一种面向无人机最优路径的灰狼改进混合方法

1.本发明涉及无人机路径优化技术领域，具体为一种面向无人机最优路径的灰狼改进混合方法。


背景技术：

2.无人机路径规划在各种标准下提供了从起始位置到目的地的最佳路线。为了解决复杂的问题，提出各种优化算法。随着si算法的普及，提出灰狼优化器(gwo)，它建立了灰狼种群中的领导等级和社会行为。在gwo中，整个种群沿着第一到第三级狼的搜索方向完成所有狩猎行为。该机制在平衡勘探与开发方面取得了很大的成果。因此，鉴于gwo的优异特性，gwo被广泛应用于工程领域，例如神经网络，调度，电力和电力工程问题和控制工程问题等。但是gwo在用于高精度的无人机路径规划领域中存在求解精度低、易早熟等缺点。
3.在现有技术中，采用改进控制参数的方式实现路径优化，gwo中的参数控制勘探开发过程。它会随着迭代过程的进行而发生线性变化。然而，线性函数并不能很好地适合于多模态问题。因此，利用一些非线性参数来平衡勘探和开发。但仅仅修改在高精度路径规划方面仍然有局限性。此外，目前还采用先进的弹性位置更新策略和循环狩猎机制的gwo来解决局部过早收敛问题，但无人机路径规划模型是一个约束环境多变且复杂的体系，仅仅通过更新位置方程寻找更短的路径，效率往往是比较低下的；鉴于此，我们提出了一种面向无人机最优路径的灰狼改进混合方法。


