CN118276604B - 基于豆芫菁群机制的多无人机航迹规划方法及系统 - Google Patents
基于豆芫菁群机制的多无人机航迹规划方法及系统 Download PDFInfo
- Publication number
- CN118276604B CN118276604B CN202410363847.XA CN202410363847A CN118276604B CN 118276604 B CN118276604 B CN 118276604B CN 202410363847 A CN202410363847 A CN 202410363847A CN 118276604 B CN118276604 B CN 118276604B
- Authority
- CN
- China
- Prior art keywords
- threat
- node
- unmanned aerial
- aerial vehicle
- bean
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000007246 mechanism Effects 0.000 title claims abstract description 26
- DHZBEENLJMYSHQ-XCVPVQRUSA-N cantharidin Chemical compound C([C@@H]1O2)C[C@@H]2[C@]2(C)[C@@]1(C)C(=O)OC2=O DHZBEENLJMYSHQ-XCVPVQRUSA-N 0.000 claims abstract description 52
- 229940095758 cantharidin Drugs 0.000 claims abstract description 52
- 229930008397 cantharidin Natural products 0.000 claims abstract description 52
- DHZBEENLJMYSHQ-UHFFFAOYSA-N cantharidine Natural products O1C2CCC1C1(C)C2(C)C(=O)OC1=O DHZBEENLJMYSHQ-UHFFFAOYSA-N 0.000 claims abstract description 52
- 235000013527 bean curd Nutrition 0.000 claims abstract description 13
- 239000006185 dispersion Substances 0.000 claims abstract description 7
- 238000012546 transfer Methods 0.000 claims abstract description 5
- 239000003016 pheromone Substances 0.000 claims description 47
- 235000011293 Brassica napus Nutrition 0.000 claims description 30
- 240000008100 Brassica rapa Species 0.000 claims description 30
- 235000000540 Brassica rapa subsp rapa Nutrition 0.000 claims description 30
- 235000010627 Phaseolus vulgaris Nutrition 0.000 claims description 25
- 244000046052 Phaseolus vulgaris Species 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000007792 addition Methods 0.000 claims description 3
- 230000001010 compromised effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 2
- 230000037361 pathway Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- ZKIXACXWZQFVAB-MUCJXJSVSA-N 2-(4-hydroxyphenyl)-7-methoxy-5-[(2s,3r,4s,5s,6r)-3,4,5-trihydroxy-6-[[(2s,3r,4s,5r)-3,4,5-trihydroxyoxan-2-yl]oxymethyl]oxan-2-yl]oxychromen-4-one Chemical group C([C@H]1O[C@H]([C@@H]([C@@H](O)[C@@H]1O)O)OC=1C=C(C=C2C=1C(C=C(O2)C=1C=CC(O)=CC=1)=O)OC)O[C@@H]1OC[C@@H](O)[C@H](O)[C@H]1O ZKIXACXWZQFVAB-MUCJXJSVSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004387 environmental modeling Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007176 multidirectional communication Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/60—Intended control result
