函数，利用启发式信息确定最优路径，但此类算法需要对大量节点进行搜索以找到最优解，计算复杂度很高，且容易陷入局部最优解，在复杂环境下难以得到有效的可行飞行路径。基于采样的算法通过对飞行环境进行随机采样生成环境路线图，接着从该路线图中的起点开始随机搜索通往终点的可行飞行路径，但此类算法在复杂环境中难以构建环境路线图，且同样存在计算复杂度高和容易陷入局部最优解的问题。基于人工智能的路径规划算法以群体智能算法和强化学习等为代表，它们具有易于执行、不易于陷入局部最优解等特点，在无人机群路径规划问题上得到越来越多的关注。
然而，在通常情况下，现有方案较少考虑将无人机群路径规划问题建模为约束多目标优化问题，导致它们在处理无人机群动力学和任务相关约束条件上存在缺陷，使得最终求解得到的最优路径不满足实际飞行要求。
发明内容
本发明的目的是提供一种基于改进多目标进化算法的无人机群路径规划方法，该方法能够高效处理无人机群路径规划过程中的无人机群动力学和任务相关约束条件，规划优秀的无人机群路径。
一种基于改进多目标进化算法的无人机群路径规划方法，包括：
构建无人机群飞行区域三维地形环境；
构建无人机B样条曲线飞行路径模型；
构建无人机群路径规划的约束多目标优化问题模型；
执行改进多目标进化算法求解无人机群路径规划的约束多目标优化问题，通过基于渐进权重状态约束处理技术和基于飞行环境约束修复机制的多目标进化算法，最终得到并输出满足约束条件的无人机群路径规划。
构建无人机B样条曲线飞行路径模型包括：
以
Figure SMS_1
阶B样条曲线表示路径，B样条曲线由飞行区域内的一组控制点生成，这组控制点表示为：/>
Figure SMS_2
，/>
Figure SMS_3
表示控制点的数量，决策变量
Figure SMS_4
，维度为/>
Figure SMS_5
，其中，/>
Figure SMS_6
表示无人机的数量；
以B样条曲线上均匀采样的路径点反映路径，这组路径点表示为：
Figure SMS_7
Figure SMS_8
表示路径点的数量；
路径点与控制点的关系由如下公式建立：
Figure SMS_9
其中，
Figure SMS_12
表示/>
Figure SMS_15
阶B样条曲线第/>
Figure SMS_17
段的基函数，定义域为/>
Figure SMS_10
，/>
Figure SMS_13
表示定义域内/>
Figure SMS_16
个等距采样值中的第/>
Figure SMS_18
个采样值，满足
Figure SMS_11
，/>
Figure SMS_14
递归定义如下：
Figure SMS_19
Figure SMS_20
其中，
Figure SMS_21
，表示B样条曲线第/>
Figure SMS_22
个节点，满足：
Figure SMS_23
。
构建无人机群路径规划的约束多目标优化问题模型包括构建目标函数，具体为：
目标函数决策向量由无人机群控制点组成，即
Figure SMS_24
，其维度为/>
Figure SMS_25
，其中，/>
Figure SMS_26
表示无人机的数量，决策变量为控制点坐标的单个元素，对于给定无人机群各无人机起点和终点的具体问题，各起点和终点对应的决策变量固定不变；
无人机群路径总长度函数：
Figure SMS_27
Figure SMS_28
表示第/>
Figure SMS_29
架无人机的第/>
Figure SMS_30
个路径点；
无人机群受地形碰撞威胁的程度函数：
Figure SMS_31
其中，
Figure SMS_34
表示安全距离，/>
Figure SMS_37
表示将某路径点/>
Figure SMS_40
与所有地形网格点投影到水平面后，在/>
Figure SMS_32
投影点半径/>
Figure SMS_36
范围内仅包含/>
Figure SMS_39
个地形网格点的投影点，/>
Figure SMS_41
表示/>
Figure SMS_33
到这/>
Figure SMS_35
个地形网格点中第/>
Figure SMS_38
个地形网格点的距离。
构建无人机群路径规划的约束多目标优化问题模型包括构建约束惩罚函数，具体为：
各无人机间的安全距离函数：
Figure SMS_42
Figure SMS_43
Figure SMS_44
其中，
Figure SMS_46
表示第/>
Figure SMS_50
架无人机的第/>
Figure SMS_53
个路径点到第/>
Figure SMS_47
架无人机的第/>
Figure SMS_48
个路径点间的距离，/>
Figure SMS_51
表示无人机间允许保持的最小距离，/>
Figure SMS_54
表示两个路径点距离过近时所要考虑的两无人机到达这两个路径点的时间差，两者的到达时间/>
Figure SMS_45
和/>
Figure SMS_49
由起点到路径点的长度决定，最小允许时间差/>
Figure SMS_52
由无人机飞行速度/>
Figure SMS_55
决定；
无人机群的离地飞行高度函数：
Figure SMS_56
Figure SMS_57
其中，
Figure SMS_58
分别表示第/>
Figure SMS_59
架无人机的第/>
Figure SMS_60
个路径点的高度和第/>
Figure SMS_61
个路径点下方地形的高度，/>
Figure SMS_62
表示最小允许离地飞行高度；
无人机群的最大飞行高度函数：
Figure SMS_63
Figure SMS_64
其中，
Figure SMS_65
表示最大允许飞行高度；
无人机的飞行坡度函数：
Figure SMS_66
Figure SMS_67
Figure SMS_68
Figure SMS_69
Figure SMS_70
其中，
Figure SMS_71
，/>
Figure SMS_72
分别表示无人机群在两路径点间的允许最大爬升坡度和允许最小俯冲坡度；
无人机的转弯半径函数：
Figure SMS_73
Figure SMS_74
Figure SMS_75
Figure SMS_76
其中，
Figure SMS_79
表示允许最小转弯角，/>
Figure SMS_81
表示第/>
Figure SMS_84
架无人机在第/>
Figure SMS_77
个路径点的转弯半径，由/>
Figure SMS_80
，/>
Figure SMS_83
和/>
Figure SMS_86
三点确定的圆的半径决定，/>
Figure SMS_78
和/>
Figure SMS_82
分别表示重力加速度和第/>
Figure SMS_85
架无人机在第/>
Figure SMS_87
个路径点的允许最大负载因子。
执行改进多目标进化算法求解无人机群路径规划的约束多目标优化问题，通过基于渐进权重状态约束处理技术和基于飞行环境约束修复机制的多目标进化算法，最终得到并输出满足约束条件的无人机群路径规划包括：
初始化算法，对种群数量
Figure SMS_90
、各权重向量邻居数量/>
Figure SMS_91
、种群/>
Figure SMS_94
、权重向量组/>
Figure SMS_88
、对编号为/>
Figure SMS_92
的个体的权重向量/>
Figure SMS_95
的邻居向量编号组/>
Figure SMS_97
初始化，计算/>
Figure SMS_89
中个体的适应度评价、理想点/>
Figure SMS_93
、某个个体选择操作中的允许最大选择次数/>
Figure SMS_96
的和迭代次数/>
Figure SMS_98
设置和确定终止条件，其中
Figure SMS_99
Figure SMS_100
