[发明专利]基于传教士优化算法的无人机航迹规划方法

说明书

基于传教士优化算法的无人机航迹规划方法，本发明涉及无人机航迹规划方法。本发明的目的是为了解决目前UAV航迹规划算法存在收敛速度慢，规划效果差的问题，以及需要极大的计算资源来完成UAV的航迹规划的问题。过程为：一：初始化参数；二：生成loc(i)，迭代索引n_iter＝1；三：计算在第n_iter次迭代中所有个体航迹的目标函数数值；四：若|f_min(n_iter)‑f_min(n_iter‑1)|≤τ或n_iter＞N_iter停止迭代，执行九；否则进行五；五：生成loc′(i)；六：生成loc″(i)；七：生成loc″′(i)；八：对loc(i)进行更新，迭代索引加1，重复三至八；九：输出最优航迹。本发明用于机器人控制领域。

技术领域

本发明属于机器人控制领域，具体涉及无人机航迹规划方法，是一种利用飞行器控制与导航技术、最优化以及计算机科学与技术等来实现基于传教士优化的无人机航迹规划方法。

背景技术

随着自动控制以及人工智能领域的蓬勃发展，无人机(Unmanned AerialVehicle,UAV) 被广泛应用于各种场景之中，如灾难营救、未知环境勘探，战场中远程精确打击目标以及针对某一环境的覆盖式探索。这一领域的发展可以极大的提高任务完成效率并避免不必要的人员伤亡，对于军事领域以及民用领域都具有重要意义。

目前常见的群智能优化算法包括蚁群算法(Ant Colony Optimization,ACO)、差分进化算法(Differential Evolution,DE)，果蝇优化算法(Fruit Fly OptimizationAlgorithm, FOA)、粒子群优化算法(Particle Swarm Optimization,PSO)等。其中，专业人员改进了 ACO算法中的信息素分布以及转移概率，实现了复杂障碍环境下的UAV航迹规划。针对存在U型障碍物环境的航迹规划场景，可以利用Splicing Method和DijkstraMethod搜索算法消除多余的路径，以避免蚂蚁陷入U型障碍的死胡同。为了提升航迹规划算法的性能，可以将DE算法与逼近策略结合，形成一种混合差分进化算法，并用于固定翼UAV 在复杂三维环境下的航迹规划。此外，基于拐点的DE/best/1策略可以增强DE算法的收敛速度，以应对灾难场景对于UAV营救速度的需求。为了提升算法收敛速度，可以采用基于最优参考点果蝇优化算法，将两个连续航迹点的中点设置为参考点以提高FOA算法的收敛速度。多种群FOA算法则将所有果蝇分为多个种群，以扩展搜索空间并增加算法的全局搜索能力。并且在搜索开始阶段倾向于全局搜索而在搜索后半段倾向于局部搜索。为了避免各自的种群陷入局部最优，在产生后代时引入了其它种群的最优解。针对阵型汇合型任务背景，专业人员提出了一种基于精英保持策略的分布式合作PSO算法(Elite Keeping StrategyDistributed Cooperative PSO,DCPSO)。该DCPSO算法在每次迭代中各个子群落首先分别执行PSO算法输出各自的最优解，然后形成最优解集并重新计算合作代价。为了提升PSO算法在航迹规划领域的表现，专业人员将综合改进粒子群算法 (Comprehensively ImprovedPSO,CIPSO)应用于UAV航迹规划。其中，混沌Logistic 映射可以令算法的初始值更加随机，并利用一种自适应线性变化策略来调整CIPSO算法中的参数。仿真结果证明了该算法在收敛速度以及航迹规划结果方面的优势，但其采用的地形图过于简单，无法评估在复杂地形下的算法性能。

传教优化算法(Preaching Optimization Algorithm,POA)是近年提出的一种群智能优化算法，该算法结合个体适应度以及位置之间的关系计算权重，以维持个体的多样性，且利用精英策略以及人工免疫算法加速收敛。最终专业人员通过CEC’17数据集的测试结果说明了该算法在收敛速度以及精度方面的性能。但将POA算法应用于UAV航迹规划时，POA算法中随机初始化传教士位置的方式并没有结合航迹的方向特性，且对于三维坐标以及边界条件的处理仍存在一些问题需要解决。

发明内容