CN116954239B - 一种基于改进粒子群算法的无人机航迹规划方法及系统 - Google Patents
一种基于改进粒子群算法的无人机航迹规划方法及系统 Download PDFInfo
- Publication number
- CN116954239B CN116954239B CN202310692363.5A CN202310692363A CN116954239B CN 116954239 B CN116954239 B CN 116954239B CN 202310692363 A CN202310692363 A CN 202310692363A CN 116954239 B CN116954239 B CN 116954239B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- track
- optimal
- particle
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title description 4
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 230000035772 mutation Effects 0.000 claims abstract description 16
- 230000015556 catabolic process Effects 0.000 claims abstract description 8
- 238000006731 degradation reaction Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000011010 flushing procedure Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种基于改进粒子群算法的无人机航迹规划方法及系统,涉及无人机规划技术领域。所述方法包括:获取目标任务信息;所述目标任务信息包括出发位置和终点位置;利用无人机飞行环境模型,对所述目标任务信息进行航迹规划,确定无人机最优航迹;所述无人机飞行环境模型是根据改进粒子群算法、代价函数和函数模拟法构建的;所述改进粒子群算法是根据退化率、惯性权值、动态概率和自适应t分布变异算子构建的;所述代价函数是根据无人机约束构建的;所述函数模拟法用于模拟无人机航迹的地貌特征。本发明能够实现在关注局部最优点的同时,提高全局寻优能力,进而提高无人机航迹规划的准确率。
Description
技术领域
本发明涉及无人机规划技术领域,特别是涉及一种基于改进粒子群算法的无人机航迹规划方法及系统。
背景技术
无人机航迹规划主要包括两个方面:整体离线规划和局部实时规划,其中局部实时规划又称为本地规划。无人机航迹规划属于整体的离线规划,其任务必须符合特定的约束。航迹代价值可以直观反映了航迹规划的效果。航迹代价值越小,航迹规划效果就越好。
无人机航迹规划本质上是多约束下的目标优化,其核心内容是找出无人机最佳或次优的路线。由于在大型无人机设备的试飞过程中设计到了很多条件,任务内容繁杂,信息量很大,同时地理环境复杂多变,再加上难以预测的天气因素,导致了许多难以估量的威胁,加之有的干扰因素间还彼此产生了强耦合关系,使高精度的建模难以进行,导致无人机航迹规划准确率不高。
发明内容
本发明的目的是提供一种基于改进粒子群算法的无人机航迹规划方法及系统,能够提高无人机航迹规划的准确率。
为实现上述目的,本发明提供了如下方案:
一种基于改进粒子群算法的无人机航迹规划方法,包括:
获取目标任务信息;所述目标任务信息包括出发位置和终点位置;
利用无人机飞行环境模型,对所述目标任务信息进行航迹规划,确定无人机最优航迹;所述无人机飞行环境模型是根据改进粒子群算法、代价函数和函数模拟法构建的;所述改进粒子群算法是根据退化率、惯性权值、动态概率和自适应t分布变异算子构建的;所述代价函数是根据无人机约束构建的;所述函数模拟法用于模拟无人机航迹的地貌特征。
可选地,所述无人机约束包括最小航迹段长度、最大航迹长度、最大转弯角、最低飞行高度、最高飞行速度和最低飞行速度。
可选地,所述利用无人机飞行环境模型,对所述目标任务信息进行航迹规划,确定无人机最优航迹,具体包括:
