基于蟻群優(yōu)化（ACO）和人工勢(shì)場的路徑規(guī)劃新算法

動(dòng)態(tài)威脅和靜態(tài)障礙物都被考慮在內(nèi)，以生成代表無碰撞路徑規(guī)劃環(huán)境的人工場。為了提高路徑搜索效率，應(yīng)用坐標(biāo)變換將地圖原點(diǎn)移動(dòng)到路徑的起點(diǎn)，并與源-目的地方向一致。建立成本函數(shù)來表示動(dòng)態(tài)變化的威脅，成本值被認(rèn)為是移動(dòng)威脅的標(biāo)量值，實(shí)際上是向量。在無人機(jī)搜索最 佳移動(dòng)方向的過程中，利用螞蟻優(yōu)化算法對(duì)路徑成本值、移動(dòng)威脅和總成本進(jìn)行優(yōu)化。

基于對(duì)周圍信息的掌握程度，路徑規(guī)劃可以由兩個(gè)規(guī)劃引擎構(gòu)建，包括利用先驗(yàn)環(huán)境信息進(jìn)行全局規(guī)劃的全局路徑規(guī)劃引擎和響應(yīng)實(shí)時(shí)傳感器信息的局部路徑規(guī)劃引擎

局部路徑規(guī)劃適用于起點(diǎn)和目的地較近的情況。局部路徑規(guī)劃快速、實(shí)時(shí)、響應(yīng)靈敏，但很容易受到局部信息的干擾，從而陷入局部最優(yōu)解而無法實(shí)現(xiàn)全局目標(biāo)。全局路徑規(guī)劃提供了整體尋路的解決方案，它根據(jù)獲得的環(huán)境信息找出一條可行且最優(yōu)的路徑。

首先獲取所有環(huán)境信息，然后根據(jù)構(gòu)建的環(huán)境地圖進(jìn)行初步（全局）路徑規(guī)劃。全局路徑規(guī)劃依賴于全局環(huán)境信息，無法處理規(guī)劃過程中的實(shí)時(shí)問題。全局路徑規(guī)劃需要大量的計(jì)算能力。同時(shí)，局部路徑規(guī)劃是一種動(dòng)態(tài)規(guī)劃，而全局路徑規(guī)劃屬于靜態(tài)規(guī)劃

路徑規(guī)劃主要方法

目前開發(fā)的路徑規(guī)劃的主要方法包括基于圖的、基于群體的進(jìn)化算法和分布式方法

n基于圖的算法包括Voronoi圖搜索方法、基于有向圖的方法、A搜索算法、數(shù)學(xué)規(guī)劃方法、人工勢(shì)場方法(APF)和D lite算法。然而，基于圖的算法由于難以解決無人機(jī)的運(yùn)動(dòng)約束，在實(shí)際情況中表現(xiàn)出了弱點(diǎn)。

n基于群體的算法包括粒子群優(yōu)化（PSO）、蟻群優(yōu)化（ACO）、智能水滴優(yōu)化（IWD）、引力搜索算法（GSA）和人工蜂群算法（ABC）?；谌后w的進(jìn)化算法具有在規(guī)劃階段降低復(fù)雜度和維數(shù)的優(yōu)點(diǎn)

n分布式路徑規(guī)劃使用智能節(jié)點(diǎn)之間的消息交換將路徑規(guī)劃卸載到環(huán)境中。雖然這些方法需要最 大限度地減少機(jī)載處理，但它們依賴于預(yù)安裝的智能基礎(chǔ)設(shè)施。

每種方法在某些方面都有其自身的缺點(diǎn)。例如，APF方法在障礙物較為密集的情況下無法有效生成路徑。如果目標(biāo)附近有障礙物，則無法到達(dá)目標(biāo)。此外，當(dāng)規(guī)劃路徑靠近障礙物或狹窄通道時(shí)，可能會(huì)出現(xiàn)抖動(dòng)

對(duì)于ACO算法來說，它需要大量的計(jì)算，并且效率很大程度上依賴于參數(shù)。如果參數(shù)設(shè)置錯(cuò)誤，則求解速度慢、求解質(zhì)量差。雖然通過交換信息可以得到最優(yōu)解，但當(dāng)問題內(nèi)容太大時(shí)，效率必然會(huì)降低。同時(shí)，ACO算法收斂速度慢，并且由于缺乏初始信息而容易陷入局部最優(yōu)解

基于蟻群優(yōu)化算法和人工勢(shì)場算法的無人機(jī)路徑規(guī)劃新模型

針對(duì)上述挑戰(zhàn)，提出了一種基于蟻群優(yōu)化算法和人工勢(shì)場算法的無人機(jī)路徑規(guī)劃新模型。

移動(dòng)威脅和靜態(tài)威脅都被認(rèn)為具有設(shè)定的影響半徑。此外，諸如雷達(dá)、導(dǎo)彈、火炮和大氣層等移動(dòng)威脅也給出了它們的移動(dòng)方向。在初始化過程中，將使用可用的環(huán)境信息在變換后的坐標(biāo)系下構(gòu)建網(wǎng)格地圖。將設(shè)置路徑上點(diǎn)的初始坐標(biāo)。然后從起點(diǎn)出發(fā)，根據(jù)移動(dòng)威脅的概率和成本來搜索最 佳移動(dòng)方向。信息素和下一步的運(yùn)動(dòng)會(huì)迭代更新，直到以最 佳解決方案達(dá)到目標(biāo)。