Figure SMS_101
Figure SMS_102
Figure SMS_103
Figure SMS_104
表示目标函数的数量，/>
Figure SMS_105
表示第/>
Figure SMS_106
个目标函数；
执行变异操作；
执行边界条件处理，更新理想点；
执行一种渐进权重状态的约束处理技术的权重状态更新过程，更新权重向量组各向量的状态；
每间隔N代选择相邻的两代种群执行一种渐进权重状态的约束处理技术的权重状态更新过程，采用不同方式更新两代的权重向量组的各向量的状态；
每间隔N代选择一代种群执行基于飞行环境的约束修复机制；
判断算法是否达到终止条件，若未达到，则继续迭代，若达到，输出优化后的无人机群路径。
执行变异操作包括：
对当前迭代次数
Figure SMS_107
下遍历得到的某个编号为/>
Figure SMS_108
的个体；
以
Figure SMS_109
和/>
Figure SMS_110
的概率分别随机将当前父代编号组/>
Figure SMS_111
设为/>
Figure SMS_112
和当前种群全体个体编号组，当前种群全体个体编号组令/>
Figure SMS_113
；
令
Figure SMS_114
并从/>
Figure SMS_115
随机选取/>
Figure SMS_116
和/>，由DE/rand/1变异算子生成临时个体/>
Figure SMS_118
，再由另一种算子生成新个体/>
Figure SMS_119
；
采用如下变异算子：
Figure SMS_120
Figure SMS_121
其中，分布指数
Figure SMS_122
和变异率/>
Figure SMS_123
是两个控制参数。
执行边界条件处理，更新理想点包括：
若得到的
Figure SMS_124
违反边界条件，则进行处理，更新理想点/>
Figure SMS_125
，即/>
Figure SMS_126
，若
Figure SMS_127
，令/>
Figure SMS_128
；
采用边界条件处理如下：
Figure SMS_129
其中，
Figure SMS_130
和/>
Figure SMS_131
分别为第/>
Figure SMS_132
个决策变量的下界和上界；
利用一种渐进权重状态的约束处理技术对原MOEA/D-DE改进的选择操作，随机从父代编号组K选择一个编号
Figure SMS_133
，若选择次数超过预设允许最大次数/>
Figure SMS_134
或K内为空，则继续更新种群；
对于得到的新个体
Figure SMS_135
和当前选择得到的编号/>
Figure SMS_136
，若/>
Figure SMS_137
的状态为可行，令个体/>
Figure SMS_138
为/>
Figure SMS_139
与/>
Figure SMS_140
中的非支配个体，具体由约束支配准则CDP决定，CDP定义如下：
若两个个体均为可行解，则目标函数值更小的个体支配另一个个体；
若两个个体分别为可行解和不可行解，则可行解个体支配不可行解个体；
若两个个体均为不可行解，则约束违反值更小的个体支配另一个个体；
若
Figure SMS_141
的状态为不可行，令个体
Figure SMS_142
，其中，ASF为收益标量化函数，公式如下：
Figure SMS_143
令
Figure SMS_144
，从K中移除/>
Figure SMS_145
，对原MOEA/D-DE继续改进的选择操作。
执行一种渐进权重状态的约束处理技术的权重状态更新过程，更新权重向量组各向量的状态包括：
若
Figure SMS_146
，则将当前各向量的状态和各个个体的ASF值存档，并再将未固定的向量的状态全部设为不可行；
若
Figure SMS_147
，则令当前各向量状态赋值为上一代存档内的状态，并令当前各个个体的ASF值与上一代存档的ASF值比较，记某个编号为/>
Figure SMS_148
的个体的ASF值存档为/>
Figure SMS_149
，对于某个编号为/>
Figure SMS_150
的个体在比较ASF值后若满足如下条件：
Figure SMS_151
则其对应的权重向量将被固定，当前状态变为可行且不可再改变，其中，梯度因子
Figure SMS_152
控制权重向量状态切换的速率。
每间隔N代选择一代种群执行基于飞行环境的约束修复机制包括：
若种群
Figure SMS_153
中有不可行解个体，执行基于飞行环境的约束修复机制；
优先选择带有更少违反约束的路径段的不可行解个体进入待修复种群
Figure SMS_154
，直至无不可行解可供选择后若仍未选够/>
Figure SMS_155
个个体，再优先选取ASF值较小的可行解个体进入/>
Figure SMS_156
直至/>
Figure SMS_157
中的个体数量达到/>
Figure SMS_158
，其中/>
Figure SMS_159
表示修复率；
遍历
Figure SMS_160
得到下一个个体，若/>
Figure SMS_161
为不可行个体，则根据约束修复方法任意选取
Figure SMS_162
违反的一项约束进行修复更新，若/>
Figure SMS_163
为可行个体，则对/>
Figure SMS_164
执行变异操作进行更新，记更新生成的个体为/>
Figure SMS_165
；
对于违反各无人机间安全距离约束，随机选取除起点与终点外的一个控制点
Figure SMS_166
，令控制点在空间中随机偏移一定距离，由如下公式生成更新后的控制点
Figure SMS_167
：
Figure SMS_168
其中，
Figure SMS_169
是/>
Figure SMS_170
区间范围内的随机数，/>
Figure SMS_171
输出/>
Figure SMS_172
四舍五入到取整的值；
对于违反无人机群离地飞行高度约束，随机选取除起点与终点外的一个控制点
Figure SMS_173
，令控制点在竖直方向上随机偏移一定距离，由如下公式生成更新后的控制点
Figure SMS_174
：
Figure SMS_175
其中，
Figure SMS_176
表示控制点/>
Figure SMS_177
下方的地形高度；
对于违反无人机群最大飞行高度约束，随机选取除起点与终点外的一个控制点
Figure SMS_178
，令控制点在竖直方向上随机偏移一定距离，由如下公式生成更新后的控制点
Figure SMS_179
：
Figure SMS_180
对于违反无人机的飞行坡度约束，随机选取除起点与终点外的一个控制点
Figure SMS_181
以及其上一个或下一个控制点的其中之一/>
Figure SMS_182
, 令控制点在竖直方向上随机偏移一定距离，由如下公式生成更新后的控制点/>
Figure SMS_183
：
Figure SMS_184
对于违反无人机的飞行坡度约束，随机选取除起点与终点外的一个控制点
Figure SMS_185
，令控制点在水平面上随机偏移一定距离由如下公式生成更新后的控制点
Figure SMS_186
：
Figure SMS_187
Figure SMS_188
其中，
Figure SMS_189
是控制点到方形飞行区域边界的最小距离，/>
Figure SMS_190
和/>
Figure SMS_191
分别表示方形飞行区域沿/>
Figure SMS_192
轴和/>
Figure SMS_193
轴方向的上边界；
分别计算
Figure SMS_195
和/>
Figure SMS_199
的约束违反值/>
Figure SMS_202
和/>
Figure SMS_196
，若/>
Figure SMS_197
