英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
基于蚁群优化的无人机路径规划方法
张超，资阳震，王道波，孟丽
南京航空航天大学自动化工程学院，南京，210016
摘要：目前提出了一种新的基于蚁群优化（ACO）的无人机路径规划方法。目标位置被认为是蚂蚁将找到的食物来源。敌方防御区域被认为是蚂蚁的搜索区域，并被划分为等间隔的网格。蚂蚁通过网格区域上的多个节点移动到目标节点。 ACO算法的可见性函数考虑路径上的敌方威胁强度和到目的节点的距离。考虑飞行路径长度，威胁代价和偏航角的最大限制的加权和作为ACO算法的评估函数。根据评估函数值更新路径上的信息素数量。因此，无人机最佳飞行路径由一组节点编号表示，蚂蚁通过寻找到食物源的最佳路线获得。基于ACO算法的无人机路径规划方法具有编码简单，优化指导性能好的特点，仿真结果也表明了其有效性。
关键词：无人机，路径规划，蚁群优化，群体智能。
- 引言
路径规划是无人机分配计划系统的关键部分。 它旨在产生最佳或适当的最佳飞行路线，以便在突破敌方威胁区域时轻松完成任务。 路径规划的关键技术包括地形和敌人的信息获取和处理，威胁模型的建立，规划算法的设计和路径跟踪控制。
基于不同的任务需求和战场环境，提出了几种不同的规划方法，如优化控制，奇异摄动法，人工势场法等。 最近，提出了一些基于智能优化技术的规划方法，如遗传算法，蚁群优化算法，粒子群算法等。 其他进化算法和强大的实时飞行路径规划方法也已被研究。
ACO是20世纪90年代提出的群体智能方法之一，它是基于蚂蚁集体寻找食物的自然行为。 ACO原本是用来解决离散优化问题的，也可以解决连续优化问题[。 如果以无人机进入敌防区的某一点为起点，以作战目标为目标点，则通过划分规划空间形成连接起点和目的点的网状图，然后形成无人机路径规划问题转化为路径优化问题，这是一个离散优化问题。
因此，本文提出了一种基于ACO算法的无人机路径规划方法。 首先，将无人机飞行区域划分为网格，将雷达与飞行路段之间的最短距离作为威胁强度， 然后，ACO算法用于优化起点和终点之间的路径。
- 无人机路径规划模型
飞行区域的威胁建模是无人机路径规划的基础。 主要因素包括帮助终端威胁最有效的终端威胁和非终端威胁。颗粒枪，导弹和高能辐射是终端威胁，而目标监视，早期雷达预警，跟踪和火力控制属于非终端威胁。为了生存和安全完成任务，无人机必须具备一定的能力来避免终端和非终端威胁。敏感性概念被用来衡量这种能力，这意味着受到人为环境威胁的可能性。
本文将雷达威胁强度视为雷达位置与飞行路径之间的距离。 距离越短，雷达威胁越大，飞行路径越危险。 传统上，飞行路径被分成若干部分，计算威胁点与分段之间的威胁强度，其总和被认为是飞行路径的整体威胁强度，如：
di是第i个威胁点，D是段数是i路径，N是雷达威胁数量，dijk是第i个路径到第j个威胁点的第k个路段的威胁强度，列出路径段的总数。
图1为威胁强度示意图，其中点线表示飞行路径，T1和T2为威胁点，A和B为飞行点。 例如，对于飞行分段OA，传统上它被分成几个分段，并计算威胁和每个分段之间的威胁强度，总和为分段OA的威胁强度。 大的计算是上述传统方法的主要缺点。 在本文中，只考虑从威胁到飞行路径的最短路径来衡量威胁强度。 在图中。 在图1中，点A是从威胁T1到段OA的最近点，并且点H是从威胁点T2到段OA的最近点。 该段最近的点是威胁最严重的情况，因此它可以反映飞行路线OA的威胁强度和安全水平。 因此，威胁与飞行路段上距离威胁最近的段端点之间的距离将用于表示踏板不在线段时的威胁强度。
图1.威胁强度图
所提出的方法大大降低了计算成本。 雷达威胁强度函数表示为：
其中dij，min是威胁点j和路径段i之间的最短距离，是路径段的数量。 根据无人机的物理条件和战术使用要求，实际合理的飞行路径应考虑其他因素，如最短飞行距离，最大转弯角度和最大飞行距离。 这些因素不是常数。 它们随着不同的任务和不同的任务阶段而变化。 飞行路线规划旨在产生一个相对有效和较短的路径，使无人机能够在满足上述所有要求的同时避免威胁。 因此威胁函数由下式给出：
