CN116989797B - 无人机航迹优化方法、装置、电子设备及存储介质 - Google Patents
无人机航迹优化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116989797B CN116989797B CN202311243432.0A CN202311243432A CN116989797B CN 116989797 B CN116989797 B CN 116989797B CN 202311243432 A CN202311243432 A CN 202311243432A CN 116989797 B CN116989797 B CN 116989797B
- Authority
- CN
- China
- Prior art keywords
- population
- generation
- mode
- division
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 26
- 238000000638 solvent extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及航迹优化技术领域,尤其涉及一种无人机航迹优化方法、装置、电子设备及存储介质。该方法包括:对搜索区域所在的环境地图依次进行栅格化处理和矢量化处理,得到矢量栅格地图;设定初始种群、最大迭代次数和目标代价函数;从初始种群开始,针对每一代种群,均执行:利用所述目标代价函数对本代种群的每种划分方式进行计算,确定出本代种群的最优划分方式;计算本代种群的代价因子和随机概率;基于所述代价因子和所述随机概率,对本代种群的划分方式进行重新划分,得到下一代种群,直至完成所述最大迭代次数的迭代,并输出所有代种群的最佳划分方式,以指示Z架无人机的搜索航迹。
Description
技术领域
本发明涉及无人机航迹优化技术领域,尤其涉及一种无人机航迹优化方法、装置、电子设备及存储介质。
背景技术
随着科技迅速发展,无人机被应用到多种领域,如探索、侦察、搜救。由于机动范围、续航能力、执行能力等方面的限制,单架无人机很难独自完成规模较大的复杂任务,多架无人机的集群合作成为当前无人机领域的发展方向与研究热点。
多架无人机的集群合作是指在无人机之间、无人机与地面站之间的通信网络的支持下,通过信息交流与融合形成有效的集群机制,快速完成复杂的大型目标搜索任务。然而,目前多架无人机的目标搜索效率较低。
基于此,本发明提出了一种无人机航迹优化方法、装置、电子设备及存储介质来解决上述技术问题。
发明内容
本发明描述了一种无人机航迹优化方法、装置、电子设备及存储介质,能够提高多架无人机的目标搜索效率。
根据第一方面,本发明提供了一种无人机航迹优化方法,包括:
对搜索区域所在的环境地图依次进行栅格化处理和矢量化处理,得到矢量栅格地图;其中,所述环境地图包括搜索区域和非搜索区域,位于所述矢量栅格地图中搜索区域的栅格向量设为1~Z中的任一个整数,Z为无人机的架数,位于所述矢量栅格地图中非搜索区域的栅格向量设为0;
设定初始种群、最大迭代次数和目标代价函数;其中,所述初始种群包括针对搜索区域随机生成的N种划分方式,每种所述划分方式所划分得到的划分区域的个数等于无人机的架数;
从所述初始种群开始,针对每一代种群,均执行:利用所述目标代价函数对本代种群的每种划分方式进行计算,确定出本代种群的最优划分方式;计算本代种群的代价因子和随机概率;基于所述代价因子和所述随机概率,对本代种群的划分方式进行重新划分,得到下一代种群,直至完成所述最大迭代次数的迭代,并输出所有代种群的最佳划分方式;其中,所述最佳划分方式用于指示Z架无人机的搜索航迹。
根据第二方面,本发明提供了一种无人机航迹优化装置,包括:
处理单元,被配置为对搜索区域所在的环境地图依次进行栅格化处理和矢量化处理,得到矢量栅格地图;其中,所述环境地图包括搜索区域和非搜索区域,位于所述矢量栅格地图中搜索区域的栅格向量设为1~Z中的任一个整数,Z为无人机的架数,位于所述矢量栅格地图中非搜索区域的栅格向量设为0;
设定单元,被配置为设定初始种群、最大迭代次数和目标代价函数;其中,所述初始种群包括针对搜索区域随机生成的N种划分方式,每种所述划分方式所划分得到的划分区域的个数等于无人机的架数;
执行单元,被配置为从所述初始种群开始,针对每一代种群,均执行:利用所述目标代价函数对本代种群的每种划分方式进行计算,确定出本代种群的最优划分方式;计算本代种群的代价因子和随机概率;基于所述代价因子和所述随机概率,对本代种群的划分方式进行重新划分,得到下一代种群,直至完成所述最大迭代次数的迭代,并输出所有代种群的最佳划分方式;其中,所述最佳划分方式用于指示Z架无人机的搜索航迹。