，则令/>
Figure SMS_200
，/>
Figure SMS_203
，若/>
Figure SMS_194
，对遍历得到的某个个体/>
Figure SMS_198
和初始化循环次数/>
Figure SMS_201
；
若
Figure SMS_205
，/>
Figure SMS_207
为不可行个体，则根据约束修复方法任意选取/>
Figure SMS_209
违反的一项约束进行修复更新，若/>
Figure SMS_206
为可行个体，则对/>
Figure SMS_208
执行变异操作进行更新，记更新生成的个体为/>
Figure SMS_210
，若/>
Figure SMS_211
，遍历/>
Figure SMS_204
得到下一个个体；
若种群
Figure SMS_212
中仍有不可行解个体，优先选取ASF值较小的可行解个体进入/>
Figure SMS_213
直至/>
Figure SMS_214
中的个体数量达到/>
Figure SMS_215
；
对
Figure SMS_216
中的所有个体执行修复，执行后由选择操作/>
Figure SMS_217
将会得到更新。
一种基于改进多目标进化算法的无人机群路径规划系统，包括：
三维地形构建模块，用于构建无人机群飞行区域三维地形环境；
飞行路径规划模块，用于构建无人机B样条曲线飞行路径模型；
飞机路径优化模块，用于构建无人机群路径规划的约束多目标优化问题模型；
数据处理模块，用于执行改进多目标进化算法求解无人机群路径规划的约束多目标优化问题，通过基于渐进权重状态约束处理技术和基于飞行环境约束修复机制的多目标进化算法，最终得到并输出满足约束条件的无人机群路径规划。
本发明根据无人机群路径规划问题的性质构造无人机群路径规划问题的改进多目标进化模型，并针对现有方法难以有效解决该问题的现状，提出一种基于渐进权重状态的约束处理技术与一种基于飞行环境的约束处理机制，整合成一种基于约束多目标进化算法的三维场景下的无人机群路径规划方法，能够有效解决无人机群路径规划问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，标示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程图；
图2为本发明的三维环境地形图；
图3为本发明的无人机群受地形碰撞威胁程度函数的示意图；
图4为本发明的一种渐进权重状态的约束处理技术引导种群进化的示意图；
图5为本发明的帕累托最优的无人机群规划路径集图；
图6为本发明的算法与其他算法在迭代期间HV（超体积矩阵）值的收敛趋势对比图；
图7为本发明的渐进权重状态的约束处理技术的流程图；
图8为本发明的基于飞行环境的约束修复机制的流程图；
图9为本发明的改进的多目标算法流程图。
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、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一种该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
目前的无人机群路径规划需要对大量节点进行搜索以找到最优解，计算复杂度很高，且容易陷入局部最优解，在复杂环境下难以得到有效的可行飞行路径，本发明通过构建无人机群飞行区域的三维环境地形图；根据三维环境地形图规划初始无人机群路径；构建改进多目标进化模型；将初始无人机群路径输入改进多目标进化模型获取优化的无人机群路径。能够高效处理无人机群路径规划过程中的无人机群动力学和任务相关约束条件，规划优秀的无人机群路径。
实施例1
一种基于改进多目标进化算法的无人机群路径规划方法，参考图1，包括：
S100，构建无人机群飞行区域三维地形环境；
可选地，S100，包括：
在MATLAB等软件上构建虚拟仿真环境。
构建一个三维环境地形集，其数学表达式为：
Figure SMS_218
其中，
Figure SMS_219
和/>
Figure SMS_220
是仿真三维环境地形的控制参数，用于产生具有山脉和山谷的平滑地形模拟表面，/>
Figure SMS_221
是地面坐标系下地形点的坐标。
设
Figure SMS_222
和/>
Figure SMS_223
分别为7.8，4.5，3.5，2.5，3.5，2.5和1.5，确定一个三维环境地形，如图2所示。确定地形采样精度为2.5个单位。
S200，构建无人机B样条曲线飞行路径模型；
S300，构建无人机群路径规划的约束多目标优化问题模型；
S400，执行改进多目标进化算法求解无人机群路径规划的约束多目标优化问题，通过基于渐进权重状态约束处理技术和基于飞行环境约束修复机制的多目标进化算法，最终得到并输出满足约束条件的无人机群路径规划。
S200构建无人机B样条曲线飞行路径模型包括：
以
Figure SMS_224
阶B样条曲线表示路径，B样条曲线由飞行区域内的一组控制点生成，这组控制点表示为：/>
Figure SMS_225
，/>
Figure SMS_226
表示控制点的数量，决策变量
Figure SMS_227
，维度为/>
Figure SMS_228
，其中，/>
Figure SMS_229
表示无人机的数量；
以B样条曲线上均匀采样的路径点反映路径，这组路径点表示为：
Figure SMS_230
，
Figure SMS_231
表示路径点的数量；
路径点与控制点的关系由如下公式建立：
Figure SMS_232
其中，
Figure SMS_233
表示/>
Figure SMS_237
阶B样条曲线第/>
Figure SMS_239
段的基函数，定义域为/>
Figure SMS_234
，/>
Figure SMS_238
表示定义域内/>
Figure SMS_240
个等距采样值中的第/>
Figure SMS_241
个采样值，满足
Figure SMS_235
，/>
Figure SMS_236
递归定义如下：
Figure SMS_242
Figure SMS_243
其中，
Figure SMS_244
，表示B样条曲线第/>
Figure SMS_245
个节点，满足：
Figure SMS_246
。
S300构建无人机群路径规划的约束多目标优化问题模型包括S310构建目标函数，具体为：
目标函数决策向量由无人机群控制点组成，即
Figure SMS_247
，其维度为/>
Figure SMS_248
，其中，/>
Figure SMS_249
表示无人机的数量，决策变量为控制点坐标的单个元素，对于给定无人机群各无人机起点和终点的具体问题，各起点和终点对应的决策变量固定不变；
无人机群路径总长度函数：
Figure SMS_250
Figure SMS_251
表示第/>
Figure SMS_252
架无人机的第/>
Figure SMS_253
个路径点；
无人机群受地形碰撞威胁的程度函数：
Figure SMS_254
其中，
Figure SMS_257
表示安全距离，/>
Figure SMS_259
表示将某路径点/>
Figure SMS_262
与所有地形网格点投影到水平面后，在/>
Figure SMS_256
投影点半径/>
Figure SMS_258
范围内仅包含/>
Figure SMS_261
个地形网格点的投影点，/>
Figure SMS_264
表示/>
Figure SMS_255
到这/>
Figure SMS_260
个地形网格点中第/>
Figure SMS_263
个地形网格点的距离。
S300构建无人机群路径规划的约束多目标优化问题模型包括S320构建约束惩罚函数，具体为：
