[发明专利]一种基于自适应权重鸽群算法的无人机航路规划方法

摘要

本发明涉及一种无人机航路规划方法，特别是涉及基于自适应权重鸽群算法的无人机航路规划方法，该方法属于人工智能领域，该方法具体步骤如下：初始化参数、初始化航路、威胁代价计算、自适应权重系数的地磁算子和地标算子规划航路以及航路平滑处理，自适应权重鸽群算法通过对算法中参数的调整能够解决不同情况下的无人机航路规划问题，可以自由地根据无人机的应用领域和约束条件等因素的变化改变参数，从而达到更好的规划效果。

主权项

1.一种基于自适应权重鸽群算法的无人机航路规划方法，其特征在于：该方法具体步骤如下：/n步骤一：初始化参数/n初始化参数维数D＝20,初始化种群数量pigeonnum＝120,威胁代价评估比例因子k＝0.3,自适应鸽群算法地磁算子操作阶段和地标算子操作阶段的迭代次数分别为T₁＝100，T₂＝40，地磁算子参数R＝0.2，自适应权重惯性系数的最大值w_max＝0.7,最小值w_min＝0.4/n步骤二：初始化航路/n步骤三：威胁代价计算/n无人机航路规划的性能指标主要包括完成规定任务的安全性能指标和燃油性能指标，即威胁代价最小性能指标和燃油代价最小性能指标；/n威胁代价最小值按公式(1)计算：/n /n油耗代价最小值按公式(2)计算：/n /n总威胁代价评估模型为公式(3):/nmin J＝kJ_t+(1-k)J_f 公式(3)/n其中，威胁代价的评估模型为公式(4)；当无人机沿路径L_ij飞行时，N_t个威胁源对其产生的总威胁代价按公式(4)计算：/n /n为了简化威胁代价计算，把每条边分为5段，取其中5个点来计算这条边所受到的威胁代价，若威胁点到该边的距离在威胁半径之内，按公式(5)计算它的威胁代价；/n /n上式中，L_ij为连接节点i,j边的长度，d_(0.1,k)表示L_ij边上的1/10分点距第k个威胁源中心的距离，t_k为威胁因子，表示当前威胁对无人机航行的威胁等级；/n步骤四：自适应权重系数的地磁算子和地标算子规划航路自适应权重系数根据公式(6)计算得出/n /n其中，ω_min和ω_max分别表示惯性权重系数ω的最小值和最大值，f为威胁代价评估函数，f_avg表示当前鸽群中的平均威胁代价值，f_min表示当前鸽群中的最小威胁代价值，无人机航路规划中应用自适应鸽群算法的具体过程为：/n第一步：开始地磁操作阶段，根据威胁代价评估模型对鸽群中的每个粒子计算威胁代价值；/n第二步：根据求出的每个鸽子的威胁代价值更新局部最优解x_p和全局最优解x_g；/n第三步:判断是否达到地磁操作的最大迭代次数，若大于地磁操作的最大迭代次数，则转到第四步继续执行地标操作，否则，返回第一步；/n第四步：根据规则求出当前鸽群中距离目的地最近的位置，即求出所有鸽子的中心位置，并在此处将鸽群规模减半；/n第五步：计算当前鸽群中每个鸽子的威胁代价值，并据此更新局部最优解x_p和全局最优解x_g；/n第六步：判断是否达到地标操作的最大迭代次数；若大于地标操作的最大迭代次数，则程序结束，当前的全局最优解的位置即为所求的所有航路点；否则，返回第四步；/n步骤五：航路平滑处理/n样条平滑的基本原理为公式(7)所示：/n /n其中参数p为平滑参数，且取值范围为0≤p≤1，w_i为权重系数，且取值范围为0≤w_i≤1；/n所述步骤四中在自适应鸽群算法的地磁操作阶段，在D维搜索空间中，每次迭代都根据公式(8)(9)来计算更新粒子的度和位置；/nv_i(t)＝ω·v_i(t-1)·e^-Rt+rand·(x_g-x_i(t-1) 公式(8)/nx_i(t)＝x_i(t-1)+v_i(t) 公式(9)/n其中，R是地磁算子，rand是一个随机数，x_g为当前的全局最优位置，/n利用初始化的种群粒子的位置和速度，根据初始个体的代价函数值更新局部最优位置和全局最优位置。/n