魏 江，王建軍 ，王 健，2，秦春霞，梅少輝

1.西北工業(yè)大學 電子信息學院，西安 710129

2.西北工業(yè)大學 第365研究所，西安 710129

1 引言

近年來，無人機航跡規(guī)劃問題成為國內外學者研究的熱點，尤其在軍事、搶險救災和測繪等領域尤為重要。為了提高無人機的生存機率并充分發(fā)揮其作戰(zhàn)優(yōu)勢，必須選擇一條能夠快速安全到達目標且最大可能地完成任務并返航的航跡，因此航跡規(guī)劃成為無人機相關研究中的重要內容。許多相關研究者將A*算法[1-2]、人工勢場法[3-4]、概率地圖算法[5]、遺傳算法[6-7]、快速隨機搜索樹算法[8]等較為成熟的算法應用于航跡規(guī)劃，這些算法在三維航跡規(guī)劃中都存在一定的局限性。蟻群算法自從在著名的旅行商問題（TSP）和工件排序問題上取得成效以來，已經陸續(xù)用于解決車輛調度、路徑規(guī)劃、航跡規(guī)劃等問題，該算法具備分布式計算、群體智能、正反饋等優(yōu)點[9]，在三維航跡規(guī)劃中有著廣泛的應用[10-11]。

文獻[12]在蟻群算法的啟發(fā)函數中加入安全航行因素，使得無人機能夠有效避開障礙，并且考慮了當前節(jié)點到目標節(jié)點的距離，提高了搜索的方向性，但是此算法在航跡規(guī)劃初期，會消耗大量的時間。文獻[13]針對蟻群算法在尋路初期需要大量時間來確定初始可行解的缺點，通過改變初始信息素的分布，提高了航跡搜索初始階段的搜索效率，但是對算法整體的搜索效率提升相對較小。文獻[14]對初始信息素分布和啟發(fā)函數都進行了改進，但是對于復雜度較高的規(guī)劃空間，仍存在收斂速度慢、拐點較多、航跡不平滑的問題，另外還會出現較多不必要的拐彎，使得無人機在飛行時會頻繁地變更方向，不利于無人機飛行，本文在文獻[14]的基礎上提出了一種基于改進蟻群算法的無人機（UAV）三維航跡規(guī)劃方法，改進了航跡規(guī)劃的局部搜索策略和初始信息素調整因子，并在啟發(fā)函數中加入路徑偏移因子，降低了航跡規(guī)劃空間的復雜度，提高了蟻群算法的搜索效率和收斂速度。

2 三維空間建模

在基于蟻群算法的無人機三維航跡規(guī)劃問題中，大多數研究是針對較小的全局搜索空間（20×20 的網格）進行，網格分辨率一般為1 km[14-15]，這樣規(guī)劃的航跡精度太低。如果利用高分辨率DEM 數字地圖（90 m 分辨率），20×20的網格只有1.8 km2，這與無人機實際的飛行范圍相差太大，沒有實用性，因此需要增加網格數量。文中利用90 m 分辨率的地圖，網格數量擴大到100×100，也就是9 km2的地圖中規(guī)劃航跡。

2.1 空間劃分

航跡規(guī)劃空間被視為一個三維立方體空間ABCDEFGH，如圖1 所示，在三維空間中建立直角坐標系O-XYZ，平面ABCD位于XOY平面上，A位于坐標原點。根據DEM的特性，可以將規(guī)劃空間沿著Z軸方向劃分成l（通過式（1）計算）個平面，每個平面又被劃分為n×m的網格，這樣規(guī)劃空間被劃分成n×m×l個網格。

其中Vc為無人機最大爬升率，V為無人機最小巡航速度，Δx為DEM 分辨率，z(i,j)為ABCD平面上每個網格對應的高度值，m和n由選取的DEM決定。

圖1 三維空間劃分示意圖

2.2 局部搜索策略

無人機在三維空間中飛行節(jié)點的選取由約束條件確定，該約束一般包括：航跡距離、最小航跡段、最大拐彎角、最大爬升角等[16-17]。一般基于蟻群算法的航跡規(guī)劃問題中，局部搜索空間為26個節(jié)點（三維）或8個節(jié)點（二維）且搜索步長固定為1[18-19]，這種搜索策略當全局搜索空間的柵格數量增加時，搜索時間就會大大增加。本文算法在DEM 數字地圖中，根據無人機飛行節(jié)點的約束條件，確定搜索步長。

