本发明涉及一种无人机航路规划方法，特别是涉及基于自适应权重鸽群算法的无人机航路规划方法，该方法属于人工智能领域，该方法具体步骤如下：初始化参数、初始化航路、威胁代价计算、自适应权重系数的地磁算子和地标算子规划航路以及航路平滑处理，自适应权重鸽群算法通过对算法中参数的调整能够解决不同情况下的无人机航路规划问题，可以自由地根据无人机的应用领域和约束条件等因素的变化改变参数，从而达到更好的规划效果。
1.一种基于自适应权重鸽群算法的无人机航路规划方法，其特征在于：该方法具体步骤如下：步骤一：初始化参数
初始化参数维数D＝20,初始化种群数量pigeonnum＝120,威胁代价评估比例因子k＝
0.3,自适应鸽群算法地磁算子操作阶段和地标算子操作阶段的迭代次数分别为T1＝100，T2＝40，地磁算子参数R＝0.2，自适应权重惯性系数的最大值wmax＝0.7,最小值wmin＝0.4步骤二：初始化航路步骤三：威胁代价计算
无人机航路规划的性能指标主要包括完成规定任务的安全性能指标和燃油性能指标，即威胁代价最小性能指标和燃油代价最小性能指标；
min J＝kJt+(1-k)Jf 公式(3)其中，威胁代价的评估模型为公式(4)；当无人机沿路径Lij飞行时，Nt个威胁源对其产生的总威胁代价按公式(4)计算：为了简化威胁代价计算，把每条边分为5段，取其中5个点来计算这条边所受到的威胁代价，若威胁点到该边的距离在威胁半径之内，按公式(5)计算它的威胁代价；
上式中，Lij为连接节点i,j边的长度，d(0.1,k)表示Lij边上的1/10分点距第k个威胁源中心的距离，tk为威胁因子，表示当前威胁对无人机航行的威胁等级；
步骤四：自适应权重系数的地磁算子和地标算子规划航路自适应权重系数根据公式(6)计算得出其中，ωmin和ωmax分别表示惯性权重系数ω的最小值和最大值，f为威胁代价评估函数，favg表示当前鸽群中的平均威胁代价值，fmin表示当前鸽群中的最小威胁代价值，无人机航路规划中应用自适应鸽群算法的具体过程为：第一步：开始地磁操作阶段，根据威胁代价评估模型对鸽群中的每个粒子计算威胁代价值；
第二步：根据求出的每个鸽子的威胁代价值更新局部最优解xp和全局最优解xg；
第三步:判断是否达到地磁操作的最大迭代次数，若大于地磁操作的最大迭代次数，则转到第四步继续执行地标操作，否则，返回第一步；
第四步：根据规则求出当前鸽群中距离目的地最近的位置，即求出所有鸽子的中心位置，并在此处将鸽群规模减半；
第五步：计算当前鸽群中每个鸽子的威胁代价值，并据此更新局部最优解xp和全局最优解xg；
第六步：判断是否达到地标操作的最大迭代次数；若大于地标操作的最大迭代次数，则程序结束，当前的全局最优解的位置即为所求的所有航路点；否则，返回第四步；
其中参数p为平滑参数，且取值范围为0≤p≤1，wi为权重系数，且取值范围为0≤wi≤1；
所述步骤四中在自适应鸽群算法的地磁操作阶段，在D维搜索空间中，每次迭代都根据公式(8)(9)来计算更新粒子的度和位置；
vi(t)＝ω·vi(t-1)·e +rand·(xg-xi(t-1) 公式(8)xi(t)＝xi(t-1)+vi(t) 公式(9)其中，R是地磁算子，rand是一个随机数，xg为当前的全局最优位置，利用初始化的种群粒子的位置和速度，根据初始个体的代价函数值更新局部最优位置和全局最优位置。
2.如权利要求1所述的一种基于自适应权重鸽群算法的无人机航路规划方法，其特征在于：所述步骤四中地标算子操作阶段，鸽群的规则由公式(10)制定；此后，设置所有鸽子的中心位置鸽子xc的飞行方向为目的地方向，第t次迭代时，鸽子i的位置由公式(11)(12)确定；
