本发明涉及无人机，具体为一种基于混合优化算法的多无人机协同航迹规划方法。
背景技术：
1、无人机以其伤亡小、性价比高等优势，在军事和民用领域发挥着越来越重要的作用，被广泛应用于执行搜索、救援、交通管制和通信中继等任务，但近年来，受单架无人机性能和载荷的制约，使得多架无人机协同执行任务目前成为趋势，因此，无人机航迹规划问题最终还是要回归到对无人机协同航迹规划的分析，相较于单无人机的情况，在多无人机系统中，航迹规划的场景变得更加复杂，因为多架无人机必须协调它们的飞行任务以实现共同目标，多无人机协同航迹规划会存在规划时间长的问题，以及协同性不强，即无人机之间存在干扰碰撞，路径冲突的问题；
2、同时，多无人机航迹规划依赖于实时进行，以确保无人机能够实时响应可能变化的条件以及避障，这需要能够快速做出决策的快速算法，目前对于多无人机航迹规划主流算法包括a*算法和人工势场算法等，作为传统的基于图形算法，a*算法和人工势场算法可以保证并快速获得一个全局最优解，即从起点到目标区域的最短最优路径，并能够对环境的变化做出快速响应，但是在面临更加大型和复杂的环境中，这些传统的算法会需要大量的计算，致使速度变得缓慢，无法适应任务需求，因此，新兴的元启发式算法也逐渐被应用于多无人机航迹规划这一大规模，非线性的组合优化问题，例如遗传算法，粒子群算法，萤火虫算法以及蚁群算法；
3、其中，蚁群算法作为一种受蚂蚁群觅食启发的智能集群算法，具有适用范围广，并行度强的特点，因此逐渐被应用于类似多无人机协同的航迹规划这样大且复杂的非线性组合优化问题。能够解决多无人机的路径冲突以及多目标难以优化的问题，但是蚁群算法并非没有局限性。该算法依赖于信息素，解决方案的质量也可能会受到信息素轨迹更新方式的影响。此外，蚁群可能容易过早收敛，这意味着如果未彻底探索此搜索空间，它可能会找到次优解决方案。现有一种信息素改进的蚁群算法应用于多无人机协同航迹规划问题，成功改善了搜索空间以及路径冲突的问题，然而，该方案的路劲规划时间较长，且并没能体现无人机之间的协同性的问题本技术现提出一种基于混合优化算法的多无人机协同航迹规划方法。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本发明提供了一种基于混合优化算法的多无人机协同航迹规划方法，具备避免无人机之间碰撞与路径冲突的基础上，进一步减少其规划时间，体现其协同与效率也成为了多无人机协同航迹规划的重点的优点。
3、(二)技术方案
4、为实现上述目的，本发明提供如下技术方案：一种基于混合优化算法的多无人机协同航迹规划方法，包括对无人机飞行约束条件分析、无人机干扰代价函数分析、航迹点与转角平滑度代价分析、无人机威胁回避代价函数分析、协同规划代价函数分析；
5、所述多无人机协同航迹规划方法包含以下步骤：
6、s101、构建目标函数模型；
7、s102、根据环境模型与无人机飞行条件进行约束条件分析；
8、s103、再根据邻近无人机的相对位置和速度计算干扰代价；
9、s104、分析计算航迹点平滑度产生的代价函数；
10、s105、以航迹点与转角平滑度代价分析；
11、s106、设定无人机可能面临的威胁，从无人机威胁代价回避的考虑，得到威胁回避代价函数；
12、s107、最后建立总目标函数；
13、所述基于混合优化算法的多无人机协同航迹规划方法采用多无人机协同航迹规划的混合优化算法，所述混合优化算法包含以下步骤：
14、s201、基于改进蚁群算法的路径初始搜索；
15、s202、路径的混合优化。
16、优选的，所述根据环境模型与无人机飞行条件进行约束条件分析，计划多无人机航迹规划中协同航迹规划考虑为环境中为每架位于不同起始区域的无人机规划出独特的航迹曲线。
17、优选的，所述通过距离约束地分析，可以初步避免无人机之间的干扰情况，但是在实际情况下，无人机尽管没有发生碰撞的危险，但本身在协同飞行过程中仍然不可避免产生各种来自临近无人机的干扰代价，考虑无人机之间的位置和速度等信息来计算干扰代价。
18、优选的，所述步骤s202、路径的混合优化包含种群与参数的初始化、改进蚁群算法的局部搜索生成初始解、使用遗传算法进一步优化初始路径、迭代重复，具体步骤如下：
19、s2021、对混合算法的参数与种群进行初始化；
20、s2022、使用改进蚁群算法生成一组初始优化的候选路径集合，作为遗传算法的初始种群；
