本发明公开了基于变频蝙蝠算法的农业无人机路径规划方法及系统，该方法包括：获取巡检地地形和威胁区域并生成三维环境；根据三维环境和无人机约束条件构建总成本函数；基于圆柱矢量坐标，根据变频蝙蝠算法并结合总成本函数，得到无人机飞行路径的局部最优解和全局最优解；根据变频蝙蝠算法对无人机飞行路径的局部最优解和全局最优解进行更新，输出最优路径。通过使用本发明，能够实现更加安全低能耗的无人机路径规划。本发明作为基于变频蝙蝠算法的农业无人机路径规划方法及系统，可广泛应用于农业巡检技术领域。
基于变频蝙蝠算法的农业无人机路径规划方法及系统
技术领域
[0001] 本发明涉及农业巡检技术领域，尤其涉及基于变频蝙蝠算法的农业无人机路径规划方法及系统。
背景技术
[0002] 随着无人农业的发展，利用农业无人机开展智能巡检作业，精准的对患病植株进行监测、施药和施肥成为必然的选择，农业无人机在执行指定任务之前，必须要对其飞行的路径进行合理有效的规划，得到预规划的飞行路径后，才能让无人机按照这条参考路径飞行并确保最终顺利完成各项预定任务，而在此巡检过程中需要处理多个约束条件，例如无人机的性能约束、威胁约束、转角约束和飞行环境的三维地形环境约束等，因此约束条件较多，复杂度高，求解难度大，而目前的群智能算法存在寻优能力不强、容易陷入局部最优的缺点，因此开发一种具有更强寻优能力和跳出局部最优能力的变频蝙蝠算法。同时，目前传统的基于笛卡尔坐标的路径规划算法，是在笛卡尔坐标下初始化和更新可行解，存在部分初始化出的可行解违反无人机的转角性能约束，初始化出来的不少可行解实际并不飞，因此存在无效搜索的问题。而基于圆柱坐标系的路径规划算法能够通过控制方位角的大小使无人机的在初始化可行解时就生成符合无人机的转角性能约束的解，因此能够减少大量的无效搜索。针对于地形复杂的农业监测环境，对无人机的监测路径进行合理高效的规划尤为重要，因此，目前的农业无人机开展智能巡检作业的算法技术还有待进一步改进。
发明内容
[0003] 为了解决上述技术问题，本发明的目的是提供基于变频蝙蝠算法的农业无人机路径规划方法及系统，能够实现更加安全低能耗的无人机路径规划。
[0004] 本发明所采用的第一技术方案是：基于变频蝙蝠算法的农业无人机路径规划方法，包括以下步骤：
[0005] 获取巡检地地形和威胁区域并生成三维环境；
[0006] 根据三维环境和无人机约束条件构建总成本函数；
[0007] 基于圆柱矢量坐标，根据变频蝙蝠算法并结合总成本函数，得到无人机飞行路径的局部最优解和全局最优解；
[0008] 根据变频蝙蝠算法对无人机飞行路径的局部最优解和全局最优解进行更新，输出最优路径。
[0009] 进一步，所述获取巡检地地形和威胁区域并生成三维环境这一步骤，其具体包括：
[0010] 通过农业仿真平台对巡检地的地形环境进行仿真模拟，得到三维地形模型和威胁区域模型；
[0011] 根据三维地形模型和威胁区域模型生成无人机安全巡检路径规划的三维环境。
[0012] 进一步，所述根据三维环境和无人机约束条件构建总成本函数这一步骤，其具体包括：
[0013] 所述无人机约束条件包括飞行航迹路径最短约束、威胁最小约束、飞行高度约束和飞行转角约束；
[0014] 通过欧几里得距离公式计算两个路径点之间的距离，得到飞行航迹路径最短约束；
[0015] 根据三维环境获取无人机与威胁区域的危险距离，得到威胁最小约束；
[0016] 根据三维环境获取无人机的飞行最小高度限制和最大高度限制，得到飞行高度约束；
[0017] 根据无人机的转角率和爬升率评估飞行路径的可行性，得到飞行转角约束；
[0018] 结合飞行航迹路径最短约束、威胁最小约束、飞行高度约束和飞行转角约束构建总成本函数。
[0019] 进一步，所述总成本函数公式具体如下表示：
[0020]
[0021] 上式中，Xi表示决策变量，bk表示权重系数，Fk表示无人机约束条件。
[0022] 进一步，所述基于圆柱矢量坐标，更新变频蝙蝠算法并结合总成本函数，得到无人机飞行路径的局部最优解和全局最优解这一步骤，其具体包括：
[0023] 对无人机的飞行路径进行编码处理，得到飞行路径编码向量；
[0024] 基于圆柱矢量坐标，结合飞行路径编码向量和变频蝙蝠算法对蝙蝠个体进行速度更新和位置更新；
[0025] 根据更新后的蝙蝠个体速度与位置，对飞行路径编码向量进行映射处理并结合总成本函数，得到无人机飞行路径的局部最优解和全局最优解。
[0026] 进一步，所述无人机飞行路径的局部最优解的计算公式如下所示：
[0027]
[0028] 上式中， 表示第t次迭代中第i个局部个体的历史最优解， 表示第t‑1次迭代中的第i个局部个体最优解， 表示第t次迭代中第i条飞行路径， 表示第t次迭代中第i条飞行路径Ωi的飞行成本值， 表示第t‑1次迭代中的第i个局部个体历史最优解的总成本值。
[0029] 进一步，所述无人机飞行路径的全局最优解的计算公式如下所示：
[0030]
[0031] 上式中， 表示第t次迭代中的全局最优解， 表示第t次迭代中的第i个局部个体历史最优解的总成本值。
[0032] 进一步，变频蝙蝠算法的蝙蝠个体位置更新表达式如下所示：
[0033]
[0034] 上式中， 表示第i个蝙蝠个体第t次迭代更新的位置， 表示第i个蝙蝠个体第t‑1次迭代更新的位置，μ表示权重系数。
[0035] 进一步，所述根据变频蝙蝠算法对无人机飞行路径的局部最优解和全局最优解进行更新，输出最优路径这一步骤，其具体包括：
[0036] 设置变频蝙蝠算法的参数并对参数进行更新处理，所述变频蝙蝠算法的参数包括脉冲响度、脉冲频率、发射频率和常数；
[0037] 根据更新后的参数对蝙蝠个体速度与蝙蝠个体位置进行更新；
[0038] 判断到随机数小于发射频率；
[0039] 根据更新后的蝙蝠个体位置与更新后的蝙蝠个体速度，对满足搜索条件的蝙蝠个体，结合分段函数对无人机飞行路径的局部最优解进行搜索，得到第一适应值；
[0040] 判断到随机数大于等于发射频率且随机数大于等于脉冲响度；
[0041] 根据更新后的蝙蝠个体位置与更新后的蝙蝠个体速度，对满足变异条件的蝙蝠个体进行变异处理，得到第二适应值；
[0042] 根据对应的适应值更新蝙蝠个体的局部最优解和全局最优解，并进行判断是否达到终止条件；
[0043] 判断到达到终止条件，输出最优路径。
[0044] 本发明所采用的第二技术方案是：基于变频蝙蝠算法的农业无人机路径规划系统，包括：
[0045] 生成模块，用于获取巡检地地形和威胁区域并生成三维环境；
[0046] 构建模块，用于根据三维环境和无人机约束条件构建总成本函数；
[0047] 更新模块，基于圆柱矢量坐标，根据变频蝙蝠算法并结合总成本函数，得到无人机飞行路径的局部最优解和全局最优解；
[0048] 输出模块，用于根据变频蝙蝠算法对无人机飞行路径的局部最优解和全局最优解进行更新，输出最优路径。
[0049] 本发明方法及系统的有益效果是：本发明通过在圆柱坐标系空间下初始化无人机飞行路径和寻找局部最优解与全局最优解，可以显著减少系统无效的搜索空间和降低搜索的能耗成本，通过使用变频蝙蝠算法进行寻找最优路径，具有更高的寻优性能，能显著提高找到最优路径的概率并且该算法占用计算资源少，本发明能够实现更加安全低能耗的无人机路径规划。
附图说明
[0050] 图1是本发明基于变频蝙蝠算法的农业无人机路径规划方法的步骤流程图；
[0051] 图2是本发明基于变频蝙蝠算法的农业无人机路径规划系统的结构框图；
[0052] 图3是本发明无人机约束条件中的威胁最小约束的原理示意图；
[0053] 图4是本发明无人机约束条件中的飞行高度约束的原理示意图；
[0054] 图5是本发明无人机约束条件中的飞行转角约束的原理示意图；
[0055] 图6是本发明基于圆柱矢量坐标和变频蝙蝠算法的农业无人机路径规划仿真模拟侧视图；
[0056] 图7是本发明基于圆柱矢量坐标和变频蝙蝠算法的农业无人机路径规划仿真模拟俯视图；
[0057] 图8是本发明基于圆柱矢量坐标和变频蝙蝠算法的农业无人机路径规划仿真模拟斜视图。
具体实施方式
[0058] 下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0059] 参照图1，本发明提供了基于变频蝙蝠算法的农业无人机路径规划方法，该方法包括以下步骤：
[0060] S1、获取巡检地地形和威胁区域并生成三维环境；
[0061] S11、通过农业仿真平台对巡检地的地形环境进行仿真模拟，得到三维地形模型和威胁区域模型；
[0062] S12、根据三维地形模型和威胁区域模型生成无人机安全巡检路径规划的三维环境。
[0063] 具体地，通过模拟巡检地的地形环境，建立三维地形模型和威胁区模型；生成农业无人机安全巡检路径规划的三维环境；确定农业无人机的出发点和巡检点、巡视次序；其中，设所述出发点和终点均为S。所述巡视点为T1、T2、…、TN,所述农业无人机安全巡检路径规划模型采用无向图G＝(V,E)来表示，V＝*0,1,2,3,…,n}为顶点集合，其中*0}为农业无人机出发点和最终返航点，巡视点为*1,2,3,…,n}，E＝*(i,j)|i,j∈V}为边的集合；然后根据基于变频蝙蝠算法的农业无人机路径规划方法计算出每个巡视点与下一个巡视点之间的最优飞行轨迹，即可得到最优的农业无人机安全巡检飞行方案。
[0064] S2、根据三维环境和无人机约束条件构建总成本函数；
[0065] S21、所述无人机约束条件包括飞行航迹路径最短约束、威胁最小约束、飞行高度约束和飞行转角约束；
[0066] S22、通过欧几里得距离公式计算两个路径点之间的距离，得到飞行航迹路径最短约束；
[0067] 具体地，无人机航迹路径规划的一个重要目标就是实现飞行总路程最短，一条飞行路径Xi被表示为无人机需要经过的一组包含n个路径点的列表，在搜索空间中，每一个路径点均可用Wij＝(xij,yij,zij)表示，将两个路径点之间的欧几里得距离，记作 的模，将路径相关的成本记为F1，所述飞行航迹路径最短约束公式如下所示：
[0068]
[0069] 上式中，F1表示路径相关的成本，Xi表示第i条飞行路径，n表示路径点， 表示两个路径点之间的欧几里得距离，j表示飞行路径中的第j个路径点。
[0070] S23、根据三维环境获取无人机与威胁区域的危险距离，得到威胁最小约束；
[0071] 参照图3，具体地，除了路径最短外，规划路径还需要引导无人机通过躲避障碍来确保无人机的安全运行，假定K是所有威胁区的集合，假设每个威胁都以一个圆柱体的形式规定，其投影为中心坐标Ck和半径Rk，其中相关的威胁成本与给定的路径段 到Ck的距离dk成反比，通过考虑碰撞区的危险距离D，计算障碍物集K的路径点Wij，Wi,j+1的威胁成本的计算公式如下所示：
[0072]
[0073]
[0074] 上式中，dk表示给定路径到中心点坐标的距离，D表示危险距离，Rk表示投影半径，K表示所有威胁区的集合，F2表示威胁最小约束， 表示威胁成本。
[0075] S24、根据三维环境获取无人机的飞行最小高度限制和最大高度限制，得到飞行高度约束；
[0076] 参照图4，具体地，所述飞行高度约束是指，在无人机飞行中，飞行高度通常受到限制在两个给定的极值，最小高度和最大高度之间，设最小高度和最大高度分别为hmin和hmax，与航点Pij相关的高度成本计算如下所示：
[0077]
[0078] 上式中，Hij表示飞行高度成本，hmin表示飞行最低高度，hmax表示飞行最高高度，hij表示无人机飞行距离地面的高度；
[0079] 进一步，无人机处于平均高度时，高度成本最优，所述飞行高度约束的计算公式如下所示：
[0080]
[0081] 上式中，F3表示飞行高度约束。
[0082] S25、根据无人机的转角率和爬升率评估飞行路径的可行性，得到飞行转角约束；
[0083] 参照图5，具体地，飞行转角约束主要评估转弯率和爬升率，以评估路径的可行性，平滑成本计算了转弯率和爬坡率，这是产生可行路径的关键，转弯αij和βij是两个连续路径段之间的夹角，即俯仰角和方位角，农业无人机飞行的转弯角和爬升角代价即为F4(Xi)，连续路径段的投影向量计算公式如下所示：
[0084]
[0085] 上式中， 表示连续的路径段， 表示连续的路径段在直角坐标平面的投影，表示z轴方向上的单位向量；
[0086] 转弯αij和βij是两个连续路径段之间的夹角，即俯仰角和方位角，其计算公式如下所示：
[0087]
[0088]
[0089] 上式中，αij表示无人机飞行的俯仰角，βij表示无人机人机飞行的方位角，和 表示两条连续的路径段；
[0090] 所述农业无人机飞行的转弯角和爬升角代价的计算公式如下所示：
[0091]
[0092] 上式中，zij表示第i条候选飞行路径中第j个路径点的z轴方向的高度，a1和a2表示转弯角和爬坡角的惩罚系数。
[0093] S26、结合飞行航迹路径最短约束、威胁最小约束、飞行高度约束和飞行转角约束构建总成本函数。
[0094] 具体地，通过考虑与路径Xi相关的路径最优性、飞行高度、安全性和最大转角约束，可以定义总成本函数如下所示：
[0095]
[0096] 上式中，Xi表示决策变量，bk表示权重系数，Fk表示无人机约束条件；
[0097] 其中，权重系数bk经过归一化处理，决策变量为Xi，包括n个路径点Wij＝(xij,yij,zij)的列表，即Wij∈O，O为无人机的操作空间。
[0098] S3、基于圆柱矢量坐标，根据变频蝙蝠算法并结合总成本函数，得到无人机飞行路径的局部最优解和全局最优解；
[0099] S31、对无人机的飞行路径进行编码处理，得到飞行路径编码向量；
[0100] S32、基于圆柱矢量坐标，结合飞行路径编码向量和变频蝙蝠算法对蝙蝠个体进行速度更新和位置更新；
[0101] S321、将笛卡尔坐标系进行变换为圆柱矢量坐标系；
[0102] 具体地，问题空间的每个可行解都由蝙蝠群体中的单个蝙蝠个体来表示，在优化算法中被称为蝙蝠个体，在无人机路径规划问题中表示一条无人机飞行路径，通过将每条路径编码为一组向量，每个路径都描述了无人机从一个位置点到另一个目标位置点的移动路径，这些矢量在圆柱体坐标系中取值范围为，极轴∈(0,pathlength)，方位角θ∈(‑π/2、π/2)，高度z∈(zmin、zmax)，生成的初始化路径以圆柱坐标系(ρij,θij,zij)三个实数组成的坐标点表示，一条包含N个路径点的飞行路径Ωi可以由3N维的圆柱坐标向量表示，通过将粒子的位置描述为Ωi，与该粒子相关的速度ΔΩi用增量向量来描述：
[0103] Ωi＝(ρi1,θi1,zi1,ρi2,θi2,zi2,…,ρin‑2,θin‑2,zin‑2)
[0104] ΔΩi＝(Δρi1,Δθi1,Δzi1,Δρi2,Δθi2,Δzi2,…,Δρin‑2,Δθin‑2,Δzin‑2)[0105] 上式中，Ωi表示一条包含N个路径点的飞行路径，ρin表示第i条飞行路径的第n维路径点的极轴值，θin表示第i条飞行路径的第n维路径点的方位角值，zin表示第i条飞行路径的第n维路径点的高度值，Δρin表示第i条飞行路径的第n维路径点的极轴值和上次迭代相比的变化量，Δθin表示第i条飞行路径的第n维路径点的方位角值和上次迭代相比的变化量，Δzin表示第i条飞行路径的第n维路径点的高度值和上次迭代相比的变化量，ΔΩi表示第t次迭代产生的 和第t‑1次迭代产生的 的差；
[0106] 将柱面矢量(ρi1,θi1,zi1)记作 速度(Δρij,Δθij,Δzij)记作 变频蝙蝠算法的更新方程如下所示：
[0107]
[0108] 上式中， 表示第i只蝙蝠个体第t次迭代的第j维位置的变化速度，ωb表示惯性因子， 表示第i只蝙蝠个体第t‑1次迭代的第j维位置的变化速度，f1表示蝙蝠个体频率影响因子，f2表示群体频率影响因子，r1j表示符合均匀分布的随机数，范围是[0,1]，r2j表示表示符合均匀分布的随机数，范围是[0,1]， 表示第i个蝙蝠个体第t次迭代的局部最优解第j维的位置， 表示第t次迭代全局最优解第j维的位置， 表示第i个蝙蝠个体第t‑1次迭代第j维的位置；
[0109] 其中，Pi＝(Pi1,Pi2,…,Pin)和Pg＝(Pg1,Pg2,…,Pgn)分别是表示粒子i的局部和全局最佳位置的向量集。
[0110] S33、根据变频蝙蝠算法，对飞行路径编码向量进行映射处理并结合总成本函数，得到无人机飞行路径的局部最优解和全局最优解。
[0111] S331、对飞行路径编码向量进行映射处理；
[0112] 进一步为了确定Pi和Pg，需要将基于柱面矢量的飞行路径Ωi映射到直接路径Di，以便评估相关的成本，向量Xij＝(ρij,θij,zij)∈Ωi到路径点Pij＝(xij,yij,zij)∈Di的映射可以进行为：
[0113] xij＝xi,j‑1+ρijcosθij
[0114] yij＝yi,j‑1+ρijsinθij
[0115] zij＝zi,j‑1+zij
[0116] 上式中，xij表示第i个飞行路径编码向量的第j维个路径点在笛卡尔三维直角坐标下的x轴坐标值，yij表示第i个飞行路径编码向量的第j维个路径点在笛卡尔三维直角坐标下的y轴坐标值，zij表示第i个飞行路径编码向量的第j维个路径点在笛卡尔三维直角坐标下的z轴坐标值，ρij表示第i个飞行路径编码向量的第j维个路径点在圆柱坐标系下的极轴长度，θij表示第i个飞行路径编码向量的第j维个路径点在圆柱坐标系下的方位角大小；
[0117] S332、结合总成本函数，得到无人机飞行路径的局部最优解和全局最优解；
[0118] 计算全部个体总成本函数值，将Xij＝(xij,yij,zij)代入即可求出全部个体总成本函数值；
[0119] 进一步局部最优解和全局最优解的计算公式分别如下所示：
[0120]
[0121]
[0122] 上式中， 表示第t次迭代中第i个局部个体的历史最优解， 表示第t‑1次迭代中的第i个局部个体最优解， 表示第t次迭代中第i条飞行路径， 表示第t次迭代中第i条飞行路径Ωi的飞行成本值， 表示第t‑1次迭代中的第i个局部个体历史最优解的总成本值， 表示第t次迭代中的全局最优解， 表示第t次迭代中的第i个局部个体历史最优解的总成本值；
[0123] 使用圆柱矢量坐标的基本原理是根据无人机的飞行约束特点，通过转换坐标系，将转弯角约束条件通过控制柱坐标向量的方位角实现，从而显著减少搜索空间，通过约束极轴P的大小、方位角分量θ的大小与无人机的最大速度、最大转弯角度之间的相互关系，提高搜索出高质量解的概率。
[0124] S4、根据变频蝙蝠算法对无人机巡检路径规划模型进行迭代优化，得到最优路径。
[0125] S41、设置变频蝙蝠算法的参数并对参数进行更新处理，所述变频蝙蝠算法的参数包括脉冲响度、脉冲频率、发射频率和常数；
[0126] S411、设置变频蝙蝠算法的参数；
[0127] 具体地，脉冲初始响度A0、发射频率R、脉冲频率f、常数α和γ；
[0128] 所述蝙蝠算法的脉冲频率更新公式如下所示：
[0129]
[0130] Cw＝f1+f2
[0131] 上式中，α和γ表示常数，e表示自然常数，Favg表示蝙蝠种群所有个体的平均适应值，Fbest表示当前蝙蝠种群中最优个体，t表示当前迭代次数，fmin表示初始化中给出的频率下限，Cw表示频率约束因子；
[0132] f1的更新取决于当前蝙蝠种群的平均适应值和当前的迭代次数，两者所占的权重分别为常量α和γ，fmin的值为常数，用于设定和控制f1最小值；f2的更新过程与f1相反，为简化运算，本发明通过设定二者之和Cw来计算f2；
[0133] S412、对变频蝙蝠算法的参数进行更新处理；
[0134] 所述蝙蝠算法的脉冲初始响度更新公式如下所示：
[0135]
[0136] 上式中， 表示第t+1次迭代第i个蝙蝠个体的响度，fmax表示初始化中给出的频率上限；
[0137] 所述蝙蝠算法的发射频率更新公式如下所示：
[0138]
[0139] 上式中， 表示第t+1次迭代第i个蝙蝠个体的发射频率；
[0140] S42、根据更新后的参数对蝙蝠个体速度与蝙蝠个体位置进行更新；
[0141] 所述蝙蝠个体速度的更新公式如下所示：
[0142]
[0143] 上式中， 表示蝙蝠个体速度，ω表示惯性权重，h*表示当前蝙蝠个体局部最优解， 表示前一时刻蝙蝠个体位置，r1、r2表示为(0,1)范围内的均匀随机数，x*表示当前的全局最优解；
[0144] 在无人机路径规划问题中，将第t次迭代的第i只蝙蝠个体 的第j维的变量记作与该蝙蝠个体 相关的速度记作 则在无人机路径规划问题下变频蝙蝠算法的蝙蝠个体速度更新方程如下所示：
[0145]
[0146] 上式中， 表示第i只蝙蝠个体第t次迭代的第j维位置的变化速度，ωb表示惯性因子， 表示第i只蝙蝠个体第t‑1次迭代的第j维位置的变化速度，f1表示蝙蝠个体频率影响因子，f2表示群体频率影响因子，r1j表示符合均匀分布的随机数，范围是[0,1]，r2j表示表示符合均匀分布的随机数，范围是[0,1]， 表示第i个蝙蝠个体第t次迭代的局部最优解第j维的位置， 表示第t次迭代全局最优解第j维的位置， 表示第i个蝙蝠个体第t‑1次迭代第j维的位置；
[0147] 所述蝙蝠个体位置的更新公式如下所示：
[0148] 上式中， 表示蝙蝠个体位置，μ表示权重系数，其取值范围为(0,1]；
[0149] S43、判断到随机数小于发射频率；
[0150] S44、根据更新后的蝙蝠个体位置与更新后的蝙蝠个体速度，对满足搜索条件的蝙蝠个体，结合分段函数对无人机飞行路径的局部最优解进行搜索，得到第一适应值；
[0151] 具体地，当评价指数k<0.4时，所述评价指数为(0,1)范围内的随机数，蝙蝠个体i位置更新如下所示：
[0152]
[0153] 上式中，x*表示当前蝙蝠个体全局最优解，A表示当前蝙蝠种群的平均响度，s表示求解问题的可行解域上下边界距离与蝙蝠种群数量的比值，g(k)表示分段函数，δ表示范围[‑1,1]为随机向量；
[0154] 当k≥0.4时，蝙蝠个体i位置更新如下所示：
[0155]
[0156] 其中，
[0157]
[0158] 引入分段函数为提高蝙蝠个体的局部搜索效率，本文使用g(k)的主要目的是在算法前期，较大的局部搜索步长有利于扩展算法搜索域；在算法后期，较小的局部搜索步长有利于提高算法搜索精度；注意g(k)的参数设置受评价指数k和局部搜索策略影响，也可使用其他参数组合来提高算法性能。
[0159] S45、判断到随机数大于等于发射频率且随机数大于等于脉冲响度；
[0160] S46、根据更新后的蝙蝠个体位置与更新后的蝙蝠个体速度，对满足变异条件的蝙蝠个体进行变异处理，得到第二适应值；
[0161] 具体地，S44中的搜索能够有效提高算法的全局搜索能力，但不能确保寻找到全局最优解，在算法后期，即迭代次数达到总迭代次数的70％时，f1减小，全局搜索能力降低，算法仍有概率陷入局部最优，在基本蝙蝠算法中，如下公式所示：
[0162]
[0163] 算法后期响度A将降为0，发射频率R将增大至1，从而不能进行变异操作，本发明对响度A和发射频率R做出限制，使得变频蝙蝠算法在后期也能够有效进行变异操作，从而降低算法陷入局部最优的概率，即步骤S412所示对脉冲响度A和发射频率R进行更新处理，进一步对蝙蝠行为特性的分析，本发明提出与蝙蝠脉冲响度A结合的变异机制，具体流程概述为生成随机β1∈[0,1]，若β1小于A且蝙蝠个体未进行局部搜索，则生成随机数β2∈[0,1]，若β2大于设定常数ρ∈(0,1)，则对该蝙蝠个体随机重置。
[0164] S47、根据对应的适应值更新蝙蝠个体的局部最优解和全局最优解，并进行判断是否达到终止条件；
[0165] S48、判断到达到终止条件，输出最优路径。
[0166] 具体地，判断是否达到终止条件，如不满足终止条件，所述终止条件即达到迭代次数的最大值，则循环回到步骤S41，若达到终止条件则所述范围蝙蝠个体位置，即为圆柱坐标系下的最优飞行路径，将圆柱坐标下的蝙蝠个体位置进行坐标变换为笛卡尔三维直角坐标，得出飞行路径点的在笛卡尔三维直角坐标的位置，根据三次样条插值绘制飞行轨迹。
[0167] S481、根据三次样条插值绘制飞行轨迹，即最优飞行路径；
[0168] 具体地，设在区间[a,b]上取n+1结点a＝x0
[0169] s(x)∈C2[a,b]；
[0170] f(xi)＝fi,i＝0,1,2,…,n；
[0171] 在每个小区间[xi,xi+1]上，s(x)是三次多项式，则称s(x)为三次样条插值函数；
[0172] 三次样条插值函数是分段三次多项式，在每个小区间[xi,xi+1]上可以写成s(x)3 2
＝aix+bix+cix+di,i＝0,1,2,…,n‑1，其中ai，bi，ci，di为待定系数，所以，s(x)共有4n个待定系数，为了确定s(x)，必须有对应的4n个条件.由f(xi)＝fi,i＝0,1,2,…,n可知n+1个插
2
值条件，由s(x)∈C[a,b]可知，s(x)在区间[a,b]上二阶连续可导，可导必连续，所以，s(x)的导数在区间[a,b]上必然连续,那么在n‑1个插值点处也必然连续，即s″‑(xi)＝s″+(xi)，i＝1，2，…，n‑1共n‑1个条件，既然s(x)二阶可导,则s(x)必然一阶可导且s(x)连续，可导必连续，可知：
[0173] s′‑(xi)＝s′+(xi),i＝1,2,…,n‑1
[0174] s‑(xi)＝s+(xi),i＝1,2,…,n‑1
[0175] 可得2(n‑1)个条件，到此为止，共有4n‑2个条件.再补充两个边界条件就可以确定s(x)，常用的边界条件有以下3种：
[0176] 给出两个端点处的一阶导数值；
[0177] 给出两个端点处的二阶导数值；
[0178] s(x)是以b‑a为周期的函数；
[0179] 这里使用第二种边界条件，给出两个端点处的二阶导数值，指定端点二阶导数为0；执行如上过程，即可求出满足三次多项式定义的光滑曲线方程，根据得到的最优飞行路径向量的路径结点和插值点以及起点和终点组成的连线就是无人机飞行成本最优的路径轨迹。
[0180] 参照图2，基于变频蝙蝠算法的农业无人机路径规划系统，包括：
[0181] 生成模块，用于获取巡检地地形和威胁区域并生成三维环境；
[0182] 构建模块，用于根据三维环境和无人机约束条件构建总成本函数；
[0183] 更新模块，基于圆柱矢量坐标，根据变频蝙蝠算法并结合总成本函数，得到无人机飞行路径的局部最优解和全局最优解；
[0184] 输出模块，用于根据变频蝙蝠算法对无人机飞行路径的局部最优解和全局最优解进行更新，输出最优路径。
[0185] 本发明的仿真实验如下所示：
[0186] 四个巡视点的任务细节如下：
[0187] 参照图6、图7和图8，采用MATLAB R2019a软件编程构建无人机三维路径规划仿真模型，进行仿真实验检验算法的有效性，设置山区环境为1200m*1200m*400m的空间区域，基准地形高度为模拟地形的海拔高度，无人机的起始点坐标S为(100，100，150)，第1个任务点T1坐标为(350，650，200)，第2个任务点T2坐标为(600，1150，250)，第3个任务点T3的坐标为(750,450,200)。无人机从起始点飞行到T1点上空执行自然灾害巡检任务，然后再飞行到T2、T3点上空巡检，最后返回起始点S，本文重点研究路径规划问题，为了简便起见，将上述各段航迹分别进行规划，即第1段规划航迹为：S→T1；第2段规划航迹为：T1→T2；第3段规划航迹为：T2→T3，第4段规划航迹为T3→S，无人机根据规划航迹在T1点上空执行盘旋巡检任务并完成转弯，然后依次飞行到T1、T2、T3点上空执行巡检任务，实验结果表明，在模拟环境下农业无人机模型的路径总成本相对于笛卡尔坐标下的标准蝙蝠算法减少了23.60％。
[0188] 上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0189] 以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
