CN117093019A - 改进狼群算法的无人机电力线路路径规划方法 - Google Patents
改进狼群算法的无人机电力线路路径规划方法 Download PDFInfo
- Publication number
- CN117093019A CN117093019A CN202311132467.7A CN202311132467A CN117093019A CN 117093019 A CN117093019 A CN 117093019A CN 202311132467 A CN202311132467 A CN 202311132467A CN 117093019 A CN117093019 A CN 117093019A
- Authority
- CN
- China
- Prior art keywords
- wolf
- unmanned aerial
- aerial vehicle
- power line
- wolves
- 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.)
- Pending
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 44
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 241000282421 Canidae Species 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 18
- 238000007689 inspection Methods 0.000 abstract description 9
- 238000004088 simulation Methods 0.000 description 10
- 230000001276 controlling effect Effects 0.000 description 9
- 230000006978 adaptation Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及路径规划技术领域,尤其涉及改进狼群算法的无人机电力线路路径规划方法,包括根据地形障碍构建威胁等效地形数学模型;构建无人机目标适应度函数;构建改进狼群算法对电力线路进行航迹寻优。本发明克服传统方法中存在的局限性,实现更高效、更安全的电力线路巡检;通过借鉴狼群算法中的群体智能和自适应特性,结合电力线路的特殊性质,改进路径规划策略,在考虑无人机飞行能力的前提下,以电力线路的实际情况为基础,采用智能化的搜索和优化策略,从而使得无人机巡检路径更加智能化、高效化和安全化。
Description
技术领域
本发明涉及路径规划技术领域,尤其涉及改进狼群算法的无人机电力线路路径规划方法。
背景技术
无人机电力线路路径规划问题常见于电力输电线路运维领域,其核心任务是在已知电力线路布局和地形条件的基础上,规划无人机从起始点到目标点的合适航迹。所规划航迹必须兼顾电力线路的安全性、障碍物避让,确保无人机的安全飞行,并同时满足无人机自身性能约束。另外,该航迹在某种性能度量标准下也需要达到最优,以最大程度地提高无人机的飞行效率。因此,无人机电力线路路径规划问题实质上是一个寻求最优解的优化问题。
在解决这一问题时,存在两类约束条件;首先,电力线路布局和地形约束需要被充分考虑;这包括电力线路的具体位置、长度、形状等因素,以及地形中的障碍物,如山脉、建筑物等;其次,无人机自身性能也有一系列约束要求,如最大飞行速度、航迹段最小长度、最大飞行距离以及最低飞行高度等。
所以无人机电力线路路径规划问题的专业性在于它需要在满足电力线路和地形布局要求的前提下,兼顾无人机自身性能和安全,并且在性能度量标准下寻求最优航迹,该问题的解决对电力线路巡检的高效与安全具有重要意义。
发明内容