- G05D1/69—Coordinated control of the position or course of two or more vehicles
- G05D1/695—Coordinated control of the position or course of two or more vehicles for maintaining a fixed relative position of the vehicles, e.g. for convoy travelling or formation flight
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D2109/00—Types of controlled vehicles
- G05D2109/20—Aircraft, e.g. drones
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种基于豆芫菁群机制的多无人机航迹规划方法及系统，属于无人机规划技术领域。为了解决在面对城市防护和调度任务时，现有无人机航迹规划方法复杂、搜索速度慢、威胁代价大、抗干扰和抗噪声能力差，且受不同威胁时判定不明确的问题。本发明仿生于豆芫菁群在捕食途中遇到外部威胁时分泌斑蝥素对后来群体的警示作用，引入分级制度，并结合威胁因子和弥散因子定义转移概率，平衡了最小威胁代价和最短路径条件下的从起点到终点的最优航迹，保证了在多威胁条件下路径规划的安全性和有效性，使得基于豆芫菁群的无人机集群航迹规划更倾向于综合威胁较小，航行代价较低的路径。
Description
技术领域
本发明涉及无人机路径规划技术领域，具体而言，涉及一种基于豆芫菁群机制的多无人机航迹规划方法及系统。
背景技术
无人机集群路径规划技术是无人机实现自主避障且自主决策完成既定任务的关键技术之一。由于城市建设的多样性与气候变化的复杂性，在无人机执行城市资源调度和城市防护任务时，面临多方位的通讯压力和多层次的威胁，影响无人机集群的任务实现，为了满足飞行任务的执行条件，需要设计出综合最小威胁代价和最短路径条件下的从起点到终点的若干条航迹，并综合评估一条最优飞行航迹。另一方面，针对城市中复杂多变的环境因素和人为电磁影响因素，要求无人机集群在执行任务时必须实时做出相应决策改变，以降低飞行代价，从而有效地规避威胁，提高作业的效率和准确度，为推进智慧城市建设、加强城市防卫、加速物资调度流通具有重要意义和价值。
通过对现有技术文献的检索发现，苟进展等在《控制与决策》(2023,38(05)：1464-1472)上发表的“基于群智能-一致性理论的无人机编队全过程飞行航迹规划方法”提出改进的多步优化粒子群算法，并引入模型预测控制滚动优化航路点使得规划方法更适用于编队飞行，但该算法搜索速度慢，计算量大，难以保证算法在求解最优航迹时的实时性。郑锴等在《电光与控制》(2022,29(10):7-11+101)上发表的“基于改进A*算法的无人机任务分配和航迹规划优化方法”将改进的A*算法运用到航迹规划中实现航迹寻优，应用三次B样条曲线法进行航迹平滑实现了局部航迹动态规划，但计算复杂，威胁代价大，难以保证在最小的威胁代价下寻找到最优路径。潘楠等在《信息与控制》(2022,51(04):411-422)上发表的“面向城市巡防的多无人机协同航迹规划”提出基于Levy飞行策略的混合差分乌鸦搜索算法(LDCSA)，将剪枝处理和Logis-tic混沌映射机制加入快速遍历随机树(rapidly-exploringrandom trees，RRT)算法中，并通过改进的RRT算法进行航迹初始化，提高了算法的全局收敛性，缩短了收敛时间，但算法复杂度高，消耗算力资源大，在处理针对高复杂度影响因素的城市的路径规划问题时可能会性能下降。顾海艳等在《计算机工程与应用》(2021,57(23):270-279)上发表的“基于模型预测控制的无人机时空协同航迹规划”建立了由MPC(Model Predictive Control，)控制器、空间协同模块和时间协同模块组成的多无人机分布式时空协同航迹规划框架结构，解决了分布式时空协同问题的动作一致性问题，但模型预测和建立依赖于采样时刻的状态和参考信息，且干扰和测量噪声对模型的建立和预测的影响较大，不利于解决实际复杂环境下的无人机航迹规划问题。
已有的文献检索结果表明，现有的无人机航迹规划存在着环境建模复杂度低，算法复杂度高，算法搜索速度慢，威胁代价大，抗干扰和抗噪声能力差等问题；且对于城市防护和调度的无人机航迹规划问题缺乏高效的解决方案，对无人机执行任务时受到的不同等级的威胁判定不明确。因此设计了豆芫菁机制来求解最优的无人机群航行路径，对智慧城市的建设和城市调度与防护具有现实意义。
发明内容
本发明要解决的技术问题是：
为了解决在面对城市防护和调度任务时，现有无人机航迹规划方法复杂、搜索速度慢、威胁代价大、抗干扰和抗噪声能力差，且受不同威胁时判定不明确的问题。
本发明为解决上述技术问题所采用的技术方案：
本发明提供了一种基于豆芫菁群机制的多无人机航迹规划方法，对威胁进行标记并分级，利用经验信息素和斑蝥素浓度来选择路径，包括以下步骤：
S100、建立基于栅格法的二维规划空间模型；
S200、建立包含无人机自身约束和飞行综合代价的无人机集群航迹规划模型，并初始化飞行起点和终点，设立Flag向量标记威胁的类型；
