基于IKGC-PSO算法的无人机三维路径规划系统.pdf
《基于IKGC-PSO算法的无人机三维路径规划系统.pdf》由会员分享,可在线阅读,更多相关《基于IKGC-PSO算法的无人机三维路径规划系统.pdf(8页珍藏版)》请在咨信网上搜索。
1、设计与应用计算机测量与控制 ()C o m p u t e r M e a s u r e m e n t&C o n t r o l 收稿日期:;修回日期:.基金项目:国家自然科学基金();国家自然科学基金();国家重点研发计划(Y F C );教育部产学合作协同育人项目(,);国家级大学生创业训练项目(E);江苏省大学生创新创业训练计划项目(Y);河海大学本科实践教学改革研究项目(河海教务 号);河海大学创新性实验项目(河海教务 号).作者简介:于力涵(),男,江苏盐城人,大学本科生,主要从事深度学习、智能算法方向的研究.引用格式:于力涵,洪儒,吴宇伦,等基于I K G C P S O算法
2、的无人机三维路径规划系统J计算机测量与控制,():文章编号:()D O I:/j c n k i /t p 中图分类号:T P 文献标识码:A基于I K G C P S O算法的无人机三维路径规划系统于力涵,洪儒,吴宇伦,谢迎娟(河海大学 信息科学与工程学院,江苏 常州 )摘要:为了解决标准粒子群算法在无人机三维路径规划中存在的易陷入局部最优、动态化不足和路径平滑性差等问题,提出了一种基于粒子群算法和遗传算法的,融入K均值精英化和柯西变异的优化算法;采用K均值聚类算法进行精英初始化,优化粒子种群的分布;动态化学习因子,强化惯性权重的全局性,保留粒子群算法收敛速度快的优点;融入遗传思想,采用柯西
3、变异的方法,提高寻解最优解的能力;在对比实验中,模拟了实际的复杂三维环境,选取了路径总长度、飞行高度差以及马尔科夫生存状态组成目标函数;结果表明改进算法的鲁棒性提高了,求解质量相较于I G P S O算法和I C P S O算法分别提高了 和 ,验证了优化后方法的有效性和鲁棒性.关键词:粒子群算法;K均值聚类;柯西变异;遗传算法;马尔科夫生存状态;动态化U A V DP a t hP l a n n i n gS y s t e mB a s e do nI K G C P S OA l g o r i t h mYUL i h a n,HONGR u,WUY u l u n,X I EY i
4、 n g j u a n(S c h o o l o f I n f o r m a t i o nS c i e n c ea n dE n g i n e e r i n g,H o h a iU n i v e r s i t y,C h a n g z h o u ,C h i n a)A b s t r a c t:I no r d e r t os o l v e t h ep r o b l e m so f t h e s t a n d a r dp a r t i c l e s w a r ma l g o r i t h mi nUAV Dp a t hp l a n
5、n i n g,s u c ha s e a s y t o f a l li n t o l o c a l o p t i m u m,i n s u f f i c i e n td y n a m i c sa n dp o o rp a t hs m o o t h i n g,a no p t i m i z a t i o na l g o r i t h mb a s e do np a r t i c l es w a r ma l g o r i t h ma n dg e n e t i ca l g o r i t h m,i n c o r p o r a t i n
6、 gK m e a ne l i t i s ma n dC a u c h yv a r i a t i o n i sp r o p o s e d K m e a na l g o r i t h mi su s e dt op e r f o r mt h ee l i t e i n i t i a l i z a t i o na n do p t i m i z e t h ed i s t r i b u t i o no fp a r t i c l ep o p u l a t i o n s,d y n a m i cl e a r n i n gf a c t o r,
