1、2023.4电脑编程技巧与维护1协同侦察任务路径规划模型设计1.1任务场景描述路径规划作为无人车执行协同侦察任务的核心技术之一,决定了任务完成的效果。因此,以多个无人车在复杂地形环境下,执行协同侦察任务作为应用场景,提出一种基于改进粒子群算法的路径规划方法,为无人车寻找最佳行驶路径提供决策参考,并为最终任务路径规划提供理论依据。针对多无人车执行协同侦察任务路径规划的问题,考虑到各目标点地理位置、障碍区域等信息已由航天卫星和雷达探测得知,为了得到任务执行最优解,需要考虑以下3个方面:(1)如何在协同侦察任务中确定任务的先后执行顺序;(2)如何保证整体侦察路径的最优性,例如,距离最短、性能指标最优
2、等;(3)如何获取高精度多维度路径指令,为指挥控制系统提供良好参考。无人车在复杂任务场景中执行协同侦察任务,任务场景如图1所示,图中圆形表示无人车;星形表示任务目标;锥体表示障碍物,目标间连线表示侦察序列与行驶路径。1.2路径规划模型1.2.1 边界约束在路径规划中,边界约束限制了无人车可行驶的区域,即无人车在执行任务过程中不得超出可行驶范围,故在行驶规划过程中需满足以下边界约束条件:其中,x、y、z分别为无人车在惯性坐标系下的相对原点的位置,无人车可行驶区域边界值用xmin、xmax、ymin、ymax、zmin、zmax表示。1.2.2 速度约束无人车在行驶过程中应满足速度约束:vminv
3、vmax其中,v为无人车飞行速度;vmin和vmax分别为无人车可达到的最小、最大行驶速度。1.2.3 性能指标从无人车行驶时效角度考虑,将躲避障碍物并以最短路程到达目标点作为路径规划问题性能指标。具体如公式(1)所示:(1)其中,F为总代价;f为路程代价;k为两目标点间路径点数量,i=1,2,3,k;fT为威胁代价;(x1,y1,z1)为无人车相对坐标原点的当前位置点;(xk,yk,zk)为在坐标系中任务目标的位置点;k为路径规划中的节点数量。为进一步提高求解精度,获得无人车实际行驶路径,首先建立状态变量与控制变量间的数学关系,通过求解目标函数的最优值,获得无人车行驶路径。该问题可用一般最优
4、控制方法进行数学描述,通常表示为Bolza型性能指标函数,如公式(2)所示:(2)基于改进粒子群算法的多无人车协同侦察路径规划江浩(西南电子设备研究所,成都610036)摘要:为了解决多无人车协同侦察任务中的路径规划问题,采用一种改进的粒子群算法。传统的粒子群算法因为其收敛速度较慢,容易陷入局部最优,所以采用混沌初始化和自适应参数调节等方法来提高算法的收敛性、运算速度和精确度。通过对复杂地形条件下无人车协同侦察路径的模拟,验证了该算法能够迅速产生高精度侦察路径,满足无人车协同侦察的实际需要。关键词:协同侦察;路径规划;无人车;粒子群算法图1任务场景xzy障碍物任务目标无人车155DOI:10.
5、16184/prg.2023.04.0532023.4电脑编程技巧与维护其中,x(t)Rn为状态变量;t0为初始时刻;tf为末端时刻;L为动态性能指标;为末端性能指标,满足状态方程约束x(t)=fx(t),u(t),t tt0,tf;边界条件:x(t0),t0,x(tf),tf=0;路径约束:Lx(t),u(t),t0,其中,u为控制量,并且满足:uminuumax。2算法设计2.1传统粒子群算法D代表问题所涉及的空间维度,m代表问题所有可能解的个数,即种群数量,表示为x=x1,x2,xm,xi代表第i个粒子的能力指标信息xi=xi1,xi2,xiDT,vi=vi1,vi2,viDT代表第i个
6、粒子的速度信息。D维空间中的m个随机粒子与群体中的所有其他粒子进行信息交流,找到自身的最优解pg=pg1,pg2,pgDT。粒子在每次迭代以后,根据公式(1)和公式(2)更新自身的速度vi和位置xi。vit+1=wvit+c1r1(pit-xit)+c2r2(pgt-xit)(1)xit+1=xit+vit+1(2)其中,w为车载权重,表示粒子对速度的影响程度;c1和c2为两个学习因子,分别表示粒子对个体最优和群体最优的学习能力;r为(0,1)之间的随机数。2.2改进粒子群算法传统粒子群算法的优点是通用性强、前期收敛速度快,但在维度过高的情况下,会出现终局收敛速度较慢,容易出现局部最优甚至不收
7、敛的现象。因此,采用混沌初始化和自适应参数调节的方法来提高算法的收敛性、运算速度和精确度。2.2.1 混沌初始化在粒子群算法中,粒子的初始化至关重要,在很大程度上影响着算法的效率和解的质量。研究表明,初始粒子在空间中分布越均匀,算法寻优的性能越强。Lo-gistic混沌映射2在均匀分布特性上有着独特的优势,如公式(3)所示:xn+1=uxn(1-xn)(3)其中,u为控制参数,取值范围为u0,4;n为迭代的当前次数;xn为迭代状态值,取值范围为xn(0,1)。当u=4时,种群在0,1之间处于混沌状态。在传统粒子群算法的基础上引入Logistic混沌初始化,使初始化粒子在空间中的分布更为均匀,粒
