基于蚁群算法的飞行物冲突解脱路径规划方法与流程

本发明涉及无人机低空域避险技术领域，具体涉及一种基于蚁群算法的飞行物冲突解脱路径规划方法。

背景技术：

近年来，在icao新航行系统发展规划的指导下，全球的航空组织对ads-b(广播式自动相关监视)作为新一代通信导航监视技术之一进行了卓有成效的研究、实验、推广、应用，并取得飞速发展。ads-b是一种为空-空监视和地-空监视提供自主监视信息的技术手段，无人机通过数据链自动广播其自身的位置和其他飞行状态信息，并实时获取空中ads-b信息和地面服务信息，达到无人机之间的相互感知，ads-b功能全面，安装简单方便，费用是雷达系统的十分之一左右，发达国家目前正逐步用ads-b取代一次、二次雷达，应用在军事领域，能够提高战场空间感知能力，ads-b的自动性使它非常适用于无人机。

多无人机共空域执行任务已成为无人机发展的重要趋势。伴随着无人机的广泛应用，低空飞行空域日益拥堵，自由飞行的实施可以提高空域资源的利用率，解决空域拥挤问题，但自由飞行频频面临无人机撞损、坠毁等安全事故，无人机与无人机、无人机与有人机共空域飞行所面临的碰撞冲突已成为影响无人机自主自由飞行的突出问题，因此，无人机对于避险系统的需求变得非常急切。

无人机避险系统对确保无人机安全自主的飞行，提高空域流量，高效完成任务都有着重要的现实意义，无人机自主飞行避险算法是无人机避险系统的核心，避险算法是当探测到无人机将要与其他飞行器发生冲突时，快速有效的规划出解脱航迹避免冲突的发生，目前国内外对无人机避险模型与算法的研究还并不完善，如何在最短时间，消耗最小的情况下实现无人机的冲突解脱，是有待进一步研究与提高的。

蚁群优化算法(aco)是一种模拟蚂蚁觅食行为的模拟优化算法，蚂蚁在运动过程中，能够在它所经过的路径上留下一种称之为外激素的物质进行信息传递，而且蚂蚁在运动过程中能够感知这种物质，并以此指导自己的运动方向，因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。

蚁群算法中的正反馈机制，可以使它能优化较好的解，迅速找出解决方案，同时具有鲁棒性强、全局搜索、并行分布计算、易与其他问题结合等优点，在飞行器冲突解脱问题中是一种常见的方法。文章基于蚁群算法，结合精英策略，加入扰动因子，对国内外已有的研究成果进行算法改进，提出一种能快速规划出最优解脱路径的算法，同时算法具备避免早熟的能力。通过matlab仿真验证，证明算法有效性。

蚁群算法(antcolonyoptimization，简称aco)最早是由marcodorigo等人在1991年首次提出的，蚂蚁主要通过一种叫做信息素的物质对信息进行交流，根据信息素的多少进行选择和更新，通过数次迭代产生最优解。信息素的交流是蚂蚁寻找最短路径最重要的媒介和手段，蚂蚁是盲的，他们的活动是凭借信息素进行的，他们有朝着信息素多的地方运动的趋势，并且留下新的信息素，这是一种正反馈机理。通过并不是面对面的直接交流，而是通过信息素进行间接交流，个体收集的信息与整个群体信息共享，信息在系统内部进行交流学习，不断优化系统，即自适应系统。蚁群算法用于优化问题的求解，正是基于真实蚂蚁觅食行为与优化问题求解过程的相似性，见表1。

表1：优化问题求解过程与蚂蚁觅食行为对比

在aco中利用简单个体——蚂蚁,不断迭代地的构造组合优化问题的候选解。蚂蚁解的构造由信息素和启发式信息来指导。原则上通过定义解的分量蚁群算法能够用于各种组合问题。一只蚂蚁开始时使用一个空解,然后重复增加解的分量直至产生一个完整的候选解,这样来构造候选解。在每一个选择点上,蚂蚁必须决定哪个解的分量要加到它的当前部分解。解的构造完成后,蚂蚁将他们构造的解给予正反馈,通过将信息素投放到使用的解的分量上。

