一种基于气象预报信息的直升机航路规划方法

本发明属于计算智能领域，特别涉及一种基于气象预报信息的直升机航路规划方法。

背景技术：

1、目前，人们通常采用直升机在低空环境下执行突防、侦查、吊装等任务，恶劣天气对于飞行器飞行的安全威胁是极其严重的，据有关资料显示，每7起飞机或飞行器失事就有一起是由于恶劣天气导致。因此，在直升机的航路规划中，需要将气象因素考虑在内。

2、直升机航路规划指的是在特定约束条件下，找到满足其机动性能及环境信息限制的最优飞行轨迹，是在给定数字地图、飞行器参数、飞行任务的情况下，按照某种性能指标，在数字地图上方的某个离地高度上规划出一条最优三维轨迹。

3、目前有采用粒子群算法进行直升机的航路规划。粒子群算法是一种群体智能的优化算法。算法中每个粒子都代表问题的一个潜在解，每个粒子对应一个由适应度函数决定的适应度值。粒子的速度决定了粒子移动的方向和距离，速度随自身及其他粒子的移动经验进行动态调整，从而实现个体在解空间中的寻优。粒子群算法首先在解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表征该粒子，适应度值由适应度函数计算而来，其值的好坏代表粒子的优劣。粒子在解空间中运动，通过跟踪个体极值和群体极值来更新个体位置。个体极值指的是个体粒子搜索到的适应度值最优位置，群体极值是指种群中的所有粒子搜索到的适应度最优位置。粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值和群体极值位置。它的核心思想是利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得问题的最优解。然而，传统的粒子群算法存在着对于离散的优化问题处理不佳，容易陷入局部最优的问题。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于气象预报信息的直升机航路规划方法，将气象预报信息作为安全性指标之一考虑进来，采用改进的粒子群优化算法，将学习因子等参数自适应化，在给定数字地图、飞行器参数、飞行任务的情况下，实现直升机的航路自动规划，节约了规划时间，提高了航路的安全性。

2、为达到上述目的，本发明的技术方案如下：

3、一种基于气象预报信息的直升机航路规划方法，包括以下步骤：

4、步骤1，根据直升机的起始点、任务点和终止点进行航行空间构造；

5、步骤2，在构造的航行空间内进行环境信息建模，所述环境信息包括气象预报信息和几何信息；

6、步骤3，根据环境信息进行起始点、任务点和终止点的可行性分析；

7、步骤4，在满足可行性条件下，采用粒子群算法进行起始点至任务点以及任务点至终点的航路规划；

8、步骤5，根据规划路径结果进行燃油预估；

9、步骤6，根据燃油预估结果进行任务区域最大作业时长计算；

10、步骤7，输出规划路径、剩余油耗以及任务区域最大作业时长的计算结果。

11、上述方案中，步骤1的方法如下：采用墨卡托投影将起始点、任务点、终止点进行经纬度坐标转换，结合起始点、任务点、终止点坐标信息计算所处区域范围，并将其扩大一定范围作为航行空间范围。

12、上述方案中，步骤2的方法如下：采用栅格法将航行空间内的气象预报信息离散化处理；采用几何建模方式将航行空间内的禁航区、高度障碍物进行几何信息提取。

13、上述方案中，步骤3的方法如下：判断起始点、任务点和终止点的气象预报信息是否满足安全性要求，三点是否在禁航区内，是否离高度障碍物过近，若不满足规划要求，则输出决策原因。

14、上述方案中，步骤4中，起始点至任务点以及任务点至终点的航路规划方法相同，包括如下步骤：

15、(1)粒子群初始化

16、假设粒子群算法的解空间为m＝[m1,m2,...,mn]，其中，mi代表一条规划路径，i∈{1,2,..n.,，n表示粒子群种群个数；每条规划路径由若干路径节点构成，每个路径节点信息用经纬高信息表征，因此，粒子群初始化指的是每条路径的路径节点其经纬度初始化；

17、(2)确定惩罚设置方式及适应度函数

18、设置适应度函数s＝cd，其中，c为经过禁航区、雷雨区、风速过大区、高度障碍物的惩罚，设置初始值为1，d为规划路径欧式距离，计算时采用墨卡托投影将经纬度坐标转换为笛卡尔坐标系下的坐标，再进行路径欧式距离计算；

