一种基于量子闪蝶机制的无人机集群协同路径规划方法

1.本发明属于无人机集群协同控制领域，涉及一种基于量子闪蝶机制的无人机集群协同路径规划方法，特别是一种考虑可变航速和同时到达约束下的基于量子闪蝶机制的无人机集群协同避障路径规划方法。


背景技术：

2.无人机是一种依靠程序自主操纵或受无线遥控的飞行器，在现代战争下多以集群形式协同活动，是新颖军事技术和新型武器平台的重要支撑。与单机路径规划方法相比，应用无人机集群协同路径规划方法所产生的航路对各机自身而言不一定是最优的，但相对于集群而言则是最优的。
3.近年来，已有学者对无人机集群协同路径规划方法进行了一定的研究。王翼虎等(王翼虎,王思明.基于改进粒子群算法的无人机路径规划[j].计算机工程与科学,2020,42(09):1690-1696.)针对单无人机三维避障路径规划问题，引入细菌觅食算法中的趋化和迁移操作来提高现有粒子群算法的全局寻优能力，最后使用改进后的粒子群算法求解该问题。夏瑞等(夏瑞,赵磊,吴书宇,李军.基于人工蜂群算法的无人机协同路径规划[j].无线互联科技,2018,15(13):13-21.)针对多无人机协同三维避障路径规划问题，引入非确定性搜索和双向规划机制来改进人工蜂群算法中的食物产生方式，进而在两种环境模型下搜索可飞航路。严飞等(严飞,祝小平,周洲,唐杨.考虑同时攻击约束的多异构无人机实时任务分配[j].中国科学:信息科学,2019,49(05):555-569.)针对侦察型/攻击型无人机集群对战区的搜索攻击任务规划问题，在航迹规划层面考虑无人机的运动学约束和同时攻击目标需求，提出了一种基于协同粒子群和协同函数、协同变量相结合的算法来进行求解。已有文献的检索结果表明，现有的无人机集群协同路径规划方法很少考虑集群无人机同时到达约束且无人机航速不可变，但在实际场景下，多要求集群无人机同时到达既定目标处去执行相应任务。此外，现有无人机集群协同路径规划方法中所使用的群智能优化算法仍然存在着计算复杂度高、收敛速度慢、收敛精度差和易于陷入局部极值等问题。


技术实现要素：

[0004]
针对上述现有技术，本发明要解决的技术问题是提供一种基于量子闪蝶机制的无人机集群协同路径规划方法，在避障要求下额外考虑可变航速和同时到达约束，收敛速度快，收敛精度高。
[0005]
为解决上述技术问题，本发明的一种基于量子闪蝶机制的无人机集群协同路径规划方法，包括以下步骤：
[0006]
步骤一：建立考虑可变航速和同时到达约束下的无人机集群协同路径规划模型；
[0007]
步骤二：建立考虑可变航速和同时到达约束下的无人机集群协同路径规划代价函数；
[0008]
步骤三：初始化量子闪蝶群并设定参数；
[0009]
步骤四：定义并计算量子闪蝶所散发气味；
[0010]
步骤五：根据量子闪蝶所散发气味值对全部量子闪蝶排序；
[0011]
步骤六：量子闪蝶依次执行直线逃生和曲线逃生过程，并在逃生过程中使用模拟量子旋转门来演化量子闪蝶的量子位置。
[0012]
步骤七：应用贪心选择策略，确定下一代量子闪蝶的量子位置。
[0013]
步骤八：演进终止判断，输出无人机集群航路与航速矩阵。
[0014]
进一步的，步骤一中建立考虑可变航速和同时到达约束下的无人机集群协同路径规划模型包括：
[0015]
设定无人机集群由n架无人机组成，无人机集群的属性集合a＝{v
min
,v
max
,α,ρ,m}，其中，v
max
和v
min
分别为集群无人机航速的上、下限，α为集群无人机活动方形区域边长，ρ为栅格等效比，m＝ceil(α/ρ)为等效栅格数，ceil(
·
