一种确定无人机航路最优路径的方法
【专利摘要】本发明提供了一种可以更充分地考虑作战区域的威胁，更加高效的全局搜索能力，能为无人机提供更为准确的飞行路径的确定无人机航路最优路径的方法。采用量子编码方式，量子旋转门和量子非门用来改变基本量子位的状态，进而更新蝙蝠个体的位置。由于量子状态的多样性，量子蝙蝠算法(QBA)具有较强的全局搜索能力，可以为无人机寻找出一条避开威胁和限制条件的可行甚至是最优路线。实验结果表明量子蝙蝠算法是求解无人机航路路径规划问题一种有效且稳定的方法，搜索性能优于其他的群智能算法。
【专利说明】一种确定无人机航路最优路径的方法
【技术领域】
[0001] 本发明涉及一种确定飞机航路的方法，具体是指一种确定无人机航路最优路径的 方法。
【背景技术】
[0002] 无人作战飞行器（UCAV)是一种现代航空武器装备，由于其可以执行远程和危险 环境中危险、重复性的工作，因而是未来战争潜在的必然趋势之一。无人机航路规划问题的 目标是满足特定的约束条件下，在初始位置和所需的目的地之间寻找一条具有最小威胁代 价的最优或接近最优的飞行路径。近年来，在军用和民用领域，无人机航路规划问题都得到 了广泛的研究。部分智能算法已经在该问题中得到了应用，如混沌人工蜂群算法（CABC)，遗 传算法（GA)，粒子群优化算法（PSO)，差分进化（DE)，混沌捕食生物地理学算法（CPBBO)，蚁 群算法（ACO)，萤火虫算法（FA)以及人工神经网络（ANN)等。
[0003] 蝙蝠算法（BatAlgorithm，BA)是由X.S.Yang于2010年提出的，它源于对大自然 中蝙蝠利用回声定位的原理进行搜索、捕食食物过程的模拟。在搜寻食物时，蝙蝠会发出超 声波脉冲，此时的脉冲音强最大，这样有助于超声波传播更远的距离。在飞向猎物的过程 中，脉冲音强会逐渐减小，而脉冲频度则会逐渐增加，这样会使蝙蝠更精确地获取食物的位 置。蝙蝠算法已经在诸多领域得到了广泛应用，如全局工程优化问题，约束优化问题，结构 优化问题，离散钢结构尺寸优化问题。G.G. Wang应用基本蝙蝠算法（BA)和融合了变异策略 的改进蝙蝠算法（MBA)来求解无人机航路规划问题。在改进蝙蝠算法（MBA)中，差分进化 中的变异操作被加入蝙蝠算法以加快全局收敛速度。
[0004] 现有技术中的基本的蝙蝠算法采用的是实数编码方法，具体步骤如下：
[0005] 第一步：建立无人机航路规划问题（UCAV)的数学模型如下：
[0006] 即UCAV的威胁源模型，在该模型中，定义航路的起点为S，目标点为T。在无人机 的作战任务区内有许多的威胁区域（如：雷达、导弹、火炮等）。这些威胁区域均以圆形区 域的方式来表示，越接近圆形区域的中心便越易受攻击，在区域之外则不受攻击；飞行任务 就是在考虑所有威胁区域的前提下，在S与T之间寻找一条最优的路线。
[0007] (1)处理方法，结合附图1 ;
[0008] 1、连接3与1';
[0009] 2、将ST分为D+1段（即D个节点），分别标记为L1, L2, ? ? ?，Lk，? ? ? Ld ;
[0010] 3、在每个节点处作ST的垂线，构成一个离散点的集合：
[0011] C = {S，L1 (X (I)，y (I))，L2 (X (2)，y (2))，…，Lk (X (k)，y (k))，? ? ? Ld (X (D)，y (D))， T}按顺序将这些点连接起来便形成了一条路径。
[0012] (2)坐标系变换
[0013] 为了加快搜索速度，可以把ST当作X轴，对每个离散点（xk，yk)做坐标变换
【权利要求】
1. 一种确定无人机航路最优路径的方法，其特征在于：它包括如下步骤： 第一步，基于基本蝙蝠算法的基础上采用量子位的概率幅对蝙蝠个体进行编码，即用 量子旋转门对量子位的概率幅进行更新，采用量子非门作为变异操作以避免算法的早熟收 敛；对于每个量子位具有两个概率幅，因此，每只蝙蝠可以表示优化空间的两个位置； 第二步，在量子计算中，最小的信息单元存储在一个量子比特中，该量子比特的状态可 能为"0"，也可能为"1"，或是"0"和"1"之间的任意状态；一个量子比特的状态可以表示如 下： ^> =a|〇>+^I1> (12) 其中，a和0满足：a|2+| ^ |2 = 1 (13) 其中，|a|2和|2分别表示趋于状态|〇>和|1>的概率； 一个n元量子比特可以定义为：
量子旋转门定义如下：
量子非门定义如下：
第三步，产生初始种群 算法采用的编码方案如下：
其中，是幅角，由式（17)可以看出每只蝙蝠对应了问题空间的两个位置，分别对应 了量子态I〇>和11>的概率幅： Pic =(cos( 0 n),cos( 0 i2), . . . ,cos( 0 in)) (18) Pis =(sin( 0 n),sin( 0 i2),. . . ,sin( 0 in)) (19) 第四步，解空间的转换 为了计算个体的适应度并对个体的优劣进行评价，我们需要对种群的解空间进行转 换；个体的量子位的每个概率幅对应了问题的解空间的一个解，即每只蝙蝠对应了优化问 题的两个解；
其中，4由量子态|〇>的概率幅《/求得，而g是由量子态|1>的概率幅戽得到； 第五步，更新策略 在量子蝙蝠算法（QBA)中，采用蝙蝠算法（BA)的更新策略对量子位的幅角增量进行更 新，其更新过程如下： A0 ^ (t+1) =A0 ^ (t) +A0g*Q⑴*stepnow(22) 0ij(t+l) = 0ij(t)+A0Jt+l) (23) 其中，A0u和0u分别为幅角增量和幅角；
在本文中，式（25)中的参数值分别为：w= 2，〇e = 0，〇s = 2 ; 利用量子旋转门对概率幅进行更新：
得到两个新位置：
第六步，变异策略 在量子蝙蝠算法（QBA)中，为了防止算法过早地陷入局部最优，本文采用变异策略来 增加种群的多样性，变异策略通过量子非门实现；如果rand() <pm，则执行量子非门操作， 将两个概率值进行兑换；其中，pm为变异概率；
【文档编号】G01C21/20GK104406593SQ201410725347
【公开日】2015年3月11日 申请日期:2014年12月3日 优先权日:2014年12月3日
【发明者】罗淇方, 周永权, 陈信 申请人:广西民族大学