一种基于改进粒子群算法的无人机路径规划方法及系统，本发明专利技术涉及无人机技术领域。解决现有技术中存在无人机复杂的航路规划的问题。将PSO种群中每个粒子自身找到的最佳解的坐标设置为当前位置，并计算出相应的个体极值，全局极值为其中的最佳值；评估PSO种群中每个粒子并计算每个粒子的适应度值，如果优于粒子当前的个体极值，则将最佳解设置为粒子的位置并更新个体极值。如果所有粒子的个体极值中最佳数值优于当前的全局极值，即为粒子的位置；根据混合概率选择一定数量的粒子进入混合池，保持最佳解和整个种群找到的最佳解不变，如果当前迭代达到预定义的最大次数，则停止迭代，输出最优解，否则继续更新。本发明专利技术还适用于钻取采样量预估领域中。
【技术实现步骤摘要】
本专利技术涉及无人机。
技术介绍
1、无人机路径规划是指在飞行任务中，规划无人机飞行的路径和航线，以确保无人机能够高效、安全地完成任务。良好的路径规划可以确保无人机在执行任务时以最短的路径到达目的地，从而提高飞行效率。这不仅有助于节省时间和能源，还能增加任务执行的效益。传统的无人机路径规划算法有多种。dijkstra算法可以找到从起点到终点的最短路径，但是不考虑实际环境中的障碍物，不能应对动态环境的变化，不适用于需要避障的无人机任务。a星算法结合了广度优先搜索和启发式搜索，兼顾了最短路径和避障。但是在大规模地图上计算开销较大，需要消耗较多的计算资源；对于高维状态空间的问题，启发式函数的设计可能较为困难。人工势场法通过模拟粒子在势场中的运动，避免障碍物，但是容易陷入局部最优解，不适用于复杂环境；存在悬停问题，无法保证找到全局最优路径。
技术实现思路
1、本专利技术针对现有技术中存在无人机复杂的航路规划的问题。
2、为解决上述技术问题本专利技术是通过以下技术方案实现的：
3、方案一、本专利技术提出了一种基于改进粒子群算法的无人机路径规划方法，所述无人机路径规划方法包括以下步骤：
4、步骤一、选定的pso种群的气道控制点大小为m，初始路线控制点位置为f，其速度为v，将pso种群中每个粒子自身的最佳解的坐标设置为当前位置，并计算出相应的个体极值，全局极值为其中的最佳数值；记录每个粒子的最佳数值，并将整个种群的最佳解的坐标设置为粒子当前的最佳位置；
5、步骤二：评估pso种群中每个粒子的位置并计算每个粒子的适应度值，如果优于粒子当前的个体极值，则将最佳解的坐标设置为粒子的位置并更新个体极值；如果所有粒子的个体极值中最佳数值优于当前的全局极值，则将步骤一得到的整个种群的最佳解的坐标设置为粒子的位置，并记录粒子的个数，更新全局极值；
6、步骤三：采用收缩系数公式更新每个粒子的速度和位置，对于每个粒子，将其自适应值与其经过的最佳位置进行比较，优于则设为最佳位置，将步骤一和步骤二得到粒子的最佳数值和整个种群的最佳数值进行比较，更新整个种群的最佳解；
7、步骤四：根据混合概率选择粒子进入混合池，混合池中的粒子将相互随机混合产生相同数量的子代粒子，保持最佳解和整个种群找到的最佳解不变，检查是否满足结束条件，如果当前迭代达到预定义的最大次数，则停止迭代，输出最优解，否则继续执行步骤三。
8、进一步的，提供一种优选实施方式，步骤三中所述的收缩系数公式的公式为：
9、vid(t+1)＝vid(t)+c1×rand()×[pid(t)-xid(t)]+
10、c2×rand()×[pgd(t)-xid(t)]
11、xid(t+1)＝xid(t)+vid(t+1)1≤i≤n1≤d≤d
12、其中，d为搜索空间的维数，n为第i个粒子的位置描述为向量xi＝(xi1,xi2,…xid)，粒子过去的最佳位置描述为pi＝(pi1,pi2,…,pid)，pg为最优位置；第i个粒子的位置速率速度描述为向量vi＝(vi1,vi2,…,vid)，c1和c2为学习因子或加速度系数。
13、进一步的，提供一种优选实施方式，步骤二中粒子适应度函数的计算方法为：
14、minw＝w1c1l+w2c2/dmin
15、其中，w1和w2为权重系数，d为粒子的维数，w为适应度，l为路径长度。
16、进一步的，提供一种优选实施方式，根据混合概率选择一定数量的粒子进入混合池的方法为：
17、child(x)＝p parent1(x)+(1-p)·parent2(x)
18、child(x)＝(1-p)·parent1(x)+p·parent2(x)
19、p是0到1之间的随机数。
20、进一步的，提供一种优选实施方式，混合池中的粒子将相互随机混合产生相同数量的子代粒子的方法为，子代粒子的速度的计算公式为：