虽然aco中的正反馈机制能使较好解得到不断优化，但是由于算法初期信息素积累差异不明显，导致蚁群算法初期收敛速度较慢，当加快收敛速度时，随着搜索的进行虽然搜索速度加快但并不是快速收敛到全局最优解，很可能陷入早熟状态，为了解决这些问题蚁群算法创立者dorigo又提出了一种改进的蚁群算法——蚁群系统算法(acs)。

然而，在所有蚁群系统算法的文章中都把信息素的局部更新作为其算法的特征之一，但通过实验发现，其作用是有限的。由于信息素的全局更新作用，再经过几次搜索以后，所有属于最佳路径的边，其信息素水平远远高于其它边，相差一个数量级。因此，信息素的局部更新作用不能有效地阻止搜索陷入局部最优化。另外,由于信息素的局部更新在每一步搜索之后都要进行，因此，消耗了大量的计算时间。

因此，需要提供一种新的蚁群算法。

技术实现要素：

为解决现有技术存在的不足，本发明提供了一种基于蚁群算法的飞行物冲突解脱路径规划方法，包括如下步骤：

步骤s1：初始化迭代次数、蚂蚁数m、累计信息重要程度因子α、启发函数重要程度因子β、介于出发地和目的地之间的多个航迹点以及各航迹点之间的初始信息素浓度；

步骤s2：每只蚂蚁多次从出发地到目的地之间经不同的航迹点走完全程，完成多次迭代，进而选择出最佳航线；

其中，蚂蚁在选择航迹点时，遵循下述规则：

其中，pp代表蚂蚁选择路径的方式，q为在[0,1]区间均匀分布的随机数，蚂蚁在每个i点，均会随机产生一个q值；并且，不同蚂蚁在不同的航迹点i处，有不同的q值；

i表示蚂蚁当前所处的航迹点，j表示蚂蚁下一时刻可能走向的航迹点；

τij表示在当前迭代周期中，路径(i,j)上的信息素浓度，ηij表示在当前迭代周期中，蚂蚁从航迹点i走到航迹点j的期望程度，且ηij＝1/dij；

dij表示ij两点间的距离；

allowedk表示蚂蚁k下一步允许访问航迹点的集合；

q0＝1/e^t/b；t为当前的迭代次数，b为常数；

pij^k表示当q大于q0时，蚂蚁从可能的路径(i,j)群中随机选择一条路径。

其中，在不同的迭代周期中，各航迹点之间的初始信息素浓度更新规则仅采用全局更新规则。

其中，在不同的迭代周期中，路径(i,j)上的信息素浓度的全局更新规则为：

τij(t＝1)＝(1-ρ)τij(t)+ρ﹒n﹒δτij(t)

其中，τij(t+1)为下一迭代周期中，路径(i,j)上的信息素浓度；ρ为信息素的挥发参数，其值介于[0,1]；n为上一迭代周期中，所有走过路径(i,j)的蚂蚁总数，n≤m；δτij(t)为每只蚂蚁对对应路径的信息素贡献值。

