基于细菌趋光性的元启发式优化方法

1.本技术涉及细菌趋光性分析技术领域，特别是涉及一种基于细菌趋光性的元启发式优化方法。


背景技术：

2.无人机路径规划问题为np hard问题，识别出它的解在计算上非常昂贵，甚至不能在一个多项式时间来求解。在这种情况下，梯度下降法、分支定界法、割平面法、动态规划等经典的优化方法，由于其存在传统优化范式、易陷入局部最优、时间空间消耗大等不足，往往是不适用的。因此，这就迫切需要一种能够高效和稳定解决复杂优化问题的方法。
3.为了解决np hard问题，一般可以将优化技巧分为精确的、启发式的和元启发式的这三类。使用传统或精确的优化方法一般是不可行的，同时启发式算法在寻找解时往往极大地依赖特定的问题，而元启发式算法是一种比启发式更高级的且问题独立的技巧，可以广泛地应用于各种问题。在最近的三十多年中，元启发式算法作为一种随机的、近似的优化方法，由于其能极大地克服上述指出的不足，并在求解复杂的ops问题时具有突出性能，引起了广泛的关注和研究。
4.尽管当前所有的元启发式算法千差万别，但对于它们在优化时的搜索过程，可以发现一个共同的特征，即都可以将其划分为探索和利用两个阶段。探索是指算法应尽可能随机地探索到全部的搜索空间，以避免陷入局部最优；而开发应该具备良好的局部开发能力，以探索阶段发现的较优解为基础寻找到更好的解。对于无人机轨迹规划，在优化的过程中往往具备随机性，因此在探索和开发之间建立合理的平衡机制仍是当前研究或创造任何元启发式算法最具挑战性的难题之一。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种基于细菌趋光性的元启发式优化方法。
6.一种基于细菌趋光性的元启发式优化方法，所述方法包括：根据无人机的起点、终点以及空间环境，获取多条初始路径；将多条初始路径初始化为基于细菌趋光性的元启发算法中的初始细菌种群；其中，所述基于细菌趋光性的元启发算法中包括：细菌的感光蛋白浓度算子、趋光运动算子以及生长算子，所述感光蛋白浓度算子包括：感光蛋白浓度大小算子和感光蛋白浓度增速算子；所述感光蛋白浓度大小算子是根据迭代次数和所述适应度并采用sigmoid函数建模得到的；所述感光蛋白浓度增速算子是根据迭代次数、适应度以及细菌周围密度并采用指数函数建模得到的，所述细菌周围密度是根据与终点的距离计算得到的；细菌的所述趋光运动算子是根据所述迭代次数、适应度以及细菌周围密度构建的；所述是根据当前种群的平均适应度、平均感光蛋白浓度大小以及平均感光蛋白浓度增速计算得到的；当达到预先设置的迭代条件时，输出最优的细菌个体，将最优细菌个体对应的路
径作为最佳路径。
7.在其中一个实施例中，还包括：对迭代次数进行归一化处理为：其中，表示第t次迭代的第i个细菌个体的迭代次数；对所述适应度进行归一化处理为：其中，表示第t次迭代的第i个细菌个体的适应度，表示第t次迭代第i个细菌个体的最优适应度，表示第t次迭代第i个细菌个体的最差适应度；根据归一化后的迭代次数和适应度，采用sigmoid函数建模得到感光蛋白浓度大小算子为：其中，表示第t次迭代第i个细菌个体的感光蛋白浓度大小算子，和为已知参数。
8.在其中一个实施例中，还包括：计算第t次迭代时各个细菌个体之间的欧式距离为：其中，表示第t次迭代时个体之间的欧式距离，表示距离计算函数；通过squareform函数将所述欧式距离转化为距离矩阵为：其中，表示距离矩阵；根据所述距离矩阵和种群数量，计算种群中个体的平均距离为：其中，表示第t次迭代中个体的平均距离，n表示种群数量；根据所述平均距离，确定第t次迭代细菌周围密度，根据所述迭代次数、所述适应度以及所述细菌周围密度，得到感光蛋白浓度增速算子为：其中，表示第t次迭代第i个细菌个体的感光蛋白浓度增速算子，表示第t次迭代第i个细菌个体的细菌周围密度，、和为已知参数。