21、
22、方案二、一种基于改进粒子群算法的无人机路径规划系统，所述无人机路径规划系统包括：
23、位置确定模块，用于选定的pso种群的气道控制点大小为m，初始路线控制点位置为f，其速度为v，将pso种群中每个粒子自身的最佳解的坐标设置为当前位置，并计算出相应的个体极值，全局极值为其中的最佳数值；记录每个粒子的最佳数值，并将整个种群的最佳解的坐标设置为粒子当前的最佳位置；
24、评估模块，用于评估pso种群中每个粒子的位置并计算每个粒子的适应度值，如果优于粒子当前的个体极值，则将最佳解的坐标设置为粒子的位置并更新个体极值；如果所有粒子的个体极值中最佳数值优于当前的全局极值，则将步骤一得到的整个种群的最佳解的坐标设置为粒子的位置，并记录粒子的个数，更新全局极值；
25、位置更新模块，用于采用收缩系数公式更新每个粒子的速度和位置，对于每个粒子，将其自适应值与其经过的最佳位置进行比较，优于则设为最佳位置，将步骤一和步骤二得到粒子的最佳数值和整个种群的最佳数值进行比较，更新整个种群的最佳解；
26、判断模块，用于根据混合概率选择粒子进入混合池，混合池中的粒子将相互随机混合产生相同数量的子代粒子，保持最佳解和整个种群找到的最佳解不变，检查是否满足结束条件，如果当前迭代达到预定义的最大次数，则停止迭代，输出最优解，否则继续执行位置更新模块。
27、方案三、计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现方案一中任一项所述的方法的步骤。
28、方案四、计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行方案一中任意一项所述的方法。
29、本专利技术的有益之处在于：
30、本专利技术提出了一种带收缩因子的改进混合粒子群无人机航路规划方法，在简化无人机路径总成本函数的基础上，提出了一种带有收缩因子的改进混合粒子群无人机航路规划方法。
31、本专利技术所述的改进粒子群算法的无人机路径规划方法有效地提高了路径规划算法的收敛能力。
32、本专利技术所述的改进粒子群算法的无人机路径规划方法克服了基本粒子群算法容易陷入局部极小值的缺点。
33、本专利技术所述的改进粒子群算法的无人机路径规划方法可用于解决无人机复杂的航路规划问题。
34、本专利技术还适用于复杂环境找到全局最优路径领域中。
本文档来自技高网...
【技术保护点】
1.一种基于改进粒子群算法的无人机路径规划方法，其特征在于，所述无人机路径规划方法包括以下步骤：
2.根据权利要求1所述的一种基于改进粒子群算法的无人机路径规划方法，其特征在于，步骤三中所述的收缩系数公式的公式为：
3.根据权利要求1所述的一种基于改进粒子群算法的无人机路径规划方法，其特征在于，步骤二中粒子适应度函数的计算方法为：
4.根据权利要求1所述的一种基于改进粒子群算法的无人机路径规划方法，其特征在于，根据混合概率选择粒子进入混合池的方法为：
5.根据权利要求1所述的一种基于改进粒子群算法的无人机路径规划方法，其特征在于，混合池中的粒子将相互随机混合产生相同数量的子代粒子的方法为，子代粒子的速度的计算公式为：
6.一种基于改进粒子群算法的无人机路径规划系统，其特征在于，所述无人机路径规划系统包括：
7.计算机可读存储介质，其特征在于，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行权利要求1至5中任一项所述的方法。
8.计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1至5中任一项中所述方法实现。
...
【技术特征摘要】
1.一种基于改进粒子群算法的无人机路径规划方法，其特征在于，所述无人机路径规划方法包括以下步骤：
2.根据权利要求1所述的一种基于改进粒子群算法的无人机路径规划方法，其特征在于，步骤三中所述的收缩系数公式的公式为：
3.根据权利要求1所述的一种基于改进粒子群算法的无人机路径规划方法，其特征在于，步骤二中粒子适应度函数的计算方法为：
4.根据权利要求1所述的一种基于改进粒子群算法的无人机路径规划方法，其特征在于，根据混合概率选择粒子进入混合池的方法为：
5.根据权利要求1所述的一种基于改进粒子群算法的无人...
【专利技术属性】
技术研发人员：王文龙，田辉，宋宝亮，王茂盛，冯萌，薛伟，
申请(专利权)人：宁夏银星能源股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。