根据第三方面,本发明提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现第一方面的方法。
根据第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面的方法。
根据本发明提供的无人机航迹优化方法、装置、电子设备及存储介质,通过对搜索区域所在的环境地图依次进行栅格化处理和矢量化处理来得到矢量栅格地图,并设定初始种群、最大迭代次数和目标代价函数,在每一代种群的迭代过程中,通过计算本代种群的代价因子和随机概率(二者均是自适应性的),可以提高迭代过程中的探索能力;同时,基于代价因子和随机概率,对本代种群的划分方式进行重新划分,得到下一代种群,如此可以增加种群的多样性,避免陷入局部最优。因此,上述技术方案能够提高多架无人机的目标搜索效率。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案,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,下面描述的附图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示出了根据一个实施例的无人机航迹优化方法的流程示意图;
图2示出了根据一个实施例的无人机航迹优化装置的示意性框图;
图3示出了根据一个实施例的SAR扫描的搜索区域的栅格地图;
图4示出了根据一个实施例的磁探测的搜索区域的栅格地图;
图5示出了根据一个实施例的搜索区域的划分方式的示意图;
图6示出了根据一个实施例的采用无人机航迹优化方法的五架无人机SAR扫描的航迹示意图;
图7示出了根据一个实施例的采用无人机航迹优化方法的五架无人机磁探测的航迹示意图。
具体实施方式
下面结合附图,对本发明提供的方案进行描述。
图1示出根据一个实施例的无人机航迹优化方法的流程示意图。可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。如图1所示,该方法包括:
步骤100、对搜索区域所在的环境地图依次进行栅格化处理和矢量化处理,得到矢量栅格地图;其中,环境地图包括搜索区域和非搜索区域,位于矢量栅格地图中搜索区域的栅格向量设为1~Z中的任一个整数,Z为无人机的架数,位于矢量栅格地图中非搜索区域的栅格向量设为0;
步骤102、设定初始种群、最大迭代次数和目标代价函数;其中,初始种群包括针对搜索区域随机生成的N种划分方式,每种划分方式所划分得到的划分区域的个数等于无人机的架数;
步骤104、从初始种群开始,针对每一代种群,均执行:利用目标代价函数对本代种群的每种划分方式进行计算,确定出本代种群的最优划分方式;计算本代种群的代价因子和随机概率;基于代价因子和随机概率,对本代种群的划分方式进行重新划分,得到下一代种群,直至完成最大迭代次数的迭代,并输出所有代种群的最佳划分方式;其中,最佳划分方式用于指示Z架无人机的搜索航迹。
在本实施例中,通过对搜索区域所在的环境地图依次进行栅格化处理和矢量化处理来得到矢量栅格地图,并设定初始种群、最大迭代次数和目标代价函数,在每一代种群的迭代过程中,通过计算本代种群的代价因子和随机概率,可以提高迭代过程中的探索能力;同时,基于代价因子和随机概率,对本代种群的划分方式进行重新划分,得到下一代种群,如此可以增加种群的多样性,避免陷入局部最优。因此,上述技术方案能够提高多架无人机的目标搜索效率。
需要说明的是,目前找不到一个多项式时间复杂度的算法来求解,不能通过穷举算法在可接受的时间内求得最优解。因此,上述技术方案不能保证搜索得到最优解,但可以得到满意解,即在有限的时间范围(通过最大迭代次数进行约束)内的最优解。
下面对上述各步骤依次进行介绍。
针对步骤100:
多无分机集群搜索问题首先需要对搜索环境进行建模,即对搜索区域的环境地图进行规范化,以便于求解搜索路径。构建环境地图的目的在于帮助无人机在搜索区域中规划出最优的搜索路径。使用适合任务搜索环境的栅格地图表示方式,可以节约存储空间,提高路径规划算法的求解效率。可以使用栅格化算法(在此不进行赘述,此为本领域技术人员所熟知)将搜索区域离散化为形状大小一致的紧密栅格,以便于后续路径规划算法的求解。
栅格化处理得到的栅格地图为一个矩阵,需要搜索的区域设为1~Z中的任一个整数,Z为无人机的架数,不需要搜索的区域为0,然后将栅格地图进行矢量化处理得到矢量栅格地图,此时矢量栅格地图包含搜索区域与非搜索区域的矢量信息(或向量信息,即每个栅格所设的整数),获得搜索区域的索引,以便于后续对搜索区域进行有效划分。
针对步骤102:
需要说明的是,本发明实施例提供的无人机主要指的是固定翼无人机,这种类型的无人机相比于旋翼无人机而言,前者的转弯代价远大于直飞代价,因此在进行区域划分时,需要尽可能地使栅格集中并减少无人机的转弯次数。
