一种基于蜂群协同觅食算法的多无人机航迹规划方法
【专利摘要】本发明属于无人机【技术领域】，具体涉及一种可用于多无人机目标跟踪、航迹优化、协同管理、协同飞行、任务分配的多无人机航迹规划方法。本发明包括：初始化航迹规划任务的详细信息，进行坐标离散变换；初始化蜂群协同觅食算法参数；计算每架无人机的航迹路径的代价；每架无人机根据当前的位置计算当前路径代价；跟随机选择引领对象，每一个引领机招募一个跟随机；无人机放弃当前路径，搜索新路径；保存最优路径的参数并且计算最优值；检查是否达到迭代次数上限。本发明克服了传统智能优化航迹规划方法的初始化敏感问题；本发明可以改善算法的精度，以便得到最优解，或者是与最优解十分接近的次优解，提升了航迹规划的稳定性，提高了搜索效率。
【专利说明】一种基于蜂群协同觅食算法的多无人机航迹规划方法
【技术领域】
[0001]本发明属于无人机【技术领域】，具体涉及一种可用于多无人机目标跟踪、航迹优化、协同管理、协同飞行、任务分配的多无人机航迹规划方法。
【背景技术】
[0002]在未来复杂多变的信息化战场环境下，单架无人机将会很难完成任务，很多情况下必须通过协同控制飞行的多架无人机才能完成；每个无人机都要求一个I到3人的机组人员分配，协商和协调许多人类战士。除了人类操作员的成本，这个方法遇到不能解决的挑战，如何达到协同。在当今科技的制约下，想要无人驾驶机到达飞行员那样强大的信息处理能力与智能还是相当困难，如果通过模仿自然界生物的群聚现象，在数量上占绝对优势的无人机利用群聚智能就能达到甚至超越在数量上占劣势的有人驾驶机。分析生物系统的进化特征与行为规律，将生物群体智能的某些原理和行为与多无人机协同控制理论相结合，具有广阔的工程应用前景。目前无人机群协同飞行及航迹规划方面的研究在国内外虽已取得了一定的研究成果，但还没有统一的理论和行之有效的方法。
[0003]航迹规划是根据已知的各种环境信息，包括地形信息和敌情信息，全面地考虑无人机各方面地限制，避开各种威胁环境，规划出合理的飞行航迹，使UAV安全地完成预定任务。目前国内外关于群体无人机的飞行模式研究主要集中在任务分配问题建模方面，现阶段的研究成果主要包括多旅行商问题(Mutiple Traveling Salesman Problem, MTSP)模型、车辆路径问题(Vehicle Routing roblem, VRP)模型、混合整数线性规划(MixedInteger Linear Programming, MILP)模型等。
[0004]航迹规划算法大致可分为以下两大类:
[0005]1、确定性计算方法。确定性计算方法有基于极小值原理的和k*算法；启发式搜索A*算法优点是收敛性较强与运算快速等，缺点是它只能生成一条航迹，不适合那些需要多条参考航迹的任务要求。
[0006]2、随机搜索优化算法，包括有模拟退火算法、遗传算法和蚁群算法等。这类算法采用的思想是模拟自然界的物质变化过程，还有生物活动和进化的过程，具有许多的优点和特点，因此也被广泛的应用于航迹规划问题上。因为搜索空间的约束性并不能够限制遗传算法，也不需要优化函数的连续性和导数的存在等条件，还存在并行性，比较适合包含较多复杂约束和模糊信息的航迹规划问题；而蚁群算法由于具有动态特性，更加适应威胁环境的多变性。
[0007]具备随机特点的遗传算法、粒子群算法和蚁群算法等智能算法虽然全局性和局部性都很好，还能够生成多个解，一定程度上能够克服第一类方法的缺点和局限，但是计算量较大，收敛速度较慢，因此往往很难满足工程的实际需要。
[0008]Voronoi图法是以几何方法为依据的，全局规划特性较好，并不适合局部航迹的规划，缺点就是只能做二维平面规划和不适应战场环境的多变性。
[0009]为了克服上述方法的缺点，不断有一些新的自然启发的方法提出。[0010]比如Madhavan等人描述了利用几何规则产生无人机群合作的路径规划方法，参见 Madhavan S., Antonios T., Brian ff.Co-operative path planning ofmultiple UAVs using Dubins paths with clothoid arcs.Control EngineeringPracticel8 (2010) 1084 - 1092。Marinakis等人提出了基于蜜蜂交配优化算法的大规模路径规划方法，参见 Marinakis Y, Marinaki M, Dounias G.Honey bees matingoptimization algorithm for large scale vehicle routing problems[J].NaturalComputing, 2010,9(1):5-27.段海滨等人提出了基于混沌蜂群优化算法的无人机航迹规划优化算法，参见 “Xu, Chunfang, Duan, Haibin; Liu, Fang.Chaotic artificial bee colonyapproach to Uninhabited Combat Air Vehicle (UCAV) path planning.Aerospace Scienceand Technology, 14(8), p535_541, 2010”。胡中华等利用蜂群算法进行单个无人机航迹规划，参见胡中华，赵敏.基于人工蜂群算法的无人机航迹规划，研究传感器与微系统，2010年第3期:1_5。