)为向上取整函数；无人机n的属性集合其中，为无人机n的初位置，为无人机n的末位置，为无人机n的等效初位置，为无人机n的等效末位置，为无人机n的航路矩阵，为无人机n的航速矩阵，为无人机n途径航路点数，pn＝dn+2为无人机n总航路点数，n＝1,2,...,n；针对无人机n航路矩阵，令初航路点横坐标初航路点纵坐标末航路点横坐标末航路点纵坐标途径航路点其中，若满足则令τ＝1；若满足则令τ＝2，σ＝1,2,...,pn，n＝1,2,...,n，至此，模型中仅有个协同位置变量和个协同速度变量待优化求解。
[0016]
进一步的，步骤二中建立考虑可变航速和同时到达约束下的无人机集群协同路径规划代价函数包括：
[0017]
建立集群协同路径规划代价函数其中，q＝[q1,q2,...,qn]为集群航路矩阵，v＝[v1,v2,
…
,vn]为集群航速矩阵，为无人机n航程，
为无人机n航时，为集群最大航时，为集群最小航时；rn＝{rn(a,b)|rn(a,b)∈{0,1}}m×m为无人机n航路栅格矩阵，o＝{o
a,b
|o
a,b
∈{0,1}}m×m为障碍物矩阵，若某元素对应栅格内存有相应航路或障碍物时，该元素元素值为1；否则，元素值为0。
⊙
为矩阵点乘求和符号，λ1为同时到达约束惩罚因子，λ2为避障惩罚因子。
[0018]
进一步的，步骤三中初始化量子闪蝶群并设定参数包括：
[0019]
设定量子闪蝶群规模为h，最大迭代次数为g，迭代次数标号为整数g，第g次迭代时，第i只量子闪蝶在u维搜索空间中的量子位置其量子位置的第j维i＝1,2,...,h，j＝1,2,...,u，g＝1,2,...,g，u＝u1+u2，初代时g＝1，初代量子闪蝶量子位置的每一维均初始化为[0,1]区间内的均匀随机数。
[0020]
进一步的，步骤四中定义并计算量子闪蝶所散发气味包括：
[0021]
第g次迭代时，将全部量子闪蝶量子位置的每一维映射到连续解空间范围内，得到量子闪蝶量子位置的映射态映射方程定义为将第i只量子闪蝶量子位置的映射态进行切割重构后代入集群协同路径规划代价函数中得到代价函数值上标特指矩阵切割重构操作，其先将原矩阵按要求切割成若干元素序列，再将全部元素序列按要求填入相应无人机航路或航速矩阵中构成若干新矩阵，最后将若干新矩阵按要求重构为两个矩阵。其中，切割要求具体为：将中满足的序列元素按顺序作为无人机n航路矩阵中的待优化变量，将满足的序列元素按顺序作为无人机n航速矩阵中的待优化变量，n＝1,2,...,n；重构要求具体为：将各机航路矩阵按无人机编号顺序重构为集群航路矩阵将各机航速矩阵按无人机编号顺序重构为集群航速矩阵将第i只量子闪蝶量子位置映射态所对应的代价函数值代入气味散发函数可得第i只量子闪蝶在该位置处所散发的气味值其中，γ1为散发强度，γ2为散发模式。规定量子闪蝶所散发气味越大，量子闪蝶越有利于驱赶捕食者，进而成功逃生。
[0022]
进一步的，步骤五中根据量子闪蝶所散发气味值对全部量子闪蝶排序包括：
[0023]
将全部量子闪蝶按照所散发的气味由大到小的顺序排列，并规定所散发气味值最
大的量子位置为量子闪蝶群最优量子位置所散发气味值最小的量子位置为量子闪蝶群最差量子位置
[0024]
进一步的，步骤六中量子闪蝶依次执行直线逃生和曲线逃生过程，并在逃生过程中使用模拟量子旋转门来演化量子闪蝶的量子位置包括：
[0025]
(1)直线逃生：定义直线逃生下第i只量子闪蝶第j维量子位置的更新方程为其中，为直线逃生下第i只量子闪蝶第j维模拟量子旋转角，为[0,1]区间内的均匀随机数。第i只量子闪蝶直线逃生后其新产生量子位置
[0026]
(2)曲线逃生：定义曲线逃生下第i只量子闪蝶第j维量子位置的更新方程为其中，为曲线逃生下第i只量子闪蝶第j维模拟量子旋转角，为标准正态随机数，为[0,1]区间内的均匀随机数；第i只量子闪蝶曲线逃生后其新产生量子位置匀随机数；第i只量子闪蝶曲线逃生后其新产生量子位置
[0027]
进一步的，步骤七中应用贪心选择策略，确定下一代量子闪蝶的量子位置包括：
[0028]
