CN106979784B - 基于混合鸽群算法的非线性航迹规划 - Google Patents
基于混合鸽群算法的非线性航迹规划 Download PDFInfo
- Publication number
- CN106979784B CN106979784B CN201710155141.4A CN201710155141A CN106979784B CN 106979784 B CN106979784 B CN 106979784B CN 201710155141 A CN201710155141 A CN 201710155141A CN 106979784 B CN106979784 B CN 106979784B
- Authority
- CN
- China
- Prior art keywords
- population
- track
- flight
- matrix
- flight path
- 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.)
- Expired - Fee Related
Links
Images
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于混合鸽群算法的非线性航迹规划方法,属于单无人机技术领域。包括如下内容:确定飞行范围和障碍物;初始化各种参数;用随机区间法生成种群初始状态值;在地图和指南针算子,采用粒子群算法自我学习和社会学习相结合的思想,用带有惯性矩阵和随惯性矩阵呈余弦变化的自我及社会学习因子的公式,更新种群的位置和速度;达到循环上限后,进入地标算子,按适应度值对鸽群进行排序,并记录中心位置;利用呈余弦变化的衰减矩阵计算此次迭代的种群数量;更新位置和速度;输出最优航迹。该发明改善了算法的精度,得到最优解或非常接近最优解的次优解,同时提升了算法的稳定性和航迹规划的速率。
Description
技术领域
本发明涉及一种基于混合鸽群算法的非线性航迹规划方法,属于无人机航迹规划技术领域。
背景技术
无人机(Unmanned Aerial Vehicle,UAV)是当前国内外人们研究的武器装备,具有自动起降、自动驾驶、自动导航等功能,适合代替人在危险、恶劣和极限的环境下完成特定的工作和任务,于是在军事、商业、航空航天等领域都有着广泛的应用。其中航迹规划是无人机任务规划***中的核心之一。航迹规划的目的是在限定的条件下(避开威胁和禁飞区,燃油最省,路径最短等),选择一条从起点到达任务地点的最优或非常接近最优的次优路径。目前,已存在较多的航迹规划方法,大致可以分为两大类:
1、确定性计算法方法。比如A*算法:启发式搜索A*算法优点是收敛性较强与运算快速等,缺点是它只能生成一条航迹,不适合需要多条参考航迹的任务要求;
2、随机搜索优化算法,包括蚁群算法、遗传算法、粒子群算法等。这类算法是模拟自然界的物质变化过程,及生物活动和进化过程。蚁群算法是通过蚂蚁的信息交流和相互协作来实现路径搜索,具有动态特性,比较适应威胁环境的多变性;遗传算法是基于自然选择和基因遗传原理的搜索方法,不受搜索空间的约束,也不需要优化函数的连续性和导数存在等条件,而且存在并行性,比较适合较多复杂约束和模糊信息的航迹规划问题。粒子群算法是通过个体间的相互协作,同时利用生物体的自我学习和社会学习的思想来完成搜索最优解,该算法实施起来非常简单,也有较好的全局性和局部性,因此在航迹规划方法被广泛地使用。具备随机特点的遗传算法和蚁群算法等智能算法虽然大体上都有较好的全局性和局部性,也能克服确定性算法的局限生成多个解,但是计算量较大,收敛速度较慢,很难满足工程的实际需要
为了克服上述方法的缺点,不断有一些新的自然启发方法提出。比如Duan H,等人提出了一种新的群体智能算法——鸽群算法来进行无人机的航迹规划,参见Duan H, QiaoP. Pigeon-inspired optimization: a new swarm intelligence optimizer for airrobot path planning[J]. International Journal of Intelligent Computing andCybernetics, 2014, 7(1):24-37。Zhang B等人用捕食逃逸的鸽群算法来进行无人机的三维路径规划,参见Zhang B, Duan H. Predator-Prey Pigeon-Inspired Optimizationfor UAV Three-Dimensional Path Planning[M]// Advances in Swarm Intelligence.2014:96-105。鸽群算法容易实现,而且最显著的优点是收敛速度快,比较适合工程应用。但基本的鸽群算法也存在陷入局部最优的缺点。
发明内容
本发明的目的是为解决无人机航迹规划速度慢且易陷入局部最优的问题,提出了一种基于混合鸽群算法的非线性航迹规划方法。
本发明的目的是通过下述技术方案实现的:
2)设置无人机航迹规划的初始条件,包括起始点、目标点、威胁分布。将飞行任务中的威胁模型化:将威胁的地理位置、影响范围、威胁等级等威胁指数转化为离散化规划空间的矩阵信息;
3)初始化算法的各种参数,比如种群数量、地图和指南针算子最大迭代次数、地标算子的最大迭代次数等。同时将飞行范围内的横坐标进行等间距离散化,即确定飞行航迹点的横坐标矩阵;
4)用随机区间法生成初始种群的位置,并随机产生鸽群的初始位置;
6)进入地图和指南针算子循环,结合粒子群算法中自我学习和社会学习的思想,通过以下公式更新种群的位置和速度:,其中,是惯性矩阵,矩阵中的值由产生;自我学习因子;群体学习因子;为0到1之间的随机数,为当前迭代次数;地图和指南针算子的最大迭代次数,为第条航路;为个体最优航迹;为当前全局最优航迹;
7)计算每条航迹的代价值,并记录此次迭代的全局最优航迹和每个个体的最优航迹;
8)判断迭代次数是否达到该算子的最大迭代次数,若达到,则结束循环,进入地标算子,否则重复步骤6)到步骤8);
9) 进入地标算子,按照目标函数的代价值为每条航路按从小到大的循序进行排序;
13)计算每条航迹的代价值,并记录此次迭代的全局最优航迹;
14)判断迭代次数是否达到算子的最大迭代次数,达到则结束该循环,否则重复步骤9)到步骤14);
15)输出最优航迹。
附图说明
图1是本发明实验步骤的流程框图。
图2是无人机雷达威胁计算的示例图。
图3是为无人机规划的路线图。
图4是航迹规划过程中适应度值的变化曲线图。
具体实施方式
下面结合具体实施方式对本发明做进一步的详细说明:
2)将飞行任务中的威胁模型化:将威胁的地理位置、影响范围、威胁等级等威胁指数转化为离散化规划空间的矩阵信息,这里主要是指雷达威胁,用一个行四列的矩阵来储存威胁信息,其中代表威胁的个数,第一列代表威胁的横坐标,第二列代表威胁的纵坐标,第三列代表威胁的半径,第四列代表威胁的等级;
3)初始化算法的各种参数,比如种群数量、地图和指南针算子最大迭代次数、地标算子的最大迭代次数等。同时将飞行范围内的横坐标进行等间距离散化,即确定飞行航迹点的横坐标矩阵。航迹点的个数也是规划的空间维度;
4)用随机区间法生成初始种群的位置,即将飞行范围的纵坐标划分为个小区间,生成一个的矩阵,其中的每一行都是个小区间随机排列,则每个个体的各个参数分别在小区间中随机生成。这样初始个体将会均匀地分布在整个解空间上,保证了初始群体含有较丰富的模式,增强了搜索收敛于全局最优点的可能;
:威胁代价,如果飞行的航迹段不在威胁范围内,那么该段的为零;如果飞行的航迹段在威胁范围内,为了简化计算,我们把每个航迹段平均分为十个点,如图2,再间隔地取其中五个点来进行计算,则简化的威胁计算公式进行如下所示:。其中为航迹段的长度(即第个航迹点到航迹点的长度);为对应威胁的等级;为威胁的个数;是航迹段1/10点到第威胁中心的距离;
8)判断更新后的速度和位置是否在事先约定的范围内,若是,进入下一步;否则在规定地范围内随机产生一个值赋给它;
10)通过适应度值找出并记录全局最优航迹和个体最优航迹;
11)判断是否达到最大迭代次数,若是,进入地标算子中,否则重复执行步骤7)到步骤11);
12)进入地标算子,计算个体适应度值并个体进行排序,适应度值越大(即目标函数值越小)位置越靠前;
16)执行步骤8)和步骤9);
17)判断是否达到最大迭代次数,若是,结束循环,进入下一步,否则重复执行步骤12)到步骤17);
18)通过适应度值找出并记录全局最优航迹和个体最优航迹;
19)输出全局最优航迹。
本发明的效果可以通过以下仿真进一步说明:
Claims (1)
1.一种基于混合鸽群算法的非线性航迹规划方法,其特征在于,包括以下步骤:
步骤1:确定飞行环境;
将UAV飞行环境的二维规划空间表示为集合空间区域{(x,y)|0≤x≤Xmax,0≤y≤Ymax};
步骤2:设置无人机航迹规划的初始条件,包括起始点、目标点、威胁分布;具体实施方法如下:
首先,根据起始点和目标点的位置,将飞行范围内的横坐标进行等间距离散化,即确定飞行航迹点的横坐标矩阵;
然后,将飞行任务中的威胁模型化:将威胁的地理位置、影响范围、威胁等级转化为离散化规划空间的矩阵信息;
步骤3:初始化混合鸽群算法的各种参数,包括惯性矩阵、衰减矩阵、种群数量、地图和指南针算子最大迭代次数、地标算子的最大迭代次数;惯性矩阵的生成方式如下:IM(t)=0.25×cos(t×π/T1)+0.65;
步骤4:通过随机区间法生成种群的初始状态;随机区间法是指:将飞行范围的纵坐标划分为D个小区间,生成一个Np*D的矩阵M,其中M的每一行都是D个小区间随机排列,则每个个体的各个参数分别在小区间中随机生成;这样初始个体将会均匀地分布在整个解空间上,保证了初始群体含有较丰富的模式,增强了搜索收敛于全局最优点的可能;
步骤5:在地图和指南针算子中,利用如下公式更新种群的位置和速度:
Vi(t)=Vi(t-1)×IM(t)+rand×u1×(Xp-Xi(t-1))+rand×u2×(Xg-Xi(t-1))
Xi(t)=Xi(t-1)+Vi(t)
其中,IM是惯性矩阵;u1是自我学习因子;u2是社会学习因子;rand为0到1之间的随机数,t为当前迭代次数;T1是地图和指南针算子的最大迭代次数,i为第i条航路;Xp为个体最优航迹;Xg为当前全局最优航迹;自我学习因子u1生成公式:u1=0.5-2×cos(IM(t)×π);社会学习因子u2生成公式:u2=2.5+2×cos(IM(t)×π);其中,t为当前迭代次数;IM为惯性矩阵;
步骤6:根据目标函数的值计算每条航迹的适应度值,并记录最优航迹;航迹适应度值是指fitness(i)=1/(f(i)+ε);其中f(i)表示第i条航迹的航迹代价值,ε是一个很小的常数;目标函数是指其中fi为不同的代价函数,wi为各个代价函数的权系数,并且l为代价函数的个数,此处l为4;
f4:最小航迹长度代价,记最小航迹为Lmin,第i段的航迹长度为Li,则当Li≥Lmin时,f4=0,否则
f4=Lmin-Li;
步骤7:结束地图和指南针算子后,在地标算子中,根据适应度值对种群进行降序排序;
步骤8:计算此次迭代种群的数量和中心位置,并更新位置和速度;种群数量是指,
Xi(t)=Xi(t-1)+rand×(Xc(t)-Xi(t-1));其中,t为当前迭代次数;DM是衰减矩阵;fitness为适应度值;Np为种群数量;
步骤9:结束循环后,输出最优航迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710155141.4A CN106979784B (zh) | 2017-03-16 | 2017-03-16 | 基于混合鸽群算法的非线性航迹规划 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710155141.4A CN106979784B (zh) | 2017-03-16 | 2017-03-16 | 基于混合鸽群算法的非线性航迹规划 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106979784A CN106979784A (zh) | 2017-07-25 |
CN106979784B true CN106979784B (zh) | 2020-01-03 |
Family
ID=59339543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710155141.4A Expired - Fee Related CN106979784B (zh) | 2017-03-16 | 2017-03-16 | 基于混合鸽群算法的非线性航迹规划 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106979784B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151746B (zh) * | 2017-12-27 | 2020-11-10 | 中国人民解放军国防科技大学 | 基于多分辨率态势建图的改进标签实时航路重规划方法 |
TWI676003B (zh) * | 2018-05-22 | 2019-11-01 | 旻新科技股份有限公司 | 利用禽鳥飛行路徑規畫無人飛行載具路徑的方法 |
CN108829131B (zh) * | 2018-06-12 | 2020-02-14 | 北京航空航天大学 | 一种基于多目标自适应变异鸽群优化的无人机集群避障法 |
CN108919641B (zh) * | 2018-06-21 | 2021-02-09 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
CN109357678B (zh) * | 2018-10-16 | 2020-10-13 | 北京航空航天大学 | 一种基于异质化鸽群优化算法的多无人机路径规划方法 |
CN109657778B (zh) * | 2018-11-20 | 2022-02-15 | 北京工业大学 | 一种基于改进的多种群全局最优的自适应鸽群优化方法 |
CN109991976B (zh) * | 2019-03-01 | 2022-05-13 | 江苏理工学院 | 一种基于标准粒子群算法的无人车规避动态车辆的方法 |
CN110597280A (zh) * | 2019-09-04 | 2019-12-20 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种飞机航路重规划方法 |
CN110749325B (zh) * | 2019-11-29 | 2021-11-02 | 北京京东乾石科技有限公司 | 航迹规划方法和装置 |
CN110926477B (zh) * | 2019-12-17 | 2023-07-11 | 湘潭大学 | 一种无人机航路规划及避障方法 |
CN111024085B (zh) * | 2019-12-18 | 2020-10-16 | 四川大学 | 一种具有端点方向和时间约束的无人机航迹规划方法 |
CN111089593A (zh) * | 2019-12-24 | 2020-05-01 | 山东科技大学 | 一种基于鸽群算法的机器人路径规划方法 |
CN111210454B (zh) * | 2020-01-09 | 2023-04-07 | 山东科技大学 | 基于并行鸽群算法的Otsu图像分割方法 |
CN111158395B (zh) * | 2020-01-13 | 2021-05-14 | 哈尔滨工程大学 | 一种基于鸽群优化的多无人机紧密编队控制方法 |
CN111829509B (zh) * | 2020-07-20 | 2021-09-03 | 泉州森泸玩具有限公司 | 一种新能源汽车定位方法及定位装置 |
CN114372603A (zh) * | 2020-11-13 | 2022-04-19 | 北京航空航天大学 | 一种仿鸽群多学习智能的无人靶机协同航路动态规划方法 |
CN112666981B (zh) * | 2021-01-04 | 2022-11-18 | 北京航空航天大学 | 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 |
CN113175930B (zh) * | 2021-03-22 | 2024-04-30 | 西安理工大学 | 基于mmea的多无人机协同航迹规划方法 |
CN113885320B (zh) * | 2021-09-26 | 2024-02-23 | 北京航空航天大学 | 一种基于混合量子鸽群优化的飞行器随机鲁棒控制方法 |
CN114397818B (zh) * | 2022-01-04 | 2023-11-07 | 南京航空航天大学 | 基于mapio的航天器集群轨道重构路径规划方法 |
CN115220478B (zh) * | 2022-08-16 | 2024-05-31 | 哈尔滨逐宇航天科技有限责任公司 | 一种基于集群进化强化学习的飞行器路径规划方法 |