各无人机间的安全距离函数：
Figure SMS_265
Figure SMS_266
Figure SMS_267
其中，
Figure SMS_269
表示第/>
Figure SMS_271
架无人机的第/>
Figure SMS_274
个路径点到第/>
Figure SMS_270
架无人机的第/>
Figure SMS_273
个路径点间的距离，/>
Figure SMS_276
表示无人机间允许保持的最小距离，/>
Figure SMS_278
表示两个路径点距离过近时所要考虑的两无人机到达这两个路径点的时间差，两者的到达时间/>
Figure SMS_268
和/>
Figure SMS_272
由起点到路径点的长度决定，最小允许时间差/>
Figure SMS_275
由无人机飞行速度/>
Figure SMS_277
决定；
无人机群的离地飞行高度函数：
Figure SMS_279
Figure SMS_280
其中，
Figure SMS_281
分别表示第/>
Figure SMS_282
架无人机的第/>
Figure SMS_283
个路径点的高度和第/>
Figure SMS_284
个路径点下方地形的高度，/>
Figure SMS_285
表示最小允许离地飞行高度；
无人机群的最大飞行高度函数：
Figure SMS_286
Figure SMS_287
其中，
Figure SMS_288
表示最大允许飞行高度；
无人机的飞行坡度函数：
Figure SMS_289
Figure SMS_290
Figure SMS_291
Figure SMS_292
Figure SMS_293
/>
其中，
Figure SMS_294
，/>
Figure SMS_295
分别表示无人机群在两路径点间的允许最大爬升坡度和允许最小俯冲坡度；
无人机的转弯半径函数：
Figure SMS_296
Figure SMS_297
Figure SMS_298
Figure SMS_299
其中，
Figure SMS_302
表示允许最小转弯角，/>
Figure SMS_305
表示第/>
Figure SMS_308
架无人机在第/>
Figure SMS_300
个路径点的转弯半径，由/>
Figure SMS_304
，/>
Figure SMS_307
和/>
Figure SMS_310
三点确定的圆的半径决定，/>
Figure SMS_301
和/>
Figure SMS_303
分别表示重力加速度和第/>
Figure SMS_306
架无人机在第/>
Figure SMS_309
个路径点的允许最大负载因子。
S400执行改进多目标进化算法求解无人机群路径规划的约束多目标优化问题，通过基于渐进权重状态约束处理技术和基于飞行环境约束修复机制的多目标进化算法，最终得到并输出满足约束条件的无人机群路径规划，参考图9，包括：
S410，初始化算法，对种群数量
Figure SMS_311
、各权重向量邻居数量/>
Figure SMS_314
、种群/>
Figure SMS_317
、权重向量组
Figure SMS_313
、对编号为/>
Figure SMS_316
的个体的权重向量/>
Figure SMS_319
的邻居向量编号组/>
Figure SMS_321
初始化，计算/>
Figure SMS_312
中个体的适应度评价、理想点/>
Figure SMS_315
、某个个体选择操作中的允许最大选择次数/>
Figure SMS_318
的和迭代次数
Figure SMS_320
设置和确定终止条件，其中
Figure SMS_322
Figure SMS_323
Figure SMS_324
Figure SMS_325
/>
Figure SMS_326
Figure SMS_327
表示目标函数的数量，/>
Figure SMS_328
表示第/>
Figure SMS_329
个目标函数；
S420，执行变异操作；
S430，执行边界条件处理，更新理想点；
S440，执行一种渐进权重状态的约束处理技术的权重状态更新过程，更新权重向量组各向量的状态；
S450，每间隔N代选择相邻的两代种群执行一种渐进权重状态的约束处理技术的权重状态更新过程，采用不同方式更新两代的权重向量组的各向量的状态；
S460，每间隔N代选择一代种群执行基于飞行环境的约束修复机制；
S470，判断算法是否达到终止条件，若未达到，则继续迭代，若达到，输出优化后的无人机群路径。
如图5。
S420执行变异操作包括：
对当前迭代次数
Figure SMS_330
下遍历得到的某个编号为/>
Figure SMS_331
的个体；
以
Figure SMS_332
和/>
Figure SMS_333
的概率分别随机将当前父代编号组/>
Figure SMS_334
设为/>
Figure SMS_335
和当前种群全体个体编号组，当前种群全体个体编号组令/>
Figure SMS_336
；
令
Figure SMS_337
并从/>
Figure SMS_338
随机选取/>
Figure SMS_339
和/>
Figure SMS_340
，由DE/rand/1变异算子生成临时个体/>
Figure SMS_341
，再由另一种算子生成新个体/>
Figure SMS_342
；
采用如下变异算子：
Figure SMS_343
Figure SMS_344
其中，分布指数
Figure SMS_345
和变异率/>
Figure SMS_346
是两个控制参数。
S430执行边界条件处理，更新理想点包括：
若得到的
Figure SMS_347
违反边界条件，则进行处理，更新理想点/>
Figure SMS_348
，即/>
Figure SMS_349
，若
Figure SMS_350
，令/>
Figure SMS_351
；
采用边界条件处理如下：
Figure SMS_352
/>
其中，
Figure SMS_353
和/>
Figure SMS_354
分别为第/>
Figure SMS_355
个决策变量的下界和上界；
利用一种渐进权重状态的约束处理技术对原MOEA/D-DE改进的选择操作，随机从父代编号组K选择一个编号
Figure SMS_356
，若选择次数超过预设允许最大次数/>
Figure SMS_357
或K内为空，则继续更新种群；
对于得到的新个体
Figure SMS_358
和当前选择得到的编号/>
Figure SMS_359
，若/>
Figure SMS_360
的状态为可行，令个体/>
Figure SMS_361
为/>
Figure SMS_362
与/>
Figure SMS_363
中的非支配个体，具体由约束支配准则CDP决定，CDP定义如下：
若两个个体均为可行解，则目标函数值更小的个体支配另一个个体；
若两个个体分别为可行解和不可行解，则可行解个体支配不可行解个体；
若两个个体均为不可行解，则约束违反值更小的个体支配另一个个体；
若
Figure SMS_364
的状态为不可行，令个体
Figure SMS_365
，其中，ASF为收益标量化函数，公式如下：
Figure SMS_366
令
Figure SMS_367
，从K中移除/>
Figure SMS_368
，对原MOEA/D-DE继续改进的选择操作。
S440执行一种渐进权重状态的约束处理技术的权重状态更新过程，更新权重向量组各向量的状态包括：
若
Figure SMS_369
，则将当前各向量的状态和各个个体的ASF值存档，并再将未固定的向量的状态全部设为不可行；
若
Figure SMS_370
，则令当前各向量状态赋值为上一代存档内的状态，并令当前各个个体的ASF值与上一代存档的ASF值比较，记某个编号为/>