S300、初始化豆芫菁群并设定相应参数，所述参数包括经验信息素浓度、经验信息素矩阵、经验信息素增加强度、经验信息素重要程度、启发因子重要程度、经验信息素挥发系数、斑蝥素浓度、斑蝥素权重、斑蝥素矩阵、威胁强度因子和斑蝥素弥散因子；初始化后，获得当前节点至下一节点的经验信息素浓度差、斑蝥素浓度差、当前节点的代价及启发因子；
S400、将豆芫菁群分配到初始节点，标记斑蝥素威胁感知因子和标记向量后，获得豆芫菁群的路径集合；
S500、豆芫菁群根据状态转移策略选择下一节点并进行转移，根据Flag向量判断威胁等级并调整下一代转移概率，重复本步骤直至访问节点为航迹中点，获得航迹集合；
S600、根据威胁强度因子和弥散因子更新全局经验信息素和斑蝥素，判断是否达到设定的最大迭代次数，若是，则迭代终止，得到无人机数量的从起点到终点的无人机航迹映射在坐标系中作为规划路径输出；若不是，则重复S500-S600至达到最大迭代次数后终止。
进一步地，在S100中，设规划空间起始坐标为终止坐标为设网格大小为l×w，其中l为网格的长，w为网格的宽，则可得规划空间的栅格行数为规划空间的栅格列数为可得总节点数量N＝Row×Col，设第i个节点的坐标为
进一步地，在S200中，具体包括，
S210、设第g条无人机航迹的起始坐标为终点坐标为所受到三种潜在威胁的数目定义为其中，为高层建筑物威胁的数目，为恶劣天气威胁的数目，为电磁干扰威胁的数目；
设高层建筑物威胁范围为正方形，恶劣天气威胁和电磁干扰威胁范围均为半径不同的圆形，第u个高层建筑物威胁中心点坐标为其中，1≤u≤(dhb/2)；第v个恶劣天气威胁中心点坐标为其中，1≤v≤dsw；第q个电磁干扰威胁中心点坐标为其中，1≤q≤dem；高层建筑物威胁的边长为dhb，恶劣天气威胁的半径为dsw，电磁干扰威胁的半径为dem；
则第i个节点受到的总代价可表示为，
其中，是第i个节点受到的威胁代价的总和，其中i＝0,1,2,…,N；是第i个节点受到第u个高层建筑物威胁的威胁代价，其中为第i个节点距离第u个高层建筑物威胁中心的距离；是第i个节点受到第v个恶劣天气威胁的威胁代价，其中为第i个节点距离第v个恶劣天气威胁中心的距离；是第i个节点受到第q个电磁干扰威胁的威胁代价，其中为第i个节点距离第q个电磁干扰威胁中心的距离；δhb、δsw和δem分别为三种威胁的威胁代价和的权重，且δhb∈[0,1]，δsw∈[0,1]，δem∈[0,1]，δhb+δsw+δem＝1；
S220、对无人机集群的航迹起点和终点进行初始化，设第g条无人机航迹的起始坐标为终点坐标为设无人机总数目为G，则1≤g≤G；
S230、设威胁为其中，代表高层建筑物威胁，代表恶劣天气威胁，代表电磁干扰威胁；
设Flag向量标记是否受到Ter的威胁，得到Flag＝[Flag(1),Flag(2),Flag(3)]，其中，Flag(1)代表是否检测到高层建筑物威胁，Flag(2)代表是否检测到恶劣天气威胁，Flag(3)代表是否检测到电磁干扰威胁；
定义威胁感知因子为θ＝[θhb,θsw,θem]，记，
其中，Pd为威胁感知距离，和分别对应三种威胁的感知距离；
当时，Flag(1)＝1，否则Flag(1)＝0；当时，Flag(2)＝1，否则Flag(2)＝0；当时，Flag(3)＝1，否则Flag(3)＝0。
进一步地，在S300中，具体包括，
初始化第t代当前节点vt到下一节点et的经验信息素浓度其中，1≤vt≤N，1≤et≤N，t为迭代次数，得到经验信息素的N×N矩阵
初始化经验信息素增加强度Qτ；经验信息素重要程度ατ；启发因子重要程度β；经验信息素挥发系数ρτ；
初始化第t代当前节点vt到下一节点et的斑蝥素浓度斑蝥素权重为λ；得到斑蝥素的N×N矩阵设威胁强度因子为φ＝[φ(1),φ(2),φ(3)]；斑蝥素弥散因子为ζ＝[ζ(1),ζ(2),ζ(3)]；其中，斑蝥素的威胁因数设斑蝥素因数为
初始时设t＝0，初始第t代从当前节点到下一节点经验信息素浓度差得到，
初始第t代从当前节点到下一节点斑蝥素浓度差得到，
计算第i个节点受到的代价其中，
第i个节点的启发因子
进一步地，在S400中，具体包括，
S410、读取起点坐标第t代第g条无人机航迹起点编号为终点编号为第t代豆芫菁当前节点编号记为其相邻结点的集合为
S420、将第t代k只豆芫菁置于起点，即使在起点加入第t代k只豆芫菁斑蝥素威胁感知因子θ＝[θhb,θsw,θem]和标记向量Flag＝[Flag(1),Flag(2),Flag(3)]，当感知到威胁时进行威胁类型标记，并将起点的编号加入第t代k只豆芫菁的路径集合中。
进一步地，在S500中，具体包括，
S510、寻找毗邻节点，将每个节点中的八个相邻节点中排除不能直接到达的对角节点，其余四个节点构成可访问集合设为可访问集合中第j个节点的威胁感知距离，若则删除的第j个节点得到更新后的第t代k只豆芫菁的可访问集合
S520、判断S510获得的可访问集合是否为空，若为空，则执行S550；若不为空，则继续执行S530；
S530、设第t代k只豆芫菁可访问节点集个数为对于第t代第k只豆芫菁可访问的第n个节点有其状态转移概率为，
其中，为第t代第k只豆芫菁可访问的第n个节点的经验信息素浓度，为第t代第k只豆芫菁可访问的第n个节点的启发因子，为第t代第k只豆芫菁可访问的第n个节点途径路径g的斑蝥素浓度；
根据轮盘赌法选择出第t代k只豆芫菁待访问的第n个节点集将待访问节点编号记为
S540、判断S530获得的第t代k只豆芫菁待访问节点的是否为第t代第g条航迹的终点其中g＝1,2,3,…,G，若则加入终点编号至中，继续执行S550；否则令然后将编号加入中，返回S510继续执行；
