亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于混沌麻雀搜索算法的無人機(jī)航跡規(guī)劃方法

        2021-07-30 10:34:12湯安迪徐登武
        計(jì)算機(jī)應(yīng)用 2021年7期
        關(guān)鍵詞:測試函數(shù)搜索算法航跡

        湯安迪,韓 統(tǒng),徐登武,謝 磊

        (1.空軍工程大學(xué)研究生院,西安 710038;2.空軍工程大學(xué)航空工程學(xué)院,西安 710038;3.94855部隊(duì),浙江衢州 324000)

        0 引言

        隨著無人機(jī)(Unmanned Aerial Vehicle,UAV)技術(shù)的不斷發(fā)展,國內(nèi)外學(xué)者對(duì)于無人機(jī)作戰(zhàn)應(yīng)用的研究日益增多。無人機(jī)航跡規(guī)劃是任務(wù)規(guī)劃系統(tǒng)的關(guān)鍵部分,是一個(gè)典型的非確定性多項(xiàng)式(Nondeterministic Polynomial,NP)問題[1]。隨著規(guī)劃問題復(fù)雜度的不斷增加,其難度和計(jì)算量迅速增長,很難找到一種有效應(yīng)對(duì)所有復(fù)雜環(huán)境的航跡規(guī)劃方法。為解決不同條件下的航跡規(guī)劃問題,學(xué)者們不斷對(duì)航跡規(guī)劃算法進(jìn)行研究和改進(jìn)。文獻(xiàn)[2-8]研究了快速擴(kuò)展隨機(jī)樹(Rapidexploration Random Tree,RRT)算法、A star 算法、粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法、遺傳算法(Genetic Algorithm,GA)在UAV 航跡規(guī)劃中的運(yùn)用。Yang 等[2]將環(huán)境勢場引入RRT 算法,但得到的規(guī)劃航跡與實(shí)際最短航跡有一定差距;劉華偉等[3]將人的智能決策引入RRT算法,但是該算法依賴人的主觀判斷,容易陷入局部最優(yōu);趙鋒等[4]將啟發(fā)式權(quán)重系數(shù)引入A star 算法,但權(quán)重系數(shù)的線性調(diào)整策略不能很好地適應(yīng)復(fù)雜的優(yōu)化問題;Zhang 等[5]在PSO 算法中設(shè)置異步變化學(xué)習(xí)因子,但搜索能力依賴于步長的分段設(shè)置;程澤新等[6]在GA 中引入差分進(jìn)化策略,但改進(jìn)后的算法計(jì)算量增大,航跡規(guī)劃實(shí)時(shí)性較差。

        自1975 年美國教授Holland 根據(jù)達(dá)爾文進(jìn)化論以及自然界優(yōu)勝劣汰機(jī)制提出了GA 以后,越來越多的學(xué)者通過對(duì)不同生物種群和物理現(xiàn)象進(jìn)行分析,從中獲取靈感,提出了多種群智能優(yōu)化算法,包括:灰狼優(yōu)化算法(Grey Wolf Optimizier,GWO)[7]、螢火蟲算法(Firefly Algorithm,F(xiàn)A)[8-9]、天牛須搜索(Beetle Antennae Search,BAS)算法[10]、鯨魚優(yōu)化算法(Whale Optimization Algorithm,WOA)[11]、天牛群優(yōu)化算法(Beetle Swarm Optimization,BSO)[12]。

