一、无人机简介
无人机的航迹规划是指在综合考虑无人机飞行油耗、威胁、飞行区域以及自身物理条件限制等因素的前提下, 为飞行器在飞行区域内规划出从初始点到目标点最优或者满意的飞行航迹, 其本质是一个多约束的目标优化问题。航迹规划算法是航迹规划的核心。国内外相继开展了相关研究, 提出了许多航迹规划算法, 如模拟退火算法、人工势场法、遗传算法、蚁群算法等。但由于无人机面临的规划空间异常复杂、规划约束条件多且模糊性大, 航迹搜索算法存在寻优能力差、计算量过大、效率不高等问题, 在航迹规划的最优性和实时性方面有待进一步提高。
粒子群优化算法 (particle swarm optimization, PSO)是Kennedy和Eberhart于1995年提出的一种群体智能仿生算法, 在解决一些典型的函数优化问题时, 能够取得比较好的优化结果。
1 无人机航迹规划模型 1.1 航迹表示方法
一般地, 无人机航迹规划的空间可以表示为某三维坐标系下所有点的集合{ (x, y, z) |xmin≤x≤xmax, ymin≤y≤ymax, zmin≤z≤zmax}, 其中x, y可以表示为该节点在飞行水平面下的坐标, 也可以表示为该点的经纬度, z为高程数据或海拔高度。航迹规划的目的是获得无人机在该空间中的飞行轨迹, 生成的航迹可表示为三维空间的一系列的点{PS, P1, P2, …, Pn-2, PG}, 相邻航迹点之间用直线段连接。
1.2 航迹代价函数
在航迹规划中, 常采用经过适当简化的航迹代价计算公式
式中, s表示航迹段数, Li表示第i段航迹长度, 该项代表距离代价。Hi表示第i段航迹的平均海拔高度, 该项代表高度代价。Ti为第i段航迹的威胁指数, 该项代表威胁代价。k1、k2、k3分别是距离代价、高度代价和威胁代价的权重值, 权重的选取与飞行任务要求相关。
2 基本粒子群算法
粒子群算法初始化为一群数量为N的随机粒子 (随机解) , 在D维空间中通过重复迭代、更新自身的位置以搜索适应度值最优解。粒子的位置代表被优化问题在搜索空间中的潜在解。在每次迭代中, 粒子通过跟踪2个“极值”来更新自己的速度和位置:一个是粒子自身目前所找到的最优解, 即个体极值;另一个是整个粒子群目前找到的最优解, 即全局极值。粒子i (i=1, 2, …, N) 在第j (j=1, 2, …, D) 维的速度vij和位置xij按如下格式更新:
式中, ω为非负数, 称为惯性权值 (惯性因子) , 描述了粒子对之前速度的“继承”, 即体现出粒子的“惯性”;c1和c2为非负常数, 称为学习因子 (加速因子) , 体现了粒子的社会性, 即粒子向全局最优粒子学习的特性;r1和r2为 (0, 1) 之间的随机数;pi= (pi1, pi2, …, pi D) 表示粒子i的个体极值所在位置;pg= (pg1, pg2, …, pg D) 表示所有粒子的全局极值所在位置。
速度更新公式的第一项, 反映粒子当前速度的影响, 每一个粒子按照惯性权值的比重沿着自身速度的方向搜索, 起到了平衡全局的作用, 同时避免算法陷入局部最优;第二项体现了个体最优值对粒子速度的影响, 即粒子本身的记忆和认识, 使得粒子具有全局搜索能力。第三项则反映群体对个体的影响, 即群体间的信息共享起到加速收敛的作用。
三、部分源代码
clcclearclose all%% 三维路径规划模型定义startPos = [40, 129, 5];goalPos = [951, 833, 10];% 随机定义山峰地图mapRange = [1000,1000,120]; % 地图长、宽、高范围[X,Y,Z] = defMap4(mapRange);%% 初始参数设置N = 100; % 迭代次数M = 50; % 粒子数量pointNum = 4;% 每一个粒子包含三个位置点w = 1.2; % 惯性权重c1 = 1.5; % 社会权重c2 = 1.5; % 认知权重% 粒子位置界限posBound = [[0,0,10]',[1000,1000,60]'];% 粒子速度界限alpha = 0.1;velBound(:,2) = alpha*(posBound(:,2) - posBound(:,1));velBound(:,1) = -velBound(:,2);% velBound(3,1)=-4;% velBound(3,2)=4;%% 种群初始化% 初始化一个空的粒子结构体particles.pos= [];particles.v = [];particles.fitness = [];particles.path = [];particles.Best.pos = [];particles.Best.fitness = [];particles.Best.path = [];% 定义M个粒子的结构体particles = repmat(particles,M,1);% 初始化每一代的最优粒子GlobalBest.fitness = [inf,inf];% 第一代的个体粒子初始化for i = 1:M % 粒子按照正态分布随机生成particles(i).pos.x = unifrnd(posBound(1,1),posBound(1,2),1,pointNum);particles(i).pos.x=sort(particles(i).pos.x);particles(i).pos.y = unifrnd(posBound(2,1),posBound(2,2),1,pointNum);particles(i).pos.y=sort(particles(i).pos.y);particles(i).pos.z = unifrnd(posBound(3,1),posBound(3,2),1,pointNum);%particles(i).pos.z=sort(particles(i).pos.z);% 初始化速度%particles(i).v.x = zeros(1, pointNum);%particles(i).v.y = zeros(1, pointNum);%particles(i).v.z = zeros(1, pointNum);particles(i).v.x=unifrnd(velBound(1,1),velBound(1,2),1,pointNum);particles(i).v.y=unifrnd(velBound(2,1),velBound(2,2),1,pointNum);particles(i).v.z=unifrnd(velBound(3,1),velBound(3,2),1,pointNum);% 