根据所述代价函数计算初始粒子适应度值;
根据所述改进粒子群算法、所述目标任务信息和所述初始粒子适应度值进行迭代运算,得到无人机最优航迹。
可选地,根据所述改进粒子群算法、所述目标任务信息和所述初始粒子适应度值进行迭代运算,得到无人机最优航迹,具体包括:
根据所述初始粒子适应度值和所述所述目标任务信息,确定个体最优解和全局最优解;
根据迭代结束条件判断是否停止迭代运算;
若是,则将所述全局最优解确定为无人机最优航迹;
若否,则根据所述个体最优解和所述全局最优解进行种群迭代,生成新的粒子群和随机生成数,并根据设定动态选择概率选择是否执行自适应t分布变异,计算并更新所述初始粒子适应度值。
可选地,所述迭代结束条件为当前迭代次数等于设定最大迭代次数。
本发明还提供了一种基于改进粒子群算法的无人机航迹规划系统,包括:
数据采集模块,用于获取目标任务信息;所述目标任务信息包括出发位置和终点位置;
航迹确定模块,用于利用无人机飞行环境模型,对所述目标任务信息进行航迹规划,确定无人机最优航迹;所述无人机飞行环境模型是根据改进粒子群算法、代价函数和函数模拟法构建的;所述改进粒子群算法是根据退化率、惯性权值、动态概率和自适应t分布变异算子构建的;所述代价函数是根据无人机约束构建的;所述函数模拟法用于模拟无人机航迹的地貌特征。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种基于改进粒子群算法的无人机航迹规划方法及系统,所述方法包括根据目标任务信息和无人机飞行环境模型进行无人机的航迹规划,确定无人机最优航迹,其中,无人机飞行环境模型是根据改进粒子群算法、代价函数和函数模拟法构建的,且改进粒子群算法中通过结合退化率、惯性权值、动态概率和自适应t分布变异算子,能够实现在关注局部最优点的同时,提高全局寻优能力,进而提高无人机航迹规划的准确率。
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为本发明无人机航迹规划方法的流程示意图;
图2为本实施例中无人机航迹规划系统示意图;
图3为本实施例中飞行环境模型网格正视图;
图4为本实施例中改进粒子群算法的无人机路径规划算法流程图;
图5为本发明无人机航迹规划系统的结构框图。
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做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。
本发明的目的是提供一种基于改进粒子群算法的无人机航迹规划方法及系统,能够提高无人机航迹规划的准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了一种基于改进粒子群算法的无人机航迹规划方法,包括:
步骤100:获取目标任务信息;所述目标任务信息包括出发位置和终点位置。
步骤200:利用无人机飞行环境模型,对所述目标任务信息进行航迹规划,确定无人机最优航迹;所述无人机飞行环境模型是根据改进粒子群算法、代价函数和函数模拟法构建的;所述改进粒子群算法是根据退化率、惯性权值、动态概率和自适应t分布变异算子构建的;所述代价函数是根据无人机约束构建的;所述函数模拟法用于模拟无人机航迹的地貌特征。
其中,所述无人机约束包括最小航迹段长度、最大航迹长度、最大转弯角、最低飞行高度、最高飞行速度和最低飞行速度。
作为步骤200的一种具体实施方式,包括以下步骤:
第一步,根据所述代价函数计算初始粒子适应度值;
第二步,根据所述改进粒子群算法、所述目标任务信息和所述初始粒子适应度值进行迭代运算,得到无人机最优航迹。具体包括:
根据所述初始粒子适应度值和所述所述目标任务信息,确定个体最优解和全局最优解;根据迭代结束条件判断是否停止迭代运算;若是,则将所述全局最优解确定为无人机最优航迹;若否,则根据所述个体最优解和所述全局最优解进行种群迭代,生成新的粒子群和随机生成数,并根据设定动态选择概率选择是否执行自适应t分布变异,计算并更新所述初始粒子适应度值。
其中,所述迭代结束条件为当前迭代次数等于设定最大迭代次数。
基于上述技术方案,提供如下实施例。