        麻雀搜索算法(Sparrow Search Algorithm,SSA)[13]通過麻雀個(gè)體搜尋食物和反捕食進(jìn)行迭代尋優(yōu),具有調(diào)整參數(shù)少、收斂速度快、計(jì)算簡單等優(yōu)點(diǎn);但和其他群智能算法一樣,在求解復(fù)雜工程優(yōu)化問題時(shí),容易“早熟”,導(dǎo)致收斂精度不高,且易于陷入局部最優(yōu)解。SSA 的更新方式可大致分為兩種:1)向當(dāng)前最優(yōu)位置靠近;2)向原點(diǎn)靠近。通過仿真實(shí)驗(yàn)可知,在進(jìn)行航跡模型最優(yōu)航跡求解時(shí),每次收斂是直接跳躍到當(dāng)前最優(yōu)解附近,容易丟失全局最優(yōu)航跡解,僅可能得到滿足約束的可行解,并且有概率得不到可行解。為了改善全局搜索能力,防止陷入局部最優(yōu)解,借鑒Xu 等[14]引入混沌算子的思路,本文將立方映射混沌算子[15]引入SSA算法,提出了一種混沌麻雀搜索算法(Chaos Sparrow Search Algorithm,CSSA)。CSSA 在對(duì)麻雀位置初始化過程中使用混沌序列,同時(shí)使用反向?qū)W習(xí)策略(Opposition-Based Learning,OBL)[16],有效保證了初始種群的均勻性;使用精英反向?qū)W習(xí)策略擴(kuò)大在精英反向解所在區(qū)域內(nèi)的搜索,增強(qiáng)全局搜索能力,并引入正弦余弦算法(Sine Cosine Algorithm,SCA)[17],對(duì)追隨者位置更新進(jìn)行優(yōu)化,增強(qiáng)種群多樣性,有利于算法跳出局部最優(yōu)和快速收斂;對(duì)警戒者數(shù)量進(jìn)行線性遞減,平衡算法全局和局部搜索能力;當(dāng)算法陷入停滯時(shí),采用高斯游走策略幫助算法跳出局部最優(yōu)。最后通過15 個(gè)基準(zhǔn)測試函數(shù)驗(yàn)證了CSSA 的優(yōu)越性。同時(shí)在威脅環(huán)境下進(jìn)行航跡規(guī)劃仿真,并與PSO、SSA、WOA、BSO、GWO等對(duì)比,仿真結(jié)果驗(yàn)證了所改進(jìn)算法的有效性。

        1 麻雀搜索算法

        SSA 主要模擬了麻雀覓食的過程。麻雀覓食過程是發(fā)現(xiàn)者-跟隨者模型的一種,同時(shí)還疊加了偵查預(yù)警機(jī)制。麻雀中容易找到食物的個(gè)體作為發(fā)現(xiàn)者,其他個(gè)體作為跟隨者,同時(shí)種群中選取一定比例的個(gè)體進(jìn)行偵查預(yù)警,如果發(fā)現(xiàn)危險(xiǎn)則放棄食物,安全第一。由文獻(xiàn)[13]可知,SSA 是一種優(yōu)于GWO、PSO、引力搜索算法(Gravity Search Algorithm,GSA)等算法的一種新的群智能優(yōu)化算法。

        SSA 算法中有發(fā)現(xiàn)者、追隨者以及警戒者,分別按照各自規(guī)則進(jìn)行位置更新,更新規(guī)則如下:

        其中:t為當(dāng)前代數(shù)表示在t+1 代第i只麻雀的適應(yīng)值;itermax是最大迭代數(shù);ξ∈(0,1)是一個(gè)隨機(jī)數(shù);R2表示警戒值;ST表示安全閾值;q是一個(gè)服從正態(tài)分布的隨機(jī)數(shù);L是一個(gè)一行多維的全一矩陣。

        其中:Xp表示被發(fā)現(xiàn)者占據(jù)的最佳位置;Xworst表示當(dāng)前最差位置;A是一個(gè)各元素為1或-1的一行多維矩陣。

        算法實(shí)現(xiàn)具體如下:

        2 改進(jìn)的麻雀搜索算法

        2.1 立方混沌映射

        SSA 和其他智能算法一樣,在求解復(fù)雜優(yōu)化問題時(shí),在迭代后期種群多樣性降低,易于陷入局部最優(yōu),導(dǎo)致收斂精度不高。為了提高算法全局搜索能力,避免迭代后期種群多樣性降低,考慮到混沌算子具有隨機(jī)性與規(guī)律性的特點(diǎn),且能在一定范圍內(nèi)不重復(fù)遍歷所有狀態(tài),采用混沌算子初始化種群,從圖1 可以得知立方映射比Logistic 映射的均勻性要好,因此采用立方映射混沌算子。立方映射公式如下所示:

