CN116661496A - 一种基于智能算法的多巡飞弹协同航迹规划方法 - Google Patents

Abstract

本发明提供一种基于智能算法的多巡飞弹协同航迹规划方法，包括如下步骤：构建包括三维地图和威胁范围的战场环境；建立单巡飞弹规划层的代价函数和性能约束；基于个体航迹自身的特性，个体航迹与其他航迹之间的时空协同性，建立多巡飞弹协同航迹规划层的代价函数；基于粒子群与人工蜂群混合优化算法确定多巡飞弹最优航迹。本发明提供一种基于智能算法的多巡飞弹协同航迹规划方法，该方法具有较强的全局搜索能力和局部搜索能力，满足多巡飞弹协同航迹规划的要求，规划出的航迹能够从不同的方向对目标实施攻击，有效提高摧毁目标的概率。

Description

一种基于智能算法的多巡飞弹协同航迹规划方法

技术领域

本发明属于多巡飞弹协同规划技术领域，特别涉及一种基于智能算法的多巡飞弹协同航迹规划方法。

背景技术

近年来，无人机平台、自主化控制、网络科技以及人工智能等前沿技术的进步和实践，显著推动了无人系统设备的发展，其中巡飞弹和无人机群系统是典型的例子。集群智能导弹因其规模效应，展现出出色的战场适应性和任务执行效率，能够应对在复杂环境下的协同搜寻和协同攻击等任务。在巡飞弹协同作战情况下，如何让巡飞弹群快速突破敌军的防线，并最大化目标摧毁率，多巡飞弹的协同航迹规划便显得至关重要。

然而，在复杂的三维地形环境中进行航迹规划仍然是一个挑战。传统的航迹规划方法，例如A*算法，虽然在规划时间和航迹长度上表现优异，但是这是以航迹的平滑性、安全性和隐蔽性为代价的，不适用于多巡飞弹的协同作战。基于群智能的多航迹协同规划算法是当前的主要研究方向。粒子群算法简洁且易于实现，但却易陷入局部最优解，其全局搜索能力有待提高；在复杂的三维战斗环境中，粒子群算法的解决精度会随着搜索空间的复杂度增加而降低。人工蜂群算法拥有出色的全局搜索能力，但由于蜂群在每一代不直接使用全局最优信息，只是存储其最优信息，所以其局部搜索能力较弱。

因此，目前的群智能算法都无法单独有效规划出无碰撞且能同时从不同方向攻击目标的多巡飞弹协同航迹。

发明内容

本申请的目的在于解决现有技术中群智能算法都无法单独有效规划出无碰撞且能同时从不同方向攻击目标的多巡飞弹协同航迹的问题。

本申请提供一种基于智能算法的多巡飞弹协同航迹规划方法，方法包括：

步骤1、构建战场环境；其中，战场环境三维地形、威胁范围；

步骤2、建立单巡飞弹规划层的代价函数和性能约束；其中，代价因素包括航程距离代价、地形匹配度代价和潜在威胁代价，性能约束包括最短航迹段约束、最大飞行距离约束、最大俯冲角约束和最大水平转角约束；

步骤3、建立多巡飞弹协同航迹规划层的代价函数，代价函数包括：个体航迹自身的特性，个体航迹与其他航迹之间的时空协同性；

步骤4、基于粒子群与人工蜂群混合优化算法确定多巡飞弹最优航迹。

可选的，构建战场环境，包括：

采用函数模拟法构建三维地形；模拟起伏地形的数学模型为：

模拟山脉地形的数学模型为：

对起伏地形和山脉地形数据进行三次样条插值处理，构建出三维地形环境：

Z(x,y)＝max(Z₁(x,y),Z₂(x,y))