为了解决该技术问题,在本发明一个实施例中,目标代价函数是通过如下公式计算得到的:
;
式中,L为目标代价函数,n col 和n row 分别为矢量栅格地图中搜索区域的列数和行数,n为矢量栅格地图中搜索区域的栅格数,L t 为无人机的转向路径长度,L s 为无人机的直行路径长度。
针对步骤104:
在本发明一个实施例中,本代种群的最优划分方式是通过如下公式计算得到的:
;
式中,J为本代种群的最优划分方式(即选取一代种群中所有划分方式中路径长度最短的一架无人机所在的划分方式作为该种群的最优划分方式),L i 为第i个划分方式中所有划分区域的目标代价函数的最大值(即多架无人机的搜索效率取决于路径长度最长的一架无人机)。
同理,在本发明一个实施例中,所有代种群的最佳划分方式是通过如下公式计算得到的:
;
式中,J best 为所有代种群的最佳划分方式,J i 为第k代种群的最优划分方式,M为最大迭代次数。
如前,为了避免陷入局部最优,可以考虑增加种群的多样性,例如对每一代种群的划分方式进行重新划分。
在本发明一个实施例中,代价因子是通过如下公式计算得到的:
;
式中,A f 为代价因子,A 0 为在(0,1)范围内随机生成的一个随机数,k为本代种群的代数,M为最大迭代次数;
随机概率是通过如下公式计算得到的:
;
式中,R f 为随机概率。
在本实施例中,代价因子和随机概率是自适应的,对控制探索能力起着重要作用。随着迭代次数的增加,代价因子的波动范围从(0,1)减小到(0,0.5),这样增加了迭代过程中的随机性。
在本发明一个实施例中,步骤“基于代价因子和随机概率,对本代种群的划分方式进行重新划分”具体可以包括:
如果代价因子大于0.5,则按照第一预设方式对本代种群的划分方式进行一次划分;
如果代价因子不大于0.5,则按照第二预设方式对本代种群的划分方式进行一次划分;
针对一次划分后的本代种群,如果代价因子小于随机概率,则完成对本代种群的划分方式的重新划分;否则,按照第三预设方式对一次划分后的本代种群的划分方式进行二次划分,以完成对本代种群的划分方式的重新划分。
在本实施例中,通过先后两次对种群进行重新划分,增加了种群的多样性和随机性,从而避免陷入局部最优。
在本发明一个实施例中,第一预设方式是通过如下公式实现的:
;
式中,表示第k+1代种群的第i个划分方式中第j个栅格的栅格向量,/>表示第k代种群的第i个划分方式中第pj个栅格的栅格向量,/>表示第k代种群的第r个划分方式中第p1个栅格的栅格向量,/>表示第k代种群的第i个划分方式中第pj个栅格的栅格向量,p1、pj为在[1,n]范围内随机生成的两个不同的随机整数,n为矢量栅格地图中搜索区域的栅格数,r为在[1,N]范围内随机生成的一个随机整数,N为每代种群中划分方式的种数,为在(0,1)范围内随机生成的两个随机数。
在本实施例中,在探索阶段,随机数r 1 、r 2 可以用作增强探索阶段的随机算子。采用上述第一预设方式对本代种群的划分方式进行一次划分,可以增加种群的多样性和随机性,从而避免陷入局部最优。
举例来说,假设当代种群数量为3,即共有3种区域划分方式,假设栅格数量为4,无人机的数量为2,初始生成的区域方式如下表(每一行代表一种区域划分方式):
;
由上表可知,带有下划线字体的数字2表示将第一种划分方式中第二个栅格分配给第二架无人机。
在本发明一个实施例中,第二预设方式是通过如下公式实现的:
;
式中,表示第k+1代种群的第i个划分方式,/>表示第k代种群的最优划分方式,/>表示第k代种群的第i个划分方式,/>表示第k代种群的随机选取的第r个划分方式,k为本代种群的代数,M为最大迭代次数,r 3 、r 4 为在(0,1)范围内随机生成的两个随机数,u、v为服从正态分布的随机数,β为预设的常数。
在本实施例中,考虑了最佳个体和其它个体对划分方式重新划分的影响,同时上述第二预设方式也可以增强收敛,以快速搜索局部最优。
在本发明一个实施例中,第三预设方式是通过如下公式实现的:
;
式中,表示第k+1代种群的第i个划分方式,/>表示第k代种群的第i个划分方式,/>表示第k代种群的随机选取的第r个划分方式,k为本代种群的代数,M为最大迭代次数,Z为无人机的架数,N为每代种群中划分方式的种数,r 5 、r 6 、r 7 为在(0,1)范围内随机生成的三个随机数。
在本实施例中,为了在增加种群多样性和随机性的前提下,可以保证种群大小不变,因此可以通过上述第三预设方式来进行划分方式的重新划分。
综上,通过调整参数来产生新的区域划分方式,在新的区域划分方式产生后,与等待更新的区域划分方式进行比较,较优的一个将会被保留并作为新一代中的一个区域划分方式,重复进行上述操作,将N代种群逐一进行重新划分(包括一次划分和二次划分),这样产生了N个新一代种群,最终输出得到所有代种群的最佳划分方式。