Figure SMS_371
的个体的ASF值存档为/>
Figure SMS_372
，对于某个编号为/>
Figure SMS_373
的个体在比较ASF值后若满足如下条件：
Figure SMS_374
则其对应的权重向量将被固定，当前状态变为可行且不可再改变，其中，梯度因子
Figure SMS_375
控制权重向量状态切换的速率。
如图7。
S460每间隔N代选择一代种群执行基于飞行环境的约束修复机制包括：
若种群
Figure SMS_376
中有不可行解个体，执行基于飞行环境的约束修复机制；
优先选择带有更少违反约束的路径段的不可行解个体进入待修复种群
Figure SMS_377
，直至无不可行解可供选择后若仍未选够/>
Figure SMS_378
个个体，再优先选取ASF值较小的可行解个体进入/>
Figure SMS_379
直至/>
Figure SMS_380
中的个体数量达到/>
Figure SMS_381
，其中/>
Figure SMS_382
表示修复率；
遍历
Figure SMS_383
得到下一个个体，若/>
Figure SMS_384
为不可行个体，则根据约束修复方法任意选取
Figure SMS_385
违反的一项约束进行修复更新，若/>
Figure SMS_386
为可行个体，则对/>
Figure SMS_387
执行变异操作进行更新，记更新生成的个体为/>
Figure SMS_388
；
对于违反各无人机间安全距离约束，随机选取除起点与终点外的一个控制点
Figure SMS_389
，令控制点在空间中随机偏移一定距离，由如下公式生成更新后的控制点
Figure SMS_390
：
Figure SMS_391
其中，
Figure SMS_392
是/>
Figure SMS_393
区间范围内的随机数，/>
Figure SMS_394
输出/>
Figure SMS_395
四舍五入到取整的值；
对于违反无人机群离地飞行高度约束，随机选取除起点与终点外的一个控制点
Figure SMS_396
，令控制点在竖直方向上随机偏移一定距离，由如下公式生成更新后的控制点
Figure SMS_397
：
Figure SMS_398
其中，
Figure SMS_399
表示控制点/>
Figure SMS_400
下方的地形高度；
对于违反无人机群最大飞行高度约束，随机选取除起点与终点外的一个控制点
Figure SMS_401
，令控制点在竖直方向上随机偏移一定距离，由如下公式生成更新后的控制点
Figure SMS_402
：
Figure SMS_403
对于违反无人机的飞行坡度约束，随机选取除起点与终点外的一个控制点
Figure SMS_404
以及其上一个或下一个控制点的其中之一/>
Figure SMS_405
，令控制点在竖直方向上随机偏移一定距离，由如下公式生成更新后的控制点/>
Figure SMS_406
：
Figure SMS_407
对于违反无人机的飞行坡度约束，随机选取除起点与终点外的一个控制点
Figure SMS_408
，令控制点在水平面上随机偏移一定距离由如下公式生成更新后的控制点/>
Figure SMS_409
：
Figure SMS_410
Figure SMS_411
其中，
Figure SMS_412
是控制点到方形飞行区域边界的最小距离，/>
Figure SMS_413
和/>
Figure SMS_414
分别表示方形飞行区域沿/>
Figure SMS_415
轴和/>
Figure SMS_416
轴方向的上边界；
分别计算
Figure SMS_418
和/>
Figure SMS_422
的约束违反值/>
Figure SMS_425
和/>
Figure SMS_419
，若/>
Figure SMS_420
，则令/>
Figure SMS_423
，
Figure SMS_426
，若/>
Figure SMS_417
，对遍历得到的某个个体/>
Figure SMS_421
和初始化循环次数/>
Figure SMS_424
；
若
Figure SMS_428
，/>
Figure SMS_430
为不可行个体，则根据约束修复方法任意选取/>
Figure SMS_432
违反的一项约束进行修复更新，若/>
Figure SMS_427
为可行个体，则对/>
Figure SMS_431
执行变异操作进行更新，记更新生成的个体为/>
Figure SMS_433
，若/>
Figure SMS_434
，遍历/>
Figure SMS_429
得到下一个个体；
若种群
Figure SMS_435
中仍有不可行解个体，优先选取ASF值较小的可行解个体进入/>
Figure SMS_436
直至/>
Figure SMS_437
中的个体数量达到/>
Figure SMS_438
；
对
Figure SMS_439
中的所有个体执行修复，执行后由选择操作/>
Figure SMS_440
将会得到更新。
如图6，8。
为进一步显示本发明提出的一种基于改进多目标进化算法的无人机群路径规划方法的优势，将对本发明提出的一种基于改进多目标进化算法的无人机群路径规划方法与其他算法的对比实验结果作简单介绍。
设计生成地形函数如下：
Figure SMS_441
如表1所示，通过调整生成地形函数和多目标优化问题的参数生成多个测试问题。
表1：测试问题的参数设置
Figure SMS_442
初始化一种基于改进多目标进化算法的无人机群路径规划方法的算法参数，
Figure SMS_445
，/>
Figure SMS_446
，/>
Figure SMS_448
，/>
Figure SMS_443
，/>
Figure SMS_447
，/>
Figure SMS_449
，/>
Figure SMS_450
，/>
Figure SMS_444
。
将一种基于改进多目标进化算法的无人机群路径规划方法与CM2M，PPS，MOEA/D-CDP和ToP-NSGA2-CDP这些算法在测试集上进行实验对比，将这些算法的初始化参数设置成与提出它们的原始文献上描述的一致。
表2：本发明算法与各算法在8个测试问题中分别运行30次后得到可行解的运行次数比例
Figure SMS_451
表3：本发明算法与各算法在8个测试问题中分别运行30次后得到的HV值的平均值和标准差，加粗部分表示同一测试问题中的最优值，横线部分表示未得到可行解
Figure SMS_452
采用超体积矩阵（HV），反向世代距离矩阵（IGD），得到可行解的运行次数比率（FR）这三个常用于评价多目标优化算法的指标对各算法的实验表现进行评价，其中，HV越大，IGD越小，FR越大，代表实验表现更好。
表2，表3和表4显示了本发明方法的算法与各算法在各测试问题中运行30次之后分别得到的FR，HV和IGD值。
图6显示了本发明方法的算法与各算法迭代期间HV值的收敛趋势对比。
多项实验结果表明，本发明方法的算法与各算法相比能够更早、更稳定地获得可行解，且在迭代过程中具有更良好的收敛性与分布性，能够高效处理无人机群路径规划过程中的无人机群动力学和任务相关约束条件，以更少的计算资源得到更优的解。
表4：本发明算法与各算法在8个测试问题中分别运行30次后得到的IGD值的平均值和标准差，加粗部分表示同一测试问题中的最优值，横线部分表示未得到可行解
Figure SMS_453
一种基于改进多目标进化算法的无人机群路径规划系统，包括：
三维地形构建模块，用于构建无人机群飞行区域三维地形环境；
飞行路径规划模块，用于构建无人机B样条曲线飞行路径模型；
飞机路径优化模块，用于构建无人机群路径规划的约束多目标优化问题模型；
