基于增强黏菌算法的无人机三维路径规划方法与流程
本发明涉及无人机路径规划,具体讲的是一种基于混沌增强领导者黏菌算法的无人机三维路径规划方法。
背景技术:
1、无人机凭借其优越的环境适应性与灵活的部署能力,已广泛应用于农业监测、通信中继、灾害巡查和城市治理等多个领域。路径规划是实现无人机全自主飞行的核心技术,直接决定了其在复杂三维环境中执行任务的安全性、高效性与可靠性。理想的飞行路径需满足无人机自身物理与动力学约束,规避地形障碍与威胁区域,同时兼顾路径长度、飞行能耗与任务时间等多项目标优化。
2、然而,三维路径规划问题属于典型的np-hard问题,具有高维、非线性及强约束等特征,传统路径规划方法存在诸多局限。例如,基于网格的a*搜索算法在结构化环境中能保证全局最优性,但计算复杂度与内存消耗随环境规模显著增加,难以适用于大规模场景;人工势场法计算效率高但易陷入局部最优;快速扩展随机树(rrt)类采样方法在连续高维空间中探索能力良好,但路径质量与收敛效率难以兼顾。
3、近年来,元启发式算法因其强大的全局搜索能力与对问题结构的低依赖性,成为无人机路径规划的研究热点。黏菌算法(sma)作为一种新兴元启发式算法,具有参数少、结构简单、收敛速度快等优点,已在多个工程领域得到应用。但标准黏菌算法在处理复杂高维优化问题时,仍存在易陷入局部最优、收敛精度不足以及探索与开发阶段失衡等问题,现有改进方法在应对复杂无人机三维路径规划问题时,综合性能仍有提升空间。
4、因此,亟需一种能够有效平衡全局探索与局部开发能力,提升收敛精度与鲁棒性,适用于复杂三维环境的无人机路径规划方法。
技术实现思路
1、本技术要解决的一个技术问题是,克服以上相关技术的缺陷,提供一种基于增强黏菌算法的无人机三维路径规划方法,以解决复杂三维环境中无人机路径规划易陷入局部最优、收敛精度低的技术问题。
2、本发明解决技术问题所采用的技术方案为:一种基于增强黏菌算法的无人机三维路径规划方法,具体包括如下步骤:
3、s1构建无人机的三维路径规划数学模型,所述三维路径规划数学模型包含距离成本、安全成本、高度成本和平滑成本构成的多目标代价函数;
4、s2基于真实数字高程模型构建包含地形障碍与威胁区域的三维飞行环境,设置无人机的飞行约束参数;
5、s3采用混沌增强领导者黏菌算法对三维路径规划数学模型进行优化求解,得到满足所有飞行约束参数的最优飞行路径;
6、s4输出最优路径的坐标序列及综合代价评估结果;
7、其中,所述混沌增强领导者黏菌算法融合三重领导者机制与logistic混沌映射扰动策略,具体包括:
8、a1采用logistic混沌映射进行种群初始化,生成混沌序列以增强种群多样性;
9、a2引入三重领导者机制,选取种群中适应度最优的三个个体作为领导者,协同引导种群搜索方向;
10、a3基于logistic混沌映射设计自适应权重系数调节策略,平衡算法全局探索与局部开发能力;
11、a4利用混沌扰动策略优化个体位置更新过程,驱使种群跳出局部最优。
12、本发明与相关技术相比,具有以下优点:
13、1.提出的混沌增强领导者黏菌算法与多目标代价函数深度联动,通过混沌初始化、三重领导者机制、混沌自适应权重调节及混沌扰动策略,有效平衡全局探索与局部开发能力,显著提升了收敛精度、收敛速度与鲁棒性,缓解了高维复杂优化问题中易陷入局部最优和多样性丧失的问题,能够精准搜索多目标代价函数的全局最优解;
14、2.构建的三维路径规划数学模型包含多目标代价函数,全面考虑了路径长度、安全性、高度约束与平滑性,各成本项通过权重系数灵活融合,可适应不同任务场景的需求,为算法优化提供了科学合理的目标导向;
15、3.基于真实数字高程模型构建的验证场景贴近实际应用,仿真实验表明,本发明方法能够规划出路径更短、安全性能更优、飞行更平稳的可行航迹,在多种典型场景中均表现出优异的综合性能,威胁区域接近次数更少,高度偏离程度更低;
16、4.混沌增强领导者黏菌算法计算复杂度与原始黏菌算法相当,呈线性增长趋势,在有限计算资源下能够高效完成路径规划任务,适用于农业监测、灾害巡查、城市治理等多种无人机的自主飞行场景。
