CN116627175A - 一种基于改进蚁群算法的无人机路径规划方法 - Google Patents

Abstract

本发明涉及无人机路径规划领域，具体来说涉及一种基于改进蚁群算法的无人机路径规划方法。本发明提出一种改进的蚁群算法。首先，该算法在启发函数中加入A*算法的估价函数，同时引入抗弯折权重系数，以减少路径弯曲次数以及较大的累积转弯角度；其次，提出利用信息素调配因子来改进信息素的更新规则，提升算法收敛速度和全局最优性；最后，引入回退机制加信息素浓度惩罚机制来解决传统蚁群算法易陷入死锁问题。仿真结果表明，在更加复杂地图中改进的蚁群算法与传统蚁群算法相比，拐角次数减少67％，迭代次数减少75％。改进的蚁群算法收敛速度更快、效率更高，对无人机路径规划更具有现实的指导意义。

Description

一种基于改进蚁群算法的无人机路径规划方法

技术领域

本发明涉及无人机路径规划技术领域，具体涉及一种基于改进蚁群算法的无人机路径规划方法。

背景技术

无人机已经广泛应用于智慧农业、工业生产、物流投递等重要领域，具有广阔的发展前景。在无人机相关技术领域，路径规划一直是一个重要的研究热点问题。路径规划目的是在一张有各种障碍物的地图中，快速且精准地寻找出一条连接起始点和目标点的路径，且该路径能准确无误地避开所有的障碍物。依据路径规划算法的特性，可以把它们区分为传统路径规划算法和智能路径规划算法。传统路径规划算法有APF算法、Dijkstra算法、A*算法和Bug算法等算法。然而，这类算法存在计算效率低下、容易陷入局部最小值等问题。当搜索地图扩大时，这些局限性将被放大。智能路径规划算法包括神经神经网络算法、遗传算法和蚁群算法等算法，这类算法最大的特性是具备特殊的学习能力和具有随机性，可以应对较为复杂的地图环境，并且其解并不是唯一的。

其中，智能算法中的蚁群算法具备较强的地图动态搜索能力和较好的鲁棒性，在路径规划算法领域中应用较为广泛。但不可否认的是传统的蚁群算法还是有它的局限性，比如收敛速度慢、局部最优和易陷入死锁等问题。在无人机路径规划领域，很少有研究考虑到因转弯次数过多和累积转弯角度过大而导致的运行耗时长、耗能增大的问题。

发明内容

本发明的目的在于提供一种基于改进蚁群算法的无人机路径规划方法，旨在解决传统蚁群算法易陷入死锁问题，减少无人机在规划时路径弯曲次数以及较大的累积转弯角度。

为实现上述目的，本发明提供了一种基于改进蚁群算法的无人机路径规划方法，包括下列步骤：

步骤1：应用栅格法对地图环境进行建模，设定好起始点和目标点的位置；

步骤2：初始化系统并设置参数；

步骤3：更新禁忌表；

步骤4：判断进程死锁；

步骤5：采用轮盘赌策略选择下一个栅格；

步骤6：判断蚂蚁是否到达目标点；

步骤7：更新信息素。

可选的，在初始化系统并设置参数的过程中，相应参数包括蚂蚁数量m、信息素激励因子α、期望启发因子β和信息素挥发系数ρ。

可选的，更新禁忌表的过程，具体为将蚂蚁k(k＝1,2,...,n)放在当前节点上，并将当前节点添加到禁忌表中。

可选的，判断进程死锁具体为判断蚂蚁是否陷入死锁点，如果陷入死锁点，则采取回退机制，并将后退前的节点纳入禁忌表，同时信息素浓度惩罚机制将该死锁点上的信息素浓度清空，然后判断蚂蚁下步栅格是否可行且未到达目标点，若下步栅格可行且未到达目标点，则转至步骤5，否则转至步骤3。