数据处理模块，用于执行改进多目标进化算法求解无人机群路径规划的约束多目标优化问题，通过基于渐进权重状态约束处理技术和基于飞行环境约束修复机制的多目标进化算法，最终得到并输出满足约束条件的无人机群路径规划。
本发明根据无人机群路径规划问题的性质构造无人机群路径规划问题的改进多目标进化模型，并针对现有方法难以有效解决该问题的现状，提出一种基于渐进权重状态的约束处理技术与一种基于飞行环境的约束处理机制，整合成一种基于约束多目标进化算法的三维场景下的无人机群路径规划方法，能够有效解决无人机群路径规划问题。
本发明根据无人机群路径规划问题的性质构造无人机群路径规划问题的改进多目标进化模型，并针对现有方法难以有效解决该问题的现状，提出一种基于渐进权重状态的约束处理技术与一种基于飞行环境的约束处理机制，整合成一种基于约束多目标进化算法的三维场景下的无人机群路径规划方法，能够有效解决无人机群路径规划问题。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于改进多目标进化算法的无人机群路径规划方法，其特征在于，包括：
构建无人机群飞行区域三维地形环境；
构建无人机B样条曲线飞行路径模型；
构建无人机群路径规划的约束多目标优化问题模型；
所述构建无人机群路径规划的约束多目标优化问题模型包括构建约束惩罚函数，具体为：
各无人机间的安全距离函数：
Figure FDA0004270854400000011
Figure FDA0004270854400000012
tsub＝|ti，j-tk，o|
其中，di,k,j,o表示第i架无人机的第k个路径点到第j架无人机的第o个路径点间的距离，dmin表示无人机间允许保持的最小距离，tsub表示两个路径点距离过近时所要考虑的两无人机到达这两个路径点的时间差，两者的到达时间ti，j和tk，o由起点到路径点的长度决定，最小允许时间差tmin由无人机飞行速度
Figure FDA0004270854400000013
决定；
无人机群的离地飞行高度函数：
Figure FDA0004270854400000014
Figure FDA0004270854400000015
其中，
Figure FDA0004270854400000016
分别表示第i架无人机的第j个路径点的高度和第j个路径点下方地形的高度，hmin表示最小允许离地飞行高度；
无人机群的最大飞行高度函数：
Figure FDA0004270854400000017
h3,i,j＝max(zi，j-hmax，0)
其中，hmax表示最大允许飞行高度；
无人机的飞行坡度函数：
Figure FDA0004270854400000018
Figure FDA0004270854400000019
Figure FDA0004270854400000021
Figure FDA0004270854400000022
Figure FDA0004270854400000023
其中，
Figure FDA0004270854400000024
分别表示无人机群在两路径点间的允许最大爬升坡度和允许最小俯冲坡度；
无人机的转弯半径函数：
Figure FDA0004270854400000025
h5,i,j＝max(rmin-ri，j，0)
Figure FDA0004270854400000026
Figure FDA0004270854400000027
其中，ri，j表示第i架无人机在第j个路径点的转弯半径，由PPi，j-1，PPi，j和PPi，j+1三点确定的圆的半径决定，g和
Figure FDA0004270854400000028
分别表示重力加速度和第i架无人机在第j个路径点的允许最大负载因子，rmin表示当前无人机在所述路径点的允许最小转弯角，v表示当前无人机在所述路径点的允许最小飞行速度；
执行改进多目标进化算法求解无人机群路径规划的约束多目标优化问题，通过基于渐进权重状态约束处理技术和基于飞行环境约束修复机制的多目标进化算法，最终得到并输出满足约束条件的无人机群路径规划。
2.根据权利要求1所述的一种基于改进多目标进化算法的无人机群路径规划方法，其特征在于，所述构建无人机B样条曲线飞行路径模型包括：
以d阶B样条曲线表示路径，B样条曲线由飞行区域内的一组控制点生成，这组控制点表示为：CP0(x0，y0，z0)，CP1(x1，y1，z1)，...，CPcn-1(xcn-1，ycn-1，zcn-1)，cn表示控制点的数量，决策向量x＝(CP1,0，CP1,1，…CP1,cn-1，CP2,0，…CPDN,cn-1)T，维度为DN×cn，其中，DN表示无人机的数量；
以B样条曲线上均匀采样的路径点反映路径，这组路径点表示为：
PP0(x′0，y′0，z′0)，PP1(x′1，y′1，z′1)，…，PPpn(x′pn，y′pn，z′pn)
pn+1表示路径点的数量；
路径点与控制点的关系由如下公式建立：
Figure FDA0004270854400000031
其中，Bk，d(·)表示d阶B样条曲线第k段的基函数，定义域为[0，cn+d]，τi表示定义域内pn+1个等距采样值中的第i+1个采样值，满足τ0＝0，
Figure FDA0004270854400000032
Bk，d(·)递归定义如下：
Figure FDA0004270854400000033
Figure FDA0004270854400000034
其中，vk∈V＝{v0，v1，...，vl}，表示B样条曲线第k个节点，满足：
Figure FDA0004270854400000035
3.根据权利要求2所述的一种基于改进多目标进化算法的无人机群路径规划方法，其特征在于，所述构建无人机群路径规划的约束多目标优化问题模型包括构建目标函数，具体为：
目标函数决策向量由无人机群控制点组成，即
x＝(CP1,0，CP1,1，…CP1,cn-1，CP2,0，…CPDN，cn-1)T，其维度为DN×cn，其中，DN表示无人机的数量，决策变量指决策向量中的单个元素，对于给定无人机群各无人机起点和终点的具体问题，各起点和终点对应的决策变量固定不变；
无人机群路径总长度函数：
Figure FDA0004270854400000036
PPi,k表示第i架无人机的第k个路径点；
无人机群受地形碰撞威胁的程度函数：
Figure FDA0004270854400000037
其中，dsafe表示安全距离，mp表示将某路径点PPi,k与所有地形网格点投影到水平面后，在PPi,k投影点半径dsafe范围内仅包含mp个地形网格点的投影点，di,k,j表示PPi，k到这mp个地形网格点中第l个地形网格点的距离。
4.根据权利要求2所述的一种基于改进多目标进化算法的无人机群路径规划方法，其特征在于，所述执行改进多目标进化算法求解无人机群路径规划的约束多目标优化问题，通过基于渐进权重状态约束处理技术和基于飞行环境约束修复机制的多目标进化算法，最终得到并输出满足约束条件的无人机群路径规划包括：
初始化算法，对种群数量N、各权重向量邻居数量T、种群P、权重向量组W、对编号为i的个体的权重向量wi的邻居向量编号组B(i)初始化，计算P中个体的适应度评价、理想点z、某个个体选择操作中的允许最大选择次数nr的和迭代次数gen＝1设置和确定终止条件，其中
P＝{x1，x2，...，xN}
W＝{w1，w2，...，wN}
B(i)＝(i1，i2，...，iT)
z＝(z1，z2，...，zm)T
zi＝min(fi(x1)，fi(x2)，...，fi(xN))
m表示目标函数的数量，fi(·)表示第i个目标函数；
执行变异操作；
执行边界条件处理，更新理想点；
执行一种渐进权重状态的约束处理技术的权重状态更新过程，更新权重向量组各向量的状态；