CN115877853B (zh) * | 2023-03-03 | 2023-05-02 | 天津牛磨王科技有限公司 | 一种智慧仓储物流路径规划***及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971180A (zh) * | 2014-05-09 | 2014-08-06 | 北京航空航天大学 | 一种基于鸽群启发式优化的连续优化问题求解方法 |
CN105929848A (zh) * | 2016-06-28 | 2016-09-07 | 南京邮电大学 | 一种三维环境中的多无人机***的航迹规划方法 |
CN106441308B (zh) * | 2016-11-10 | 2019-11-29 | 沈阳航空航天大学 | 一种基于自适应权重鸽群算法的无人机航路规划方法 |
-
2017
- 2017-03-16 CN CN201710155141.4A patent/CN106979784B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN106979784A (zh) | 2017-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106979784B (zh) | 基于混合鸽群算法的非线性航迹规划 | |
US11727812B2 (en) | Airplane flight path planning method and device based on the pigeon-inspired optimization | |
CN107145161B (zh) | 无人机访问多目标点的航迹规划方法及装置 | |
CN109254588B (zh) | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 | |
CN107622327B (zh) | 基于文化蚁群搜索机制的多无人机航迹规划方法 | |
CN106441308B (zh) | 一种基于自适应权重鸽群算法的无人机航路规划方法 | |
Hong et al. | Energy-efficient online path planning of multiple drones using reinforcement learning | |
CN106705970A (zh) | 一种基于蚁群算法的多无人机协同路径规划方法 | |
CN112230678A (zh) | 基于粒子群算法的三维无人机路径规划方法及规划*** | |
Lei et al. | Path planning for unmanned air vehicles using an improved artificial bee colony algorithm | |
Yafei et al. | An improved UAV path planning method based on RRT-APF hybrid strategy | |
Dou et al. | Pigeon inspired optimization approach to model prediction control for unmanned air vehicles | |
CN109269502A (zh) | 一种基于多策略改进粒子群算法的无人机三维航路规划方法 | |
Wei et al. | Recurrent MADDPG for object detection and assignment in combat tasks | |
CN109870906B (zh) | 一种基于bbo优化人工势场的高速旋翼飞行器路径规划方法 | |
CN109885082B (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 | |
Yan | Research on path planning of auv based on improved ant colony algorithm | |
Haghighi et al. | Multi-objective cooperated path planning of multiple unmanned aerial vehicles based on revisit time | |
Cao et al. | UAV path planning based on improved particle swarm algorithm | |
CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN115562357A (zh) | 一种面向无人机集群的智能路径规划方法 | |
Shi et al. | Optimal trajectories of multi-UAVs with approaching formation for target tracking using improved Harris Hawks optimizer | |
Gao | Autonomous soaring and surveillance in wind fields with an unmanned aerial vehicle | |
Shen et al. | Pigeon-inspired optimisation algorithm with hierarchical topology and receding horizon control for multi-UAV formation |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200103 Termination date: 20210316 |