CN109032167A - 基于并行启发式算法的无人机路径规划方法 - Google Patents

Abstract

本发明公开了一种基于并行启发式算法的无人机路径规划方法，利用全局搜索与局部寻优相结合的机制，推动算法使代价函数随着迭代的进行出现阶梯下降的趋势，使算法既能在全局环境中搜索到细胞的较优解，又能在寻到的较优解周围继续进行局部挖掘，提高了算法的多样性和精确性。

Description

基于并行启发式算法的无人机路径规划方法

技术领域

本发明属于无人机路径规划技术领域。具体涉及一种基于并行启发式算法的无人机路径规划方法。

背景技术

随着航空产业和海地空一体化战场形势的发展，无人机在军用和民用领域的应用中迅速扩张。由于飞行环境和任务需求的复杂性，未来无人机的发展对自主性的要求将越来越高。路径规划是无人机实现自主导航的关键技术之一。目前无人机路径规划所采用的算法有A*、Dijkstra算法、粒子群算法、蚁群算法和遗传算法等。这些算法或利用不断地局部搜索到较优位置组成完整路径，或利用群体间的信息的社会***换搜索一条完整路径。但是这些算法不可兼顾全局搜索能力和局部寻优能力。

发明内容

针对现有启发式算法存在的问题，本发明的发明目的在于提供一种基于并行启发式算法的无人机路径规划方法，增强算法的全局搜索能力和精度。本发明中提供的方法区别于现有方法的显著特征在于：其一:基于并行搜索机制的概念，针对粒子群算法的搜索机制，结合局部搜索，加入提高算法种群多样性的搜索方式，既保证了算法的全局搜索能力和并行计算速度，又增强了算法的挖掘能力，提高了算法的精度；其二，针对复杂战场环境下的无人机路径规划，考虑路径长度约束和环境威胁度约束，采用多次规划机制，解决单目标实时动态规划问题，能更好地适应复杂环境的变化。

本发明的发明目的通过以下技术方案实现：

一种基于并行启发式算法的无人机路径规划方法，包含以下步骤：

步骤1、确定细胞种群中的细胞数目、对细胞进行搜索的最大迭代次数和细胞搜索空间P，初始化细胞的位置以及将细胞种群划分为四个子群G₁，G₂，G₃，G₄；其中，每个细胞的位置是一个2N维向量，代表一条无人机飞行的潜在的路径，细胞位置的每一维度依次代表路径点的横纵坐标；

步骤2、通过以下搜索公式对子群G₁中的各细胞的新位置进行搜索：

reflection₁＝R*G₁[i].Points

visibility₁＝V*(Best.Points-G₁[i].Points)

Newsolution₁＝reflection₁+visibility₁

其中：R＝random()*(r₁-r₂)+r₂，V＝random()*(v₁-v₂)+v₂，r1、r2、v1、v2为算法调节参数，即R是r1到r2之间均匀分布的随机数，V是v1和v2之间均匀的随机数，G₁[i].Points代表子群G₁中第i个细胞的位置向量，reflection₁代表子群G₁中第i个细胞的反射度，visibility₁代表子群G₁中第i个细胞的可见度；Newsolution₁代表子群G₁中第i个细胞的新位置；

通过以下搜索公式对子群G₂中的各细胞的新位置进行搜索：

reflection₂＝R*Best.Points

visibility₂＝Best.Points-G₂[i].Points

Newsolution₂＝reflection₂+visibility₂

其中：G₂[i].Points代表子群G₂中第i个细胞的位置向量，reflection₂代表子群G₂中第i个细胞的反射度，visibility₂代表子群G₂中第i个细胞的可见度，Newsolution₂代表子群G₂中第i个细胞的新位置；

通过以下搜索公式对子群G₃中的细胞的新的位置Newsolution₃进行搜索：

reflection₃＝G₃[i].Points

visibility₃＝ω*visibility₃+c₁(p_id-G₃[i].Points)+c₂(p_gd-G₃[i].Points)

