[发明专利]基于BOA-TSAR算法的近地配送无人机路径规划方法

权利要求书

1.基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于，包括以下步骤：

S1，基于BOA算法的初始蝴蝶种群的生成问题，加入去除短周期特性的改进型Tent混沌映射；

S2，通过结合非线性自适应惯性权重、模拟退火法的Metropolis准则以及具有全局自适应特征的随机性变异，改进BOA算法；

S3，将改进的BOA算法与无人机路径规划相结合，通过改进型三维布雷森汉姆线算法的视野线(LOS)检测用以实现初始路径种群的合理化生成。

2.根据权利要求1所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述步骤S1具体包括：

S11，在Tent混沌映射中添加微小扰动；

S12，在微小扰动当中添加基于F分布的随机数。

3.根据权利要求1或2所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：基于F分布去除短周期特性的改进型混沌映射的公式如下所示：

其中frnd(a,b)为服从F分布所产生的随机数，x_n表示混沌映射当前产生的序列数，δ∈[0,1]，x_n+1表示混沌映射产生的下一个序列数。

4.根据权利要求1所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述步骤S2具体包括：

S21，在BOA算法的全局搜索阶段引入自适应非线性惯性权重；

S22，在BOA算法的迭代过程中引入模拟退火过程的Metropolis准则；

S23，在BOA算法的全局搜索阶段引入带有自适应特征的随机性变异因子。

5.根据权利要求4所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述自适应非线性惯性权重，如下所示：

其中ω_BOA表示当前蝴蝶的惯性权重值，Fitness_t,g表示第t次迭代中的最优蝴蝶的适应度，Fitness_t,i表示第t次迭代当中第i只蝴蝶的适应度，N_iter表示最大迭代次数，将ω_BOA拆分成两个部分权重，其中ω₁与蝴蝶个体的适应度相关，它会依照蝴蝶个体的适应度值的变化而自动做出调整，ω₂的取值则会随着迭代次数的增加呈现出减速递减趋势。

6.根据权利要求4所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述Metropolis准则如下所示：当前蝴蝶个体的状态为其所对应的适应度表示为Fitness_t,i，蝴蝶经过移动之后状态为适应度为Fitness_t,i+1，则定义当前蝴蝶个体的状态由变为的概率为p_metr，公式如下所示：

其中T_frag表示物理环境中的香味残留系数。

7.根据权利要求4所述基于BOA-TSAR算法的近地配送无人机路径规划方法，其特征在于：所述带有自适应特征的随机性变异因子，公式如下所示：

其中Mu表示带有自适应特征的随机性变异因子，γ为变异算子，γ₀为初始变异算子，变异算子γ的表达式如下所示：

其中chi2pdf(χ_free)表示自由度为χ_free的卡方分布概率密度函数，N_iter表示最大迭代次数。