[发明专利]基于多种群混沌灰狼算法的多无人机协同航路规划方法

说明书

本发明公开了一种基于多种群混沌灰狼算法的多无人机协同航路规划方法。所述方法在三维规划空间基础上建立多机协同航路规划模型，然后结合多种群思想构造多无人机初始航迹集合，最后利用混沌灰狼优化算法搜索各架无人机的最优航路。该方法引入多种群思想实现多无人机的协同航路编码，并通过混沌局部搜索扩大航路搜索范围，有效解决原算法易陷入局部最优的问题，算法稳定性提高，能够达到更好的航路规划效果，本发明采用的多种群灰狼算法调整参数少，收敛速度快，能够实现多维度的空间搜索和不同情况下的航路规划问题，满足不同的约束条件及规划要求，实现对无人机群的最优航路搜索。

技术领域

本发明涉及一种基于多种群混沌灰狼算法的多无人机协同航路规划方法，属于无人机航路规划领域。

背景技术

现代战争中，单架无人机由于作战范围和自身功能限制，无法满足多样化作战需求。多机协同作战由于能够相互协同执行多种作战任务，提高作战效能，已成为未来无人机发展的一种趋势。多机协同航路规划是多架无人机实现协同作战的关键技术，目的是根据当前环境态势，为每架无人机快速规划出满足相关约束和规划要求的最优航路，保证无人机群能够准确到达目的地并实施相应任务。为无人机规划航路时需要时刻考虑飞行期间大机动转弯次数，飞行航程，能够避开雷达、地形等威胁区等要求，同时多机的航路需要考虑机间避碰和时间的协同性，保证无人机群能够在规定时间内到达目的地。

目前针对多机协同航路规划的方法主要分为两类：一类是单机航路规划发展而来的方法，如Voronoi图法、势场法等；另一类是仿生智能优化算法，如遗传算法、粒子群算法和蚁群算法等。第一类方法在二维空间下可以快速搜索到多条航路，实现多机航路规划，但当规划空间复杂、维数增加时，上述方法计算量增加，空间复杂度成指数增长。群体仿生智能算法通过模拟自然界中生物的生活和捕食习性，可实现多维搜索空间的优化问题求解，由于其较强的搜索能力和鲁棒性，适于解决多机的协同航路规划问题。2014年Mirjalili等人提出一种新型仿生智能优化算法——灰狼优化算法(Grew Wolf Optimization，GWO)，该算法结构简单、调整参数少、不受空间结构限制，目前已被应用在不同领域。该方法解决多机航路规划的基本思想是：将灰狼种群搜索食物的过程映射为无人机搜索航路的过程，模拟灰狼的种群制度和捕食习性，从种群中选出当前位置最优的三个个体，其余个体根据前三头狼的位置不断更新自身并靠近猎物，最终对猎物进行围捕，即得到规划航路。但是原有算法在进行多架无人机的航路规划问题时存在开发能力较差，易陷入局部最优等问题，需要采取有效的改进措施。

发明内容

本发明的目的在于提供一种基于多种群混沌灰狼算法的多无人机协同航路规划方法。

为了实现上述目的，本发明采用的技术方案如下：

一种基于多种群混沌灰狼算法的多无人机协同航路规划方法，包括以下步骤：

步骤1：建立多无人机航路规划三维环境，在该规划空间下无人机飞行航迹表示为多个三维节点；同时确定执行任务的无人机个数、各架无人机起点和目标点、规划航路的航点个数、飞行速度范围。

步骤2：根据规划的性能指标要求建立多机协同航路规划模型，确定航路代价函数，多机规划考虑的评价指标包括单机飞行代价和多机间协同代价，其中单机代价考虑燃油消耗、最大爬升角或下滑角、飞行高度，根据式(1)计算得到：

式中，J_f为燃油消耗代价，(x_i+1,y_i+1,z_i+1)、(x_i,y_i,z_i)分别为相邻航路点的坐标，n为航点数，假定无人机始终以一定的速度飞行，燃油消耗代价可用航路长度代替；

J_a为最大爬升角或下滑角代价，θ_i为某条航路相邻航路点的爬升角或下滑角；