需要说明的是,在每一代种群的迭代过程中,对本代种群的划分方式进行更新时,所依据的条件是矢量栅格地图中搜索区域的栅格向量的更新,由于在更新过程中引入了(0,1)的随机数,因此更新后的栅格向量为小数情况。为了更准确地进行区域划分,发明人创造性地考虑到:可以对当前栅格向量依次进行取整处理和限缩处理,例如得到一个栅格向量为1.34,则可以将该数字做向上取整、向下取整或四舍五入的任一取整处理,从而得到整数;而如果当取整处理后的数字小于1和大于Z,则需要对其进行限缩处理,例如得到一个取整处理后的栅格向量为0,则将其认为是1,再例如得到一个取整处理后的栅格向量为Z+1,则将其认为是Z。如此处理,可以确保每一次更新迭代过程中,搜索区域的划分均符合实际的应用场景。
下面介绍上述无人机航迹优化方法的具体应用示例。
(1)生成栅格地图(未示出矢量化结果)
选择图3所示四种不同形状、大小的搜索区域地图用作SAR扫描集群搜索仿真测试地图。在图3中,每个区域的实际大小为边长50 km的正方形,单个栅格是边长2.5 km的正方形,栅格后的栅格地图为20×20的矩阵。黑色区域为不需要搜索的栅格,白色区域为需要搜索的栅格。
选择图4所示四种不同形状、大小的搜索区域地图用作磁探测集群搜索仿真测试地图。在图4中,每个区域的实际大小为边长50 km的正方形,单个栅格是边长0.5 km的正方形,栅格后的栅格地图为100×100的矩阵。黑色区域为不需要搜索的栅格,白色区域为需要搜索的栅格。
其中,图(a)所示的搜索区域1共有1985个需要搜索的栅格,面积为496.25 km2;图(b)所示的搜索区域2共有1747个需要搜索的栅格,面积为436.75 km2;图(c)所示的搜索区域3共有2426个需要搜索的栅格,面积为606.5 km2;图(d)所示的搜索区域4共有2887个需要搜索的栅格,面积为721.75 km2。
采用上述无人机航迹优化方法求解了分配区域,如图5进行举例,将区域分配给五架无人机。
(2)搜索仿真结果
对SAR扫描的四个不同形状区域,采用上述无人机航迹优化方法求解了五架无人机集群搜索的搜索路径,图6中(a)、(b)、(c)、(d)分别为对图3搜索区域a、b、c、d的搜索路径。
对磁探测的四个不同形状区域,采用上述无人机航迹优化方法求解了五架无人机集群搜索的搜索路径,图7中(a)、(b)、(c)、(d)分别为对图4搜索区域a、b、c、d的搜索路径。
上述对本发明特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
根据另一方面的实施例,本发明提供了一种无人机航迹优化装置。图2示出根据一个实施例的无人机航迹优化装置的示意性框图。可以理解,该装置可以通过任何具有计算、处理能力的装置、设备、平台和设备集群来实现。如图2所示,该装置包括:处理单元200、设定单元202和执行单元204。其中各组成单元的主要功能如下:
处理单元200,被配置为对搜索区域所在的环境地图依次进行栅格化处理和矢量化处理,得到矢量栅格地图;其中,所述环境地图包括搜索区域和非搜索区域,位于所述矢量栅格地图中搜索区域的栅格向量设为1~Z中的任一个整数,Z为无人机的架数,位于所述矢量栅格地图中非搜索区域的栅格向量设为0;
设定单元202,被配置为设定初始种群、最大迭代次数和目标代价函数;其中,所述初始种群包括针对搜索区域随机生成的N种划分方式,每种所述划分方式所划分得到的划分区域的个数等于无人机的架数;
执行单元204,被配置为从所述初始种群开始,针对每一代种群,均执行:利用所述目标代价函数对本代种群的每种划分方式进行计算,确定出本代种群的最优划分方式;计算本代种群的代价因子和随机概率;基于所述代价因子和所述随机概率,对本代种群的划分方式进行重新划分,得到下一代种群,直至完成所述最大迭代次数的迭代,并输出所有代种群的最佳划分方式;其中,所述最佳划分方式用于指示Z架无人机的搜索航迹。
作为一种优选的实施方式,所述目标代价函数是通过如下公式计算得到的:
;
式中,L为所述目标代价函数,n col 和n row 分别为所述矢量栅格地图中搜索区域的列数和行数,n为所述矢量栅格地图中搜索区域的栅格数,L t 为无人机的转向路径长度,L s 为无人机的直行路径长度;
本代种群的最优划分方式是通过如下公式计算得到的:
;
式中,J为本代种群的最优划分方式,L i 为第i个划分方式中所有划分区域的所述目标代价函数的最大值;
所有代种群的最佳划分方式是通过如下公式计算得到的:
;
式中,J best 为所有代种群的最佳划分方式,J i 为第k代种群的最优划分方式,M为所述最大迭代次数。
作为一种优选的实施方式,所述代价因子是通过如下公式计算得到的:
;