7、s t r e n g t h e n i n gt h eg l o b a l f e a t u r eo f i n e r t i a lw e i g h t s,k e e p i n gt h ea d v a n t a g eo f f a s tc o n v e r g e n c ep fp a r t i c l es w a r mo p t i m i z a t i o na l g o r i t h m,i n t e g r a t i n gt h eg e n e t i ct h i n k i n g,t h eC a u c h ym u t
8、a t i o nm e t h o d i m p r o v e s t h e a b i l i t y t o s e e k t h eo p t i m a l s o l u t i o n I n t h e c o m p a r i s o ne x p e r i m e n t s,a na c t u a l c o m p l e x De n v i r o n m e n t i ss i m u l a t e d,a n dt h et o t a lp a t hl e n g t h,f l i g h ta l t i t u d ed i f f
9、e r e n c ea n d M a r k o v i a ns u r v i v a ls t a t ea r es e l e c t e da sa no b j e c t i v ef u n c t i o n;t h er e s u l t ss h o wt h a tt h er o b u s t n e s so ft h ei m p r o v e da l g o r i t h mi si m p r o v e db y,a n dt h es o l u t i o nq u a l i t yo ft h ei m p r o v e da l
10、g o r i t h mi sh i g h e r t h a nt h a t o f t h e I G P S Oa l g o r i t h ma n d I C P S Oa l g o r i t h mb y a n d ,r e s p e c t i v e l y,v e r i f y i n g t h ee f f e c t i v e n e s sa n dr o b u s t n e s so f t h eo p t i m i z e dm e t h o d K e y w o r d s:p a r t i c l es w a r m a l
11、 g o r i t h m;K m e a n sc l u s t e r i n g;c a u c h yv a r i a t i o n;g e n e t i ca l g o r i t h m;m a r k o v i a ns u r v i v a ls t a t e;d y n a m i c引言无人机是无人驾驶飞行器的统称,由于其便利性,广泛应用于农业、电力行业、军工业等领域.在无人机领域研究中,路径规划对于无人机执行飞行任务时规避障碍至关重要.在实际应用中,无人机面对的是较为复杂的环境,也需要综合飞行角度、飞行高度、燃料损耗、障碍物阻挡等限制条件.为此,高效精准
12、的路径规划算法是无人机安全稳定执行任务的关键.在三维问题中,传统算法V o r o n o i、人工势场法 等由于自身的缺陷,存在耗时长,过程繁杂,精度低等缺陷.为了尽量规避传统算法的不足,在现如今研究中,受自然界生物运动启发的智能算法由于其在处理离散变量、非连续性问题的优越性 和面对复杂环境的强寻优能力,越来越多地投入无人机路径规划研究中.文献 考虑种群个体与环境因素,在二维环境中利用改进粒子群算法,在例子迭代更新过程中,引入自适应因子,提高了整体搜索能力,但仿真环境局限于二维中,实际应用意义较低.文献 对灰狼算法做出改进,融入P o w e l l算法,对原始灰狼算法的全局搜索能力和局部搜
13、索能力作出兼顾,通过仿真分析,提高了路径寻优的精度,但在无人机物理实验上缺乏有效的实例.文献 在飞行路径平滑处理上引入了三次B样条插值处理的方法,在标准粒子群算法中引入遗传算法的变异、交叉等思想,具投稿网址:w w wj s j c l y k z c o m计算机测量与控制第 卷 有较好的鲁棒性,但迭代次数有所增加,优化效果存在一定的损失.文献 引入柯西变异,对狮群算法易得出的局部最优解进行扰动,增强全局搜索能力,适用于城市中不同的距离规划,但城市环境模型建立时较为规整,模型的复杂度略显不足.文献 利用深度强化学习的方法,使无人机能够进行目标跟踪,但深度学习硬件要求较高,训练量大且十分耗时.