S550、若k＝K，执行下一步；否则返回S410，重复S400-S500。
进一步地，在S600中，具体包括，
S610、选出第t代中豆芫菁所经过的最短路径计算第t代最短路径长度Lt得到最短路径的综合代价为
其中，为最短路径上的威胁代价之和，为最短路径上的资源消耗代价，具体表现为油耗，设每千米的单位油耗为h0，则
S620、根据历史知识更新经验信息素和斑蝥素，第t+1代经验信息素的增量为，
对经验信息素进行全局更新后为，
第t+1代斑蝥素的增量为，
对斑蝥素进行全局更新后为，
基于豆芫菁群机制的多无人机航迹规划系统，该系统具有与上述步骤对应的程序模块，运行时执行上述的基于豆芫菁群机制的多无人机航迹规划方法中的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现基于豆芫菁群机制的多无人机航迹规划方法的步骤。
相较于现有技术，本发明的有益效果是：
本发明一种仿生与豆芫菁觅食时遇到外部威胁分泌斑蝥素进行威胁标记行为的无人机集群航迹规划模型，通过威胁分级制度对每一种潜在威胁进行分类识别，从而有效规避威胁，有利于跳出局部最优解，针对性解决了城市建设中利用无人机集群进行物资调度或灾情营救的航迹规划问题。
设置的威胁代价包括高层建筑物威胁代价，电磁干扰代价，恶劣天气威胁代价以及无人机自身的资源代价，有效提升了无人机集群进行航迹规划的抗噪声性能，平衡了最小综合代价和最短路径条件下的从起点到终点的最优路径，保证了在多威胁情况下无人机集群航行的安全性和有效性。
同时，通过历史经验信息的引导和威胁信息的约束，保证了求解的最优航迹的先进性，使得所设计的方法能够快速收敛于最优解。此外，本发明不但可实现单无人机航迹规划，也可解决多无人机从起点到多个终点的多路航迹规划问题，具有更强的普适性。
附图说明
图1为本发明实施例中基于豆芫菁群机制的多无人机航迹规划方法的流程图；
图2为本发明实施例中本方法与经典蚁群算法进行航迹规划的航迹对比图；
图3为本发明实施例中利用本方法进行多无人机从不同起点到相同终点的多无人机航迹规划图。
附图说明：
图2中的EHA为本发明的基于豆芫菁群机制的多无人机航迹规划方法，ACO为经典蚁群算法。
具体实施方式
在本发明的描述中，应当说明的是，各实施例中的术语名词例如“上”、“下”、“前”、“后”、“左”、“右”等指示方位的词语，只是为了简化描述基于说明书附图的位置关系，并不代表所指的元件和装置等必须按照说明书中特定的方位和限定的操作及方法、构造进行操作，该类方位名词不构成对本发明的限制。
在本发明的描述中，应当说明的是，在本发明的实施例中所提到的术语“第一”、“第二”、“第三”仅用于描述目的，并不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者多个该特征。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
具体实施方案一：结合图1所示，本发明提供一种基于豆芫菁群机制的多无人机航迹规划方法，包括以下步骤：
S100、建立基于栅格法的规划空间模型，
对于智慧城市的无人机集群进行航迹规划从而规避障碍和潜在威胁，本发明对城市规划空间做出如下假设：在进行城市威胁防控和资源调度时，无人机集群的可到达的高度范围是有限的，因此为简化模型复杂度，近似将无人机群飞行轨迹视为同一平面，在二维空间内求解存在多类威胁和障碍前提下的无人机航迹规划问题，
因此，设规划空间起始坐标为终止坐标为设网格大小为l×w，其中l为网格的长，w为网格的宽，则可得规划空间的栅格行数为规划空间的栅格列数为即可得总节点数量N＝Row×Col，对节点进行编号，设第i个节点的坐标为顺序为由下到上，由左到右；
S200、建立包含无人机自身约束和飞行综合代价的无人机集群航迹规划模型，并初始化飞行起点和终点，设立Flag向量标记威胁的类型，具体包括，
S210、设第g条无人机航迹的起始坐标为终点坐标为所受到三种潜在威胁的数目定义为其中，为高层建筑物威胁的数目，为恶劣天气威胁的数目，为电磁干扰威胁的数目；
假设高层建筑物威胁范围为正方形，恶劣天气威胁和电磁干扰威胁范围均为半径不同的圆形，且第u个高层建筑物威胁中心点坐标为其中，1≤u≤(dhb/2)；第v个恶劣天气威胁中心点坐标为其中，1≤v≤dsw；第q个电磁干扰威胁中心点坐标为其中，1≤q≤dem；高层建筑物威胁的边长为dhb，恶劣天气威胁的半径为dsw，电磁干扰威胁的半径为dem；
则第i个节点受到的总代价可表示为，
其中，是第i个节点受到的威胁代价的总和，其中i＝0,1,2,…,N；是第i个节点受到第u个高层建筑物威胁的威胁代价，其中为第i个节点距离第u个高层建筑物威胁中心的距离；是第i个节点受到第v个恶劣天气威胁的威胁代价，其中为第i个节点距离第v个恶劣天气威胁中心的距离；是第i个节点受到第q个电磁干扰威胁的威胁代价，其中为第i个节点距离第q个电磁干扰威胁中心的距离；δhb、δsw和δem分别为三种威胁的威胁代价和的权重，因此要求δhb∈[0,1]，δsw∈[0,1]，δem∈[0,1]，同时为满足归一化，要求δhb+δsw+δem＝1；
S220、对无人机集群的航迹起点和终点进行初始化，设第g条无人机航迹的起始坐标为终点坐标为设无人机总数目为G，则1≤g≤G；
S230、由于对威胁进行分级，定义威胁为其中代表高层建筑物威胁，代表恶劣天气威胁，代表电磁干扰威胁；因此设立Flag向量标记是否受到Ter的威胁，得到Flag＝[Flag(1),Flag(2),Flag(3)]，其中，Flag(1)代表是否检测到高层建筑物威胁，Flag(2)代表是否检测到恶劣天气威胁，Flag(3)代表是否检测到电磁干扰威胁；