21、s2023、对初始种群进行编码，选择，交叉，变异操作得到新的种群，即优化后的路径解；
22、s2024、对遗传算法新得到的种群，再使用蚁群算法进行搜索，并将新的解加入到遗传算法的种群中；
23、s2025、重复s2022到s2024的步骤，直到满足终止条件为止；
24、s2026、输出混合算法得到的全局最优解，即最终优化得到的最佳多无人机航迹规划的航迹路径曲线。
25、优选的，该基于快收敛混合算法的航迹规划方法采用fch-acga算法，所述fch-acga算法包含无人机初始化搜索阶段、无人机混合搜索阶段、平滑处理阶段，所述无人机初始化搜索阶段具体步骤如下：
26、s301、对fch-acga算法基本参数进行初始化：包括对蚂蚁种群大小j及位置、信息素挥发系数、信息素初始浓度、可见度初始大小、随机因子等进行初始化；
27、s302、计算每只蚂蚁的初始可见度η，开始第一次迭代；
28、s303、计算改进后的状态转移概率，并根据当前迭代次数，计算动态信息素挥发系数大小；
29、s304、计算当前随机扰动后的信息素浓度，更新每条路径的信息素浓度并获得当前可行解；
30、s305、重复s302到s304，直到满足终止条件为止，生成一个初始解，完成第一次循环，并再度重复上述步骤，直到生成满足条件的一组初始解。
31、优选的，所述无人机混合搜索阶段包含以下步骤：
32、s401、将当前生成的初始解作为候选路径，视为初始“染色体”，并计算每条路径的适应度；
33、s402、依据轮盘赌策略，即按照适应度大小将种群中的个体随机地选择出来。将这些合适路径进行单点交叉与变异操作，生成新的种群即路径；
34、s403、将新生成的路径再通过阶段1的步骤进行计算，并将得到的解再放入混合搜索阶段进行计算；
35、s404、重复s401到s403直到满足终止条件为止，输出最终优化的航迹路线。
36、优选的，所述平滑处理阶段包含以下步骤：
37、s501、将当前生成的航迹路线中曲率转角较大的地方设置为控制点pi，并选择每相邻的四个点{pi,pi+1,pi+2,pi+3}，作为当前计算的四个控制点；
38、s502、计算四个控制点之间的两条三次贝塞尔曲线，分别连接(pi,pi+1),(pi+1,pi+2),(pi+2,pi+3)；
39、s503、将两条贝塞尔曲线的中间点作为当前航点的位置；
40、s504、重复s501到s503直到计算出所有航点的位置。输出最终平滑处理后的优化多无人机航迹曲线。
41、与现有技术相比，本发明提供了一种基于混合优化算法的多无人机协同航迹规划方法，具备以下有益效果：
42、1、该基于混合优化算法的多无人机协同航迹规划方法，在基于改进蚁群算法的路径初始搜索阶段，本方案结合改进的蚁群算法实现无人机进行路径搜索，得到初始的全局最优解，同时为了尽可能降低陷入局部最优的概率，通过创建动态状态转移策略，提出自适应信息素挥发系数以及引入随机因子对迭代更新的信息素进行扰动，对蚁群算法本身进行改进，扩大无人机搜索路径的范围，减少陷入早熟收敛的概率，减少初始路径为局部最优解的问题；
43、2、该基于混合优化算法的多无人机协同航迹规划方法，在避免无人机之间碰撞与路径冲突的基础上，进一步减少其规划时间，体现其协同与效率也成为了多无人机协同航迹规划的重点，因此，本发明针对上述问题，提出了一种多无人机的混合协同航迹规划方案，该方案对无人机之间的干扰碰撞与协同规划等情况进行代价分析，得到一组待优化的目标函数，将问题转化为一个组合最优化问题，并结合改进的蚁群算法生成一组候选路径，并继续通过改进蚁群与遗传算法的混合算法得到最终优化的路径，并通过贝塞尔曲线进行平滑处理；
44、3、该基于混合优化算法的多无人机协同航迹规划方法，本发明针对多无人机协同航迹规划这一多目标组合优化函数问题，提出了一种基于快收敛混合算法的航迹规划方案，即fch-acga算法，算法目标在于为复数架无人机在敏感准战场环境下规划出一条可行的优化路径，同时尽可能保证所求路径为全局最优解的情况下提高收敛效率。算法总体流程分为以下三大步，首先是结合改进的蚁群算法为无人机搜索出可行的候选路径集合；然后这一组候选路径作为一组初始解，在接下来的遗传算法中充当初始“染色体”，并以此得到遗传算法优化后的一组路径，之后通过两个算法的混合优化迭代直到满足终止条件为止，得到一条全新的全局优化航迹曲线，再通过贝塞尔曲线的数学方法平滑机制进行平滑处理，提高无人机在飞行时的稳定性和安全性。