技术实现要素：

4.针对现有技术的不足，本发明提供了一种面向无人机最优路径的灰狼改进混合方法，解决了上述背景技术提到的问题。
5.为实现以上目的，本发明通过以下技术方案予以实现：一种面向无人机最优路径的灰狼改进混合方法，所述混合方法包括以下步骤：
6.s1、假设在d维搜索空间内，种群规模为由np个个体组成，定义第i只灰狼的位置为总迭代次数tmax，令迭代次数为t＝1；
7.s2、通过适度函数计算每只狼的适度值，计算公式如下：
[0008][0009]
s3、根据适度值优劣进行排序，选出最优的前三个个体标记为α、β和δ狼；
[0010]
如果当t大于总迭代次数，则结束循环；小于总迭代次数则继续；
[0011]
s4、更新每条狼位置，其中和更新如下
[0012][0013]
[0014][0015]
和分别代表t+1次迭代时的α、β和δ位置。r1和r2是不同整数，范围为[1，np]，其中r1≠r2，rand为随机数，rand∈[0,1]；
[0016]
s5、采用具有rand/1突变算子的de算法具有优越的探测能力，其公式如下：
[0017]
s6、更新a、a和c，选择新的α、β和δ狼；
[0018]
如果t《tmax，则返回s3。
[0019]
可选的，所述s1引入一种以正弦函数表示的非线性收敛因子并定义c和a，计算公式如下：
[0020][0021][0022][0023]
和为两个随机的自适应系数向量。
[0024]
可选的，所述和为随机数，其范围为[0，1]。
[0025]
可选的，所述s4中灰狼更新位置公式为：
[0026][0027][0028][0029][0030][0031][0032][0033][0034]
和分别表示α、β和δ与其他个体间的距离；和为当前灰狼的向量系数。
[0035]
可选的，和是α、β和δ更新后适度值，w
αwβ
和w
δ
为权重系数，作用为调节α、β和δ狼位置对当前其他狼位置更新，和为当前狼个体依据α、β和δ
狼位置更新的三个位置向量；
[0036]
t＝t+1表示计算每只狼的适度值，并与之前比较适度值，如果优于之前的适度值，则后续狼位置采用更新后的位置，否则沿用之前位置。
[0037]
可选的，所述s5中f为[0，1]的缩放比例因子，和为当前狼群中随机选择的三个不相同参数矢量，i≠r1≠r2≠r3；
[0038]
利用交叉算子将xi和向量vi(i＝1，2，
…
，np)混合如下：
[0039][0040]
可选的，所述j是第j个维度(j＝1，2，..，d)，jrand是1和np之间的随机整数。
[0041]
可选的，所述s5进一步的包括：计算每只狼的适度值，并与之前比较适度值；如果优于之前的适度值，则后续狼位置采用更新后的位置；否则沿用之前位置。
[0042]
本发明提供了一种面向无人机最优路径的灰狼改进混合方法。具备以下有益效果：
[0043]
该面向无人机最优路径的灰狼改进混合方法，基于无人机搭载的激光雷达和定位导航系统建立地图，并搭建无人机路径规划的适度函数，根据适度函数，通过改进型灰狼混合优化算法进行最优位置更新，确定最优灰狼位置；根据预设的最大迭代次数依次更新的最优灰狼位置，确定最优路径规划结果。
附图说明
[0044]
图1为本发明地图信息示意图；
[0045]
图2为本发明最佳结果和平均结果示意图；
[0046]
图3为本发明算法生成的路径示意图；
[0047]
图4为本发明算法生成的路径俯视示意图；
[0048]
图5为本的流程结构示意图。
具体实施方式
[0049]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
本发明提供一种技术方案：一种面向无人机最优路径的灰狼改进混合方法，混合方法包括以下步骤：
[0051]
s1、假设在d维搜索空间内，种群规模为由np个个体组成，定义第i只灰狼的位置为总迭代次数tmax，令迭代次数为t＝1，引入一种以正弦函数表示的非线性收敛因子并定义c和a，计算公式如下：
[0052][0053][0054][0055]
和为两个随机的自适应系数向量；
[0056]
s2、通过适度函数计算每只狼的适度值，计算公式如下：
[0057][0058]
其中，和为随机数，其范围为[0，1]；
[0059]
s3、根据适度值优劣进行排序，选出最优的前三个个体标记为α、β和δ狼；
[0060]
如果当t大于总迭代次数，则结束循环；小于总迭代次数则继续；
[0061]
s4、更新每条狼位置，其中和更新如下
[0062][0063][0064][0065]
和分别代表t+1次迭代时的α、β和δ位置。r1和r2是不同整数，范围为[1，np]，其中r1≠r2，rand为随机数，rand∈[0,1]；
[0066]
此外，灰狼更新位置公式为：
[0067][0068][0069][0070][0071][0072][0073][0074][0075]
和分别表示α、β和δ与其他个体间的距离；和为当前灰狼的向量系数；
[0076]
s5、采用具有rand/1突变算子的de算法具有优越的探测能力，其公式如下：
[0077]
f为[0，1]的缩放比例因子，和为当前狼群中随机选择的三个不相同参数矢量，i≠r1≠r2≠r3；
[0078]
利用交叉算子将xi和向量vi(i＝1，2，
…
，np)混合如下：
[0079][0080]
j是第j个维度(j＝1，2，..，d)，jrand是1和np之间的随机整数。
[0081]
计算每只狼的适度值，并与之前比较适度值；如果优于之前的适度值，则后续狼位置采用更新后的位置；否则沿用之前位置。