xi(t)＝xi(t-1)+rand·(xc(t)-xi(t-1) 公式(12)其中，fitness()为威胁建模后得出的威胁代价值最小的位置，通过此过程得出威胁代价最小的位置。
3.如权利要求1所述的一种基于自适应权重鸽群算法的无人机航路规划方法，其特征在于：所述步骤五中通过对平滑参数p的控制调控航路平滑的程度与效果。
一种基于自适应权重鸽群算法的无人机航路规划方法
技术领域
[0001] 本发明涉及一种无人机航路规划方法，特别是涉及基于自适应权重鸽群算法的无人机航路规划方法，该方法属于人工智能领域。
背景技术
[0002] 无人机(Unmanned Aerial Vehicle，UAV)在复杂威胁环境中的航路规划问题一直各专家和学者研究的重点。。民用无人机的航路规划需要考虑城市建筑物的阻挡、自然地理环境的限制和特殊的天气气候等因素。军用无人机根据所属的机器类型不同、执行任务的不同也需要时刻考虑地理自然环境、地方雷达信号干扰等造成的威胁。
[0003] 群智能仿生算法是人工智能的一个分支，主要包括微粒群算法、蚁群算法人工蜂群算法和鸽群算法等。群智能仿生算法应用于无人机航路规划的优点在于生物种群的特殊行为模型能够更好的与无人机的行为模型吻合，从而能够为无人机航路规划提供更好的模型依据。1991年M.Dorigo、V.Maniez-zo、A.colorini等人提出了蚁群优化算法(Ant Algorithm)，用于求解TSP问题。许多学者已经对微粒群算法和蚁群算法从不同的角度出发，在不同的应用领域进行了优化，得出了许多优化的群智能仿生算法算法。此外，许多国内学者也提出了许多新的智能优化算法。2002年我国学者李晓磊、邵之江、钱积新等提出了人工鱼群算法；Karaboga等模拟蜜蜂群的智能采蜜行为，提出了人工蜂群算法。
[0004] 现有的鸽群算法在无人机航路规划中的应用主要分为两个阶段：鸽群先按照太阳和磁场进行初步定位，此处使用地磁算子对种群中粒子的飞行速度和位置进行控制；然后依照地标进行精确定位，此阶段使用地标算子模拟鸽群的寻优行为。经过仿真实验结果表明单一的鸽群算法进行航路规划存在一些缺陷。例如，现有的鸽群算法更容易陷入局部最优解；算法的收敛速度较慢，收敛速度不稳定等问题，在实际的航路规划中，可能导致相同条件下的规划结果差异较大，不具备参考性；应用于航路规划中的威胁代价消耗过大；现有的使用鸽群算法应用在航路规划时并没有对鸽群算法得到的航路进行平滑处理。
[0005] 自适应权重鸽群算法(AWPIO)是在现有的鸽群算法的基础上在种群粒子寻找最优解的过程中添加自适应权重的惯性引导因子，在最大程度上避免陷入局部最优解。原有的无人机航路规划算法在进行航路规划时都或多或少的存在陷入局部最优解的问题，导致无人机在整个飞行过程中并不是按照最优路线航行。
发明内容
[0006] 现有的鸽群算法在解决无人机航路规划问题中存在对复杂地形不能进行精准的航路规划，针对这个问题，对鸽群算法进行了改进，使用自适应权重的鸽群算法计算并求解航路规划问题中的最优航路点，并使用数学模型对所求航路点进行路径平滑计算操作。
[0007] 本发明自适应权重鸽群算法的无人机航路规划方法包括以下几个步骤：
[0008] 步骤1：初始化自适应鸽群算法参数
[0009] (1)初始化参数维数D
[0010] D是解的维数，与优化问题的规模相关，本发明中设置D＝20即是在问题规模维度为20的空间中进行问题寻优。
[0011] (2)初始化种群数量