圖2 所示為節(jié)點擴展圖，在XOY平面內，A為無人機飛行航跡的上一個節(jié)點，O為當前節(jié)點，BCD為待擴展節(jié)點，被稱作局部搜索空間，R為無人機轉彎半徑，假設A-O-B為已規(guī)劃的航跡，由于無人機機動性能的約束，在E-O-F段的實際飛行軌跡為，因此最小航跡為2×|EO|，Ф為轉彎角度，根據幾何關系tan(Ф2)=|EO|/R，因此可得最小航跡為：

圖2 節(jié)點擴展示意圖

已知某無人機的最大轉彎角度Фmax=45°，最小轉彎半徑Rmin=200 m，則最小航跡Lmin=165.67 m，DEM數字高程數據的分辨率為Δx=Δy=92.662 4 m，因此在一個平面內節(jié)點的選取分為圖3（a）所示5種情況，箭頭所指方向為飛行方向。根據不同的無人機參數和地形分辨率，可確定當前節(jié)點和待擴展節(jié)點的位置關系U與待擴展節(jié)點的集合V的映射關系為：

式中i表示當前節(jié)點與待擴展節(jié)點的位置關系情況個數。

圖3 待擴展節(jié)點選取示意圖

如圖3（b），將待擴展節(jié)點沿Z軸方向擴展到三維，構成局部搜索空間。根據式（1），三維空間Z軸的分辨率與DEM 數字高程數據的分辨率有關，通過圖3（a）所示的節(jié)點選擇情況，如果當前節(jié)點在第k個平面，那么待節(jié)點只能在平面k、k+1、k-1、k+2和k-2內選??；局部搜搜空間節(jié)點個數為25 個，搜索步長為2，因此總體上減少可選節(jié)點的數量，從而降低航跡搜索空間的復雜度。

3 蟻群算法

給定圖G=(V,A) ，其中V為頂點集，A為各頂點相互連接組成的邊集，旅行商優(yōu)化問題描述為求遍歷所有頂點且距離最短的邊集（每條邊當且僅當出現一次）的集合[9]。螞蟻依概率在各個頂點之間轉移，在t時刻，螞蟻k從城市i到城市j的轉移概率為：

算法每完成一次迭代后，路徑上的信息素將按照下式進行更新：

式中，τij(t+1) 為t+1 時刻螞蟻在路徑(i,j)上的信息素，ρ為信息素衰減系數；Δτij表示本次迭代中路徑(i,j)上信息素增量，其初始值為零；表示上一輪結束的循環(huán)中第k只螞蟻遺留在路徑(i,j)上的信息素。

在Ant-Quantity模型中：

其中，Q為信息素常數，表示螞蟻遍歷一次所有節(jié)點所釋放的信息素總量；Lk表示螞蟻k遍歷完所有節(jié)點后經歷的總路程長度。

4 基于蟻群算法的三維航跡規(guī)劃

蟻群算法的轉移概率由信息素和局部啟發(fā)式函數構成，兩者將航跡長度作為評判標準。文獻[20]提出的動態(tài)α和β權重，使初期以局部啟發(fā)信息為重，后期以信息素為重。針對靜態(tài)α和β權重，最有效的辦法是改變初始信息素的分布和優(yōu)化啟發(fā)信息，在算法初期能夠兼顧信息素和啟發(fā)信息，在后期主要依據優(yōu)化的啟發(fā)信息，從而加快算法的收斂速度。

4.1 信息素表示

傳統(tǒng)蟻群算法的初始信息素均勻分布，這樣螞蟻初始時刻在任意節(jié)點處選擇航跡的概率相等，因此在算法執(zhí)行的初始階段，航跡搜索具有一定盲目性，會消耗大量時間，為此在航跡的起點和終點之間建立一條空間直線，通過三維空間中節(jié)點到該直線的歐氏距離的增加來改變初始信息素[13]，提高螞蟻在初期的搜索效率。