8、子的覆盖方位更大,解决了收敛过早的问题。2.2.2 自适应参数调节在传统粒子群算法中,车载权重w和学习因子c1、c2对粒子的速度和位置影响极大。车载权重w能够在迭代过程中起到平衡局部寻优和全局寻优的作用。当w较大时,寻优覆盖范围更广,收敛速度更慢;当w较小时,寻优覆盖范围更窄、收敛速度更快。因此,改进粒子群算法的w采用自适应参数调节,随着迭代次数的增加,w呈线性递减,如公式(4)所示:wt=wmax-(wmax-wmin)(t/T)(4)其中,t为迭代的当前次数;wmax和wmin分别为历史迭代过程中车载权重的最大值和最小值;T为迭代的最大次数。同理,学习因子也采用自适应参数调节,如公式(5)
9、和公式(6)所示:c1=cmax+(cmax-cmin)(t/T)(5)c2=cmax-(cmax-cmin)(t/T)(6)随着迭代次数的不断增加,学习因子c1由最小值向最大值线性递增,学习因子c2由最大值向最小值线性递减。这样的好处是,在迭代的初期,粒子学习能力较弱,种群学习能力较强,有利于粒子向全局最优解的方向搜寻;在迭代的后期,粒子学习能力较强,种群学习能力较弱,避免了种群在群体最优解附近徘徊,使算法的收敛速度得到有效提升。同时,c1和c2还满足c1+c2=cmin+cmax,表示粒子搜索与收敛能力之和恒定。2.3无人车最短侦察路径选择协同侦察任务路径规划的目的是实现任务集合在多无人车
10、之间的调度,选取最短的路径以最小的时间代价完成任务。在解决最短路径问题时,图论法是比较常用且有效的方法。图论的基本概念:G表示一个图,其由一个二维数组(V,E)表示,其中,集合V表示图G的所有节点,集合E表示图G的所有边线,用数学表达式表示为G=(V,E)。图的边线分为无向边和有向边两种,并且有向边又可分为单向边和双向边,通过图中各边线的不同类别,可以完整地表示节点之间的连接情况。最短路径决策是指从两个特定节点间所有可行路径中找到距离最短的那条,其求解过程如下:已知一个加权无向图G=(V,E),加权函数w:ER为边到路径权值的映射,从V0到VK的路径p=(v0,v1,v2,vk),表示为v0v
11、k,p的权值为所有路径的权值之和:w(p)=w(vi-1,vi)。则定点u到v的最短路径的权值表示如公式(7)所示:(7)从u到v的最短路径定义为w(p)=(u,v)的任意路径,据此,得到无人车协同侦察最短路径求解步骤如下:(1)确定图论模型:由参与任务的全部无人车和所1562023.4电脑编程技巧与维护名称位置坐标无人车(0,0,0)目标点1(2,14,9)目标点2(10,7,18)目标点3(19,20,8)目标点4(22,12,22)目标点5(11,16,15)目标点6(18,18,21)目标点7(13,24,9)目标点8(27,13,10)表1无人车起始位置与目标节点位置名称中心位置威胁
12、半径障碍物1(5,6,12)4障碍物2(6,13,8)4障碍物3(12,6,12)5障碍物4(15,16,11)4表2障碍物位置参数和威胁半径名称传统粒子群算法改进粒子群算法种群数量250250求解维度1010最大迭代次数200200车载权重(w)0.80.8线性递减至0.4学习因子(c1)21线性递增至3学习因子(c2)23线性递减至1种群初始化(xi)random混沌初始化表3传统粒子群算法与改进粒子群算法的参数设置图2算法仿真结果代价765432150100150200迭代次数传统粒子群算法改进粒子群算法有目标位置点创建一个加权无向图G=(V,E)。(2)确定权值:依据改进粒子群算法,构
13、建侦察任务路径规划邻接矩阵,即图的权值。(3)制定目标:求解以某一无人车位置为起始节点,在经过所有节点后回到无人车初始位置的最短路径。(4)求解最短路径:结合图论法和深度搜索算法计算最短路径。3实验与结果分析实验的仿真环境:操作系统Windows 10,64位,内存为16GB,CPU为Intel Corei5处理器,主频为2.6GHz,在Matlab R2016a版本下实现协同侦察任务路径规划仿真实验。实验的预设场景:无人车执行8个目标节点的侦察任务,无人车起始位置与目标节点位置如表1所示,障碍物位置参数和威胁半径如表2所示,模拟无人车从起始节点出发,遍历所有目标节点,停留指定时间执行侦察任务
14、后,最终返回起始位置。为了对改进粒子群算法进行效能评估,对算法进行150次蒙特卡罗仿真验证。传统粒子群算法与改进粒子群算法的参数设置如表3所示。对实验过程中产生的代价值求平均,算法仿真结果如图2所示。仿真结果表明,在无人车路径规划场景下,改进粒子群算法比传统粒子群算法的效能更好,收敛速度更快,并且最终解更优,体现了改进粒子群算法的有效性。4结语针对多无人车协同侦察任务的路径规划问题,提出基于改进粒子群算法求解方法。首先,针对传统粒子群算法收敛速度慢、准确率低的问题,利用混沌初始化和自适应参数调节对算法进行优化;其次,利用图论法,快速准确地计算出任务最短路径;最后,预设了作战场景,对算法进行了模拟仿真实验。结果表明,改进粒子群算法提高了算法的收敛性、运算速度和精确度,对多无人车协同侦察路径规划问题具有一定的指导意义。参考文献1蒲兴成,李俊杰,吴慧超,等基于改进粒子群算法的移动机器人多目标点路径规划J.智能系统学报,2017,12(3):301-309.2肖玉杰,李杰,刘方.基于合同网的分布式动态任务分配算法J.舰船科学技术,2015,37(3):113-118.157
©2010-2024 宁波自信网络信息技术有限公司 版权所有
客服电话:4008-655-100 投诉/维权电话:4009-655-100