[0012] 种群数量的设置决定了问题求解的精度，种群规模寻优精度越高，但是消耗的时间复杂度也越高。因此，在均衡时间复杂度和寻优精度的情况下，本发明设置种群数量pigeonnum为120。
[0013] (3)初始化迭代次数
[0014] 自适应鸽群算法分为两个阶段进行计算，分别是地磁算子操作阶段和地标算子操作阶段。进行航路规划之前需要分别设定两个阶段运行的最大迭代次数为T1＝100，T2＝40。
[0015] (4)初始化自适应权重系数的取值范围ω
[0016] 初始化自适应权重系数ω的最大值ωmax和最小值ωmin，这两个值的确定影响自适应地磁算子操作阶段的寻优效率。
[0017] 步骤2：初始化航路
[0018] 现有的鸽群优化算法在进行无人机航路规划时，都是直接使用鸽群算法进行最优解的计算，并没有对无人机航行的初始路径进行初始化，本文中增加了航路的初始化部分，为此后的鸽群算法提供一个更优的初始最优值。对航路进行初始化后可以减少算法的计算时间，并且能够提高鸽群算法的执行效率。
[0019] 步骤3：威胁代价计算
[0020] 无人机航路规划的性能指标主要包括完成规定任务的安全性能指标和燃油性能指标，即威胁代价最小性能指标和燃油代价最小性能指标。
[0021] 威胁代价最小值按公式(1)计算：
[0022] L为航路的长度 公式(1)
[0023] 油耗代价最小值按公式(2)计算：
[0024] L为航路的长度 公式(2)
[0025] 总威胁代价评估模型为公式(3):
[0026] minJ＝kJt+(1-k)Jf 公式(3)
[0027] 其中，威胁代价的评估模型为公式(4)，当无人机沿路径Lij飞行时，Nt个威胁源对其产生的总威胁代价按公式(4)计算：
[0028]
[0029] 为了简化威胁代价计算，把每条边分为5段，取其中5个点来计算这条边所受到的威胁代价，若威胁点到该边的距离在威胁半径之内，按公式(5)计算它的威胁代价。
[0030]
[0031] 上式中，Lij为连接节点i,j边的长度，d(0.1,k)表示Lij边上的1/10分点距第k个威胁源中心的距离，tk为威胁因子，表示当前威胁对无人机航行的威胁等级。
[0032] 步骤4：自适应权重系数的地磁算子和地标算子规划航路
[0033] (1)地磁算子操作阶段
[0034] 普通的鸽群算法在求解局部最优解和全局最优解时，存在易于陷入局部极值的问题。因此，为了均衡鸽群算法的局部搜索能力和全局搜索能力，在鸽群算法的地磁操作部分引入非线性的动态惯性权重系数(即自适应权重系数)，从而提高整个算法在航路规划中的效率，自适应权重系数根据公式(6)计算得出。
[0035]
[0036] 其中，ωmin和ωmax分别表示惯性权重系数ω的最小值和最大值，f为威胁代价评估函数，fmin表示当前鸽群中的平均威胁代价值，fmin表示当前鸽群中的最小威胁代价值。
[0037] 鸽群能够通过自身对地磁的感应在大脑中绘制出简要地图，再根据太阳的方向辨别目的地的方向。在自适应鸽群算法的地磁操作阶段，在D维搜索空间中，每次迭代都根据公式(7)(8)来计算更新粒子的速度和位置。
[0038] vi(t)＝ω·vi(t-1)·e-Rt+rand·(xg-xi(t-1)) 公式(7)
[0039] xi(t)＝xi(t-1)+vi(t) 公式(8)
[0040] 其中，R是地磁算子，rand是一个随机数，xg为当前的全局最优位置，全局最优解是通过比较当前种群中所有粒子的威胁代价值和距离目的地的距离而得出的。
[0041] 利用初始化的种群粒子的位置和速度，根据初始个体的代价函数值更新局部最优位置和全局最优位置。反复使用自适应权重系数的地磁算子进行寻优，直到迭代次数大于地磁算子的最大迭代次数时停止操作。
