1 基于粒子群的无人机三维路径规划模型
无人机作为侦察和作战的重要手段,重要的是保证侦察目标的准确性,对任务/航迹规划系统是无人机实现自主飞行和自主攻击的关键技术.在给出无人机航迹规划问题描述的基础上,提出一种基于粒子群优化算法的无人机航迹规划方法,利用粒子群优化算法,将约束条件和搜索算法相结合,从而有效减小搜索空间,得到一条全局最优路径并进行仿真.仿真结果表明,规划方法能够快速有效地完成规划任务,获得满意的航迹,满足无人机作战要求,具有重要的现实意义.
2 部分代码
%% PSO 三维路径规划
clc,clear , close all
feature jit off
%% 模型基本参数
% 载入地形 矩阵
filename = 'TestData1.xlsx' ;
model.x_data = xlsread( filename , 'Xi') ;
model.y_data = xlsread(filename, 'Yi') ;
model.z_data = xlsread( filename , 'Zi') ;
model.x_grid = model.x_data(1,:) ;
model.y_grid =model.y_data(:, 1) ;
model.xs = 10 ; %起点 相关信息
model.ys = 90 ;
model.zs = interp2( model.x_data , model.y_data, model.z_data , ...
model.xs , model.ys ,'linear' ) ; % 高度为插值得到
model.xt = 150 ; % 终点 相关信息
model.yt = 40 ;
model.zt = interp2( model.x_data , model.y_data, model.z_data , ...
model.xt , model.yt , 'linear'); % 高度为插值得到
model.n= 5 ; % 粗略导航点设置
model.nn= 80 ; % 插值法获得的导航点总数
model.Safeh = 0.01 ; % 与障碍物的最低飞行高度
% 导航点 边界值
model.xmin= min( model.x_data( : ) ) ;
model.xmax= max ( model.x_data( : ) ) ;
model.ymin= min( model.y_data( : ) ) ;
model.ymax= max( model.y_data( : ) ) ;
model.zmin= min( model.z_data( : ) ) ;
model.zmax =model.zmin + (1+ 0.1)*( max( model.z_data(:) )-model.zmin ) ;
% 模型的其他参数
model.nVar = 3*model.n ; % 编码长度
model.pf = 10^7 ; % 惩罚系数
% 障碍物 位置坐标及半径
model.Barrier = [10,60 , 8 ;
100, 40, 15 ] ;
model.Num_Barrier = size(model.Barrier , 1 ); % 障碍物的数目
model.weight1 = 0.5; % 权重1 飞行线路长度权重
model.weight2 = 0.3; % 权重2 飞行高度相关权重
model.weight3 = 0.2; % 权重3 Jsmooth 指标权重
%% 算法参数设置
param.MaxIt = 400; % 迭代次数
param.nPop= 20; % 种群数目
param.w=1; % 权重
param.wdamp=0.99; % 退化率
param.c1=1.5; % Personal Learning Coefficient
param.c2=2 ; % Global Learning Coefficient
% 局部搜索部分参数
param.MaxSubIt= 0; % Maximum Number of Sub-iterations ( 内循环迭代次数 )
param.T = 25; %
param.alpha1=0.99; % Temp. Reduction Rate
param.ShowIteration = 50; % 每过 多少次迭代显示一次图
%% 运行算法
CostFunction=@(x) MyCost(x,model); % 设置目标函数
[ GlobalBest , BestCost ] = pso( param , model , CostFunction ) ;
3 仿真结果
4 参考文献
- O. Wilson, E., Sociobiology: The New Synthesis. 1976.
- J Matari’c, M. and A. Brooks, Interaction and Intelligent Behavior. 1999.
- Trelea, I.C., The particle swarm optimization algorithm: convergence analysis and parameter selection. Information Processing Letters, 2003. 85(6): p. 317-325.
- Kennedy, J. and R. Eberhart. Particle swarm optimization. in Proceedings of ICNN’95 - International Conference on Neural Networks. 1995.
- Zhan, Z., et al. Adaptive control of acceleration coefficients for particle swarm optimization based on clustering analysis. in 2007 IEEE Congress on Evolutionary Computation. 2007.