其中W是雷达总威胁，WL是代表燃料总成本的飞行距离，W#39;是转弯角度之和，13〜ZZ是反映不同任务之间偏好的权重。
- 基于蚁群优化的无人机路径规划方法
3.1 蚁群优化描述
ACO算法的关键步骤是转移概率，可见度和信息素数量的计算。 蚂蚁根据信息素的数量和可见度选择下一个路线或目标点。 在t时刻，从k点开始计算路径的概率由下式计算：
其中允许的k是可选择的可选点组，D和 E分别是信息素和期望因子，（t）ij K是可见性，（t）ij W是点i和j之间的信息素量。 路径上的信息素数量越多，能见度越高，选择此路径的可能性就越大。
蚂蚁会在通过的路线上释放信息素。 蚂蚁通过这条路线越多，信息素就越多。 可见性与特定情况和特定对象的字符有关。 从点i到j的路线上的信息素由下式计算：
蚂蚁的数量是多少，挥发因子是多少，信息素强度是多少k L是完成搜索任务后第k只蚂蚁的评估值。
3.2 飞行路径规划的ACO算法
ACO特别适合解决这个路径规划问题，因为它是一个离散优化问题。 下面显示了无人机飞行路径规划的ACO算法步骤:
步骤1：按照一定的时间间隔将无人机水平飞行区域划分为网格。 地面上的威胁被映射到飞行区域。 给定的无人机起始点是笛卡尔坐标系的原点。 当然，只要将起点和目标点放置在第一条垂直线和最后一条垂直线上，就可以自由地建立垂直和水平坐标。 X轴平均分为m个部分。
步骤2：考虑偏航角度约束。 无人机不允许超过允许的最大偏航角。 因此蚂蚁在选择下一条路径时应该考虑偏航角约束。 给定蚂蚁在时间t（x（t），y（t）），0/代表X坐标轴与从当前点到原点的直线之间的夹角，m \是允许的最大飞行偏航角，则 蚂蚁可以选择满足这个约束的点：
第3步：计算路径可见性。 假设雷达始终在路上不断威胁，因此威胁强度被视为蚂蚁的可见度，也就是说：
步骤4：计算路径概率。 蚂蚁选择下一个飞行路线的概率是：
第5步：评估蚂蚁搜索任务。 当蚂蚁从起点到终点找到一条路径时，蚂蚁完成一个搜索任务，然后通过计算函数（3）得到评估值。 然后我们得到{F(t)}。
第6步：更新路径信息素。 当完成一个搜索任务时，根据评估函数更新路径信息素。 新的信息素按照（5） - （7）获得，其中F(t)=L(t)
- 模拟
仿真无人机在战场上空飞行以验证基于ACO的无人机路径规划方法的有效性。 假设敌方攻击区域为10kmtimes;10km，平均分为1kmtimes;1km的小网格。 所有的威胁强度都是0.5。 威胁的分布位置坐标为：（3km，5km），（5km，6km），（8km，2km），（2km，6km），（6km，7km），（5km，2km），（8km，6km） ，（3公里，2公里）。 在算法的迭代过程中，只调度一个蚂蚁来搜索目标节点。 测试编号为100.一次测试有20次迭代。 ACO算法的其他参数是：1 D，1 E，1 Q。 图2显示了通过100次测试获得的ACO算法的平均收敛过程。 图3显示了ACO算法获得的最终无人机穿透飞行路径。 100次测试后获得100条路径。 大部分蚂蚁通过的节点被认为是每个分段的最终节点。
从仿真结果可以看出，基于ACO算法的路径规划方法能够产生合理的路径，使得无人机能够安全地穿越防御区域并在较短的时间内到达目的地点。 由于一次迭代只有一只蚂蚁，因此这种智能规划算法的计算成本很小。
蚂蚁号码F
图2 ACO算法的收敛过程
图3. ACO算法优化的无人机飞行路径
- 结论
在本文中，ACO用于UAV路径规划，将飞行区域划分为网格并优化网格点和目的地点之间的路径。 由于ACO是寻找最短路径食物的蚂蚁，因此与其他优化方法相比，路径规划更合适。 ACO采取积极的反馈机制，所以其过程具有强烈的指示性，取得良好的效果。 与传统的基于ACO的路径规划方法相比，威胁强度的计算更小。 仿真结果也证明了ACO可以有效，快速地完成无人航迹规划。 但是，由于ACO产生的路径包含一系列连接点，为了适用于实际的无人机飞行，仍然需要平滑处理。
蚁群优化算法
摘要:采用蚁群算法和遗传规划算法，提出了混合算法求解组合优化问题。 蚁群优化算法的进化过程采用遗传操作来增强蚂蚁向解状态的运动。 通过累积最有效的子解，算法收敛到最优的最终解决方案。