针对现有方法的不足,本发明克服传统方法中存在的局限性,实现更高效、更安全的电力线路巡检;通过借鉴狼群算法中的群体智能和自适应特性,结合电力线路的特殊性质,改进路径规划策略,在考虑无人机飞行能力的前提下,以电力线路的实际情况为基础,采用智能化的搜索和优化策略,从而使得无人机巡检路径更加智能化、高效化和安全化。
本发明所采用的技术方案是:一种改进狼群算法的无人机电力线路路径规划方法包括以下步骤:
步骤一、根据地形障碍构建威胁等效地形数学模型;
进一步的,威胁等效地形数学模型的公式为:
式中,和/>分别是第j个山峰顶点的横坐标和纵坐标;z(x,y)为地形高度函数,x和y分别是水平投影面上的点的横坐标和纵坐标;h0为地形的基准高度;N为威胁和障碍物的数量;/>为j个威胁或障碍的最大高度;/>和/>是用于控制威胁或障碍物的影响范围的参数。
步骤二、构建无人机目标适应度函数;
进一步的,目标适应度函数的公式为:
F=ωdFd+ωhFh (2)
式中,Fd和Fh分别是无人机的路径长度代价和威胁代价,ωd和ωh分别为路径长度代价和威胁代价所对应的权值;n表示航迹点的总数量;hi是第i个航迹点的高度;z(xi,yi)是地形高度函数;
其中,无人机的路径长度代价公式为:
其中,n表示航迹点的总数量,(xi,yi,zi)为路径中第i个航迹点的坐标。
步骤三、构建改进狼群算法对电力线路进行航迹寻优;
进一步的,步骤三具体包括:
步骤31、初始化种群,参数初始化;
步骤32、计算若干人工狼的目标适应度函数,选取具有最优值的人工狼为头狼,除头狼之外最佳匹人工狼为探狼,并执行游走,不断向前进行更新,直到满足探狼感知猎物气味浓度大于头狼或达到最大游走限制次数;
进一步的,执行游走的公式为:
其中,表示第i只探狼在第p+1次迭代后的位置;/>表示第i只探狼在第p次迭代后的位置;hi表示第i只探狼的游走方向;/>为步长;A是步长调节参数;Fi是第i只探狼的适应度数值;ymean是狼群中所有狼适应度数值的平均值;k是控制sigmoid函数曲线形状的参数。
进一步的,游走方向的公式为:
hi=B×tanh(k'·(Fi-ymean)) (7)
其中,B是方向调节参数,用于控制方向的变化;Fi是第i只探狼的适应度数值;ymean是狼群中所有狼适应度数值的平均值;k'是控制tanh函数曲线形状的参数。
步骤33、猛狼向猎物的方向进行奔袭;如果奔袭途中,猛狼感知的气味浓度大于头狼,猛狼替代头狼发起召唤行为;否则,猛狼继续进行奔袭,一旦猛狼与头狼之间的距离小于判定距离时,转入围攻行为;
进一步的,猛狼向猎物的方向进行奔袭的公式为:
其中,为第p代群体的头狼在第d维空间所处的位置;/>是猛狼j经历第p次迭代时,在第d维空间中所处位置;/>为改进猛狼步长;Tmax表示最大迭代次数;T表示当前的迭代次数。
步骤34、选取头狼的位置为猎物的位置,对猎物进行围攻,根据狼群围攻公式更新参与围攻行为的人工狼的位置;若人工狼超出变化范围,则设置人工狼为边界值;
进一步的,狼群围攻公式为:
其中,是人工狼i经历第p次迭代时,在第d维空间中所处位置;λ为[-1,1]区间内的随机数;/>表示从Levy flight分布中生成的第p代第d维的步长;/>为在第p代狼群中猎物在第d维空间所处的位置。
进一步的,Levy flight的公式为:
其中:Z1和Z2是从标准正态分布中生成的两个独立的随机数;sign()为符号函数;α是Levy分布的稳定性参数;σ是Levy分布的尺度参数。
步骤35、按照头狼产生规则更新头狼的位置,再按照狼群更新机制对整个群体进行更新;
步骤36、对人工狼的位置进行评估,判断是否满足限定条件;
进一步的,限定条件包括:
头狼的位置不能位于任何障碍物内部;其次,头狼与其相邻两点之间的连线也不能经过任何障碍物。
步骤37、当迭代终止条件满足时,停止迭代。
本发明的有益效果:
1、在电力线路巡检领域引入改进狼群算法,为无人机的路径规划提供改进方法,有效克服传统巡检方法的问题,实现电力线路巡检的高效、智能和安全;
2、构建电力线路的威胁等效模型,将复杂的威胁和地形障碍简化为等效的地形信息;并建立适应度函数,将路径规划问题转化为多目标优化问题;适应度函数综合考虑了飞行距离、地形高度、障碍物等因素,确保无人机的路径既高效又安全;