[0011]目前，虽然有一些上述传统方法及包括蜂群优化在内的新型的智能优化算法用于无人机航迹规划问题，并已取得了一定的研究成果，但传统的无人机集群任务分配建模方法是从数学建模角度出发研究此类问题的，没有实现社会昆虫群体的优势；上述群体智能及进化计算等方法又没有真正从社会昆虫群体的自然本质出发来实现无人机集群的控制，且都没有用于多无人机航迹规划。都没有从模拟蜂群生物学行为的角度来解决无人机集群飞行中的协同控制、航迹规划、避碰等关键问题，仅仅从优化的角度出发，求出抽象的问题解，对实际问题作用有限。
[0012]将蜂群智能应用于无人机集群飞行模式研究比较新颖，具有非常重要的研究价值和意义
【发明内容】
[0013]本发明的目的在于提出一种提高多无人机协同执行任务的效率和安全性、可靠性的基于蜂群协同觅食算法的多无人机航迹规划方法。
[0014]本发明的目的是这样实现的:
[0015]基于蜂群协同觅食算法的多无人机航迹规划方法，包括如下步骤:
[0016](I)根据环境模型，初始化航迹规划任务的详细信息，进行坐标离散变换；
[0017](2)初始化蜂群协同觅食算法参数，包括搜索时间阈值T，迭代次数为K，初始化算法的搜索时间Bas=O,起始迭代次数K=I种群总数N，引领机数目N1和跟随机数目N2,N=NJN2 ；
[0018](3)根据无人机航迹参数，计算每架无人机的航迹路径的代价(j=l，2，3...，η), j k
fJ{w,x(j))= Σ JjiX(J)) ? x(j)为第」条航路，1(1(」))为航路规划目标中第i项航路
/=I、
规划目标罚函数，Oi为各个惩罚函数的权系数，j为无人机航迹序数，η为航迹总数，k为在评价函数中需要评价的总项数；
[0019](4)每架无人机根据当前的位置计算当前路径代价，如果当前路径代价比原路径代价低，更新无人机的位置:对于第i个无人机，产生在[1，D]的整数j，[!,NE]的整数k，第i个无人机的第j个参数用xi =xL+rajid(°MxL.?η)更换，计算更新参数后的新
的代价值并且选择一个低代价的无人机航迹作为新的航迹，#是无人机位置向量特征值，j e {I, 2，…，Q}，rand (O, I)是(O，I)上均匀分布的随机数，xmax, Xmin分别是Xi的上限值和下限值；
[0020](5)根据每架无人机的代价值，跟随机选择引领对象，每一个引领机招募一个跟随机，在引领机周围空间继续搜索新路径，重复步骤(4)，如果这个新路径比原路径代价低，那随机转化为引领机，更新每架无人机的位置，继续探测，搜索时间Bas重新置0，如果这个新路径比原路径代价高，保持继续搜索，Bas加I ;
[0021](6)如果搜索时间Bas大于确定的临界值，无人机放弃当前路径，搜索新路径，重新执行(2);
[0022](7)保存最优路径的参数并且计算最优值；
[0023](8)检查是否达到迭代次数上限，达到则结束搜索，否则重复步骤(4)到步骤(7)。初始化航迹规划任务的详细信息，进行坐标离散变换，包括第i个导航点用Ni的坐标为:
【权利要求】
1.一种基于蜂群协同觅食算法的多无人机航迹规划方法，其特征在于，包括如下步骤: (1)根据环境模型，初始化航迹规划任务的详细信息，进行坐标离散变换；(2)初始化蜂群协同觅食算法参数，包括搜索时间阈值T，迭代次数为K，初始化算法的搜索时间Bas=O,起始迭代次数K=I种群总数N，引领机数目N1和跟随机数目N2, N=N^N2 ； (3)根据无人机航迹参数，计算每架无人机的航迹路径的代价f"_(j=l, 2，3...，η), / k
2.根据权利要求1所述的一种基于蜂群协同觅食算法的多无人机航迹规划方法，其特征在于:所述的初始化航迹规划任务的详细信息，进行坐标离散变换，包括第i个导航点用Ni的坐标为:
【文档编号】G01C21/20GK103471592SQ201310228497
【公开日】2013年12月25日 申请日期:2013年6月8日 优先权日:2013年6月8日
【发明者】徐立芳, 莫宏伟, 雍升, 孙泽波, 胡嘉祺, 孟龙龙 申请人:哈尔滨工程大学