本發(fā)明涉及無(wú)人機(jī)，更具體地，涉及一種基于多目標(biāo)自適應(yīng)粒子群優(yōu)化的無(wú)人機(jī)路徑規(guī)劃方法。

背景技術(shù)：

1、隨著無(wú)人機(jī)(unmanned?aerial?vehicle,無(wú)人機(jī))技術(shù)的快速發(fā)展,無(wú)人機(jī)路徑規(guī)劃已成為一個(gè)關(guān)鍵的研究熱點(diǎn),并廣泛應(yīng)用各個(gè)領(lǐng)域,其中包括地形測(cè)繪、災(zāi)難搜救和監(jiān)視和偵察任務(wù)等多個(gè)領(lǐng)域。目前該技術(shù)的研究主要分為三大類:傳統(tǒng)算法,機(jī)器學(xué)習(xí)算法和元啟發(fā)式算法，對(duì)于傳統(tǒng)算法,如voronoi圖算法、a*算法、快速探索隨機(jī)樹算法等為無(wú)人機(jī)路徑規(guī)劃領(lǐng)域提供關(guān)鍵性的框架，并為后續(xù)算法的發(fā)展奠定堅(jiān)實(shí)的基礎(chǔ).然而,它們通常未充分考慮無(wú)人機(jī)的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)約束,從而限制在實(shí)際情況中的應(yīng)用。另外，強(qiáng)化學(xué)習(xí)框架在處理無(wú)人機(jī)的機(jī)動(dòng)性方面顯示出巨大的潛力，但其內(nèi)存需求較高,處理時(shí)間較長(zhǎng)，因而其應(yīng)用領(lǐng)域受到約束。

2、而元啟發(fā)式算法因其靈活、簡(jiǎn)單以及相比其他類型算法計(jì)算復(fù)雜度低等優(yōu)勢(shì)被研究者喜愛。無(wú)人機(jī)路徑規(guī)劃的目標(biāo)通常包括多個(gè)方面，如減少飛行時(shí)間，降低碰撞次數(shù)和縮短路徑長(zhǎng)度等。在處理這些多目標(biāo)問(wèn)題時(shí)，可以采用單目標(biāo)優(yōu)化或多目標(biāo)優(yōu)化。當(dāng)使用單目標(biāo)優(yōu)化時(shí)，算法通過(guò)引入權(quán)重因子來(lái)綜合考慮多個(gè)目標(biāo)。具體來(lái)說(shuō)，可以將這些目標(biāo)按照它們的重要性，以一定的比例進(jìn)行加權(quán)求和，從而形成一個(gè)單一的優(yōu)化目標(biāo)，其中權(quán)重因子需要根據(jù)具體的飛行場(chǎng)景和任務(wù)需求進(jìn)行調(diào)整。當(dāng)采用單目標(biāo)優(yōu)化來(lái)求解無(wú)人機(jī)路徑規(guī)劃問(wèn)題可以簡(jiǎn)化求解過(guò)程,但需要進(jìn)行大量實(shí)驗(yàn)來(lái)確定適當(dāng)?shù)臋?quán)重因子。然后，受外部因素可能導(dǎo)致無(wú)法確定最合適的權(quán)重因子，從而導(dǎo)致最終的解決方案不是全局最佳解決方案。無(wú)人機(jī)路徑規(guī)劃問(wèn)題本質(zhì)上是一個(gè)約束多目標(biāo)優(yōu)化問(wèn)題，因?yàn)樗婕岸鄠€(gè)相互沖突的目標(biāo)。例如，追求最短的飛行路徑可能會(huì)增加與障礙物碰撞的風(fēng)險(xiǎn)，相反，為了減少碰撞的數(shù)量，可能需要繞過(guò)障礙物，這會(huì)導(dǎo)致飛行路徑更長(zhǎng)。此外，還應(yīng)該考慮一些約束以確保所規(guī)劃路徑的實(shí)用性和可執(zhí)行性，如飛行高度、俯仰角和偏航角等.而單目標(biāo)優(yōu)化方法在處理多目標(biāo)問(wèn)題時(shí)往往難以實(shí)現(xiàn)各目標(biāo)間的平衡。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為克服上述現(xiàn)有技術(shù)所述的至少一種缺陷，提供一種基于多目標(biāo)自適應(yīng)粒子群優(yōu)化的無(wú)人機(jī)路徑規(guī)劃方法。

2、本發(fā)明旨在至少在一定程度上解決上述技術(shù)問(wèn)題。

3、為解決上述技術(shù)問(wèn)題，本發(fā)明的技術(shù)方案如下：

4、一種基于多目標(biāo)自適應(yīng)粒子群優(yōu)化的無(wú)人機(jī)路徑規(guī)劃方法，包括以下步驟：

5、s1:對(duì)三維地圖構(gòu)建數(shù)學(xué)模型，所述數(shù)學(xué)模型對(duì)三維地圖中的障礙物進(jìn)行模擬；

6、s2:根據(jù)所述數(shù)學(xué)模型設(shè)置目標(biāo)函數(shù)和約束函數(shù)；

7、s3:初始化粒子群優(yōu)化算法的參數(shù)，將粒子群劃分為多個(gè)子種群；

8、s4:通過(guò)粒子群優(yōu)化算法迭代當(dāng)前的多個(gè)子種群，得到迭代后的子種群；

9、s5:根據(jù)種群移動(dòng)密度估計(jì)機(jī)制計(jì)算所有所述迭代后的子種群的種群移動(dòng)密度估計(jì)值，根據(jù)種群移動(dòng)密度估計(jì)值大小篩選出多個(gè)迭代后的子種群；

10、s6:若存在滿足約束函數(shù)的多個(gè)篩選后的子種群，則輸出篩選后的子種群生成的無(wú)人機(jī)飛行路徑集，從所述無(wú)人機(jī)飛行路徑集選出目標(biāo)函數(shù)最小值對(duì)應(yīng)的無(wú)人機(jī)飛行路徑，若存在不滿足約束函數(shù)的子種群，對(duì)不滿足約束函數(shù)的子種群進(jìn)行修復(fù)，返回步驟s4。

11、進(jìn)一步，步驟s1，所述對(duì)三維地圖構(gòu)建數(shù)學(xué)模型，所述數(shù)學(xué)模型對(duì)三維地圖中的障礙物進(jìn)行模擬，包括：

12、

13、式中，為第k座山的三維坐標(biāo),為第k座山的水平中心，hk為第一設(shè)計(jì)參數(shù)，x′k為第二設(shè)計(jì)參數(shù)，y′k為第三設(shè)計(jì)參數(shù)。

14、進(jìn)一步，步驟s3中，所述初始化粒子群優(yōu)化算法的參數(shù)，包括：

15、設(shè)置粒子群算法參數(shù)的慣性權(quán)重最大值wmax和最小值wmin、總迭代次數(shù)tmax、學(xué)習(xí)因子最大值cmax和最小值cmin。

16、進(jìn)一步，所述目標(biāo)函數(shù)包括計(jì)算飛行路徑長(zhǎng)度和無(wú)人機(jī)與障礙物碰撞次數(shù)，包括：

17、

18、式中，f(x)為目標(biāo)函數(shù)，η為預(yù)設(shè)的違反約束閾值，fobj1(x)為第一目標(biāo)函數(shù)，用于計(jì)算飛行路徑長(zhǎng)度，fobj2(x)為第二目標(biāo)函數(shù)，用于計(jì)算無(wú)人機(jī)與障礙物的碰撞次數(shù)，fcon1(x)為第一約束函數(shù)，fcon2(x)為第二約束函數(shù)。

19、

20、式中，dk,i,j為第i個(gè)路徑點(diǎn)與第j個(gè)雷達(dá)位置之間的k段路徑的距離,rmax為雷達(dá)的最大探測(cè)半徑，a?i,j為第i個(gè)路徑點(diǎn)與第j個(gè)雷達(dá)的發(fā)生碰撞的懲罰值，np為路徑的總路徑點(diǎn)數(shù)，bi,q為第i個(gè)路徑點(diǎn)與第q個(gè)山峰高度發(fā)生碰撞的懲罰值，n為當(dāng)前路徑點(diǎn)到下一個(gè)路徑點(diǎn)之間分割的段數(shù)，為第i個(gè)路徑點(diǎn)與第q個(gè)山峰高度之間的k段路徑的距離，zi,q為第i個(gè)路徑點(diǎn)與第q個(gè)山峰高度之間的距離；

21、

22、(xi-1,yi-1,zi-1)和(xi,yi,zi)分別為第i-1個(gè)路徑點(diǎn)的位置和第i個(gè)路徑點(diǎn)的位置,np為路徑的總路徑點(diǎn)數(shù)。

23、進(jìn)一步，步驟s6中，所述約束函數(shù)，包括：

24、第i個(gè)俯仰角βi的計(jì)算公式為：

25、

26、xi+1-xi為在x軸上第i+1個(gè)路徑點(diǎn)與第i個(gè)路徑點(diǎn)之間的距離，yi+1-yi為在y軸上第i+1個(gè)路徑點(diǎn)與第i個(gè)路徑點(diǎn)之間的距離，zi+1-zi為在z軸上第i+1個(gè)路徑點(diǎn)與第i個(gè)路徑點(diǎn)之間的距離；

27、俯仰角約束函數(shù)的計(jì)算公式為：

28、

29、其中，βmin為最小俯仰角，βmax為最大俯仰角，而ci為第i個(gè)路徑點(diǎn)違反俯仰角約束懲罰值；

30、第i個(gè)偏航角αi的計(jì)算公式為：

31、

32、第i個(gè)偏航角αi的約束函數(shù)為：

33、

34、式中，αmax為最大偏航角，αmin為最小偏航角，di為第i個(gè)路徑點(diǎn)違反偏航角約束懲罰值。

35、進(jìn)一步，步驟s2中，所述將粒子群劃分為多個(gè)子種群，包括：

36、通過(guò)計(jì)算粒子群中各粒子之間的初始化的權(quán)重向量的距離，將粒子群劃分為多個(gè)子種群。

37、進(jìn)一步，步驟s4中，通過(guò)粒子群優(yōu)化算法迭代當(dāng)前的多個(gè)子種群，得到迭代后的子種群，包括：

38、s4.1：以分叉因子和迭代次數(shù)為粒子群優(yōu)化算法的輸入，生成混沌因子；

39、

40、式中，ρ(t)為第t次迭代的混沌因子，μ為分叉因子，t為第t次迭代；

41、s4.2：根據(jù)第t次迭代次數(shù)和總迭代次數(shù)和步驟s4.1得到的混沌因子計(jì)算第一學(xué)習(xí)因子c1和第一學(xué)習(xí)因子c2；

42、

43、s4.3：根據(jù)種群更新率調(diào)整慣性權(quán)重；

44、

45、式中，ratio為種群更新率，success_num為種群粒子最優(yōu)解發(fā)生更新的總次數(shù)，n為總種群大小，w為慣性權(quán)重；

46、s4.4：根據(jù)慣性權(quán)重計(jì)算種群粒子速度和當(dāng)前位置，得到第t+1次迭代和第t次迭代的種群粒子；

47、vi(t+1)＝wvi(t)+c1r1(pbesti(t)-xi(t))+c2r2(gbest(t)-xi(t))；

48、xi(t+1)＝xi(t)+vi(t+1)；

49、式中，w為慣性權(quán)重，pbesti(t)為第i個(gè)種群粒子的歷史最優(yōu)位置，gbest(t)為全局最優(yōu)位置，vi(t+1)為第t次迭代的種群粒子的移動(dòng)速度，xi(t+1)為第t+1次迭代的種群粒子的位置，r1和r2為隨機(jī)數(shù)；

50、s4.5：將第t+1次迭代和第t次迭代的種群粒子進(jìn)行合并，得到種群大小規(guī)模為2n的合成種群；

51、進(jìn)一步，步驟s5中，所述根據(jù)種群移動(dòng)密度估計(jì)機(jī)制計(jì)算所有所述迭代后的子種群的種群移動(dòng)密度估計(jì)值，根據(jù)種群移動(dòng)密度估計(jì)值大小篩選出多個(gè)迭代后的子種群，包括：

52、根據(jù)種群移動(dòng)密度估計(jì)機(jī)制計(jì)算所有所述迭代后的子種群的種群移動(dòng)密度估計(jì)值，根據(jù)種群移動(dòng)密度估計(jì)值對(duì)每個(gè)種群粒子進(jìn)行由高到低排序，保留前n個(gè)的種群粒子，淘汰后n個(gè)的種群粒子；

53、d′(p,pop)＝d(dist(p，q′1)，dist(p，q′2)，...，dist(p，q′n-1))

54、d′(p,pop)為種群粒子p在種群pop中的密度估計(jì)值，dist()為兩個(gè)種群粒子的相似度，p是種群pop中第p個(gè)種群粒子，q′n-1是p位移后的種群粒子。

55、進(jìn)一步，步驟s6中，所述若存在滿足約束函數(shù)的多個(gè)篩選后的子種群，則輸出篩選后的子種群生成的無(wú)人機(jī)飛行路徑集，從所述無(wú)人機(jī)飛行路徑集選出目標(biāo)函數(shù)最小值對(duì)應(yīng)的無(wú)人機(jī)飛行路徑，若存在不滿足約束函數(shù)的子種群，對(duì)不滿足約束函數(shù)的子種群進(jìn)行修復(fù)，返回步驟s4，包括：

56、如果篩選后的子種群滿足約束條件，則從滿足約束條件的子種群中輸出第一目標(biāo)函數(shù)的最小值或者第二目標(biāo)函數(shù)的最小值對(duì)應(yīng)的無(wú)人機(jī)飛行路徑，若存在不滿足約束條件的篩選后的子種群，對(duì)不滿足約束條件的子種群進(jìn)行修復(fù)，返回步驟s4.4。

57、進(jìn)一步，所述對(duì)不滿足約束條件的子種群進(jìn)行修復(fù)，包括：

58、

59、

60、δx＝x(i+1)-x(i)

61、δy＝y(tǒng)(i+1)-y(i)

62、

63、式中，xmin，xmax，ymin，ymax，zmin，zmax為無(wú)人機(jī)飛行空間的邊界值，dis為相鄰路徑點(diǎn)在水平面上的距離，r為隨機(jī)數(shù)，δx為相鄰路徑點(diǎn)在x軸上的距離，δy為相鄰路徑點(diǎn)在y軸上的距離，βnew,i為第i個(gè)修復(fù)后種群粒子的俯仰角，αnew,i為第i個(gè)修復(fù)后種群粒子的偏航角。

64、與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：

65、本發(fā)明通過(guò)數(shù)學(xué)建模構(gòu)建真實(shí)環(huán)境的三維地圖，并隨機(jī)初始化種群和權(quán)重向量。利用分解多目標(biāo)優(yōu)化的思想，將多目標(biāo)優(yōu)化問(wèn)題轉(zhuǎn)化為優(yōu)化一系列單目標(biāo)優(yōu)化問(wèn)題，通過(guò)非線性調(diào)整粒子群算法篩選出具有良好收斂性和密度均勻分布特征的粒子，最終輸出最優(yōu)路徑作為無(wú)人機(jī)的導(dǎo)航方案。該方法提高了無(wú)人機(jī)在復(fù)雜環(huán)境下的路徑規(guī)劃效率和安全性，解決了傳統(tǒng)算法在計(jì)算效率和魯棒性方面的不足。