[发明专利]基于并行启发式算法的无人机路径规划方法

摘要

本发明公开了一种基于并行启发式算法的无人机路径规划方法，利用全局搜索与局部寻优相结合的机制，推动算法使代价函数随着迭代的进行出现阶梯下降的趋势，使算法既能在全局环境中搜索到细胞的较优解，又能在寻到的较优解周围继续进行局部挖掘，提高了算法的多样性和精确性。

主权项

1.一种基于并行启发式算法的无人机路径规划方法，包含以下步骤：步骤1、确定细胞种群中的细胞数目、对细胞进行搜索的最大迭代次数和细胞搜索空间P，初始化细胞的位置以及将细胞种群划分为四个子群G1，G2，G3，G4；其中，每个细胞的位置是一个2N维向量，代表一条无人机飞行的潜在的路径，细胞位置的每一维度依次代表路径点的横纵坐标；步骤2、通过以下搜索公式对子群G1中的各细胞的新位置进行搜索：reflection1＝R*G1[i].Pointsvisibility1＝V*(Best.Points‑G1[i].Points)Newsolution1＝reflection1+visibility1其中：R＝random()*(r1‑r2)+r2，V＝random()*(v1‑v2)+v2，r1、r2、v1、v2为算法调节参数，即R是r1到r2之间均匀分布的随机数，V是v1和v2之间均匀分布的随机数，G1[i].Points代表子群G1中第i个细胞的位置向量，reflection1代表子群G1中第i个细胞的反射度，visibility1代表子群G1中第i个细胞的可见度；Newsolution1代表子群G1中第i个细胞的新位置；通过以下搜索公式对子群G2中的各细胞的新位置进行搜索：reflection2＝R*Best.Pointsvisibility2＝Best.Points‑G2[i].PointsNewsolution2＝reflection2+visibility2其中：G2[i].Points代表子群G2中第i个细胞的位置向量，reflection2代表子群G2中第i个细胞的反射度，visibility2代表子群G2中第i个细胞的可见度，Newsolution2代表子群G2中第i个细胞的新位置；通过以下搜索公式对子群G3中的细胞的新的位置Newsolution3进行搜索：reflection3＝G3[i].Pointsvisibility3＝ω*visibility3+c1(pid‑G3[i].Points)+c2(pgd‑G3[i].Points)Newsolution2＝reflection2+visibility2其中：G3[i].Points代表子群G3中第i个细胞的位置向量，ω、c1、c2是算法设定的调节参数，pid代表单个细胞所搜寻到的历史最优位置，pgd代表所有细胞搜寻到的最优位置，reflection3代表子群G3中第i个细胞的反射度，visibility3代表子群G3中第i个细胞的可见度，Newsolution3代表子群G3中第i个细胞的新位置；通过以下搜索公式对子群G4中的细胞的新的位置Newsolution4进行搜索：reflection4＝G4[i].Pointsreflection4＝V*(Best.Points‑av)Newsolution4＝reflection4+visibility4其中：G4[i].Points代表子群G4中第i个细胞的位置向量，reflection4代表子群G4中第i个细胞的反射度，visibility4代表子群G4中第i个细胞的可见度，Newsolution4代表子群G4中第i个细胞的新位置；步骤3、将迭代过程中每个子群搜索的性能最好的细胞的位置进行平均，储存在av中，所有子群性能最好的细胞位置储存在Best.Points中；步骤4、如果已经达到步骤1设定的最大迭代次数，则转移到步骤5，否则转到步骤2重新进行搜索。步骤5、根据步骤4结束得到最优细胞的位置Best.Points，可以得到一条含N个路径点的有序路径序列。