定义威胁感知因子为θ＝[θhb,θsw,θem]，记，
其中，Pd为威胁感知距离，和分别对应三种威胁的感知距离；
当时，Flag(1)＝1，否则Flag(1)＝0；当时，Flag(2)＝1，否则Flag(2)＝0；当时，Flag(3)＝1，否则Flag(3)＝0；
S300、初始化豆芫菁群并设定相应参数，
初始化第t代当前节点vt到下一节点et的经验信息素浓度其中，1≤vt≤N，1≤et≤N，t为迭代次数，得到经验信息素的N×N矩阵
初始化经验信息素增加强度Qτ；经验信息素重要程度ατ；启发因子重要程度β；经验信息素挥发系数ρτ；
初始化第t代当前节点vt到下一节点et的斑蝥素浓度斑蝥素权重为λ；得到斑蝥素的N×N矩阵定义威胁强度因子φ＝[φ(1),φ(2),φ(3)]；斑蝥素弥散因子ζ＝[ζ(1),ζ(2),ζ(3)]；其中，斑蝥素的威胁因数定义斑蝥素因数为
初始时设t＝0，初始第t代从当前节点到下一节点经验信息素浓度差得到，
初始第t代从当前节点到下一节点斑蝥素浓度差得到，
计算第i个节点受到的代价其中，
第i个节点的启发因子
S400、将k只豆芫菁群分配到初始节点，执行以下步骤获得豆芫菁的路径集合，其中1≤k≤K，
S410、读取起点坐标第t代第g条无人机航迹起点编号为终点编号为第t代豆芫菁当前节点编号记为其相邻结点的集合为
S420、将第t代k只豆芫菁置于起点，即使在起点加入第t代k只豆芫菁斑蝥素威胁感知因子θ＝[θhb,θsw,θem]和标记向量Flag＝[Flag(1),Flag(2),Flag(3)]，当感知到威胁时进行威胁类型标记，并将起点的编号加入第t代k只豆芫菁的路径集合中；
S500、豆芫菁群根据状态转移策略选择下一节点，具体包括，
S510、寻找毗邻节点，由于使用栅格法，每个节点有八个相邻节点构成集合排除不能直接到达的对角节点，其余四个节点构成可访问集合设为可访问集合中第j个节点的威胁感知距离，若则删除的第j个节点得到更新后的第t代k只豆芫菁的可访问集合
S520、判断S510获得的可访问集合是否为空，若为空，则执行S550；若不为空，则继续执行S530；
S530、设第t代k只豆芫菁可访问节点集个数为对于第t代第k只豆芫菁可访问的第n个节点有其状态转移概率为，
其中，为第t代第k只豆芫菁可访问的第n个节点的经验信息素浓度，为第t代第k只豆芫菁可访问的第n个节点的启发因子，第t代第k只豆芫菁可访问的第n个节点途径路径g的斑蝥素浓度；
根据轮盘赌法将可访问的第n个节点的状态转移概率分别计算出并看作轮盘的扇面，通过使用[0,1]随机数来模拟指针停止时指向的扇面，选择出第t代k只豆芫菁待访问的第n个节点集将待访问节点编号记为
S540、判断S530获得的第t代k只豆芫菁待访问节点的是否为第t代第g条航迹的终点，其中g＝1,2,3,...,G，若则加入终点编号至中，继续执行S550；否则令然后将编号加入中，返回S510继续执行；
S550、若k＝K，执行S600；否则返回S410，重复S400-S500；
S600、更新全局经验信息素和斑蝥素，具体包括，
S610、选出第t代中豆芫菁所经过的最短路径计算第t代最短路径长度Lt得到最短路径的综合代价为
其中，为最短路径上的威胁代价之和，为最短路径上的资源消耗代价，具体表现为油耗，设每千米的单位油耗为h0，则
S620、根据历史知识更新经验信息素和斑蝥素，第t+1代经验信息素的增量为，
对经验信息素进行全局更新后为，
第t+1代斑蝥素的增量为，
对斑蝥素进行全局更新后为，
S700、判断t是否达到最大迭代次数，若是，则迭代终止，进入S800，否则令t＝t+1，返回S500继续迭代直至最大迭代次数后终止；
S800、将S700中得到的G条从起点到终点的无人机航迹映射在坐标系中作为规划路径输出。
具体实施方案二：本发明提供了一种基于豆芫菁群机制的多无人机航迹规划系统，该系统具有与上述步骤对应的程序模块，运行时执行上述的基于豆芫菁群机制的多无人机航迹规划方法中的步骤。
本实施方案的其他组合和连接关系与具体实施方案一相同。
具体实施方案三：本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现基于豆芫菁群机制的多无人机航迹规划方法的步骤。
本实施方案的其他组合和连接关系与具体实施方案一相同。
对比仿真实验1
以本发明的算法与经典蚁群算法在相同参数下求解复杂威胁环境下的无人机航迹规划。
参数设计：
考虑到实际城市大小，设置坐标的单位为km，起点坐标为(10,20)，终点坐标为(45,50)，设置规划空间的横坐标范围为[10，60]，纵坐标范围为[20，70]。高层建筑物威胁数量其威胁中心点的坐标分别为(26,50)、(52,45)、(39,30)、(51,25)，威胁边长dhb＝4，威胁权重为δhb＝0.2；恶劣天气威胁的数目其威胁中心点的坐标为(17,22)、(24,40)、(30,62)，威胁半径为dsw＝3，威胁权重为δsw＝0.3；电磁干扰威胁数量其威胁中心点坐标为(10,30)、(30,30)、(14,46)、(40,50)，威胁半径为dem＝4，威胁权重为δem＝0.4，油耗代价为δoil＝0.1，单位油耗为coil＝1。设定种群数量K＝100，迭代次数为500。初始经验信息素浓度τ0＝2，增加强度Qτ＝1，经验信息素重要度ατ＝1，启发因子重要程度β＝0.6，经验信息素挥发系数ρτ＝0.4；初始斑蝥素浓度χ0＝2，斑蝥素权重λ＝0.5，斑蝥素威胁感知因子θ＝[2,3,1]，威胁强度因子φ＝[0.2,0.5,0.3]，斑蝥素弥散因子ζ＝[0.4,0.2,0.2]。
