基于改进遗传算法的无人机路径规划方法

本发明属于路径规划，尤其涉及一种基于改进遗传算法的无人机路径规划方法。

背景技术：

1、无人机路径规划技术在各个领域中得到广泛应用，包括航空、农业、物流、公共安全等。常用于路径规化的算法有a*算法、dwa算法、人工势场法和遗传算法等，其中遗传算法对寻找最优解的问题具有高鲁棒性和智能性的优势，但由于遗传算法求解效率低下并且容易产生“早熟收敛”的问题，使得现有的遗传算法在无人机实现自主飞行中不能得到较好的应用，具体原因包括：

2、一、现有的遗传算法性能和结果受到参数选择和调整的影响，但是参数往往需要由有经验的人调试后才会达到良好的效果，并且根据不同问题的特点，遗传算法的参数各不相同；

3、二、现有的遗传算法对于系统中的反馈信息利用差，当无人机的飞行环境复杂时，现有的遗传算法不能对外界环境有感知，导致算法会做大量冗余迭代，使得求解效率十分低下；

4、三、现有的遗传算法对种群初始化有依赖性，迭代求解过程中的随机性过高，导致最终结果可能会陷入局部最优解，而想要寻找更好的路径通常需要多次迭代，这将大幅增加算法求解所消耗的时间。

技术实现思路

1、本发明旨在解决现有的基于遗传算法的无人机路径规划方法求解效率低、随机性过高的问题。

2、为解决上述技术问题，本发明提供了一种基于改进遗传算法的无人机路径规划方法，所述无人机路径规划方法包括以下步骤：

3、s1、以无人机飞行使用的三维地图中的坐标点随机组成的路径作为数据源组成遗传算法使用的个体；

4、s2、根据所述个体进行种群的初始化处理；

5、s3、根据所述种群设置所述遗传算法的参数；

6、s4、使用预设适应度函数计算所述种群中每一所述个体的适应度；

7、s5、根据所述种群中每一所述个体的适应度更新禁忌表；

8、s6、判断所述遗传算法是否满足预设终止条件，其中：

9、若是：s61、确定所述种群中的最优个体，并将所述最优个体对应的路径输出作为最优路径；

10、若否：s62、对所述种群进行多样性检测，并根据预设交叉变异算法进行种群交叉变异处理，以更新所述种群；

11、根据所述禁忌表筛选出所述种群中的相似个体；

12、对所述相似个体使用所述预设交叉变异算法进行种群交叉变异处理，以更新所述种群，返回步骤s3。

13、更进一步地，步骤s2具体为：

14、定义所述种群包含m个所述个体，从所有所述个体中随机选出10m个，利用所述预设适应度函数按照适应度对随机选出的个体进行排序，再按比例选取序列中的m个所述个体组成所述种群。

15、更进一步地，所述遗传算法的参数包括复制概率、交叉概率、变异概率、k次迭代时的信息熵、k次迭代时交叉概率和变异概率的影响因子之中的至少一种。

16、更进一步地，所述预设适应度函数为：

17、

18、其中，fi表示个体i的适应度，m表示种群中个体的总数量，n表示种群总迭代次数，nk表示当前的迭代次数，d(i,j)表示个体i中第j个坐标点和第j+1个坐标点之间的距离,θ(i,j)表示个体i中第j个坐标点与前后两个坐标点的角度值，dmax表示个体中各个坐标点之间的最大距离值，c(i,j)表示碰撞系数。

19、更进一步地，步骤s5具体为：

20、根据所述种群中每一所述个体的适应度的值的大小，对所述个体进行排序；

21、将序列中适应度的值最低的x个所述个体存储于所述禁忌表中。

22、更进一步地，所述预设交叉变异算法包括：

23、所述个体以复制概率进行复制、或以交叉概率进行交叉、或以变异概率进行变异，其中：

24、定义pfi是个体i的所述复制概率，其满足：

25、

26、其中，mk是多样性算子,fbest是当前所述种群中的最大适应度值，fi表示当前个体i的适应度值，e是自然常数；

27、定义pci是个体i的所述交叉概率，其满足：

28、

29、定义pmi是个体i的所述变异概率，其满足：

30、

31、更进一步地，所述多样性算子mk满足：

32、

33、其中,ek表示第k代所述种群的熵值，q表示预设多样性影响因子。

34、更进一步地，步骤s62中，根据所述禁忌表筛选出所述种群中的相似个体的步骤，具体为：

35、采用汉明距离的方式计算所述种群中的个体与所述禁忌表中的个体之间的最小替换次数，将所述最小替换次数小于阈值t的个体判断为所述相似个体。

36、更进一步地，步骤s1中，使用二进制编码对三维地图中的坐标点进行编码。

37、本发明所达到的有益效果，在于提出了一种基于改进了的遗传算法实现的无人机路径规划方法，该算法引用多样性算子控制遗传参数，以对种群多样性进行监测，并使用禁忌表对子代质量监测，预防了子代早熟问题，优化了子代质量，提高了算法求解效率；同时，本发明优化了的遗传算法还利用系统信息反馈对指标及参数调整，使算法在不同环境中都具有强适应性；使用新的交叉算子，提高算法对空间的探索能力；采用大规模抽样种群初始化方式，提高种群初始化鲁棒性，最终使得无人机路径规划过程的效率得到优化。

技术特征：

1.一种基于改进遗传算法的无人机路径规划方法，其特征在于，所述无人机路径规划方法包括以下步骤：

2.如权利要求1所述的基于改进遗传算法的无人机路径规划方法，其特征在于，步骤s2具体为：

3.如权利要求1所述的基于改进遗传算法的无人机路径规划方法，其特征在于，所述遗传算法的参数包括复制概率、交叉概率、变异概率、k次迭代时的信息熵、k次迭代时交叉概率和变异概率的影响因子之中的至少一种。

4.如权利要求1所述的基于改进遗传算法的无人机路径规划方法，其特征在于，所述预设适应度函数为：

5.如权利要求1所述的基于改进遗传算法的无人机路径规划方法，其特征在于，步骤s5具体为：

6.如权利要求1所述的基于改进遗传算法的无人机路径规划方法，其特征在于，所述预设交叉变异算法包括：

7.如权利要求6所述的基于改进遗传算法的无人机路径规划方法，其特征在于，所述多样性算子mk满足：

8.如权利要求1所述的基于改进遗传算法的无人机路径规划方法，其特征在于，步骤s62中，根据所述禁忌表筛选出所述种群中的相似个体的步骤，具体为：

9.如权利要求1所述的基于改进遗传算法的无人机路径规划方法，其特征在于，步骤s1中，使用二进制编码对三维地图中的坐标点进行编码。

技术总结
本发明属于路径规划技术领域，尤其涉及一种基于改进遗传算法的无人机路径规划方法。本发明提出改进了的遗传算法的引用多样性算子控制遗传参数，以对种群多样性进行监测，并使用禁忌表对子代质量监测，预防了子代早熟问题，优化了子代质量，提高了算法求解效率；同时，本发明优化了的遗传算法还利用系统信息反馈对指标及参数调整，使算法在不同环境中都具有强适应性；使用新的交叉算子，提高算法对空间的探索能力；采用大规模抽样种群初始化方式，提高种群初始化鲁棒性，最终使得无人机路径规划过程的效率得到优化。

技术研发人员：杨晨,肖博文,刘郡怡,罗锦宏,李津,徐雍
受保护的技术使用者：广东工业大学
技术研发日：
技术公布日：2024/3/24