计算全部量子闪蝶在原量子位置和新产生量子位置处所散发的气味值，在量子位置集合中贪婪选择气味值较大的量子位置作为下一代量子闪蝶的量子位置i＝1,2,...,h。
[0029]
进一步的，步骤八中演进终止判断，输出无人机集群航路与航速矩阵包括：
[0030]
判断是否达到最大迭代次数g，若未达到，则令g＝g+1，返回步骤五；若达到，则终止机制演进，将最后一代量子闪蝶群最优量子位置映射态进行切割重构后输出。
[0031]
本发明的有益效果：与现有技术相比，本发明在避障要求下额外考虑可变航速和同时到达约束，设计了一种低复杂度的无人机集群协同避障路径规划方法，并建立考虑航速可变和同时到达约束下的无人机集群协同任务路径规划模型和代价函数。为实现模型的后续求解，本发明设计了量子闪蝶优化机制进行高效求解，其仿生于闪蝶逃生过程，并基于气味散发机理、逃生飞行路线以及模拟量子旋转门来演化量子闪蝶量子态，提高闪蝶群在捕食者追捕下的逃生概率，收敛速度快、收敛精度高且实现简单、参数较少。本发明所提方法可为集群各无人机规划出一条合理航路，并给出各机相应航路段的最优航速。仿真实验证明了考虑可变航速和同时到达约束下的基于量子闪蝶机制的无人机集群协同路径规划方法的有效性，扩宽了现有方法的应用场景。
附图说明
[0032]
图1本发明所设计的基于量子闪蝶机制的无人机集群协同路径规划方法示意图。
[0033]
图2无人机集群中各机所规划航路图。
[0034]
图3无人机集群协同路径规划代价函数值与机制演进次数关系曲线。
具体实施方式
[0035]
下面结合说明书附图和实施例对本发明做进一步说明。
[0036]
结合图1，本发明设计了一种考虑可变航速和同时达到约束下的基于量子闪蝶机制的无人机集群协同路径规划方法，包括以下步骤：
[0037]
步骤一：建立考虑可变航速和同时到达约束下的无人机集群协同路径规划模型。
[0038]
如图2所示，设定无人机集群由n架无人机组成。无人机集群的属性集合a＝{v
min
,v
max
,α,ρ,m}，其中，v
max
和v
min
分别为集群无人机航速的上、下限，α为集群无人机活动方形区域边长，ρ为栅格等效比，m＝ceil(α/ρ)为等效栅格数，ceil(
·
)为向上取整函数。无人机n的属性集合其中，为无人机n的初位置，为无人机n的末位置，为无人机n的等效初位置，为无人机n的等效末位置，为无人机n的航路矩阵，为无人机n的航速矩阵，为无人机n途径航路点数，pn＝dn+2为无人机n总航路点数，n＝1,2,...,n。针对无人机n航路矩阵，令初航路点横坐标初航路点纵坐标末航路点横坐标末航路点纵坐标途径航路点其中，若满足则令τ＝1；若满足则令τ＝2，σ＝1,2,...,pn，n＝1,2,...,n。至此，模型中仅有个协同位置变量和个协同速度变量待优化求解。
[0039]
步骤二：建立考虑可变航速和同时到达约束下的无人机集群协同路径规划代价函数。
[0040]
建立集群协同路径规划代价函数其中，q＝[q1,q2,...,qn]为集群航路矩阵，v＝[v1,v2,...,vn]为集群航速矩阵，为无人机n航程，
为无人机n航时，为集群最大航时，为集群最小航时。rn＝{rn(a,b)|rn(a,b)∈{0,1}}m×m为无人机n航路栅格矩阵，o＝{o
a,b
|o
a,b
∈{0,1}}m×m为障碍物矩阵，若某元素对应栅格内存有相应航路或障碍物时，该元素元素值为1；否则，元素值为0。
⊙
为矩阵点乘求和符号，λ1为同时到达约束惩罚因子，λ2为避障惩罚因子。
[0041]
步骤三：初始化量子闪蝶群并设定参数。
[0042]
设定量子闪蝶群规模为h，最大迭代次数为g，迭代次数标号为整数g。第g次迭代时，第i只量子闪蝶在u维搜索空间中的量子位置其量子位置的第j维i＝1,2,...,h，j＝1,2,...,u，g＝1,2,...,g，u＝u1+u2。初代时g＝1，初代量子闪蝶量子位置的每一维均初始化为[0,1]区间内的均匀随机数。
