【FA三维路径规划】萤火虫算法无人机避障三维航迹规划【含Matlab源码 3661期】_无人机规避障碍物的三维路基规划算法

⛄一、萤火虫算法无人机避障三维航迹规划简介

1 无人机航迹规划问题的数学模型
建立三维航迹规划问题的数学模型时, 不但考虑无人机基本约束, 还考虑复杂的飞行环境, 包括山体地形和雷暴威胁区。

1.1 无人机基本约束
规划的无人机三维航迹, 通常需要满足一些基本约束, 包括最大转弯角、最大爬升角或下滑角、最小航迹段长度、最低和最高飞行高度, 以及最大航迹长度等约束。其中, 最大转弯角约束, 是指无人机只能在水平面内小于或等于指定的最大转弯角内转弯;最大爬升角或下滑角约束, 是指无人机只能在垂直平面内小于或等于指定的最大爬升角或下滑角内爬升或下滑;最小航迹段长度约束, 要求无人机改变飞行姿态之前, 按目前的航迹方向飞行的最短航程;最低和最高飞行高度约束, 要求无人机在指定的飞行高度区间飞行;最大航迹长度约束, 是指无人机的航迹长度小于或等于指定的阈值。

记q (x, y, z, θ, ψ) 为无人机的飞行位置与姿态, 其中, (x, y, z) 为无人机的位置, θ为无人机的水平转弯角, ψ为无人机的竖直爬升角或下滑角, 进而建立上述基本约束的数学表达式。

1.2 飞行环境障碍物和威胁区建模
在飞行环境中, 高耸的山体近似采用圆锥体等效表示, 用以e为底的自然指数图形生成, 那么, 山体地形可以通过多个位置不同的圆锥体叠加而成。若将参考海拔基准高度设置为xOy平面, 记 (x, y, z) 为山体地形中的点, 那么

式中:N为山体个数;xk0和yk0为第k座山体中心对称轴的横坐标和纵坐标;hk为第k座山体的最大高度;xki和yki为第k座山体的横向斜度和纵向斜度。

在飞行环境中, 山体附近通常存在雷暴等极端气象, 本文视为飞行威胁区, 并通过球体近似等效表示, 且记第k座山体附近飞行威胁区的球心坐标为 (xks0, yks0, zks0) , 半径为rk。

1.3 目标函数及航迹表示
在本文中, 执行任务的某型无人机, 其航迹规划的目标函数是生成一条由起始点到目标点的无碰撞可行航迹。采用q (x, y, z, θ, ψ) 表示无人机在飞行空域中某特定位置的特定姿态, 那么 (x, y, z) 则表示无人机所在航迹点, θ表示无人机的水平转弯角, ψ表示无人机的竖直爬升角或下滑角。采用r (q) 表示由起始点qinitial到目标点qgoal的无碰撞可行航迹, 那么航迹规划的过程可以写成如下形式:

2 萤火虫算法
萤火虫算法（Firefly Algorithm，FA）是由Yang于2010年提出的一种群智能优化算法，在自然界中，萤火虫之间通过自身发光来吸引异性前来交配以及吸引猎物进行捕猎，而该算法主要仿照自然界中萤火虫之间受彼此亮度而相互吸引的行为来进行目标范围内的寻优过程。
在萤火虫算法的基本思想中，主要涉及到的两个概念有两个，分别为吸引力与个体间的移动，下面将分别从这两个方面进行介绍。

2.1 吸引力
在萤火虫算法中，每个萤火虫的位置代表了一个待求问题的可行解，而萤火虫的亮度表示该萤火虫位置的适应度值，亮度越高的萤火虫个体在解空间内的位置越好，在解空间内，每个萤火虫会向着亮度比自己高的萤火虫飞行来搜寻更优的位置，亮度越大对其他的萤火虫的吸引度越大。同时，萤火虫之间光的传播介质会吸收光，降低光的亮度，影响光的传播，所以萤火虫之间的吸引度会随着空间距离成反比，即两只萤火虫之间的吸引度会随着这两只萤火虫之间距离的增大而减小。基于此，使用相互吸引度公式对萤火虫之间的吸引力进行计算。

2.2 个体间的位置移动
受到吸引力的影响，种群中的每一只萤火虫均会被亮度比其大的萤火虫所吸引，进而向其所在的方向进行移动，具体的位置更新公式如下，而依次向所有亮度更大的个体移动完之后的位置才是萤火虫的最终确定位置。

2.3 算法步骤
使用萤火虫算法对优化问题进行求解时的具体步骤可以归纳如下：
（1）设置种群的个体数量、初始吸引度值β0、传播介质对光的吸收系数γ以及步长的扰动因子α；
（2）以萤火虫个体的位置信息作为待优化问题的解，以萤火虫个体的亮度作为解对应的适应度值，根据待优化问题的解的范围，随机初始化种群所有个体的位置信息；
（3）根据待求解问题，计算种群中每个个体的适应度值，之后对种群个体的适应度值进行比较，将最高适应度值作为种群的历史最优适应度值，将其对应的位置信息作为种群的历史最优位置信息；
（4）依次将每个个体与其它个体进行适应度值的比较，同时计算个体之间的空间距离，按照适应度值低的个体被适应度高的个体吸引的原则，确定每个个体分别被种群内哪些个体吸引并根据空间距离计算出每个个体受到的所有吸引力；
（5）每个个体依次向所有适应度值比它高的个体位置方向进行移动，按照相关公式进行位置更新；
（6）计算每个个体更新后的适应度值，对种群的历史最优适应度值、历史最优位置信息进行更新；
（7）根据预设的迭代次数重复步骤4到步骤6，当达到最大迭代次数时停止迭代过程，输出种群的历史最优位置信息，此位置信息即为算法优化后获得的问题最优解。

