改进的有效边表算法_【推荐阅读】基于改进蚁群算法的无人机三维航迹规划研究...

点击上方“蓝字”关注“战术导弹技术”！

摘要：针对蚁群算法进行无人机航迹规划时，易陷入局部极值，且收敛速度较慢的问题，提出了基于改进蚁群算法的无人机三维航迹规划。将三维航迹规划分成基于改进蚁群算法的二维平面规划和高度规划两部分，采用几何优化方法增强了蚂蚁搜索的引导性，并根据航迹点与威胁源之间的距离及高度约束，调节航迹点的高度，规划出无人机三维航迹。同时，利用自适应调节参数方法提高蚁群搜索能力与个体之间交互能力，有效摆脱原算法易陷入局部最优的情况。此外，建立了指标函数并对路径进行了平滑处理。仿真结果表明，所提出的改进算法在三维环境下不仅可以安全避开威胁，而且找到最优解的能力及收敛速度优于原算法。

关键词：改进蚁群算法;航迹规划;高度规划;无人机

无人机航迹规划作为无人机任务规划的关键技术之一，多年来一直受到国内外学者的重视。传统航迹规划有A*算法、稀疏A*算法、D*算法 、Dijkstra算法和动态规划方法。传统航迹规划算法适用于战场环境相对简单且规模较小的情况，当战场环境规模增大时，传统算法的求解时间呈现爆炸性的增长，所以传统航迹规划算法很难应用于当今战场环境多变的情况。在加快航迹规划的求解时间方面，智能优化算法有着较好的表现，其中常见的智能优化算法有遗传算法、模拟退火、粒子群算法、神经网络算法等。智能优化算法虽然能够在二维环境下快速生成航迹，但在三维环境下收敛速度不十分理想。近两年来，关于在三维环境下快速生成航迹的研究引起了一些学者的关注。如张帅等利用了无人机与威胁源之间的距离关系，对步长进行调节，并与可调高度相结合，实时规划出一条成功避开威胁且求解速度较快的航迹。但需要指出的是，虽然三维航迹规划算法取得了一些研究成果，但由于三维环境比二维复杂，可选取的可行解呈指数增长，算法求解速度往往较慢，很难满足空战的实际需求。因此，在三维环境下如何快速生成航迹目前仍然是无人机技术的重点研究课题。

蚁群算法是科学家根据蚂蚁觅食这一过程所提出的一种搜索优化算法，与其它搜索算法相比，该算法个体交流能力较强，具有全局搜索能力。无人机的航迹规划首先根据战场环境，建立蚂蚁可行表与初始信息素表，利用信息素、启发值和轮盘赌三种选择方式来决定无人机下一时刻的飞行位置，直到达到目标点。目前研究基于蚁群算法的航迹规划是研究热点。黄辰等通过利用改进A*算法计算出一个次优解，通过闭环控制调节阈值参数，并利用三次B样条对路径进行平滑处理，最终得出一条满足约束条件的机器人理想轨迹。Jianhua等利用信息素呈圆锥形分布的特点，对信息素变化过程进行改进，并结合几何优化算法，给出收敛速度较快的机器人路径规划方法。由于蚁群算法在二维环境的可行解要远小于三维环境下的可行解，因此基于蚁群算法的航迹规划主要是针对二维环境下的航迹规划算法。目前蚁群算法在三维环境下的路径规划，主要是通过简化可行解空间或根据地形位置来决定可行解。但此方法通常会出现求解速度较慢且不易收敛的现象。本文针对蚁群算法在三维环境下的航迹规划问题进行研究，将三维航迹规划问题分解成两部分：第一部分通过战场的俯视图，利用改进蚁群算法规划出二维环境下的航迹规划，利用几何方法对该蚂蚁所搜索的路径进行优化，对蚂蚁搜索路径起着较好的引导性作用，有效加快了整个过程的收敛速度。第二部分利用在二维环境下航迹点与威胁源之间的距离来调整高度。当航迹点与威胁源较近时，降低飞行高度避免被雷达发现，当航迹点与威胁源距离较远时，提升飞行高度，以防止飞行较低时无人机安全程度下降或被损坏。将蚁群算法的固定阈值参数变为自适应变化的阈值，以达到提高求解多样性的目的。当每只蚂蚁搜索结束时，若当前蚂蚁搜索的路径长度大于当前最优最小距离时，则通过调节阈值找出当前较好的适应度值，使下次搜索出的路径长度优与前一次的路径长度。若当前蚂蚁搜索的路径长度小于当前最小距离，则说明当前蚂蚁找到了更好的轨迹，所以通过调节阈值加大搜索力度，增加解的多样性，以避免陷入局部极值情况。此外。建立了关于转角、威胁、航程的指标函数，根据指标函数选取所需要的最优路径，同时根据航迹点所在的位置结合梯度下降法对航迹进行平滑处理。本文提出的算法有效地解决了由于环境复杂性造成的算法收敛速度慢的问题，同时也规避了原算法易陷入局部极值的问题。通过仿真验证表明，该算法能够安全绕开威胁，并且加快了整体航迹的收敛速度，最终得到较优的航迹。

