一种基于混合QBSO-CTLBO算法的无人机航迹规划方法

本发明涉及无人机航迹规划，尤其涉及一种基于混合qbso-ct lbo算法的无人机航迹规划方法。

背景技术：

1、目前，无人飞行器(unmanned aerial vehicle,uav)被越来越广泛地运用于军事、娱乐、农业、救援、航空航天以及电力巡检等领域。作为uav自主导航系统的核心，航迹规划是当前的研究热点。其目的是在给定的条件下，为uav设计出从起始点到目标点的最优或满意的飞行航迹。

2、目前，uav路径规划算法主要分为传统的确定性路径规划化算法和随机性路径规划算法两类。uav航迹规划在本质上是一个复杂带约束的非确定性多项式难(non-deterministic polynomial-hard，np-hard)题。与传统的确定性算法相比，粒子群、蚁群和头脑风暴优化(brain storm optimization，bso)算法等随机性算法更适合于求解复杂的np-hard优化问题。

3、尽管粒子群、蚁群和bso等随机性算法具有收敛速度快、计算复杂度低等缺点，但该类算法仍存在容易陷入局部极值等问题。作为一种较新的随机性算法，bso算法具有较强的全局搜索能力。bso算法自提出以来，众多学者对其进行了研究并提出了多种改进的bso算法。基本的bso很容易进入局部优化，并且不能充分利用全局信息来更新想法。现有的改进策略主要围绕种群的初始化方法、聚类方法、更新机制以及与其它算法结合等方面。例如，duan等提出了一种量子bso算法，提出的量子行为的机制，它导致每个想法的不确定性，导致更好的能力跳出局部最优，以解决朗螺线管问题的优化问题，所提出的新的量子行为的机制提高了种群的多样性，并利用全球信息来产生新的个体，提升了传统bso算法的全局搜索能力；但如何更好地平衡全局搜索和局部搜索，从而提高算法的收敛速度和收敛精度仍需要进一步研究。无人机在复杂环境中，受多威胁区因素的影响，需要更加精确的路径规划，从而提高飞行安全性和准确性。无人机路径规划在本质上是一个非确定性多项式难优化问题。由于群智能优化算法作为一类较新的随机性算法，因具有全局搜索能力强等优点，越来越多的研究将群智能算法用于解决航迹规划问题。例如，公开号为cn116841318a的中国专利公开了一种无人机航迹规划方法、装置、设备及可读存储介质，旨在解决现有技术中基于粒子群算法的无人机航迹规划方法精度不高的技术问题。同时，作为一种较新的群智能优化算法，教与学优化算法(teaching-learning-based optimization,tlbo)算法具有较强的局部优化能力。现有研究表明，与粒子群算法及遗传算法相比，qbso和tlbo算法具有更高的优化性能。然而，这两种算法仍存在收敛精度慢、收敛速度低等问题，因此，如何将qbso和tlbo算法相结合、取长补短，以设计出具有更高优化性能的群智能算法，并将其应用于uav航迹规划是极有价值的研究点。

技术实现思路

1、本发明的目的是为了解决现有技术中传统bso、tlbo及其相关改进算法在解决航迹规划问题时存在的收敛速度慢、容易陷入局部极值的问题，而提出的一种基于混合qbso-ctlbo算法的无人机航迹规划方法，实现更加快速、准确地获得最佳航迹。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于混合qbso-ctlbo算法的无人机航迹规划方法，包含以下步骤：

4、步骤1.1：建立坐标系，获取一条航迹在坐标系中的航迹节点，得到航迹节点的集合(即种群)，将种群随机初始化两个大小为n的子种群，将每个子种群中随机生成的n条航迹分为m个类，将每个类中适应度值最优的个体指定为该类的类中心；

5、步骤1.2：对规划环境进行建模，得到航迹规划环境模型，并根据航迹规划环境模型建立航迹代价数学模型，根据建立的航迹代价数学模型，基于混合qbso-ctlbo算法在规划环境中进行路径规划：在种群迭代进化前期采用qbso算法对种群个体进行更新，每个子种群的每个类的类中心构成的个体按照ctlbo算法的“教”阶段进行更新；

6、步骤1.3：当前更新迭代次数达到设定的阈值后，对比各个类的类中心个体的适应度值，适应度值高的个体对应的类按照ctlbo算法的更新机制进行迭代优化更新，剩余个体按照qbso算法进行更新，直到达到最大迭代次数；

7、步骤1.4：进化完成，输出最优航迹。

8、优选的，所述步骤1.1中的具体步骤如下：

9、设置一个新的坐标系，将一条航迹x表示为在三维空间中的一系列航迹点：

10、x＝{cs(xs,ys,zs),c1(x1,y1,z1),…,cd(xd,yd,zd),cg(xg,yg,zg)}

11、其中，cs代表出发点；cg代表目标点；ci(i＝1,2,...,d)代表航迹中除出发点和目标点之外的航迹点，d是除出发点和目标点之外的航机点的数量，第i个节点ci的横坐标为通过限定各节点的x轴坐标的值，将航迹规划问题的维数转化为2×d，即种群中每个个体xi的维数为2×d，可表示为一个维数为2×d的向量：