可选的，在采用轮盘赌策略选择下一个栅格的过程中，首先通过加入A*算法和将目标点纳入考虑改进启发函数，再选择下一个要到达的栅格。

可选的，判断蚂蚁是否到达目标点具体为判断是否每只蚂蚁都已到达，若未到达，重复执行步骤3，直到蚁群中每只蚂蚁都在迭代过程中完成路径搜索，然后就转至步骤7。

可选的，更新信息素的过程，包括下列步骤：

步骤7.1：每次迭代之后，若迭代次数满足，则按照以下公式更新信息素：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij

W₂＝V_uav·T_uav

其中，ρ的取值范围为0＜ρ＜1，K₁和K₂是大于1的常数，ò表示信息素调配因子，是一个可变常数，L_k表示蚂蚁k寻找的路径长度，表示最优路径转弯权重，L_average表示本次迭代所有蚂蚁的平均路径长度，W₁和W₂分别表示将转弯角度和转弯次数转换为栅格长度，Cals(l)表示最优路径上转弯的所有角度之和，Turn(l)表示最优路径上的转弯数之和，V_uav表示无人机飞行的恒定速度，ω_uav表示无人机转弯飞行时的角速度，T_uav表示无人机转动一次加速或减速的时间；

步骤7.2：保证信息素浓度满足以下公式：

其中，τ_max和τ_min分别为在每条路径上设定的信息素浓度上下限；若满足收敛条件，则退出；如果不满足，则转至步骤3；

步骤7.3：若迭代次数N满足N＞N_max，则停止计数，输出最终结果。

本发明提供了一种基于改进蚁群算法的无人机路径规划方法，在启发函数中加入改进A*算法估价函数的同时引入抗弯折权重系数，解决路径弯曲次数以及较大的累积转弯角度问题；然后利用信息素调配因子来改进信息素的更新规则，提升算法的收敛速度和全局最优性；最后，引入回退机制加信息素浓度惩罚机制来解决传统蚁群算法容易陷入死锁问题。本发明可以减少无人机在规划时路径弯曲次数以及较大的累积转弯角度，提升算法的收敛速度和全局最优性，并解决传统蚁群算法易陷入死锁问题。从仿真效果来看，本发明改进的蚁群算法收敛速度更快、拐角次数更少、效率更高，对无人机路径规划更具有现实的指导意义。

附图说明

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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种基于改进蚁群算法的无人机路径规划方法的具体流程示意图。

图2是本发明的具体实施例中10*10地图传统蚁群算法移动轨迹示意图。

图3是本发明的具体实施例中10*10地图改进蚁群算法移动轨迹示意图。

图4是本发明的具体实施例中10*10地图传统蚁群算法收敛曲线示意图。

图5是本发明的具体实施例中10*10地图改进蚁群算法收敛曲线示意图。

图6是是本发明的具体实施例中20*20地图传统蚁群算法移动轨迹示意图。

图7是是本发明的具体实施例中20*20地图改进蚁群算法移动轨迹示意图。

图8是是本发明的具体实施例中20*20地图传统蚁群算法收敛曲线示意图。

图9是是本发明的具体实施例中20*20地图改进蚁群算法收敛曲线示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明提供了一种基于改进蚁群算法的无人机路径规划方法，包括下列步骤：

S1：应用栅格法对地图环境进行建模，设定好起始点和目标点的位置；

S2：初始化系统并设置参数；

S3：更新禁忌表；

S4：判断进程死锁；

S5：采用轮盘赌策略选择下一个栅格；

S6：判断蚂蚁是否到达目标点；

S7：更新信息素。

具体的整体流程图如图1所示，以下结合具体实施步骤以及相关术语作进一步说明：

1、状态转移概率

在t时刻由当前节点i选择下一路径节点j是蚂蚁k根据系统的初始信息素浓度、启发因子等因素进行判别的，采用的是轮盘赌的形式，则下一节点的状态转移概率为：

在公式中，τ_ij表示栅格i到栅格j的信息素浓度，η_ij表示栅格i到栅格j的启发式信息，α表示信息素激励因子，α的取值越大，则大部分蚂蚁走过的路径被选中的概率就越大。β是期望启发因子，表示启发式信息的相对影响程度。allowed_k是可供蚂蚁k挑选的节点集合。