1 无人机航迹规划约束条件

(1) 航程代价

由于无人机在执行任务时，自身所具备的电力是有限的，所以无人机有着最大的航程代价，设第i段航程为l_i，共有n段路径，最大航程为l_max，路程代价约束条件为：

(2) 高度代价

无人机在飞行的过程中，高度应受到一定的限制，飞行过低时容易对无人机本身造成损坏，不利于飞行。飞行高度过高时，易被雷达检测到，会有被敌方击毁的可能，因此飞行高度应保持在一定的范围内。设最低飞行高度H_min，最高飞行高度H_max，第i段航迹飞行高度H_i，则H_min≤H_i≤H_max。

(3) 雷达威胁代价

在航迹规划中，无人机经常会受到敌方雷达的检测，雷达威胁是最为常见的外界影响因素。为了描述敌方雷达的探测状态，建立雷达模型，无人机进入到雷达威胁区内时被发现的概率p表示为 :

2 基于改进蚁群算法的航迹规划

蚁群算法模拟了蚂蚁觅食的过程，蚂蚁会通过信息素浓度选择路径并分泌新的信息素。蚂蚁觅食过程的两个关键步骤分别为：概率选择、信息素更新。依据这两个关键步骤，选择出一条理想的航迹。

2.1 蚁群算法的搜索机制

每只蚂蚁的搜索航迹点方式主要分为3种方式，分别为信息素与启发值η_i,j之间乘积最大对应的航迹点、轮盘赌选出的航迹点、随机搜索的航迹点。首先给出一个随机数Q₀与阈值参数q₀进行比较，若Q₀>q₀，则航迹点的搜索公式s为 :

当Q₀0时，给出一个新的随机数Q₁，将Q₁与阈值参数q₀作比较，若Q₁>q₀时，则采用轮盘赌的方法选择下一节点，航迹点的搜索公式s为:

当Q₀0且Q₁0时，利用随机搜索的方法选择下一节点，其s表达式为:

当所有蚂蚁完成搜索时，需要对每只蚂蚁所经过的航迹点的信息素进行更新处理，更新表达式如下：

2.2 几何优化算法

由于蚁群算法搜索策略的随机性，从几何角度看，会造成每个蚂蚁所搜索的路径并非是最优解，对后面的蚂蚁的搜索起着错误的引导性。因此，本文利用几何优化方法对每只蚂蚁所搜索的路径进行优化。首先判断当前路径点与其相邻路径点组成的路径是否为几何最优解，若非最优解，利用相邻情况下的几何优化路径方法进行优化。若为最优解，利用非相邻情况下的几何优化路径对非相邻的路径点进行优化处理。图1为某只蚂蚁搜索路径中的一部分，下面给出相邻情况下的优化几何路径方法的详细步骤。

图1 相邻情况下的几何优化路径分析

步骤1：确定当前路径点的集合与排列顺序，该蚂蚁搜索路径点顺序为⑦→④→②→⑤→⑧→⑨。

步骤2：找出初始点的可行解集合，初始点为⑦，它的可行解为⑧④⑤。

步骤3:在当前蚂蚁路径点集合中，逐点判断是否处于初始点的可行解集合范围内，直到找到路径点集合中最后一个属于初始点可行解集合的路径点，该路径点作为初始点的下一路径点，然后重新更新路径。在图1中，初始路径为：⑦→④→②→⑤→⑧→⑨，初始点的可行解集合为⑧④⑤，由初始路径点中最后属于初始点可行解集合的路径点为⑧，所以优化后的路径为：⑦→⑧→⑨。通过对每只蚂蚁所经过的路径进行优化，再对优化后路径点的信息素进行更新，对蚂蚁搜索路径起着更好的启发性作用，实现加快收敛速度的目的。

根据步骤1~步骤3，只能实现对处于相邻状态下的路径点进行优化，当航迹点周围相邻的可行解为最优时，则根据图2的不相邻状态下的三种情形，给出对应的路径优化方法。

图2 非相邻情况下的几何优化路径分析

图2中，①号点的坐标为(x₁, y₁)，②号点的坐标为(x₂, y₂)，③号点的坐标为(x₃, y₃)。①号点与③号点为非相邻状态下的航迹点。

2.3 无人机飞行高度规划

在多变的战场环境中，无人机可以控制自身飞行高度来更好的隐蔽自己，保障自身的安全性。当无人机飞行较低时，被敌方雷达检测到的概率会大大降低，不易被敌方发现。但若无人机长时间保持低空飞行，由于收到自身动力及结构的影响，增加了受到撞击而被摧毁的可能性。因此，提出了根据环境地形调整飞行高度的方法。先通过蚁群算法规划出在二维环境下的航迹，依据二维环境航迹点与威胁源之间的距离决定航迹点的高度。若航迹点距威胁源距离较远时，应提高飞行高度，以保证无人机的安全性。当无人机距威胁源较近时，应降低无人机飞行高度，降低无人机被雷达监测到的可能性。但由于无人机飞行约束的限制，飞行高度应逐步进行调整，不能骤变调整。所以给出第i+1个航迹点高度变化表达式为：

由式(2)可知，无人机有最大和最小飞行高度的限制，因此，第i+1个航迹点高度H_i+1调整为:

由式(12)可知，当规划的高度大于无人机最高飞行高度，此航迹点的飞行高度等于最大飞行高度。当规划航迹点的高度小于无人机最低飞行高度时，此航迹点的飞行高度等于最低飞行高度。(无人机从初始点到下一航迹点为起飞状态，高度从初始高度变化到最低飞行高度)

2.4 阈值参数调节

在蚁群算法中，阈值参数通常为固定值，所以原算法很容易陷入局部极值的现象，也可能会使收敛速度较慢。通过将固定阈值调整为自适应变化的阈值，调整每次蚂蚁选取搜索机制的可能性，其阈值q₀^t+1调节公式如式(13)所示:

但若q₀过大，则会造成大部分蚂蚁迷失，若q₀过小，则容易使整个算法陷入局部极值，因此，需要给出q₀变化的最大值和最小值的范围。

当蚂蚁发生迷失的情况时，则q₀=q_min，这样下一只蚂蚁会加大开发力度，使搜索路径更接近当前最优解。若当前蚂蚁搜索路径长度等于当前最优路径，此时阈值q₀^t+1调整为:

此时，则需要增加开发力度，避免由于多个蚂蚁找到次优解，陷入局部极值循环的情况，起到较好的引导蚂蚁搜索路径的作用。

3 指标函数建立与路径优化 3.1 建立指标函数

本文采用自适应的参数，生成的可行路径解比较多，搜索到最优路径长度的解也有很多种，因此只通过路径长度这一指标进行选择的话，所选择的路径可能会出现转角过多或距威胁过近等情况。所以为了规划出更满足无人机飞行的航迹，本文建立了指标函数为:

由于L, d, θ值之间的差距可能较大，所以在这三个指标相加之前需要进行归一化处理。

3.2 路径优化处理

由于蚁群算法只能在栅格环境下对航迹进行规划，规划出的航迹长度与平滑程度存在一定缺陷，并不利于无人机的飞行，所以需要对路径进行优化处理。当航迹点距威胁源较远时(即r_p>R')，航迹点位置可以发生改变。本文应用梯度下降法，通过航程代价的平方对位置坐标的偏导来决定更新后的航迹点的位置。当航迹点距威胁源较近时(即r_p≤R')，航迹点位置不可以发生改变。

航程代价平方表示为:

第p个航迹点位置坐标更新公式为:

4 仿真分析

为了验证本文算法的可行性，进行了仿真试验。迭代次数k=30，蒸发系数ρ=0.5，信息素因子α=1，启发值因子β=7，增强系数Q=5，q_min=0.1，q_max=0.5，起始点S=(16.5, 29.5)，终点位置T=(29.5, 0.5)，种群数量m=10，威胁半径为2 km，雷达探测半径为3 km。分别采用原蚁群算法与改进的蚁群算法在二维环境下进行了仿真实验，规划结果如图3所示。

 图3 蚁群算法与本文算法的规划结果

其中虚线为原蚁群算法所选择的路径，实线为改进蚁群算法所找到的路径。由于蚁群在初次搜索中受到启发值的影响较大，所以会向着距目标点较近的点移动。但由于采用固定的阈值参数，蚁群搜索解的随机性一般，信息素的更新对下次的搜索影响较大，易陷入局部极值，因此会出现虚线所示的路径。由于本文采用的阈值参数会随着蚂蚁搜索路径的变化而变化，增强了蚂蚁之间的交互能力。但由于增加了蚁群搜索的随机性，找出最优解的速度较慢，因此利用几何优化的方法加快对最优解的搜索的速度，如图4所示分别为蚁群算法与改进蚁群算法搜索到最优路径与迭代次数的关系曲线。

 图4 蚁群算法与本文算法最优路径与迭代次数关系图

原蚁群算法经过11次迭代达到了最优解，最优解路径为35.21km。改进蚁群算法中经过2次迭代达到了最优解，最优解路径为34.38km。由仿真结果可以清楚的看出改进的蚁群算法找到最优解的收敛速度优于原算法，并且可以有效避免局部极值的情况。

图5中，更换初始位置为S=(0.5, 29.5)，终点位置为T=(29.5, 0.5)，增加了威胁源数量，种群数量m=30，同样采用这两种算法进行了仿真试验。虚线表示为一只蚂蚁所搜索的路径，实线表示通过几何优化后的路径。从仿真结果可以看出，由于搜索的随机性，在虚线中出现了路径交叉的情况，而所优化后实线的路径有明显的改进，通过几何优化方法，较好地避免了路径较差的情况。通过对优化后路径点上的信息素进行更新，可以更好地引导其他蚂蚁向着较优的路径点搜索。