其中，在不同的迭代周期中，采用下述公式确定信息素增量：

若路径(i,j)为当前全局最优解，则δτij(t)＝1/cgb；

若路径(i,j)为当前全局最劣解，则δτij(t)＝-1/cgb；

若路径(i,j)介于当前全局最优解和当前全局最劣解之间，则δτij(t)＝0；

其中，cgb为当前全局最优路径的路径长度。

其中，在多次迭代周期中，路径(i,j)上的信息素浓度介于一个最大值及最小值之间。

其中，在多次迭代周期中，最优路径组成部分相邻两点上的信息素浓度有界。

其中，在多次迭代周期中，该蚁群系统能以任意趋近于1的概率接近于最优路径。

其中，在多次迭代周期中，在找到最优路径后，经过充分大的迭代次数，所有最优路径上的信息素浓度均高于非最优路径上的信息素浓度。

本发明提供的基于蚁群算法的飞行物冲突解脱路径规划方法，在规划飞行物路径时，具备跳出早熟的能力，收敛速度加快。

附图说明

图1：本发明的初始化航迹点示意图；

图2：本发明的某一迭代周期中，第一次状态转移路径示意图；

图3：本发明的某一迭代周期中，第二次状态转移路径示意图；

图4：本发明的仿真验证中，初始化无人机起始点示意图；

图5：现有蚁群算法的冲突解脱路径图；

图6：现有蚁群算法的计算结果；

图7：现有蚁群系统算法的冲突解脱路径图；

图8：现有蚁群系统算法的计算结果；

图9：本发明的路径规划方法的冲突解脱路径图；

图10：本发明的路径规划方法的计算结果。

具体实施方式

为了对本发明的技术方案及有益效果有更进一步的了解，下面结合附图详细说明本发明的技术方案及其产生的有益效果。

蚁群算法的大致流程为：

1、确定了飞行的出发地a和目的地b之后，在出发地a和目的地b之间初始化多个航迹点，如图1所示，虚线包围的部分为初始化的多个航迹点。

2、初始化蚂蚁数m，每只蚂蚁均从出发地a出发，经过多个航迹点的选择，走到了目的地b，完成了第一次迭代。

3、经过了第一次迭代后，所有的蚂蚁再次从出发地出发，经过多个航迹点的选择，再次走到目的地b，完成第二次迭代。

4、重复上述过程，直至完成预定的迭代次数。

在多次迭代过程中，蚂蚁的航线路径渐渐趋近于最佳航线，所选择的最佳航线也渐渐趋近于事实上的最佳航线。

蚂蚁在航迹点的选择过程中，存在多个路径(i,j)，其中，i代表当前所处的航迹点，j表示蚂蚁下一时刻可能走向的航迹点，举个例子，首先，请参见图2所示，假设本发明初始化了3只蚂蚁，3只蚂蚁均从出发地a出发，针对于出发地a，下一个航迹点可能为点c、d或e，因此，对于此3只蚂蚁来说，i即代表出发地a，j代表点c、d或e；接着，请参见图3所示，经过，第一个航迹点的选择，3只蚂蚁分别走到了c点、d点和e点，对于这3只蚂蚁来说，下一个航迹点可能为点f、g或h：针对c点的蚂蚁来说，i即代表点c，j代表点f、g或h；相应地，针对d点的蚂蚁来说，i即代表点d，j代表点f、g或h；针对e点的蚂蚁来说，i即代表点e，j代表点f、g或h，依次类推。

针对现有的蚁群算法存在的种种不足，本发明从蚂蚁在航迹点与航迹点之间的状态转移规则，不同迭代周期之间的信息素更新规则以及信息素增量的确定三个方面进行改进，提出了一种新的蚁群算法。

一、对状态转移规则的改进

针对现有的蚁群算法不能很好地解决因加快算法收敛而产生的早熟现象，本发明在现有的蚁群算法的基础上，提出了新的扰动因子q0，q0＝1/e^t/b；t为当前的迭代次数，b为常数；

改进后的蚁群算法的状态转移规则为：

其中，pp代表蚂蚁选择路径的方式，q为在[0,1]区间均匀分布的随机数，蚂蚁在每个i点，均会随机产生一个q值；并且，不同蚂蚁在不同的航迹点i处，有不同的q值，q值服从均匀分布，每次迭代中，选择下一个航迹点之前都会更新；