[0082]
s6、更新a、a和c，选择新的α、β和δ狼；
[0083]
如果t《tmax，则返回s3。
[0084]
值得注意的是，和是α、β和δ更新后适度值，w
αwβ
和w
δ
为权重系数，作用为调节α、β和δ狼位置对当前其他狼位置更新，系数，作用为调节α、β和δ狼位置对当前其他狼位置更新，和为当前狼个体依据α、β和δ狼位置更新的三个位置向量；
[0085]
t＝t+1表示计算每只狼的适度值，并与之前比较适度值，如果优于之前的适度值，则后续狼位置采用更新后的位置，否则沿用之前位置。
[0086]
实施例二：
[0087]
在实施例一的基础上，如图1所示，三维地图场景如下：飞行空间大小为1000
×
1000
×
1000，起点和目的地点为[0，0，0]和[1000、1000、1000]。采用gwo、rsmgwo、mgwo、sogwo和提出的算法，对模型进行了优化；
[0088]
如图2所示，5种算法的决策变量分别为6个控制点。8个点，包括6个控制点，起始点和目的地点，被用来生成b样条曲线。因此，决策变量的维数为18。最大的迭代次数是400次。每个算法独立运行30次。
[0089]
上述在最佳结果和平均结果方面，gwo和四种gwo变体表现出不同的性能。gwo的性能最差，因为该算法依赖于排名前三名的狼，从而快速进入局部最优。rsmgwo可以排名第二，而本专利算法是最好的。与其余算法相比，引入de算法的算子大大促进了探索。通过分配较好的解和较高的选择概率，也保证了开发效果，这相当于引导搜索方向。
[0090]
如图3-图5所示，所提出的算法的平均值和最佳结果最小，进一步表明所提出的所提出的算法是有用的。更重要的是，由所提出的算法生成的路径要流畅得多。从gwo出发的路径最长，从mgwo出发的路径有一些角落，这可能会给无人机造成一些麻烦。
[0091]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种面向无人机最优路径的灰狼改进混合方法，其特征在于：所述混合方法包括以下步骤：s1、假设在d维搜索空间内，种群规模为由np个个体组成，定义第i只灰狼的位置为总迭代次数tmax，令迭代次数为t＝1；s2、通过适度函数计算每只狼的适度值，计算公式如下：s3、根据适度值优劣进行排序，选出最优的前三个个体标记为α、β和δ狼；如果当t大于总迭代次数，则结束循环；小于总迭代次数则继续；s4、更新每条狼位置，其中和更新如下更新如下更新如下更新如下和分别代表t+1次迭代时的α、β和δ位置；r1和r2是不同整数，范围为[1，np]，其中r1≠r2，rand为随机数，rand∈[0,1]；s5、采用具有rand/1突变算子的de算法具有优越的探测能力，其公式如下：s6、更新a、a和c，选择新的α、β和δ狼；如果t<tmax，则返回s3。2.根据权利要求1所述的一种面向无人机最优路径的灰狼改进混合方法，其特征在于：所述s1引入一种以正弦函数表示的非线性收敛因子并定义c和a，计算公式如下：并定义c和a，计算公式如下：并定义c和a，计算公式如下：并定义c和a，计算公式如下：和为两个随机的自适应系数向量。3.根据权利要求2所述的一种面向无人机最优路径的灰狼改进混合方法，其特征在于：所述和为随机数，其范围为[0，1]。4.根据权利要求1所述的一种面向无人机最优路径的灰狼改进混合方法，其特征在于：所述s4中灰狼更新位置公式为：
和分别表示α、β和δ与其他个体间的距离；和为当前灰狼的向量系数。5.根据权利要求4所述的一种面向无人机最优路径的灰狼改进混合方法，其特征在于：和是α、β和δ更新后适度值，w
α
w
β
和w
δ
为权重系数，作用为调节α、β和δ狼位置对当前其他狼位置更新，和为当前狼个体依据α、β和δ狼位置更新的三个位置向量；t＝t+1表示计算每只狼的适度值，并与之前比较适度值，如果优于之前的适度值，则后续狼位置采用更新后的位置，否则沿用之前位置。6.根据权利要求1所述的一种面向无人机最优路径的灰狼改进混合方法，其特征在于：所述s5中f为[0，1]的缩放比例因子，和为当前狼群中随机选择的三个不相同参数矢量，i≠r1≠r2≠r3；利用交叉算子将xi和向量vi(i＝1，2，
…
，np)混合如下：7.根据权利要求6所述的一种面向无人机最优路径的灰狼改进混合方法，其特征在于：所述j是第j个维度(j＝1，2，..，d)，jrand是1和np之间的随机整数。8.根据权利要求7所述的一种面向无人机最优路径的灰狼改进混合方法，其特征在于：所述s5进一步的包括：计算每只狼的适度值，并与之前比较适度值；如果优于之前的适度值，则后续狼位置采用更新后的位置；否则沿用之前位置。

技术总结
本发明公开了一种面向无人机最优路径的灰狼改进混合方法，涉及无人机路径优化技术领域。包括以下步骤：搜索空间的定义；通过适度函数计算每只狼的适度值；根据适度值优劣进行排序；更新每条狼位置；采用具有rand/1突变算子的DE算法具有优越的探测能力；更新a、A和C，选择新的α、β和δ狼。该面向无人机最优路径的灰狼改进混合方法，基于无人机搭载的激光雷达和定位导航系统建立地图，并搭建无人机路径规划的适度函数，根据适度函数，通过改进型灰狼混合优化算法进行最优位置更新，确定最优灰狼位置；根据预设的最大迭代次数依次更新的最优灰狼位置，确定最优路径规划结果。确定最优路径规划结果。确定最优路径规划结果。


技术研发人员：肖文浩 甄圣超 孟超群 马新宝
受保护的技术使用者：合肥工业大学
技术研发日：2023.06.05
技术公布日：2023/8/28