式中,A f 为所述代价因子,A 0 为在(0,1)范围内随机生成的一个随机数,k为本代种群的代数,M为所述最大迭代次数;
所述随机概率是通过如下公式计算得到的:
;
式中,R f 为所述随机概率。
作为一种优选的实施方式,所述基于所述代价因子和所述随机概率,对本代种群的划分方式进行重新划分,包括:
如果所述代价因子大于0.5,则按照第一预设方式对本代种群的划分方式进行一次划分;
如果所述代价因子不大于0.5,则按照第二预设方式对本代种群的划分方式进行一次划分;
针对一次划分后的本代种群,如果所述代价因子小于所述随机概率,则完成对本代种群的划分方式的重新划分;否则,按照第三预设方式对一次划分后的本代种群的划分方式进行二次划分,以完成对本代种群的划分方式的重新划分。
作为一种优选的实施方式,所述第一预设方式是通过如下公式实现的:
;
式中,表示第k+1代种群的第i个划分方式中第j个栅格的栅格向量,/>表示第k代种群的第i个划分方式中第pj个栅格的栅格向量,/>表示第k代种群的第r个划分方式中第p1个栅格的栅格向量,/>表示第k代种群的第i个划分方式中第pj个栅格的栅格向量,p1、pj为在[1,n]范围内随机生成的两个不同的随机整数,n为所述矢量栅格地图中搜索区域的栅格数,r为在[1,N]范围内随机生成的一个随机整数,N为每代种群中划分方式的种数,r 1 、r 2 为在(0,1)范围内随机生成的两个随机数。
作为一种优选的实施方式,所述第二预设方式是通过如下公式实现的:
;
式中,表示第k+1代种群的第i个划分方式,/>表示第k代种群的最优划分方式,/>表示第k代种群的第i个划分方式,/>表示第k代种群的随机选取的第r个划分方式,k为本代种群的代数,M为所述最大迭代次数,r 3 、r 4 为在(0,1)范围内随机生成的两个随机数,u、v为服从正态分布的随机数,β为预设的常数。
作为一种优选的实施方式,所述第三预设方式是通过如下公式实现的:
;
式中,表示第k+1代种群的第i个划分方式,/>表示第k代种群的第i个划分方式,/>表示第k代种群的随机选取的第r个划分方式,k为本代种群的代数,M为所述最大迭代次数,Z为无人机的架数,N为每代种群中划分方式的种数,r 5 、r 6 、r 7 为在(0,1)范围内随机生成的三个随机数。
根据另一方面的实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行结合图1所描述的方法。
根据再一方面的实施例,还提供一种电子设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现结合图1所述的方法。
本发明的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (8)
1.一种无人机航迹优化方法,其特征在于,包括:
对搜索区域所在的环境地图依次进行栅格化处理和矢量化处理,得到矢量栅格地图;其中,所述环境地图包括搜索区域和非搜索区域,位于所述矢量栅格地图中搜索区域的栅格向量设为1~Z中的任一个整数,Z为无人机的架数,位于所述矢量栅格地图中非搜索区域的栅格向量设为0;
设定初始种群、最大迭代次数和目标代价函数;其中,所述初始种群包括针对搜索区域随机生成的N种划分方式,每种所述划分方式所划分得到的划分区域的个数等于无人机的架数;
从所述初始种群开始,针对每一代种群,均执行:利用所述目标代价函数对本代种群的每种划分方式进行计算,确定出本代种群的最优划分方式;计算本代种群的代价因子和随机概率;基于所述代价因子和所述随机概率,对本代种群的划分方式进行重新划分,得到下一代种群,直至完成所述最大迭代次数的迭代,并输出所有代种群的最佳划分方式;其中,所述最佳划分方式用于指示Z架无人机的搜索航迹;
所述代价因子是通过如下公式计算得到的:
;
式中,A f 为所述代价因子,A 0 为在(0,1)范围内随机生成的一个随机数,k为本代种群的代数,M为所述最大迭代次数;
所述随机概率是通过如下公式计算得到的:
;
式中,R f 为所述随机概率;
所述基于所述代价因子和所述随机概率,对本代种群的划分方式进行重新划分,包括:
如果所述代价因子大于0.5,则按照第一预设方式对本代种群的划分方式进行一次划分;
如果所述代价因子不大于0.5,则按照第二预设方式对本代种群的划分方式进行一次划分;
针对一次划分后的本代种群,如果所述代价因子小于所述随机概率,则完成对本代种群的划分方式的重新划分;否则,按照第三预设方式对一次划分后的本代种群的划分方式进行二次划分,以完成对本代种群的划分方式的重新划分。
2.根据权利要求1所述的方法,其特征在于,所述目标代价函数是通过如下公式计算得到的:
;
式中,L为所述目标代价函数,n col 和n row 分别为所述矢量栅格地图中搜索区域的列数和行数,n为所述矢量栅格地图中搜索区域的栅格数,L t 为无人机的转向路径长度,L s 为无人机的直行路径长度;