本实施例公开了一种考虑启发因素,具备智能搜索功能,智能导向能力的无人机航迹规划方法。根据粒子群算法结构计算中的关键参数——惯性权值,引入退化率,使惯性权值在迭代过程中都可以线性地减小,能够满足迭代前期的全局快速搜索和迭代后期的局部精细查找;针对在迭代后期,算法几乎处在静止状态的情况,引入自适应t分布变异算子,结合动态概率,选择性地对粒子群实施随机扰动,使粒子跳出局部最优点,提高了全局寻优能力。实验结果表明了新提出的融入粒子群算法的无人机航迹规划方法的可行性,在减小航迹规划代价值同时,提高收敛精度。
首先进行问题规划,无人机航迹规划的核心问题可视为目标函数在约束条件下的最优化问题。在规划中,考虑无人飞行器的自身特性、威胁信息、实时性等多种限制条件,必要时还需要考虑约束条件之间的耦合关系。同时,为了获得一条满足条件、贴合实际的最优预测航迹,一个完善有效的规划算法起着中枢作用,而一条完善的目标函数(航迹代价值)则起着指导性作用,方案如图2所示。
然后,建立约束条件。
根据无人机自身的机械、材料、结构等特性和实际任务要求,无人机在航行过程中需要考虑许多影响因素,其中主要有:
(1)最小航迹段长度
无人机航行时,不需频繁地变更航行姿势,可降低能源损耗,并防止由于机身结构强度不足而出现危险,所以在变更航行姿态前需要完成相应长度的直线飞行。最小航迹段长度,表示这段直线飞行的最短距离。而最小航迹段长度由无人机本身的特性和导航的要求决定,设一条完整的航迹有n个节点,其中第i个节点和第i+1个节点之间表示为li,这两个节点的坐标分别表示为(xi,yi,zi),(xi+1,yi+1,zi+1),并分别记作g(i),g(i+1),最小航迹段的长度表示为lmin,该约束可以描述为:
(2)最大航迹长度
因为受到最大推重比的影响,无人机所能航行的距离有限,因此,在无人机航迹规划过程中寻找最短路径显得极为重要。设飞行航迹由{li|i=1,2,...,n}组成,最大航迹长度为Lpath,则约束为:
在飞行的过程中会碰到障碍物或者进入威胁区域,一旦无人机无法躲避障碍物或者即将坠毁以至于无法到达终点,记Lpath=∞,但无穷大值在实际问题中比较难于描述,也不利于统计,通过采用惩罚的方式加以解决,即在代价函数中乘以一个很大的惩罚系数,来近似表示无穷大。
(3)最大转弯角
转弯角度是根据无人机自身性能和任务要求确定的,其是无人机在空中灵活程度的一个指标。最大转弯角限制了无人机的转弯半径,也就是航迹的曲率不宜过大。设定最大转角为Φ,当前转角为θ,并且ai是第i段航迹段向量:
其中,|a|代表矢量a的长度。
(4)最低飞行高度
无人机在执行任务时,尽可能低的飞行高度有利于节省燃料和躲避空中威胁,但过低的飞行高度将增大飞行受气流的影响,从而增加事故几率。因此设定一个安全距离,保证距离地面物体大于或等于此值,使飞行高度尽量降低。飞行高度并不会有太大的变动,相对平稳的飞行高度能够降低控制系统的压力,从而节省更多的能源。为了达到上述目标,给出的飞行高度模型:
其中,hheight为高度的标准差代价函数,是其平均值。
(5)最高/最低飞行速度
大部分情况下,为了安全,无人机的飞行速度只能控制在一定的速度范围内。通常,根据无人机的自身性能及具体任务确定最大/最小速度。飞行速度过低会降低飞行效率,飞行速度过高则有失控的风险。设航行时速为u,最低航行时速为vmin,最高航行时速为vmax,则该约束可表示为:
接着,进行无人机航迹规划建模。
(1)计算无人机航迹代价
无人机航迹规划中约束条件过多,某些不确定因素无法公式模拟,或公式过于复杂。为降低代价函数的计算量,降低代价函数的实现难度,选取了以下几个主要的约束条件,并将它们和威胁因素结合起来,简化后得到了总的代价函数:
Jcost=w1Lpath+w2hheight+w3Jturn (6)
其中,Jcost是总的代价函数,参数wi,i=1,2,3表示每个代价函数的权值,且满足:
通过有效地处理总代价函数,获得由线段构成的航迹。
(2)建立无人机飞行环境模型
环境模型的构建是考察无人机能否顺利完成人类交办任务的依据与基础,其中最重要的一个问题是如何描述规划空间中的障碍物,利用函数模拟法模拟地貌特征,其函数表达式为:
其中,(x,y)为地形上某点在水平面上的坐标,z则是点(x,y)对应的高度。式中a,b,c,d,e,f,g是常系数,通过改变各个参数的大小就能够获得不同特征的地形地貌。
在这个基准地形信息中,叠加山峰模型,山峰模型的数学表达式为:
其中,h0和hi分别代表了基准地形和第座山峰的高度,(xoi,yoi)表示第i座山峰的中心坐标,ai和bi分别是第i座山峰沿x轴和y轴方向的坡度。具体成形效果如图3所示。
算法首先在可行解空间中初始化一组粒子,每个粒子代表轨迹规划问题的一个潜在最优解,并从位置、速度和适应度值等方面描述粒子属性。粒子在解空间中移动并通过跟踪个体最优Pbest和群体最优Gbest来更新其位置。个体最优Pbest是个体粒子搜索到最佳适应度值的位置,种群最优值Gbest是种群中所有粒子搜索到最佳适应度值的位置。对于粒子种群的每次迭代,更新一次位置,更新一次速度,计算一次适应度值,同时将新粒子的适应度值与个体最优值和种群最优值进行比较,个体更新最优Pbest和总体最优Gbest位置。
现在搜索空间为一个D维空间,由n个粒子组成的种群X=(X1X2,…,Xn),其中第个粒子表示为一个D维的向量Xi=(xi1,xi2,…,xiD)T,代表第i个粒子在D维搜索空间中的位置,也代表一种可行解。根据公式2-公式6计算出每个粒子位置Xi对应的适应度值。第i个粒子的速度为Vi=(Vi1,Vi2,…,xiD)T,其个体最优值为Pi=(Pi1,Pi2,…,PiD)T,种群的种群最优值Pg=(Pg1,Pg2,…,PiD)T。
在每次迭代过程中,粒子通过个体最优值和种群最优值更新自身的速度和位置,即:
其中,ω为惯性权重;d=1,2,…,D;i=1,2,…,n;k为当前迭代次数;Vid为粒子的速度;c1和c2是非负的常数,称为加速度因子或学习因子;r1和r2是分布于[0,1]区间的随机数。为了防止粒子的不受控制地冲出搜索边界,一般将位置和速度限制在一定的区间[-Xmax,Xmax]、[-Xmax,Xmax]内。
参数设计:
(1)惯性权值ω
迭代前期设定为较大的常量,迭代后期设定为较小的常量。表达式如下:
其中,λ表示迭代前期所占的比例。
(2)自适应t分布变异算子
引入t分布自由度参量由迭代次数代替,变异算子对粒子位置进行随机扰动,使得算法不完全依赖于惯性权值的取值,对增强迭代后期的局部探索能力和降低陷入局部最优几率有着显著作用,并且提高算法的整体收敛效率,改进后的位置更新描述如下:
其中,为扰动后粒子的位置,/>为第i个粒子第t次迭代时的位置。此更新公式在传统粒子群位置更新的基础上,增加了随机干扰项/>增加了随机干扰信息,使算法能够轻松跃出局部极小点,还能充分利用/>
采用动态选择概率p来作为是否使用t分布变异算子的选择条件,其计算公式如下:
p=w1-w2×(maxiter-iter)/maxiter (14)
其中,maxiter为最大迭代次数,iter为当前迭代次数,w1决定了动态选择概率的上限,w2决定了动态选择概率的下限。动态选择概率p使得算法在迭代前期有较大概率利用自适应t分布变异算法对粒子的的位置进行扰动;同时在迭代后期,充分发挥原算法良好的局部开发能力,以小概率的t分布变异作为补充。
如图4所示,融入改进粒子群算法的无人机路径规划实现步骤:
Step1:设置参数,随机初始化粒子速度和粒子位置;
Step2:根据公式(6)计算粒子适应度值;
Step3:根据初始粒子适应度更新个体最优解和全局最优解;
Step4:判断是否达到最大迭代次数,若是则停止迭代,保存全局最优解,若否则继续执行Step5;
Step5:根据公式(10)与公式(11)更新粒子速度和位置,生成新的粒子群;
Step6:生成随机数rand,范围在[0,1]之间;
Step7:判断随机生成数rand是否大于动态选择概率;若是,则继续执行Step8;若否,则返回Step2;
Step8:通过公式(13)来执行自适应t分布变异操作,然后返回Step2。
基于上述试验过程,得到如下实验结果:
表1记录了标准粒子群算法30次独立重复实验中航迹代价值的实验数据,表2记录了标准粒子群算法中收敛速度的实验数据;表3记录了改进粒子群算法30次独立重复实验中航迹代价值的实验数据,表4记录了改进粒子群算法中收敛代数的实验数据。
表1标准粒子群算法30次独立重复实验(航迹代价值)
表2标准粒子群算法30次独立重复实验(收敛代数)
表3改进粒子群算法30次独立重复实验(航迹代价值)
表4改进粒子群算法30次独立重复实验(收敛代数)
