一种基于智能优化算法的无人机路径规划优化方法与流程

本发明属于三维路径规划领域，特别涉及一种基于智能优化算法的无人机路径规划优化方法。

背景技术：

1、无人机路径规划是无人机技术研究中的重要领域。无人机路径规划技术的现状已经达到了相当高的水平，但仍存在一些挑战和问题需要解决；目前无人机路径规划通常包括基于图的搜索算法、随机采样方法和基于概率的方法，这些算法在已知环境中表现良好，但在动态或未知环境中适应性较差，尤其在三维空间和复杂环境中，收敛速度慢且路径优化效率不是最优，计算量随环境复杂度线性增加。

2、近年来，智能优化算法如遗传算法（ga）、粒子群优化（pso）、蚁群算法（aco）和差分进化（de）等被应用于路径规划，以提高路径的优化质量和计算效率：目前，大多数智能算法在处理复杂、动态的实时环境时，仍然存在计算效率低下和稳定性不足的问题，在变化的环境中如何快速重新规划路径，同时确保路径的可行性和安全性，这对于智能优化算法在无人机路径规划应用中自适应性控制是一个挑战。

3、因此，存在一种急需改进的技术需求，即开发一种能够有效结合多种智能优化算法，以提高无人机在复杂环境中的路径规划的效率和安全性的方法。此外，新的方法还需能够实时响应环境变化，快速调整路径规划，同时优化能源消耗，以适应更长时间的任务需求。

4、深度睡眠优化算法（dso）是一种全局优化算法，深度睡眠优化算法通过模拟人类的睡眠模式来解决优化问题，dso是模拟了人类睡眠过程中稳态压力的上升和下降，采用睡眠稳态压力的数学模型来模拟和确定深度睡眠状态。采用23个传统函数，将dso与其他11种元启发式方法进行了比较，包括ga、pso、tlbo和gwo，深度睡眠优化算法具备一定的优势，同时，深度睡眠优化算法的全局搜索和局部开发平衡性能较差，寻优过程容易陷入局部最优，需要进一步优化。

技术实现思路

1、针对背景技术中的问题，本发明提出一种基于智能优化算法的无人机路径规划优化方法，对深度睡眠优化算法改进，提高dso算法的寻优平衡性，利用改进的深度睡眠优化算法对无人机路径规划寻优，以克服现有相关技术所存在的上述技术问题。

2、为解决上述技术问题，本发明是通过以下技术方案实现的： 本发明为一种基于智能优化算法的无人机路径规划优化方法，包括以下步骤。

3、s1、通过无人机发射激光并测量反射时间，获取高精度三维点云数据，生成无人机巡检的三维地图。

4、s2、设定无人机起始点位置三维坐标，记为起始坐标；设定需要进行拍摄的目标位置的三维坐标，记为终点坐标，以及设置三维地图中障碍物的坐标。

5、s3、建立路径优化模型，所述路径优化模型基于步骤s1和s2的三维地图和起始坐标与障碍物坐标。

6、s4、对标准深度睡眠优化算法（dso）改进，具体步骤为：

7、s41、对深度睡眠优化算法的唤醒阈值改进，根据当前迭代第i个体适应度和全局最小适应度之间的关系调整唤醒阈值；

8、s42、提出一种混淆扰动策略，结合改进的唤醒阈值对深度睡眠优化算法的位置更新数学模型改进。

9、s5、利用改进的深度睡眠优化算法在所述路径优化模型中生成起始点位至结束点位的优化路径。

10、优选地，利用激光雷达（lidar）传感器搭载在无人机上，通过发射激光束并记录激光束与地面物体的反射时间，从而测量物体的距离和形状，将这些距离和形状数据整合成三维点云模型，以生成精确的地图数据，其中精确的地图数据中设置路径的起始点和障碍物点，建立路径优化模型，用于改进的深度睡眠优化算法对无人机路径规划优化。

11、优选地，步骤s41中，提出一种自适应唤醒阈值，根据当前迭代第i个体适应度和全局最小适应度之间的关系调整唤醒阈值，自适应唤醒阈值的数学模型为：

12、（1）；

13、式（1）中，为全局最小适应度，为第t次迭代第i个体适应度。

14、优选地，在每次迭代中，对每个个体计算其自适应唤醒阈值，然后利用所述自适应唤醒阈值改进深度睡眠优化算法（dso）的压力值，改进后的压力值数学模型为：

15、（2）；

16、式（2）中，为个体的初始数量，为0到1内的随机数，为全局最佳位置，为第t次迭代全部个体的平均位置。

17、优选地，步骤s42中，融合一种混淆扰动策略，结合改进的唤醒阈值对深度睡眠优化算法的位置更新数学模型改进，改进后的位置更新数学模型为：

18、（3）；

19、式（3）中，为第t+1次迭代的第i个个体位置，为第t-1次迭代的全局最佳个体位置，为0到1内的均匀随机数，为个体位置上界值，为个体位置下界值，为最大迭代次数；其中，混淆扰动策略通过引入随机扰动和重组已有解来实现，数学模型为：

20、（4）；

21、式（4）中，为第t次迭代的自适应唤醒阈值的最大值，为第t次迭代的自适应唤醒阈值的最小值。

22、优选地，第t次迭代的自适应唤醒阈值的最大值数学模型为：

23、（5）；

24、第t次迭代的自适应唤醒阈值的最大值数学模型为：

25、（6）；

26、式（4）和（5）中，为自适应唤醒阈值设定最小值，取值为1，为自适应唤醒阈值设定最小值，取值为0.1，为睡眠与清醒节律成本，为睡眠与清醒节律时移变量。

27、优选地，通过引入混淆扰动策略，增强了dso的记忆能力，使其能够更好地利用过去的搜索经验，这种改进有助于算法在搜索过程中更加高效地利用历史数据，提高整体搜索性能，引入了历史最优解的信息，能够加快收敛速度，同时，通过在位置更新过程中加入历史最优解的影响，算法可以更快地接近最优解，从而减少迭代次数，提高计算效率。

