[发明专利]一种基于改进蝙蝠算法的无人机航路规划方法

权利要求书

1.一种基于改进蝙蝠算法的无人机航路规划方法，所述改进蝙蝠算法：其一是以传统的蝙蝠算法为基础，引入寻优成功率以改变蝙蝠个体速度更新方式；其二采用混沌方法初始化蝙蝠个体在搜索空间内的分布，提高搜索效率；其三利用人工势场的概念模拟终点的引力场与起始点和障碍物的斥力场，加速蝙蝠个体向最优解运动的速度；综合以上三点提出了基于混沌人工势场的改进蝙蝠算法；其特征如下：

其应用于无人机航路规划上，具体包括如下步骤：

步骤1：设置蝙蝠算法执行过程中的必要参数，必要参数包括迭代次数、初始速度、初始位置、初始发声频率、初始响度；设置混沌策略参数，均匀分布；设置人工势场，定义起点、目标点、障碍物的引力与斥力势函数；

步骤2：根据无人机飞行代价函数、约束条件建立无人机飞行模型，确定无人机航路规划任务的性能评价机制；

步骤3：利用基于人工势场与混沌策略的改进蝙蝠算法对无人机航路规划代价函数进行优化，最终得到无人机航路规划的飞行轨迹；

所述步骤1的具体步骤为：

步骤1.1对于虚拟蝙蝠在d维搜索空间下，t时刻蝙蝠发声频率f_i、速度v_i和位置x_i的更新公式为：

f_i＝f_min+(f_max-f_min)×β

v_i^t＝v_i^t-1+(x_i^t-1-x_*)×f

x_i^t＝x_i^t-1+v_i^t

对于发声频率的更新中，β为一个服从均匀分布的随机变量，且满足β∈[0,1]；f_max与f_min为初始设定的发声频率范围的最大值与最小值；公式中的x_*是当前全局最优解的位置，这个值是蝙蝠种群中的所有个体进行适应度值比较所得出的最优值；蝙蝠个体根据自身上一时刻所处的位置与全局最优解x_*的接近程度来衡量其向最优解运动的加速度；下一时刻的运动速度还受到上一时刻速度的影响；

以上是蝙蝠种群在解空间内进行全局搜索时所遵循的迭代机制，而全局最优解附近的蝙蝠采用随机游走法则产生局部新解：

x_new＝x_old+εA^t

在式中，ε∈[-1,1]是一个随机数；是所有蝙蝠在t时刻的平均响度；r^t＝＜r_i^t＞是所有蝙蝠在t时刻的平均发声频率；

时刻t的蝙蝠个体发声频率和响度的更新公式描述如下：

r_i^t+1＝r_i⁰[1-exp(-γt)]

α与γ均是常量，通常取α＝γ＝0.9；

步骤1.2：人工势场法的灵感源自静电场异种电荷产生引力与同种电荷产生斥力的原理，将搜索空间内障碍物与飞行器之间的作用力定义为斥力，目标点与飞行器之间的作用力定义为引力；将人工势场法应用到航路规划问题中，将障碍物与威胁源设为斥力场，将目标点设为引力场，这样的策略加快整个航路规划算法的收敛速度；

表示斥力，表示引力，表示飞行器所受合力，直接影响着飞行器的运动；根据人工势场的梯度下降方法，斥力和引力可以表示为：

假设n为搜索空间内的任意一点，该点所受的引力F_a(x)和斥力F_r(x)可以表示为：

步骤1.3：混沌算法的基础是logistic映射：

x_n+1＝μx_n(1-x_n-1)，n＝1,2,.....

当μ＝4时，该映射成为[0，1]区间上的满射，迭代生成的值是出于一种伪随机分布的状态，而在其他取值时，在经过一定次数的迭代之后，生成的值将收敛到一个特定的数值，蝙蝠种群在归一化后的搜索空间内随机分布，将极大提高种群全局搜索的效率；同时，蝙蝠个体在各自局部搜索的过程中极难再有大范围的位置的变迁，初始种群均匀的、随机的分布有效地解决了蝙蝠种群搜索后期易陷入局部最优解的问题；

因此，在结合人工势场的同时，即采用基于混沌策略的Logistic映射初始化蝙蝠种群在解空间中的分布，以使得算法整体的收敛速度加快，并极大地减少了陷入局部最优解的可能；