τij表示在当前迭代周期中，路径(i,j)上的信息素浓度，ηij表示在当前迭代周期中，蚂蚁从航迹点i走到航迹点j的期望程度，且ηij＝1/dij；

dij表示ij两点间的距离；

allowedk表示蚂蚁k下一步允许访问航迹点的集合；α和β分别为累计信息重要程度因子以及启发函数重要程度因子。

也即，根据本发明在进行状态转移时，在当前的迭代周期中，如果某只蚂蚁在某个航迹点i上的常数q满足q≤q0，则蚂蚁从所有对应的航迹点j中，选择一个所对应的τij^α﹒ηij^β值最大的航迹点j，作为此蚂蚁下一个航迹点，如果蚂蚁在某个航迹点i上的常数q不满足q≤q0，则蚂蚁从可能的路径(i,j)群中随机选择一条路径。

由扰动因子q0的计算公式可知，扰动因子随着迭代次数增加，其值逐渐减小；因此，在算法初期，扰动因子相对较大，所以延续了候选路径中τij^α﹒ηij^β最大的路径入选概率远大于其他路径、搜索范围相对集中、初期搜索效率高的优势，随着迭代次数增加，扰动因子逐渐减小，即随机选择概率增加，扩大了解的选择范围，选择概率不仅选择当前最好解，还有机会选择其他解，这样将概率合理分配于各个阶段，实际上是增加了改进算法的全局搜索能力，使算法具备了跳出早熟的能力。

二、对信息素更新规则的改进

现有的蚁群系统算法采用全局和局部两种信息素更新规则，然而，发明人经过测试发现：两种更新规则如果同时使用并不能收到更好的效果，优化质量反而下降了。因为如果每只蚂蚁经过某一路径时都投放信息素，会使此路径上的信息素浓度迅速上升，和其他路径的信息素量差异增大，若没有有效的跳出早熟的措施，则很容易使局部最优路径上的信息素增加过快，陷入局部最优，即陷入早熟，造成信息素过剩，算法效率低下，

如果每一只蚂蚁都投放信息素，那么几乎每一条路径上都在集聚，这样造成了信息素投放的浪费，即淡化了择优规律，而且由于信息素大量堆积浪费，使得算法效率降低，在规定的可接受的计算时间内，得不到理想的最优结果，即还未收敛就已停止。

因此，本发明所使用的蚁群算法的信息素更新规则中，摒弃了局部更新规则，只采用全局更新规则，即开始时取所有蚂蚁走过的所有满足约束条件的路径里的最短路径为当前全局最优解，并更新信息素，然后随着每次迭代后取这些当前全局最优解的最好值进行信息素更新。

其信息素浓度的更新规则为：

τij(t＝1)＝(1-ρ)τij(t)+ρ﹒n﹒δτij(t)

其中，τij(t+1)为下一迭代周期中，路径(i,j)上的信息素浓度；ρ为信息素的挥发参数，其值介于[0,1]；n为上一迭代周期中，所有走过路径(i,j)的蚂蚁总数，n≤m；δτij(t)为每只蚂蚁对对应路径的信息素贡献值。

本发明中，蚂蚁只在属于至今最优路径的边上蒸发和释放信息素，当蚂蚁走过某条边时，如果这条边是至今最优路径蚂蚁会去除该边一定量的信息素，并且对其更新信息素，既保留后续蚂蚁探索其余路径的可能性，也保留此路径选为全局最优的可能性，结合扰动因子使算法具有更强的跳出早熟的能力。

三、对信息素增量的改进

由于算法初期信息素积累的少，各条路径上信息素浓度差异不明显所以导致算法初期收敛慢，因此，本发明中，改进的蚁群算法的信息素增量方式与精英策略结合，在不同的迭代周期中，航迹点i对应的所有路径(i,j)中，采用下述公式确定各路径上的信息素增量：

