[发明专利]一种基于改进莱维飞行蚁狮优化算法的无人机航迹规划方法

说明书

本发明公开了一种基于改进levy飞行蚁狮优化算法的无人机航迹规划方法。其方法步骤主要包括：步骤1.建立无人机航迹规划空间数学模型，初始化航迹规划环境参数；步骤2.构建航迹评价函数；步骤3.初始化蚂蚁和蚁狮种群，计算蚁狮位置的目标适应函数，保存最优蚁狮的位置，将levy飞行策略引入到蚁狮算法的蚂蚁随机游走中；步骤4.针对蚂蚁游走形式，应用自适应游走边界策略；步骤5.针对蚁狮向精英蚁狮靠近形式，应用自适应最优引导方程策略；步骤6.对蚁狮进行主动高斯变异策略；步骤7.按照航迹优劣顺序对蚁狮位置进行排序，重新调整最佳蚁狮的位置，当达到算法的输出条件时，得到即为规划出代价最小的航迹。

技术领域

本发明涉及轨迹规划领域，应用无人机航迹规划技术、智能算法技术，结合无人机航迹规划的最优要求，提出了一种具有现实意义的无人机航迹规划算法。

背景技术

在无人机任务规划系统中航迹规划是至关重要的一步，航迹规划的实质就是为执行任务的飞行器规划出一条最安全的飞行轨迹，航迹质量的高低将直接决定作战任务的成败。若要为无人机规划出一条有效并且合理的飞行航迹，需要综合考虑无人机本身的性能、最远飞行距离以及油耗、地形和气相威胁等。基于这些限制条件，需要找出无人机在飞行范围内起始点与目标点之间的最优轨迹，从而准确地完成指定的作战任务并保证自身安全。随着我国航空事业的日益发展，在军事和民用领域对无人机的航迹规划能力要求越来越高，因此研究无人机航迹优化算法具有重要意义。

目前，航迹规划的大部分算法研究依然局限于理论体系部分，对人工仿生智能算法的研究还未得到充分的应用。传统的航迹规划算法有Dijkstra算法、人工势场法和模拟退火算法，每种算法都有其自身的优缺点和适用范围。

以模拟退火优化算法为例，在航迹规划中模拟退火的一个解代表一条航迹，目标函数是代价函数，但该算法多数没有考虑无人机的机动性能约束，得到的航迹可飞性不高。

发明内容

本发明的目的在于：针对标准蚁狮算法在迭代后期收敛速度慢，容易陷入局部最优和搜索精度不高等问题，提出了一种基于levy 飞行结合蚁狮优化算法的无人机航迹规划方法。

为了解决上述技术问题，本发明采用的技术方案如下：

一种基于结合levy飞行和蚁狮优化算法的无人机航迹规划方法，包括以下步骤：

建立无人机规划空间数学模型，初始化航迹规划环境参数，设定起始点与目标点位置以及雷达威胁分布坐标。

初始化蚂蚁和蚁狮种群规模(N，M)，蚂蚁和蚁狮所在空间的维度D，当前代数t和最大迭代次数T。

根据式(1)、(2)计算游走边界，公式如下：

其中，为所围绕的蚁狮位置；U_i是游走上限；L_i是游走下限。

在同一次迭代中所有蚂蚁的游走边界相同，从而无法判断出所围绕的蚁狮能力大小的差别，所以采用自适应边界调整策略，方程如下：

其中，m是蚁狮由适应度升序排列的元素下标,α为调整变化速率。

构建航迹评价函数，航迹代价最小作为算法的寻优目标，航迹规划的最终目的是规避威胁且满足自身约束条件的可飞路径，本文中将航迹评价函数简化为威胁代价J_t和油耗代价J_f，公式(4)-(7) 如下：

式中w_t和w_f分别为航迹点的威胁代价和油耗代价；l为当前航迹点改变的距离。

式(4)、(5)中：