[发明专利]一种基于序列小生境粒子群算法的无人机多航迹规划方法

摘要

本发明涉及一种基于序列小生境粒子群算法的无人机多航迹规划方法，属于无人机多航迹规划技术领域。该方法首先对所需规划的问题进行建模，构建航迹代价函数以及约束条件；使用PSO算法对模型进行第一次规划得到第一组航迹；结合序列小生境技术更新当前最优航迹附近的代价函数模型，增大最优航迹小生境内其它方案的代价值；然后再使用PSO算法对更新后的模型进行下一次规划，获得次优航迹；重复上述两个步骤便可将最初构建的代价函数模型的最优航迹及次优航迹依次找出，当找到足够数量的航迹时，算法终止并输出满足任务要求的多航迹结果。本发明可更好地应对由实际环境变化和未知性导致的单条航迹不可行问题，并能为多无人机协同任务提供预先航迹。

主权项

1.一种基于序列小生境粒子群算法的无人机多航迹规划方法，其特征在于包括步骤如下：步骤1获取无人机飞行环境设定以及无人机飞行性能参数；步骤2构建航迹规划求解模型，包含以下两个步骤；步骤2.1确定粒子的编码方式基于序列小生境粒子群算法求解无人机多航迹规划问题过程中，种群中的每个粒子表示一条备选航迹，每条航迹又包括一定数量的航迹点，故而每一个粒子x表征一组航迹点坐标；步骤2.2构造的代价函数包括航迹长度、平均飞行高度；约束条件包括转弯角约束、爬升角约束、最短航迹段约束、威胁约束与地形约束；步骤3航迹规划问题的环境初始化设置，包括规划区域边界，起始点和目标位置，威胁位置及其大小，以及所需规划的航迹数目K，并令已规划航迹数量i＝0；步骤4粒子群算法初始设置，包括最大迭代次数与种群规模；并通过设计，计算得到所需使用的小生境半径r；步骤5使用拉丁超方试验设计方法生成初始粒子种群，拉丁超方是一种试验设计中的样本生成方法；步骤6判断i是否等于0，若是转步骤7；否则转步骤10；步骤7计算每个粒子的代价函数值，保存pBest和gBest，及其相应位置；粒子根据记忆追踪两个极值在解空间内进行搜索：一个是粒子本身找到的最优解pBest，另一个是整个种群找到的最优解gBest；步骤8根据pBest和gBest更新粒子的速度矢量，并根据速度矢量更新粒子位置；步骤9判断粒子是否收敛，若是，输出最优航迹解x，且令i＝i+1，并记录此解航迹为si；否则转步骤7；步骤10判断i是否等于K；若是，算法终止并输出多航迹结果；否则修改更新解航迹si附近小生境半径区域r内的代价函数值，并返回步骤7；至此，就实现了基于序列小生境粒子群算法的无人机多航迹规划过程。