Newsolution₂＝reflection₂+visibility₂

其中：G₃[i].Points代表子群G₃中第i个细胞的位置向量，ω、c₁、c₂是算法设定的调节参数，p_id代表单个细胞所搜寻到的历史最优位置，p_gd代表所有细胞搜寻到的最优位置，reflection₃代表子群G₃中第i个细胞的反射度，visibility₃代表子群G₃中第i个细胞的可见度，Newsolution₃代表子群G₃中第i个细胞的新位置；

通过以下搜索公式对子群G₄中的细胞的新的位置Newsolution₄进行搜索：

reflection₄＝G₄[i].Points

reflection₄＝V*(Best.Points-av)

Newsolution₄＝reflection₄+visibility₄

其中：G₄[i].Points代表子群G₄中第i个细胞的位置向量，reflection₄代表子群G₄中第i个细胞的反射度，visibility₄代表子群G₄中第i个细胞的可见度，Newsolution₄代表子群G₄中第i个细胞的新位置；

步骤3、将迭代过程中每个子群搜索的性能最好的细胞的位置进行平均，储存在av中，所有子群性能最好的细胞位置储存在Best.Points中；

步骤4、如果已经达到步骤1设定的最大迭代次数，则转移到步骤5，否则转到步骤2重新进行搜索。

步骤5、根据步骤4结束得到最优细胞的位置Best.Points，可以得到一条含N个路径点的有序路径序列。

优选地，采用代价函数对细胞的位置性能进行评价，代价函数通过以下步骤获得：

步骤A、对无人机飞行环境进行建模；

步骤B、构建概率地图模型，用于分析运行环境中威胁分布情况；

步骤C、确定路径的代价函数：

J＝ω₁L+ω₂P

其中ω₁、ω₂表示加权系数，使得两个评价指标处于相等的量纲，L代表路径长度，P代表路径威胁值。

优选地，步骤5中还包含采用分段三次埃米尔特插值的方法，由N个路径点中插值形成M个插值点，形成供无人机飞行的平滑航迹。

本发明的有益效果在于：

第一，本发明提出的基于并行启发式算法，在粒子群算法的搜索机制基础上，增加了全局搜索能力，提高了算法的收敛速度。

第二，本发明提出的基于并行启发式算法，利用全局搜索与局部寻优相结合的机制，推动算法实代价函数随着迭代的进行出现阶梯下降的趋势，使算法既能在全局环境中搜索到细胞的较优解，又能在寻到的较优解周围继续进行局部挖掘，提高了算法的多样性和精确性。

第三，本发明提出的基于并行启发式算法的无人机路径规划方法，对无人机周围环境进行了有效建模，利用算法收敛快的特点，可以实现无人机在复杂环境下的动态路径规划。

附图说明

图1：本发明提出的基于并行启发式算法的路径规划方法的流程图。

图2：本发明的概率地图建模过程中地形障碍和禁飞区的示意图。

图3：本发明的概率地图示意图。

图4：本发明对周围环境的建模和路径规划示意图。

图5：本发明提出的并行启发式算法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。

本实施例提出的一种基于并行启发式算法路径规划方法，如图1所示，包含二部分内容，一是对无人机路径规划问题进行建模，得到评价路径优劣的代价函数，二是采用并行启发式算法得到无人机飞行路径，下面对这二部分内容进行分别说明。

(一)对无人机路径规划问题进行建模。

步骤A、对无人机运行环境进行数学建模。

如图4所示，在二维平面中进行路径规划，无人机从出发点S飞往终点T执行任务。在路径规划的区域内建立全局坐标系O-XY，由N个点构成一条路径。无人机从S飞T的路径可以表示为Path＝{S,P₁,P₂,...,P_N,T},其中x＝P₁,P₂,...,P_N为离散路径点的序列，为路径规划问题的自变量。x一共包含2N个坐标，即问题的维度为2N。寻找一个最优的x序列使得路径的代价函数最小是路径规划问题的目标，即路径代价函数是路径规划问题的目标函数。最终本实施例求解的最优路径如图4白色曲线上的红点所示，通过三次分段埃米尔特插值方法将离散路径序列点插值为一条含M个插值点的平滑完整航迹，如图4白色曲线所示。

步骤B、概率地图模型的构建。

概率地图是以概率的形式来分析环境中威胁分布情况的，地图中所有已知和未知的威胁源都采用概率密度函数来建模。如图3所示,本实施例所适用的威胁源类型主要有三种：地形障碍和禁飞区模型、恶劣天气区模型、已探明雷达、防空导弹模型。

(1)地形障碍和禁飞区。

地形障碍和禁飞区表示无人机不能进入的区域，因此两者在二维地图中可由飞行高度上的等高线或边界轮廓线所包围的区域来表示。如图2所示，本实施例中地形障碍采用圆形来表示,圆心坐标代表地形障碍的中心位置坐标，圆的半径R表示区域范围；禁飞区采用矩形区域表示(a≤x≤b&c≤y≤d)。

(2)恶劣天气区模型。

对于天气模型,由于在飞行器所能飞行的升限内,不同海拔高度之间的天气变化的差异不大,因此一般采用圆柱体近似表示恶劣天气的影响区域,所以在二维地图中恶劣天气区模型也可表示为一个点圆。圆心(x₀,y₀)为天气区中心，R为作用半径。恶劣天气区的属性包括天气预报概率(a≤x≤b&c≤y≤d)P_w和恶劣程度(a≤x≤b&c≤y≤d)L_w，则其威胁程度可以表示为：(a≤x≤b&c≤y≤d)Q_w＝L_w×P_w。

对于恶劣天气区来说，可以认为在其内部的各个位置上，飞行器所受威胁是相等的，因此本发明采用均匀分布模型来建模。其函数表达式为：

(3)已探明雷达、防空导弹模型。

已探明雷达和防空导弹的威胁来源于它对飞行器的探测发现。从雷达的探测机理可知,在理想的情况下,在飞行高度为H的水平截面上,雷达的有效探测范围可以近似看作一个圆,圆的半径R表示雷达的有效探测范围，圆心(x₀,y₀)表示雷达的中心位置。对于已探明雷达、防空导弹来说，截面圆内各点的威胁概率随着其与圆心的距离的增大而减小，因此，本实施例采用二维高斯分布函数模型来建模。其函数表达式为：

其中，L_threat＝Q_R(或L_threat＝Q_M)。

3、确定路径的代价函数。一条完整路径的优劣程度由代价函数决定，代价函数值的大小由两个指标定义：路径长度L和路径威胁度。代价函数计算公式为

J＝ω₁L+ω₂P

其中ω₁、ω₂表示加权系数使得两个评价指标处于相等的量纲。作为参考，加权系数取值为：ω₁＝1，ω₂＝500。

(1)路径长度L

无人机的路径不是连续的，用所有插值点之间的距离和作为路径的长度指标。对于一条含M个插值点的路径，其长度表示为

(2)路径威胁值P评估。

在构造航迹规划算法的代价函数和给出最终航迹的性能评价指标时，都需要对飞行器沿某条航段飞行的威胁条件概率进行计算。根据概率地图，能够很容易地通过曲线积分计算出飞行器沿某条航段飞行所受到的威胁条件概率。

在这里先给出下文中一些符号的定义：

E_i(x,y)：表示飞行器在到达位置点(x,y)时，受到第i个威胁源影响而失败的事件；

E(x,y)：表示飞行器在到达位置点(x,y)时，受到飞行区域中所有威胁源影响而失败的事件；

S(x,y)：表示飞行器沿航迹段S从点(x₀,y₀)航行到点(x,y)处的事件；

f_i(x,y)：表示第i个威胁源的概率密度函数。

那么，飞行器在点(x,y)附近区域受威胁源i影响而失败的概率为：

p_i(x,y)＝f_i(x,y)ΔxΔy

其中Δx和Δy表示为点(x,y)处的邻域的长和宽。

当飞行器沿航线段S到达位置点(x,y)时，飞行器受威胁源影响而失败的威胁条件概率定义如下：

其中：l_i(x,y)表示航迹S上某点的邻域距离，其反映了飞行器沿航线S飞行时，各个位置点处的飞行姿态和速度相对于威胁源i的影响，这个函数跟具体的威胁源相关，会随着威胁源的不同而不同。

对于具有K个威胁源的飞行空域，当飞行器按照航迹S到达位置点(x,y)时，飞行器受所有威胁源影响而造成任务失败的条件概率就可以定义为：

P_s(x,y)＝P[E(x,y)|S(x,y)]

式中：

由于各个E_i(x,y)之间不具有完全的独立性，所以又可以得：、

根据上式可以很容易的计算出飞行器在多威胁源环境中航行时威胁条件概率的上限。如果假设所有威胁源都相同，则有

上式中的概率密度函数f_i(x,y)是可积的，因此整个表达式也是可积的。本发明采用这个上限值来作为飞行器沿某航线飞行的威胁条件概率。

(二)采用并行启发式算法得到无人机飞行路径

步骤1：初始化算法。

在本实施例的无人机路径规划方法中，算法的主体是细胞。通过潜在解(细胞)的移动和变形模拟乌贼表面皮肤变色机理，可以迭代求解出细胞搜索空间中的最优细胞来实现寻优。每个细胞具有反射度和可见度两种性质，构成迭代更新公式中的两个重要部分。

如图5所示，首先确定算法的参数：确定细胞种群中的细胞数目Pop、对细胞进行搜索的最大迭代次数Max和细胞搜索空间K。作为参考，细胞种群大小Pop取为100-150,；路径点数量N取为5-8，决定算法的准确性，N越大则路径越精确，最终达到终止条件的代价也越大；最大迭代次数Max取为30-100。

其次，初始化细胞的搜索位置，每个细胞位置代表一条潜在的路径，细胞位置的每一维度依次代表路径点的横纵坐标，对于具有N个点的路径，细胞的位置向量的维度为2*N。在搜索空间内选择第一个细胞的位置为由起点到终点的连线的均匀分布的路径点横纵坐标，其代表的路径点序列和航迹如图4绿色曲线所示。其余细胞的位置向量为随机产生，具体产生方法为

CELL_i.points＝(Upper-Lower)*rand(2N)+Lower*ones(2N)

其中Upper为细胞位置各维度坐标的上界，Lower为细胞位置各维度坐标的下界。rand(2N)表示2N维向量，每个维度是0-1之间均匀分布的随机数。ones(2N)表示各维度均为1的2N维向量。

最后，将初始化后的细胞种群均匀划分为四个子群G1，G2，G3，G4，每个子群里的细胞分别各自执行不同的位置更新方式。

步骤2：更新细胞的位置。

色素细胞一共分为四个种群，对应四种迭代搜索公式，每种公式根据不同的搜索机制产生对应的反射度reflection和可见度visibility，它们是产生新细胞位置的中间变量。细胞新的位置即为两者之和

Newsolution＝reflection+visibility

第一种群G₁搜索机制是细胞在其邻域范围内进行随机变形和移动，实现在单个细胞周围的局部搜索，引导细胞向最优位置移动的同时保持局部搜索能力。搜索公式为：

reflection₁＝R*G₁[i].Points

visibility₁＝V*(Best.Points-G₁[i].Points)

Newsolution₁＝reflection₁+visibility₁

其中R＝random()*(r₁-r₂)+r₂，V＝random()*(v₁-v₂)+v₂，r1、r2、v1、v2为算法调节参数，即R是r1到r2之间均匀分布的随机数，V是v1和v2之间均匀的随机数，作为参考，r₁＝0，r₂＝1，v₁＝0，v₂＝1。G₁[i].Points代表子群G₁中第i个细胞的位置向量，reflection₁代表子群G₁中第i个细胞的反射度，visibility₁代表子群G₁中第i个细胞的可见度。

第二种群搜索机制为细胞在其邻域范围内进行随机变形和定向移动，实现单个细胞周围的局部方向搜索。

reflection₂＝R*Best.Points

visibility₂＝Best.Points-G₂[i].Points

Newsolution₂＝reflection₂+visibility₂

其中：G₂[i].Points代表子群G₂中第i个细胞的位置向量，reflection₂代表子群G₂中第i个细胞的反射度，visibility₂代表子群G₂中第i个细胞的可见度；

第三种群搜索机制为细胞按照认知学习和社会影响的加权方向进行变形和移动，实现单个细胞的局部寻优挖掘。

reflection₃＝G₃[i].Points

visibility₃＝ω*visibility₃+c₁(p_id-G₃[i].Points)+c₂(p_gd-G₃[i].Points)

Newsolution₂＝reflection₂+visibility₂

其中：G₃[i].Points代表子群G₃中第i个细胞的位置向量，ω、c₁、c₂是算法设定的调节参数，p_id代表单个细胞所搜寻到的历史最优位置，p_gd代表所有细胞搜寻到的最优位置，一般认为p_gd与Best.Points是同一的，reflection₃代表子群G₃中第i个细胞的反射度，visibility₃代表子群G₃中第i个细胞的可见度；

第四种群搜索机制为细胞在全搜索空间内进行随机变形和移动，实现在全空间类的全局搜索。

reflection₄＝G₄[i].Points

reflection₄＝V*(Best.Points-av)

Newsolution₄＝reflection₄+visibility₄

其中：G₄[i].Points代表子群G₄中第i个细胞的位置向量，reflection₄代表子群G₄中第i个细胞的反射度，visibility₄代表子群G₄中第i个细胞的可见度；

本实施例提出的算法中第一群和第二群细胞的作用是进行局部搜索，提高算法的运算速度。第三群细胞的作用是进行局部寻优，在搜索找到的较优位置周围进行深度挖掘，提高算法的精度。第四群细胞的作用是提高种群的多样性，可以防止算法过早地陷入局部极值点。

步骤3：更新最优位置细胞代价和平均代价。

将迭代过程中每个细胞种群搜索的性能最好的细胞位置进行平均，储存在av中，所有种群性能最好的细胞位置储存在Best.Points中，驱动下一次迭代中细胞的移动和变形，使得细胞位置逐渐转移向问题的最优解。每一次迭代中，每个细胞根据所在种群的搜索公式进行搜索，细胞的更新策略为：如果得到的新细胞的代价函数值比原细胞的代价函数值低，则用新细胞位置替代原细胞的位置；如果得到的新细胞的代价函数值比当前最优位置细胞的代价函数值低，则用将新细胞位置设置为算法目前搜索得到的最优位置细胞。细胞的代价函数值是根据细胞的位置向量计算得到的目标函数值。

步骤4：判断是否达到设定的最大迭代次数

如果已经达到步骤1设定的最大迭代次数，则转到步骤5，否则转到步骤2重新进行搜索。

步骤6：插值得到最终路径。

根据步骤5结束得到最优位置的细胞Best.Points，可以得到一条含N个路径点的有序路径序列，如图4白色曲线上的红点所示。这些路径点的之间的距离比较大，直接连线得到的路径不够平滑，不能满足无人机的实际运动轨迹。采用分段三次埃米尔特插值的方法，平滑航迹。最终得到的实际飞行轨迹如图4白色曲线所示。如果在飞行运动过程中周围环境发生变化，则从无人机当前位置开始，重新进行任务分配和路径规划，产生新的路径。本发明提出的算法同时具有全局搜索能力和挖掘能力，对于路径规划问题可以实现较快的收敛速度和精确度，满足动态路径规划的需求。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (3)

1.一种基于并行启发式算法的无人机路径规划方法，包含以下步骤：

步骤1、确定细胞种群中的细胞数目、对细胞进行搜索的最大迭代次数和细胞搜索空间P，初始化细胞的位置以及将细胞种群划分为四个子群G₁，G₂，G₃，G₄；其中，每个细胞的位置是一个2N维向量，代表一条无人机飞行的潜在的路径，细胞位置的每一维度依次代表路径点的横纵坐标；

步骤2、通过以下搜索公式对子群G₁中的各细胞的新位置进行搜索：

reflection₁＝R*G₁[i].Points

visibility₁＝V*(Best.Points-G₁[i].Points)

Newsolution₁＝reflection₁+visibility₁

其中：R＝random()*(r₁-r₂)+r₂，V＝random()*(v₁-v₂)+v₂，r1、r2、v1、v2为算法调节参数，即R是r1到r2之间均匀分布的随机数，V是v1和v2之间均匀分布的随机数，G₁[i].Points代表子群G₁中第i个细胞的位置向量，reflection₁代表子群G₁中第i个细胞的反射度，visibility₁代表子群G₁中第i个细胞的可见度；Newsolution₁代表子群G₁中第i个细胞的新位置；

通过以下搜索公式对子群G₂中的各细胞的新位置进行搜索：

reflection₂＝R*Best.Points

visibility₂＝Best.Points-G₂[i].Points

Newsolution₂＝reflection₂+visibility₂

其中：G₂[i].Points代表子群G₂中第i个细胞的位置向量，reflection₂代表子群G₂中第i个细胞的反射度，visibility₂代表子群G₂中第i个细胞的可见度，Newsolution₂代表子群G₂中第i个细胞的新位置；

通过以下搜索公式对子群G₃中的细胞的新的位置Newsolution₃进行搜索：

reflection₃＝G₃[i].Points

visibility₃＝ω*visibility₃+c₁(p_id-G₃[i].Points)+c₂(p_gd-G₃[i].Points)

Newsolution₂＝reflection₂+visibility₂

其中：G₃[i].Points代表子群G₃中第i个细胞的位置向量，ω、c₁、c₂是算法设定的调节参数，p_id代表单个细胞所搜寻到的历史最优位置，p_gd代表所有细胞搜寻到的最优位置，reflection₃代表子群G₃中第i个细胞的反射度，visibility₃代表子群G₃中第i个细胞的可见度，Newsolution₃代表子群G₃中第i个细胞的新位置；

通过以下搜索公式对子群G₄中的细胞的新的位置Newsolution₄进行搜索：

reflection₄＝G₄[i].Points

reflection₄＝V*(Best.Points-av)

Newsolution₄＝reflection₄+visibility₄

其中：G₄[i].Points代表子群G₄中第i个细胞的位置向量，reflection₄代表子群G₄中第i个细胞的反射度，visibility₄代表子群G₄中第i个细胞的可见度，Newsolution₄代表子群G₄中第i个细胞的新位置；

步骤3、将迭代过程中每个子群搜索的性能最好的细胞的位置进行平均，储存在av中，所有子群性能最好的细胞位置储存在Best.Points中；

步骤4、如果已经达到步骤1设定的最大迭代次数，则转移到步骤5，否则转到步骤2重新进行搜索。

步骤5、根据步骤4结束得到最优细胞的位置Best.Points，可以得到一条含N个路径点的有序路径序列。

2.根据权利要求1所述的一种基于并行启发式算法的无人机路径规划方法，其特征在于采用代价函数对细胞的位置性能进行评价，代价函数通过以下步骤获得：

步骤A、对无人机飞行环境进行建模；

步骤B、构建概率地图模型，用于分析运行环境中威胁分布情况；

步骤C、确定路径的代价函数：

J＝ω₁L+ω₂P

其中ω₁、ω₂表示加权系数使得两个评价指标处于相等的量纲，L代表路径长度，P代表路径威胁值。

3.根据权利要求1所述的一种基于并行启发式算法的无人机路径规划方法，其特征在于步骤5中还包含采用分段三次埃米尔特插值的方法由N个路径点插值形成M个插值点，形成供无人机飞行的平滑航迹。