式中，Z₁为(x,y)对应的地形高程；a,b,c,d,e,f,g均为常系数；n为山峰个数，x_Mi为第i个山峰沿x轴的顶点坐标，y_Mi为第i个山峰沿y轴的顶点坐标，h_Mi为山峰顶点的高度；x_is为控制山峰沿x轴方向的坡度衰减量，y_is为控制山峰沿y轴方向的坡度衰减量。

可选的，通过以下方法确定威胁范围：

步骤11、预先获取敌方雷达系统的位置以及平面威胁半径；

步骤12、将雷达探测的威胁区域等效为最大的半球体截面模型：

式中，表示第i个雷达威胁区域；/>为雷达位置坐标，/>为雷达扫描半径。

可选的，航程距离代价通过以下方法确认：

式中， 为第i个巡飞弹的第k航迹段长度；N为航迹点个数；||·||代表欧式距离；

所述地形匹配度代价为：

式中，为第k个航迹点对应的地形高程，h_safe为巡飞弹的安全飞行高度，/>为巡飞弹第k航迹点对应的实际飞行高度；

潜在威胁代价为：

式中，m为雷达威胁的数量，θ为各雷达威胁，d_(P,θ)表示航迹点到雷达中心点的直线距离，r_θ表示各雷达威胁的半径分布；

所述最短航迹段约束为：

式中，为规划航迹的第k航迹段长度，l_min为允许的最短航迹段；

所述最大飞行距离约束为：

式中，为规划航迹的第k航迹段长度，L_max为最大飞行距离；

所述最大俯冲角约束为：

式中，θ_max为最大俯冲角，为第k航迹段的水平投影；

所述最大水平转角约束为：式中，/>为最大水平转角约束；

单巡飞弹规划层的航迹代价函数如下：

J_single＝ω₁Cost_L+ω₂Cost_H+ω₃Cost_Radar+ξPF

式中，ω_i为权系数且为了处理上述约束条件，引入罚函数PF：ξ为惩罚因子。

可选的，所述多巡飞弹协同航迹规划层的协同函数通过以下方法确定：

式中，表示巡飞弹i的航迹总长；V_i表示巡飞弹i的速度；ETA表示协同时间；n表示巡飞弹数量；协同函数在协同时间ETA难选取的情况下，确定为：

式中，表示平均时间；

对于两枚以上的巡飞弹，协同函数确定为：

f＝|J_l1/V₁-J_l2/V₂|

构建一个子目标，对攻击入射角度相对较大的情况给予奖励，奖励函数为：

式中，D_i表示巡飞弹i的攻击进入角；

多巡飞弹航迹代价函数设计为：

式中，ε_i(i＝1,2,3)为权值，f为多巡飞弹协同函数，F_i表示巡飞弹i的航迹性能。

可选的，基于粒子群与人工蜂群混合优化算法确定多巡飞弹最优航迹，包括：

步骤41、利用Tent映射初始化种群，即各巡飞弹的初始航迹：

X＝X_lb+(X_ub-X_lb)x

式中，X为映射后的航迹点，X_ub，X_lb分别为巡飞弹航迹点在三维地形的上界和下届；

步骤42、利用人工蜂群算法对所有初始航迹进行优化，求出最佳航迹A_best及相应代价函数值

步骤43、利用粒子群算法对所有初始航迹进行优化，求出最佳航迹G_best及相应代价函数值

步骤44、利用重组算子计算选择最佳航迹A_best的概率；

步骤45、随机为巡飞弹i产生一个[0,1]间的随机数r，巡飞弹i航迹的最优解定义如下：

