金冠游戏,626969com澳门彩

核心期刊学术咨询服务
您当前的位置:金冠游戏,626969com澳门彩 > 学术论文 > 农业论文 > 改进的混沌遗传算法求解无人机航迹规划问题

改进的混沌遗传算法求解无人机航迹规划问题

来源:金冠游戏 位置:农业论文时间:2020-12-24 10:0312

  摘 要: 针对无人机航迹规划问题展开研究,采用混沌遗传算法对无人机低空追击目标的航迹进行规划。该方法将无人机在低空复杂环境中的动力学模型离散化,结合约束条件,将三维空间划分为多个二维空间并利用栅格法进行二维建模,在二维空间下采用改进的混沌遗传算法来路径寻优,最终完成在三维空间中避开障碍物的航迹搜索过程。以建模工具Creator/Vega为仿真平台,建立仿真环境。仿真结果表明,该算法能够有效地规划出一条满足要求的航迹,且通过把三维空间转化为二维建模,避免了在三维空间求解的复杂性,提高了算法的工程实用性。

  关键词: 三维航迹规划; 无人机; 混沌遗传算法; 混沌扰动; 扰动因子

无人机论文

  0 引言

  无人机航迹规划就是指综合考虑无人机机动性能、突防概率、碰地概率和飞行时间等约束因素下,寻找一条从起始点到目标点的最优或可行的飞行轨迹[1]。

  由于遗传算法的鲁棒性,近年来有诸多学者,利用进化与遗传算法进行路径规划研究,取得了一定的成果。魏亭等人提出了基于稀疏A*遗传算法的无人机三维航迹规划方法[2],稀疏A*算法是一种启发式搜索算法,它结合约束条件大大缩小了搜素空间,大大缩小搜素时间,但在三维空间中构造代价函数和启发函数,由于函数求解过程需要在立体空间中计算,大大增加了算法的难度。刘群芳,李军华在稀疏A*算法的基础上结合进化原理,引入了文化算法,基于稀疏A*算法与文化算法的混合算法实现了动态目标的无人机航迹规划,为有效解决复杂的多维非线性工程优化问题提供了一条分析方法,有很大的参考价值。本文利用混沌遗传算法(Chaotic Genetic Algorithm, CGA)并进行扰动因子的改进,综合考虑无人机的机动性能、地形高程障碍威胁以及飞行任务等多种因素,运用改进的CGA进行航迹规划。

  首先利用Creator/Vega进行三维空间建模,然后参考文献[3]和文献[4]的方式,将三维空间搜寻转为二维空间求解,最后利用改进的CGA在二维空间展开航迹搜寻。经由对搜寻空间降维,下降算法难度,以获得提升搜寻效率的目标。

  1 三维航迹转化为二维空间及在二维空间建模

  CGA是在二维空间中的一种路径优先搜索算法,而低空无人机的航迹是三维的,因此必须把三维转化为二维空间搜索。在转化过程中,如何使用CGA从初始点到达目标点进行航迹搜索,如何进行节点扩展,如何选择候选节点就成为首要解决的问题。而正确的建立搜索空间,正是解决这些问题的先决条件。

  在三维空间中,目标和障碍物位置已知情况下,無人机自初始位置选择最佳避障路径向目标位置行进的过程(如图1)。

  假定S为无人机的出发点,E为终止点,障碍物为一个长方体图形A1B1C1D1-ABCD,当由S点直线飞行到E点时,会与障碍物发生碰撞。

  探索路径的三维搜寻空间,并绕开障碍物的前提下,过程建立如下:

  Step1 连出发点到终止点的线段SE,找到SE线段与长方体障碍物的第一个交点M,经由M做与长方体顶面平行的平面,且此平面与该长方体依次交于H、I、G、K四点,改变扩展因子把此平面向周围扩大搜寻空间为OPQR。扩展因子的选取值以无人机能够旋转的最大角度α为基准。

  Step2 在二维水平空间确立搜寻区域(如图2)。

  H、I、G、K四点组成的平面为障碍物在搜寻空间的投影平面,剩余的区域为可通过的区域。首先在搜寻平面上按栅格进行划分,按照栅格中心点的估计函数进行最优搜寻,找到向左或向右的飞行轨迹;然后将交点M向外扩展到点M1,在搜寻区域范围内寻找启发函数的最佳点M2;最后利用CGA可以找到由M1到M2的最佳搜寻路径。则二维搜寻路径最终由S到M1,再由M1到M2,M2到E。如图2所示。

  Step3 在三维垂直空间确立搜寻区域(如图3)。

  首先将OPQR平面以扩展因子的值不断向上扩展,当超出障碍物的顶部时,求得无人机向上飞行的轨迹搜寻区域;其次在该三维空间的顶面栅格中计算出离目的地E路径最短的栅格M2;然后应用CGA找出顶面中距离M1最短的栅格路径。则三维搜寻路径最终由S到M1,再由M1到M2,M2到E。