每间隔N代选择相邻的两代种群执行一种渐进权重状态的约束处理技术的权重状态更新过程，采用不同方式更新两代的权重向量组的各向量的状态；
每间隔N代选择一代种群执行基于飞行环境的约束修复机制；
判断算法是否达到终止条件，若未达到，则继续迭代，若达到，输出优化后的无人机群路径。
5.根据权利要求4所述的一种基于改进多目标进化算法的无人机群路径规划方法，其特征在于，所述执行变异操作包括：
对当前迭代次数gen下遍历得到的某个编号为l的个体；
以ξ和1-ξ的概率分别随机将当前父代编号组K设为B(l)和当前种群全体个体编号组，当前种群全体个体编号组令K：＝{1，2，…N}；
令r1：＝l并从K随机选取r2和r3，由DE/rand/l变异算子生成临时个体y′，再由另一种算子生成新个体y；
采用如下变异算子：
Figure FDA0004270854400000041
Figure FDA0004270854400000042
其中，Li和Ri分别为第i个决策变量的下界和上界，决策变量指决策向量中的单个元素，r是(0，1)区间范围内的随机数，分布指数η和变异率pm是两个控制参数。
6.根据权利要求4所述的一种基于改进多目标进化算法的无人机群路径规划方法，其特征在于，所述执行边界条件处理，更新理想点包括：
若得到的y违反边界条件，则进行处理，更新理想点z，即
Figure FDA0004270854400000043
若fi(y)≤zi，令zi：＝fi(y)；
采用边界条件处理如下：
其中，Li和Ri分别为第i个决策变量的下界和上界，决策变量指决策向量中的单个元素，；
利用一种渐进权重状态的约束处理技术对原MOEA/D-DE改进的选择操作，随机从父代编号组K选择一个编号j，若选择次数超过预设允许最大次数nr或K内为空，则继续更新种群；
对于得到的新个体y和当前选择得到的编号j，若wj的状态为可行，令个体为y与xj中的非支配个体，具体由约束支配准则CDP决定，CDP定义如下：
若两个个体均为可行解，则目标函数值更小的个体支配另一个个体；
若两个个体分别为可行解和不可行解，则可行解个体支配不可行解个体；
若两个个体均为不可行解，则约束违反值更小的个体支配另一个个体；
若wj的状态为不可行，令个体
Figure FDA0004270854400000052
其中，ASF为收益标量化函数，公式如下：
Figure FDA0004270854400000053
令xj：
Figure FDA0004270854400000054
从K中移除j，对原MOEA/D-DE继续改进的选择操作。
7.根据权利要求4所述的一种基于改进多目标进化算法的无人机群路径规划方法，其特征在于，所述执行一种渐进权重状态的约束处理技术的权重状态更新过程，更新权重向量组各向量的状态包括：
若MOD(gen,10)＝0，则将当前各向量的状态和各个个体的ASF值存档，并再将未固定的向量的状态全部设为不可行；
若MOD(gen-1,10)＝0，则令当前各向量状态赋值为上一代存档内的状态，并令当前各个个体的ASF值与上一代存档的ASF值比较，记某个编号为i的个体的ASF值存档为Vi，对于某个编号为i的个体在比较ASF值后若满足如下条件：
Figure FDA0004270854400000055
则其对应的权重向量将被固定，当前状态变为可行且不可再改变，其中，梯度因子σ控制权重向量状态切换的速率。
8.根据权利要求4所述的一种基于改进多目标进化算法的无人机群路径规划方法，其特征在于，所述每间隔N代选择一代种群执行基于飞行环境的约束修复机制包括：
若种群P中有不可行解个体，执行基于飞行环境的约束修复机制；
优先选择带有更少违反约束的路径段的不可行解个体进入待修复种群Pr，直至无不可行解可供选择后若仍未选够α×N个个体，再优先选取ASF值较小的可行解个体进入Pr直至Pr中的个体数量达到α×N，其中α表示修复率；
遍历Pr得到下一个个体，若xi为不可行个体，则根据约束修复方法任意选取xi违反的一项约束进行修复更新，若xi为可行个体，则对xi执行变异操作进行更新，记更新生成的个体为
Figure FDA0004270854400000061
对于违反各无人机间安全距离约束，随机选取除起点与终点外的一个控制点(x，y，z)，令控制点在空间中随机偏移一定距离，由如下公式生成更新后的控制点(x，y，z*)：
Figure FDA0004270854400000062
其中，r是(0，1)区间范围内的随机数，round(r)输出r四舍五入到取整的值；
对于违反无人机群离地飞行高度约束，随机选取除起点与终点外的一个控制点(x，y，z)，令控制点在竖直方向上随机偏移一定距离，由如下公式生成更新后的控制点(x，y，z*)：
z*＝z1+hmin+r2×min(z1+hmin-z，hmax-z1-hmin)
其中，z1表示控制点(x，y，z)下方的地形高度；
对于违反无人机群最大飞行高度约束，随机选取除起点与终点外的一个控制点(x，y，z)，令控制点在竖直方向上随机偏移一定距离，由如下公式生成更新后的控制点(x，y，z*)：
z*＝hmax-r2×min(z-hmax，hmax-z1-hmin)
对于违反无人机的飞行坡度约束，随机选取除起点与终点外的一个控制点(x，y，z)以及其上一个或下一个控制点的其中之一(x2，y2，z2)，令控制点在竖直方向上随机偏移一定距离，由如下公式生成更新后的控制点(x，y，z*)：
z*＝z-r×(z-z2)
对于违反无人机的飞行坡度约束，随机选取除起点与终点外的一个控制点(x，y，z)，令控制点在水平面上随机偏移一定距离由如下公式生成更新后的控制点(x*，y*，z)：
Figure FDA0004270854400000063
db＝min(x，y，xb-x，yb-y)
其中，db是控制点到方形飞行区域边界的最小距离，xb和yb分别表示方形飞行区域沿x轴和y轴方向的上边界；
分别计算xi和
Figure FDA0004270854400000064
的约束违反值c和c*，若c＞c*，则令xi：/>
Figure FDA0004270854400000065
t：＝t+1，若c＜c*，对遍历得到的某个个体xi和初始化循环次数t＝1；
若t！＝α×N，xi为不可行个体，则根据约束修复方法任意选取xi违反的一项约束进行修复更新，若xi为可行个体，则对xi执行变异操作进行更新，记更新生成的个体为
Figure FDA0004270854400000066
若t＝α×N，遍历Pr得到下一个个体；
若种群P中仍有不可行解个体，优先选取ASF值较小的可行解个体进入Pr直至Pr中的个体数量达到α×N；
对Pr中的所有个体执行修复，执行后由选择操作P将会得到更新。
CN202310405415.6A 2023-04-17 2023-04-17 一种基于改进多目标进化算法的无人机群路径规划方法 Active CN116126032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310405415.6A CN116126032B (zh) 2023-04-17 2023-04-17 一种基于改进多目标进化算法的无人机群路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310405415.6A CN116126032B (zh) 2023-04-17 2023-04-17 一种基于改进多目标进化算法的无人机群路径规划方法

Publications (2)

Publication Number Publication Date
CN116126032A CN116126032A (zh) 2023-05-16
CN116126032B true CN116126032B (zh) 2023-07-14

