基于遗传规划的无人机航迹规划系统及方法
【技术领域】
[0001] 本发明涉及的是一种路径规划和人工智能领域的技术，具体是一种基于遗传规划 的无人机航迹规划系统及方法。
【背景技术】
[0002] 路径规划系统主要应用于无人机、机器人、水面舰艇、车辆等的路径规划问题中。 路径规划是按照一定的评价标准体系，寻找运动体从起始状态点到达目标状态点的满足特 定约束的路径。
[0003] 航迹规划是路径规划的一种，比一般的路径规划更加困难复杂。由于飞行器的运 动性能复杂、任务环境复杂性，航迹规划系统需要综合考虑飞行器的机动性能、任务时间、 地形环境、敌控区域等因素。航迹规划系统涉及飞行力学、自动控制、导航、计算机图形学等 多个领域。航迹规划系统主要包括航迹规划算法、轨迹跟踪控制、虚拟现实技术等内容，其 中核心是航迹规划算法。目前应用于航迹规划的算法主要有A*算法、遗传算法、神经网络 等，其中遗传算法常用来作为航迹规划算法。但是由于环境空间巨大、约束条件繁多且耦合 性强等情况，之前的算法结果并没有很好地解决问题。
[0004] 遗传算法是一种解决复杂优化问题的技术。遗传算法通过产生一组个体，使用进 化算子来提升性能。遗传算法使用染色体和其中的基因来表示运算符，通过突变和交叉来 进化。在航迹规划问题中，已有大量的工作使用遗传算法得到了不错的结果。但是传统的遗 传算法在处理多层次问题的时候有不足的地方，当应用于拟合问题时，多层次的结构无法 预知。此外，遗传算法缺乏动态性。无法表示很多计算机程序和数学问题，尤其是复杂的等 式和不等式约束。在航迹规划问题中，遗传算法作为航迹规划算法，其规划出的航迹对威胁 边缘依赖性很强，无法达到更高的要求。
[0005] 经过对现有技术的检索发现，遗传规划在机器人路径规划和避障的探索中获得了 广泛的应用，如中国专利文献号0附03077425六，公开(公告）日2013.05.01，公开了一种自主 水下机器人的实时路径规划方法，是AUV实时避碰过程中根据在线地图进行在线、实时局部 路径规划的方法。该技术根据AUV路径点数目设定小种群个数，并初始化;对每个小种群进 行免疫选择后得到子群;将其中一个子群进行遗传操作，另一个进行细胞克隆;然后通过接 种疫苗和抗体聚类形成下一代小种群，判断其是否满足条件;如果满足则选出这些小种群 的最优个体;从所有最优个体组成的集合中选择最优个体最为规划路径。该技术涉及的AUV 实时避碰是典型的局部路径规划算法，容易陷入局部最优，算法稳定性较差，受抗体浓度影 响较大。而且AUV缺乏动态性，对于不等式约束依然缺乏解决方法。
【发明内容】
[0006] 本发明针对现有技术存在的上述不足，提出一种基于遗传规划的无人机航迹规划 系统及方法，采用遗传规划算法作为航迹规划算法，通过对遗传规划算法的改进和创新，将 其应用于复杂多目标优化问题中，利用树状结构进行初始化、解码、选择繁殖等步骤，不断 的优化航迹。优化过程迅速，方法直观，不依赖于威胁的引导点。本发明能够提高规划出的 航迹性能，减少了运算时间，优化适应度，具有很好的可行性和鲁棒性。
[0007] 本发明是通过以下技术方案实现的：
[0008] 本发明涉及一种基于遗传规划的无人机航迹规划系统，包括:无人机模型模块、遗 传规划算法模块、无人机任务模块和现场信息模块，其中：无人机模型模块与遗传规划算法 模块相连并传输无人机模型参数信息，现场信息模块与遗传规划算法模块相连并传输现场 威胁与地图信息，无人机任务模块与遗传规划算法模块相连并传输无人机任务以及起始点 信息。
[0009] 本发明涉及一种基于上述系统的遗传规划的航迹规划算法，通过无人机模型模块 构建树状结构的初始群体，遗传规划算法模块对每个个体进行解码和计算适应值，并且在 群体之间进行选择和繁殖操作，经过若干次迭代过程得到最优群体，最终由无人机任务模 块从最优群体中选择出最佳个体并进行解码，即得到遗传规划的最优航迹。
[0010] 本发明具体包括如下步骤：