圖4 中比較了三種衰減函數對初始信息素的衰減情況。本文選用y=x-0.5對初始信息素進行衰減，因此初始信息素τ0可表示為：

圖4 三種信息素衰減函數比較

其中，dijk為三維空間中節(jié)點到起點與終點連線的歐氏距離，為固定的信息素常數。

4.2 啟發(fā)函數設計

啟發(fā)函數是影響蟻群算法收斂速度和穩(wěn)定性的重要因素，啟發(fā)函數的設計直接影響著蟻群算法的性能。在單一航跡規(guī)劃中，需要考慮安全性、航跡約束條件[21]。局部搜索策略中考慮了最小航跡段長度、最大拐彎角、最大爬升角，因此，啟發(fā)函數中考慮了安全性和航跡距離，另外本文引入路徑偏移因子，進一步約束無人機飛行節(jié)點的選擇，使所選擇的節(jié)點盡可能靠近起點和終點的連線上。因此本文引入安全啟發(fā)因子、距離啟發(fā)因子和路徑偏移因子。

（1）安全啟發(fā)因子

為了保障無人機的飛行安全，使無人機避開所有的障礙及威脅，本文引入了安全啟發(fā)因子S。安全啟發(fā)因子表示無人機的飛行高度是否大于三維地圖的高度。通過式（8）計算：

其中，zk表示待擴展節(jié)點的高度，mapij表示待擴展節(jié)點對應于三維地圖上的高度。

（2）距離啟發(fā)因子

為了使規(guī)劃的航跡最短，引入距離啟發(fā)因子D。在圖3（a）所示的待擴展節(jié)點的選取情況中，盡可能選取航跡最短的節(jié)點，但航跡最短的節(jié)點未必靠近終點，因此綜合考慮當前節(jié)點到待擴展節(jié)點的距離|pi pi-1|和待擴展節(jié)點到終點的距離|pG pi|，所以D通過下式計算：

其中，w∈( 0,1) 。pi表示待擴展節(jié)點，pi-1表示當前節(jié)點，pG表示目標節(jié)點。

（3）路徑偏移因子

如果只依靠距離啟發(fā)因子約束航跡長度，航跡會有很多折點，有些研究中引入航跡平滑[15]，對折點進行平滑，以滿足無人機的機動性，但是對于較大的拐彎，平滑效果不佳。本文引入路徑偏移因子，讓航跡上所有的點盡可能靠近起點和終點的連線上，減少拐彎。

在圖5 中，假設起點為pS，p為搜索空間的一點，則p到直線l的距離M為：

圖5 空間點線距離示意圖

安全啟發(fā)因子和距離啟發(fā)因子的共同作用，能讓無人機在三維全局搜索空間中選擇安全無碰撞、全局航跡最優(yōu)的節(jié)點；而路徑偏移因子將節(jié)點約束到起點和終點的連線附近，平滑航跡，減少拐點和拐彎，加快搜索速度。因此本文蟻群算法的啟發(fā)函數將綜合以上三個啟發(fā)因子：

4.3 信息素更新

本文采用局部信息素更新和全局信息素更新相結合的方式對信息素進行更新。

（1）局部信息素更新

每一代螞蟻的個體經過一個節(jié)點后，對該節(jié)點的信息素進行衰減，保證其他個體有更大的機率訪問其他節(jié)點，避免算法陷入局部最優(yōu)。更新公式為：

式中，μ為信息素衰減系數，是一個介于(0,1)的參數，τ0是節(jié)點的初始信息素。

（2）全局信息素更新

一旦所有螞蟻找到一條航路規(guī)劃問題的可行解，必須對信息素做一遍全面更新[22]，更新規(guī)則如下：

式中，ρ表示信息素衰減系數，Δτijk表示所有螞蟻在航跡上所有節(jié)點(i,j,k)的信息素增量，計算公式如下：

式中，表示第m只螞蟻在節(jié)點(i,j,k)上的信息素，計算公式如下：

式中，Q為信息素常數，表示螞蟻遍歷一次所有節(jié)點所釋放的信息素總量，Lm為一次迭代結束后的最優(yōu)航跡長度。

4.4 算法步驟

改進蟻群算法的算法步驟如下：

（1）環(huán)境建模，首先將原始的DEM數字高程數據裁剪為無人機的實際飛行空間，導出.xyz 格式數據；根據公式（1）量化地圖高度信息，將無人機的實際飛行空間構建成適合蟻群算法的航跡規(guī)劃空間。