3、对狼群算法中的游走行为进行了改进;引入了sigmoid函数来调整步长,以实现更准确的搜索和探索;利用tanh函数作为非线性控制机制,动态调整狼群的游走方向,使得搜索过程更加智能且灵活;
4、在召唤行为中,根据迭代次数和总迭代次数的关系,调整步长,使得狼群在召唤过程中能更有效地靠近目标;
5、在围攻行为中引入列维飞行,将列维飞行应用于狼群算法中,以增加狼群搜索的多样性和全局性;在围攻行为中,通过列维飞行的随机步长,使得狼群能够在搜索过程中克服局部最优问题,更好地探索全局最优解。
附图说明
图1是本发明的改进狼群算法的无人机电力线路路径规划方法流程图;
图2是本发明的威胁等效地形的三维仿真图;
图3是I-WPA与WPA算法的最优路径对比示意图;
图4是I-WPA与WPA算法的最优航迹解收敛情况对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,此图为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,一种改进狼群算法的无人机电力线路路径规划方法包括以下步骤:
在无人机电力线路路径规划问题中,可以根据威胁等效地形模拟方法来构建模型。该模型将复杂环境中的敌方威胁和地形障碍简化为等效的地形信息,从而简化航迹规划问题。模型的基本思想是将敌方威胁和地形障碍,如电线杆、电缆、大树、建筑物等,转换为特殊地形信息。将敌方威胁和地形障碍的等效地形信息叠加到数字地图上,并把其作用范围的地形高度抬高,从而形成威胁等效地形。无人机在航迹规划过程中,需要回避这些威胁等效地形,以确保飞行的安全性。威胁等效地形模拟方法的应用使得无人机电力线路路径规划问题得到简化,同时能够考虑到复杂作战环境中的威胁和障碍,保障了无人机飞行的安全性。
步骤一、根据地形障碍构建威胁等效地形数学模型;
式中,和/>分别是第j个山峰顶点的横坐标和纵坐标;z(x,y)为地形高度函数,x和y分别是水平投影面上的点的横坐标和纵坐标,而z是该水平投影面坐标点(x,y)处所对应的地形高度;h0为地形的基准高度,表示没有威胁和障碍时的地面高度;N为威胁和障碍物的数量;/>为j个威胁或障碍的最大高度;/>和/>是用于控制威胁或障碍物的影响范围的参数,分别表示在x和y方向上的影响程度,当k值较小时,障碍物的影响范围会相对较小,地形高度的变化会比较集中在障碍物附近;而当k值较大时,障碍物的影响范围会扩大,地形高度的变化也会在更广泛的区域内呈现。这种参数设计使得地形高度函数具备了灵活性,能够根据实际情况对威胁或障碍物的影响范围进行精确的控制。通过调整参数k,可以使得地形高度的变化与障碍物之间的关系更加符合实际情况,从而在路径规划过程中更准确地考虑障碍物的影响,确保无人机的安全飞行。
本发明构造临时变量T(x,y),用来简化原始地形高度函数的表达式,通过双曲正切函数的乘积,用于增强地形的非线性特性,表示障碍物的影响范围。在飞行过程中,障碍物往往具有不均匀、复杂的特点,其影响范围可能在不同方向上变化。通过双曲正切函数的乘积,我们能够更精确地模拟这种非线性变化,使地形高度的变化在障碍物附近更加逼近实际情况。这种改进带来了多重效益。首先,通过引入临时变量和双曲正切函数的乘积,地形高度函数的表达式更加简洁,提高了计算效率。其次,增强了地形的非线性特性,使得地形高度变化更加贴近实际情况,有效地捕捉了障碍物对地形的影响。最重要的是,在无人机路径规划中,更准确地表示障碍物的影响范围,有助于无人机在复杂环境下安全规划航迹,避免碰撞风险,提升了飞行安全性和路径规划的可靠性。
如图2,对威胁等效地形数学模型中的参数进行改变,可以模拟出威胁等效的山峰地形,实现不同数目,高度和坡度的山峰。
采用威胁等效地形模型后,设无人机路径航迹的起始点为Ps(x1,y1,z1),终点为Pe(xn,yn,zn),中间航迹各航迹点坐标为(xi,yi,zi),其中i∈(1,2,…,n),应满足的要求为非障碍点,且航迹点连线不能经过障碍物。
