本發(fā)明涉及一種無人機航路規(guī)劃方法，特別是涉及基于自適應(yīng)權(quán)重鴿群算法的無人機航路規(guī)劃方法，該方法屬于人工智能領(lǐng)域。
背景技術(shù)：
：無人機(UnmannedAerialVehicle，UAV)在復(fù)雜威脅環(huán)境中的航路規(guī)劃問題一直各專家和學者研究的重點。。民用無人機的航路規(guī)劃需要考慮城市建筑物的阻擋、自然地理環(huán)境的限制和特殊的天氣氣候等因素。軍用無人機根據(jù)所屬的機器類型不同、執(zhí)行任務(wù)的不同也需要時刻考慮地理自然環(huán)境、地方雷達信號干擾等造成的威脅。群智能仿生算法是人工智能的一個分支，主要包括微粒群算法、蟻群算法人工蜂群算法和鴿群算法等。群智能仿生算法應(yīng)用于無人機航路規(guī)劃的優(yōu)點在于生物種群的特殊行為模型能夠更好的與無人機的行為模型吻合，從而能夠為無人機航路規(guī)劃提供更好的模型依據(jù)。1991年M.Dorigo、V.Maniez-zo、A.colorini等人提出了蟻群優(yōu)化算法(AntAlgorithm)，用于求解TSP問題。許多學者已經(jīng)對微粒群算法和蟻群算法從不同的角度出發(fā)，在不同的應(yīng)用領(lǐng)域進行了優(yōu)化，得出了許多優(yōu)化的群智能仿生算法算法。此外，許多國內(nèi)學者也提出了許多新的智能優(yōu)化算法。2002年我國學者李曉磊、邵之江、錢積新等提出了人工魚群算法；Karaboga等模擬蜜蜂群的智能采蜜行為，提出了人工蜂群算法?，F(xiàn)有的鴿群算法在無人機航路規(guī)劃中的應(yīng)用主要分為兩個階段：鴿群先按照太陽和磁場進行初步定位，此處使用地磁算子對種群中粒子的飛行速度和位置進行控制；然后依照地標進行精確定位，此階段使用地標算子模擬鴿群的尋優(yōu)行為。經(jīng)過仿真實驗結(jié)果表明單一的鴿群算法進行航路規(guī)劃存在一些缺陷。例如，現(xiàn)有的鴿群算法更容易陷入局部最優(yōu)解；算法的收斂速度較慢，收斂速度不穩(wěn)定等問題，在實際的航路規(guī)劃中，可能導(dǎo)致相同條件下的規(guī)劃結(jié)果差異較大，不具備參考性；應(yīng)用于航路規(guī)劃中的威脅代價消耗過大；現(xiàn)有的使用鴿群算法應(yīng)用在航路規(guī)劃時并沒有對鴿群算法得到的航路進行平滑處理。自適應(yīng)權(quán)重鴿群算法(AWPIO)是在現(xiàn)有的鴿群算法的基礎(chǔ)上在種群粒子尋找最優(yōu)解的過程中添加自適應(yīng)權(quán)重的慣性引導(dǎo)因子，在最大程度上避免陷入局部最優(yōu)解。原有的無人機航路規(guī)劃算法在進行航路規(guī)劃時都或多或少的存在陷入局部最優(yōu)解的問題，導(dǎo)致無人機在整個飛行過程中并不是按照最優(yōu)路線航行。技術(shù)實現(xiàn)要素：現(xiàn)有的鴿群算法在解決無人機航路規(guī)劃問題中存在對復(fù)雜地形不能進行精準的航路規(guī)劃，針對這個問題，對鴿群算法進行了改進，使用自適應(yīng)權(quán)重的鴿群算法計算并求解航路規(guī)劃問題中的最優(yōu)航路點，并使用數(shù)學模型對所求航路點進行路徑平滑計算操作。本發(fā)明自適應(yīng)權(quán)重鴿群算法的無人機航路規(guī)劃方法包括以下幾個步驟：步驟1：初始化自適應(yīng)鴿群算法參數(shù)(1)初始化參數(shù)維數(shù)DD是解的維數(shù)，與優(yōu)化問題的規(guī)模相關(guān)，本發(fā)明中設(shè)置D＝20即是在問題規(guī)模維度為20的空間中進行問題尋優(yōu)。