飞行器多航迹规划问题研究.docxVIP

飞行器多航迹规划问题研究 0 航迹规划方法 为了实现无人机的自动驾驶，必须从最终点开始计划机架的航线。传统的规划方法主要基于给定的代价函数,利用优化算法生成一条具有最小代价的飞行航迹。然而,在实际航迹规划过程中,往往需要综合考虑飞行器机动性能、地形高程、障碍、威胁以及飞行任务等多种因素,要建立一种能够包含所有这些因素的代价函数是很困难的。同时,对航迹的评价会随具体的飞行任务而改变,更增加了确定代价函数的困难。另外,对于某些飞行器,由于负荷的限制不可能在机上进行实时航迹再规划,而障碍、威胁等环境因素会随时间发生变化,预先规划好的最优航迹在任务执行时可能因为环境的变化不再适用。要解决这些问题,一种有效途径是预先规划出多条航迹,在任务执行时可以根据不同需要临时决定选择合适的飞行航迹。 目前绝大多数搜索算法都是从一个初始状态开始不断迭代,最后一般得到一个全局或者局部最优解,因此不适于用来寻找多条航迹。而进化算法的搜索过程是在一个解的“种群”中进行的,种群中的个体可以分布在整个解空间中的各个部分,只要能够维持合理的种群多样性,就可能在算法结束时找到多个可行解,因此基于进化计算的规划方法成为目前主要的多路径规划方法。 与机器人二维路径规划相比较,飞行器航迹规划在三维空间搜索,规划空间要大得多。同时,还需要考虑不同约束条件,因此简单采用机器人路径规划算法不能满足飞行器航迹规划的要求。本文在分析多峰值函数优化问题的基础上,提出了一种基于进化计算的飞行器多航迹规划方法。该方法通过采用一种变长实值基因编码方式和特定的进化算子,能够有效地处理各种航迹约束。同时,通过引入K-均值聚类算法,每隔若干代将种群中的个体按其空间分布进行一次聚类,生成若干个不同子种群。在进化过程中,所有个体只在各自的子种群内部进化。当进化结束时,每个子种群将分别生成一条各自的最优航迹,从而为飞行器生成了多条不同的可选航迹。 1 小生境进化算法 在规划区域中通往目标点的航迹通常很多,而传统的航迹规划方法只能找到其中全局或局部最优的一条,无法获得多条优化航迹,不能满足多航迹规划的需要。一般地,为了满足不同飞行环境和任务变化的需求,所生成的航迹在空间上不应聚集在一起。为此,可以根据实际要求设计一具有多个峰值点的代价函数,使该代价函数的每一个局部极小值点对应一条较优的可行航迹。 基本的进化算法在许多问题中都能有效地找到最优解。然而在面对要求同时搜索多个极值点的问题时,简单的进化算法就无能为力。目前,求解多峰值函数优化问题通常都采用小生境技术。小生境技术旨在限制相似个体的过多复制,从而维持种群的多样性,能够有效地对多个峰值进行搜索。 现代的小生境进化算法主要分为两类:排挤(Crowding)和共享(Sharing)。基于排挤机制的小生境技术由De Jong于1975年首先提出。其基本思想是:在父代中随机选择CF(Crowding Factor)个个体组成排挤成员,然后用子代替换掉与其最相似的排挤成员中的个体。Goldberg和Richardson于1987年提出基于共享机制的小生境实现方法。这种方法通过反映个体之间相似程度的共享函数来调整群体中各个个体的适应值,当一个个体与其它个体较相似时,其适应值会减小,反之适应值会增大。这样就限制了相似个体的过多复制,从而造就了一种小生境的进化环境。 小生境技术能够有效地保证解的多样性,提高进化算法进行多峰值函数优化时获得最优解的概率。然而,基于排挤机制的小生境技术一般受随机替代误差影响,不能很有效地识别多个峰值。而共享机制一般要求所有峰值点在整个空间内均匀分布,这在实际中是很难满足的。另外,该算法在每次迭代时都要对个体进行相似性度量,带来较大的计算代价。 基于本文的目的是为了获得在空间上较为离散的若干条航迹,而对代价函数在空间上相互间比较接近的多个极小值点并不要求全部找出。因此本文通过引入K-均值聚类算法,每隔若干代将种群中的个体按其空间分布进行一次聚类,生成若干个子种群。在进化过程中,所有个体只在各自的子种群内部进化。这样,由于每个子种群保持了相对独立性,从而形成了相互间隔离的“小生境”。在进化结束时,每个子种群将各自分别生成一条最优航迹,从而为飞行器生成了K条可选的航迹。这里采用K-均值聚类是因为可以方便地根据规划环境和任务要求人工输入类别数目,同时K-均值聚类算法简单可行,收敛速度快。 2 基于发展的多阶段规划方法 2.1 初始种群的生成 本文采用一种变长实值染色体表示方法,每一个染色体代表一条航迹, 如图1所示。航迹的每一节点除包含该航迹点的空间坐标(xi,yi,zi)以外,还包含一个状态变量bi,它记录如下信息:1) 该节点是否可行, 即是否满足所有约束条件;2) 连接该节点与下一节点之间的航迹段是否可行。当且仅当一条航迹的所有节点以