17、作为优选,步骤s1中的多目标代价函数的构建过程如下:
18、s11构建距离成本函数:计算路径中所有相邻路径点间的欧几里得距离之和,获得距离成本;
19、s12构建安全成本函数:将障碍物与威胁区域建模为圆柱体,根据路径线段与威胁区域的最短距离计算安全成本;
20、s13构建高度成本函数:根据无人机飞行高度与预设高度区间的偏差计算成本,获得高度成本;
21、s14构建平滑成本函数:基于水平转向角与爬升角计算路径平滑成本,获得平滑成本;
22、s15构建综合代价函数:通过权重系数融合各成本项,表达式为:
23、;
24、其中,
w1、
w2、
w3、
w4分别为各成本项的权重系数,且满足
w1+
w2+
w3+
w4=1。
25、作为优选,所述logistic混沌映射的表达式为:
26、;
27、其中,为随机函数,取值范围为(0,1),且不在集{0.25,0.5,0.75}中;
t为当前迭代次数。
28、作为优选,所述三重领导者机制的个体位置更新公式为:
29、;
30、其中,为第
i个个体第+1次迭代的位置,、和分别为第次迭代的前三个最优个体位置,为混沌自适应权重系数,为(0,1)的均匀随机数,、为随机选择的两个个体位置。
31、作为优选,所述混沌自适应权重系数的表达式为:
32、;
33、其中,为第次迭代的logistic混沌映射值,取值范围为(0,1),使得在(0.1,0.6)区间内动态调整。
34、作为优选,基于真实数字高程模型还原真实地形起伏,将雷达、火炮、建筑物相关威胁源建模为不同半径和高度的圆柱体禁飞区,设置无人机起始点坐标和终点坐标。
35、作为优选,所述无人机的飞行约束参数包括:飞行高度限制为100m~200m,无人机的直径1m,无人机的自身安全半径=0.5m,与障碍物间安全距离=10m,相邻路径段最大航向角与最大俯仰角均为45°。
36、作为优选,所述混沌增强领导者黏菌算法对三维路径规划数学模型进行优化求解具体包括以下步骤:
37、s31路径编码:将无人机路径编码为算法可识别的个体向量,每个个体对应一条候选路径,向量维度为3n,每个节点包含径向距离、俯仰角、方位角三个参数,通过球坐标系与笛卡尔坐标系的转换关系得到路径点的三维坐标;
38、s32混沌种群初始化:基于logistic混沌映射生成个初始个体,每个个体的参数值通过混沌序列映射至对应变量的搜索范围;
39、s33适应度评估:将每个初始个体对应的路径坐标代入所述的多目标代价函数,计算得到每个个体的适应度值f(),适应度值越小表示路径综合性能越优;
40、s34领导者筛选:根据适应度值对种群进行排序,选取前三个适应度最优的个体作为领导者、和,分别对应综合代价最低、次低和第三低的路径;
41、s35基于logistic混沌映射更新自适应权重系数,在迭代初期,混沌序列的随机性使保持较大值,增强算法全局探索能力;迭代后期,逐渐减小至0.1~0.2,强化算法局部开发能力;
42、s36位置更新与混沌扰动:结合三重领导者机制与混沌权重系数进行个体位置更新,同时引入混沌扰动策略避免搜索停滞,具体更新规则如下:
43、当随机数
t2 44、, 45、当随机数 t2>z时,采用混沌扰动更新 46、, 47、其中,为当前全局最优个体位置,为控制参数,,为(0,1)区间均匀随机数,为最大迭代次数; 48、s37边界处理:对更新后的个体参数进行边界检查,若参数超出预设范围,则通过混沌映射重新生成该参数值,确保所有路径点满足无人机飞行约束; 49、s38适应度更新:将更新后的个体坐标再次代入多目标代价函数,计算新的适应度值,若新适应度值优于历史最优值,则更新个体历史最优位置及全局最优位置; 50、s39迭代终止:重复步骤s34-s38,直至达到最大迭代次数itermax,此时全局最优位置对应的路径即为满足多目标优化要求的最优飞行路径。 51、作为优选,所述混沌增强领导者黏菌算法的计算复杂度为: 52、; 53、其中,为种群规模,为最大迭代次数,为问题维度,为障碍物数量。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com