一种基于进化型果蝇算法的地面无人平台路径规划方法与流程

1.本发明涉及路径规划技术领域，具体涉及基于进化型果蝇算法的地面无人平台路径规划方法。


背景技术：

2.无论是在民用工业，还是在军事工业，作为地面专业车辆的一种重要类别，地面无人平台的应用越来越多，在改善生活方式、改进生产方式、改变作战形式等方法发挥了积极的作用。而对于地面无人平台而言，自主移动能力是其多项关键技术之一，而能够自主移动是建立在具有良好的移动路径规划能力基础之上的。地面无人平台的路径规划是指其在对周围环境进行感知后，能够自行规划出一条从出发点至终点的最优移动路径，这条最优路径可以是满足移动路径最短，可以是满足耗时最短，还可以满足能量消耗最少等。
3.路径规划问题，实际上可以看成是一个带约束条件的复杂优化问题。因此，一些智能优化算法对于提高路径规划的效果发挥了积极的作用，很多学者开展了大量的研究工作。例如，陈雪俊等对智能水滴算法进行了改进，提出了改进水滴算法的无人车避障路径规划方法(陈雪俊,贝绍轶.一种基于改进智能水滴算法的无人车避障路径规划方法[p].江苏省：cn110703767a,2020
‑
01
‑
17.)；刘洪丹等提出了量子狼群算法并用于无人驾驶智能车的自动避障研究(刘胜,张兰勇,丁一轩,李冰,李芃,孙玥.基于量子狼群算法的无人驾驶智能车自动避碰方法[p].黑龙江省：cn110471426a,2019
‑
11
‑
19.)；江鹏程等提出了基于蚁群算法的无人车路径规划方法(江鹏程,丛华,邱绵浩,张楠,冯辅周,张传清,刘西侠,张丽霞,何嘉武,张小明,王志荣,杨昌伟.无人车混合路径规划算法[p].北京市：cn110609557a,2019
‑
12
‑
24.)；葛洪伟等提出了改进的多目标粒子群算法，并以此为优化方法进行了无人车的路径规划研究(葛洪伟,钱小宇,葛阳.基于改进的多目标粒子群算法的无人车路径规划方法[p].江苏：cn107992051a,2018
‑
05
‑
04.)。
[0004]
根据目前的研究成果来看，智能优化算法是一种有效的地面无人平台路径规划方法。果蝇优化算法是一种模拟果蝇觅食行为的新型智能优化算法，同样可以应用于地面无人平台路径规划问题。但是，果蝇优化算法存仍然存在有一些缺陷，使得算法容易陷入局部最优和收敛精度不高，在进行地面无人平台路径规划时，往往达不到理想的路径规划效果。
[0005]
为此，本发明提出了一种新的基于进化型果蝇算法的地面无人平台路径规划方法。