（2）初始信息素分配，根據公式（7），對均勻分布的初始信息素進行重分配。

（3）蟻群算法各參數初始化并將所有螞蟻置于起點。

（4）根據公式（4）選擇下一節(jié)點，根據公式（12）進行局部信息素更新。

（5）當所有螞蟻完成一次迭代之后，根據公式（13）進行全局信息素更，否則返回步驟（4）。

（6）判斷是否達到最短的航跡長度，若是，則輸出最優(yōu)航跡，否則，返回步驟（3）。

4.5 算例分析

為驗證改進蟻群算法的可行性與有效性，本文采用PC 機（操作系統(tǒng)：Win10，CPU：i7-8750H，內存：8 GB），基于MATLAB 仿真平臺進行對比實驗。規(guī)劃空間為101×101×44 的網格，分辨率為92.662 4 m，蟻群算法的參數在經典值范圍選?。害?0.2 ，μ=0.2 ，α=2.5 ，β=4；螞蟻個數m=50。

對于文獻[14]蟻群算法和本文蟻群算法設置最大迭代次數為300 次，在9 種地形中分別進行50 次實驗，50次實驗的平均航跡長度如表1所示，圖6為地形1、地形4和地形7中10次實驗的搜索結果，圖7為收斂曲線。

表1 航跡長度比較km

圖6 蟻群算法搜索結果圖

圖7 收斂曲線圖

從圖6（a）、（b）、（e）中可以看出，文獻[14]蟻群算法所規(guī)劃的航跡在水平方向出現了很多拐點和較大的拐彎，這些拐點和拐彎在直觀上是不必要的，這使得無人機在實際飛行過程中，會較多地變更方向，增加油耗且航跡并非最優(yōu)；本文蟻群算法所規(guī)劃的航跡基本沿著地形趨勢，落在起點和終點的連線附近，基本沒有出現明顯的拐點和較大的拐彎，航跡比較平滑，說明在啟發(fā)函數中的路徑偏移因子的作用下，螞蟻選擇航跡的隨機性降低，將選擇的航跡節(jié)點約束到起點到終點的連線附近，從而減少拐點，使得航跡比較平滑；拐點的出現也說明當全局搜索空間增加時，文獻[14]蟻群算法容易陷入局部最優(yōu)，而本文算法全局尋優(yōu)能力較強，避免陷入局部最優(yōu)。從表1 的航跡長度比較可以看出，本文算法規(guī)劃的航跡更短，在同樣的迭代次數下，平均縮短24.08%。

從圖7 中可以看出，雖然文獻[14]蟻群算法在前20次迭代中，收斂比較快，但是整個收斂過程比較慢，當迭代到260 次時又出現了快速的收斂，因此收斂過程不穩(wěn)定。本文蟻群算法在搜索的初始階段，能夠穩(wěn)定較快地向最優(yōu)解靠近，這是由于初始信息素調整因子的改進，結合路徑偏移因子的約束，本文蟻群算法在收斂速度上有很大提升。50 次實驗在9 種地形中的平均耗時如表2 所示，可以看出本文蟻群算法運行時間較文獻[14]蟻群算法平均減少11.56%，說明改進的搜索策略發(fā)揮了重要作用，雖然在啟發(fā)函數中增加了路徑偏移因子，增加了算法的復雜度，但是總體上算法搜索效率有所提升，縮短了時間。表3 為最優(yōu)航跡的節(jié)點個數，由于局部搜索策略的改進，本文算法所規(guī)劃的航跡節(jié)點個數大約是文獻[14]蟻群算法所規(guī)劃航跡節(jié)點個數的一半，說明了本文蟻群算法搜索效率提升較為明顯。

從圖7 中可以看出，本文蟻群算法只要大約150 次左右就可以基本達到收斂，而文獻[14]蟻群算法則需要迭代300次以上。為了驗證文獻[14]蟻群算法達到收斂條件時的迭代次數，認為最短航跡不再發(fā)生變化時，算法收斂完成，結果如圖8，從圖中可以看出，文獻[14]蟻群算法需要迭代340次左右才能達到收斂。

圖8 文獻[14]蟻群算法收斂曲線圖

5 結束語

本文研究了基于蟻群算法的無人機（UAV）三維航跡規(guī)劃方法，并對局部搜索策略、初始信息素調整因子和啟發(fā)函數進行改進。在三維環(huán)境中進行的實驗結果表明，本文蟻群算法搜索得到的航跡長度、收斂速度、時間效率和迭代次數比文獻[14]蟻群算法都得到提高，在實際地形中能達到良好的航跡規(guī)劃效果。航跡規(guī)劃所面臨的環(huán)境存在著復雜性和多變性，實際應用中靠一種算法很難得到理想的結果，因此多算法航跡規(guī)劃有待進一步深入研究。

表2 平均耗時比較s

表3 航跡節(jié)點個數