[0042] (2)地标算子操作阶段
[0043] 在地磁算子操作阶段得到的全局最优粒子作为地标算子操作阶段的初始种群进行路径寻优。
[0044] 引入地标算子，鸽子据此判断当前位置是否和地标算子的位置相似，若判断出两者位置相似，鸽群直接飞向目的地；否则，其余鸽子将跟随地标相似的鸽子飞去。在地标操作过程中，若所有鸽子经过判断后发现所有鸽子都与地标算子的位置不相似，则每次迭代都去除种群数量一半的鸽子，此处选择鸽群的规则由公式(9)制定。此后，设置所有鸽子的中心位置鸽子(xc)的飞行方向为目的地方向。第t次迭代时，鸽子i的位置由公式(10)(11)确定。
[0045]
[0046]
[0047] xi(t)＝xi(t-1)+rand·(xc(t)-xi(t-1)) 公式(11)
[0048] 其中，fitness()为威胁建模后得出的威胁代价值最小的位置。通过此过程得出威胁代价最小的位置。通过地标操作的计算可以更快的寻找到目的地的位置，从而是无人机更快的飞向目的地，提高飞行效率。
[0049] 根据以上公式的计算，最终保留当前全体中较有的粒子进行下一轮的寻优，反复使用地标算子进行全局寻优，直到迭代次数大于地标算子的最大迭代次数时停止操作。
[0050] 步骤5：航路平滑处理
[0051] 直接使用鸽群算法计算而得出的航路存在拐角，如图3中折线所示，但是在实际的无人机执行任务过程中，根据任务的需要必须时常改变航行方向，这就需要满足无人机自身的最小转弯半径约束；由此可知，鸽群算法得出的航线不能直接应用于实际的无人机航行中，需要对规划出的航路进行平滑处理。
[0052] 无人机的最小转弯半径按如下公式(12)计算：
[0053]
[0054] 公式中Vmin为无人机的最小飞行时速， 为无人机最大方向过载。
[0055] 针对以上问题，提出使用样条平滑算法对规划后的路径进行平滑处理，从而达到航路可飞的目的。样条平滑算法主要通过对参数的调整控制平滑后的效果，可以根据需求自定义参数值。样条平滑的基本原理为公式(13)所示：
[0056]
[0057] 其中参数p为平滑参数，且取值范围为0≤p≤1。wi为权重系数，且取值范围为0≤wi≤1，默认情况下wi＝1，经过航路平滑出后得出的结果如图4中的曲线所示。
[0058] 不同类型的无人机的最小转弯半径约束不同，从而进行航路平滑时，需要平滑的程度也不同。可以通过对平滑参数p的控制调控航路平滑的程度与效果。
[0059] 本发明的有益效果：
[0060] 现有的鸽群算法在解决无人机航路规划问题中存在对复杂地形不能进行精准的航路规划，针对这个问题，对鸽群算法进行了改进，使用自适应权重的鸽群算法计算并求解航路规划问题中的最优航路点，并使用数学模型对所求航路点进行路径平滑计算操作。
[0061] 自适应权重鸽群算法通过对算法中参数的调整能够解决不同情况下的无人机航路规划问题，可以自由地根据无人机的应用领域和约束条件等因素的变化改变参数，从而达到更好的规划效果。
附图说明
[0062] 下面结合附图及实施方式对本发明作进一步详细的说明：
[0063] 图1为一种基于自适应权重鸽群算法的无人机航路规划方法的流程图；
[0064] 图2为简化威胁代价计算的示意图；
[0065] 图3为无人机航路规划中应用自适应鸽群算法的具体流程图；
[0066] 图4为航路平滑处理前后对比图；
[0067] 图5为实施例中自适应权重鸽群算法(AWPIO)、原始的鸽群算法(PIO)和粒子群算法(PSO)的航路规划路线图；