2、启发函数

传统的蚁群算法在进行路径搜索的时候只考虑了节点i和节点j之间的代价，并没有将目标点的影响纳入考虑，这就致使在地图中相邻栅格之间的启发值相差不大，也就导致了算法在路径搜索途中容易陷入局部最优，不利于全局最优解。而A*算法在全局规划时有着较优的规划路径和规划速度。基于此，本发明在传统蚁群算法的启发函数中加入A*算法和将目标点纳入考虑，运用A*算法的估价函数f(n)来指导蚂蚁对下一节点的搜索和扩展。估价函数f(n)的表达式如公式(2)所示：

f(n)＝g(n)+h(n) (2)

其中，g(n)表示从起始节点到当前节点的最小路径成本值，h(n)表示从当前节点到目标节点的最小路径成本估计值。g(n)和h(n)的表达式如公式(3)～(4)所示：

其中，(n_x,n_y)表示当前节点n的坐标，(s_x,s_y)表示起始节点s的坐标，(g_x,g_y)表示目标节点g的坐标。

如果无人机在实际的路径规划中只将路径最短纳入考虑，则会因转弯次数过多和累积转弯角度过大而导致运行耗时长、耗能增大的问题。基于此，本发明引入抗弯折权重系数ξ_bend，使无人机尽可能地去选择一条转弯次数少和转弯角度小的路径，抗弯折权重系数ξ_bend表达式如公式(5)所示：

其中，是路径弯折次数转换为栅格长度的系数，ψ是角度转换为栅格长度的系数。turn_path表示无人机在前一节点n-1到后一节点n+1的路径弯折次数，angle_path表示前一节点n-1到当前节点n的线段和当前节点n到后一节点n+1的线段之间的角度。

综上所述，在改进的蚁群算法中，在启发函数中加入A*算法的估价函数，可以提高算法的全局搜索能力和提升收敛速度；同时引入抗弯折权重系数，以便减少路径弯曲次数以及较大的累积转弯角度。改进之后的启发函数如公式(6)所示：

其中，C₁是大于1的常数，λ₁和λ₂表示启发式刺激因子。

3、信息素更新规则

传统蚁群算法信息素浓度的更新规则主要是由随时间挥发后剩余的部分和下一轮迭代蚂蚁经过后新增的部分组成，这就可能导致搜索效率低和收敛速度慢的问题；并且在搜索路径的时候，有一部分蚂蚁搜寻的路径是最差路径，在最差路径上释放的信息素对后面迭代的蚂蚁会造成负面效果，容易陷入局部最优解；而另一部分蚂蚁搜寻的路径是最优路径，在最优路径上释放的信息素对后面迭代的蚂蚁有正反馈作用。基于此，本发明综合考虑全局最优性，改进信息素更新规则，让性能越佳路径余留的信息素越大，性能越差路径余留的信息素越小，提升算法收敛性。改进的信息素更新规则如公式(7)～(8)所示：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij (7)

其中，ρ的取值范围为0＜ρ＜1，K₁和K₂是大于1的常数，ò表示信息素调配因子，是一个可变常数，L_k表示蚂蚁k寻找的路径长度，表示最优路径转弯权重，ò和/>表达式如公式(9)～(12)所示：

W₂＝V_uav·T_uav (12)

其中，L_average表示本次迭代所有蚂蚁的平均路径长度，W₁和W₂分别表示将转弯角度和转弯次数转换为栅格长度，Cals(l)表示最优路径上转弯的所有角度之和，Turn(l)表示最优路径上的转弯数之和，V_uav表示无人机飞行的恒定速度，ω_uav表示无人机转弯飞行时的角速度，T_uav表示无人机转动一次加速或减速的时间。

改进算法经过多次迭代之后，在某些路径上可能出现信息素浓度过大或者过小的情况，使得后续搜索难以进行。为了防止这种早熟情况的发生，参考最大最小蚂蚁系统(MMAS算法)，对信息素浓度τ的取值进行限定，如公式(13)所示：

