一种基于蚁群算法的无人机多任务路径规划方法及系统技术方案

本发明专利技术公开了一种基于蚁群算法的无人机多任务路径规划方法及系统。该方法包括：确定无人机多任务约束条件；所述约束条件包括：最小转弯半径约束、最小航迹段长度约束以及最大航程约束；对无人机多任务飞行环境进行栅格化，得到栅格化后的飞行环境；在所述约束条件下以及栅格化后的飞行环境中，采用蚁群算法迭代计算最优路径；在所述迭代计算过程中，按照信息素更新规则更新信息素浓度进行路径搜索，并选择总路径代价最小的搜索路径为最优路径；所述总路径代价包括路径长度代价、飞行高度代价和路径转折次数代价。本发明专利技术增加总路径代价，根据任务的不同，设置不同的权重系数，完成无人机规划多种任务的要求。无人机规划多种任务的要求。无人机规划多种任务的要求。

【技术实现步骤摘要】
一种基于蚁群算法的无人机多任务路径规划方法及系统


[0001]本专利技术涉及无人机路径规划
，特别是涉及一种基于蚁群算法的无人机多任务路径规划方法及系统。

技术介绍

[0002]无人机的路径规划是指根据已知的飞行地形数据，并且考虑到地形和未知威胁的影响下，计算出最优的航迹，要求在飞行过程中能够实时性地躲避威胁环境，从而顺利完成飞行任务。路径规划算法是路径规划的核心，路径规划算法一般可以分为传统经典算法和现代智能算法。传统算法与现代智能算法相比，存在规划时间长、计算量大、不具备智能搜索功能，容易陷入局部最优解等缺点。现代智能算法具有算法灵活且实现简单、高效、可并行、动态特性强等特点，因此可以更加高效地完成路径规划任务。
[0003]随着科学技术的发展，无人机的应用发展更加多样化。但当无人机需要规划多种路径规划时(路径最短，时间最少，路径最平滑)，单一的算法难以满足多种规划任务要求。往往需要采用不同算法，但又会增加控制系统的负担，因此需要可以进行多任务路径规划的智能算法。

技术实现思路

[0004]为了解决上述问题，本专利技术提供了一种基于蚁群算法的无人机多任务路径规划方法及系统，
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于蚁群算法的无人机多任务路径规划方法，包括：
[0007]确定无人机多任务约束条件；所述约束条件包括：最小转弯半径约束、最小航迹段长度约束以及最大航程约束；
[0008]对无人机多任务飞行环境进行栅格化，得到栅格化后的飞行环境；
[0009]在所述约束条件下以及栅格化后的飞行环境中，采用蚁群算法迭代计算最优路径；在所述迭代计算过程中，按照信息素更新规则更新信息素浓度进行路径搜索，并选择总路径代价最小的搜索路径为最优路径；所述总路径代价包括路径长度代价、飞行高度代价和路径转折次数代价。
[0010]可选地，所述蚁群算法中蚂蚁的转移概率计算公式如下：
[0011][0012]其中，表示在t时刻第k个蚂蚁从第i个栅格转移到第j个栅格的概率，τ
ij
(t)表示t时刻第i个栅格到第j个栅格之间的的信息素浓度，η
ij
表示第i个栅格到第j个栅格的能见度，α、β表示调节参数。
[0013]可选地，所述信息素更新规则的表达式如下：
[0014]τ
ij
(t+n)＝ρ
·
τ
ij
(t)+Δτ
ij
[0015][0016][0017]其中，ρ表示信息素残留系数，Δτ
ij
表示当前迭代过程中第i个栅格到第j个栅格之间的的信息素浓度，m表示蚂蚁的数量，W表示总路径代价。
[0018]可选地，所述总路径代价的计算公式如下：
[0019]W＝L+H+M
[0020]L＝k
l
*l
[0021]H＝k
h
*h
[0022]M＝k
m
*m
[0023]k
l
+k
h
+k
m
＝1
[0024]其中，W表示总路径代价，L表示路径长度代价，H表示飞行高度代价，M表示路径转折次数代价，l表示路径长度，k
l
表示路径长度权重系数，h表示飞行高度，k
h
表示飞行高度权重系数，m表示路径转折次数，k
m
表示路径转折次数权重系数。
[0025]本专利技术还提供了一种基于蚁群算法的无人机多任务路径规划系统，包括：
[0026]约束条件确定模块，用于确定无人机多任务约束条件；所述约束条件包括：最小转弯半径约束、最小航迹段长度约束以及最大航程约束；
[0027]栅格化模块，用于对无人机多任务飞行环境进行栅格化，得到栅格化后的飞行环境；
[0028]最优路径计算模块，用于在所述约束条件下以及栅格化后的飞行环境中，采用蚁群算法迭代计算最优路径；在所述迭代计算过程中，按照信息素更新规则更新信息素浓度进行路径搜索，并选择总路径代价最小的搜索路径为最优路径；所述总路径代价包括路径长度代价、飞行高度代价和路径转折次数代价。
[0029]可选地，所述蚁群算法中蚂蚁的转移概率计算公式如下：
[0030][0031]其中，表示在t时刻第k个蚂蚁从第i个栅格转移到第j个栅格的概率，τ
ij
(t)表示t时刻第i个栅格到第j个栅格之间的的信息素浓度，η
ij
表示第i个栅格到第j个栅格的能见度，α、β表示调节参数。
[0032]可选地，所述信息素更新规则的表达式如下：
[0033]τ
ij
(t+n)＝ρ
·
τ
ij
(t)+Δτ
ij
[0034][0035][0036]其中，ρ表示信息素残留系数，Δτ
ij
表示当前迭代过程中第i个栅格到第j个栅格之间的的信息素浓度，m表示蚂蚁的数量，W表示总路径代价。
[0037]可选地，所述总路径代价的计算公式如下：
[0038]W＝L+H+M
[0039]L＝k
l
*l
[0040]H＝k
h
*h
[0041]M＝k
m
*m
[0042]k
l
+k
h
+k
m
＝1
[0043]其中，W表示总路径代价，L表示路径长度代价，H表示飞行高度代价，M表示路径转折次数代价，l表示路径长度，k
l
表示路径长度权重系数，h表示飞行高度，k
h
表示飞行高度权重系数，m表示路径转折次数，k
m
表示路径转折次数权重系数。
[0044]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0045]本专利技术提供的一种基于蚁群算法的无人机多任务路径规划方法，包括：确定无人机多任务约束条件；所述约束条件包括：最小转弯半径约束、最小航迹段长度约束以及最大航程约束；对无人机多任务飞行环境进行栅格化，得到栅格化后的飞行环境；在所述约束条件下以及栅格化后的飞行环境中，采用蚁群算法迭代计算最优路径；在所述迭代计算过程中，按照信息素更新规则更新信息素浓度进行路径搜索，并选择总路径代价最小的搜索路径为最优路径；所述总路径代价包括路径长度代价、飞行高度代价和路径转折次数代价。本专利技术增加总路径代价，根据任务的不同，设置不同的权重系数，完成无人机规划多种任务的要求。
附图说明
[0046]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。...

