[发明专利]一种基于改进果蝇优化算法的三维航路规划方法

说明书

本发明公开一种三维航路规划方法，利用通过对原始果蝇优化算法做出改进，用来求解复杂地势环境与战场威胁态势下的无人机三维航路规划，在考虑复杂态势与无人机性能约束的前提下，为无人机计算出最优或次优三维飞行航路。

技术领域

本发明属于机器人技术领域，尤其涉及一种基于改进果蝇优化算法的三维航路规划方法。

背景技术

航路规划是无人机自主控制的关键组成部分，航路规划算法的目标是在为无人机计算出最优或次最优的飞行路线，这个飞行路线能使无人机躲开复杂地形障碍并突防敌方武器威胁，在以较短的时间到达目标点的同时自我生存。无人机三维航路规划问题属于多目标、多约束的复杂优化问题，通常具有如下特点：1)评价航路性能的指标很多，构成的目标函数难以计算；2)战场环境情况复杂且动态变化；3)无人机自身性能约束条件较多；4)事先已知的信息量不全，而且可能发生变化；5)优化变量多，搜索空间往往具有维数爆炸的特点；6)机上设备有限，允许存储的信息量较少并且机载计算机计算速度有限。因此，无人机航路规划的一个关键挑战就是如何处理无人机自身物理特性带来的多种复杂约束，克服变量过多带来的维数爆炸问题，并在较短时间内快速的得出满足各种限制条件且性能指标接近最优的航路。

国内外求解无人机航路规划问题的方法大体可以分为传统规划算法和智能规划算法。其中，传统规划算法有动态规划法、以Voronoi图为代表的基于图形的方法、以A星算法为代表的基于栅格的方法等；智能规划方法有神经网络方法、人工势场方法、进化计算及群体智能方法等。从这些规划算法的特点和航路规划问题的要求来看，以进化计算及群体智能为代表的人工智能技术，已成为求解无人机航路规划问题的发展趋势，包括遗传算法(genetic algorithm,GA)、微粒群算法(particle swarm optimization,PSO)、蚁群优化算法(ant colony optimization,ACO)、人工蜂群算法(artificial bee colony,ABC)、微分进化算法(differential evolution,DE)、万有引力算法(gravitational searchalgorithm,GSA)、智能水滴算法(intelligent water drops,IWD)、生物地理优化(biogeography-based optimization,BBO)以及Memetic算法等。尽管这些航路规划技术正进一步向智能化、实用化方向发展，但仍各自存在着诸多问题。例如，A星算法搜索空间需求太大，计算时间过长；神经网络算法收敛速度慢，得到的航路可能只是局部最优解而非全局最优；人工势场法的收敛速度都具有较大的不确定性，收敛速度受地形轮廓影响较大；进化计算及群体智能方法的控制参数难于选择，性能不稳定、随机性较强，容易出现过早收敛和停滞现象。因此，现有的方法均没能真正有效地从实际意义上解决无人机三维航路规划问题，需要进一步发展更加优越的规划方法

果蝇优化算法(Fruit fly optimization algorithm,FOA)一种基于果蝇觅食行为的启发式全局最优化算法。果蝇在感官知觉，尤其是嗅觉与视觉上，优于其他物种。果蝇的嗅觉器官能够很好的搜集到空气中的各种气味，甚至能嗅到很远距离以外的食物源。当果蝇靠近食物位置后，能够使用敏锐的视觉器官发现食物的具体位置与同伴的聚集位置，并且朝该方向飞去。与其它群体智能算法相比，果蝇优化算法的步骤更加简单，在编程时只需要很少的程序语句便可描述出核心算法程序。但是原始的果蝇优化算法存在着编码方式适用性限制多、易陷于局部最优等缺点，因此在应用果蝇优化算法解决三维航路规划问题时需要对原始算法进行改进。本发明针对无人机自身特点，在对原始果蝇优化算法进行改进的基础上，设计用于求解无人机三维航路规划问题的计算方法。与现有航路规划方法相比，本发明所提出的方法更加简单高效、计算速度快。与原始果蝇优化算法相比，本发明提出的方法更加稳定，得到的航路具有更优的代价值。该方法是解决复杂战场态势下无人机三维航路规划的有效技术途径，也可应用于地面机器人路径规划、城市交通规划等技术领域。

发明内容