[0043]
步骤四：定义并计算量子闪蝶所散发气味。
[0044]
第g次迭代时，将全部量子闪蝶量子位置的每一维映射到连续解空间范围内，得到量子闪蝶量子位置的映射态映射方程定义为将第i只量子闪蝶量子位置的映射态进行切割重构后代入集群协同路径规划代价函数中得到代价函数值上标特指矩阵切割重构操作，其先将原矩阵按要求切割成若干元素序列，再将全部元素序列按要求填入相应无人机航路或航速矩阵中构成若干新矩阵，最后将若干新矩阵按要求重构为两个矩阵。其中，切割要求具体为：将中满足的序列元素按顺序作为无人机n航路矩阵中的待优化变量，将满足的序列元素按顺序作为无人机n航速矩阵中的待优化变量，n＝1,2,...,n；重构要求具体为：将各机航路矩阵按无人机编号顺序重构为集群航路矩阵将各机航速矩阵按无人机编号顺序重构为集群航速矩阵将第i只量子闪蝶量子位置映射态所对应的代价函数值代入气味散发函数可得第i只量子闪蝶在该位置处所散发的气味值其中，γ1为散发强度，γ2为散发模式。规定量子闪蝶所散发气味越大，量子闪蝶越有利于驱赶捕食者，进而成功逃生。
[0045]
步骤五：根据量子闪蝶所散发气味值对全部量子闪蝶排序。
[0046]
将全部量子闪蝶按照所散发的气味由大到小的顺序排列，并规定所散发气味值最
大的量子位置为量子闪蝶群最优量子位置所散发气味值最小的量子位置为量子闪蝶群最差量子位置
[0047]
步骤六：量子闪蝶依次执行直线逃生和曲线逃生过程，并在逃生过程中使用模拟量子旋转门来演化量子闪蝶的量子位置。
[0048]
(1)直线逃生：定义直线逃生下第i只量子闪蝶第j维量子位置的更新方程为其中，为直线逃生下第i只量子闪蝶第j维模拟量子旋转角，为[0,1]区间内的均匀随机数。第i只量子闪蝶直线逃生后其新产生量子位置
[0049]
(2)曲线逃生：定义曲线逃生下第i只量子闪蝶第j维量子位置的更新方程为其中，为曲线逃生下第i只量子闪蝶第j维模拟量子旋转角，为标准正态随机数，为[0,1]区间内的均匀随机数。第i只量子闪蝶曲线逃生后其新产生量子位置匀随机数。第i只量子闪蝶曲线逃生后其新产生量子位置
[0050]
步骤七：应用贪心选择策略，确定下一代量子闪蝶的量子位置。
[0051]
计算全部量子闪蝶在原量子位置和新产生量子位置处所散发的气味值。在量子位置集合中贪婪选择气味值较大的量子位置作为下一代量子闪蝶的量子位置中贪婪选择气味值较大的量子位置作为下一代量子闪蝶的量子位置
[0052]
步骤八：演进终止判断，输出无人机集群航路与航速矩阵。
[0053]
判断是否达到最大迭代次数g，若未达到，则令g＝g+1，返回步骤五；若达到，则终止机制演进，将最后一代量子闪蝶群最优量子位置映射态进行切割重构后输出。
[0054]
在仿真实验中，设定n＝5，v
min
＝10m/s，v
max
＝20m/s，α＝100m，ρ＝5m/格，＝20m/s，α＝100m，ρ＝5m/格，＝20m/s，α＝100m，ρ＝5m/格，λ1＝20，λ2＝50，障碍物设置参考图2。实验次数为20，实验结果作统计平均。
[0055]
在图3中，本发明所设计的基于量子闪蝶机制的无人机集群协同路径规划方法记作qmbo；基于改进粒子群机制的无人机集群协同路径规划方法记作psoi，具体参考于：王翼虎,王思明.基于改进粒子群算法的无人机路径规划[j].计算机工程与科学,2020,42(09):1690-1696。在qmbo中，设定h＝20，g＝100，γ1＝1.5，γ2＝-1；在psoi中，设定粒子数为20，最大迭代次数为100，迁移概率为0.25，惯性权重为0.9，粒子最大速度为2，粒子最小速度
为-2，每次迭代中粒子趋化和迁移次数为1。从图2-图3中可以看出，本发明所设计的基于量子闪蝶机制的无人机集群协同路径规划方法简单高效低复杂度，可以应用于工程实际。