产生一个新的最优航迹Best，并将Best作为下一次迭代人工蜂群算法跟随蜂的邻域蜜源和粒子群算法的全局极值；

步骤46、记录所有巡飞弹目前为止最好的最优航迹；

步骤47、判断算法是否达到最大迭代次数或对应的代价函数值满足精度要求；如果满足,则保存各巡飞弹最优航迹点和其代价函数值,否则转步骤42。

本发明与现有技术相比，其显著优点为：1)本申请的方法为多巡飞弹航迹规划提供技术支持，通过建立单巡飞弹规划层和多巡飞弹协同航迹规划层的代价函数和性能约束，实现了多巡飞弹航迹的可飞性、协同性以及对目标从不同方位打击以提高摧毁目标概率的作战要求；2)本申请的方法利用重组算子让粒子群与人工蜂群跟踪彼此的全局最优解，并通过选择概率选取混合算法的最优航迹，作为下一次迭代人工蜂群算法跟随蜂的邻域蜜源和粒子群算法的全局极值，从而实现人工蜂群与粒子群之间的信息交流，弥补各自的缺陷，使算法既具有较好的全局搜索能力，又具有较好的局部搜索能力。

下面结合附图对本发明作进一步详细的描述。

附图说明

图1为本发明所述多巡飞弹协同航迹规划方法的总体流程示意图。

图2为本发明所述三维任务环境示意图。

图3为本发明实施例中基于粒子群和人工蜂群混合算法的单巡飞弹航迹规划三维示意图。

图4为本发明实施例中基于粒子群和人工蜂群混合算法的单巡飞弹航迹规划二维示意图。

图5为本发明实施例中基于粒子群和人工蜂群混合算法的单巡飞弹航迹规划的目标代价函数值图。

图6为本发明实施例中基于粒子群和人工蜂群混合算法的多巡飞弹航迹规划三维示意图。

图7为本发明实施例中基于粒子群和人工蜂群混合算法的多巡飞弹航迹规划二维示意图。

图8为本发明实施例中基于粒子群和人工蜂群混合算法的多巡飞弹航迹规划的目标代价函数值图。

具体实施方式

结合图1，一种基于智能算法的多巡飞弹协同航迹规划方法，包括以下步骤：

一种基于智能算法的多巡飞弹协同航迹规划方法，其特征在于，所述方法包括：

步骤1、构建战场环境；其中，战场环境三维地形、威胁范围；

步骤2、建立单巡飞弹规划层的代价函数和性能约束；其中，代价因素包括航程距离代价、地形匹配度代价和潜在威胁代价，性能约束包括最短航迹段约束、最大飞行距离约束、最大俯冲角约束和最大水平转角约束；

步骤3、建立多巡飞弹协同航迹规划层的代价函数，代价函数包括：个体航迹自身的特性，个体航迹与其他航迹之间的时空协同性；

步骤4、基于粒子群与人工蜂群混合优化算法确定多巡飞弹最优航迹。

具体的，步骤1中，构建战场环境，包括：

采用函数模拟法构建三维地形；模拟起伏地形的数学模型为：

模拟山脉地形的数学模型为：

对起伏地形和山脉地形数据进行三次样条插值处理，构建出三维地形环境：

Z(x,y)＝max(Z₁(x,y),Z₂(x,y))

式中，Z₁为(x,y)对应的地形高程；a,b,c,d,e,f,g均为常系数；n为山峰个数，x_Mi为第i个山峰沿x轴的顶点坐标，y_Mi为第i个山峰沿y轴的顶点坐标，h_Mi为山峰顶点的高度；x_is为控制山峰沿x轴方向的坡度衰减量，y_is为控制山峰沿y轴方向的坡度衰减量。