Family

ID=86303130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310405415.6A Active CN116126032B (zh) 2023-04-17 2023-04-17 一种基于改进多目标进化算法的无人机群路径规划方法

Country Status (1)

Country Link
CN (1) CN116126032B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116518982B (zh) * 2023-07-03 2023-09-19 江西啄木蜂科技有限公司 一种低空林业监测遥感无人机路径多目标规划方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109631900A (zh) * 2018-12-24 2019-04-16 中国矿业大学 一种无人机三维航迹多目标粒子群全局规划方法
CN114721429A (zh) * 2022-03-28 2022-07-08 北京航空航天大学 基于改进差分进化算法的三维无人机航迹规划方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130051679A (ko) * 2011-11-10 2013-05-21 한국전자통신연구원 군집지능 라우팅 로봇 장치와 이를 포함하는 이동경로 제어 시스템
CN105841702A (zh) * 2016-03-10 2016-08-10 赛度科技（北京）有限责任公司 一种基于粒子群优化算法的多无人机航路规划方法
CN108229719B (zh) * 2017-11-29 2021-12-14 合肥工业大学 无人机编队任务分配与航迹规划的多目标优化方法及装置
US11565813B2 (en) * 2018-11-02 2023-01-31 University Of South Carolina Swarm-based firefighting drone and mass aerial drop system and method
CN109933067B (zh) * 2019-03-12 2022-07-15 哈尔滨工程大学 一种基于遗传算法和粒子群算法的无人艇避碰方法
CN115705054A (zh) * 2021-08-11 2023-02-17 灵动科技（北京）有限公司 用于移动机器人的路径规划方法及程序产品
CN113703483B (zh) * 2021-08-31 2024-04-09 湖南苍树航天科技有限公司 多uav协同轨迹规划方法及系统、设备、存储介质
CN113985922B (zh) * 2021-11-10 2023-11-17 浙江建德通用航空研究院 一种多目标约束下的无人机分级式路径规划方法
CN114397896B (zh) * 2022-01-10 2023-07-14 贵州大学 一种改进粒子群算法的动态路径规划方法
CN114413906B (zh) * 2022-01-18 2022-12-13 哈尔滨工业大学 一种基于改进粒子群优化算法的三维轨迹规划方法
CN115496206A (zh) * 2022-10-25 2022-12-20 中国科学院自动化研究所 一种面向种群训练的分布式深度强化学习训练模型

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109631900A (zh) * 2018-12-24 2019-04-16 中国矿业大学 一种无人机三维航迹多目标粒子群全局规划方法
CN114721429A (zh) * 2022-03-28 2022-07-08 北京航空航天大学 基于改进差分进化算法的三维无人机航迹规划方法及装置

Also Published As

Publication number Publication date
CN116126032A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN107169608B (zh) 多无人机执行多任务的分配方法及装置
CN107145161B (zh) 无人机访问多目标点的航迹规划方法及装置
CN110887484B (zh) 基于改进遗传算法的移动机器人路径规划方法及存储介质
CN107103164B (zh) 无人机执行多任务的分配方法及装置
CN109631900A (zh) 一种无人机三维航迹多目标粒子群全局规划方法
CN103279793B (zh) 一种确定环境下的无人飞行器编队任务分配方法
CN116126032B (zh) 一种基于改进多目标进化算法的无人机群路径规划方法
CN112082552A (zh) 基于改进的混合粒子群优化算法的无人机航迹规划方法
Lee et al. Efficient hybrid-game strategies coupled to evolutionary algorithms for robust multidisciplinary design optimization in aerospace engineering
CN111047087B (zh) 无人机与车辆协同下路径的智能优化方法和装置
CN109597425B (zh) 基于强化学习的无人机导航和避障方法
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
CN114371711B (zh) 一种机器人编队避障路径规划方法
Haghighi et al. Multi-objective cooperated path planning of multiple unmanned aerial vehicles based on revisit time
CN116954233A (zh) 一种巡检任务与航线自动匹配方法
CN115060263A (zh) 一种考虑低空风和无人机能耗的航迹规划方法
Ma et al. A Fast path re-planning method for UAV based on improved A* algorithm
Yang et al. Path planning of UAVs under dynamic environment based on a hierarchical recursive multiagent genetic algorithm
Wu et al. Multi-phase trajectory optimization for an aerial-aquatic vehicle considering the influence of navigation error
CN113255893A (zh) 一种多智能体行动策略自演进生成方法
CN110160525B (zh) 一种基于离散势能场的危险天气下大量航班改航路径并行化计算方法
CN116820122A (zh) 基于粒子群优化算法无人机的稀土矿山路径规划方法
CN111781920A (zh) 自动驾驶方法、装置和存储介质
CN116518982A (zh) 一种低空林业监测遥感无人机路径多目标规划方法
MELTON et al. 3D Euler flow solutions using unstructured Cartesian and prismatic grids

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