本發(fā)明主要涉及基于遺傳螞蟻算法的無人機自主尋路策略。
背景技術(shù)：
：無人機今年來得到大力的發(fā)展，主要應用于地質(zhì)探測、影視攝影、環(huán)境監(jiān)控、物體跟蹤等方面。無人機除了人工控制，還具有自主智能搜索功能，能根據(jù)環(huán)境障礙物進行智能躲避和最優(yōu)路徑選擇。目前較常使用的，通過對障礙物分類進行全局路徑規(guī)劃，主要步驟包括環(huán)境建模和尋路策略算法。近來環(huán)境建模較多使用時通過柵格法建模，即通過對整體空間劃分成不同柵格，沒有障礙物的柵格為自由柵格，存在障礙物的非自由柵格。尋路策略算法即是在起點和目標終點之間只能選擇最短路徑的自由柵格組合。目前通常使用的是將x-y-z三維坐標系空間按一定距離平面進行劃分成多個柵格空間，這種方法簡單易行，但隨著柵格數(shù)的增加，搜索組合數(shù)存在指數(shù)增加極大的耗費了計算資源造成響應慢；而基于遺傳螞蟻算法的尋路策略是借鑒自然選擇和自然遺傳機制的隨機搜索算法，包括選擇保留精英算法(elitistgeneticalgorithm,ega)和最大最小蟻群系統(tǒng)(max-minantsystem)，其基本思想在每次迭代中保留適應值最優(yōu)的個體，該算法一定程度上提高了搜索效率，但仍存在著在算法后期搜索效率降低的問題；最大最小蟻群系統(tǒng)(max-minantsystem)是由德國學者thomasstutzle提出改進的蟻群算法，主要改進如下：并不是對所有的螞蟻都進行信息要素更新，，只對一只螞蟻的信息素進行更新，這只螞蟻只能是當前循環(huán)下找到的最優(yōu)解螞蟻或可能發(fā)現(xiàn)已知最優(yōu)路徑的螞蟻；同時為了防止某條路徑上的信息素出現(xiàn)過大或過小，設(shè)定了信息素濃度區(qū)間，同時為了開始吸引更多螞蟻進行搜素，信息素濃度初始化的值設(shè)定為區(qū)間值，而非常數(shù)。但單純的mmas算法仍然存在搜素效率不高，最優(yōu)解求解時間過長的問題。技術(shù)實現(xiàn)要素：發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供了一種無人機自主尋路策略方法，通過極坐標系進行環(huán)境建模大大減少了計算量，同時通過mmas和ega算法進行快速收斂算法，提高了最優(yōu)解的搜索效率。技術(shù)方案：為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)：一種無人機自主尋路策略方法，其特征在于包括以下步驟：(1)基于極坐標系對環(huán)境進行建模，首先將無人機等效為質(zhì)點，將障礙物的體積等效為自身體積與無人機體積之和，在水平面上采用極坐標方式建立扇形柵格劃分單元，無人機所在坐標s(t)為t+1時刻的極點；然后在三維環(huán)境中，在無人機的運動方向上按照極徑距離對各障礙物進行聚類劃分，將極徑ρ方向上間距小于無人機機長1.2倍的障礙物聚為一類，并記為聚類結(jié)果n,n＝1,2,3…n,同時在聚類結(jié)果n離無人機質(zhì)點極徑最小和最大處作虛擬環(huán)形柱面，從而得到2n+1個子區(qū)間；(2)然后通過最大最小蟻群算法mmas得到部分優(yōu)化解，并作為ega算法的初始值；(3)利用mmas和ega算法進行同步運算，實現(xiàn)路徑尋優(yōu)；最后利用改進的變異算子和mmas繼續(xù)尋優(yōu)，最終得到最優(yōu)路徑。進一步改進，步驟(2)中，先進行參數(shù)初始化，參數(shù)包括螞蟻數(shù)量m1，揮發(fā)系數(shù)ρ，種群數(shù)量m2，交叉概率pc，變異概率pm，最大迭代次數(shù)iter_max，信息素重要程度因子α，啟發(fā)函數(shù)重要程度因子β，初始化時迭代次數(shù)iter設(shè)置為1；然后通過迭代最優(yōu)解定義算法的轉(zhuǎn)換時刻，并將轉(zhuǎn)換時刻mmas的路徑求解值和全局最優(yōu)求解值作為ega算法的初始解。進一步的，步驟3中mmas和ega算法路徑尋優(yōu)方法包括以下步驟：首先，通過mmas算法繼續(xù)最優(yōu)解的計算，并以上次迭代得到的最優(yōu)解對路徑信息素濃度進行更新，計算公式入使(1)式中，τij(t)為t時刻ij兩柵格間的信息素濃度，ρ為揮發(fā)系數(shù)，為迭代最優(yōu)解的信息素濃度增量；同時，將ega算法每次迭代得到的最優(yōu)解更新至信息素濃度，加快收斂速度和擴大收斂范圍。