无人机实时蚁群算法路径规划

具有快 速 的计 算能 力 ， 能在短 时 间内对更 改 的路 径进行 响应 ， 验证 了算 法的 有 效性 。
关 键词 ： 无人机 ； 实时路 径 规 划 ； 蚁 群 算法
中图分 类 号 ： Ｔ Ｐ ２ ４ ２ 文献 标识 码 ： Ａ
Ｏ引言
随着科 技发展 和社会 进步 ， 现代无 人机运用 的领
式 算 法 因 快 速 而 又 高 效 的计 算 能 力 更 加 得 到 广 大 研 究者青 睐。
式中， ａ ｌ ｌ ｏ ｗ ｅ ｄ ｋ ＝ Ｎ ｒ ； ｎｔ ａ ｂ ｔ ｔ ｋ 为蚁群算 法 中蚂 蚁的可 行 动点 ， ｔ ｂｕ ａ 为禁 止清单 ，记录蚂蚁 ｋ代所走 过的节
点及 蚂 蚁 不 能 走 的 节 点 ， 并 不 断做 动 态 调 整 。ｔ ａ ｂ ｕ 表 示尚未经过的节点 ， Ｍ 表 示 当前 航 迹 节 点 周 遭 相 邻 节
原理是蚂蚁从 出发点沿地形 寻找食物 ， 找到食物后原 路折 返 ， 并 在走 过 的路 径上 留下信 息 素 ， 与 此 同时信
息 素需 要 按 照 一定 的 比例 随 时 间变 化 衰减 。
２ ２ ｆ 。 ≤ ， Ｊ
ｌ
（ ３ ）
１ ． １ ． ３信 息 素 更新 策 略
由于传统蚁群算法 有早熟 问题 ， 本文通过 信息素 更新来促进蚁群 全局性 搜索 ， 主要 有局部 和全局信息
域 和 范 围 越 来 越 广 ．执 行 的 任 务 也 更 加 复 杂 和 多 样 化 。好 的航 迹 可 降 低 任 务 风 险或 成 本 ， 航 迹 优 化 的价
（ １ ， ２ ， …， ｋ ， …， ， 其 中， ７ ｉ ｊ （ ｆ ） 表示 迭 代次 数 ｔ 时 ｉ 点 到
点 间航 迹 所 包 含 的 信 息 素 量 。 在 蚁 群 移 动 过 程 中 ， 蚂 蚁 通 过 各 条 路 径 上 的信 息 素 总 量 来 确 定 下 一 节 点 转
用 于 各 种 不 同 的离 散 优 化 问 题 ， 这 些 研 究 已经 涵 盖 了
１ ． １ ． ２启发 因子设计
启发 因子 的作 用是指引蚂蚁往 目标 的方 向移动 。
起 到 方 向指 引 性 的作 用 。其 计 算 公 式 为 ：
ｒ ／ ｉ ｊ ＝１ （ ２ ）
路径 规划。本文针对基本蚁群算法在收敛后期易陷入 局部 最优 的缺点 ，以信 息素更新等 方面作为改 进点 ，
移方 向， Ｏ ） 表示第 ｔ 次的迭代时蚂蚁 ｋ 从点 ｉ 转移 到 点 的概率 ， 其计算 公式 为 ：
—
值也 随之变高 。 航迹规划作为无人机 自主飞行控制研 究 的重 要 内容 之一 ， 一直 都是人 们研 究 的热点 ， 随之 兴起 的算法也是层 出不穷 。由于航 迹规划 算法兴起 ，
６ １
ＷＷＷ． ａ ｕ ｔ ｏ — ａ ｐ ｐ ｌ ｙ ． ｃ ｏ ｍ 自动 化 应 用
系 统 解 决 方 案