所述步骤2的具体步骤为：

步骤2.1：群智能算法在寻优过程中有全局搜索与局部搜索的过程，全局搜索为了确定最优解所在的大致范围；而局部搜索则在这些范围内进行精确寻优；

对于全局搜索和局部搜索的权衡直接影响到搜索效率和寻优精度，利用自适应惯性权重w来改写蝙蝠速度更新公式，如下所示：

v_i^t＝wv_i^t-1+(x_i^t-1-x_*)×f

并引入寻优成功率的概念，使得惯性权重随蝙蝠群体的寻优成功率进行自适应调整，基于寻优成功率的自适应惯性权重定义如下：

其中，是蝙蝠群体的寻优成功率；N代表蝙蝠种群数量；表示蝙蝠个体i在第t次迭代过程中的寻优结果，表示t代的适应值优于t-1代，搜索到了更优解，如若不然则

引入寻优成功率的自适应惯性权重，区别于传统的线性惯性权重，更好地权衡了全局搜索与局部搜索的比重。寻优成功率的引入是一种带反馈机制的参数调节方法，全局搜索的寻优结果将影响自适应惯性权重的取值，进而改变蝙蝠个体的速度，以及其进入局部搜索的时机；

步骤2.2：无人机飞行过程中的代价函数可以分为三部分，分别是航路长度代价、威胁代价以及燃料消耗代价；总代价函数用J来表示，则关于总代价函数J的最小化问题定义如下：

min J＝k₁J_L+k₂J_T+(1-k₁-k₂)J_F

其中，J_L是指航路长度代价，J_T是指威胁所产生的代价，J_F是指飞行中产生的燃料消耗代价；k₁,k₂均为正常数，且满足0≤k₁≤1,0≤k₂≤1；

对于航路长度代价J_L定义如下：

其中，L是指总的飞行路径的长度，l_ij是航迹分段长度，用以计算航路平滑进行前无法采用积分计算的航路的长度；

对于威胁所产生的代价J_T定义如下：

其中，t_k是威胁因子，是威胁源对无人机威胁程度的度量；N_t表示威胁源的总个数；无人机当前所处坐标为(x,y)；威胁源中心坐标为(x_k,y_k)；

对于燃料消耗代价J_F定义如下：

其中，中的k表示无人机行驶单位长度路径所消耗的燃料代价；中，H是无人机飞行安全圈的高度，无人机飞行高度不超过这个值，w₀表示无人机维持高度H时所需要消耗的燃料代价，h表示无人机当前所处的高度；

所述步骤3的具体步骤为：

步骤3.1：无人机在飞行过程中需要符合自身动力学特性，选取航迹中的一部分航路点作为模型来说明，设A(x_i-1,y_i-1,z_i-1)为上一个航路点，B(x_i,y_i,z_i)为当前航路点，C(x_i+1,y_i+1,z_i+1)为下一个航路点，并记为航迹点迁移向量；

无人机飞行过程中想要改变自身高度时，需要做爬升或是俯冲操作，假定最大爬升与俯冲角度为θ，那么对于无人机爬升/俯冲角的约束为：

无人机在避开障碍物的过程中，可能会出现规划航迹内切圆所对应的转弯半径过小的情况，违反了无人机自身飞行特性；因此，对于无人机飞行中的最小转弯半径作出限制，航路夹角则最小转弯角可以通过下式确定：

其中，r_min为最小转弯半径；

对于地面的绝对高度h要有最大值限制h≤H，这里的H正是飞行安全圆所在平面的高度；而为了能对地形变化做出及时反应，要求无人机距离地形表面的相对高度h_i≥h_min；

步骤3.2：无人机利用自身传感器检测静止障碍物与动态障碍物，而识别出障碍物后对于障碍物的规避机制是影响航路规划效果的关键因素；

根据威胁源的个数将分航迹段再次进行分段以计算威胁代价一般地，这个威胁代价可以表示为：

其中，N_T代表威胁源的数目，t_j代表威胁源的威胁因子，d_k(i,j)表示第k个分航迹段的起始点i与j之间的直线距离；l_i表示航迹分段的数目；

障碍物的规避过程就是满足约束条件下威胁代价最小化的过程，利用智能算法求解最优化问题的优势，其预规划出的最优航路可以有效地规避空间中的静态障碍物威胁；而对于动态障碍物的规避，需要无人机在识别出动态障碍物并紧急躲避后重新回到预规划最优航路，这个过程也称为航路追随；

步骤3.3：采用两点三次Hermite插值方法来实现航路平滑；

已知插值节点x₀,x₁上的函数值与导数值分别为：

y_i＝f(x_i),m_i＝f′(x_i), i＝0,1

需要求一个次数不超过3次的多项式H₃(x)，使之满足：

H₃(x_i)＝y_i,H₃′(x_i)＝m_i, i＝0,1

引入插值基函数α₀(x),α₁(x),β₀(x),β₁(x)来求H₃(x)；可以表示为：

H₃(x)＝y₀α₀(x)+y₁α₁(x)+m₀β₀(x)+m₁β₁(x)

为满足插值条件，差值基函数有如下限制：

β_i(x_j)＝0,β_i′(x_j)＝δ_ij, i,j＝0,1

利用待定系数法求得各插值基函数表达式：

待规划航路折线段经过两点三次Hermite插值后，将用弧段来替代先前的折线段飞行轨迹，这样的做法实现了预规划航路平滑问题。