技术实现要素：

[0006]
为解决上述问题，本发明的目的在于提供一种基于进化型果蝇算法的地面无人平台路径规划方法，能够显著提升地面无人平台路径规划的效果。
[0007]
为实现上述目的，本发明提供了如下的技术方案。
[0008]
一种基于进化型果蝇算法的地面无人平台路径规划方法，包括以下步骤：
[0009]
根据地面无人平台工作环境信息建立环境模型，根据环境模型获取移动区域地
图，并对地图进行格栅化处理；建立地面无人平台路径规划的目标函数function；
[0010]
初始化果蝇种群在地图上初始中心位置，利用logistic映射混沌化果蝇个体的位置(x
i
,y
i
)；
[0011]
获取果蝇个体的位置与坐标原点之间距离值的倒数l
i
，根据l
i
获取食物浓度判定值s
i
：
[0012][0013]
根据目标函数function以及s
i
获取每个果蝇个体的适应度值，确定当次迭代最优适应度值和历史最优适应度值中的最优个体；
[0014]
根据预设的果蝇个体飞行半径上限fr
max
和飞行半径下限fr
min
，获取当前迭代次数iter果蝇个体按照自适应飞行半径向该最优个体搜索的结果：
[0015][0016]
达到预设的最大迭代次数miter后，输出地面无人平台最优移动路径。
[0017]
优选地，所述混沌化果蝇个体的位置的过程包括：
[0018]
对于种群中的第i果蝇个体，在搜索范围内，以中心位置(x_axis，y_axis)为基础，利用logistic映射对其坐标(x
i
,y
i
)进行混沌化：
[0019][0020]
式中，和cy
ij
为第i个果蝇在第j步混沌化后的变量；popsize为果蝇种群的大小；
[0021]
通过式(1)得到第j 1次变换后混沌变量和cy
ij 1
，然后结合式(4)和式(5)与变量cx
i
∈[0,1]、cy
i
∈[0,1]复进行混沌映射；
[0022][0023][0024]
式中，a
max
和a
min
为搜索单位的最大值和最小值；x
′
i
和y
′
i
分别表示混沌映射后的值。
[0025]
优选地，所述果蝇个体的位置与坐标原点之间距离值的倒数l
i
：
[0026][0027]
优选地，每个所述果蝇个体的适应度值：
[0028]
smell
i
＝function(s
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0029]
记录当次迭代中最优果蝇个体的适应度值及其所在位置：
[0030]
[bestsmell]＝max(smell
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0031]
记录历次迭代中最大的最优果蝇个体的适应度值bestsmell：
[0032]
smellbest＝bestsmell。
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0033]
本发明有益效果：
[0034]
(1)通过引入logistic映射进行果蝇种群位置的初始化，可以提升种群位置分布的均匀性和多样性，进而算法的稳定性得以增强。
[0035]
(2)对食物味道浓度判定值的计算方式进行了改进，实现了算法搜索范围的增大，算法的适应性得以增强。
[0036]
(3)将果蝇个体固定飞行半径变成了自适应飞行半径，实现了算法在前后期搜索能力的平衡，保证了算法在前期可以进行全局搜索，在后期能够进行局部搜索。
附图说明
[0037]
图1是本发明实施例的整体流程图；
[0038]
图2是本发明实施例路径规划结果图；
[0039]
图3是本发明实施例迭代过程曲线图。
具体实施方式
[0040]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0041]
实施例
[0042]
一种基于进化型果蝇算法的地面无人平台路径规划方法，整体流程图如图1所示，包括以下步骤：
[0043]
s1：获取地面无人平台工作环境信息并建立模型，获取移动区域地图，并对地图进行格栅化处理，建立地面无人平台路径规划的目标函数function；
[0044]
s2：初始化果蝇种群初始中心位置，利用logistic映射混沌化果蝇个体的位置(x
i
,y
i
)：
[0045]
具体的，对于种群中的第i果蝇个体，在搜索范围内，以中心位置(x_axis，y_axis)为基础，利用logistic映射对其坐标(x
i
,y
i
)进行混沌化：
[0046][0047]
式中，和cy
ij
为第i个果蝇在第j步混沌化后的变量；popsize为果蝇种群的大
小；
[0048]
通过式(1)得到第j 1次变换后混沌变量和cy
ij 1
，然后结合式(4)和式(5)与变量cx
i
∈[0,1]、cy
i
∈[0,1]复进行混沌映射；
[0049][0050][0051]
式中，a
max
和a
min
为搜索单位的最大值和最小值；x
′
i
和y
′
i
分别表示混沌映射后的值。
[0052]
s3：获取果蝇个体的位置与坐标原点之间距离值的倒数l
i
：
[0053][0054]
根据l
i
获取食物浓度判定值s
i
：
[0055][0056]
s4：根据目标函数function以及s
i
获取每个果蝇个体的适应度值，确定当次迭代最优适应度值和历史最优适应度值中的最优个体：
[0057]
每个果蝇个体的适应度值：
[0058]
smell
i
＝function(s
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0059]
记录当次迭代中最优果蝇个体的适应度值及其所在位置：
[0060]
[bestsmell]＝max(smell
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0061]
记录历次迭代中最大的最优果蝇个体的适应度值bestsmell：
[0062]
smellbest＝bestsmell
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0063]
s5：根据预设的果蝇个体飞行半径上限fr
max
和飞行半径下限fr
min
，获取当前迭代次数iter果蝇个体按照自适应飞行半径向该最优个体搜索的结果：
[0064][0065]
达到预设的最大迭代次数miter后，输出地面无人平台最优移动路径。
[0066]
本实施例中，
[0067]
以matlab为仿真平台，建立地面无人平台移动的20
×
20的格栅矩阵，以最短移动距离为目标，对foa方法和ufoa方法进行分析。foa算法中的参数为：popsize＝30，maxiter
＝100，[a
min
,a
max
]＝[
‑
10,10]，fr＝a
max
/20；ufoa算法中的参数为：popsize＝30，maxiter＝100，[a
min
,a
max
]＝[
‑
10,10]，fr＝a
max
/20，fr
min
＝sr/40。仿真环境和两个方法分别得到的移动路径如图2所示(start和end分别代表地面无人平台移动路径的起点和终点，黑色方块表示障碍物)，图3为迭代过程曲线。
[0068]
从图2中可以直观的发现foa得到的地面无人平台移动路径比ufoa的要长，路径比较迂回，而ufoa得到的路径则比较合理。进一步分析图2和图3中的结果可知，采用foa算法时，算法在迭代43次后，得到了最短的路径长度为38.69；采用ufoa算法时，算法在迭代26次后，得到了最短的路径长度为30.99，可以看出，本发明所设计的ufoa算法具有更快的收敛速度和收敛精度，而foa则出现了陷入局部最优的情况。仿真结果表明，在相同的环境下，ufoa实现了果蝇种群的均匀分布、平衡了算法的前后搜索能力，获得了地面无人平台从起点至终点的最优移动路径，验证了算法的有效性。
[0069]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。