[0011] 步骤A，无人机任务模块构建优化方程，具体为：
[0012] -般的多目标优化问题为：
其中：f: (X)为目标方 程，X是d维决策变量向量，gj(X)表示不等式约束，hk(X)表示等式约束。
[0013] 针对路径规划问题，路径优化方程为：
[0014]
丨，其中： 1=1 i=l i=l
:表示路径长度的代价函数，^为每段航 迹长度，其减小该函数意味着航迹更短更平滑（
I示飞行高度的代价函数，其 中hi为飞行高度，需要保证大于最小的高虔
表示所有威胁的评估值。·/?为威 胁X影响j位置的评估值，氏，Kj是威胁系数，Rj是X和j之间的距离。
[0015] 由于航迹规划问题的约束主要根据无人机的模型参数中的各类限制而来，比如油 量、最大最小偏转角、最大最小俯仰角等等，其中路径最大最小长度和飞行高度受现场地图 的地形限制，约束定义为：其中：前两个约束表示最大 ^ "仰
.，： 路径长度lmax和最小路径长度lmin。第三个和第四个约束表示最大偏转角Φ和最大俯仰角Θ。 最后一个约束Hmin为无人机飞行的最小高度。
[0016] 上述方程描述为航迹规划优化问题。
[0017] 步骤B，现场信息模块定义地形和威胁：由于航迹规划问题是基于具有许多威胁的 特定地形的，而威胁的参数有位置、半径和权重等。无人机从起始点出发到达终点，要求在 威胁范围之外。
[0018] 步骤C，遗传规划算法模块创造运算符:遗传规划的运算符包含函数运算符和符号 运算符，基于上述航迹规划优化方程，针对航迹规划问题的特殊性，我们为函数运算符为： 我们为函数运算符为：
，符号运算符为：
，其中：符号运算符为二叉树结构中的叶子节点，函数运算符为二叉 树结构中除了叶子节点的其他树干节点。函数运算符集中的三个运算符表示由遗传规划系 统所判断的是否可以直线前行、水平前进、竖直前进这三种判断情况，而三个符号运算符表 示直线前进、水平前进、竖直前进这三个无人机实际动作。
[0019] 步骤D:初始化群体:选择群体大小为100,使用混合法进行初始群体生成。混合法 综合完全法和生长法的优点，初始个体在每个深度下所占比例为n = 100/(maximum-l)，其 中maximum表示定义的最大深度。由此得到100个个体的群体。
[0020] 步骤E:解码和计算适应值:解码过程从树根遍历至树叶节点。通过判断函数节点 是否为正，迭代过程决定向左还是向右前进。当遇到一个树叶节点时，迭代过程停止。当路 径到达终点时，过程停止。适应值计算公式〉
[0021] 步骤F:选择和繁殖:使用锦标赛选择法，在适应值计算之后，我们根据适应值对结 果进行快速排序。最开始的几个精英个体自动被选入下一代。此外随机选取一些个体作为 幸存者进入下一代。其他个体由交叉和变异产生。交叉操作随机选出两个个体6 1和62，每个 个体随机选择一个节点。m，n2为这两个点，ri，r2为树的其余部分。产生的4个分裂的树交叉 形成两个新树m+r 2，n2+ri。选择其中较短的一棵树。新树进入下一代。突变操作包含两部 分:突变和强突变。强突变至少尝试两次，而突变只尝试一次。我们随机选择一个节点，用其 他点来代替此节点。交叉和突变操作带来了种群的多样性。
[0022]步骤G:终止迭代过程，选取最优个体。
[0023]所述的迭代过程优选次数为50次。 技术效果
[0024]与现有技术相比，本发明通过对遗传规划进行优化，然后使用遗传规划设计特殊 的运算符集来解决无人机航迹规划问题。在优化方程的启示和运算符的指导下，规划系统 有效的规划出可行的航迹，然后通过遗传规划的步骤，优化为更好的航迹。经过仿真实验， 本发明与遗传算法进行比较，得到的结果显示优化的遗传规划路径明显更优。
【附图说明】
[0025]图1为本发明方法流程图；
[0026]图2为本发明系统结构不意图；
[0027]图3为本发明地形和威胁示意图；
[0028]图中：威胁的范围为圆的大小，横轴为水平方向，竖轴为垂直方向，从起点(0，