【技术保护点】

【技术特征摘要】
1.一种基于蚁群算法的无人机多任务路径规划方法，其特征在于，包括：确定无人机多任务约束条件；所述约束条件包括：最小转弯半径约束、最小航迹段长度约束以及最大航程约束；对无人机多任务飞行环境进行栅格化，得到栅格化后的飞行环境；在所述约束条件下以及栅格化后的飞行环境中，采用蚁群算法迭代计算最优路径；在所述迭代计算过程中，按照信息素更新规则更新信息素浓度进行路径搜索，并选择总路径代价最小的搜索路径为最优路径；所述总路径代价包括路径长度代价、飞行高度代价和路径转折次数代价。2.根据权利要求1所述的基于蚁群算法的无人机多任务路径规划方法，其特征在于，所述蚁群算法中蚂蚁的转移概率计算公式如下：其中，表示在t时刻第k个蚂蚁从第i个栅格转移到第j个栅格的概率，τ
ij
(t)表示t时刻第i个栅格到第j个栅格之间的的信息素浓度，η
ij
表示第i个栅格到第j个栅格的能见度，α、β表示调节参数。3.根据权利要求2所述的基于蚁群算法的无人机多任务路径规划方法，其特征在于，所述信息素更新规则的表达式如下：τ
ij
(t+n)＝ρ
·
τ
ij
(t)+Δτ
ijij
其中，ρ表示信息素残留系数，Δτ
ij
表示当前迭代过程中第i个栅格到第j个栅格之间的的信息素浓度，m表示蚂蚁的数量，W表示总路径代价。4.根据权利要求1所述的基于蚁群算法的无人机多任务路径规划方法，其特征在于，所述总路径代价的计算公式如下：W＝L+H+ML＝k
l
*lH＝k
h
*hM＝k
m
*mk
l
+k
h
+k
m
＝1其中，W表示总路径代价，L表示路径长度代价，H表示飞行高度代价，M表示路径转折次数代价，l表示路径长度，k
l
表示路径长度权重系数，h表示飞行高度，k
h
表示飞行高度权重系数，m表示路径转折次数，k
m
表示路径转折次数权重系数。5.一种基于蚁群算法的无人机多任务路径规划系...

【专利技术属性】
技术研发人员：任斌武，招启军，杜思亮，王博，周旭，张夏阳，陈希，赵国庆，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：