适应度[flag,fitness,path] = calFitness(startPos, goalPos,X,Y,Z, particles(i).pos);% 碰撞检测判断if flag == 1% 若flag=1，表明此路径将与障碍物相交，则增大适应度值particles(i).fitness = 1000*fitness;particles(i).path = path;else% 否则，表明可以选择此路径particles(i).fitness = fitness;particles(i).path = path;end% 更新个体粒子的最优particles(i).Best.pos = particles(i).pos;particles(i).Best.fitness = particles(i).fitness;particles(i).Best.path = particles(i).path;% 更新全局最优if (particles(i).Best.fitness(1) < GlobalBest.fitness(1))&(particles(i).Best.fitness(2) < GlobalBest.fitness(2))GlobalBest = particles(i).Best;endend% 初始化每一代的最优适应度，用于画适应度迭代图fitness_beat_iters = zeros(N,2);%% 循环for iter = 1:Nfor i = 1:M % 更新速度particles(i).v.x = w*particles(i).v.x ...+ c1*rand([1,pointNum]).*(particles(i).Best.pos.x-particles(i).pos.x) ...+ c2*rand([1,pointNum]).*(GlobalBest.pos.x-particles(i).pos.x);particles(i).v.y = w*particles(i).v.y ...+ c1*rand([1,pointNum]).*(particles(i).Best.pos.y-particles(i).pos.y) ...+ c2*rand([1,pointNum]).*(GlobalBest.pos.y-particles(i).pos.y);particles(i).v.z = w*particles(i).v.z ...+ c1*rand([1,pointNum]).*(particles(i).Best.pos.z-particles(i).pos.z) ...+ c2*rand([1,pointNum]).*(GlobalBest.pos.z-particles(i).pos.z);% 判断是否位于速度界限以内particles(i).v.x = min(particles(i).v.x, velBound(1,2));particles(i).v.x = max(particles(i).v.x, velBound(1,1));particles(i).v.y = min(particles(i).v.y, velBound(2,2));particles(i).v.y = max(particles(i).v.y, velBound(2,1));particles(i).v.z = min(particles(i).v.z, velBound(3,2));particles(i).v.z = max(particles(i).v.z, velBound(3,1));% 更新粒子位置% 否则，表明可以选择此路径particles(i).fitness = fitness;particles(i).path = path;end% 更新个体粒子最优if (particles(i).fitness(1) < particles(i).Best.fitness(1))&(particles(i).fitness(2) < particles(i).Best.fitness(2))particles(i).Best.pos = particles(i).pos;particles(i).Best.fitness = particles(i).fitness;particles(i).Best.path = particles(i).path;% 更新全局最优粒子if (particles(i).Best.fitness(1) < GlobalBest.fitness(1))&(particles(i).Best.fitness(2) < GlobalBest.fitness(2))GlobalBest = particles(i).Best;endendend% 把每一代的最优粒子赋值给fitness_beat_itersfitness_beat_iters(iter,1) = GlobalBest.fitness(1);fitness_beat_iters(iter,2) = GlobalBest.fitness(2);% 在命令行窗口显示每一代的信息disp(['第' num2str(iter) '代:' '最优适应度1 = ' num2str(fitness_beat_iters(iter,1)) '最优适应度2 = ' num2str(fitness_beat_iters(iter,2))]);% 画图plotFigure(startPos,goalPos,X,Y,Z,GlobalBest);pause(0.001);end%% 结果展示% 理论最小适应度：直线距离fitness_best = norm(startPos - goalPos);disp([ '理论最优适应度 = ' num2str(fitness_best)]);% 画适应度迭代图figureplot(fitness_beat_iters(:,1),'LineWidth',2);xlabel('迭代次数');ylabel('最优适应度1');figureplot(fitness_beat_iters(:,2),'LineWidth',2);xlabel('迭代次数');ylabel('最优适应度2');
四、运行结果
五、matlab版本及参考文献
1 matlab版本
a
2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，.
[3]巫茜,罗金彪,顾晓群,曾青.基于改进PSO的无人机三维航迹规划优化算法[J].兵器装备工程学报. ,42(08)
[4]方群,徐青.基于改进粒子群算法的无人机三维航迹规划[J].西北工业大学学报. ,35(01)