通过以下方法确定威胁范围：

步骤11、预先获取敌方雷达系统的位置以及平面威胁半径；

步骤12、将雷达探测的威胁区域等效为最大的半球体截面模型：

式中，表示第i个雷达威胁区域；/>为雷达位置坐标，/>为雷达扫描半径。

步骤2中，航程距离代价通过以下方法确认：

式中， 为第i个巡飞弹的第k航迹段长度；N为航迹点个数；||·||代表欧式距离；

所述地形匹配度代价为：

式中，为第k个航迹点对应的地形高程，h_safe为巡飞弹的安全飞行高度，/>为巡飞弹第k航迹点对应的实际飞行高度；

潜在威胁代价为：

式中，m为雷达威胁的数量，θ为各雷达威胁，d_(P,θ)表示航迹点到雷达中心点的直线距离，r_θ表示各雷达威胁的半径分布；

所述最短航迹段约束为：

式中，为规划航迹的第k航迹段长度，l_min为允许的最短航迹段；最短航迹段约束保证了航迹的基本连续性。

所述最大飞行距离约束为：

式中，为规划航迹的第k航迹段长度，L_max为最大飞行距离；最大飞行距离约束限制了巡飞弹的续航能力；

所述最大俯冲角约束为：

式中，θ_max为最大俯冲角，为第k航迹段的水平投影；最大俯冲角约束限制了巡飞弹垂直方向的机动性；

所述最大水平转角约束为：式中，/>为最大水平转角约束；最大水平转角约束限制了巡飞弹水平方向的机动性。

单巡飞弹规划层的航迹代价函数如下：

J_single＝ω₁Cost_L+ω₂Cost_H+ω₃Cost_Radar+ξPF

式中，ω_i为权系数且为了处理上述约束条件，引入罚函数PF：ξ为惩罚因子。

步骤3中，多巡飞弹协同航迹规划层的协同函数通过以下方法确定：

式中，表示巡飞弹i的航迹总长；V_i表示巡飞弹i的速度；ETA表示协同时间；n表示巡飞弹数量；协同函数在协同时间ETA难选取的情况下，确定为：

式中，表示平均时间；

对于两枚以上的巡飞弹，协同函数确定为：

f＝|J_l1/V₁-J_l2/V₂|

在多巡飞弹航迹规划中，代价函数必须充分考虑协同因素。另外，在特定任务设定下，期望多个巡飞弹能从各个不同方向对同一目标展开攻击，从而提高摧毁目标的概率。为了达到这一目的，构建一个子目标，对攻击入射角度相对较大的情况给予奖励，奖励函数为：

式中，D_i表示巡飞弹i的攻击进入角；

多巡飞弹航迹代价函数设计为：

式中，ε_i(i＝1,2,3)为权值，f为多巡飞弹协同函数，F_i表示巡飞弹i的航迹性能。

混合优化算法能够使粒子群算法有效跳出局部最优值并且提高人工蜂群的局部搜索能力，具体的，步骤4基于粒子群与人工蜂群混合优化算法确定多巡飞弹最优航迹，包括：

步骤41、利用Tent映射初始化种群，即各巡飞弹的初始航迹：

X＝X_lb+(X_ub-X_lb)x

式中，X为映射后的航迹点，X_ub，X_lb分别为巡飞弹航迹点在三维地形的上界和下届；

步骤42、利用人工蜂群算法对所有初始航迹进行优化，求出最佳航迹A_best及相应代价函数值

步骤43、利用粒子群算法对所有初始航迹进行优化，求出最佳航迹G_best及相应代价函数值

步骤44、利用重组算子计算选择最佳航迹A_best的概率；

步骤45、随机为巡飞弹i产生一个[0,1]间的随机数r，巡飞弹i航迹的最优解定义如下：

产生一个新的最优航迹Best，并将Best作为下一次迭代人工蜂群算法跟随蜂的邻域蜜源和粒子群算法的全局极值，使人工蜂群与粒子群能够进行信息交流，对巡飞弹航迹同步优化，弥补了人工蜂群局部搜索能力差和粒子群全局搜索能力差的缺陷，因此算法既具有较好的全局搜索能力，又具有较好的局部搜索能力。

步骤46、记录所有巡飞弹目前为止最好的最优航迹；

步骤47、判断算法是否达到最大迭代次数或对应的代价函数值满足精度要求；如果满足,则保存各巡飞弹最优航迹点和其代价函数值,否则转步骤42。

下面结合实施例对本发明作进一步详细的描述。

本实施例中，巡飞弹的起飞点、目标位置、威胁源均已获取，5枚巡飞弹的起始点分别为(6.5,6.5,0.05)，(20.6,10.7,0.06)，(30.6,14.7,0.06)，(10.7,20.6,0.06)，(20.6,50.4,0.14)，目标位置为(90,90,0.05)，单位km。

