基于遗传算法和蚁群算法相结合的无人机目标全覆盖方法研究

2023-12-21李宁

电子元器件与信息技术 2023年8期

李宁

广州南方卫星导航仪器有限公司，广东广州，510663

0 引言

随着无人机技术的不断发展，无人机在各个领域的应用越来越广泛。其中，无人机目标全覆盖是无人机应用的一个重要问题。无人机目标全覆盖问题在农业、环境监测、灾害管理、公共安全等领域都有着广泛的应用。本文针对无人机目标全覆盖问题，提出了一种基于遗传算法和蚁群算法相结合的无人机目标全覆盖方法。该方法可以有效地解决无人机目标全覆盖问题，并且相比于传统的方法具有更好的性能和效果。

1 无人机区域航迹规划总体设计方案

1.1 矩形测区的航迹规划

矩形测区的航迹规划是指在矩形区域内规划无人机航迹，以实现对该区域内的目标进行全覆盖的过程。该问题通常可以看作是一个优化问题，可以利用遗传算法、粒子群算法、模拟退火算法等进行求解[1]。矩形测区的航迹规划可以分为两个步骤：第一步是规划无人机的航迹，第二步是优化无人机的航迹，使得无人机的飞行路径更加平滑，从而提高飞行效率和舒适性。

1.2 传统方法的局限性

传统的无人机区域航迹规划方法存在着多种局限性，无法满足实际应用的需求。因此，需要采用新的无人机区域航迹规划方法，以提高规划效率和适应性，同时也需要考虑到多种因素的影响，以确保无人机能够安全、高效地完成任务[2]。

1.3 航线质量评价

无人机区域航迹规划航线质量评价是指对规划出的航线进行评估和优化[3]，以提高航线的质量和效率。航线质量评价通常包括以下几个方面。①航线长度：航线长度是指无人机需要飞行的总距离，航线长度越短，无人机的飞行时间和能耗就越少，航线质量就越高。②航线安全性：航线安全性是指无人机在飞行过程中避免与障碍物和限制区域发生碰撞的能力，航线安全性越高，无人机的飞行安全性就越高。③航线平滑度：航线平滑度是指无人机在飞行过程中的姿态变化和加速度变化，航线平滑度越高，无人机的飞行稳定性就越高。④航线覆盖率：航线覆盖率是指无人机在飞行过程中对目标区域的覆盖程度，航线覆盖率越高，无人机的巡航效率就越高。⑤航线时间：航线时间是指无人机需要完成巡航任务的时间，航线时间越短，无人机的巡航效率就越高。

1.4 总体设计方案

无人机区域航迹规划总体设计方案需要考虑多个因素，包括以下几个步骤。①确定任务需求：根据实际需求确定无人机的巡航任务，包括巡航区域、巡航时间、巡航目标等。②确定巡航区域：根据任务需求和实际情况，确定无人机的巡航区域，包括巡航区域的边界、大小和形状等[4]。③确定巡航高度和速度：根据无人机的飞行能力和任务需求，确定无人机的巡航高度和速度，以确保无人机能够安全、高效地完成任务。④确定航迹规划算法：根据任务需求和巡航区域的特点，选择合适的航迹规划算法，如遗传算法、粒子群算法等。⑤进行航迹规划：根据航迹规划算法，对巡航区域进行航迹规划，生成无人机的航迹点。⑥进行航迹优化：对生成的航迹点进行优化，以提高航线的质量和效率。⑦进行航迹仿真：对优化后的航迹进行仿真和测试，以确保无人机能够按照规划的航迹顺利完成任务。⑧实施巡航任务：根据航迹规划和仿真结果，实施无人机的巡航任务，同时对巡航过程进行监控和控制。

2 无人机全覆盖航迹规划方法

2.1 规划思想

规划思想是优化无人机的航迹，包括以下几个方面。①目标点分布分析：首先需要对目标点的分布情况进行分析，以确定无人机的起点和终点，并确定无人机需要覆盖的区域[5]。②航迹规划算法选择：根据目标点的分布情况，选择合适的航迹规划算法。常用的航迹规划算法包括遗传算法、蚁群算法、粒子群算法等。③航迹优化：通过航迹规划算法得到初步的航迹后，需要对航迹进行优化，以提高无人机的覆盖效率和精度。常用的航迹优化方法包括局部搜索、全局搜索等。④航迹实现：根据优化后的航迹，实现无人机的飞行控制，使其能够按照规划的航迹覆盖到所有目标点。