14、文献 为了解决粒子群算法易陷入局部收敛的问题,在优化寻解过程中引入了牵引力操作,提高了摆脱局部收敛的能力,但在全局搜索能力的加强上效果有限.本文设计了无人机三维路径规划系统,模拟了实际的三维环境,在设立山峰的基础上,补充了探测雷达和攻击雷达,使模拟环境更加复杂化.选取了路径总长度、飞行高度差以及马尔科夫生存状态的比例均值来构造目标函数.为了避免标准粒子群算法易陷入局部收敛和标准遗传算法收敛速度较慢的不足,提出了一种基于粒子群算法和遗传算法的,融 入K均 值 精 英 化 和 柯 西 变 异 的 优 化 算 法(I K G C P S O,i m p r o v e K m e a n s g e
15、 n e t i c C a u c h y p a r t i c l es w a r mo p t i m i z a t i o n),通过采用K均值聚类算法进行第一轮的精英初始化,将标准粒子群算法的随机初始化里的低品质粒子筛除,留下精英粒子,优化粒子种群的分布,从源头上加强算法的全局搜索能力;接着动态化个体学习因子和社会学习因子,强化惯性权重的全局性,保留粒子群算法收敛速度快这一优点的同时,进一步摆脱局部收敛困境;最后融入遗传算法的分组、选择、交叉、变异环节.在进行变异环节时,采用柯西变异的方法,改善静态变异使最优解不充分的缺陷,最大程度上避免陷入局部收敛,提高收敛速度和精度.在仿真
16、平台上,模拟三维实况图,验证了优化后方法的有效性和鲁棒性.系统设计本文设计的无人机的三维路径规划系统是一种用于确定无人机航行路径的技术.它基于无人机的起始点、目标点和环境信息,计算出一条安全且有效的路径,使无人机能够避开障碍物、遵守航空规则,并在规定时间内到达目标点.该系统分为硬件和软件两大类,以下是其主 要 组 成部分:)传感器:无人机路径规划系统使用各种传感器来获取环境信息,包括激光雷达、摄像头、超声波传感器等.这些传感器帮助无人机感知其周围的物体和障碍物.)地图构建:通过传感器获取的数据,无人机路径规划系统可以构建三维环境地图.这些地图描述了无人机周围的障碍物、地形、建筑物等信息.)障碍
17、物检测与避障:路径规划系统会分析地图中的障碍物,并使用障碍物检测算法来识别可能的碰撞风险.系统会根据检测结果生成安全的飞行路径,以避开障碍物.)路径生成与优化:基于起始点和目标点,路径规划系统会使用算法生成初步路径.本文采用I K G C P S O算法.生成的路径经过优化,以最大程度地减少航程、提高效率或满足特定的飞行需求.)航空规则遵守:无人机路径规划系统会考虑适用的航空规则和限制条件,例如最低飞行高度、禁飞区域等.系统会确保生成的路径在规定的航空规则范围内.)实时控制与执行:路径规划系统将计算出的路径传递给无人机的控制系统,以实现路径的执行.控制系统会根据路径指令控制无人机的姿态和航向,
18、使其沿着规划的路径安全飞行.系统结构如图所示.图系统结构框图通过实时传输系统的路径规划数据是无人机执行飞行任务时的核心,下面介绍路径规划数据的生成过程.目标函数在利用I K G C P S O算法对无人机三维路径规划的研究中,需要一个评价指标来表示算法效果的优劣,这个评价指标就是目标函数.考虑到实际应用,本文选取了路径总长度、飞行高度差和马尔科夫生存状态三个指标按比例分配构造I K G C P S O算法的目标函数,其值越低,算法的规划效果越好.路径总长度无人机在飞行过程中,燃油损耗是执行任务时着重考虑的一项指标.易知,越短的路径消耗的燃油量越少.也就是说,无人机飞行路径总长度越短,路径优化程
19、度越好.无人机的飞行路径由n个航行轨迹点组成,每一个航点对应路径规划搜索地图中的一个路径节点.设第i个节点的坐标为(xi,yi,zi),则飞行总距离L为:Lni(xi xi)(yi yi)(zi zi)()对飞行总距离L引入一个系数,则此部分的目标函数为f为:fL()飞行高度差在无人机实际飞行中,稳定的状态有助于硬件系统的简化和硬件资源的高效利用;同时,军用无人机在执行任务时,稳定的飞行状态可以减少暴露风险.为此,对无人投稿网址:w w wj s j c l y k z c o m第期于力涵,等:基于I K G C P S O算法的无人机三维路径规划系统 机的飞行高度必须有一定的限制.其飞行高