通过表1中仿真结果分析,得到了标准粒子群算法在30次独立重复实验中规划出的航迹代价值的平均值为73.20354,标准差为3.706478,最小值为70.3669,最大值为81.9427。通过表3中的仿真结果分析,可知改进粒子群算法在30次独立重复实验中规划出的航迹代价值的平均值为70.05381,标准差为0.381653,最小值为69.3663,最大值为71.2788。通过结果对比,可知改进粒子群算法在航迹代价值的平均值方面降低6.93%,标准差降低89.7%,收敛精度增加1.44%。
通过对2中仿真结果分析,标准粒子群算法在30次独立重复实验中的收敛代数平均值为125.7667;改进粒子群算法在30次独立重复实验中的收敛代数平均值为192.3333;在收敛代数方面,改进粒子群算法比标准粒子群算法增加了53.6%。统计结果表5所示。
表5各项结果统计
如图5所示,本发明还提供了一种基于改进粒子群算法的无人机航迹规划系统,包括:
数据采集模块,用于获取目标任务信息;所述目标任务信息包括出发位置和终点位置;
航迹确定模块,用于利用无人机飞行环境模型,对所述目标任务信息进行航迹规划,确定无人机最优航迹;所述无人机飞行环境模型是根据改进粒子群算法、代价函数和函数模拟法构建的;所述改进粒子群算法是根据退化率、惯性权值、动态概率和自适应t分布变异算子构建的;所述代价函数是根据无人机约束构建的;所述函数模拟法用于模拟无人机航迹的地貌特征。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种基于改进粒子群算法的无人机航迹规划方法,其特征在于,包括:
获取目标任务信息;所述目标任务信息包括出发位置和终点位置;
利用无人机飞行环境模型,对所述目标任务信息进行航迹规划,确定无人机最优航迹;所述无人机飞行环境模型是根据改进粒子群算法、代价函数和函数模拟法构建的;所述改进粒子群算法是根据退化率、惯性权值、动态概率和自适应t分布变异算子构建的;所述代价函数是根据无人机约束构建的;所述函数模拟法用于模拟无人机航迹的地貌特征;具体步骤包括:
根据所述代价函数计算初始粒子适应度值;
根据所述改进粒子群算法、所述目标任务信息和所述初始粒子适应度值进行迭代运算,得到无人机最优航迹;
根据所述改进粒子群算法、所述目标任务信息和所述初始粒子适应度值进行迭代运算,得到无人机最优航迹,具体包括:
根据所述初始粒子适应度值和所述目标任务信息,确定个体最优解和全局最优解;
根据迭代结束条件判断是否停止迭代运算;
若是,则将所述全局最优解确定为无人机最优航迹;
若否,则根据所述个体最优解和所述全局最优解进行种群迭代,生成新的粒子群和随机生成数,并根据设定动态选择概率选择是否执行自适应t分布变异,计算并更新所述初始粒子适应度值;
所述迭代结束条件为当前迭代次数等于设定最大迭代次数;
所述无人机约束包括最小航迹段长度、最大航迹长度、最大转弯角、最低飞行高度、最高飞行速度和最低飞行速度;
其中,各约束具体为:
(1)最小航迹段长度
设一条完整的航迹有n个节点,其中第i个节点和第i+1个节点之间表示为li,这两个节点的坐标分别表示为(xi,yi,zi),(xi+1,yi+1,zi+1),并分别记作g(i),g(i+1),最小航迹段的长度表示为lmin,约束描述为:
(2)最大航迹长度
设飞行航迹由{li|i=1,2,...,n}组成,最大航迹长度为Lpath,则约束为:
在飞行的过程中会碰到障碍物或者进入威胁区域,一旦无人机无法躲避障碍物或者即将坠毁以至于无法到达终点,记Lpath=∞,在代价函数中乘以一个很大的设定惩罚系数近似表示无穷大;
(3)最大转弯角
最大转弯角限制无人机的转弯半径,设定最大转角为Φ,当前转角为θ,并且ai是第i段航迹段向量:
其中,|a|代表矢量a的长度;
(4)最低飞行高度
设定一个安全距离,保证距离地面物体大于或等于所述安全距离,给出飞行高度模型:
其中,hheight为高度的标准差代价函数,是其平均值;
(5)最高/最低飞行速度
设航行时速为v,最低航行时速为vmin,最高航行时速为vmax,则约束为:
接着,进行无人机航迹规划建模;
(1)计算无人机航迹代价
选取主要的约束条件,并和威胁因素结合起来,得到总的代价函数:
Jcost=ω1Lpath+ω2hheight+ω3Jturn (6)
其中,Jcost是总的代价函数,参数ωi,i=1,2,3表示每个代价函数的权值,且满足:
通过处理总代价函数,获得由线段构成的航迹;
(2)建立无人机飞行环境模型
利用函数模拟法模拟地貌特征,其函数表达式为:
其中,(x,y)为地形上某点在水平面上的坐标,z则是点(x,y)对应的高度,式中a,b,c,d,e,f,g是常系数,通过改变各个参数的大小就能够获得不同特征的地形地貌;
在这个基准地形信息中,叠加山峰模型,山峰模型的数学表达式为:
其中,h0和hi分别代表了基准地形和第座山峰的高度,(xoi,yoi)表示第i座山峰的中心坐标,ai和bi分别是第i座山峰沿x轴和y轴方向的坡度;
算法首先在可行解空间中初始化一组粒子,每个粒子代表轨迹规划问题的一个潜在最优解,并从位置、速度和适应度值等方面描述粒子属性;粒子在解空间中移动并通过跟踪个体最优Pbest和群体最优Gbest来更新其位置;个体最优Pbest是个体粒子搜索到最佳适应度值的位置,种群最优值Gbest是种群中所有粒子搜索到最佳适应度值的位置;对于粒子种群的每次迭代,更新一次位置,更新一次速度,计算一次适应度值,同时将新粒子的适应度值与个体最优值和种群最优值进行比较,个体更新最优Pbest和总体最优Gbest位置;
现在搜索空间为一个D维空间,由n个粒子组成的种群X=(X1,X2,…,Xn),其中第个粒子表示为一个D维的向量Xi=(xi1xi2,…,xiD)T,代表第i个粒子在D维搜索空间中的位置,也代表一种可行解;根据公式(2)-公式(6)计算出每个粒子位置Xi对应的适应度值;第i个粒子的速度为Vi=(Vi1,Vi2,…,xiD)T,其个体最优值为Pi=(Pi1,Pi2,…,PiD)T,种群的种群最优值Pg=(Pg1,Pg2,…,PiD)T;
在每次迭代过程中,粒子通过个体最优值和种群最优值更新自身的速度和位置为:
其中,ω为惯性权重;d=1,2,…,D;i=1,2,…,n;k为当前迭代次数;Vid为粒子的速度;c1和c2是非负的常数,称为加速度因子或学习因子;r1和r2是分布于[0,1]区间的随机数;为了防止粒子的不受控制地冲出搜索边界,一般将位置和速度限制在一定的区间[-Xmax,Xmax]、[-Xmax,Xmax]内;
参数设计:
(1)惯性权值ω
迭代前期设定为较大的常量,迭代后期设定为较小的常量;表达式如下:
其中,λ表示迭代前期所占的比例;
(2)自适应t分布变异算子
引入t分布自由度参量由迭代次数代替,变异算子对粒子位置进行随机扰动,使得算法不完全依赖于惯性权值的取值,对增强迭代后期的局部探索能力和降低陷入局部最优几率有着显著作用,并且提高算法的整体收敛效率,改进后的位置更新描述如下:
其中,为扰动后粒子的位置,/>为第i个粒子第t次迭代时的位置;
采用动态选择概率p来作为是否使用t分布变异算子的选择条件,其计算公式如下:
p=ω1-ω2×(maxiter-iter)/maxiter (14)
其中,maxiter为最大迭代次数,iter为当前迭代次数,ω1决定了动态选择概率的上限,ω2决定了动态选择概率的下限;
融入改进粒子群算法的无人机路径规划实现步骤:
Step1:设置参数,随机初始化粒子速度和粒子位置;
Step2:根据公式(6)计算粒子适应度值;
Step3:根据初始粒子适应度更新个体最优解和全局最优解;
Step4:判断是否达到最大迭代次数,若是则停止迭代,保存全局最优解,若否则继续执行Step5;
Step5:根据公式(10)与公式(11)更新粒子速度和位置,生成新的粒子群;
Step6:生成随机数rand,范围在[0,1]之间;
Step7:判断随机生成数rand是否大于动态选择概率;若是,则继续执行Step8;若否,则返回Step2;
Step8:通过公式(13)来执行自适应t分布变异操作,然后返回Step2。
2.一种基于改进粒子群算法的无人机航迹规划系统,应用于权利要求1所述的基于改进粒子群算法的无人机航迹规划方法,其特征在于,包括:
数据采集模块,用于获取目标任务信息;所述目标任务信息包括出发位置和终点位置;