关键词：ACO遗传算法系统理论
- 背景和相关工作
遗传算法（Genetic Algorithms，GA）已被用于为特定任务演化计算机程序，并设计其他计算结构。遗传编程（GP）的工作促成了AP与遗传算法近期兴起的兴趣。GP范式提供了一种通过搜索可能的计算机程序的空间来进行程序归纳的方法，用于个人计算机程序，该计算机程序非常适合于解决或近似解决手边的问题。遗传编程范例允许可以执行替代的计算机程序的演变以中间计算的结果为条件的计算，其可以对许多不同类型的变量执行计算，其可以执行迭代和递归以实现期望的结果，其可以定义并随后使用计算的值和子程序，并且其大小，形状和事先没有规定复杂性。 GP使用相对较低级别的基元，这些基元是单独定义的，而不是将先验结合到高级基元中，因为这种机制会生成分层结构，从而有助于从内置的低级基元创建新的高级基元。
不幸的是，由于每个现实生活中的问题都是动态问题，因此他们的行为非常复杂，GP遭受严重的弱点。随机系统部分原因是混沌很重要，因为它可以帮助我们应对不稳定的系统，提高我们描述，理解甚至预测它们的能力。 蚁群优化（ACO）是Marco Dorigo博士与Alberto Colorni和Vittorio Maniezzo 合作开展的组合优化计算智能方法研究的结果。 ACO的基本方法是一个迭代过程，在这个过程中，一群简单的代理人重复构建候选解决方案; 这个建筑过程由给定问题实例的启发式信息以及包含蚂蚁在先前迭代中收集的经验的共享存储器概率性地指导。 ACO已被应用于广泛的硬组合问题。 问题根据组件和状态来定义，这些组件是一系列组件。 蚁群优化在这些组件的空间中增量生成解决方案路径，为状态添加新组件。存储器保留了所有观察到的解决方案组件对之间的转换，并且取决于其发生的解决方案的质量，每个转换都有一定程度的可取性。 当生成新的解决方案时，组件y被包含在一个状态中，其概率与包含在状态中的最后一个组件与y本身之间的转换的适宜性成正比。主要思想是使用自组织原则来协调合作解决计算问题的人工代理人群。 自组织是一系列动力学机制，通过这些动力学机制，结构从其较低层组件之间的相互作用出现在系统的全局层面。 规定系统组成单元之间相互作用的规则是纯粹基于的地方信息，而不涉及全球模式，这是系统的一个新兴特性，而不是通过外部订购影响强加给系统的财产。 例如，蚂蚁觅食情况下的新兴结构包括时空组织的信息素路径网络。这项工作的目的是通过使用GP技术来增强ACO的能力，正如我们在下一节中所描述的那样。
- 遗传编程
遗传编程的一些特殊优点是不需要分析知识，仍然可以获得准确的结果。 GP方法确实可以扩展与问题的大小。 GP确实对如何制定解决方案的结构施加限制。 有几种GP的变体，其中一些是：线性遗传程序设计（LGP），基因表达式程序设计（GEP），多表达式程序设计（MEP），笛卡尔遗传程序设计（CGP），无痕遗传程序设计（TGP）和遗传算法 派生软件（GADS）。 在下一节中，我们将集中研究CGP，因为它与我们提出的方法最接近[ .Cartesian Genetic Programming最初是由Miller和Thomson 开发的，目的是发展数字电路 并将程序表示为有向图。这种表示形式的好处之一是隐式地重新使用节点中的节点有向图。最初CGP使用由用户定义的行数和列数的矩形网格节点定义的程序拓扑结构。在CGP中，基因型是一个固定长度的表示，由一个整数列表组成，这些整数对有向图中每个节点的函数和连接进行编码。然后将基因型映射到可作为程序执行的索引图。在CGP中，由于存在大量冗余，因此存在非常大量的基因型映射到相同的基因型。首先，节点冗余是由与节点不相关的基因引起的，这些节点不是表示节目的连接图的一部分。 CGP中的另一种冗余形式，也存在于所有其他形式的GP是功能冗余。西蒙哈丁和有限公司介绍计算发展使用一种形式的笛卡尔遗传编程，其中包括自我修改操作.. C
全文共7565字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14428]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
