无人机航迹规划算法选择.doc

遗传算法（GA）： 主要流程： 1 编码：遗传算法在进行搜索之前首先要对无人机位置以及航迹可行性编码。2 初始群体生成：随机产生x个初始串结构数据，每个串结构数据代表一个个体， 个个体构成一个群体。初始群体表示无人机所有可能的航迹位置。 3 选取适应度函数：适应度函数的选取是遗传算法最为关键的部分，它是进化过程的驱动力。 4 遗传算子：群体通过选择、交叉、变异 3种基本的遗传操作得到下一代群体，进化后期可以提高变异概率以提高算法的局部搜索能力。 5 最优航迹生成：通过不断循环进化，最后生成具有最大适应度值的个体即为最优航迹。 N Y 遗传算法流程图 优点：算法灵活且实现简单、自身不受搜索空间限制、具有较强鲁棒性，是一种高效、并行、全局搜索的方法。 缺点：规划时间长，最优解精度不高，不适用于实时航迹规划 适用范围：离线规划 人工神经网络（ANN）算法： 实现步骤： 1 对规划空间进行离散化处理，构建与无人机相适应的Hopfield神经网络模型。 2 结合数字地形信息以及约束条件构造一个能量函数，其中连接权可以反映地形信息，若无人机靠近障碍物时，连接权迅速减小，这样可以实现无人机的安全飞行。 3 由于所创建的Hopfield神经网络是并行处理问题，而当前计算机处理器一般是串行工作的，因此需要对所建立的神经网络模型进行串行模拟。 4 当串行模拟达到预期的要求时，在规划空间则会建立起单峰梯度的数值势场。 5 结合势场梯度数值以及无人机飞行约束条件在规划空间内搜索最优航迹。 优点：具有高度的并行结构和并行实现能力，具有快速找到优化解的能力。 缺点：容易陷入局部最优解，计算量大，收敛速度慢。 适用范围：TF/TA等规划空间大的航迹规划。 蚁群算法： 实现步骤： 1 根据已知威胁源分布情况构造Voronoi图，给Voronoi每条边赋予一定的权值 初始信息素值 。 2 将所有人工蚂蚁置于距离起始点最近的Voronoi图节点位置，根据蚂蚁状态转换规则 一般由两点间的可见度以及两点间边的信息素值的强度决定 选择下一节点，直至所有蚂蚁到达终点完成搜索过程 3 循环完成后分别计算出每条可行路径的代价，更新所找到的最优路径。 4 参照生物信息激素修改规则更新所有边的权值，对没有经过的各节点进行信息素蒸发 即去除权值 。 优点：采用正反馈机制，具有良好的并行性、协作性和鲁棒性，寻优性好，具备较强的动态特性。 缺点：容易陷入局部最优解，搜索时间过长，容易出现停滞现象。 适用范围：并行分布式规划。 粒子群优化算法： 实现步骤： 1、航迹规划建模（威胁模型、地形模型、威胁等效地形模拟和航迹代价函数）2、分析原理3、进行试验和仿真4、结果分析与实验改进 优点：有效减小搜索空间，提高搜索效率，快速完成航迹规划任务通过调整参数的设置．可以使得航迹在地形跟随和地形回避之间有所偏重．得到较为满意的三维航迹 缺点：高度的升高使得无人机的航迹更加趋向于地形跟随．地形遮蔽作用将大大削弱，容易被地方探测设备发现．势必会带来敌方威胁的增大。 适用范围：适合于敌方威胁较弱、地形环境恶劣且时效性要求较高的作战区域 开始 无人机位置和航迹可行性编码 编码成位串 种群1 位串解释得到参数 计算目标函数 函数值像适应值映射 适应值调整 是否满足终止条件？ 计算适应度 3种基本遗传算子： 选择算子、交叉算子、变异算子 遗传算子 统计结果 解码输出最优解 种群2 结束