航迹确定模块,用于利用无人机飞行环境模型,对所述目标任务信息进行航迹规划,确定无人机最优航迹;所述无人机飞行环境模型是根据改进粒子群算法、代价函数和函数模拟法构建的;所述改进粒子群算法是根据退化率、惯性权值、动态概率和自适应t分布变异算子构建的;所述代价函数是根据无人机约束构建的;所述函数模拟法用于模拟无人机航迹的地貌特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310692363.5A CN116954239B (zh) | 2023-06-12 | 2023-06-12 | 一种基于改进粒子群算法的无人机航迹规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310692363.5A CN116954239B (zh) | 2023-06-12 | 2023-06-12 | 一种基于改进粒子群算法的无人机航迹规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116954239A CN116954239A (zh) | 2023-10-27 |
CN116954239B true CN116954239B (zh) | 2024-03-19 |
Family
ID=88450228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310692363.5A Active CN116954239B (zh) | 2023-06-12 | 2023-06-12 | 一种基于改进粒子群算法的无人机航迹规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116954239B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117320106B (zh) * | 2023-11-30 | 2024-03-12 | 湖南林科达信息科技有限公司 | 一种基于北斗的林业无人机智能通信系统及终端 |
CN118089742A (zh) * | 2024-04-23 | 2024-05-28 | 广东电网有限责任公司云浮供电局 | 面向电力巡检的无人机航线确定方法、装置和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876086A (zh) * | 2018-04-12 | 2018-11-23 | 南安市创培电子科技有限公司 | 一种基于粒子群算法的多无人机任务分配方法 |
CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
CN111176334A (zh) * | 2020-01-16 | 2020-05-19 | 浙江大学 | 一种多无人机协同目标搜索方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN113190037A (zh) * | 2021-04-08 | 2021-07-30 | 上海吞山智能科技有限公司 | 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 |
CN113252038A (zh) * | 2021-05-06 | 2021-08-13 | 西北工业大学 | 基于粒子群算法的航迹规划地形辅助导航方法 |
CN114485665A (zh) * | 2021-12-31 | 2022-05-13 | 东华大学 | 一种基于麻雀搜索算法的无人机航迹规划方法 |
-
2023
- 2023-06-12 CN CN202310692363.5A patent/CN116954239B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876086A (zh) * | 2018-04-12 | 2018-11-23 | 南安市创培电子科技有限公司 | 一种基于粒子群算法的多无人机任务分配方法 |
CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN111176334A (zh) * | 2020-01-16 | 2020-05-19 | 浙江大学 | 一种多无人机协同目标搜索方法 |
CN113190037A (zh) * | 2021-04-08 | 2021-07-30 | 上海吞山智能科技有限公司 | 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 |
CN113252038A (zh) * | 2021-05-06 | 2021-08-13 | 西北工业大学 | 基于粒子群算法的航迹规划地形辅助导航方法 |