蒸 发 。 当信 息 素 蒸 发 时 ， 后 续 蚂 蚁 选 择 前 面 蚂 蚁 所 走 道 路 的 概 率 会 变 小 。局 部 信息 素 更新 公 式 为 ： ＂ ／ ＇ ｉ ｊ （ ￡ ＋ １ ） ＝ （ １ 一 ７ － （ ｔ ） ＋ Ｏ （ １ ／ Ｎ ￣ Ｌ Ｊ （ ４ ） 式 中， ０为预 先 设 定 好 的局 部 蒸 发 系 数 （ ０ ＜ ＜ １ ） … Ｌ。 为随机选择各毗邻点之 间的一段距离 。 当本 轮 所 有 蚂 蚁 走 过 的 所 有 道 路 信 息 素 更 新 后 ， 全 局 信 息 素 更 新 会 使 当前 迭 代 巾最 优路 径上 的信 息 素 蒸 发量 减 少 。 此 在 下轮 迭 代 时 ， 残存 信息 素 会 让 蚂蚁 更 加精 确 地 找 到 更 好 的路 径 。 全 局 信 息 素更 新 公式 为 ： ｄ ， （ ｆ ＋ １ ） ＝ （ １ － ｐ ） ｒ （ ｔ ） ＋ ｐ Ａ ｒ （ ５ ） 式中 ， ｐ （ ０ ＜ １ ） 为全局信息素衰减参数 。 算 法 为 了
系 统 解 决 方 案
蘑 鲻旗麓誊
无人机实 时蚁 群算 法路径规划
尚梦 雨
（ 广 州市 第四十 七 中学 ， 广州 ５ １ ０ ０ ０ ０ ）
摘 要 ： 介 绍基 于蚁 群 算法 的无人 机 实 时路 径规 划 ． 保 证无人 机 在航 迹作 业 时有较 高的 实 时性 来对作 业 环境 及 时 做 出响应 。 针对 传统 蚁群 算 法的早 熟 问题 ， 本 文采 用信 息素 全局及 局 部信 息 素衰 减法 。 实验 结果 表 明 ， 改进 的蚁 群 算法
大 量 的航 迹 规划 研 Βιβλιοθήκη Baidu 性 成 果 涌 现 ， 按 照 规 划 决 策 方 法
＿ ［ 上
１ １
一
，
∈ ｆ ０
０ ） ＝
［ （ ｆ ）
（ ｆ ） ］
（ １ ）
０ ｏ ｔ ｈ ｅ ｒ ｓ
分类可将航迹规划算法分为最优式和启发式算法 。 其 中， 最 优式算 法包括 数学 规划和 穷举法 等 ［ １ ， ２ ３ ； 启 发 式 算法则有神经 网络 、 遗传算法和蚁群算 法等Ｉ ３ 。启 发
提 高 了 算 法 的计 算 速 度 和 全 局 优 化 能 力 。 进 而提高 了 无人机的航迹规划效果与实时重规划能力 。
式 中 ｄ 表 示 节 点 ｉ 到 节 点 的距 离 。 由式 （ ２ ） 可
知， 离 目标 节 点 越 近 ， 导 引 因子 越 大 ； 反 之 越 小 。此 外 ， 无 人 机 在 整 个 飞 行 过 程 中受 到 诸 多 因素 的 影 响 ， 例 如
点集 。 此外 ， 式（ １ ） 中的 代表 信息素浓度 ， 代表启发 因子 ， Ｏ ｌ 与 的取值 对算法的收敛起着重要作用 。
蚁 群算法 最早 由 Ｄ ｏ ｒ ｉ ｇ ｏ等 哺 作 为一 种 多条件 约 束优 化的方法 ， 很好地解决 了一些复 杂的组合优 化问 题 。目前 已经有很 多种 基于蚁群算法或其改进算法应
飞 机 燃 油 损 耗 程 度 会 大 大 限制 无 人 机 飞 行 航 程 ， 即 无
１改进 蚁群算法
１ ． １ 蚁群优化算法
蚁 群 优 化 算 法 在 航 迹 规 划 中有 较 多 运 用 。 其 基 本
人机存在最大航程参数 。 记 最 大 路 径 长 度 为 一 ， 每 一 航程段距离 厶 应满 足 ：
素更新方法［ １ ０ ］ 。
１ ． １ ． １状 态 转 移 策 略
初 始迭代 时 ， 设ｆ （ ０ ） ＝ （ ｈ为 常 数 ） 。蚂蚁设 为 ｍ
为 了保证蚁 群算 法局部最优 ， 当每只巡 线蚂蚁结
收 稿 日期 ： ２ ０ １ ６ ． １ １ ． ２ ３
束搜索后 。 在 所 走 过 的每 条 道 路 上 的 信 息 素 都 要 进 行