2.2 规划构成

2.2.1 描述规划空间

规划空间指的是无人机进行全覆盖航迹规划的空间范围，通常是一个平面区域或者一个三维空间。在无人机目标全覆盖问题中，规划空间的大小和形状直接影响航迹规划的复杂度和难度。因此，在进行航迹规划前需要确定规划空间的大小和形状，并根据实际情况选择合适的规划算法和优化策略，以实现高效、精确的航迹规划。同时，在规划空间中可能存在一些障碍物或禁飞区域，需要在航迹规划中进行考虑和处理[6]。

2.2.2 航迹表示

无人机全覆盖航迹规划方法的航迹表示可以采用一系列坐标点表示，这些坐标点构成了无人机的航迹。在规划过程中，需要考虑无人机在飞行过程中的速度、飞行高度、方向等因素，以及无人机的转弯半径和航迹间隔等限制条件。基于这些条件和限制，可以通过优化算法生成一系列的航迹坐标点，从而实现无人机的全覆盖。

2.2.3 分析约束条件

无人机全覆盖航迹规划构成分析约束条件是指在航迹规划和优化过程中需要考虑的约束条件，首先，无人机在飞行过程中需要避免与障碍物和限制区域发生碰撞，因此需要考虑飞行安全约束条件，如避障、避让等；其次，无人机的飞行能力是航迹规划和优化的重要考虑因素，需要考虑无人机的最大飞行速度、最大飞行高度、最大飞行距离等因素；再次，航迹平滑度是指无人机在飞行过程中的姿态变化和加速度变化，需要考虑航迹平滑度约束条件，以提高无人机的飞行稳定性；航迹覆盖率是指无人机在飞行过程中对目标区域的覆盖程度，也是需要考虑航迹覆盖率约束条件[7]，以确保无人机能够覆盖所有目标点；最后，航迹长度约束条件：航迹长度是指无人机需要飞行的总距离，需要考虑航迹长度约束条件，以确保无人机能够在规定时间内完成任务。

2.2.4 确定代价函数

确定代价函数是无人机全覆盖航迹规划方法中的一个关键步骤。代价函数是衡量航迹规划质量的指标，可以根据实际需求设计。常见的代价函数包括覆盖率、航迹长度、能耗、飞行时间等。选择合适的代价函数有助于提高航迹规划的精度和效率，同时还能够根据实际需求进行定制化设计。

例如，在目标全覆盖问题中，可以将代价函数定义为覆盖率与航迹长度之和的加权和，其中覆盖率表示无人机对目标区域的覆盖程度，航迹长度表示无人机在规划空间中飞行的总距离。通过优化代价函数，可以得到满足覆盖率要求的最短航迹，从而实现无人机的全覆盖任务。在确定代价函数时需要考虑实际需求和可行性，同时还需要注意代价函数的计算复杂度，以确保航迹规划过程的高效性。

2.2.5 航迹平滑

航迹平滑是指对于经过优化的无人机航迹，进一步优化航迹形状和飞行轨迹，使其更加平滑和符合实际飞行要求的过程。航迹平滑可以减小无人机的飞行姿态变化，降低飞行的震动和噪声，从而提高航迹规划的效果和舒适性。航迹平滑的实现可以采用多种方法，其中比较常用的方法包括三次样条曲线拟合、二次规划、局部最小化等。

2.3 航迹规划算法

航迹规划算法是指在无人机飞行任务中，根据任务需求和环境条件，通过计算和优化，生成无人机的航迹点和航迹线的算法。常用的航迹规划算法包括以下几种。①A算法：A算法是一种启发式搜索算法，可以在有限时间内找到最优解，适用于航迹规划和优化问题[8]。②Dijkstra算法：Dijkstra算法是一种贪心算法，可以在有限时间内找到最短路径，适用于航迹规划和优化问题。③RRT算法：RRT算法是一种基于随机采样的搜索算法，可以在复杂环境中生成无人机的航迹点和航迹线，适用于航迹规划和优化问题。④Dubins曲线算法：Dubins曲线算法是一种基于最小曲率路径的航迹规划算法，可以生成无人机的航迹点和航迹线，适用于航迹规划和优化问题。