20、度在实际使用中往往有一个范围,本文假设其最低高度为h gm i n,最高高度为h gm a x,则航行的飞行高度差部分的目标函数f为:f(h gm i nhi),hih gm i n,h gm i nhih gm a x(hih gm a x),hih gm a x()式中,为比例系数,hi为第i个节点的飞行高度.马尔科夫生存状态马尔科夫链是一种随机过程,具有马尔科夫性质,其特点是当前状态的概率分布仅依赖于前一个状态,而与过去的状态无关.由一组状态和状态之间的转移概率组成.每个状态之间的转移概率描述了从当前状态转移到下一个状态的可能性.这些转移概率可以用状态转移矩阵或转移概率图来表示.在军用无
21、人机执行任务过程中,其生存状态即无人机是否正常运行是极为重要的.考虑到无人机航行路线被分割成了一个个节点,且第i个节点状态给定第i个节点状态后与其余的节点状态条件独立,具有无记忆性.为此,可以用马尔科夫链模型来抽象出生存状态的目标函数.设无人机的飞行路径由n个航行轨迹点组成,则第i个时刻的状态可用第i个轨迹点的无人机生存状态来表示.此时无人机的位置坐标设为(xi,yi,zi).设共有a个探测雷达和b个攻击雷达,第j个探测雷达的探测范围半径为Rs j,第j个攻击雷达的攻击范围半径为Ra j,初始状态矩阵为S(i),转移矩阵为T(i),转移损耗系数为.对于第i个轨迹点和第j个探测雷达,设第j个探测
22、雷达的 位 置 坐 标 为(xj,yj,zj).则 二 者 之 间 距 离di j(xixj)(yiyj)(zizj),探测雷达剩余位置坐标和攻击雷达位置坐标与第i个轨迹点坐标距离公式与di j相似.当距离小于探测范围半径或攻击范围半径时,马尔科夫生存状态代价C表示为:CS(i)T(i)()当距离大于探测范围半径或攻击范围半径时,马尔科夫生存状态代价C表示为:CS(i)()综上,马尔科夫生存状态目标函数f如下式:fC()式中,为比例系数.结合路径总长度、飞行高度差和马尔科夫生存状态,本文的目标函数f为:ffff()I K G C P S O算法规划设计 标准粒子群算法粒子群算法(P S O,p
23、 a r t i c l es w a r mo p t i m i z a t i o n)是一种智能启发式优化算法,其模拟鸟群飞行觅食的行为,是一种基于群体的优化方法.粒子群算法是通过个体间的协作和竞争,从而实现对复杂空间中最优解的搜索.粒子群算法的一个粒子群就是一个搜索域,每一个粒子的信息代表着搜索域中的一个解的情况,其核心参数为粒子的位置和速度.位置向量标识着粒子在搜索域中的位置,速度向量标识着粒子下一步移动的速度和方向.假定初始粒子种群的数目为n,搜索维度为N,则其位置和速度的迭代更新公式如下:Xt i jXti jVNt i jVNt i jw VNti jcr(p bti jXt
24、i j)cr(g bti jXti j)()式中,t表示当前迭代次数,c为个体学习因子,即个体加速度因子,c为社会学习因子,即社会加速度因子,w表示惯性权重,r、r取值为,之间的随机值,可以理解为随机搜索权重,Xti j和VNti j分别表示第t次迭代的第i(i,n)个在第k(k,N)个维度的位置和速度,p bti j为个体最优解,g bti j为全局最优解.标准粒子群算法具有快速收敛的特性,但不可避免地出现过早的局部收敛的现象,使得寻解时往往无法顺利找到全局最优解.学习因子和惯性权重初始化粒子群算法中,学习因子和惯性权重是控制粒子运动过程的两个重要参数.学习因子决定了粒子在搜索过程中的搜索范
25、围,分为个体学习因子c和社会学习因子c.这两个常数分别控制粒子向自己的历史最优位置和群体最优位置移动的速度.若简单的使学习因子固定为一个初始值,容易在搜索最优解的过程中陷入局部收敛.为此,在算法的迭代过程中,本文使学习因子动态调整,以达到全局搜索和局部搜索之间的权衡.其式如下:ccm a x(cm a xcm i n)e x p(nN)()ccm i n(cm a xcm i n)nN()式中,cm i n和cm a x是固定的上下限值,n为当前迭代次数,N为迭代总次数.在算法的搜索阶段cc,加强了个体粒子寻找路径节点的能力,有利于避免算法陷入局部极小值;在算法的收敛阶段cc,粒子群体收敛效率
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 IKGC PSO 算法 无人机 三维 路径 规划系统
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。