12、xi＝[xi1,xi2,...,xid|xid+11,xid+2,...,xi2d]

13、其中，xi的前1/2维和后1/2维分别代表航迹xi上d个节点在新坐标系下的纵坐标和高度，设uij表示航迹xi上第j个节点在的空间坐标，uij可表示为：

14、

15、航迹xi也可表示为：

16、xi＝(cs,ui1,...,uid,cg)

17、其中，cs和cg分别表示uav的出发点和目标点，

18、在对个体xi进行初始化时，xi上每个航迹点在新坐标系下的纵坐标和高度按照如下方式随机生成：

19、xij＝(r1-0.5)×w， j＝1,2,...,d

20、xij+d＝hij+hmin+r2×(hmax-hmin)， j＝1,2,...,d

21、其中，r1和r2为区间[0,1]内的随机数，w为规划区域的宽度，hij是点处的地形高度，hmin和hmax分别是uav的最小和最大离地距离。

22、优选的，所述步骤1.2中，对规划环境进行建模，得到航迹规划环境模型包括以下步骤：设置禁飞区、威胁区以及相关参数，其中，相关参数包括规划区域宽度、地形高度、最小和最大离地高度、最大拐弯角度、最大爬升/下滑角度等。

23、优选的，所述根据航迹规划环境模型建立航迹代价数学模型的具体步骤如下：

24、考虑环境约束和uav自身机动性能约束，建立航迹规划数学模型；其中，所述环境约束为uav包括飞行过程中规避障碍物约束；所述uav自身机动性能约束包括最大转弯角约束、最大爬升/下滑角约束、最小离地高度和最大离地高度约束；所述航迹规划数学模型的航迹代价定义为：

25、

26、其中，j1(x)～j3(x)分别为航迹的长度代价、机动代价和高度代价，w1～w3是各部分代价的权系数；航迹x的长度代价j1(x)是指整条航迹的总长度，航迹x的机动代价j2(x)指每个节点ci(i＝0,1,2,...,d)处的转弯代价和爬升/下滑代价的和；航迹x的高度代价j3(x)是指每个节点ci＝(xi,yi,zi)的高度。

27、优选的，所述步骤1.2中，根据建立的航迹代价数学模型，基于混合qbso-ctlbo算法在规划环境中进行路径规划的具体步骤如下：

28、步骤4.1：在进化前期，每个子种群按照qbso算法的进化机制独立进行进化；在进化过程中，两个种群独立进化且种群之间没有信息交流，采用协同化机制可以提高整个种群的多样性，降低算法陷入局部极值的概率；

29、步骤4.2：当子种群按照qbso算法的进化机制完成一次迭代更新后，将每个类的类中心视为老师，老师形成的子种群按照ctlbo算法的“教”阶段的更新机制进行更新；

30、步骤4.3：当迭代次数达到规定的阈值tx时，输出每个子种群；否则，重复上述步骤4.2直到达到当亲迭代次数达到阈值tx。

31、优选的，所述步骤1.3中的具体步骤如下：

32、步骤5.1：对每个子种群中的个体按照适应度值进行排序；同时按照适应度值对比每个子种群的类中心，将所有类分为优秀类和次优秀类，其中，类中心个体适应度值好的类视为优秀类，反之，则视为次优秀类；其中，每个类可视为一个班级，每个类的类中心可视为班级的老师；

33、步骤5.2：优秀的班级按照ctlbo算法的进化机制进行进化，以提高进化后期的收敛速度。次优秀的班级继续用qbso算法的进化机制进行进化，以提高进化后期种群的多样性；其中，ctlbo算法的进化机制主要包括“教”阶段和“学”阶段，在“教阶段”，班级中的所有学生依据老师不断向班级平均值靠近；“教阶段”结束后，每个种群中个体之间进行相互学习(“学”阶段)；即种群中的个体向随机选取的其他个体进行学习，在“教”阶段和“学”阶段结束后，比较新个体和原始个体的适应度值，选择好的个体作为下一代种群中的个体；

34、步骤5.3：如果满足终止条件，则优化结束并输出最优解，否则将迭代次数加1(iteration＝iteration+1)并转至步骤5.2继续。

35、与现有技术相比，本发明的有益效果是：

36、本发明的无人机航迹规划方法，首先对规划环境进行建模，得到环境模型和航迹规划数学模型，结合所设计航迹规划环境模型和数学模型，运用混合qbso-ctlbo算法的对航迹进行优化，得到最优航迹，相较于现有技术，本发明使用基于混合qbso-ctlbo算法搜索最优航迹；不仅能够更快速地搜索出更加精确的航迹，而且在全局搜索能力、收敛精度和稳定性等方面优于传统方法。