3 单联通区域全覆盖航迹规划

3.1 牛耕法的调整

单联通区域全覆盖航迹规划的牛耕法调整需要考虑以下几个方面。第一，区域划分：将单联通区域划分成若干个小块，以便更好地规划航迹。划分的大小和形状应该根据无人机的飞行能力和任务需求来确定。第二，航迹规划顺序：根据区域划分的结果，确定航迹规划的顺序。一般来说，应该按照块的大小和形状，从小到大依次规划航迹，以确保无人机能够高效地覆盖整个区域[9]。第三，航迹点的密度：根据块的大小和形状，确定航迹点的密度。一般来说，块越小，航迹点的密度就应该越高，以确保无人机能够覆盖整个块。第四，航迹点的位置：根据块的形状和无人机的飞行能力，确定航迹点的位置。一般来说，应该选择块的中心位置或者边缘位置作为航迹点，以确保无人机能够高效地覆盖整个块。第五，航迹线的优化：根据航迹点的位置和无人机的飞行能力，对航迹线进行优化。一般来说，应该选择最短路径或者最优路径作为航迹线，以确保无人机能够高效地覆盖整个块。

3.2 基于非线性自适应权重粒子群算法的凸多边形轨迹规划

基于非线性自适应权重粒子群算法的凸多边形轨迹规划是一种常用的无人机轨迹规划方法。它可以将航迹规划问题转化为优化问题，并利用非线性自适应权重粒子群算法进行求解。这种方法具有求解效率高、精度高等优点，已被广泛应用于无人机目标跟踪、地形跟踪等领域。凸多边形轨迹规划是指在凸多边形内部规划无人机航迹，使得无人机可以覆盖凸多边形内的所有区域，并且飞行路径最短。在这个问题中，首先需要将凸多边形划分为多个三角形，然后再利用非线性自适应权重粒子群算法对无人机的航迹进行规划。

3.3 凹多边形全覆盖航迹规划方法

单联通区域全覆盖航迹规划的凹多边形全覆盖航迹规划方法是一种针对凹多边形区域的航迹规划方法，将凹多边形区域划分成若干个凸多边形，通过优化航迹点和航迹线，以实现全覆盖航迹规划。

4 基于改进蚁群算法的区域航迹规划

4.1 基本蚁群算法

区域航迹规划的基本蚁群算法是一种基于蚂蚁寻找食物的行为来寻找最优解的算法，其基本思路是将区域划分成若干个小块，然后通过模拟蚂蚁寻找食物的行为来寻找最优的航迹点和航迹线。

4.2 改进的蚁群算法

区域航迹规划改进的蚁群算法是在基本蚁群算法的基础上，通过引入一些改进措施来提高算法的效率和精度。以下是常见的改进措施。第一，多目标优化：将航迹规划问题转化为多目标优化问题，同时考虑航迹长度、时间、能耗等多个因素，以达到更好的航迹规划效果。第二，动态调整参数：根据蚂蚁的行走结果，动态调整参数，如信息素挥发速率、信息素释放量等，以提高算法的效率和精度。第三，路径优化：在蚂蚁行走过程中，对路径进行优化，如路径平滑、路径长度优化等，以提高航迹规划的效果。第四，并行计算：采用并行计算的方式，同时处理多个蚂蚁的行走过程，以提高算法的效率。第五，蚁群混合算法：将蚁群算法与其他优化算法相结合，如遗传算法、粒子群算法等，以提高算法的效率和精度。

4.3 基于改进蚁群算法的区域间航迹规划

基于改进蚁群算法的区域间航迹规划是针对多个区域之间的航迹规划问题的解决方案。其基本思路是将多个区域划分成若干个小块，通过改进蚁群算法来寻找最优的航迹点和航迹线，以实现区域间的航迹规划。基于改进蚁群算法的区域间航迹规划是一种高效、精确的航迹规划方法，可以根据具体情况进行调整，以适应不同区域和无人机飞行需求[10]。