步骤二、构建无人机目标适应度函数;
对无人机路径质量优劣进行衡量,适应度函数用以评价生成路径的优劣程度,也是算法种群迭代进化的依据,目标适应度函数的优劣决定着算法执行的效率与质量。考虑飞行环境以及无人机的飞行特性等,综合无人机的路径长度代价、飞行航迹的威胁代价构造适应度函数。无人机的目标适应度函数可表示为:
F=ωdFd+ωhFh (2)
式中,Fd和Fh分别是无人机的路径长度代价和威胁代价,ωd和ωh分别为路径长度代价和威胁代价所对应的权值,用于调节不同目标在综合评估中的重要性。
路径长度代价是无人机飞行的路径长度,是衡量无人机性能的重要标准之一,路径长度越短,无人机消耗的燃料越少,消耗时间越少。
通过计算各个路径点之间的欧式距离之和来表示无人机的路径长度代价,无人机的路径长度代价公式为:
式中,n表示航迹点的总数量,(xi,yi,zi)为路径中第i个航迹点的坐标;通过对每两个相邻航迹点之间的距离进行累加,可以得到无人机航迹的总长度Fd,表示为无人机飞行过程中实际飞行的路径总长度;这个距离项用于衡量无人机飞行的路径长度,是优化问题中的一个重要指标,帮助寻找较短的航迹路径。
威胁代价是根据威胁等效地形模拟的结果来计算路径上的威胁程度,具体来说,可以使用以下公式表示:
式中,n表示航迹点的总数量;hi是第i个航迹点的高度,表示无人机在该点的高度;z(xi,yi)是地形高度函数,表示在坐标点(xi,yi)处的地形高度。
现有威胁代价公式是计算每个航迹点的高度与地形高度之间的差值;本发明使用Sigmoid函数将差值映射到一个介于0和1之间的范围,即进行归一化;可以使高度的影响在一个较小的范围内变化,从而实现非线性的高度控制;将每个航迹点的高度项进行累加,得到整体的代价项,用于衡量整个飞行路径的高度安全性。
步骤三、构建改进狼群算法(I-WAP)对电力线路进行航迹寻优;
在建立好无人机电力线路路径规划问题的目标适应度函数后,就可以通过改进的狼群算法寻找一条最优航迹,实现高效、安全、稳定的电力线路巡检,确保无人机路径安全且稳定,避免与电力线路和地形障碍物发生碰撞,以保证电力线路的稳定运行和可靠性。
将无人机待规划航迹上的点Pi作为人工狼在第i维空间的位置信息,Pi的位置用xi表示,构建改进改进狼群算法具体包括:
步骤31、初始化种群,参数初始化;随机生成一定数量的狼群个体作为初始解,这些个体代表生成初始的无人机航迹路径,其中,每个航迹点包括横纵坐标和高度;设定无人机的起始点Ps和终点Pf,随机选取N条从Ps到Pf的航迹作为人工狼;探狼的比例因子α,步长因子C,最大游走限制次数Kmax,距离判定因子群体更新比例因子β和最大迭代次数Tmax;
步骤32、计算N匹人工狼的适应度函数,选取具有最优值的人工狼为头狼,将它记为Flead,除头狼之外最佳的Snum匹人工狼则作为探狼,并执行游走,不断向前进行更新,直到某匹探狼i感知到的猎物气味浓度,即适应度函数值Fi大于头狼所感知到的浓度,或者达到最大游走限制次数,转步骤33;
执行游走的公式为:
其中,表示第i只探狼在第p+1次迭代后的位置;/>表示第i只探狼在第p次迭代后的位置;hi表示第i只探狼的游走方向;/>为步长,在d维上的步长大小。
现有的狼群算法(WAP)的步长和方向是固定的,为了增加算法的灵活性和适应性,采取自适应步长方法来根据算法的收敛情况和优化进程来自动选择合适的步长,从而在不同阶段调整搜索的速度和方向。
改进步长公式为:
其中,A是步长调节参数,用于控制步长的大小;Fi是第i只狼的适应度数值;ymean是狼群中所有狼适应度数值的平均值;k是控制sigmoid函数曲线形状的参数;公式中使用sigmoid函数作为非线性控制机制,根据每只狼的适应度数值和平均适应度数值之间的差异来调节步长的计算;适应度较高的狼将具有较大的步长,从而在搜索空间中更快地探索;而适应度较低的狼将具有较小的步长,有更高的概率在附近进行局部优化。
改进方向的公式为:
hi=B×tanh(k'·(Fi-ymean)) (7)
其中,B是方向调节参数,用于控制方向的变化;Fi是第i只狼的适应度数值;ymean是狼群中所有狼适应度数值的平均值;k'是控制tanh函数曲线形状的参数。
使用tanh函数作为非线性控制机制,双曲正切函数的输出值随着输入值的变化呈现非线性的关系;这种非线性特性可以增加算法的多样性和灵活性,在搜索空间中更全面地探索;根据每只狼的适应度数值和平均适应度数值之间的差异来调节狼的方向;适应度较高的狼将有更大的方向值,从而更倾向于朝着全局搜索的方向移动;而适应度较低的狼将有较小的方向值,更倾向于进行局部优化。
步骤33、猛狼j向猎物的方向进行奔袭;如果奔袭途中,猛狼j感知的气味浓度,即适应度函数值大于头狼所感知到的气味浓度,替代头狼发起召唤行为;否则,猛狼j继续进行奔袭,一旦猛狼与头狼之间的距离djs小于判定距离dnear时(djs≤dnear),即转入围攻行为;
猛狼j向猎物的方向进行奔袭的公式为:
其中,表示第j只猛狼在第p+1次迭代后的位置;/>是猛狼j经历第p次迭代时,在第d维空间中所处位置;/>为第p代群体的头狼在第d维空间所处的位置;/>为改进猛狼步长。
改进猛狼步长的公式为:
其中,Tmax表示最大迭代次数,即优化算法的迭代总次数;T表示当前的迭代次数,表示优化算法执行的当前迭代轮数。
现有的狼群算法中,召唤行为使用固定的运行步长,这降低了算法的局部搜索能力和搜索策略的多样性,使算法容易过早陷入局部优化。在召唤行为开始时,凶猛的狼需要大步走向头狼的位置,随着距离的减少,逐渐减少奔跑的长度,缓慢地向猎物移动;通过Logistic函数将运行步长转化为变量,映射到区间(0,1)中,使运行步长在区间(0,1)中减小,从而更准确地搜索到最优解。
改进后的奔袭步长公式是迭代次数的基础上,通过复杂的数学函数计算得到的一个步长,这种步长调整可以使得步长随着迭代次数的增加而逐渐减小。
步骤34、选取头狼的位置为猎物的位置,对猎物进行围攻,根据狼群围攻公式更新参与围攻行为的人工狼的位置;若围攻行为中人工狼的位置xid超出了变化范围,则设置其为边界值;
对于第p代狼群而言,狼群围攻公式为:
其中,是人工狼i经历第p次迭代时,在第d维空间中所处位置;λ为[-1,1]区间内的随机数,呈均匀分布,是控制参数,用于调节围攻行为的强度;/>表示从列维飞行(Levyflight)分布中生成的第p代第d维的步长;/>为在第p代狼群中猎物在第d维空间所处的位置,将离猎物最近的狼,即头狼所处的位置视为猎物的移动位置。
现有围攻行为采用固定步长,本发明采用Levy flight方法产生随机步长,可以增加算法的探索能力,使得狼群能够更快地搜索到潜在的最优解,同时,Levy flight的重尾性可以增加算法的全局搜索能力,有助于避免陷入局部最优解。Levy flight的公式为:
其中:Z1和Z2是从标准正态分布(均值为0,标准差为1)中生成的两个独立的随机数;sign()为符号函数,当Z2大于0时为1,小于0时为-1;α是Levy分布的稳定性参数,其值通常在区间0<α≤2内,较小的α值表示更重尾的分布;σ是Levy分布的尺度参数,通常是一个正数。
步骤35、按照头狼产生规则更新头狼的位置,再按照狼群更新机制对整个群体进行更新,以进一步优化解的质量;剔除掉狼群中最差的R匹人工狼,同时随机产生R匹人工狼,以增加算法的多样性和探索性;R的取值为之间的随机整数。
步骤36、对人工狼的位置xid进行评估,以判断其是否满足两个关键条件:首先,人工狼xid的位置不能位于任何障碍物内部,确保无人机不会与障碍物发生碰撞;其次,xid与其相邻两点之间的连线也不能经过任何障碍物,以保证航迹路径不会被障碍物所阻挡。
如果xid的位置满足上述两个条件,那么选择xid作为第i匹人工狼的位置,并作为下一次迭代的参考位置;然而,如果xid的位置未满足条件,意味着需要重新选择一个新的位置;在这种情况下,会从满足条件的位置中随机选取一个点,以确保第i匹人工狼的位置能够满足路径规划的要求。
通过这样的评估和选择过程,能够确保人工狼的位置始终满足避开障碍物和路径连通性的要求,从而为优化过程提供了可靠的基础。
步骤37、对优化问题进行评估,以确定是否已经满足了优化精度的要求,或者是否已经达到了预定的最大迭代次数Tmax;这是为了确认是否需要继续进行优化;如果满足这两者之一的条件,系统将会输出当前头狼的位置,即此时的最优航迹;如果以上条件都未被满足,将会跳转至步骤32,继续进行后续的优化迭代过程;这样的迭代过程将持续进行,直至满足优化精度或达到最大迭代次数为止,以确保最终获得尽可能优化的航迹路径解决方案。
仿真实验:
为了验证WPA与I-WPA在无人机三维航迹规划中的有效性和优越性,分别进行了仿真实验,并对其结果进行分析。
仿真环境设置:仿真平台为MATLAB 2018b,处理器为Intel(R)Core(TM)i7-7700HQCPU@2.80GHz,内存16GB。
威胁等效地形如图2所示,无人机航迹的搜索空间设置为100km×100km×100km的区域,起始点Ps的坐标为(1,1,1),终点的坐标Pf为(100,100,80),山峰地形为障碍和地形威胁等的等效物。
狼群算法参数设置:人工狼的总数N=50,探狼的比例因子α=0.5,步长因子C=20,最大游走限制次数Kmax=20,狼群的更新比例因子β=6;最大迭代次数Tmax=50。
I-WPA与WPA算法的最优路径对比如图3所示,观察绘制的路径,注意到I-WPA的路径减少了不必要的高度变化,这表明在路径规划时更充分地考虑了地形的特点,使得飞行更加平稳,路径长度明显更短;另一个显著的观察是路径在避开威胁区域方面表现出更好的效果;路径更加灵活地绕过威胁区域,显示出在避障方面的有效性;通过对比,可以清晰地看到改进后的路径明显更少地穿越威胁区域,从而提高了无人机的飞行安全性。
如图4所示迭代次数与适应度值的折线图,观察曲线的走势,I-WPA在初始阶段就迅速下降并趋于平稳,表明具有更快的收敛速度;对比两种算法在相同迭代次数下的最终适应度值,在适应度值上表现较好,这意味着其在问题求解方面更具优势。
仿真结果理论最优适应度和实际最优适应度值如表1所示;I-WPA在理论最优适应度与实际最优适应度值之间的差值误差相对较小;表明I-WPA在无人机电力线路路径规划问题上取得显著的优化效果,能够有效地接近预期的最优解;特别是在考虑了威胁等效地形信息后,算法在航迹规划中充分考虑了地形和障碍物的影响,使得无人机的飞行路径更加合理和安全。
表1仿真结果理论最优适应度和实际最优适应度
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.改进狼群算法的无人机电力线路路径规划方法,其特征在于,包括以下步骤:
步骤一、根据地形障碍构建威胁等效地形数学模型;
步骤二、构建无人机目标适应度函数;
步骤三、构建改进狼群算法对电力线路进行航迹寻优。
2.根据权利要求1所述的改进狼群算法的无人机电力线路路径规划方法,其特征在于,威胁等效地形数学模型的公式为:
式中,和/>分别是第j个山峰顶点的横坐标和纵坐标,z(x,y)为地形高度函数,x和y分别是水平投影面上的点的横坐标和纵坐标;h0为地形的基准高度;N为威胁和障碍物的数量;/>为j个威胁或障碍的最大高度;/>和/>是用于控制威胁或障碍物的影响范围的参数。
3.根据权利要求1所述的改进狼群算法的无人机电力线路路径规划方法,其特征在于,目标适应度函数的公式为:
F=ωdFd+ωhFh (2)
式中,Fd和Fh分别是无人机的路径长度代价和威胁代价,ωd和ωh分别为路径长度代价和威胁代价所对应的权值;n表示航迹点的总数量;hi是第i个航迹点的高度;z(xi,yi)是地形高度函数。
4.根据权利要求1所述的改进狼群算法的无人机电力线路路径规划方法,其特征在于,步骤三具体包括:
步骤31、初始化种群,参数初始化;
步骤32、计算若干人工狼的目标适应度函数,选取具有最优值的人工狼为头狼,除头狼之外最佳匹人工狼为探狼,并执行游走,不断向前进行更新,直到满足探狼感知猎物气味浓度大于头狼或达到最大游走限制次数时停止更新;
步骤33、猛狼向猎物的方向进行奔袭;如果奔袭途中,猛狼感知的气味浓度大于头狼,猛狼替代头狼发起召唤行为;否则,猛狼继续进行奔袭,一旦猛狼与头狼之间的距离小于判定距离时,转入围攻行为;