若路径(i,j)为当前全局最优解，则δτij(t)＝1/cgb；

若路径(i,j)为当前全局最劣解，则δτij(t)＝-1/cgb；

若路径(i,j)介于当前全局最优解和当前全局最劣解之间，则δτij(t)＝0；其中，cgb为当前全局最优路径的路径长度。

因此，本发明在每次迭代结束之后基于较优路径上信息素额外的增强，较劣的路径上的信息素浓度额外减弱以增大最优解与劣质解之间信息素浓度的差异，从而使最优解对蚁群更优吸引力，加快算法初期收敛速度。

本发明中，所谓的当前全局最优路径，对应的是在此次迭代周期中，某个确定的i点上，与所有蚂蚁走出的确定的j点所确定的多个路径(i,j)中的最优路径，相对的，当前全局最劣路径的定义与此类似。举个例子，请参阅图3所示，在某个迭代周期中，针对c点，如果c点上的蚂蚁分别走向了f点、g点及h点，则当前全局最优路径和当前全局最劣路径从路线cf、cg及ch中选出，如果c点上的蚂蚁仅走向了f点和g点，那么当前全局最优路径和当前全局最劣路径从路线cf及cg中选出，也即，在选择当前全局最优和最劣路径时，是从蚂蚁已经走完的已确定的路径中选取的，针对蚂蚁已走完的路径，对这些路径上的信息素浓度进行更新，以作为下一次迭代周期中蚂蚁选择路径、进行状态转移的依据。

四、算法的收敛性证明

下面开始对改进后的蚁群算法的收敛性进行证明，证明思路如下：首先给出两个命题说明每条边上的信息素都有最大值，并且在找到最优路径后，最优路径上的信息素是有界的。其次，给出两个定理，证明蚁群系统能以任意趋近于1的概率找到最优路径，并且在找到最优路径后，经过充分大的迭代次数后，所有最优路径上的信息素都高于非最优路径上的信息素。

信息素仅挥发的话，趋向于0。

命题1：每条边上的信息素都有最大值

(1)最大信息素增量＝m/lmin

由本发明的信息素更新规则τij(t＝1)＝(1-ρ)τij(t)+ρ﹒n﹒δτij(t)可知：

对于最劣路径，其上的信息素浓度在下一次迭代周期中一定会减少；

对于最优路径，由于本次迭代周期的信息素浓度存在释放(即减少一部分)，但同时会产生增加量，因此信息素的增减未知；

对于介于最优路径和最劣路径之间的路径，其上的信息素浓度在下一次迭代周期中也一定会减少。

由于信息素的增减量由路径的长度确定，因此，对于初始化过航迹点的多条路径(i,j)，一定存在一条确定的长度最短的路径(i,j)，假设其长度为lmin，当这条路径作为最优路径时，δτij(t)＝1/cgb＝1/lmin；当这条路径作为最劣路径时，δτij(t)＝-1/cgw＝-1/lmin。

也即，的最大值＝m/lmin，其含义表示所有的蚂蚁都走过此条路径，且所有的蚂蚁对此条路径的信息素贡献值均为最大值1/lmin。

(2)同样的，不难理解，对于初始化过的航迹点之间的多条路径(i,j)上的信息素浓度τij(0)，一定存在一个最大的初始信息素浓度τij(max)。

(3)我们假设某条路径在所有的迭代过程中，有t次迭代中作为最优路径，从未作为过最劣路径，也未做过中间路径，并且，在每次作为最优路径时，信息素增量均为最大值m/lmin，令b＝m/lmin，则经过所有的迭代过程后，该路径上的信息素浓度变化如下系列公式所示：

τij(1)＝(1-ρ)τij(0)+ρb；

τij(2)＝(1-ρ)τij(1)+ρb＝(1-ρ)[(1-ρ)τij(0)+ρb]+ρb

＝(1-ρ)²τij(0)+ρ(1-ρ)b+ρb；

……

t无穷大时，τij(t)＝b。

(4)因此，随着该条路径作为最优路径的次数增多，该路径上的信息素浓度值由初始信息素浓度值τij(0)向最大信息素增量b靠近，也即，该条路径上的信息素浓度值始终小于max{τij(0),b}，由于τij(0)≤τij(max)，则，该路径任一迭代过程中的信息素浓度始终≤max{τij(max),b}。