進一步的，所述障礙物的體積在極徑上的長度等效為自身長度和無人機長度之和。進一步的，無人機經(jīng)過障礙物的最短安全距離為路徑與障礙物邊緣的最小距離為無人機長度的0.2～0.5倍。有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明采用全新的極坐標系進行區(qū)域環(huán)境劃分和建模，在確保計算精度的同時簡化了計算量，從而提高了尋優(yōu)效率；同時采用mmas算法與ega算法的收斂速度的特點，采取了在每次中將迭代最優(yōu)解和ega優(yōu)化得到的最優(yōu)解共同更新信息素的方法，提高了搜索最優(yōu)解的效率附圖說明圖1為本發(fā)明所述無人機自主尋路策略方法的流程示意圖。具體實施方式下面結(jié)合附圖對本發(fā)明作更進一步的說明。應當指出：對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。如圖1所示，本發(fā)明中無人機自主尋路策略方法的路徑規(guī)范步驟如下：通過極坐標法改進柵格對環(huán)境進行建模，將mmas算法得到的部分優(yōu)化解作為ega算法的初始解，利用mmas和ega算法的同步運算，并結(jié)合變異算子繼續(xù)尋優(yōu)，最終得到最優(yōu)路徑。具體過程如下：首先，基于極坐標系對環(huán)境進行建模，首先將無人機等效為質(zhì)點，將障礙物的體積等效為自身體積與無人機體積之和，在水平面上采用極坐標方式建立扇形柵格劃分單元，無人機所在坐標s(t)為t+1時刻的極點；然后在三維環(huán)境中，在無人機的運動方向上按照極徑距離對各障礙物進行聚類劃分，將極徑ρ方向上間距小于無人機機長1.2倍的障礙物聚為一類，并記為聚類結(jié)果n,n＝1,2,3…n,同時在聚類結(jié)果n離無人機質(zhì)點極徑最小和最大處作虛擬環(huán)形柱面，從而得到2n+1個子區(qū)間。相對于x-y坐標系下的柵格建模，本發(fā)明中的極坐標環(huán)境建模越靠近無人機質(zhì)點，劃分區(qū)域越小，也就是越精細提高了數(shù)據(jù)計算精度，隨著原理無人機質(zhì)點，單個劃分區(qū)域逐漸增大，從而能減少柵格數(shù)量和計算量，提高了計算和尋優(yōu)的計算效率。因此本發(fā)明采用近程有限精度計算，遠程有限效率計算，從而在保證計算精度的同時，大大減少了計算量，從而提高了計算效率。然后，對mmas和ega算法的參數(shù)初始化，包括螞蟻數(shù)量m1，揮發(fā)系數(shù)ρ，種群數(shù)量m2，交叉概率pc，變異概率pm，最大迭代次數(shù)iter_max，信息素重要程度因子α，啟發(fā)函數(shù)重要程度因子β，初始化時迭代次數(shù)iter設(shè)置為1。本發(fā)明中在水平面上的路徑選擇，主要考慮無人機的路徑的偏轉(zhuǎn)角和行進長度僅為二維環(huán)境下的運動，相對于x-y柵格，路徑轉(zhuǎn)變過程時采用的對角線路徑，因此相對直接路徑更短，同時只需再考慮在高度方向上避開與障礙物的碰撞。然后通過迭代最優(yōu)解定義算法的轉(zhuǎn)換時刻，并將轉(zhuǎn)換時刻mmas的路徑求解值和全局最優(yōu)求解值作為ega算法的初始解。具體而言：每次迭代中利用mmas算法得到路徑解，螞蟻k在柵格i選擇下一個柵格j的轉(zhuǎn)移公式如下：式中，allowedk為螞蟻k待訪問的柵格的集合，對迭代最優(yōu)解對應的路徑進行信息素更新，計算每次迭代的解的平均值、全局最優(yōu)解和迭代最優(yōu)解。在i3-3220和4g內(nèi)存的硬件條件下，利用matlab進行模擬仿真，設(shè)定仿真迭代次數(shù)為50，按照極角*極長*高度模式建立360*500*500的柵格環(huán)境明顯，通過本發(fā)明算法和傳統(tǒng)gaaa算法進行路徑規(guī)劃。仿真結(jié)果比較如下性能指標本發(fā)明gaaa出現(xiàn)全局最優(yōu)解仿真次數(shù)3012第一次出現(xiàn)最優(yōu)解時間，s6.810.2平均運行時間20.823.5通過結(jié)果比較，可知本發(fā)明的尋優(yōu)能力明顯更優(yōu)秀。當前第1頁12