结合图2所示，本发明设计的基于豆芫菁机制的无人机集群航迹规划优于传统的蚁群机制的路径规划方法，其路径相对更短，绕路行为较少，且威胁规避更高效。
对比仿真实验2
利用本发明的基于豆芫菁机制的无人机集群航迹规划方法在不同起点和相同终点情况下，以与对比仿真实验1相同的参数设计情况下，进行航迹规划对比。
结合图3所示，无人机1、无人机2和无人机3分别为从起点(10,20)、(10,35)、(20,60)到终点(55,40)的航迹规划图，结果显示，3个无人机均可有效进行威胁规避，且可到达相同终点。可以极大提高无人机集群在城市执行飞行任务时的航迹规划效率，保证在某地出现紧急需求时其余多地无人机能够协同到达目的地进行支援，确保城市调度和紧急救助任务的执行。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本发明领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (7)
1.一种基于豆芫菁群机制的多无人机航迹规划方法，其特征在于，对威胁进行标记并分级，利用经验信息素和斑蝥素浓度来选择路径，包括以下步骤：
S100、建立基于栅格法的二维规划空间模型；
S200、建立包含无人机自身约束和飞行综合代价的无人机集群航迹规划模型，并初始化飞行起点和终点，设立Flag向量标记威胁的类型；
S300、初始化豆芫菁群并设定相应参数，所述参数包括经验信息素浓度、经验信息素矩阵、经验信息素增加强度、经验信息素重要程度、启发因子重要程度、经验信息素挥发系数、斑蝥素浓度、斑蝥素权重、斑蝥素矩阵、威胁强度因子和斑蝥素弥散因子；初始化后，获得当前节点至下一节点的经验信息素浓度差、斑蝥素浓度差、当前节点的代价及启发因子，包括，
初始化第t代当前节点vt到下一节点et的经验信息素浓度其中，1≤vt≤N，1≤et≤N，t为迭代次数，得到经验信息素的N×N矩阵
初始化经验信息素增加强度Qτ；经验信息素重要程度ατ；启发因子重要程度β；经验信息素挥发系数ρτ；
初始化第t代当前节点vt到下一节点et的斑蝥素浓度斑蝥素权重为λ；得到斑蝥素的N×N矩阵设威胁强度因子为φ＝[φ(1),φ(2),φ(3)]；斑蝥素弥散因子为ζ＝[ζ(1),ζ(2),ζ(3)]；其中，斑蝥素的威胁因数设斑蝥素因数为
初始时设t＝0，初始第t代从当前节点到下一节点经验信息素浓度差得到，
初始第t代从当前节点到下一节点斑蝥素浓度差得到，
计算第i个节点受到的代价其中，
第i个节点的启发因子
S400、将豆芫菁群分配到初始节点，标记斑蝥素威胁感知因子和标记向量后，获得豆芫菁群的路径集合，包括，
S410、读取起点坐标第t代第g条无人机航迹起点编号为终点编号为第t代豆芫菁当前节点编号记为其相邻结点的集合为
S420、将第t代k只豆芫菁置于起点，即使在起点加入第t代k只豆芫菁威胁感知因子θ＝[θhb,θsw,θem]和标记向量Flag＝[Flag(1),Flag(2),Flag(3)]，当感知到威胁时进行威胁类型标记，并将起点的编号加入第t代k只豆芫菁的路径集合中；
S500、豆芫菁群根据状态转移策略选择下一节点并进行转移，根据Flag向量判断威胁等级并调整下一代转移概率，重复本步骤直至访问节点为航迹中点，获得航迹集合；
S600、根据威胁强度因子和弥散因子更新全局经验信息素和斑蝥素，判断是否达到设定的最大迭代次数，若是，则迭代终止，得到无人机数量的从起点到终点的无人机航迹映射在坐标系中作为规划路径输出；若不是，则重复S500-S600至达到最大迭代次数后终止。
2.根据权利要求1所述的基于豆芫菁群机制的多无人机航迹规划方法，其特征在于：在S100中，设规划空间起始坐标为终止坐标为设网格大小为l×w，其中l为网格的长，w为网格的宽，则可得规划空间的栅格行数为规划空间的栅格列数为可得总节点数量N＝Row×Col，设第i个节点的坐标为
3.根据权利要求2所述的基于豆芫菁群机制的多无人机航迹规划方法，其特征在于：在S200中，具体包括，
S210、设第g条无人机航迹的起始坐标为终点坐标为所受到三种潜在威胁的数目定义为其中，为高层建筑物威胁的数目，为恶劣天气威胁的数目，为电磁干扰威胁的数目；
设高层建筑物威胁范围为正方形，恶劣天气威胁和电磁干扰威胁范围均为半径不同的圆形，第u个高层建筑物威胁中心点坐标为其中，1≤u≤(dhb/2)；第v个恶劣天气威胁中心点坐标为其中，1≤v≤dsw；第q个电磁干扰威胁中心点坐标为其中，1≤q≤dem；高层建筑物威胁的边长为dhb，恶劣天气威胁的半径为dsw，电磁干扰威胁的半径为dem；
则第i个节点受到的总代价可表示为，
其中，是第i个节点受到的威胁代价的总和，其中i＝0,1,2,…,N；是第i个节点受到第u个高层建筑物威胁的威胁代价，其中为第i个节点距离第u个高层建筑物威胁中心的距离；是第i个节点受到第v个恶劣天气威胁的威胁代价，其中为第i个节点距离第v个恶劣天气威胁中心的距离；是第i个节点受到第q个电磁干扰威胁的威胁代价，其中为第i个节点距离第q个电磁干扰威胁中心的距离；δhb、δsw和δem分别为三种威胁的威胁代价和的权重，且δhb∈[0,1]，δsw∈[0,1]，
δem∈[0,1]，δhb+δsw+δem＝1；
S220、对无人机集群的航迹起点和终点进行初始化，设第g条无人机航迹的起始坐标为终点坐标为设无人机总数目为G，则1≤g≤G；
S230、设威胁为其中，代表高层建筑物威胁，代表恶劣天气威胁，代表电磁干扰威胁；
设Flag向量标记是否受到Ter的威胁，得到Flag＝[Flag(1),Flag(2),Flag(3)]，其中，Flag(1)代表是否检测到高层建筑物威胁，Flag(2)代表是否检测到恶劣天气威胁，Flag(3)代表是否检测到电磁干扰威胁；