本实例中，设定任务区域为100km×100km，巡飞弹安全飞行高度h_safe＝200m，最短航迹段l_min＝10m，最大飞行距离L_max＝250km，最大水平转角最大俯冲角θ_max＝20°，速度范围0.3～0.7Ma。

图3、图4和图5为本发明实施例中单巡飞弹基于粒子群和人工蜂群混合优化算法的三维航迹规划图、二维航迹规划图和相应的目标代价函数值。从图中可以看出，该混合优化算法规划的航迹，能够有效地引导巡飞弹避开威胁，成功抵达目标，这验证了单巡飞弹规划层模型的有效性，并且该算法具有较强的全局搜索性，当巡飞弹探测到前方有多处雷达分布时，能够及时调整航迹，借助地形遮蔽，从侧面对目标进行攻击，满足在复杂战场环境下巡飞弹航迹规划任务的需求。

图6、图7和图8为本发明实施例中多巡飞弹基于粒子群和人工蜂群混合优化算法的三维航迹规划图、二维航迹规划图和相应的目标代价函数值。从图中可以看出，该混合优化算法的全局搜索能力较强，有两枚巡飞弹盘旋一段时间后再对目标进行攻击，增大了地图的覆盖区域，防止有其他威胁突然出现。五枚导弹分别从左中右三个方向对目标实施攻击，满足从不同方向摧毁目标以达到毁伤概率最大的要求，同时五枚巡飞弹有较好的时空协同能力，航迹平滑，飞行过程中没有发生碰撞，并且能够同时到达目标。

本发明通过提供一种基于粒子群和人工蜂群混合优化算法多巡飞弹航迹规划方法，经仿真验证，该方法既保证了每一个巡飞弹生成平滑、安全且隐蔽的可飞航迹，又保证了不同巡飞弹航迹之间实现时空协同，飞行过程中不发生碰撞，从不同方向对目标同时进行攻击，能够提高摧毁目标概率。

Claims (6)

1.一种基于智能算法的多巡飞弹协同航迹规划方法，其特征在于，所述方法包括：

步骤1、构建战场环境；其中，战场环境三维地形、威胁范围；

步骤2、建立单巡飞弹规划层的代价函数和性能约束；其中，代价因素包括航程距离代价、地形匹配度代价和潜在威胁代价，性能约束包括最短航迹段约束、最大飞行距离约束、最大俯冲角约束和最大水平转角约束；

步骤3、建立多巡飞弹协同航迹规划层的代价函数；代价函数包括：个体航迹自身的特性，个体航迹与其他航迹之间的时空协同性；

步骤4、基于粒子群与人工蜂群混合优化算法确定多巡飞弹最优航迹。

2.根据权利要求1所述基于智能算法的多巡飞弹协同航迹规划方法，其特征在于，构建战场环境，包括：

采用函数模拟法构建三维地形；模拟起伏地形的数学模型为：

模拟山脉地形的数学模型为：

对起伏地形和山脉地形数据进行三次样条插值处理，构建出三维地形环境：

Z(x,y)＝max(Z₁(x,y),Z₂(x,y))

式中，Z₁为(x,y)对应的地形高程；a,b,c,d,e,f,g均为常系数；n为山峰个数，x_Mi为第i个山峰沿x轴的顶点坐标，y_Mi为第i个山峰沿y轴的顶点坐标，为山峰顶点的高度；x_is为控制山峰沿x轴方向的坡度衰减量，y_is为控制山峰沿y轴方向的坡度衰减量。