CN114485665A (zh) * | 2021-12-31 | 2022-05-13 | 东华大学 | 一种基于麻雀搜索算法的无人机航迹规划方法 |
Non-Patent Citations (1)
Title |
---|
王磊 ; 赵红超 ; 王书湖 ; 卢仁伟 ; .基于自适应粒子群优化算法的无人机三维航迹规划.海军航空工程学院学报.2020,(第03期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116954239A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116954239B (zh) | 一种基于改进粒子群算法的无人机航迹规划方法及系统 | |
Shao et al. | Efficient path planning for UAV formation via comprehensively improved particle swarm optimization | |
CN109631900B (zh) | 一种无人机三维航迹多目标粒子群全局规划方法 | |
CN112230678B (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 | |
Huang et al. | Adaptive cylinder vector particle swarm optimization with differential evolution for UAV path planning | |
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 | |
CN110488859B (zh) | 一种基于改进Q-learning算法的无人机航路规划方法 | |
CN114840020A (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
CN115357031B (zh) | 一种基于改进蚁群算法的船舶路径规划方法及系统 | |
CN114089776B (zh) | 一种基于深度强化学习的无人机避障方法 | |
CN112327888B (zh) | 路径规划方法、装置、电子设备和存储介质 | |
CN113268087A (zh) | 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法 | |
CN115903888A (zh) | 一种基于天牛群算法的旋翼无人机自主路径规划方法 | |
CN113359808A (zh) | 一种无人机电力巡检多级路径规划方法及相关装置 | |
CN112666981A (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
CN112824998A (zh) | 马尔可夫决策过程的多无人机协同航路规划方法和装置 | |
Ma et al. | A Fast path re-planning method for UAV based on improved A* algorithm | |
CN115657721A (zh) | 一种基于改进蚁群算法的空间环境无人机轨迹规划方法 | |
CN115060263A (zh) | 一种考虑低空风和无人机能耗的航迹规划方法 | |
Song et al. | A survey of three-dimensional flight path planning for unmanned aerial vehicle | |
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 | |
CN116880561A (zh) | 基于改进粒子群无人机路径规划安全增强的优化方法及系统 | |
CN116518982B (zh) | 一种低空林业监测遥感无人机路径多目标规划方法 | |
CN114777789A (zh) | 一种基于球面矢量鸽群算法的三维避障航路规划方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |