基于蚁群算法最小代价航迹规划仿真.docVIP

基于蚁群算法最小代价航迹规划仿真 　　摘 要：在大比例尺地图的路径规划中，由于飞行器全局航迹规划需要计算机存储的栅格点数量巨大，存在维数爆炸问题，使得航迹解算计算量激增，因此提出1种改进的蚁群算法，将栅格由大及小进行划分，利用大栅格为飞行器选择相对平滑和离散度低的飞行地形，利用小栅格为飞行器提供相对精确的全局飞行航迹，将栅格带所有栅格的代价之和作为航迹代价，从而选出1条航迹代价最小的路径. 该算法将蚁群算法的信息素更新机制更加合理地应用到航迹规划中.仿真结果表明，该方法能解决航迹维数解算问题，可以将一系列栅格点组成的路径点集合为最优解，为飞行器提供最优航迹规划路径. 　　关键词： 　　蚁群算法； 航迹规划； 栅格； 信息素 　　中图分类号：V249.122； TP301.6； TP391.9文献标志码：A 　　 　　0 引 言 　　 　　飞行器的航迹规划是寻找从初始点到目标点满足最优性能指标的运动轨迹，为飞行器提供最优、安全的飞行走廊.蚁群算法是意大利学者DORIGO等在20世纪90年代从生物进化的机理中受到启发，通过模拟自然界蚂蚁寻食行为提出的新的模拟进化算法［1］，是近年来有效解决大型组合优化问题的仿生优化算法，具有良好的并行性、协作性和鲁棒性，寻优性好；但是还存在一些缺陷，如计算时间长、收敛速度慢、易陷入局部最优解等.针对这些问题，本文提出由大及小的栅格划分方法，改进蚁群算法信息素局部更新机制，使之适用于飞行器航迹规划问题. 　　 　　1 蚁群算法简介 　　 　　蚁群算法是多代理商(agent)系统，受生物界中蚂蚁觅食行为启发而来.生物界中的蚂蚁有能力在没有任何可见提示下找出从蚁穴到食物源的最短路径，并且能够随环境的变化而变化去搜索新路径，产生新选择，其机理在于蚂蚁在其走过的路径上释放1种信息素，信息素承载着路况信息，蚂蚁在行进过程中能够感知这种信息素的存在和其强度，并知道自己的行进方向，使蚂蚁倾向于向信息素强度高的方向爬行. 　　事实上，蚂蚁个体之间通过信息传递来协调行动，并通过组队相互支援.当在某条路径上聚集的蚂蚁数量达到某一临界数量时，就会涌现出有条理的“蚁队”大军. 　　蚂蚁散布在环境中的信息素会形成1个势场以引导蚂蚁移动，并且随时间和事件的变化而发生变化.文献［2］和［3］以启发A??*算法进行仿真，仿真结果表明蚁群算法的寻优能力略不及启发A??*算法；但文献［3］还证明蚁群算法的动态特性是启发A??*算法所不具备的，这无疑非常适合自适应航迹规划问题. 　　 　　2 最小代价航迹 　　 　　图1为简化的飞行有向图，除了搜索范围边界的栅格指向与其相邻的3个栅格点以外，其他栅格均指向其相邻的5个栅格，指向的栅格为当前栅格的可飞行选择栅格，由此在出发点与目标点之间可以找出若干条以栅格按顺序连接而成的栅格带，每个栅格点根据航迹代价函数计算其代价值，然后把栅格带所有栅格的代价之和称为航迹代价.在众多航迹中选出1条代价最小航迹带的路径即为最小代价航迹.［4］ 　　 　　图 1 简化的飞行有向图 　　图2为DEM数字地图的存储结构，通过各顶点的高程信息，可以计算得到各栅格(记为c??11，c??12，c??13，…，c??nm)的代价值，这样从出发点S到终点T之间可以由栅格组成很多条路径，选出累加代价最小的栅格带即为最小代价航迹，图中由深色表示.在最小代价航迹内，性能指标变化不大，体现出参考航迹的鲁棒性. 　　 　　图 2 最小代价航迹带示意图 　　大网格拐角处理见图3. 　　 　　图 3 大网格拐角处理 　　当飞行器从栅格c??12飞行到c??21，如果把飞行路线约束在经过c??12和c??21的交点，有可能使路径规划约束在局部最小，而恰巧交点又是山峰或者威胁点，就会使飞行器撞山或者进入危险区，使路径规划丧失意义，所以需要对栅格拐角进行处理.即保留c??11和c??22栅格的1/2，分别记为b??11和b??22，连接c??12和c??22，并以此形成航迹带.计算拐角代价时，首先根据b??11和b??22半栅格内的高程点分别计算半栅格的代价，然后选择代价值较小的半栅格作为飞行区域，比如J??b??22≤J??b??21，飞行器选择在b??22上飞行. 　　 　　3 栅格划分 　　 　　在进行航迹规划时，采用由大及小分开规划的思想，采用以下步骤进行规划. 　　(1)大栅格划分.即将栅格地图原来较小的栅格合并成为较大的栅格.以起始点与目标连线为中心的100 km宽的地形进行搜索计算，首先进行栅格合并，把原始DEM栅格合并成较大栅格，见图4.这样规划的栅格可有效降低计算量，粗略保留地理信息，只要大栅格尺寸合适，根据平均高度和平均离散值就能判定该地形处于平原、丘陵还