[发明专利]一种三维蚁群航迹优化方法

说明书

本发明涉及一种三维蚁群航迹优化方法，通过在局部搜索空间中加入角度因子会使得航线空域搜索范围减小，减少三维空间中的搜索可行节点，加快算法的收敛速度，提升在三维空间中无人机的搜索效率。

技术领域

本发明涉及三维航迹技术领域，尤其是涉及一种三维蚁群航迹优化方法。

背景技术

随着智能领域的兴起，无人机的航迹规划成为国内外学者研究的重点，无论是在军事领域还是民用领域中，无人机发挥的价值越来越高。常规的航迹规划算法有启发式A*算法、人工势场法、粒子群算法和遗传算法等。

基本的蚁群算法有收敛速度慢、计算时间长、易于过早地陷入局部最优等缺点，在三维航迹规划中这些算法都存在着一定局限性，尤其在规模较大的三维空间中，不易规划出一条最优的航迹，收敛较慢。而新型蚁群算法在解决三维环境中无人机航迹优化问题方面，与其他搜索优化算法相比体现出良好的全局搜索能力。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种三维蚁群航迹优化方法。

本发明的目的可以通过以下技术方案来实现：

一种三维蚁群航迹优化方法，应用于无人机航迹规划，该方法包括以下步骤：

步骤1：建立三维环境模型；

步骤2：向三维环境模型输入初始信息素，设定起点和终点，设置算法参数；

步骤3：将蚂蚁置于起点，获取当前状态转移概率；

步骤4：在起点和终点之间每个节点周围设计搜索域，搜索域中的节点设置优先搜索集，获取搜索域中节点自适应阈值；

步骤5：将当前状态转移概率与自适应阈值相比较，根据比较结果选择蚂蚁行走的下一节点：

步骤6：实时更新蚂蚁行进路径及对应路径长度；

步骤7：循环步骤3至步骤6直至该蚂蚁到达终点；

步骤8：循环步骤3至步骤7直至该代的M只蚂蚁全部遍历；

步骤9：动态更新信息启发因子α、期望启发因子β以及信息素；

步骤10：循环步骤3至步骤9直至迭代完成，获得基于蚁群生成的对应路径；

步骤11：对生成的对应路径进行优化处理并输出最优航迹路径。

进一步地，所述的步骤2中的算法参数包括迭代总次数N、每代蚂蚁总数M、信息素强度系数Q、信息素挥发系数ρ、初始的信息启发因子α和初始的期望启发因子β。

进一步地，所述的步骤5中的将当前状态转移概率与自适应阈值相比较，根据比较结果选择蚂蚁行走的下一节点的选择规则，其对应的描述公式为：

式中，q_{(i+1,j+1,k+1)}为下一节点的位置，η_ijk为节点(i,j,k)上所带的启发因子。

进一步地，所述的步骤9中的信息素的局部更新公式为：

τ_ijk＝(1-λ)τ_ijk+λτ₀

λ∈(0,1)

式中，τ₀为初始的信息素值，λ为信息素的衰减系数，τ_ijk为节点(i,j,k)上所带的信息素值。

进一步地，所述的步骤9中的信息素的全局更新公式为：

τ_ijk＝(1-λ)τ_ijk+λΔτ_ijk