(2)初始化種群數(shù)量種群數(shù)量的設(shè)置決定了問題求解的精度，種群規(guī)模尋優(yōu)精度越高，但是消耗的時間復(fù)雜度也越高。因此，在均衡時間復(fù)雜度和尋優(yōu)精度的情況下，本發(fā)明設(shè)置種群數(shù)量pigeonnum為120。(3)初始化迭代次數(shù)自適應(yīng)鴿群算法分為兩個階段進行計算，分別是地磁算子操作階段和地標算子操作階段。進行航路規(guī)劃之前需要分別設(shè)定兩個階段運行的最大迭代次數(shù)為T1＝100，T2＝40。(4)初始化自適應(yīng)權(quán)重系數(shù)的取值范圍ω初始化自適應(yīng)權(quán)重系數(shù)ω的最大值ωmax和最小值ωmin，這兩個值的確定影響自適應(yīng)地磁算子操作階段的尋優(yōu)效率。步驟2：初始化航路現(xiàn)有的鴿群優(yōu)化算法在進行無人機航路規(guī)劃時，都是直接使用鴿群算法進行最優(yōu)解的計算，并沒有對無人機航行的初始路徑進行初始化，本文中增加了航路的初始化部分，為此后的鴿群算法提供一個更優(yōu)的初始最優(yōu)值。對航路進行初始化后可以減少算法的計算時間，并且能夠提高鴿群算法的執(zhí)行效率。步驟3：威脅代價計算無人機航路規(guī)劃的性能指標主要包括完成規(guī)定任務(wù)的安全性能指標和燃油性能指標，即威脅代價最小性能指標和燃油代價最小性能指標。威脅代價最小值按公式(1)計算：L為航路的長度公式(1)油耗代價最小值按公式(2)計算：L為航路的長度公式(2)總威脅代價評估模型為公式(3):minJ＝kJt+(1-k)Jf公式(3)其中，威脅代價的評估模型為公式(4)，當無人機沿路徑Lij飛行時，Nt個威脅源對其產(chǎn)生的總威脅代價按公式(4)計算：為了簡化威脅代價計算，把每條邊分為5段，取其中5個點來計算這條邊所受到的威脅代價，若威脅點到該邊的距離在威脅半徑之內(nèi)，按公式(5)計算它的威脅代價。上式中，Lij為連接節(jié)點i,j邊的長度，d(0.1,k)表示Lij邊上的1/10分點距第k個威脅源中心的距離，tk為威脅因子，表示當前威脅對無人機航行的威脅等級。步驟4：自適應(yīng)權(quán)重系數(shù)的地磁算子和地標算子規(guī)劃航路(1)地磁算子操作階段普通的鴿群算法在求解局部最優(yōu)解和全局最優(yōu)解時，存在易于陷入局部極值的問題。因此，為了均衡鴿群算法的局部搜索能力和全局搜索能力，在鴿群算法的地磁操作部分引入非線性的動態(tài)慣性權(quán)重系數(shù)(即自適應(yīng)權(quán)重系數(shù))，從而提高整個算法在航路規(guī)劃中的效率，自適應(yīng)權(quán)重系數(shù)根據(jù)公式(6)計算得出。其中，ωmin和ωmax分別表示慣性權(quán)重系數(shù)ω的最小值和最大值，f為威脅代價評估函數(shù)，fmin表示當前鴿群中的平均威脅代價值，fmin表示當前鴿群中的最小威脅代價值。鴿群能夠通過自身對地磁的感應(yīng)在大腦中繪制出簡要地圖，再根據(jù)太陽的方向辨別目的地的方向。在自適應(yīng)鴿群算法的地磁操作階段，在D維搜索空間中，每次迭代都根據(jù)公式(7)(8)來計算更新粒子的速度和位置。vi(t)＝ω·vi(t-1)·e-Rt+rand·(xg-xi(t-1))公式(7)xi(t)＝xi(t-1)+vi(t)公式(8)其中，R是地磁算子，rand是一個隨機數(shù)，xg為當前的全局最優(yōu)位置，全局最優(yōu)解是通過比較當前種群中所有粒子的威脅代價值和距離目的地的距離而得出的。利用初始化的種群粒子的位置和速度，根據(jù)初始個體的代價函數(shù)值更新局部最優(yōu)位置和全局最優(yōu)位置。反復(fù)使用自適應(yīng)權(quán)重系數(shù)的地磁算子進行尋優(yōu)，直到迭代次數(shù)大于地磁算子的最大迭代次數(shù)時停止操作。(2)地標算子操作階段在地磁算子操作階段得到的全局最優(yōu)粒子作為地標算子操作階段的初始種群進行路徑尋優(yōu)。引入地標算子，鴿子據(jù)此判斷當前位置是否和地標算子的位置相似，若判斷出兩者位置相似，鴿群直接飛向目的地；否則，其余鴿子將跟隨地標相似的鴿子飛去。在地標操作過程中，若所有鴿子經(jīng)過判斷后發(fā)現(xiàn)所有鴿子都與地標算子的位置不相似，則每次迭代都去除種群數(shù)量一半的鴿子，此處選擇鴿群的規(guī)則由公式(9)制定。此后，設(shè)置所有鴿子的中心位置鴿子(xc)的飛行方向為目的地方向。第t次迭代時，鴿子i的位置由公式(10)(11)確定。xi(t)＝xi(t-1)+rand·(xc(t)-xi(t-1))公式(11)其中，fitness()為威脅建模后得出的威脅代價值最小的位置。通過此過程得出威脅代價最小的位置。通過地標操作的計算可以更快的尋找到目的地的位置，從而是無人機更快的飛向目的地，提高飛行效率。根據(jù)以上公式的計算，最終保留當前全體中較有的粒子進行下一輪的尋優(yōu)，反復(fù)使用地標算子進行全局尋優(yōu)，直到迭代次數(shù)大于地標算子的最大迭代次數(shù)時停止操作。步驟5：航路平滑處理直接使用鴿群算法計算而得出的航路存在拐角，如圖3中折線所示，但是在實際的無人機執(zhí)行任務(wù)過程中，根據(jù)任務(wù)的需要必須時常改變航行方向，這就需要滿足無人機自身的最小轉(zhuǎn)彎半徑約束；由此可知，鴿群算法得出的航線不能直接應(yīng)用于實際的無人機航行中，需要對規(guī)劃出的航路進行平滑處理。無人機的最小轉(zhuǎn)彎半徑按如下公式(12)計算：公式中Vmin為無人機的最小飛行時速，為無人機最大方向過載。針對以上問題，提出使用樣條平滑算法對規(guī)劃后的路徑進行平滑處理，從而達到航路可飛的目的。樣條平滑算法主要通過對參數(shù)的調(diào)整控制平滑后的效果，可以根據(jù)需求自定義參數(shù)值。樣條平滑的基本原理為公式(13)所示：其中參數(shù)p為平滑參數(shù)，且取值范圍為0≤p≤1。wi為權(quán)重系數(shù)，且取值范圍為0≤wi≤1，默認情況下wi＝1，經(jīng)過航路平滑出后得出的結(jié)果如圖4中的曲線所示。不同類型的無人機的最小轉(zhuǎn)彎半徑約束不同，從而進行航路平滑時，需要平滑的程度也不同?？梢酝ㄟ^對平滑參數(shù)p的控制調(diào)控航路平滑的程度與效果。本發(fā)明的有益效果：現(xiàn)有的鴿群算法在解決無人機航路規(guī)劃問題中存在對復(fù)雜地形不能進行精準的航路規(guī)劃，針對這個問題，對鴿群算法進行了改進，使用自適應(yīng)權(quán)重的鴿群算法計算并求解航路規(guī)劃問題中的最優(yōu)航路點，并使用數(shù)學模型對所求航路點進行路徑平滑計算操作。自適應(yīng)權(quán)重鴿群算法通過對算法中參數(shù)的調(diào)整能夠解決不同情況下的無人機航路規(guī)劃問題，可以自由地根據(jù)無人機的應(yīng)用領(lǐng)域和約束條件等因素的變化改變參數(shù)，從而達到更好的規(guī)劃效果。附圖說明下面結(jié)合附圖及實施方式對本發(fā)明作進一步詳細的說明：圖1為一種基于自適應(yīng)權(quán)重鴿群算法的無人機航路規(guī)劃方法的流程圖；圖2為簡化威脅代價計算的示意圖；圖3為無人機航路規(guī)劃中應(yīng)用自適應(yīng)鴿群算法的具體流程圖；圖4為航路平滑處理前后對比圖；圖5為實施例中自適應(yīng)權(quán)重鴿群算法(AWPIO)、原始的鴿群算法(PIO)和粒子群算法(PSO)的航路規(guī)劃路線圖；圖6為實施例中自適應(yīng)權(quán)重鴿群算法(AWPIO)、原始的鴿群算法(PIO)和粒子群算法(PSO)的收斂曲線圖具體實施方式實施例1通過一系列的實驗說明改進后的自適應(yīng)鴿群算法的可行性和有效性，并且將改進后的自適應(yīng)權(quán)重鴿群算法(AWPIO)與原始的鴿群算法(PIO)和粒子群算法(PSO)分別進行了對比分析；整個無人機航路規(guī)劃的仿真實驗部分在Windows7操作系統(tǒng)中使用MatlabR2016平臺進行威脅建模和航路仿真。