本代种群的最优划分方式是通过如下公式计算得到的:
;
式中,J为本代种群的最优划分方式,L i 为第i个划分方式中所有划分区域的所述目标代价函数的最大值;
所有代种群的最佳划分方式是通过如下公式计算得到的:
;
式中,J best 为所有代种群的最佳划分方式,J i 为第k代种群的最优划分方式,M为所述最大迭代次数。
3.根据权利要求1所述的方法,其特征在于,所述第一预设方式是通过如下公式实现的:
;
式中,表示第k+1代种群的第i个划分方式中第j个栅格的栅格向量, />表示第k代种群的第r个划分方式中第p1个栅格的栅格向量,/>表示第k代种群的第i个划分方式中第pj个栅格的栅格向量,p1、pj为在[1,n]范围内随机生成的两个不同的随机整数,n为所述矢量栅格地图中搜索区域的栅格数,r为在[1,N]范围内随机生成的一个随机整数,N为每代种群中划分方式的种数,r 1 、r 2 为在(0,1)范围内随机生成的两个随机数。
4.根据权利要求1所述的方法,其特征在于,所述第二预设方式是通过如下公式实现的:
;式中,/>表示第k+1代种群的第i个划分方式,/>表示第k代种群的最优划分方式,/>表示第k代种群的第i个划分方式,/>表示第k代种群的随机选取的第r个划分方式,k为本代种群的代数,M为所述最大迭代次数,r 3 、r 4 为在(0,1)范围内随机生成的两个随机数,u、v为服从正态分布的随机数,β为预设的常数。
5.根据权利要求1所述的方法,其特征在于,所述第三预设方式是通过如下公式实现的:
;
式中,表示第k+1代种群的第i个划分方式,/>表示第k代种群的第i个划分方式,/>表示第k代种群的随机选取的第r个划分方式,k为本代种群的代数,M为所述最大迭代次数,Z为无人机的架数,N为每代种群中划分方式的种数,r 5 、r 6 、r 7 为在(0,1)范围内随机生成的三个随机数。
6.一种无人机航迹优化装置,其特征在于,包括:
处理单元,被配置为对搜索区域所在的环境地图依次进行栅格化处理和矢量化处理,得到矢量栅格地图;其中,所述环境地图包括搜索区域和非搜索区域,位于所述矢量栅格地图中搜索区域的栅格向量设为1~Z中的任一个整数,Z为无人机的架数,位于所述矢量栅格地图中非搜索区域的栅格向量设为0;
设定单元,被配置为设定初始种群、最大迭代次数和目标代价函数;其中,所述初始种群包括针对搜索区域随机生成的N种划分方式,每种所述划分方式所划分得到的划分区域的个数等于无人机的架数;
执行单元,被配置为从所述初始种群开始,针对每一代种群,均执行:利用所述目标代价函数对本代种群的每种划分方式进行计算,确定出本代种群的最优划分方式;计算本代种群的代价因子和随机概率;基于所述代价因子和所述随机概率,对本代种群的划分方式进行重新划分,得到下一代种群,直至完成所述最大迭代次数的迭代,并输出所有代种群的最佳划分方式;其中,所述最佳划分方式用于指示Z架无人机的搜索航迹;
所述代价因子是通过如下公式计算得到的:
;
式中,A f 为所述代价因子,A 0 为在(0,1)范围内随机生成的一个随机数,k为本代种群的代数,M为所述最大迭代次数;
所述随机概率是通过如下公式计算得到的:
;
式中,R f 为所述随机概率;
所述基于所述代价因子和所述随机概率,对本代种群的划分方式进行重新划分,包括:
如果所述代价因子大于0.5,则按照第一预设方式对本代种群的划分方式进行一次划分;
如果所述代价因子不大于0.5,则按照第二预设方式对本代种群的划分方式进行一次划分;
针对一次划分后的本代种群,如果所述代价因子小于所述随机概率,则完成对本代种群的划分方式的重新划分;否则,按照第三预设方式对一次划分后的本代种群的划分方式进行二次划分,以完成对本代种群的划分方式的重新划分。
7.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243432.0A CN116989797B (zh) | 2023-09-26 | 2023-09-26 | 无人机航迹优化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243432.0A CN116989797B (zh) | 2023-09-26 | 2023-09-26 | 无人机航迹优化方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116989797A CN116989797A (zh) | 2023-11-03 |
CN116989797B true CN116989797B (zh) | 2023-12-15 |
Family