9.在其中一个实施例中，还包括：确定细菌阈值为：其中，表示细菌阈值，表示第t次迭代的第i个细菌个体的迭代次数，e表示自然常数；对第t次迭代细菌个体的适应度进行排序，选择排序靠前的3个细菌个体作为影响力个体，并计算3个细菌个体的影响力分别为：力个体，并计算3个细菌个体的影响力分别为：力个体，并计算3个细菌个体的影响力分别为：其中，、和分别表示3个细菌个体的影响力，表示第t次迭代第i个细菌个体的感光蛋白浓度增速算子，表示第t次迭代第i个细菌个体的感光蛋白浓度大小算子，表示第t次迭代细菌个体的感光蛋白浓度大小算子的最佳值；、和均为已知参数；根据所述影响力和种群中个体的平均距离，得到趋光运动算子为：其中，表示随机函数，表示第t次迭代种群中个体的平均距离，、以及均为为影响力个体。
10.在其中一个实施例中，还包括：根据种群的平均适应度、平均感光蛋白浓度大小以及平均感光蛋白浓度增速，分别计算平均适应度、平均感光蛋白浓度大小以及平均感光蛋白浓度增速；当细菌个体的适应度大于或等于平均适应度，则细菌个体处于迟缓期；当细菌个体的适应度小于平均适应度，且感光蛋白浓度大小和感光蛋白浓度增速任一个不小于所述平均感光蛋白浓度大小以及平均感光蛋白浓度增速，则细菌个体处于稳定器；当细菌个体的适应度、感光蛋白浓度大小和感光蛋白浓度增速分别小于平均适应度、平均感光蛋白浓度大小以及平均感光蛋白浓度增速，则细菌个体处于生长与衰退期。
11.上述基于细菌趋光性的元启发式优化方法，在解决无人机路径规划随机性大问题时，通过对细菌的趋光习性进行分析，构建感光蛋白浓度算子、趋光运动算子以及生长算子，建立不同优化路径之前的联系，并且利用其趋光运动，促进各条路径之前的信息交流，有利于提升迭代效率,进而提升路径搜索的效率。
附图说明
12.图1为一个实施例中基于细菌趋光性的元启发式优化方法的流程示意图。
具体实施方式
13.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本技术，并不用于限定本技术。
14.在一个实施例中，如图1所示，提供了一种基于细菌趋光性的元启发式优化方法，包括以下步骤：步骤102，根据无人机的起点、终点以及空间环境，获取多条初始路径。
15.空间环境可以是障碍物、禁飞区等，在无人机路径规划时，需要绕开障碍物、禁飞区等，在获取初始路径时，无人机可以随机的前进，在遇到障碍物时，可以选择避障，在遇到禁飞区时，可以选择绕飞。可以知道，由于随机性，初始路径基本不同。
16.步骤104，将多条初始路径初始化为基于细菌趋光性的元启发算法中的初始细菌种群。
17.初始细菌种群的数量为初始路径的数量，每一条初始路径均为一个细菌，本发明中，收到细菌趋光性的启发，细菌所在位置光线越强，适应度更好，而在本技术中，距离终点越近，则适应度更大。因此，设计了基于细菌趋光性的元启发算法，在基于细菌趋光性的元启发算法中，包括：细菌的感光蛋白浓度算子、趋光运动算子以及生长算子，感光蛋白浓度算子包括：感光蛋白浓度大小算子和感光蛋白浓度增速算子；感光蛋白浓度大小算子是根据迭代次数和适应度并采用sigmoid函数建模得到的；感光蛋白浓度增速算子是根据迭代次数、适应度以及细菌周围密度并采用指数函数建模得到的，细菌周围密度是根据与终点的距离计算得到的；细菌的趋光运动算子是根据所述迭代次数、适应度以及细菌周围密度构建的；生长算子是根据当前种群的平均适应度、平均感光蛋白浓度大小以及平均感光蛋白浓度增速计算得到的。
