技术领域
[0001] 本发明属于定位导航与控制技术领域，特别是指一种基于混合群智能算法的无人机协同航迹控制方法。
相关背景技术
[0002] 随着近年来无人机越来越广泛的应用，实现无人机协同编队飞行执行任务已经成为了当前研究的热点。在无人机协同涉及到的众多技术中，协同航迹规划控制是最为关键的技术之一，具有跨学科覆盖面广、算法创新难度高等特点。
[0003] 协同航迹规划控制本质上是一类优化问题，国内外相关学者对其进行了一系列的研究，研究表明启发式的群智能算法是解决无人机协同航迹规划的有效途径，最为典型的是利用蚁群算法、粒子群算法等，相比传统的凸优化算法，具有对目标函数和约束条件的表达要求更宽松、计算时效性高、鲁棒性较强等优点。
[0004] 采用粒子群算法应用于各类优化问题具有较好的优势，但其固有以全局最优值为搜索目标时局部搜索能力较差、容易早熟陷入局部最优等问题，因此需要算法其进行一些改进。除优化算法参数外，与禁忌搜索等其他启发式智能算法相结合，可以弥补单一算法的固有缺陷，在无人机协同航迹规划问题上可以取得良好的应用效果。
具体实施方式
[0030] 以下结合附图和实施例对本发明做进一步的说明。
[0031] 一种基于混合群智能算法的无人机协同航迹控制方法，包括以下步骤：
[0032] (1)以航程、飞行高度、无人机与障碍区域间距离、转弯半径、爬升角度、机间距离六个要素作为约束项，组成无人机协同航迹评价函数；
[0033] (2)设置混合群智能算法相关参数：学习因子c1和c2、惯性权重因子ω、粒子种群规模Ns、粒子最大飞行速度vmax和禁忌表规模M，给定无人机初始位置和速度，初始化粒子种群和禁忌表，设置算法最大迭代次数；
[0034] (3)开始迭代，根据航迹评价函数判断粒子解空间位置，比较产生个体最优解并判断是否更新全局最优解，重复迭代直至达到最大迭代次数，得到粒子个体极值与全局极值，更新粒子位置与速度公式。具体步骤如下：
[0035] (301)开始迭代后，计算种群拓扑结构中每个粒子的评价函数值，比较得出当前个体与全局最优解；在下一次迭代后继续计算得出最优解并与上一次迭代做比较，判断是否更新个体与全局最优解；
[0036] (302)设置参数k，算法每迭代k次进行一次额外判断，若粒子全局最优解在这k次迭代中有过至少一次更新，则继续进行迭代；
[0037] (303)若粒子全局最优解在这k次迭代中都未更新，则判断当前粒子全局最优解已陷入局部最优。为使算法跳出局部最优循环，将当前的全局最优解加入禁忌表，继续进行迭代(禁忌表中的解无法参与下一次迭代搜索，即无法出现在下一次迭代的解空间里)；
[0038] (304)被禁忌的解在满足特赦准则时移出禁忌表，并参与下一次迭代。特赦准则出现在以下两种情况：1)禁忌表规模达到上限。禁忌表采用先入先出的原则，若在某次迭代并禁忌了当前最优解后禁忌表规模达到上限，则将目前禁忌表中最早加入的解移出禁忌表；2)禁忌长度为0。被禁忌的解在加入禁忌表时具有不同的禁忌长度λ，其值由下式确定[0039]
[0040] 式中，F为k次迭代都未更新的全局最优解所对应的评价函数值，G为k次迭代之前的上一个全局最优解所对应的评价函数值。之后每迭代一次，禁忌表中解的禁忌长度就减少1，禁忌长度为0的解会移出禁忌表，并参与下一次迭代搜索；
[0041] (305)最终达到最大迭代次数时产生的个体历史最优解和全局历史最优解即为个体极值 与全局极值 代入粒子群算法的速度和位置更新公式，获得无人机下一航迹点的位置和速度。
[0042] (4)各无人机按照粒子位置与速度公式更新状态并运动至下一航迹点，产生新的粒子种群；
[0043] (5)重复步骤(3)(4)，直至各无人机到达最终目标点。
[0044] 总之，本发明采用的混合群智能算法结合了粒子群算法和禁忌搜索算法，具有搜索速度快、范围大，且不易陷入局部最优的优点。
[0045] 本发明可以应用于多无人机的协同执行任务场景，基于嵌入式软件与机载处理平台，实现算法的航迹点协同迭代求解能力，解决无人平台的实际航迹规划等导航问题。