定义威胁感知因子为θ＝[θhb,θsw,θem]，记，
其中，Pd为威胁感知距离，和分别对应三种威胁的感知距离；
当时，Flag(1)＝1，否则Flag(1)＝0；当时，Flag(2)＝1，否则Flag(2)＝0；当时，Flag(3)＝1，否则Flag(3)＝0。
4.根据权利要求3所述的基于豆芫菁群机制的多无人机航迹规划方法，其特征在于：在S500中，具体包括，
S510、寻找毗邻节点，将每个节点中的八个相邻节点中排除不能直接到达的对角节点，其余四个节点构成可访问集合设为可访问集合中第j个节点的威胁感知距离，若则删除的第j个节点得到更新后的第t代k只豆芫菁的可访问集合
S520、判断S510获得的可访问集合是否为空，若为空，则执行S550；若不为空，则继续执行S530；
S530、设第t代k只豆芫菁可访问节点集个数为对于第t代第k只豆芫菁可访问的第n个节点有其状态转移概率为，
其中，为第t代第k只豆芫菁可访问的第n个节点的经验信息素浓度，为第t代第k只豆芫菁可访问的第n个节点的启发因子，为第t代第k只豆芫菁可访问的第n个节点途径路径g的斑蝥素浓度；
根据轮盘赌法选择出第t代k只豆芫菁待访问的第n个节点集将待访问节点编号记为
S540、判断S530获得的第t代k只豆芫菁待访问节点的是否为第t代第g条航迹的终点其中g＝1,2,3,...,G，若则加入终点编号至中，继续执行S550；否则令然后将编号加入中，返回S510继续执行；
S550、若k＝K，执行下一步；否则返回S410，重复S400-S500。
5.根据权利要求4所述的基于豆芫菁群机制的多无人机航迹规划方法，其特征在于：在S600中，具体包括，
S610、选出第t代中豆芫菁所经过的最短路径计算第t代最短路径长度Lt得到最短路径的综合代价为
其中，为最短路径上的威胁代价之和，为最短路径上的资源消耗代价，具体表现为油耗，设每千米的单位油耗为h0，则
S620、根据历史知识更新经验信息素和斑蝥素，第t+1代经验信息素的增量为，
对经验信息素进行全局更新后为，
第t+1代斑蝥素的增量为，
对斑蝥素进行全局更新后为，
6.基于豆芫菁群机制的多无人机航迹规划系统，其特征在于：该系统具有与上述权利要求1-5任一项权利要求的步骤对应的程序模块，运行时执行上述的基于豆芫菁群机制的多无人机航迹规划方法中的步骤。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1-5中任一项所述的基于豆芫菁群机制的多无人机航迹规划方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410363847.XA CN118276604B (zh) | 2024-03-28 | 2024-03-28 | 基于豆芫菁群机制的多无人机航迹规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410363847.XA CN118276604B (zh) | 2024-03-28 | 2024-03-28 | 基于豆芫菁群机制的多无人机航迹规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118276604A CN118276604A (zh) | 2024-07-02 |
| CN118276604B true CN118276604B (zh) | 2024-10-11 |
Family
ID=91647664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410363847.XA Active CN118276604B (zh) | 2024-03-28 | 2024-03-28 | 基于豆芫菁群机制的多无人机航迹规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118276604B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106577793A (zh) * | 2016-10-31 | 2017-04-26 | 湖南科技学院 | 一种假臭草提取物及其应用 |
| CN107622327A (zh) * | 2017-09-15 | 2018-01-23 | 哈尔滨工程大学 | 基于文化蚁群搜索机制的多无人机航迹规划方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106970648B (zh) * | 2017-04-19 | 2019-05-14 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
| CN112432649A (zh) * | 2020-12-03 | 2021-03-02 | 重庆金美通信有限责任公司 | 一种引入威胁因子的启发式无人机蜂群航迹规划方法 |
-
2024
- 2024-03-28 CN CN202410363847.XA patent/CN118276604B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106577793A (zh) * | 2016-10-31 | 2017-04-26 | 湖南科技学院 | 一种假臭草提取物及其应用 |