算法成本更低，性能更高，路徑更平滑。

成本包括移動(dòng)威脅成本、路徑成本和總成本。路徑成本主要考慮為整個(gè)路徑的燃料消耗。

n建筑模型

無人機(jī)路徑規(guī)劃是一個(gè)全局優(yōu)化問題，生成一組從起點(diǎn)S到目的地點(diǎn)D的路徑點(diǎn)，并保證不會(huì)飛出指定地圖或被威脅奪走。靜態(tài)威脅是在空間中具有靜態(tài)位置的障礙物（用設(shè)定半徑的黃色圓圈表示）；移動(dòng)威脅是以已知的恒定速度動(dòng)態(tài)移動(dòng)的障礙物（表示為藍(lán)色圓圈）。

為了降低無人機(jī)路徑規(guī)劃中計(jì)算過程的復(fù)雜度，產(chǎn)生了坐標(biāo)系的變換。將S和D之間的直線作為新的x軸，以無人機(jī)的起點(diǎn)（S）作為新的坐標(biāo)原點(diǎn)，然后將原始坐標(biāo)系轉(zhuǎn)換為新的坐標(biāo)系。

n蟻群優(yōu)化算法

蟻群算法的基本數(shù)學(xué)模型首先應(yīng)用于旅行商問題。該問題可以描述為找到商人至少訪問所有城市一次和最多一次訪問所有城市的最短路徑。

假設(shè)有 m 個(gè)城市和 N 個(gè)推銷員，每只螞蟻選擇距離相同的下一個(gè)城市移動(dòng)，并釋放一致的信息素。在網(wǎng)格中，每只螞蟻只能選擇與它當(dāng)前所在網(wǎng)格相鄰的一個(gè)網(wǎng)格。如圖3所示，當(dāng)螞蟻處于(4,5)網(wǎng)格時(shí)，它可以選擇的網(wǎng)格有(3,4)、(3,5)、(3,6)、(4,4)、 (4,6)、(5,4)、(5,5) 和 (5,6)。由于網(wǎng)格(3,4)和(4,4)被障礙物占據(jù)，這兩個(gè)網(wǎng)格將被螞蟻忽略

n人工勢(shì)場算法

人工勢(shì)場算法是通過模擬自然界的重力場，基于物體施加的排斥力或吸引力。勢(shì)場中，障礙物O對(duì)無人機(jī)A有斥力作用，且與距離成反比變化；也就是說，距離越近，斥力越大。同時(shí)，目的地D對(duì)A的吸引力與距離成正比，即吸引力隨著距離的增加而增加。

A在未知環(huán)境下受到虛擬斥力和吸引力的影響，其合力就是無人機(jī)的原動(dòng)力。

n算法實(shí)現(xiàn)

結(jié)合了ACO算法和APF算法

1. 步驟1（路徑規(guī)劃場形成）。首先，制定無人機(jī)飛行場，其中包含起始點(diǎn)、目標(biāo)點(diǎn)和矩形區(qū)域。無人機(jī)檢測的威脅包括移動(dòng)威脅和靜態(tài)威脅。靜態(tài)威脅的半徑和位置是已知的，移動(dòng)威脅及其移動(dòng)方向?qū)⒈桓兄?。所有點(diǎn)坐標(biāo)轉(zhuǎn)換為新坐標(biāo)系。

2. 步驟 2（初始化）。在所提出的算法中，每個(gè)螞蟻的禁忌列表以及螞蟻的狀態(tài)和屬性被初始化。此外，通過壓縮垂直坐標(biāo)，可以將螞蟻運(yùn)動(dòng)范圍的二維坐標(biāo)變?yōu)橐痪S數(shù)組。

3. 步驟3（開始算法迭代）。一旦初始化完成，算法將迭代更新位置和狀態(tài)，直到滿足終止條件。終止標(biāo)準(zhǔn)設(shè)置為螞蟻無法到達(dá)目的地或陷入死循環(huán)。首先，下一步可以得到所有點(diǎn)的坐標(biāo)；即計(jì)算既不在禁忌表中又不在靜態(tài)威脅中的點(diǎn)。然后移動(dòng)威脅開始移動(dòng)，每個(gè)威脅移動(dòng)一步就像螞蟻移動(dòng)一步一樣。接下來，基于概率和移動(dòng)威脅的成本來搜索局部和全局最優(yōu)移動(dòng)方向

4. 步驟4（輸出）。一旦滿足終止條件，迭代過程就會(huì)停止。每個(gè)步驟過程中生成的路徑點(diǎn)將按順序鏈接。這些路徑點(diǎn)最終形成最終的全局最優(yōu)路徑。