        圖1 映射對(duì)比圖Fig.1 Mapping comparison diagram

        初始化麻雀種群由M個(gè)d維個(gè)體組成,采用立方映射初始化麻雀種群的具體方法為:隨機(jī)產(chǎn)生一個(gè)每維均為-1 到1的d維向量y1作為第一個(gè)個(gè)體,之后用式(4)對(duì)第一個(gè)個(gè)體的每一維進(jìn)行迭代得到剩余(M-1)個(gè)個(gè)體,最后使用式(5)將立方映射產(chǎn)生的變量值映射到麻雀個(gè)體上。

        其中:Xlb、Xub為每個(gè)個(gè)體在各個(gè)維度上的上下邊界;Xi為實(shí)際個(gè)體變量值。

        2.2 精英反向?qū)W習(xí)策略

        OBL 是近年來計(jì)算智能領(lǐng)域出現(xiàn)的一種新策略,研究表明反向解更接近全局最優(yōu)解的概率比當(dāng)前解高出50%,使用該策略能夠有效增強(qiáng)種群多樣性,防止算法陷入局部最優(yōu)。

        精英反向?qū)W習(xí)策略(Elite Opposition-Based Learning,EOBL)則是針對(duì)OBL不一定比當(dāng)前搜索空間更易搜索到全局最優(yōu)解這一問題提出的,該策略利用優(yōu)勢個(gè)體來構(gòu)造反向種群,以此增強(qiáng)種群多樣性。

        利用動(dòng)態(tài)邊界來代替搜索空間的固定邊界,能夠積累搜索經(jīng)驗(yàn),使生成的反向解位于逐步縮小的搜索空間,加速算法收斂。當(dāng)生成的反向解位于邊界之外時(shí),使用隨機(jī)生成的方法進(jìn)行重置。如式(9)所示:

        2.3 正弦余弦算法

        正弦余弦算法(SCA)是利用正弦函數(shù)與余弦函數(shù)的震蕩特性進(jìn)行尋優(yōu),其優(yōu)點(diǎn)是收斂性好,易于實(shí)現(xiàn)。

        SCA 首先隨機(jī)生成N個(gè)搜索個(gè)體,依據(jù)適應(yīng)度函數(shù)計(jì)算每個(gè)個(gè)體的適應(yīng)度,將適應(yīng)度最好的個(gè)體記為最優(yōu)個(gè)體X*,尋優(yōu)過程中個(gè)體位置更新公式為:

        2.4 改進(jìn)的麻雀搜索算法

        針對(duì)SSA 存在的不足,首先使用立方映射混沌算子進(jìn)行種群初始化,并利用反向選擇策略生成初始反向解加入初始種群,從其中選擇最優(yōu)的N個(gè)個(gè)體作為最終的初始種群。利用精英反向?qū)W習(xí)策略對(duì)麻雀種群中的發(fā)現(xiàn)者進(jìn)行選擇,以此提高發(fā)現(xiàn)者種群的質(zhì)量,發(fā)現(xiàn)者作為種群中的優(yōu)勢群體,利用精英反向?qū)W習(xí)策略,能夠增強(qiáng)其多樣性,為較好的全局搜索奠定基礎(chǔ),同時(shí)可以利用反向解引導(dǎo)算法跳出局部最優(yōu),并且通過動(dòng)態(tài)邊界不斷縮小搜索空間,有利于提高算法收斂速度。

        另外,在保留SSA追隨者覓食和爭奪機(jī)制的基礎(chǔ)上,利用SCA 對(duì)其進(jìn)行改進(jìn)。在覓食和爭奪機(jī)制中,追隨者向最優(yōu)位置的移動(dòng)是跳躍式的,這種方式雖然有助于算法后期收斂速度的提升,但是也容易導(dǎo)致種群在短時(shí)間內(nèi)迅速聚集,降低了種群多樣性,易于陷入局部最優(yōu)。利用SCA 進(jìn)行追隨者位置更迭,可以減少搜索盲點(diǎn)。

        警戒者的存在能夠增強(qiáng)算法的全局搜索能力,但是其數(shù)量在迭代過程中保持不變,會(huì)導(dǎo)致算法后期收斂速度減慢,因此采用線性遞減的方式對(duì)警戒者數(shù)量進(jìn)行控制:在算法初期,數(shù)量多,有利于全局搜索;在算法后期,減少警戒者數(shù)量,有利于算法的收斂。警戒者數(shù)量線性遞減公式如下:

        其中:Num為當(dāng)前警戒者數(shù)量,Numini為初始警戒者數(shù)量;t為當(dāng)前迭代次數(shù),tmax為最大迭代次數(shù)。

        當(dāng)算法陷入停滯時(shí),采用高斯隨機(jī)游走策略生成新個(gè)體,以此幫助算法跳出局部最優(yōu)。位置生成公式如下:

        CSSA流程如圖2所示。

        圖2 CSSA流程Fig.2 Flowchart of CSSA

        3 航跡規(guī)劃問題

        3.1 航跡規(guī)劃原理

        航跡規(guī)劃的最主要目的就是在已知飛行區(qū)域內(nèi)產(chǎn)生一條能夠在規(guī)定時(shí)間內(nèi)從起飛點(diǎn)(U)到達(dá)目標(biāo)點(diǎn)(T)、且有效避開敵方威脅區(qū)域的最優(yōu)航跡。通過采用離散航跡點(diǎn)并將航跡點(diǎn)進(jìn)行連線得到一條滿足約束的最優(yōu)航跡,如圖3,由于是點(diǎn)與點(diǎn)之間的連線段,需要進(jìn)行航跡平滑處理,后續(xù)仿真實(shí)驗(yàn)采用B樣條曲線[18]進(jìn)行處理。

        圖3 航跡規(guī)劃原理Fig.3 Principle of path planning

        3.2 坐標(biāo)系轉(zhuǎn)換

        傳統(tǒng)二維航跡規(guī)劃考慮兩個(gè)方向上的變量,為簡化研究問題維數(shù),對(duì)二維航跡規(guī)劃問題進(jìn)行降維處理,以UAV起點(diǎn)U為坐標(biāo)原點(diǎn),將起點(diǎn)U和目標(biāo)點(diǎn)T連線作為橫軸,垂直于線段UT作縱軸,建立新的坐標(biāo)系,如圖4 所示。在圖4 中,將線段UT等分為N+1份,則轉(zhuǎn)換后的航跡點(diǎn)橫坐標(biāo)已知,只需求解出航跡點(diǎn)縱坐標(biāo),將得到的橫縱坐標(biāo)轉(zhuǎn)換到XOY坐標(biāo)系中,即可得到所規(guī)劃航跡點(diǎn),最后通過平滑曲線處理即可得到可行航跡。

        圖4 坐標(biāo)系轉(zhuǎn)換Fig.4 Transformation of coordinate system

        3.3 B樣條曲線

        B樣條曲線是貝塞爾曲線的一般化形式,公式如下:

        其中:m是節(jié)點(diǎn)zi的個(gè)數(shù),zi的取值范圍是{z0,z1,…,zm-1} 并且x0≤x1≤…≤xm-1;Pi是控制節(jié)點(diǎn),共有m-n-1 個(gè)控制節(jié)點(diǎn);Li,n表示n階的B樣條基數(shù),公式如式(15)、(16)。

        B 樣條曲線的計(jì)算成本較低,能夠控制樣條形狀,易于保證路徑連續(xù)性。而Dubins 曲線不具有曲率連續(xù)性,貝塞爾曲線穩(wěn)定性不夠,因此仿真實(shí)驗(yàn)選用B 樣條曲線處理航跡平滑任務(wù)。航跡平滑效果如圖5所示。

        圖5 B樣條曲線航跡平滑效果Fig.5 Effect of B spline curve path smoothing

        3.4 約束函數(shù)和適應(yīng)度函數(shù)

        基于智能優(yōu)化算法隨機(jī)生成的種群個(gè)體不一定符合搜索空間的要求,需要建立合適的適應(yīng)度函數(shù)并考慮各種約束,用來淘汰種群中不符合約束的個(gè)體,從而獲得較優(yōu)個(gè)體。靜態(tài)全局航跡規(guī)劃主要考慮UAV 的油量代價(jià)、飛行高度代價(jià)以及威脅代價(jià);同時(shí)需要考慮到UAV 自身性能,如最大轉(zhuǎn)彎角、最大俯仰角。本文建立二維航跡規(guī)劃的目標(biāo)函數(shù),故不用考慮最大俯仰角約束。

        3.4.1 油量代價(jià)

        UAV 在執(zhí)行任務(wù)過程中考慮油量代價(jià),是為了避免UAV在完成任務(wù)后沒有足夠燃油返航的問題。假定UAV 在任務(wù)中執(zhí)行恒定速率,則油量與航跡長度成正比,表示為如下代價(jià)函數(shù):

        其中:ε為油量約束和航跡長度的比值為相鄰航跡點(diǎn)連線段之和,航跡長度采用歐幾里得距離,Li為第i段二維航跡距離;(xi,yi)為第i個(gè)航跡點(diǎn)的坐標(biāo)。

        3.4.2 威脅代價(jià)和禁飛區(qū)約束

        UAV 在執(zhí)行任務(wù)時(shí)會(huì)遇到敵方的防空系統(tǒng),其中包括探測雷達(dá)、防空高炮、地空導(dǎo)彈等威脅,將上述威脅在二維平面上近似看作一個(gè)個(gè)圓形區(qū)域,探測范圍或打擊范圍作為其半徑,規(guī)定UAV不能通過圓形區(qū)域。

        采用如下方法判斷是否穿過威脅區(qū):

        1)分別計(jì)算兩相鄰航跡點(diǎn)與威脅源圓心距離D1和D2。

        2)情況一:D1、D2有一個(gè)或兩者都小于威脅源半徑r,則穿過該威脅區(qū),如圖6(a)。

        3)D1、D2均大于威脅源半徑r,則計(jì)算威脅源心和兩航跡點(diǎn)連線距離D3。

        4)情況二:若D3≥r,則不穿過該威脅區(qū),如圖6(b);若D3<r,則計(jì)算威脅源圓心到相鄰航跡點(diǎn)連線段中點(diǎn)距離D4。

        5)情況三:D4≥r,則穿過威脅區(qū),如圖6(c)。

        圖6 威脅區(qū)穿越判斷Fig.6 Judgment of crossing threatened zone

        3.4.3 最大轉(zhuǎn)彎角約束

        由于UAV 性能限制,實(shí)際飛行的最大轉(zhuǎn)彎角不能無限制[19],同時(shí)在轉(zhuǎn)彎過程中,無人機(jī)會(huì)稍微偏離規(guī)劃的航跡,此時(shí)航跡曲率就要被考慮,所以要求生成的相鄰航跡段間的夾角不能超過最大轉(zhuǎn)彎角,在仿真實(shí)驗(yàn)中規(guī)定最大轉(zhuǎn)彎角為60°。

        3.4.4 最大航程約束

        假設(shè)UAV 執(zhí)行任務(wù)后需要原路安全返回基地,那么UAV攜帶燃油要能夠進(jìn)行往返飛行,設(shè)定最大航程為550 km。

        綜上,航跡規(guī)劃目標(biāo)函數(shù)模型如下:

        其中:σ為威脅懲罰系數(shù),即生成航跡不滿足約束時(shí),代價(jià)會(huì)劇增,在仿真實(shí)驗(yàn)中設(shè)σ為10E+5。

        4 仿真與驗(yàn)證

        4.1 算法測試

        為了驗(yàn)證改進(jìn)算法的先進(jìn)性,分別采用PSO、BSO、WOA、GWO、SSA 和CSSA 對(duì)測試函數(shù)進(jìn)行求解,測試函數(shù)如表1 所示。上述實(shí)驗(yàn)均在Intel Core i5 CPU,2.50 GHz,16 GB 內(nèi)存,Windows 10(64 位)的測試環(huán)境中進(jìn)行,并采用Matlab R2016a軟件編寫。在測試中,將各算法的種群規(guī)模設(shè)為100,迭代總數(shù)設(shè)為500,各個(gè)測試函數(shù)的維度如表1所示。

        表1 測試函數(shù)Tab.1 Test functions

        分別對(duì)各個(gè)測試函數(shù)進(jìn)行30次仿真實(shí)驗(yàn),統(tǒng)計(jì)30次實(shí).得到的平均值、標(biāo)準(zhǔn)差,如表2所示。

        表2 算法測試結(jié)果比較Tab.2 Comparison of algorithm test results

        其中F1~F7為單峰測試函數(shù),主要用于測試算法的開發(fā)能力,分析這七個(gè)單峰函數(shù)求解情況可知,對(duì)于F1、F3、F4、F6四個(gè)測試函數(shù),CSSA 尋優(yōu)效果最佳,均能穩(wěn)定得到全局最優(yōu)解;對(duì)于F2、F5兩個(gè)測試函數(shù),CSSA 雖不能穩(wěn)定收斂到最優(yōu)解,但收斂效果和收斂精度優(yōu)于對(duì)比算法,且F5作為一種極其復(fù)雜的病態(tài)測試函數(shù),其全局最優(yōu)解在一條香蕉型的峽谷上,谷中曲面上的最速下降方向與到達(dá)全局最優(yōu)值的方向近似垂直,且山谷內(nèi)的值變化不大,大部分優(yōu)化算法很難找到全局最優(yōu)解,而CSSA 在求解F5時(shí)明顯優(yōu)于其他算法;對(duì)于F7測試函數(shù),CSSA 與其他對(duì)比算法差別不大。從整體上看,對(duì)于單峰測試函數(shù),CSSA尋優(yōu)效果優(yōu)于其他算法,且穩(wěn)定性較好。

        F8~F15為多峰測試函數(shù),其中F12~F15是固定維度函數(shù)。該類測試函數(shù)有多個(gè)局部最優(yōu)解,智能優(yōu)化算法在求解時(shí)易于陷入局部最優(yōu),因此多峰測試函數(shù)主要用于測試算法的探索能力。在求解F8時(shí),六種算法對(duì)于該函數(shù)尋優(yōu)效果均不理想,GWO 最優(yōu);在求解F9時(shí),CSSA 優(yōu)于三種算法;在求解F10、F11時(shí),優(yōu)于其他對(duì)比算法;在求解F12時(shí),六種算法收斂效果相近,但CSSA 穩(wěn)定性更好;在求解F13時(shí),CSSA 和PSO 效果最佳,優(yōu)于其余四種算法;在求解F14時(shí),CSSA 效果僅次于PSO,優(yōu)于其余四種算法;在求解F15時(shí),CSSA、SSA、WOA 和GWO均能收斂到全局最優(yōu)解,但CSSA穩(wěn)定性更好。以上統(tǒng)計(jì)數(shù)據(jù)表明,CSSA整體尋優(yōu)能力優(yōu)于PSO、WOA、BSO、GWO和SSA。

        為進(jìn)一步分析六種算法的尋優(yōu)能力,根據(jù)表2 的均值對(duì)算法在各個(gè)測試函數(shù)中的結(jié)果進(jìn)行比較排序,若相等則比較標(biāo)準(zhǔn)差,結(jié)果如表3 所示,表最后一行為各算法的平均排序結(jié)果。CSSA 排序第一,六個(gè)算法中的尋優(yōu)性能最強(qiáng),且明顯優(yōu)于SSA。其余算法排序?yàn)椋篠SA、PSO、WOA、GWO和BSO。

        表3 算法結(jié)果排序Tab.3 Sorting of algorithm results

        為驗(yàn)證CSSA 的穩(wěn)定性與收斂性,列出了F1、F3、F5、F9、F11和F14六個(gè)測試函數(shù)的箱式圖和迭代收斂曲線圖。

        圖7 為6 種算法獨(dú)立運(yùn)行30 次求解6 個(gè)測試函數(shù)得到的箱式圖,由圖知CSSA在求解時(shí),均未出現(xiàn)異常點(diǎn),并且收斂值的分布相對(duì)其余四種算法更加集中,明顯優(yōu)于對(duì)比算法,說明CSSA在求解問題時(shí)魯棒性更強(qiáng)。