28、优选地，自适应唤醒阈值根据当前个体适应度和全局最优适应度的关系进行动态调整，用所述自适应唤醒阈值改进深度睡眠优化算法在睡眠状态和清晰状态下的位置更新数学模型，使得算法能够根据不同阶段的搜索需求进行灵活调整，有效地平衡探索和开发过程，在搜索早期阶段，阈值更倾向于增加探索能力，而在搜索后期阶段，更注重开发局部最优解；其次，利用自适应唤醒阈值改进深度睡眠优化算法（dso）的压力值，算法根据改进的压力值决定个体是执行睡眠状态下的位置更新数学模型，还是执行清晰状态下的位置更新数学模型，帮助算法更快地集中到潜在的全局最优解区域，减少迭代次数，使得算法在搜索过程中能够更智能地分配探索和开发资源，从而加快收敛速度。

29、优选地，建立无人机路径规划的多约束评价模型，所述评价模型为改进的深度睡眠优化算法（udso）对无人机三维路径寻优的目标函数，其中，路径规划的多约束评价模型包括若干个约束条件，包括：最短航线约束、飞行高度约束、切换角度约束，将各约束条件的函数通过加权系数得到最终的目标函数，数学模型为：

30、（7）；

31、式（7）中，为最短航线约束权重，为飞行高度约束权重，为切换角度约束权重，为最短航线约束模型，为飞行高度约束模型，为切换角度约束模型。

32、优选地，最短航线约束，其目的为了找到较短的航路，减少需要更少的飞行时间和更少的燃料消耗，最短航线约束模型为：

33、（8）；

34、式（8）中，m为无人机航迹坐标的总数，为第m个无人机航迹坐标，为第m+1个无人机航迹坐标。

35、优选地，飞行高度约束，其目的为了避免无人机在进行任务的途中与地形发生碰撞，所规划的路径应高于地形的高度，并保持较为稳定高度，飞行高度约束模型为：

36、（9）;

37、式（9）中，为无人机的起始点和第一个路径点之间的高度差，n为障碍物坐标的总数，为第n个障碍物的三维高度，为第n-1个障碍物的三维高度，为目标终点和最后一个路径点间的高度差。

38、优选地，切换角度约束，其目的为了避免各航路点过大转角，保障无人机的稳定性和机动性，切换角度约束模型为：

39、（10）；

40、式（10）中，为最大切换角度。

41、优选地，利用改进的深度睡眠优化算法在步骤s3路径优化模型中生成无人机从起始点位至结束点位的优化路径，具体步骤为：

42、s51、在路径优化模型中设置5个无人机飞行时必须路径的坐标点，将所述的5个坐标点编码为一个问题维度为5的空间向量；

43、s52、随机初始化改进的深度睡眠优化算法的每个个体的位置，所述每个个体位置与每个空间向量建立5维映射；

44、s53、设置改进的深度睡眠优化算法参数，包括种群规模g、问题维度d、个体位置上界ub和下界lb以及最大迭代次数t和初始迭代次数t=0；

45、s54、利用公式（7）计算当前迭代个体位置的目标值，所述目标值作为算法寻优适应度值，将最小适应度值即为，并与上次迭代的全局小适应度值比较，将两者中较小适应度值作为全局最佳适应度值；

46、s55、按照公式（2）计算每个个体改进后的压力值，按照公式（3），若改进后的压力值大于0.5，则执行改进的深度睡眠优化算法的睡眠阶段位置更新数学模型，否则执行改进的深度睡眠优化算法的清醒阶段位置更新数学模型；

47、s56、重复利用公式（7），计算当前迭代经过更新位置后的个体位置的适应度值，将适应度值最小的个体位置作为全局最佳个体位置，即全局最佳解；

48、s57，当前迭代次数t执行t=t+1，判断当前迭代次数t是否满足t=t，若满足，则将全局最佳位置输出并解析为无人机最佳路径的5个坐标点，形成最优路径；否则，按照公式（11）更新种群个体位置，返回执行步骤s54；

49、（11）；

50、式（11）中，为第i个个体的新位置，为第t次迭代的全局最佳个体位置，为第t次迭代的第i个个体位置，为第t次迭代的随机选取的个体位置，和为0到1内的随机数。

51、更具体地，在改进的深度睡眠优化算法寻优迭代结束后，利用公式（11）对群体位置进行差分变异的方式更新种群个体位置，可以在一定程度上避免改进的深度睡眠优化算法陷入局部最优，从而可以提高算法寻优的精确性，保证无人机路径优化达到更好的精度。

52、综合以上，由于采用本技术方案，本发明的有效成果为：通过引入改进的深度睡眠优化算法（dso），结合自适应唤醒阈值和混淆扰动策略，使得算法在无人机路径规划中的收敛速度和寻优性能得到了显著提升，解决了传统算法在复杂动态环境中的计算效率低和稳定性不足的问题，改进的dso算法通过优化路径规划，减少了无人机的飞行时间和能量消耗，满足了无人机执行长时间任务的需求，最后提供了一种高效、安全、节能的无人机路径规划优化方法，具有显著的实际应用价值和技术优势。