3.根据权利要求1所述基于智能算法的多巡飞弹协同航迹规划方法，其特征在于，通过以下方法确定威胁范围：

步骤11、预先获取敌方雷达系统的位置以及平面威胁半径；

步骤12、将雷达探测的威胁区域等效为最大的半球体截面模型：

式中，表示第i个雷达威胁区域；/>为雷达位置坐标，/>为雷达扫描半径。

4.根据权利要求1所述基于智能算法的多巡飞弹协同航迹规划方法，其特征在于，航程距离代价通过以下方法确认：

式中，为第i个巡飞弹的第k航迹段长度；N为航迹点个数；||·||代表欧式距离；

所述地形匹配度代价为：

式中，为第k个航迹点对应的地形高程，h_safe为巡飞弹的安全飞行高度，/>为巡飞弹第k航迹点对应的实际飞行高度；

潜在威胁代价为：

式中，m为雷达威胁的数量，θ为各雷达威胁，d_(P,θ)表示航迹点到雷达中心点的直线距离，r_θ表示各雷达威胁的半径分布；

所述最短航迹段约束为：

式中，为规划航迹的第k航迹段长度，l_min为允许的最短航迹段；

所述最大飞行距离约束为：

式中，为规划航迹的第k航迹段长度，L_max为最大飞行距离；

所述最大俯冲角约束为：

式中，θ_max为最大俯冲角，为第k航迹段的水平投影；

所述最大水平转角约束为：

式中，为最大水平转角约束；

单巡飞弹规划层的航迹代价函数如下：

J_single＝ω₁Cost_L+ω₂Cost_H+ω₃Cost_Radar+ξPF

式中，ω_i为权系数且为了处理上述约束条件，引入罚函数PF：ξ为惩罚因子。

5.根据权利要求4基于智能算法的多巡飞弹协同航迹规划方法，其特征在于，所述多巡飞弹协同航迹规划层的协同函数通过以下方法确定：

式中，表示巡飞弹i的航迹总长；V_i表示巡飞弹i的速度；ETA表示协同时间；n表示巡飞弹数量；协同函数在协同时间ETA难选取的情况下，确定为：

式中，表示平均时间；

对于两枚以上的巡飞弹，协同函数确定为：

f＝|J_l1/V₁-J_l2/V₂|

构建一个子目标，对攻击入射角度相对较大的情况给予奖励，奖励函数为：

式中，D_i表示巡飞弹i的攻击进入角；

多巡飞弹航迹代价函数设计为：

式中，ε_i(i＝1,2,3)为权值，f为多巡飞弹协同函数，F_i表示巡飞弹i的航迹性能。

6.根据权利要求5所述的基于智能算法的多巡飞弹协同航迹规划方法，其特征在于，基于粒子群与人工蜂群混合优化算法确定多巡飞弹最优航迹，包括：

步骤41、利用Tent映射初始化种群，即各巡飞弹的初始航迹：

X＝X_lb+(X_ub-X_lb)x

式中，X为映射后的航迹点，X_ub，X_lb分别为巡飞弹航迹点在三维地形的上界和下届；

步骤42、利用人工蜂群算法对所有初始航迹进行优化，求出最佳航迹A_best及相应代价函数值F_Abest；

步骤43、利用粒子群算法对所有初始航迹进行优化，求出最佳航迹G_best及相应代价函数值F_Gbest；

步骤44、利用重组算子计算选择最佳航迹A_best的概率；

步骤45、随机为巡飞弹i产生一个[0,1]间的随机数r，巡飞弹i航迹的最优解定义如下：

产生一个新的最优航迹Best，并将Best作为下一次迭代人工蜂群算法跟随蜂的邻域蜜源和粒子群算法的全局极值；

步骤46、记录所有巡飞弹目前为止最好的最优航迹；

步骤47、判断算法是否达到最大迭代次数或对应的代价函数值满足精度要求；如果满足,则保存各巡飞弹最优航迹点和其代价函数值,否则转步骤42。