当然，实际情况中，该路径在不同的迭代周期中，信息素增量不一定都为b，但不难理解的是，在该路径作为最优路径的迭代次数相同的情况下，该路径一定是在信息素增量为最大时，对应的最终信息素浓度最大(因为在当前迭代周期中信息素浓度一定的情况下，信息素增量越大，下一个迭代周期中信息素浓度值越大)，也即，上述公式推理为一个理想情况，在实际情况中，实际路径的最终信息素浓度也一定≤max{τij(max),b}。

并且，实际情况中，任何一条路径，也可能存在作为最劣路径或中间路径的时候，然而，由于最劣路径和中间路径对应的信息素更新规则为信息素量减少，不难理解，此种情况下，该路径的最终信息素浓度也一定≤max{τij(max),b}。

因此，对于本发明所使用的蚁群算法，任何一条路径上的信息素浓度，无论其在迭代过程中怎样变化，其上限均≤max{τij(max),b}。

(5)同样的，根据(3)中的公式可以推出：当某条路径上的信息素在每次迭代过程中均减少，且每次的信息素减少量均为最大减少量b时，经过无限次迭代，此条路径上的信息素浓度逐渐由τij(0)趋近于-b。

也即，对于本发明所使用的蚁群算法，任何一条路径上的信息素浓度，其下限一定≥-b。

因此，命题1得证，即τmin＝-b，τmax＝max{τij(max),b}。

定理1：本发明使用的蚁群算法可以以任意趋近于1的概率收敛于最优路径，即对于任意小的ε>0和一个充分大的迭代次数t，在前t次迭代中至少有一次发现最优路径的概率满足：

这里的ε，表示任意小正数，指的是“要多小就有多小的正数”，你能想象的有多小它就能比你想的还小，这才能保证数列的项(或函数的值)与某数(即极限值)的距离要多近就有多近，也就是保证极限的无限趋向性。详细证明：

根据伪随机比例法则，假设路径(i,j)没有相关的最大信息素路径，选择路径(i,j)的概率为随机选择路径的概率，即p(q>q0)·pij，所以在任意一次迭代n中，做出任何特定选择的概率为：

其中，|v|表示固定节点的可行后继的最大数目。

任何产生的解s′，包括最优解s*∈s*，生成的概率为：

每次迭代生成解的概率

其中l<+∞为序列的最大长度。所以，

n次迭代生成解的概率

因此，此外，对于一个任意小的ε>0而言，当n足够大时，有：

p*(n)≥1-ε

证明：在本发明使用的蚁群算法中，任意边上的信息素τij(t)∈[τmin,τmax]，设满足转移概率公式的最小概率为p′min>0，表示最差寻优情况下的界定概率。

在基本蚁群算法中，pmin表示最小转移概率，表示最差寻优条件下的界定概率，则有

所以在本发明所使用的蚁群算法中，有

则一般解s′产生概率其中n为序列的最大长度。由于t充分大，能够保证找到一个最优解，所以至少有一次找到最优解的概率由此可以得出定理得证。

定理2：找到第一个最优解之后，由于全局信息素更新规则，以后各代中，属于最优解元素上的信息量都比其他元素上的信息量多。而且不属于最优解元素上的信息素量不断减少，直到减到最小值τmin为止。

用数学语言描述为：对都有τij(t)>τkl(t)而且

证明：从第一次找到最优解的t^*代开始，只有属于最优解元素上的信息素增加，其余解元素上的信息素减少，知道减到τmin为止。我们再做一下最坏假设，设(i,j)∈s^*，且信息素τkl(t^*)＝τmax。则到t^*+t′代时，(k,l)上的信息素变为：