⛄二、部分源代码

%% 三维地图-无人机寻路
% 3D map - aircraft pathfinding
%% 这是使用原始算法的直接求解结果，添加专用于本问题的更新方式可以进一步提高精度
% This is the direct result of using the original algorithm,
% adding some specific update methods to this problem can further improve the accuracy
clc;
clear;
close all;
warning off

%% 载入数据
data.S=[1,950,12]; %起点位置
data.E=[950,1,1]; %终点点位置
data.Obstacle=xlsread(‘data.xls’);
data.numObstacles=length(data.Obstacle(:,1));
data.mapSize=[1000,1000,20]; %10m 地图尺寸
data.unit=[50,50,1]; %地图精度
data.S0=ceil(data.S./data.unit);
data.E0=ceil(data.E./data.unit);
data.mapSize0=data.mapSize./data.unit;
data.map=zeros(data.mapSize0);
figure
plot3(data.S(:,1),data.S(:,2),data.S(:,3),‘o’,‘LineWidth’,1,…
‘MarkerEdgeColor’,‘g’,…
‘MarkerFaceColor’,‘g’,…
‘MarkerSize’,8)
hold on
plot3(data.E(:,1),data.E(:,2),data.E(:,3),‘h’,‘LineWidth’,1,…
‘MarkerEdgeColor’,‘g’,…
‘MarkerFaceColor’,‘g’,…
‘MarkerSize’,8)
for i=1:data.numObstacles
x=1+data.Obstacle(i,1);
y=1+data.Obstacle(i,2);
z=1+data.Obstacle(i,3);
long=data.Obstacle(i,4);
wide=data.Obstacle(i,5);
pretty=data.Obstacle(i,6);
[V,F] = DrawCuboid(long, wide, pretty, x,y,z);
x0=ceil(x/data.unit(1));
y0=ceil(y/data.unit(2));
z0=ceil(z/data.unit(3));
long0=ceil(long/data.unit(1));
wide0=ceil(wide/data.unit(2));
pretty0=ceil(pretty/data.unit(3));
data.map(x0:x0+long0,y0:y0+wide0,z0:z0+pretty0)=1;
end
legend(‘起点’,‘终点’)
title(‘三维地形地图’)
grid on
axis equal
%%
% index=find(data.map==1);
% [p1,p2,p3] = ind2sub(size(data.map), index);
% figure
% plot3(data.S0(:,1),data.S0(:,2),data.S0(:,3),‘o’,‘LineWidth’,1,…
% ‘MarkerEdgeColor’,‘g’,…
% ‘MarkerFaceColor’,‘g’,…
% ‘MarkerSize’,8)
% hold on
% plot3(data.E0(:,1),data.E0(:,2),data.E0(:,3),‘h’,‘LineWidth’,1,…
% ‘MarkerEdgeColor’,‘g’,…
% ‘MarkerFaceColor’,‘g’,…
% ‘MarkerSize’,8)
% plot3(p1,p2,p3,‘.’,‘LineWidth’,1,…
% ‘MarkerEdgeColor’,‘k’,…
% ‘MarkerFaceColor’,‘g’,…
% ‘MarkerSize’,10)
% legend(‘起点’,‘终点’)
% title(‘三维地形地图’)
% grid on
% axis equal
% xlabel(‘x（km）’)
% ylabel(‘y（km）’)
% zlabel(‘z（km）’)
%% 生成可移动方向
temp=[1,0,-1];
direction=[];
for i=1:3
for j=1:3
for k=1:3
direction=[direction;temp(i),temp(j),temp(k)];
end
end
end
position=find(direction(:,1)==0 & direction(:,2)==0 & direction(:,3)==0);
direction(position,:)=[];
data.direction=direction;

%% 算法参数设置 Parameters
% 基本参数
numAgent=20; %种群个体数 size of population，可自行修改
Max_iter=20; %最大迭代次数 maximum number of interation，可自行修改
lb=0;%下限，可自行修改
ub=1;%上限，可自行修改
dim=prod(data.mapSize0); % 优化变量个数
fobj=@(x) aimFcn(x,data);%目标函数，用以优化

%% 使用优化算法求解

Optimal_results{2,index}=recording;%迭代曲线
Optimal_results{3,index}=bestY;%最佳函数值
Optimal_results{4,index}=bestX; %最佳变量值
Optimal_results{5,index}=result; %优化结果
Optimal_results{6,index}=toc; %运行时间
index = index +1;

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]田疆,李二超.用于无人机三维航迹规划改进连接型快速扩展随机树算法[J].航空工程进展. 2018,9(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除