        圖7 不同算法在6個(gè)基準(zhǔn)測試函數(shù)上的收斂箱式圖Fig.7 Convergence box plots of different algorithms for six benchmark test functions

        圖8 為各算法收斂曲線圖,實(shí)線為CSSA。在求解F1、F3、F5、F13時(shí),CSSA 收斂速度優(yōu)于對(duì)比算法;對(duì)于F9、F11,CSSA 收斂速度優(yōu)于PSO、WOA、BSO、GWO 四種算法。由于F5的全局最優(yōu)解較難求得,因此迭代后期收斂速度較慢。整體上CSSA收斂速度優(yōu)于其他五種算法,且具有較好的收斂速度與收斂精度。

        圖8 各算法收斂曲線Fig.8 Convergence curves of different algorithms

        4.2 仿真計(jì)算與驗(yàn)證

        航跡規(guī)劃問題實(shí)質(zhì)上是一個(gè)非確定性多項(xiàng)式求解問題,運(yùn)用CSSA求解航跡規(guī)劃問題即用CSSA對(duì)目標(biāo)函數(shù)進(jìn)行求解尋優(yōu)。麻雀種群代表航跡,每一只麻雀代表一條可能航跡,每只麻雀的維數(shù)代表航跡點(diǎn)的個(gè)數(shù),每只麻雀的各維數(shù)值即為航跡點(diǎn)坐標(biāo)值,麻雀個(gè)體適應(yīng)度即為目標(biāo)函數(shù)值,目標(biāo)函數(shù)由代價(jià)函數(shù)和約束函數(shù)構(gòu)成,麻雀種群中發(fā)現(xiàn)者是當(dāng)前目標(biāo)函數(shù)值較優(yōu)個(gè)體,跟隨者是當(dāng)前目標(biāo)函數(shù)值較差個(gè)體,通過對(duì)發(fā)現(xiàn)者和跟隨者位置的更新,來得到麻雀種群的最優(yōu)位置,進(jìn)行若干次迭代尋優(yōu)后,返回最優(yōu)解即為所求最優(yōu)航跡。

        仿真實(shí)驗(yàn)環(huán)境為:Intel Core i5 CPU,2.50 GHz,16 GB 內(nèi)存,Windows 10(64位)。

        航跡規(guī)劃模型參數(shù)設(shè)置如下:戰(zhàn)場空間為xmax=100 km,ymax=100 km,航跡節(jié)點(diǎn)數(shù)Num=20,最大轉(zhuǎn)彎角為60°,最大航程550 km,UAV 起點(diǎn)為(1 km,1 km),目標(biāo)點(diǎn)為(95 km,90 km),威脅源參數(shù)如表4所示。

        表4 威脅源參數(shù)Tab.4 Threat parameters

        分別使用PSO、SSA、以及CSSA 對(duì)靜態(tài)航跡規(guī)劃模型式(19)進(jìn)行求解,進(jìn)而得到所需航跡。算法種群規(guī)模設(shè)置為100,每一個(gè)種群即為一條航跡,最大迭代數(shù)量為100,進(jìn)行50次仿真實(shí)驗(yàn)。圖9(a)~(c)分別為CSSA 規(guī)劃航跡、SSA 算法規(guī)劃航跡以及PSO 算法規(guī)劃航跡,圖10 為三種算法航跡規(guī)劃迭代收斂曲線。仿真實(shí)驗(yàn)數(shù)據(jù)如表5所示。

        表5 威脅環(huán)境下算法效率對(duì)比Tab.5 Comparison of algorithm efficiency under threat environment

        由圖9(a)~(c)比較可知,CSSA規(guī)劃的航跡優(yōu)于PSO算法和SSA 算法所規(guī)劃航跡,CSSA 規(guī)劃的航跡能夠貼近威脅飛行,減少航跡代價(jià)。

        圖9 三種算法航跡圖Fig.9 Path charts of three algorithms

        由圖10 可知CSSA 在第50 代左右開始收斂,SSA 在第60代左右開始收斂,PSO在15代就開始收斂,說明PSO算法收斂較快,但CSSA 雖然收斂速度前期慢于PSO,但后期能夠穩(wěn)定收斂到最優(yōu)值,且CSSA收斂速度快于SSA。