  Step4 比较水平搜寻路径(如图2)和垂直向上搜寻路径(如图3)的路径值,最后确定最佳路径。

  2 三维航迹规划及算法设计

  2.1 无人机的约束条件与优化函数

  无人机在飞行时有很多的约束限制,不同条件下约束各异。本文研究的无人机的主要约束条件包括:最小步长限制([Smin]),最大转向角度([θmax]),最大爬升/俯冲角,航迹距离约束,固定进入(接近)目标位置时的方向,飞行高度限制([Hmax])。综合以上约束条件,采用如下代价函数:

  本文把从扩展节点到目标节点之间的直线距离作为启发函数[5]。即:

  其中启发函数表示的其实是从当前节点到目标节点实际代价的下限,这样既满足可纳性,又满足一致性。

  2.2 航迹规划的搜索步骤

  Step1 粗略过滤障碍物。输入障碍物的坐标,判定此障碍物是不是在(Sx,Sy,Sz)到(Ex,Ey,Ez)所组成的长方体范围内。如果在,转到Step2;如果只有一部分在,则对区域边缘以n倍的Smin进行外扩,给n设定一个上限,这里设为3,转到Step2;如果不在,则对超出的范围的障碍物不予考虑,转到Step5。

  Step2 在起始位置S到目标位置E的连线上,按照Step1设定的长方体范围判断,障碍物是否与SE直线相交。若相交,则计算线段SE与障碍物的交点,否则,转到Step5。

  Step3 过交点上做与顶面平行和垂直的平面。对于平行平面,利用第3部分改进的CGA进行二维路径规划,找出最优路径轨迹(如图2)。对于垂直平面,使用扩展因子在平面中进行三维扩展(如图3),扩展后的平面同样采用CGA进行路径寻优,然后选择距离最短的那条路径段作为最终的轨迹。

  Step4 将交点1、交点2…,所有轨迹线交点的坐标添加到Vega路径中,实现避障路径规划;

  Step5 把S点移到当前位置,E点不变。按照SE方向继续向前搜索,若到达目标位置,则退出。若碰到障碍物,则转到Step2。

  3 CGA二维路径规划及算法设计

  在二维空间采用栅格法建模后,采用实数编码,运用CGA来优化路径。CGA是混沌算法(Chaos Algorithm,CA)和遗传算法(Genetic Algorithm,GA)的集成,是在求解复杂优化问题使用的最广泛的遗传算法的基础上,引入混沌扰动来解决单一遗传的早熟和局部收敛的算法。

  CGA设计思想是首先按照遗传算法的基本步骤,即初始种群生成、选择、交叉和变异生成路径;然后引入混沌扰动。因篇幅所限,本文直接把遗传算法变异后的解集代入混沌优化式中,对遗传算法求解的详细计算过程不做描述。

  3.1 随机扰动的确定

  δ*为当前最优解(x1*,…,xr*)映射到[0,1]区间后形成的向量,称为最优混沌向量;δk为迭代k次后的混沌向量,δ′k为加了随机扰动后(x1,…,xr)对应的混沌向量[6]。其中0<α<1,采用自适应选取,这是因为搜索初期希望(x1,…,xr)变动较大,需要较大的α。随着搜索的进行,(x1,…,xr)逐渐接近最优点,故需要选用较小的α,以便在(x1*,…,xr*)所在的小范围内搜索[7]。本文应用式⑷确定α。

  其中m为一整数,依优化目标函数而定;k为迭代次数。

  3.2 CGA设计步骤

  在3.1节确定扰动方案后,按CGA算法搜索待优化参数xi的步骤如下。

  Step1 给变量设定取值范围[ai,bi]、群体大小m、混沌算子中的吸引子μi及父代间的互换率Pc1,Pc2和子代的变异率Pm[8]。

  Step2 选用式⑸所示的Logistic映射,关系式如下:

  其中i表示混沌变量的序号,i=1,…,r;u表示种群序号,u=0,1,…,m;βi表示混沌变量,0≤βi≤1;μi表示吸引子。

  取u=0,μi=4[9]。先给式⑸赋r个微小差异的初值,得到r个混沌变量βi(1),(i=1,…,r)。依次取u=1,2,…,m,可得到m个初始解群[10]。

  Step3 用载波法[11],将选定r个混沌变量βi(u+1)分别引入到式⑹的r个优化变量中,使其变换为混沌变量[x'i],混沌变量的取值范围,会相应切换到相应的优化变量的取值范围[12]。

  Step4 把式⑵作為适应度函数的判断准则,计算式⑻生成的适应度值,把适应度值按照降序排列,因为f(X′)小于0时不能作为适应度,而且即便f(X′)非负,但若f(X′)对某一代群体相对变化范围过小,相当于两代值过于靠近或类同,会造成算法收敛速率很慢,因此还需要对f(X′)按下式作微小变化:

  其中f′k(X′)为微小变化后的适应度值,fk(X′)为微小变化前的适应度值,f(X′)min为微小变化前的最小适应度值,f(X′)max为微小变化前的最大适应度值,m为群体大小,按式⑼调整后,适应度值均大于0,且适应度值的相对变化范围加大,便于加大收敛速度。

  推荐阅读:金冠游戏,626969com澳门彩:无人机遥感在水土保持领域的应用分析

农业论文发表流程

农业论文发表流程-金冠游戏
论文发表咨询

相关论文阅读

期刊论文问答区

农业优质期刊

最新期刊更新

精品推荐