18.对于上述四种算子，是基于感光蛋白浓度对于细菌趋光性的影响设计的，在生物领域中，光线越强，感光蛋白浓度越高，而在无人机路径规划时，所规划路径距离最优路径越近，则感光浓度越高，从而感光蛋白浓度大小算子越大，相同，若以路径长度作为衡量指标，上一次迭代至当前迭代路径长度缩短的距离越大，则感光蛋白浓度增速算子越大，细菌的趋光运动算子则是限制了每一次迭代，搜索路径均比上一次迭代的路径长度更短，生长算子则是受到了计算资源的影响，可以知道的是，若种群中细菌越多（路径），则可利用的信息越多，按照原理来看，更加能够提升收敛速度，然而计算资源有限，不能无限次的迭代，因此设置了生长因子来限制迭代次数。
19.步骤106，当达到预先设置的迭代条件时，输出最优的细菌个体，将最优细菌个体对应的路径作为最佳路径。
20.上述基于细菌趋光性的元启发式优化方法，在解决无人机路径规划随机性大问题时，通过对细菌的趋光习性进行分析，构建感光蛋白浓度算子、趋光运动算子以及生长算子，建立不同优化路径之前的联系，并且利用其趋光运动，促进各条路径之前的信息交流，有利于提升迭代效率。
21.值得说明的是，根据实际细菌的调控规律，蛋白浓度应该符合
‘
s型曲线’。首先对于蛋白浓度大小pcm，会随迭代次数增大而升高，随个体解的适应度变好而升高，但它不会受周围个体的数量影响。基于上述特点，可以将无人机路径优化问题利用细菌趋光性的特性来优化。
22.在其中一个实施例中，对迭代次数进行归一化处理为：其中，表示第t次迭代的第i个细菌个体的迭代次数，对适应度进行归一化处理为：其中，表示第t次迭代的第i个细菌个体的适应度，表示第t次迭代第i个细菌个体的最优适应度，表示第t次迭代第i个细菌个体的最差适应度，例如：当前路径中，最大路径为973m，最优路径为143m，则最差适应度是最大路径对应的适应度，最优适应度是最优路径对应的适应度；根据归一化后的迭代次数和适应度，采用sigmoid函数建模得到感光蛋白浓度大小算子为：其中，表示第t次迭代第i个细菌个体的感光蛋白浓度大小算子，和为已知参数。
23.对于感光蛋白浓度增速pcs，他与三者都相关，且随三者的增大都会减小，采用指数函数的形式对pcs建模，在其中一个实施例中，计算第t次迭代时各个细菌个体之间的欧式距离为：其中，表示第t次迭代时个体之间的欧式距离，表示距离计算函数，具体可以是路径之前的距离值；通过squareform函数将所述欧式距离转化为距离矩阵为：其中，表示距离矩阵；根据所述距离矩阵和种群数量，计算种群中个体的平均距离为：其中，表示第t次迭代中个体的平均距离，n表示种群数量；根据平均距
离，确定第t次迭代细菌周围密度，根据迭代次数、适应度以及细菌周围密度，得到感光蛋白浓度增速算子为：其中，表示第t次迭代第i个细菌个体的感光蛋白浓度增速算子，表示第t次迭代第i个细菌个体的细菌周围密度，、和为已知参数。
24.现有细菌优化算法中个体运动方式略显单调，只有翻滚和泳动两种形式，并没有充分体现细菌对环境非常敏感的特性，显然达不到优化无人机路径的目的。在生物学中，细菌主要通过鞭毛这一运动器官进行运动，而感光蛋白可以影响鞭毛运动反应调节器，从而影响细菌趋光运动，同时根据上一节指出的微生物学中的研究进展，单个细菌或细菌群的趋光运动是多种因素的复杂函数，从而加快了无人机最优路径的求解过程。