        圖10 三種算法迭代曲線對(duì)比Fig.10 Comparison of iterative curves of three algorithms

        表5 表明CSSA 得到的平均適應(yīng)值和最小適應(yīng)值都低于PSO 算法和SSA 算法,并且能夠穩(wěn)定對(duì)航跡規(guī)劃模型進(jìn)行求解,從而得到一條代價(jià)最優(yōu)、滿足約束的安全可行航跡。

        5 結(jié)語

        本文提出利用改進(jìn)麻雀搜索算法來解決UAV 航跡規(guī)劃問題。麻雀搜索算法通過麻雀的搜尋食物與反捕食及位置更新來搜索最優(yōu)解,將立方映射混沌算子、反向?qū)W習(xí)策略和正弦余弦算法引入到基本麻雀搜索算法中,采用多樣改進(jìn)策略,增加種群多樣性,平衡算法的開發(fā)與探索能力,避免麻雀搜索算法陷入局部最優(yōu),從而找到全局最優(yōu)解。函數(shù)測試表明,改進(jìn)算法在求解質(zhì)量上有明顯提高,航跡規(guī)劃仿真結(jié)果也表明,基于改進(jìn)麻雀搜索算法的航跡規(guī)劃能夠有效跳出局部最優(yōu),并且提高計(jì)算速度,穩(wěn)定地規(guī)劃出一條可行高效的UAV 飛行航跡。

        猜你喜歡
        測試函數(shù)搜索算法航跡
        改進(jìn)的和聲搜索算法求解凸二次規(guī)劃及線性規(guī)劃
        夢的航跡
        青年歌聲(2019年12期)2019-12-17 06:32:32
        自適應(yīng)引導(dǎo)長度的無人機(jī)航跡跟蹤方法
        具有收縮因子的自適應(yīng)鴿群算法用于函數(shù)優(yōu)化問題
        視覺導(dǎo)航下基于H2/H∞的航跡跟蹤
        帶勢函數(shù)的雙調(diào)和不等式組的整體解的不存在性
        約束二進(jìn)制二次規(guī)劃測試函數(shù)的一個(gè)構(gòu)造方法
        基于汽車接力的潮流轉(zhuǎn)移快速搜索算法
        基于逐維改進(jìn)的自適應(yīng)步長布谷鳥搜索算法
        基于航跡差和航向差的航跡自動(dòng)控制算法
        91精品国产无码在线观看| 任你躁国产自任一区二区三区| 亚洲综合久久成人a片| 亚洲AV秘 无码一区二区三| av天堂中文亚洲官网| 久久不见久久见免费视频6| 国产亚洲av无码专区a∨麻豆| 2021av在线| 亚洲一区二区三区码精品色| 包皮上有一点一点白色的| 女人被狂躁到高潮视频免费网站| 国产精品毛片无码久久| 国产精品亚洲av无人区一区蜜桃| 偷拍偷窥女厕一区二区视频| 男女啪啪无遮挡免费网站| 加勒比无码专区中文字幕| 亚洲日本精品一区二区三区| 蜜桃av精品一区二区三区| 中文字幕日韩精品无码内射| 99热国产在线| 美女被内射很爽的视频网站| а天堂8中文最新版在线官网| 欧美性猛交xxxx乱大交丰满| 中文字幕一区韩国三级| 99久久国产免费观看精品| 亚洲成a∨人片在线观看不卡| 狠狠久久久久综合网| 最新亚洲av日韩av二区一区| 男女男精品视频网站免费看| 国产乱xxⅹxx国语对白| 中文字幕精品一二三区| 免费视频亚洲一区二区三区| 国产偷国产偷精品高清尤物| 亚洲AV无码一区二区三区人| 亚洲春色视频在线观看| 亚洲精品国产电影| 久久精品人人爽人人爽| 亚州五十路伊人网| 亚洲熟女少妇精品综合| 99久久精品日本一区二区免费| 秋霞日韩一区二区三区在线观看|