[发明专利]一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法

权利要求书

1.一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法，其特征在于：该方法包括以下步骤：

步骤1：根据先验地图和障碍物的位置形状，采用数字高程模型技术，建立无人机的三维环境模拟地图；

步骤2：确定无人机航迹规划的约束条件；所述约束条件包括：无人机的最高和最低飞行高度、最大飞行油耗；无人机的最高和最低飞行高度决定了无人机安全程度；采用无人机最大飞行距离来描述其最大飞行油耗；所述约束条件表示如下：

设无人机在飞行当中的最低飞行高度和最高飞行高度分别为h_min和h_max，h表示无人机的飞行高度，则无人机的飞行高度约束为h_min≤h≤h_max；设最长飞行距离为len_max，len表示无人机的飞行长度，则无人机的飞行长度约束为len≤len_max；

步骤3：根据无人机自身能耗和敌方威胁程度两方面性能指标，确定用来评价航迹优劣的三个目标函数，建立敌方威胁不确定环境下的无人机三维全局航迹规划的三目标优化模型，方法如下：

步骤3.1：将无人机自身能耗和敌方威胁程度作为敌方威胁不确定环境下无人机三维全局航迹规划优化模型的性能指标；无人机自身能耗由无人机的飞行距离进行描述；无人机的航迹长度值越小，则表示路径的耗能越小；将敌方威胁程度拆分成两个子指标：即敌方威胁程度的期望值和敌方威胁程度的不确定度；

步骤3.2：根据步骤3.1所述性能指标，以无人机飞行距离、敌方威胁程度的期望值、敌方威胁程度的不确定值作为所述航迹规划优化模型的三个目标函数，表示如下：

目标函数1：无人机飞行距离；

采用无人机飞行路径的长度来表示其航迹长度代价，无人机飞行距离即目标函数1表示如下：

式中，len表示全局路径的长度；div表示一条全局路径划分成div段局部路径；i是指第i段局部路径；len_i表示第i段局部路径的长度；每段局部路径由其两端的两个节点确定，则第i段局部路径表示为[(x_i,y_i,z_i),(x_i+1,y_i+1,z_i+1)]，其中(x_i,y_i,z_i)、(x_i+1,y_i+1,z_i+1)分别表示航迹的第i、i+1个节点处的坐标，z_i和z_i+1表示环境的高程信息；

目标函数2：敌方威胁程度的期望值；

利用球形表示敌方威胁源的活动范围；设存在N个敌方威胁源，依次计算每个威胁源对航迹的威胁程度期望值，选择最小期望值作为目标函数2的最终目标值；

对于第i个威胁物体D_i，其球形活动范围表示为：

其中，表示敌方威胁源存在区域Ω_i的中心位置O_i的坐标值，r_c表示Ω_i的半径；威胁物体在Ω_i中服从均匀分布且随机出现；

利用Ω_i的中心位置O_i计算当前路径相对于威胁物体D_i的威胁程度的期望值；该期望值即目标函数2表示如下：

其中，dan_i(O_i)表示当前航迹相对第i个威胁物体D_i的威胁程度的期望值；d(O_i)表示威胁物体D_i活动范围中心点O_i与航迹上的点之间的最短距离；R_effⁱ表示威胁物体D_i对于无人机的有效攻击或侦查半径；表示威胁物体D_i对于无人机的最大攻击或侦查半径；若d(O_i)大于或等于航迹相对于威胁物体D_i是安全的，其威胁程度的期望值等于0；若d(O_i)小于或等于R_effⁱ，威胁物体D_i对航迹的威胁程度的期望值最大，其值为1；若则威胁物体D_i对航迹的威胁程度的期望值随d(O_i)值的增大而减小；

目标函数3：敌方威胁程度的不确定值；

设存在N个敌方威胁源，依次计算每个威胁源对航迹的威胁程度不确定值，选择其中最小值作为目标函数3的最终目标值；

对于第i个威胁物体D_i，选择区域Ω_i内距离当前航迹最远和最近的点，记为a_up和a_low；利用a_up和a_low分别替代公式(5)中O_i值，得到最小威胁程度值dan_i(a_up)以及最大威胁程度值dan_i(a_low)；

对于第i个威胁源，当前航迹的敌方威胁程度的不确定值即目标函数3表示如下：

udan(O_i)＝dan_i(a_low)-dan_i(a_up)                       (6)

步骤4：采用改进多目标骨干粒子群优化算法，根据步骤2所述无人机航迹规划的约束条件，以及步骤3所述无人机三维全局航迹规划的三目标优化模型，对敌方威胁不确定环境下无人机全局路径进行粒子群智能规划，输出最优解集，所述最优解集即为最优路径集合，具体包括：

步骤4.1：初始化当前迭代次数t＝0；设置最大迭代次数T、粒子群规模m、存储集最大容量Cap、特征解集容量s、决策变量个数k_val；

步骤4.2：根据决策变量个数k_val及无人机航迹的起、终点坐标将每个粒子编码；设无人机航迹起点为ST，终点为TA，通过n-2个中间节点ph₁,ph₂,...,ph_n-2将起、终点连线均匀划分成n-1等段，将包括起、终点在内的各个节点依次相连构造路径；将三维航迹编码为n个节点组成的路径PH＝(ST,ph₁,ph₂,...,ph_n-2,TA)；n＝k_val；

步骤4.3：在决策空间中随机初始化m个路径，作为m个粒子的初始位置；将每个粒子的当前初始位置作为其自身的个体引导者；

步骤4.4：根据公式(3)、(5)、(6)分别计算每个粒子的三个目标函数值；并判断每个粒子是否满足约束条件，将满足约束条件的粒子放入可行储备集，不满足约束条件的粒子放入非可行储备集，再采用拥挤度策略更新外部可行与非可行储备集，使用Pareto支配更新每个粒子的个体引导者，并通过动态选择策略从两个外部储备集中选择全局引导者；

步骤4.5：执行融合了均匀突变和局部单向收缩优化的位置更新方法，产生新的粒子位置；

步骤4.6：判断当前迭代次数是否达到预先设置的最大迭代次数T；如果达到，则输出外部可行储备集中的所有路径，即得到最优路径集合；否则，返回执行步骤4.4；

步骤5：采用线性插值法对步骤4所得最优路径集合中的所有路径进行光滑处理；从光滑处理后的最优路径集合中选择出s个代表性最优路径；在步骤1所建立的三维环境模拟地图上显示所述代表性最优路径；决策者结合模拟地图所示代表性最优路径及其三个目标函数值，根据实际情况选择最终的一条路径。