| CN107622327A (zh) * | 2017-09-15 | 2018-01-23 | 哈尔滨工程大学 | 基于文化蚁群搜索机制的多无人机航迹规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118276604A (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| LU102400B1 (en) | Path planning method and system for unmanned surface vehicle based on improved genetic algorithm | |
| Yan et al. | Task allocation and route planning of multiple UAVs in a marine environment based on an improved particle swarm optimization algorithm | |
| CN108459503B (zh) | 一种基于量子蚁群算法的无人水面艇航迹规划方法 | |
| CN109191004B (zh) | 一种多无人机测绘任务分配方法和装置 | |
| CN110428111A (zh) | Uav/ugv协同长时多任务作业轨迹规划方法 | |
| CN110456815A (zh) | 一种基于行军蚁启发式智能的无人机集群协同定位方法 | |
| Li et al. | Multi-mechanism swarm optimization for multi-UAV task assignment and path planning in transmission line inspection under multi-wind field | |
| Yu et al. | A novel parallel ant colony optimization algorithm for warehouse path planning | |
| CN112230675A (zh) | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 | |
| CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
| CN115355922A (zh) | 一种基于改进蚁群算法的出行路径规划方法及系统 | |
| CN109885082B (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
| Wei et al. | Distributed path planning of unmanned aerial vehicle communication chain based on dual decomposition | |
| Qi et al. | Path planning of multirotor UAV based on the improved ant colony algorithm | |
| Zhang et al. | An improved particle swarm optimization based on age factor for multi-AUV cooperative planning | |
| CN116449863A (zh) | 一种基于信息素的强化学习的无人机集群多目标搜索方法 | |
| CN118276604B (zh) | 基于豆芫菁群机制的多无人机航迹规划方法及系统 | |
| CN114625137A (zh) | 一种基于agv的智能停车路径规划方法及系统 | |
| CN113110431A (zh) | 无人靶车野外试验路径实时规划方法 | |
| Xi et al. | Power-aware path planning for vehicle-assisted multi-UAVs in mobile crowd sensing | |
| Yang et al. | Sampling-efficient path planning and improved actor-critic-based obstacle avoidance for autonomous robots | |
| Fan et al. | A Path-Planning Method for UAV Swarm under Multiple Environmental Threats | |
| Jin et al. | Deep reinforcement learning and ant colony optimization supporting multi‐UGV path planning and task assignment in 3D environments | |
| Yu | The Impact of Path Planning Model Based on Improved Ant Colony Optimization Algorithm on Green Traffic Management. | |
| Chen et al. | Application of improved grey wolf model in collaborative trajectory optimization of unmanned aerial vehicle swarm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |