[发明专利]一种基于万有引力搜索的无人机航路规划方法

说明书

(一)技术领域

本发明提出了一种基于万有引力搜索的无人机航路规划方法，属于机器人技术领域。

(二)背景技术

无人机(Unmanned Aerial Vehicle)是一种有动力、可控制、能携带多种任务设备、执行多种作战任务并能重复使用的无人战术飞行器。由于其零伤亡风险和高机动性等优势引起了各国军方的高度重视。而航路规划(Path Planning)作为无人机任务规划系统的关键组成部分，其目标是在适当的时间内计算、选择最优或次优的飞行航路，对合理分配无人机的作战资源，实现无人机的最大作战效能起着至关重要的作用。目前，国内外在航路规划技术方面的研究正进一步向智能化、实时性、可实现性方向发展，但基本上还处于初始研究阶段。万有引力搜索算法(Gravitational Search Algorithm，GSA)是一种源于对物理学中的万有引力进行模拟的新的优化搜索技术，是一种元启发式算法。它通过群体中各粒子之间的万有引力相互作用产生的群体智能指导优化搜索。

本发明针对无人机航路规划的特点，基于万有引力搜索算法解决了无人机航路规划问题。与传统的航路规划方法相比，该发明所提出的方法具有较好的实时性和快速性，所搜索到的航路更逼近实际的无人机最优航路。该方法是解决复杂动态环境下无人机航路规划的有效技术途径，同时，本发明也可应用于复杂环境下的机器人路径规划、城市交通车辆路径规划等技术领域。

目前，常用的无人机航路规划算法有可行性方向算法、A*算法、遗传算法等。

可行性方向算法是由梯度法演化而来的，与一般梯度搜索寻优法一样，通过不断改变控制量，直到性能指标最优。其独到之处在于，它先找到控制变量的最佳允许方向，然后再沿该方向改变控制量。因此，该方法在调节控制变量使性能指标变小的同时，还能满足约束条件。可行性方向算法的局限性在于收敛速度慢，而且可能得到一个局部最优解而非全局最优解。基于梯度法的所有方法收敛速度都具有较大的不确定性，其收敛速度受地形轮廓影响较大。

遗传算法提供了一种求解复杂化问题的通用框架，而且它对问题的具体细节要求不高，对问题的类有很强的鲁棒性。然而将遗传算法用在航路规划中可能相对而言比较费时，一般不适合用来进行实时规划，但是目前的计算体系是串行的，而遗传算法具有隐含的并行性，这使其有很大的发展潜力。该算法的缺点是：遗传因子以及控制参数难于选择，算法有时还可能出现过早收敛和停滞现象。

A*算法通过启发信息引导搜索，达到减小搜索范围、提高计算速度的目的。启发信息一般取从搜索空间中某个中间节点到目标节点的最优代价的估计值。利用该启发信息引导搜索将可以产生最优解。因此启发信息的选取至关重要，若太简单，则展开的中间节点数会增多：若太复杂，则计算估计值花费的时间也增多，因此应折衷考虑。目前较好的启发函数要靠试凑的方法获得，使得算法应用受到很大的限制。A*算法最大的缺点是搜索空间需求太大，计算时间长。

因此，目前这些方法均没能有效地从实际意义上解决无人机的航路规划问题。

万有引力搜索算法是一种新兴的启发式仿生智能优化算法，目前人们对万有引力搜索算法的研究虽然刚刚起步，但是已经取得了很多突破性进展，从而使这种新兴的仿生优化算法展现出勃勃生机和广阔的发展前景。不同于其它仿生智能算法，万有引力搜索过程中所体现出的并行性、协同性、自组织性、动态性、强鲁棒性等特点与复杂战场环境的许多要求是相符的，因此万有引力搜索算法可用于解决无人机的自适应航路规划问题。但是基本万有引力搜索算法存在着搜索时间长、容易陷于局部最优解等缺点，因此在应用万有引力搜索算法解决无人机航路规划问题时必须对其进行改进。基于此，本发明提出了一种改进的万有引力搜索算法模型，并将其成功应用于解决复杂动态环境下的无人机航路规划问题。

(三)发明内容

1、发明目的：

本发明的目的是提供了一种基于万有引力搜索的无人机航路规划方法，它是一种在适当的时间内为无人机计算出最优的或者是次优的飞行航路的方法。此方法也可移植于其它可以简化为D维函数优化的问题。

2、技术方案：

该方法利用改进后的万有引力搜索方法对无人机在战场威胁环境下的航路进行优化，从而使无人机能突破敌方威胁环境，并且在完成任务目标的同时自我生存。该方法充分利用了粒子群优化(Particle swarm optimization，PSO)的记忆和群体信息共享的特征，以及万有引力搜索智能优化收敛速度快，优化效果好的特点。