τkl(t^*+1)＝max{τmin,(1-ρ)·τmax}

τkl(t^*+2)＝max{τmin,(1-ρ)²·τmax}

……

τkl(t^*+t′)＝max{τmin,(1-ρ)^t′·τmax}

所以，

五、冲突解脱问题建模及仿真模拟

1、冲突解脱问题建模

规划避险路径是多无人机避险问题的目的，并且要使无人机的避险路径与原航迹相比延误距离之和最小，从而实现航迹最短，燃耗最小。定义优化目标函数为：

其中si为无人机i因避免冲突相对原航迹产生的延误距离，为无人机i在第k次迭代的实际位置，为i在原航迹第k次迭代的理论位置；n表示无人机的总数。

并且在第k次迭代时任意两架飞机i和j之间的距离满足：

其中，req为无人机间最小间隔，由于各种无人机性能差别较大，所以根据每架无人机性能特点，提出了适合无人机的最小安全间隔，具体公式如下：

其中，vf最大前进速度，vb为最大后退速度，va为最大垂直上升速度，vd为最大下降速度，v1为最大水平横向速度，τ为监视系统刷新速率。

2、仿真验证

对四架无人机的避险问题进行matlab仿真，以在同一海拔平面为例。首先构建一个200*200m²的区域，并设置四架无人机的起始点，它们分别从各自起点相向飞行。若各自均保持匀速，直线飞行，那么四架无人机将在中间的圆圈处相冲突，如图4所示。

将飞行器避险问题与现有的蚁群算法、蚁群系统算法与以及本发明提供的方法结合，进行仿真，对三种方法进行对比。仿真中，选取蚂蚁总数为m＝80，ρ＝0.35，q＝1000，迭代次数ncmax＝20。

基本蚁群算法的无人机冲突解脱轨迹如图5所示，图6为随着迭代次数增加解脱轨迹的计算结果，由图可以看出，基本蚁群算法收敛速度较慢，在规定迭代次数内没有规划出完整解脱路径，没有找到最优解，在实际情况中会造成无人机还相撞的事故。

蚁群系统算法的冲突解脱轨迹与路径优化结果如图7、图8所示，由图可知蚁群系统算法相较于基本蚁群算法收敛速度加快，但算法初期易收敛于非最优解的问题没有被解决，非最优解在算法进行到第5代时被选出来，没有得到优化结果，蚁群并没有找到最优的解脱路径，这就会造成不必要的能量的损耗，降低了无人机飞行与执行任务效率。

将本发明的方法应用于多无人机冲突解脱问题中，由图9、图10可以看出，无人机在较少的迭代次数内规划出了解脱路径，首先保证了无人机的飞行安全，并且在第7次迭代的时候算法开始快速收敛到一个值附近，但是由于改进算法中扰动因子的作用，收敛到的值被放弃，最佳值继续被搜索，并且在第12代的时候找到最优解。

综上，本发明提供的基于蚁群算法的飞行物冲突解脱路径规划方法，针对现有的蚁群算法及蚁群系统算法在多无人机冲突解脱问题上存在的种种不足，通过在状态转移规则中加入扰动因子，使算法具备了跳出早熟的能力；通过采用全局信息素更新规则，避免了信息素浪费，使算法相较aco与acs效率显著提高，配合扰动因子使算法跳出早熟的能力大大提升；通过对信息素增量采用精英策略，增大算法初期不同路径上信息素浓度差距，加快了蚁群算法的收敛速度；并且，本发明所使用的算法具备收敛性。仿真结果表明，相比较现有的蚁群算法及蚁群系统算法，本发明可成功使四架即将发生碰撞的无人机脱离危险，并且算法在跳出早熟能力和收敛速度方面较现有的蚁群算法及蚁群系统算法都有显著提高。

虽然本发明已利用上述较佳实施例进行说明，然其并非用以限定本发明的保护范围，任何本领域技术人员在不脱离本发明的精神和范围之内，相对上述实施例进行各种变动与修改仍属本发明所保护的范围，因此本发明的保护范围以权利要求书所界定的为准。