硬件配置為：英特爾i5-2400@3.10GHz處理器，4GB內(nèi)存，其中采用的地理范圍為80*110km，在坐標系中每個單位長度表示1km距離，根據(jù)規(guī)劃的區(qū)域范圍設(shè)定的威脅源分布與威脅源的威脅因子等數(shù)據(jù)見表1，在設(shè)置的威脅環(huán)境區(qū)域內(nèi)起點坐標為(14，10)，目標點坐標為(65,110)；仿真實驗采用的相關(guān)參數(shù)見表2。表1威脅源分布表NO.威脅中心坐標威脅半徑威脅因子1(50，60)1022(22，50)8103(39，78)8204(46，36)1225(65，90)936(25，25)51在以上威脅約束環(huán)境下分別使用改進后的自適應(yīng)鴿群優(yōu)化算法、普通鴿群優(yōu)化算法和粒子群算法對無人機航路規(guī)劃進行仿真實驗。為了保證對比實驗的可行性與準確性，將各個算法都在相同的約束條件下進行，實驗過程中各個算法使用的參數(shù)數(shù)據(jù)如表2所示，根據(jù)設(shè)定參數(shù)計算出的仿真結(jié)果即自適應(yīng)權(quán)重鴿群算法(AWPIO)、原始的鴿群算法(PIO)和粒子群算法(PSO)的航路規(guī)劃路線圖如圖5所示。表2各算法參數(shù)設(shè)置在相同的威脅環(huán)境下，分別使用AWPIO算法、PIO算法和PSO算法進行無人機航路規(guī)劃。通過對三種算法花費的航路距離、威脅代價和計算時間這三個參數(shù)的分析，可以有效的分析出算法的性能。三種算法分別得到的性能參數(shù)如表3所示。表3三種算法性能對比數(shù)據(jù)算法航路距離(km)威脅代價執(zhí)行時間(s)AWPIO113.635482.26681.556PIO115.875183.01291.710PSO121.227584.88673.070根據(jù)以上數(shù)據(jù)可以得出，改進后的鴿群優(yōu)化算法相對于改進前的鴿群算法和粒子群算法在航路距離、威脅代價和執(zhí)行時間都具有顯著的提升，從而能夠保證無人機執(zhí)行任務(wù)時能夠保證更低的資源消耗，也能盡量減少任務(wù)的執(zhí)行速度。除了以上的性能參數(shù)分析外，算法執(zhí)行時的收斂速度也是辨別算法優(yōu)劣的重要因素，較快、較穩(wěn)定的收斂速度可以保證算法的執(zhí)行效率和算法的穩(wěn)定性。通過仿真實驗分別得出的三種算法的收斂曲線如圖6所示；其中橫坐標表示算法的迭代次數(shù)，縱坐標表示航路規(guī)劃過程中所消耗的威脅代價值。根據(jù)收斂曲線的趨勢圖可以明顯得出自適應(yīng)權(quán)重鴿群算法在無人機航路規(guī)劃過程中具有更好的收斂效果，相對于其他兩種算法具有更快、更穩(wěn)定的收斂速度，也是消耗威脅代價最低的算法。通過以上分析可以得出，改進后的自適應(yīng)權(quán)重鴿群算法在無人機航路規(guī)劃中具有更好的規(guī)劃效果和效率。仿真結(jié)果表明，自適應(yīng)權(quán)重鴿群算法得出的航線距離與PIO算法相比減少了2.2397km，與PSO算法相比減少了7.5921km；威脅代價消耗與PIO算法相比減少了0.7461，與PSO算法相比減少了2.6199；算法的消耗時間與PIO算法相比減少了0.154s，與PSO算法相比減少了1.514s。當前第1頁1 2 3