[0068] 图6为实施例中自适应权重鸽群算法(AWPIO)、原始的鸽群算法(PIO)和粒子群算法(PSO)的收敛曲线图
具体实施方式
[0069] 实施例1
[0070] 通过一系列的实验说明改进后的自适应鸽群算法的可行性和有效性，并且将改进后的自适应权重鸽群算法(AWPIO)与原始的鸽群算法(PIO)和粒子群算法(PSO)分别进行了对比分析；
[0071] 整个无人机航路规划的仿真实验部分在Windows7操作系统中使用Matlab R2016平台进行威胁建模和航路仿真。硬件配置为：英特尔i5-2400@3.10GHz处理器，4GB内存，其中采用的地理范围为80*110km，在坐标系中每个单位长度表示1km距离，根据规划的区域范围设定的威胁源分布与威胁源的威胁因子等数据见表1，在设置的威胁环境区域内起点坐标为(14，10)，目标点坐标为(65,110)；仿真实验采用的相关参数见表2。
[0072] 表1威胁源分布表
[0073]NO. 威胁中心坐标 威胁半径 威胁因子
1 (50，60) 10 2
2 (22，50) 8 10
3 (39，78) 8 20
4 (46，36) 12 2
5 (65，90) 9 3
6 (25，25) 5 1
[0074] 在以上威胁约束环境下分别使用改进后的自适应鸽群优化算法、普通鸽群优化算法和粒子群算法对无人机航路规划进行仿真实验。为了保证对比实验的可行性与准确性，将各个算法都在相同的约束条件下进行，实验过程中各个算法使用的参数数据如表2所示，根据设定参数计算出的仿真结果即自适应权重鸽群算法(AWPIO)、原始的鸽群算法(PIO)和粒子群算法(PSO)的航路规划路线图如图5所示。
[0075] 表2各算法参数设置
[0076]
[0077] 在相同的威胁环境下，分别使用AWPIO算法、PIO算法和PSO算法进行无人机航路规划。通过对三种算法花费的航路距离、威胁代价和计算时间这三个参数的分析，可以有效的分析出算法的性能。三种算法分别得到的性能参数如表3所示。
[0078] 表3三种算法性能对比数据
[0079]算法 航路距离(km) 威胁代价 执行时间(s)
AWPIO 113.6354 82.2668 1.556
PIO 115.8751 83.0129 1.710
PSO 121.2275 84.8867 3.070
[0080] 根据以上数据可以得出，改进后的鸽群优化算法相对于改进前的鸽群算法和粒子群算法在航路距离、威胁代价和执行时间都具有显著的提升，从而能够保证无人机执行任务时能够保证更低的资源消耗，也能尽量减少任务的执行速度。
[0081] 除了以上的性能参数分析外，算法执行时的收敛速度也是辨别算法优劣的重要因素，较快、较稳定的收敛速度可以保证算法的执行效率和算法的稳定性。通过仿真实验分别得出的三种算法的收敛曲线如图6所示；其中横坐标表示算法的迭代次数，纵坐标表示航路规划过程中所消耗的威胁代价值。
[0082] 根据收敛曲线的趋势图可以明显得出自适应权重鸽群算法在无人机航路规划过程中具有更好的收敛效果，相对于其他两种算法具有更快、更稳定的收敛速度，也是消耗威胁代价最低的算法。通过以上分析可以得出，改进后的自适应权重鸽群算法在无人机航路规划中具有更好的规划效果和效率。仿真结果表明，自适应权重鸽群算法得出的航线距离与PIO算法相比减少了2.2397km，与PSO算法相比减少了7.5921km；威胁代价消耗与PIO算法相比减少了0.7461，与PSO算法相比减少了2.6199；算法的消耗时间与PIO算法相比减少了0.154s，与PSO算法相比减少了1.514s。