其中，τ_max和τ_min分别为在每条路径上设定的信息素浓度上下限。

4、死锁问题

当地图环境比较复杂，比如存在U型障碍物的时候，蚂蚁在搜寻路径的时候可能会陷入死锁点，不能继续向下一节点移动。传统的蚁群算法在陷入这种情况的时候，会选择将陷入死锁点的蚂蚁从蚁群从剔除，不更新全局信息素。但是这样的缺陷是如果没有对死锁点进行限制，后续还是会有一部分蚂蚁陷入此死锁点，再经过几轮迭代之后，蚁群中蚂蚁的数量就会越来越少，致使全局解的多样性降低，也不利于最优路径的搜寻。基于此，本发明提出一种退回机制加死锁点信息素浓度惩罚机制，即蚂蚁k在陷入死锁点的时候，回退机制允许蚂蚁k后退一步，并将后退前的节点纳入禁忌表，同时信息素浓度惩罚机制将该死锁点上的信息素浓度清空，即信息素为0。如果蚂蚁仍然陷入死锁状态，则反复进行以上步骤，直到不再陷入死锁状态。

进一步的，在步骤S2中，相关的参数有蚂蚁数量m、信息素激励因子α、期望启发因子β和信息素挥发系数ρ等。

步骤S3更新禁忌表的过程，具体为将蚂蚁k(k＝1,2,...,n)放在当前节点上，并将当前节点添加到禁忌表中。

步骤S4，判断蚂蚁是否陷入死锁点，如果陷入死锁点，则采取回退机制，并将后退前的节点纳入禁忌表，同时信息素浓度惩罚机制将该死锁点上的信息素浓度清空，然后判断蚂蚁下步栅格是否可行且未到达目标点，若下步栅格可行且未到达目标点，则转至步骤S5，否则转至步骤S3。

步骤S5，选择下一个栅格，根据公式(6)计算得到启发函数和公式(2)计算得到概率函数，然后采用轮盘赌策略选择下一个要到达的栅格。

步骤S6：判断蚂蚁是否到达目标点，若未到达，重复步骤S3，直到蚁群中每只蚂蚁都在迭代过程中完成路径搜索，然后就转至步骤S7。

步骤S7：更新信息素。每次迭代之后，若迭代次数N满足N≤N_max，则按照公式(7)～(12)更新信息素，同时保证信息素浓度满足公式(13)，若满足收敛条件，则退出；如果不满足，则转至步骤3；若迭代次数N满足N＞N_max，则停止计数，输出最终结果。

进一步的，请参阅图2至图9，本发明还提出了一个具体实施例，通过仿真结果与传统蚁群算法进行比较说明：

1)10*10地图

传统蚁群算法和本发明改进的蚁群算法在10*10地图的路径移动轨迹如图2和图3所示。由图可知，在10*10的栅格地图中，改进后的算法具有一定的优越性，传统蚁群算法拐角次数为7次，而改进蚁群算法拐角次数为4次，拐角次数减少43％。传统蚁群算法和本发明改进的蚁群算法的收敛曲线如图4和图5所示，由图可知，传统蚁群算法最优路径迭代次数为9次，而改进蚁群算法最优路径迭代次数为4次，最优路径迭代次数减少56％。

2)20*20地图

传统蚁群算法和本发明改进的蚁群算法在20*20地图的路径移动轨迹如图6和图7所示。由图可知，在20*20的栅格地图中，本发明改进的蚁群算法效果更加明显，生成的路径更加平滑，传统蚁群算法拐角次数为15次，而改进蚁群算法拐角次数仅为5次，拐角次数减少67％，避免了无人机过多的能耗损失，延长无人机寿命。传统蚁群算法和本发明改进的蚁群算法的收敛曲线如图8和图9所示，由图可知，改进的蚁群算法整体寻优效果更好、收敛速度更快。传统蚁群算法最优路径迭代63次才能达到收敛状态，而改进蚁群算法最优路径迭代次数仅为16次就达到收敛状态，达到收敛状态时迭代次数减少75％。