图5 通过几何方法优化后的路径比较

本文进行了10次仿真试验，每次试验迭代次数为30次，求取试验结果的平均值。试验数据对比结果如表1所示，图6为10次仿真试验下规划出的各自最优路径与迭代次数之间的关系曲线，图7为10次仿真试验下收敛时的最优路径与迭代关系曲线。原蚁群算法在第经过13次迭代达到收敛状态，收敛时的总路径长度为45.11km，经过10次迭代达到了最小值，最小值为44.64km。基于改进蚁群算法在经过8次迭代达到收敛状态，收敛时的总路径长度为44.53km，经过4次迭代达到了最小值，最小值为44.53km。通过上述数据可以明显看出，本文提出的改进方法，通过改变阈值参数与几何优化相结合，大大加强了蚁群之间的交流能力，并较好的引导了后续的蚂蚁，增加解的多样性，因此找到最优解的能力明显优于原蚁群算法。从表1中数据得知，原蚁群算法中有8组数据达到了最优值，2组陷入了局部最优解，未收敛于最优值，其原因是受到启发因素的影响，收敛于次优解。而本文提出的算法通过对阈值参数调节，当搜索结果大于或等于最优解时，通过调节阈值参数增强搜索性，有效地防止了陷入局部极值与收敛于次优解的情况。

表1   蚁群算法与本文算法仿真试验下的对比

图6 两种算法各自最优路径与迭代次数之间的关系曲线图

图7 两种算法的收敛情况比较

图8中，分别采用蚁群算法与改进蚁群算法对搜索多样性进行了比较，其中实线为蚁群算法所有蚂蚁搜索出的路径长度，大部分蚂蚁所搜索的路径长度为当前最优解，虚线为改进蚁群算法中所有蚂蚁搜索出的路径长度，所搜索的结果不断发生变化，但有3只蚂蚁发生了迷失现象，说明改进蚁群算法搜索的多样性明显优于原算法，证明了本通过改变阈值参数的方法能够有效摆脱原算法易陷入局部极值的情况。

图8  两种算法的多样性比较

图9为基于改进蚁群算法的二维路径规划。根据航迹点与威胁源之间的关系，确定各航迹点对应的高度，并把目标点作为威胁源进行考虑，高度变化的图像如图10所示，三维航迹规划图像如图11所示。

图9  基于改进蚁群算法的二维航迹规划

图10 航迹点的高度变化关系

图11  基于改进蚁群算法的三维航迹规划

由于本文提出的高度变化是由上一点高度的位置决定，因此相邻航迹点之间高度变化的区间不会特别大，更利于无人机的飞行。同时应用梯度下降法，通过航程代价的平方对位置坐标的偏导来决定更新后的航迹点的位置，所以三维航迹规划的路径也比较平滑。

5 结束语

本文研究在三维环境下的无人机航迹规划问题，由于三维环境下的搜索式算法过于复杂，所以将三维航迹规划问题分为二维规划与高度规划问题。再根据二维环境信息，自适应调整航迹点高度，通过结合自适应可变参数与几何优化方法，给出三维航迹规划方法，有效地避免了常规蚁群算法易陷人局部最优的问题，同时也加快了找到最优解的速度。通过结合指标函数对蚁群算法的可行解进一步筛选进而选取最优解，并利用路径优化处理方法对最优解进行平滑处理。仿真表明，本文提出的算法不仅可以安全避开威胁，且收敛速度较快，路线相对平滑。但该算法中出现个别个体发生迷失的现象，如何解决这方面问题是未来要深入研究的重点。

[引用格式]：陈侠,艾宇迪,梁红利. 基于改进蚁群算法的无人机三维航迹规划研究[J]. 战术导弹技术, 2019，(2): 59-66+105.

本文选自《战术导弹技术》2019年第2期

作者：陈侠,艾宇迪,梁红利

转载请务必注明出处

版权所有，违者必究

《战术导弹技术》

《战术导弹技术》由中国航天科工集团有限公司主管，中国航天科工飞航技术研究院主办，北京海鹰科技情报研究所承办，是为导弹的研究、设计、制造、试验、使用等服务的学术期刊。刊物创刊于1980年，为双月刊，是“中文核心期刊”“中国科技核心期刊”，在国内外公开发行。刊物主要刊登导弹和导弹武器系统总体技术、任务规划技术、推进技术、制导、导航与控制技术等方面的学术论文。

通讯地址：北京7254信箱4分箱(100074)

电话：(010)68375662(编辑)

            (010)68375084(发行)

邮箱：zhanshu310@126.com

欢迎投稿