步骤34、选取头狼的位置为猎物的位置,对猎物进行围攻,根据狼群围攻公式更新参与围攻行为的人工狼的位置;若人工狼的位置超出变化范围,则设置人工狼的位置为边界值;
步骤35、按照头狼产生规则更新头狼的位置,再按照狼群更新机制对整个群体进行更新;
步骤36、对人工狼的位置进行评估,判断是否满足限定条件;
步骤37、当迭代终止条件满足时,停止迭代。
5.根据权利要求4所述的改进狼群算法的无人机电力线路路径规划方法,其特征在于,执行游走的公式为:
其中,表示第i只探狼在第p+1次迭代后的位置;/>表示第i只探狼在第p次迭代后的位置;hi表示第i只探狼的游走方向;/>为步长;A是步长调节参数;Fi是第i只探狼的适应度数值;ymean是狼群中所有狼适应度数值的平均值;k是控制sigmoid函数曲线形状的参数。
6.根据权利要求5所述的改进狼群算法的无人机电力线路路径规划方法,其特征在于,游走方向的公式为:
hi=B×tanh(k'·(Fi-ymean)) (7)
其中,B是方向调节参数,用于控制方向的变化;Fi是第i只探狼的适应度数值;ymean是狼群中所有狼适应度数值的平均值;k'是控制tanh函数曲线形状的参数。
7.根据权利要求4所述的改进狼群算法的无人机电力线路路径规划方法,其特征在于,猛狼向猎物的方向进行奔袭的公式为:
其中,为第p代群体的头狼在第d维空间所处的位置;/>是猛狼j经历第p次迭代时,在第d维空间中所处位置;/>为改进猛狼步长;Tmax表示最大迭代次数;T表示当前的迭代次数。
8.根据权利要求4所述的改进狼群算法的无人机电力线路路径规划方法,其特征在于,狼群围攻公式为:
其中,是人工狼i经历第p次迭代时,在第d维空间中所处位置;λ为[-1,1]区间内的随机数;/>表示从Levy flight分布中生成的第p代第d维的步长;/>为在第p代狼群中猎物在第d维空间所处的位置。
9.根据权利要求8所述的改进狼群算法的无人机电力线路路径规划方法,其特征在于,Levy flight的公式为:
其中:Z1和Z2是从标准正态分布中生成的两个独立的随机数;sign()为符号函数;α是Levy分布的稳定性参数;σ是Levy分布的尺度参数。
10.根据权利要求4所述的改进狼群算法的无人机电力线路路径规划方法,其特征在于,限定条件包括:
头狼的位置不能位于任何障碍物内部;其次,头狼与其相邻两点之间的连线也不能经过任何障碍物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132467.7A CN117093019A (zh) | 2023-09-04 | 2023-09-04 | 改进狼群算法的无人机电力线路路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132467.7A CN117093019A (zh) | 2023-09-04 | 2023-09-04 | 改进狼群算法的无人机电力线路路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117093019A true CN117093019A (zh) | 2023-11-21 |
Family
ID=88775108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311132467.7A Pending CN117093019A (zh) | 2023-09-04 | 2023-09-04 | 改进狼群算法的无人机电力线路路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093019A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117806355A (zh) * | 2024-02-23 | 2024-04-02 | 广州全成多维信息技术有限公司 | 一种电力巡线无人机控制方法及系统 |