ID=88532440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311243432.0A Active CN116989797B (zh) | 2023-09-26 | 2023-09-26 | 无人机航迹优化方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116989797B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428004A (zh) * | 2018-01-16 | 2018-08-21 | 河北科技大学 | 基于蚁群算法的飞行物冲突解脱路径规划方法 |
CN109459026A (zh) * | 2018-11-08 | 2019-03-12 | 北京理工大学 | 一种多运动体协同全覆盖路径规划方法 |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN110986957A (zh) * | 2019-12-24 | 2020-04-10 | 中国人民解放军空军工程大学 | 一种无人飞行器三维航迹规划方法及装置 |
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 |
CN113848987A (zh) * | 2021-11-04 | 2021-12-28 | 河海大学 | 无人机群协同目标搜索中的动态路径规划方法及系统 |
CN113885535A (zh) * | 2021-11-25 | 2022-01-04 | 长春工业大学 | 一种冲击约束的机器人避障和时间最优轨迹规划方法 |
KR20220104970A (ko) * | 2021-01-19 | 2022-07-26 | 강원대학교산학협력단 | 운송 수단과 드론을 사용한 병렬 배송의 최적 해를 탐색하기 위한 rgso 스케줄링 최적화 방법 및 시스템 |
CN114840020A (zh) * | 2022-04-21 | 2022-08-02 | 重庆邮电大学 | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 |
CN114897215A (zh) * | 2022-04-06 | 2022-08-12 | 北京航空航天大学 | 基于无监督学习离散鸽群优化多无人机侦察任务分配方法 |
CN116523158A (zh) * | 2023-04-20 | 2023-08-01 | 深圳大学 | 一种多无人机航迹规划方法、装置、设备及存储介质 |
-
2023
- 2023-09-26 CN CN202311243432.0A patent/CN116989797B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428004A (zh) * | 2018-01-16 | 2018-08-21 | 河北科技大学 | 基于蚁群算法的飞行物冲突解脱路径规划方法 |
CN109459026A (zh) * | 2018-11-08 | 2019-03-12 | 北京理工大学 | 一种多运动体协同全覆盖路径规划方法 |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
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 |
CN110986957A (zh) * | 2019-12-24 | 2020-04-10 | 中国人民解放军空军工程大学 | 一种无人飞行器三维航迹规划方法及装置 |
KR20220104970A (ko) * | 2021-01-19 | 2022-07-26 | 강원대학교산학협력단 | 운송 수단과 드론을 사용한 병렬 배송의 최적 해를 탐색하기 위한 rgso 스케줄링 최적화 방법 및 시스템 |
CN113848987A (zh) * | 2021-11-04 | 2021-12-28 | 河海大学 | 无人机群协同目标搜索中的动态路径规划方法及系统 |
CN113885535A (zh) * | 2021-11-25 | 2022-01-04 | 长春工业大学 | 一种冲击约束的机器人避障和时间最优轨迹规划方法 |
CN114897215A (zh) * | 2022-04-06 | 2022-08-12 | 北京航空航天大学 | 基于无监督学习离散鸽群优化多无人机侦察任务分配方法 |
CN114840020A (zh) * | 2022-04-21 | 2022-08-02 | 重庆邮电大学 | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 |
