[发明专利]一种基于IB-ABC算法的无人机飞行路径规划方法

说明书

本发明公布了一种基于IB‑ABC的无人机飞行路径规划方法，属于空中无线传感器网络技术领域。IB‑ABC为改进平衡蜂群算法，包括雇佣蜂优化路径策略、跟随蜂优化路径策略和侦查蜂优化路径策略；通过对人工蜂群ABC路径规划算法进行改进，基于迭代过程的反馈信息改进雇佣蜂策略和跟随蜂策略，提高优化路径局部搜索能力；通过采用侦查蜂优化路径策略生成新路径平衡局部搜索和全局搜索能力；从而快速生成三维环境下长度短且安全平滑的无人机飞行路径。

技术领域

本发明属于空中无线传感器网络技术领域，涉及一种三维环境下的无人机路径规划方法，尤其涉及一种基于改进IB-ABC算法的无人机飞行路径规划方法。

背景技术

近年来，无线传感器网络凭借着高度的学科融合性和广阔的应用前景而受到学术界和高新技术领域的广泛关注。无线传感器网络根据其传感器节点的不同特点可以划分为各种类型，其中，空中无线传感器网络因为其采用兼具感知能力和自主飞行能力的微小型无人机作为传感器节点，能够根据实际情况，在多种复杂环境条件下准确的获取信息而成为计算机领域的研究热点。

在空中无线传感器网络中，由于需要通过飞行穿越各种环境完成信息采集等任务，无人机的路径规划方法一直是研究者们的重点关注对象。无人机路径规划问题的主要目标在于寻找一条可行路径，该路径要求无人机能够安全无碰撞的到达目的地。由于在实际应用中，需要考虑路径长度、离地高度等多种因素，往往需要考虑多个优化目标以获得准确的解决方案，因此无人机路径规划问题也被归类为多目标优化问题(Multi-ObjectiveOptimization Problem，MOOP)。

目前在多目标优化问题上，求解全局最优解是主要的研究方向。由于全局最优解不能采用枚举的方法，以进化算法(Evolution Algorithm，EA)为代表的启发式算法得到了广泛的关注，并且发展出了众多分支算法，例如遗传算法(Genetic Algorithm，GA)、差分进化算法(Differential Evolution Algorithm，DE)、蚁群算法(Ant Colony Optimization,ACO)、粒子群算法(article Swarm Optimization,PSO)和人工蜂群算法(Artificial BeeColony，ABC)等，其中ABC算法凭借其只需要对问题的解进行优劣比较就能得到最优解的快速简便、控制参数少的特点，在实际应用中表现出了高效性和实用性。

ABC算法是一种以蜂群的觅食行为构建框架的群智能优化算法。在该算法中，蜜源的位置代表求解问题的一个可能解，蜜源的花蜜量代表相应解的适应度，蜂群由三部分组成：雇佣蜂、跟随蜂和侦查蜂，三种蜜蜂代表三种搜索策略。雇佣蜂策略在局部进行蜜源搜索，与蜜源一一对应，搜索结果就是雇佣蜂对应的蜜源，跟随蜂策略是根据轮盘赌策略让跟随蜂跟随符合要求的雇佣蜂，并在蜜源附近进行局部搜索，搜索结果为跟随蜂对应的蜜源，侦查蜂策略为利用侦查蜂取代不符合要求的雇佣蜂，并进行全局搜索，搜索结果为侦查蜂对应的蜜源。相比于其他进化算法，ABC有着可以克服其他进化算法容易陷入局部最优缺陷的搜索能力。为了更好的体现这种局部搜索优势，Chiang等提出了一种离散化的优化蜜源算法(DfABC)，与SVM的核心参数一起调整，加强了分类精度和收敛速度，但是在一定程度上降低了局部搜索能力；Rosenbrock等的跟随蜂旋转方向策略、Alatas的混沌理论等利用不同的搜索策略加强了ABC算法在局部的搜索能力；Cui等结合了DE算法的优点提出了D-ABC算法，降低了早期搜索阶段有较大概率陷入局部最优的风险，但是这些加强局部搜索能力的改进都忽视了ABC算法对全局搜索能力的限制。

综上所述，ABC算法在解决无人机的路径规划这一类MOOP问题上有着克服局部最优、收敛速度快、精度高等优点，但是其自身也存在局限性。由于ABC算法强调了轮盘赌策略和侦查蜂的避免过早收敛，只根据结果进行最优解的选择，忽视了内部反馈信息对迭代的影响，在全局搜索方面存在一定不足，难以实现有效的无人机飞行路径规划。

发明内容