-
2023
- 2023-09-04 CN CN202311132467.7A patent/CN117093019A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117806355A (zh) * | 2024-02-23 | 2024-04-02 | 广州全成多维信息技术有限公司 | 一种电力巡线无人机控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110544296B (zh) | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 | |
Wang et al. | A hybrid metaheuristic DE/CS algorithm for UCAV three-dimension path planning | |
CN111582428B (zh) | 一种基于灰色预测演化算法的多模态多目标优化方法 | |
CN111256697B (zh) | 一种针对路径点聚类机器学习的无人机航迹规划方法 | |
CN117093019A (zh) | 改进狼群算法的无人机电力线路路径规划方法 | |
CN104392283A (zh) | 基于人工鱼群算法的交通路径搜索方法 | |
CN106980741B (zh) | 一种面向分支线缆自动布线的路径搜索方法 | |
CN115357031B (zh) | 一种基于改进蚁群算法的船舶路径规划方法及系统 | |
CN104156943B (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN113848919A (zh) | 一种基于蚁群算法的室内agv路径规划方法 | |
Liu et al. | An improved heuristic mechanism ant colony optimization algorithm for solving path planning | |
Yan et al. | Research on route planning of AUV based on genetic algorithms | |
CN115297484B (zh) | 基于新型紧凑粒子群算法的传感器网络覆盖率优化方法 | |
CN112214031B (zh) | 基于遗传粒子群算法的多节点协同着陆位置规划方法 | |
CN116225066A (zh) | 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法 | |
CN110766125A (zh) | 一种基于人工鱼群算法的多目标武器——目标分配方法 | |
CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
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 | |
CN115320420A (zh) | 一种电动汽车无线电能传输系统传输效率优化方法 | |
Yuhang et al. | An adaptive evolutionary multi-objective estimation of distribution algorithm and its application to multi-UAV path planning | |
CN116933948A (zh) | 基于改进海鸥算法与反向传播神经网络的预测方法和系统 | |
CN113655811B (zh) | 隐式通信下无人机协同跟踪地面目标的期望队形获得方法 | |
CN112906286B (zh) | 基于nsga-ii算法的全方向隐身卫星外形多目标优化方法 |
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 |