CN116523158A (zh) * | 2023-04-20 | 2023-08-01 | 深圳大学 | 一种多无人机航迹规划方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
基于CHC算法的无人机航迹规划方法;张振理等;《北京航空航天大学学报》(第06期);全文 * |
无人飞行器航迹规划方法综述;王维平等;《飞行力学》(第02期);全文 * |
重访机制驱动的多无人机协同动目标搜索方法;张哲璇等;《航空学报》(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116989797A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190080271A1 (en) | Coordinated Production and Transportation Scheduling Method and System Based on Improved Tabu Search Algorithm | |
WO2017116924A1 (en) | Neural network training performance optimization framework | |
CN112200300B (zh) | 卷积神经网络运算方法及装置 | |
CN110941261B (zh) | 一种自主式水下航行器多区域遍历路径规划方法 | |
CN105929690B (zh) | 一种基于分解多目标进化算法的柔性车间鲁棒调度方法 | |
KR20160140394A (ko) | 신경망을 실행하는 방법 및 장치 | |
CN113570031B (zh) | 卷积运算的处理方法、电子设备及计算机可读存储介质 | |
CN109146061A (zh) | 神经网络模型的处理方法和装置 | |
Margaris et al. | Parallel implementations of the jacobi linear algebraic systems solve | |
CN114580636A (zh) | 基于三目标联合优化的神经网络轻量化部署方法 | |
CN113094899B (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN106503386A (zh) | 评估光功率预测算法性能优劣的方法及装置 | |
CN109447239B (zh) | 一种基于arm的嵌入式卷积神经网络加速方法 | |
CN116989797B (zh) | 无人机航迹优化方法、装置、电子设备及存储介质 | |
Wu et al. | Steepest descent neural architecture optimization: Escaping local optimum with signed neural splitting | |
Zhao et al. | Neural pruning search for real-time object detection of autonomous vehicles | |
CN116989798B (zh) | 无人机航迹规划方法 | |
CN117007057B (zh) | 无人机航迹优化方法及装置 | |
Gao et al. | Opposite and chaos searching genetic algorithm based for uav path planning | |
JP2002157237A (ja) | マルチレベル不完全ブロック分解による前処理を行う処理装置 | |
CN116991179B (zh) | 无人机搜索航迹的优化方法、装置、设备及介质 | |
CN114493106A (zh) | 一种基于地理划分的空间众包任务分配方法 | |
Wu et al. | An improved genetic algorithm based on explosion mechanism | |
Benson et al. | Asynchronous self-organizing maps | |
Özkır et al. | Application of the random key based electromagnetism-like heuristic for solving travelling salesman problems |
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 |