25.在其中一个实施例中，确定细菌密度阈值为：其中，表示细菌阈值，表示第t次迭代的第i个细菌个体的迭代次数，e表示自然常数；对第t次迭代细菌个体的适应度进行排序，选择排序靠前的3个细菌个体作为影响力个体，并计算3个细菌个体的影响力分别为：体作为影响力个体，并计算3个细菌个体的影响力分别为：体作为影响力个体，并计算3个细菌个体的影响力分别为：其中，、和分别表示3个细菌个体的影响力，表示第t次迭代第i个细菌个体的感光蛋白浓度增速算子，表示第t次迭代第i个细菌个体的感光蛋白浓度大小算子，表示第t次迭代细菌个体的感光蛋白浓度大小算子的最佳值；、和均为已知参数；根据影响力和种群中个体的平均距离，得到趋光运动算子为：其中，表示随机函数，表示第t次迭代种群中个体的平均距离，、以及均为影响力个体。
26.在本发明中，计算资源是有限的，随着迭代的进行，种群会爆发式的增长，受到生物生长规律的启发，提出了生长因子，具体的，微生物学研究表明，细菌群会遵循一定的生长规律，它们的生长将历经迟缓期、指数期、稳定期和衰亡期4个阶段。迟缓期时细菌数量基
本保持不变，指数期时呈指数增长，稳定期时群体数量又将保持稳定，也就是新繁殖的细菌数与衰亡的细菌数基本相等；到最后的衰亡期，群体数量不断减少。细菌这样的生长过程就是菌落形成、发展直到消失的演化过程。而光作为调节细菌生物钟的关键因素之一，也在通过光感蛋白对细菌的各种生理过程进行调节。因此，据此设计生长算子，以模拟细菌个体和种群的生长过程。根据种群平均适应度fitnessave、平均感光蛋白浓度大小pcmave、平均感光蛋白浓度增速pcsave将细菌所处生长过程划分为3个阶段，即根据一个细菌的三个属性值与种群平均值进行比较。
27.在其中一个实施例中，根据种群的平均适应度、平均感光蛋白浓度大小以及平均感光蛋白浓度增速，分别计算平均适应度、平均感光蛋白浓度大小以及平均感光蛋白浓度增速；当细菌个体的适应度大于或等于平均适应度，则细菌个体处于迟缓期；当细菌个体的适应度小于平均适应度，且感光蛋白浓度大小和感光蛋白浓度增速任一个不小于平均感光蛋白浓度大小以及平均感光蛋白浓度增速，则细菌个体处于稳定器；当细菌个体的适应度、感光蛋白浓度大小和感光蛋白浓度增速分别小于平均适应度、平均感光蛋白浓度大小以及平均感光蛋白浓度增速，则细菌个体处于生长与衰退期，具体如表1所示。
28.表1细菌生长阶段划分在其中一个实施例中，当成长阶段为迟缓期时，确定细菌个体的生长算子为：其中，表示迟缓期最大探索次数，表示探索后的个体位置，t表示当前探索次数，表示随机函数，第t次迭代中个体的平均距离，为边界检测函数。
29.在其中一个实施例中，当成长阶段为稳定期时，确定细菌个体的生长算子为：
其中，表示稳定期最大探索次数，大于。
30.在其中一个实施例中，当成长阶段为生长与衰退期时，确定细菌个体的生长算子为：为：
其中，表示预先设置的死亡率，表示随机函数，表示本次迭代衰亡的细菌数量，为用于记录衰亡细菌编号的数组，表示全局最优细菌个体，表示当前衰亡的个体、、、、分别表示该个体的迭代次数、蛋白浓度大小、蛋白浓度增速、周围密度。
31.应该理解的是，虽然图1流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
32.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
33.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
34.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。