無人機航跡規劃那些事兒—人工蜂群算法

無人機航跡規劃問題有機器人路徑規劃問題延伸而來。三維環境下無人機航跡規劃問題相較于二維環境規劃較為復雜。航跡規劃通常按一下流程：先對航跡規劃空間進行數學建模，預先對環境建模可以有效提高無人機的執行效率。然后根據研究目的選擇合適的航跡規劃算法，最后根據建立的目標函數規劃出一條從任務始點到終點的最優航跡。

環境建模方法。在三維空間中，我們用坐標（x,y,z）來表示空間中的一個點，在無人機的航跡規劃空間中，我們用集合來表示無人機飛行的空間環境：

{(x,y,z)|0≤x≤maxX，0≤y≤maxY，0≤z≤maxZ}

上式表示連續的三維空間環境，然而在航跡規劃這種實際問題中，必須要將戰場威脅環境離散化。離散化后的環境圖像分辨率提高，會使我們的航跡更精確，但同時，搜索空間增大數據增加，為了減少環境模型的復雜度，需要對戰場環境進行空間環境建模。常用的環境建模方法有以下幾種：

柵格法。是指將規劃空間分解成一定數量的簡單的大小相等的單元網絡來進行空間規劃的方法，用單位表示空間拓撲結構，并且每個單元上都可以表示相應的屬性值，如圖1所示，研究中經常采用正三角形、正方形和正六邊形來表示王哥的小小元素，其中最常用的就是正六邊形。在航跡規劃問題中，可以通過柵格法將規劃空間建立成二維柵格或者三維柵格，利用每個柵格可以設置相應屬性值的特性來辨別柵格的作用。柵格法可以實現簡單快速隊規劃環境的離散化，也是目前應用最普遍、最廣泛的環境建模方法。

圖1 柵格法

Voronoi圖法。又叫泰森多邊形（Thiessen Polygons）是一種幾何建模方法，有數個相同連續多邊形組成，多邊形的邊是連續相鄰點的垂直平分線。示意圖如圖2所示。由于根據點集劃分的區域到點的距離最近的特點，可以有效求解區域劃分問題。在地里、天體物理、人工智能等領域得到了廣泛的應用。因為實現Voronoi圖的代碼相對簡單，且構造速度快，很多學者將Voronoi圖法。應用在無人機的二維航跡規劃中。利用Voronoi圖法可以簡單邊界提取和處理威脅邊界，但是多用于二維環境，不適合復雜的三維航跡規劃。

圖2 Voronoi法

矢量法。是指把真實地圖特征轉化成矢量數據的過程。利用點、線、面和其他幾何形狀來表示戰場環境中的障礙和威脅。如圖3，用a、c、c來分別表示矢量空間的點、線、面。矢量圖中的坐標受傳感器的識別精度和形成坐標數據所使用存儲空間大小的影響。相對于Voronoi圖法和柵格法，矢量構造空間速度快、數據量小、計算量小，更適用于三維航跡規劃，但是航跡規劃空間表示精度相對來說沒那么準確。

圖3 矢量圖法

不同類型的環境建模方法都各有其優缺點，此外不同航跡規劃方法對環境模型的處理方式不同，所選用的環境建模方法要根據具體選擇的算法類型來確定。

群智航跡規劃算法選擇。群智能算法在航跡規劃算法的選擇中以其較好的魯棒性、非線性、多約束等一系列復雜的工程問題是，具有較好的解算效應。群體智能（Swarm Intelligence）指的是在生物群體中具有簡單智能行為的單個個體間通過相互協作、相互交流涌現出單個個體不具備的群體智能行為。目前群智能研究主要是針對如蟻群算法、粒子群算法、人工蜂群算法、遺傳算法在內的群智算法。群智算法主要模擬生物群行為，是利用群體智能協同搜索空間最優解的過程。群智算法的主要特點包括：（1）靈活性，算法適應能力較強。（2）自組織性，即系統在無中心節點的控制條件下可以自發組織，使系統出現有序性。（3）分布式，系統中各個個體形成拓撲結構，各個個體是分布的，沒有中心控制具有較強魯棒性。

蟻群算法（Ant Colony Optimization，ACO）是受自然界螞蟻“搬家”現象啟發。蟻群中單個螞蟻就可以獲得從巢穴到食物源的最短路徑，是依賴于蟻群中的特有信息船體方式。螞蟻個體間通過分泌信息素（Pheromone）進行信息傳遞，信息素可以引導蟻群快速找到食物源。這種特有的通信機制使得蟻群算法在解決各種尋優問題中獲得良好效果，以經典旅行商問題（TSP）為主。

蟻群算法主要利用正反饋原理進行解的尋優，可以快速發現較優解。通過分布式計算和貪婪準則防止算法過早收斂。這些特點使得蟻群算法具有較好的魯棒性、并行性和尋優能力，使得蟻群算法具有較好的解算效應。

遺傳算法（Genetic Algorithm，GA）由美國John Holland教授在1975年根據達爾文的“適者生存、優勝劣汰”生物進化理論提出的。模擬生物界自然選擇和自然遺傳現象的智能搜索算法。GA算法模擬種群進化過程，通過選擇（Selection）、交叉（Crossouer）以及變異（Mutation）等遺傳操作，使種群通過迭代保留優秀基因，淘汰劣質基因，同時保留候選個體。種群經過軟甘茨迭代進化后，獲得最優解的過程。

遺傳算法是基于群體搜索策略和信息交換方法所形成的，適用于處理高度復雜的非線性問題、在數學模型、信息處理、人工智能等領域，遺傳算法發揮了很大的作用，提高了一些問題求解的效率。

粒子群算法（Particle Swarm Optomization，PSO）中的粒子（Particle）代表著鳥群，是模擬自然界中的鳥群覓食現象。利用鳥群覓食過程中的信息交流機制所開發的一種算法。粒子群算法通過種群迭代更新粒子速度與位置來進行解的尋優，通過該方式獲得局部最優解和全局最優解，從而解決優化問題。粒子群算法利用種群內的協作競爭機制來尋找優化問題的較優解。

粒子群算法沒有復雜的種群遺傳策略，而是通過跟蹤求解空間最優粒子進行最優粒子周圍搜索。使得粒子群算法具備參數少、容易實現等優點，粒子群算法在函數優化、模式識別等領域發揮很大的作用。

人工蜂群算法（Artificial Bee Colony，ABC）是基于模擬自然界中風靡采蜜的群體智能行為開發的一種群體智能優化算法。蜂群采蜜過程中蜜蜂是利用這種機制進行數學模型問題的求解的。

與其他群智算法不同的是，人工蜂群算法對求解函數的信息不做過多要求和處理，算法尋優過程僅僅依靠適應度函數就可完成。因而算法具有操作簡單、魯棒性較強和控制參數少等優點。與遺傳算法（GA）、蟻群算法（ACO）和粒子群算法（PSO）相比較，ABC算法具有更優的尋優效果。

ABC算法將蜜蜂劃分為三類：采蜜蜂、跟隨蜂、偵察蜂。不同種類蜂群有著不同任務分工，基于不同種類蜂群的信息交互與任務協作截止得以完成采蜜過程，也就是利用ABC算法獲取最優解的過程。

生物背景。蜜蜂作為一種群體生物，與蟻群、鳥群相似，雖然單體個體行為模式簡單，但是群體卻能涌現出單個個體不具備的復雜智能行為。蜜蜂的采蜜過程用語言描述為：首先大量蜜蜂尋找蜜源，找到蜜源的蜜蜂返回蜂巢，通過跳“8字舞”或“圓圈舞”的方式將蜜源所在位置通知給其他伙伴。通過舞蹈時間長短反饋出蜜源的多少。蜜源質量越好，則蜜蜂舞動時間越長。其他蜜蜂根據得到的蜜源信息繼續進行蜜源開采。采蜜多次開采蜜源質量較差或被開采完時，放棄當前蜜源并轉換成偵察蜜蜂重新搜尋新蜜源。隨著蜜源不斷被發現，大量蜂蜜被采集形成既有營養價值又美味的蜂蜜。人工蜂群算法就是模擬蜂群信息交互過程完成采蜜行為形成的一種計算隨機檢索算法。與其他群體智能算法不同的是人工蜂群算法特有的種群角色轉換機制，采蜂蜜、跟隨蜂、偵察蜂根據開采蜜源情況不同進行角色轉變，協作交互完成高質量蜜源開采工作。在人工蜂群算法中，三個蜜蜂種群緊密聯系卻各司其職：才蜜蜂用于搜尋優良解；跟隨蜂幫助蜂群縮短收斂時間；偵察蜂幫助蜂群跳出局部最優。

人工蜂群算法基本概念。基于蜂群采蜜行為，根據采蜜機制建立人工蜂群算法相關概念。人工蜂群算法系統構成因素包括：采蜜蜂（Employed Foragers）、跟隨蜂（Followers）偵察蜂（Scouts）以及蜜源。

“蜜源”指的是蜜蜂所開采的花粉，蜜源的質量主要由花粉決定，花粉量豐富的區域自然為優質蜜源。蜜源質量還受采蜜蜂距離蜂房遠近影響，影響信息的傳遞。

“采蜜蜂”指的是在某處蜜源較優位置采蜜的蜜蜂，同時向其他蜜蜂傳播蜜源信息。

“跟隨蜂”指的是根據返回蜂房采蜜信息指引，對蜜蜂開采蜜源質量好壞進行評判后決定是否跟隨才蜜蜂開采。

“偵察蜂”指的是還未發現較優蜜源，作為蜂群中的偵察兵，在不斷搜尋新蜜源的蜜蜂。蜂群中總是抱有一定數量的偵察蜂。

蜂群在執行采蜜任務初期并沒有對蜂群進行分類，所有蜜蜂都為偵察蜂。經過蜜源開采后根據蜜源質量好壞由優到差將蜜蜂區分為才蜜蜂、跟隨蜂和偵察蜂。三類蜜蜂的轉變機制分以下三種情況，如圖4所示。

圖4 不同種類蜜蜂轉換圖

所有蜜蜂一開始都是偵察蜂，如果采蜜當前開采蜜源收益度較差時，自動放棄當前蜜源并轉變偵察蜂繼續搜尋新蜜源。

蜜蜂搜尋到收益較優蜜源時轉變為采蜜蜂，才蜜源區進行開采，成為其他蜜蜂的信息引領者。

蜜蜂所處蜜源收益度滿足跟隨蜂轉換條件時，蜜蜂轉變為跟隨蜂。根據采蜜蜂傳遞蜜源位置和質量信息選擇要跟隨的采蜜蜂去開采，才是跟隨蜂轉變為采蜜蜂。

人工蜂群算法原理。利用適應度函數來衡量蜜源好壞，蜜源區域的花蜜量代表蜜源的適應度值。在利用人工群算法求解函數優化問題時，首先在搜索空間搜尋蜜源，每個蜜源區域都對應一個數學化模型的解，求解的目標就是獲得適應度最高的蜜源，也就是最優解。最優蜜源在求解函數優化問題時就代表著最優解。蜂群尋找最優蜜源的速度代表著哈數優化問題的解算速度。函數優化問題在人工蜂群算法中應用時的相關術語對應如下表。

如果一個團隊能夠像人工蜂群一樣配合，團隊中有人采蜜、有人偵察、有人跟隨且角色可按需改變。我相信一定有著強悍的戰斗力。

總結

以上是生活随笔為你收集整理的人工蜂群算法_如果你的团队能够像人工蜂群一样战斗的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。