19、(3)迭代更新

20、更新粒子的速度：

21、

22、其中，为当前粒子i在第g次迭代的速度；k为收缩因子；w表示惯性因子，非负数，用于调节解空间的搜索范围；为当前粒子i在第g-1次迭代的速度；pibest与gbest分别表示当前粒子i的最优值和全局最优值；c1,c2表示学习因子，用于调节学习最大步长，c1,c2∈(0,4]；r1,r2∈(0,1)表示随机数，用于增加搜索随机性；

23、收缩因子k表达式为：

24、

25、其中，k0为设置的收缩因子系数，tmax表示最大迭代次数，t为当前迭代次数；

26、惯性因子w表达式为：

27、

28、其中，wmin和wmax为待调测试参数，分别表示惯性因子的最小值和最大值，惯性因子w从wmax到wmin随迭代次数递减；

29、学习因子c1随迭代次数增加而减小，c2随迭代次数增加而增大，参数变化公式为：

30、

31、

32、其中，c1start、c1end、c2start、c2start为待调参数，分别表示学习因子c1的初始值、终值，学习因子c2的初始值、终值；

33、更新粒子的位置：

34、

35、其中，为当前粒子i在第g次迭代的位置，为当前粒子i在第g-1次迭代的位置，time代表时间因子，定义为：

36、

37、其中，t0为待调参数，为大于1的常数，表示时间因子的初始步长；

38、(4)计算适应度值并更新局部、全局最优：

39、根据(2)的适应度函数设置方式，计算粒子适应度值，进而更新粒子局部和全局最优解；

40、(5)终止条件判断：

41、若达到设置的最大迭代次数或粒子超过一定次数未更新全局最优解，则终止计算。

42、上述方案中，粒子群初始化的方法如下：首先采用非完全随机初始化方式进行处理，即：选出在经度、纬度方向上跨度大的维度，并将其等分，在另一维度上采用随机方式初始化，随机数符合均匀分布，随机范围为航行空间相应的维度范围；之后，若非完全初始化方式规划失败，则采用完全随机方式初始化，即：经度、纬度均采用均匀分布的随机方式初始化，随机范围为航行空间范围。

43、上述方案中，步骤5的方法如下：将航行过程分为三个阶段，第一阶段为起始点至任务点，第二阶段为任务区域，第三阶段为任务点至终止点；

44、(1)第一阶段的航程为

45、

46、其中，(xnf,ynf,znf)表示笛卡尔坐标系下包含起始点和任务点在内的第nf个路径点的坐标，(xnf+1,ynf+1,znf+1)表示笛卡尔坐标系下包含起始点和任务点在内的第nf+1个路径点的坐标，nf表示有nf个路径节点；

47、(2)第一阶段的油耗为

48、firstoil＝firstdis/highspeed×highoil,

49、其中，highspeed及highoil分别表示高空飞行速度及高空飞行时单位时间内的油耗；

50、(3)第三阶段的油耗计算方法与第一阶段的油耗计算方法相同；若第一阶段与第三阶段油耗之和超出直升机携带的总油量，则表示规划失败。

51、上述方案中，步骤6的方法如下：

52、航行过程第一阶段、第二阶段和第三阶段的总油耗不能超过总油量，表示为：

53、t×lowoil+t×ratio×highoil≤totaloil-firstoil-thirdoil

54、其中，t代表任务区域内低空作业时间，lowoil表示低空飞行时单位时间内的油耗，ratio是高空飞行时间占低空飞行时间的比例，totaloil表示直升机携带的总油量；

55、则任务区域最大工作时长为t+t·ratio。

56、上述方案中，步骤7中，若规划失败，则输出相应决策原因及返回值。

57、通过上述技术方案，本发明提供的一种基于气象预报信息的直升机航路规划方法具有如下有益效果：

58、(1)本发明通过航行空间构造、环境信息建模，同时将禁航区、高度障碍物及气象预报信息约束考虑进来，提高了航路规划的安全性。

59、(2)本发明考虑到直升机自身燃油参数信息，根据规划路径进行了任务区域最大作业时长计算，可供参考。

60、(3)本发明同时对收缩因子、惯性因子、学习因子、时间因子进行设置，使其自适应化，进而改进了传统的粒子群算法容易陷入局部最优的问题，并加快了收敛速率，更适用于工程实际。

61、(4)本发明通过适应度函数的设置方式，一方面避免了对最终规划路径可行性的网格遍历检查，另一方面，一旦对某条路径进行了惩罚，就可以通过赋值的方式停止对适应度函数的计算，即停止对该路径的网格遍历检查，节约大量的规划时间。

62、(5)本发明的气象预报信息网格化的处理方式同样适用于地形信息，因此，可稍作变化适用于更为广泛的应用场景。