基于遺傳規(guī)劃的無人機航跡規(guī)劃系統(tǒng)及方法
【技術領域】
[0001] 本發(fā)明涉及的是一種路徑規(guī)劃和人工智能領域的技術，具體是一種基于遺傳規(guī)劃 的無人機航跡規(guī)劃系統(tǒng)及方法。
【背景技術】
[0002] 路徑規(guī)劃系統(tǒng)主要應用于無人機、機器人、水面艦艇、車輛等的路徑規(guī)劃問題中。 路徑規(guī)劃是按照一定的評價標準體系，尋找運動體從起始狀態(tài)點到達目標狀態(tài)點的滿足特 定約束的路徑。
[0003] 航跡規(guī)劃是路徑規(guī)劃的一種，比一般的路徑規(guī)劃更加困難復雜。由于飛行器的運 動性能復雜、任務環(huán)境復雜性，航跡規(guī)劃系統(tǒng)需要綜合考慮飛行器的機動性能、任務時間、 地形環(huán)境、敵控區(qū)域等因素。航跡規(guī)劃系統(tǒng)涉及飛行力學、自動控制、導航、計算機圖形學等 多個領域。航跡規(guī)劃系統(tǒng)主要包括航跡規(guī)劃算法、軌跡跟蹤控制、虛擬現實技術等內容，其 中核心是航跡規(guī)劃算法。目前應用于航跡規(guī)劃的算法主要有A*算法、遺傳算法、神經網絡 等，其中遺傳算法常用來作為航跡規(guī)劃算法。但是由于環(huán)境空間巨大、約束條件繁多且耦合 性強等情況，之前的算法結果并沒有很好地解決問題。
[0004] 遺傳算法是一種解決復雜優(yōu)化問題的技術。遺傳算法通過產生一組個體，使用進 化算子來提升性能。遺傳算法使用染色體和其中的基因來表示運算符，通過突變和交叉來 進化。在航跡規(guī)劃問題中，已有大量的工作使用遺傳算法得到了不錯的結果。但是傳統(tǒng)的遺 傳算法在處理多層次問題的時候有不足的地方，當應用于擬合問題時，多層次的結構無法 預知。此外，遺傳算法缺乏動態(tài)性。無法表示很多計算機程序和數學問題，尤其是復雜的等 式和不等式約束。在航跡規(guī)劃問題中，遺傳算法作為航跡規(guī)劃算法，其規(guī)劃出的航跡對威脅 邊緣依賴性很強，無法達到更高的要求。
[0005] 經過對現有技術的檢索發(fā)現，遺傳規(guī)劃在機器人路徑規(guī)劃和避障的探索中獲得了 廣泛的應用，如中國專利文獻號0附03077425六，公開(公告）日2013.05.01，公開了一種自主 水下機器人的實時路徑規(guī)劃方法，是AUV實時避碰過程中根據在線地圖進行在線、實時局部 路徑規(guī)劃的方法。該技術根據AUV路徑點數目設定小種群個數，并初始化;對每個小種群進 行免疫選擇后得到子群;將其中一個子群進行遺傳操作，另一個進行細胞克隆;然后通過接 種疫苗和抗體聚類形成下一代小種群，判斷其是否滿足條件;如果滿足則選出這些小種群 的最優(yōu)個體;從所有最優(yōu)個體組成的集合中選擇最優(yōu)個體最為規(guī)劃路徑。該技術涉及的AUV 實時避碰是典型的局部路徑規(guī)劃算法，容易陷入局部最優(yōu)，算法穩(wěn)定性較差，受抗體濃度影 響較大。而且AUV缺乏動態(tài)性，對于不等式約束依然缺乏解決方法。

【發(fā)明內容】

[0006] 本發(fā)明針對現有技術存在的上述不足，提出一種基于遺傳規(guī)劃的無人機航跡規(guī)劃 系統(tǒng)及方法，采用遺傳規(guī)劃算法作為航跡規(guī)劃算法，通過對遺傳規(guī)劃算法的改進和創(chuàng)新，將 其應用于復雜多目標優(yōu)化問題中，利用樹狀結構進行初始化、解碼、選擇繁殖等步驟，不斷 的優(yōu)化航跡。優(yōu)化過程迅速，方法直觀，不依賴于威脅的引導點。本發(fā)明能夠提高規(guī)劃出的 航跡性能，減少了運算時間，優(yōu)化適應度，具有很好的可行性和魯棒性。
[0007] 本發(fā)明是通過以下技術方案實現的：
[0008] 本發(fā)明涉及一種基于遺傳規(guī)劃的無人機航跡規(guī)劃系統(tǒng)，包括:無人機模型模塊、遺 傳規(guī)劃算法模塊、無人機任務模塊和現場信息模塊，其中：無人機模型模塊與遺傳規(guī)劃算法 模塊相連并傳輸無人機模型參數信息，現場信息模塊與遺傳規(guī)劃算法模塊相連并傳輸現場 威脅與地圖信息，無人機任務模塊與遺傳規(guī)劃算法模塊相連并傳輸無人機任務以及起始點 信息。
[0009] 本發(fā)明涉及一種基于上述系統(tǒng)的遺傳規(guī)劃的航跡規(guī)劃算法，通過無人機模型模塊 構建樹狀結構的初始群體，遺傳規(guī)劃算法模塊對每個個體進行解碼和計算適應值，并且在 群體之間進行選擇和繁殖操作，經過若干次迭代過程得到最優(yōu)群體，最終由無人機任務模 塊從最優(yōu)群體中選擇出最佳個體并進行解碼，即得到遺傳規(guī)劃的最優(yōu)航跡。