综上所述，本发明在10*10的栅格地图中具有一定的优越性，相较于传统蚁群算法，拐角次数减少43％，最优路径迭代次数减少56％。在20*20的复杂栅格地图中，本发明改进的蚁群算法效果更加明显，生成的路径更加平滑，相较于传统蚁群算法拐角次数减少67％，避免了无人机过多的能耗损失，延长无人机寿命。本发明改进的蚁群算法最优路径迭代次数仅为16次就达到收敛状态，相较于传统达到收敛状态时迭代次数减少75％，改进之后的蚁群算法整体寻优效果更好、收敛速度更快以及具有更少的路径转弯次数和较小的累积转弯角度。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (7)

1.一种基于改进蚁群算法的无人机路径规划方法，其特征在于，包括下列步骤：

步骤1：应用栅格法对地图环境进行建模，设定好起始点和目标点的位置；

步骤2：初始化系统并设置参数；

步骤3：更新禁忌表；

步骤4：判断进程死锁；

步骤5：采用轮盘赌策略选择下一个栅格；

步骤6：判断蚂蚁是否到达目标点；

步骤7：更新信息素。

2.如权利要求1所述的基于改进蚁群算法的无人机路径规划方法，其特征在于，

在初始化系统并设置参数的过程中，相应参数包括蚂蚁数量m、信息素激励因子α、期望启发因子β和信息素挥发系数ρ。

3.如权利要求2所述的基于改进蚁群算法的无人机路径规划方法，其特征在于，

更新禁忌表的过程，具体为将蚂蚁k(k＝1,2,...,n)放在当前节点上，并将当前节点添加到禁忌表中。

4.如权利要求3所述的基于改进蚁群算法的无人机路径规划方法，其特征在于，

判断进程死锁具体为判断蚂蚁是否陷入死锁点，如果陷入死锁点，则采取回退机制，并将后退前的节点纳入禁忌表，同时信息素浓度惩罚机制将该死锁点上的信息素浓度清空，然后判断蚂蚁下步栅格是否可行且未到达目标点，若下步栅格可行且未到达目标点，则转至步骤5，否则转至步骤3。

5.如权利要求4所述的基于改进蚁群算法的无人机路径规划方法，其特征在于，

在采用轮盘赌策略选择下一个栅格的过程中，首先通过加入A*算法和将目标点纳入考虑改进启发函数，再选择下一个要到达的栅格。

6.如权利要求5所述的基于改进蚁群算法的无人机路径规划方法，其特征在于，

判断蚂蚁是否到达目标点具体为判断是否每只蚂蚁都已到达，若未到达，重复执行步骤3，直到蚁群中每只蚂蚁都在迭代过程中完成路径搜索，然后就转至步骤7。

7.如权利要求6所述的基于改进蚁群算法的无人机路径规划方法，其特征在于，

更新信息素的过程，包括下列步骤：

步骤7.1：每次迭代之后，若迭代次数满足，则按照以下公式更新信息素：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij

W₂＝V_uav·T_uav

其中，ρ的取值范围为0＜ρ＜1，K₁和K₂是大于1的常数，ò表示信息素调配因子，是一个可变常数，L_k表示蚂蚁k寻找的路径长度，表示最优路径转弯权重，L_average表示本次迭代所有蚂蚁的平均路径长度，W₁和W₂分别表示将转弯角度和转弯次数转换为栅格长度，Cals(l)表示最优路径上转弯的所有角度之和，Turn(l)表示最优路径上的转弯数之和，V_uav表示无人机飞行的恒定速度，ω_uav表示无人机转弯飞行时的角速度，T_uav表示无人机转动一次加速或减速的时间；

步骤7.2：保证信息素浓度满足以下公式：

其中，τ_max和τ_min分别为在每条路径上设定的信息素浓度上下限；若满足收敛条件，则退出；如果不满足，则转至步骤3；

步骤7.3：若迭代次数N满足N＞N_max，则停止计数，输出最终结果。