[0010] 本發(fā)明具體包括如下步驟：
[0011] 步驟A，無人機任務模塊構建優(yōu)化方程，具體為：
[0012] -般的多目標優(yōu)化問題為：
其中：f: (X)為目標方 程，X是d維決策變量向量，gj(X)表示不等式約束，hk(X)表示等式約束。
[0013] 針對路徑規(guī)劃問題，路徑優(yōu)化方程為：
[0014]
丨，其中： 1=1 i=l i=l
:表示路徑長度的代價函數，^為每段航 跡長度，其減小該函數意味著航跡更短更平滑（
I示飛行高度的代價函數，其 中hi為飛行高度，需要保證大于最小的高虔
表示所有威脅的評估值。·/?為威 脅X影響j位置的評估值，氏，Kj是威脅系數，Rj是X和j之間的距離。
[0015] 由于航跡規(guī)劃問題的約束主要根據無人機的模型參數中的各類限制而來，比如油 量、最大最小偏轉角、最大最小俯仰角等等，其中路徑最大最小長度和飛行高度受現場地圖 的地形限制，約束定義為：其中：前兩個約束表示最大 ^ "仰
.，： 路徑長度lmax和最小路徑長度lmin。第三個和第四個約束表示最大偏轉角Φ和最大俯仰角Θ。 最后一個約束Hmin為無人機飛行的最小高度。
[0016] 上述方程描述為航跡規(guī)劃優(yōu)化問題。
[0017] 步驟B，現場信息模塊定義地形和威脅：由于航跡規(guī)劃問題是基于具有許多威脅的 特定地形的，而威脅的參數有位置、半徑和權重等。無人機從起始點出發(fā)到達終點，要求在 威脅范圍之外。
[0018] 步驟C，遺傳規(guī)劃算法模塊創(chuàng)造運算符:遺傳規(guī)劃的運算符包含函數運算符和符號 運算符，基于上述航跡規(guī)劃優(yōu)化方程，針對航跡規(guī)劃問題的特殊性，我們?yōu)楹瘮颠\算符為： 我們?yōu)楹瘮颠\算符為：
，符號運算符為：
，其中：符號運算符為二叉樹結構中的葉子節(jié)點，函數運算符為二叉 樹結構中除了葉子節(jié)點的其他樹干節(jié)點。函數運算符集中的三個運算符表示由遺傳規(guī)劃系 統(tǒng)所判斷的是否可以直線前行、水平前進、豎直前進這三種判斷情況，而三個符號運算符表 示直線前進、水平前進、豎直前進這三個無人機實際動作。
[0019] 步驟D:初始化群體:選擇群體大小為100,使用混合法進行初始群體生成?；旌戏?綜合完全法和生長法的優(yōu)點，初始個體在每個深度下所占比例為n = 100/(maximum-l)，其 中maximum表示定義的最大深度。由此得到100個個體的群體。
[0020] 步驟E:解碼和計算適應值:解碼過程從樹根遍歷至樹葉節(jié)點。通過判斷函數節(jié)點 是否為正，迭代過程決定向左還是向右前進。當遇到一個樹葉節(jié)點時，迭代過程停止。當路 徑到達終點時，過程停止。適應值計算公式〉
[0021] 步驟F:選擇和繁殖:使用錦標賽選擇法，在適應值計算之后，我們根據適應值對結 果進行快速排序。最開始的幾個精英個體自動被選入下一代。此外隨機選取一些個體作為 幸存者進入下一代。其他個體由交叉和變異產生。交叉操作隨機選出兩個個體6 1和62，每個 個體隨機選擇一個節(jié)點。m，n2為這兩個點，ri，r2為樹的其余部分。產生的4個分裂的樹交叉 形成兩個新樹m+r 2，n2+ri。選擇其中較短的一棵樹。新樹進入下一代。突變操作包含兩部 分:突變和強突變。強突變至少嘗試兩次，而突變只嘗試一次。我們隨機選擇一個節(jié)點，用其 他點來代替此節(jié)點。交叉和突變操作帶來了種群的多樣性。
[0022]步驟G:終止迭代過程，選取最優(yōu)個體。
[0023]所述的迭代過程優(yōu)選次數為50次。 技術效果
[0024]與現有技術相比，本發(fā)明通過對遺傳規(guī)劃進行優(yōu)化，然后使用遺傳規(guī)劃設計特殊 的運算符集來解決無人機航跡規(guī)劃問題。在優(yōu)化方程的啟示和運算符的指導下，規(guī)劃系統(tǒng) 有效的規(guī)劃出可行的航跡，然后通過遺傳規(guī)劃的步驟，優(yōu)化為更好的航跡。經過仿真實驗， 本發(fā)明與遺傳算法進行比較，得到的結果顯示優(yōu)化的遺傳規(guī)劃路徑明顯更優(yōu)。
【附圖說明】
[0025]圖1為本發(fā)明方法流程圖；
[0026]圖2為本發(fā)明系統(tǒng)結構不意圖；
[0027]圖3為本發(fā)明地形和威脅示意圖；
[0028]圖中：威脅的范圍為圓的大小，橫軸為水平方向，豎軸為垂直方向，從起點(0，