HTML
-
为验证本文作者提出的算法在无人机2维空间和3维空间路径规划问题上的有效性和可用性,将改进算法EDS-IBA与BA、基于差分进化算法的改进蝙蝠算法(improved bat algorithm based on differential evolution algorithm, DEA-IBA)进行仿真对比。为保证数据客观一致,本文中所用算法运行环境和编程平台保持统一。
-
在2维环境下,3种算法参数均保持一致。仿真地图大小为120 m×120 m,种群规模M=60,初始发声响度A0=0.25,初始脉冲发声频率r0=0.5,最大迭代次数Cmax=100, 无人机起点坐标为(0, 0),目标点坐标为(100, 100)。分别在简单干扰环境和突发干扰环境下进行路径规划的对比实验。简单环境下设置6个障碍物,分别为1、2、3、5、6、7,复杂环境下设置8个障碍物,突发障碍物为4和8。具体干扰中心和干扰半径设置如表 1所示。
obstruction center coordinates radius/m 1 (10, 50) 10 2 (20, 20) 9 3 (30, 80) 10 4 (30, 40) 10 5 (50, 55) 10 6 (65, 38) 10 7 (90, 80) 10 8 (70, 70) 8 Table 1. Interference object settings of 2-D environment
从图 7、图 8可以看出, 3种算法从同一起点到达同一目标点进行路径规划的过程中,本文中所提算法均能绕开干扰安全到达目标点。相较于其它两种算法规划出的路径最短,其原因是将动态惯性权重指数递减策略引入蝙蝠速度更新中,用合理均衡全局搜索与局部搜索速度,以提高算法搜索精度与寻优能力,路径点中引入的势场函数也使得路径转折时更加平滑。
图 9展示了3种算法重复运行30次的路径长度的分布图。可以看出, BA规划出的路径长度波动范围最大,在[157, 206] m之间;DEA-IBA路径长度波动在[154, 196] m之间,相较BA有略微减小,但相较于本文中所提算法EDS-IBA路径波动范围在[145, 151]m也有很大的涨幅。结合表 2简单环境下3种算法的路径长度对比情况可以看出,本文中所提算法的最短路径、最长路径和平均路径均优于其它两种算法,且平均路径相较于DEA-IBA缩短了10.7%,相较于BA缩短了16.3%。因此,在路径规划的长度和算法稳定性分析上,本文中所提算法EDS均优于其它两种算法。
algorithm shortest path/m longest path/m average path/m EDS-IBA 145.5862 151.5546 147.3814 DEA-IBA 154.3248 196.1098 165.0168 BA 157.7154 206.7809 176.0798 Table 2. Comparison of path lengths of three algorithms in simple environment
目标函数的适应度值是衡量算法性能的标准之一,如图 10所示的简单环境下目标函数适应度值收敛曲线,本文中所提算法EDS-IBA从一开始迭代便逐渐收敛,当迭代次数为30~40之间时逐渐趋于稳定,而DEA-IBA、BA算法分别从第7次、第26次开始收敛,体现了本文中算法的收敛速度均优于其它两种算法。BA、DEA-IBA、EDS-IBA 3种算法目标函数的适应度值分别227.3、145.3和90.24,本文中的EDS-IBA算法适应度值最小,表明同一环境中无人机路径规划成本最低,以确保算法最优时无人机能耗最低。
在突发干扰出现的情况下,结合图 11突发干扰环境下3种算法运行30次路径长度分布和表 3突发干扰环境下3种算法路径长度对比情况,可以看出, 本文中所提算法的最短路径、最长路径、平均路径同样优于其它两种算法。相较于简单干扰环境下的30次路径长度的分布图,本文中算法的平均路径长度虽然有略微增加,但整体的路径长度分布跨度没有较为明显的变化;而其它两种算法的最短路径和平均路径均有较大的涨幅,且路径长度分布跨度也有较为明显的变化。说明即使有突发情况时,本文中所提算法的寻优能力和算法稳定性也有明显优势。
Figure 11. Path length distribution of 30 times of three algorithms in burst interference environment
algorithm shortest path/m longest path/m average path/m EDS-IBA 147.1561 156.7885 152.4678 DEA-IBA 171.5532 240.5402 191.7065 BA 187.5423 329.5965 250.4962 Table 3. Comparison of path lengths of three algorithms in burst interference environment
图 12所示为有突发干扰下3种算法目标函数的适应度值对比情况。BA、DEA-IBA、EDS-IBA 3种算法分别在第56、46、21次迭代时开始收敛,其中本文中所提算法EDS-IBA在之后的迭代过程中目标函数的适应度值也有一定减小,且收敛时目标函数适应度值分别为240、201.3、113.3,本文中算法相较于DEA-IBA、BA适应度值分别降低了56%、63.1%。因此本文中算法收敛速度更快、路径规划代价最低、算法性能更好。
-
在100 m×100 m×1100 m的3维空间中,3种算法参数均保持一致。种群规模M=60,初始发声响度A0=0.25,初始脉冲发声频率r0=0.5,最大迭代次数Cmax=100, 无人机起点坐标为(0, 0, 0),目标点坐标为(100, 100,0)。利用数字高程地图来模拟无人机空中飞行障碍物空间,且将随机4个圆柱作为干扰,具体干扰参数设置如表 4所示。
obstruction center coordinates radius/m height /m 1 (50, 50) 3 700 2 (40, 80) 5 600 3 (80, 40) 5 800 4 (10, 60) 10 800 Table 4. Interference object settings of 3-D complex dimensional environment
无人机在3维空间中的路径规划效果更能体现算法的准确性和实用性,如图 13a、图 13b所示, 为不同角度的3维路径规划效果。在地形障碍和圆柱形干扰存在的3维地形空间中,本文作者所提EDS-IBA算法能够规划出一条从起点到目标点能够避免碰撞且长度较短的路径。与此同时飞行高度也决定了无人机的飞行能耗,如图 13b所示。本文中算法最大飞行高度为460 m,而DEA-IBA、BA算法的最大飞行高度分别达到了536.8 m和465.9 m,因此, 本文中算法在3维空间中路径规划效果更好、能耗更小。
图 14展示了无人机采用3种算法在3维干扰空间中重复运行30次的路径长度的分布。结合表 5中路径长度对比情况可以看出, BA规划出的路径长度波动范围最大,在[1312.716, 1637.542] m之间;DEA-IBA路径长度波动在[981.2152, 1253.042] m之间,相较BA有略微减小,但相较于本文中所提算法EDS-IBA路径波动范围在[864.2076, 959.9741]m也有很大的涨幅。此外,本文中所提算法的最短路径、最长路径和平均路径均优于其它两种算法,且平均路径相较于DEA-IBA缩短了13.7%,相较于BA缩短了36.2%。因此,无论是在路径规划的长度和算法稳定性分析上,本文中所提算法均优于其它两种算法。
algorithm shortest path/m longest path/m average path/m EDS-IBA 864.2076 959.9741 930.0111 DEA-IBA 981.2152 1253.042 1077.078 BA 1312.716 1637.542 1457.249 Table 5. Comparison of path lengths of three algorithms in 3-D complex environment
3维空间中3种算法目标函数的适应度值收敛情况如图 15所示。BA、DEA-IBA、EDS-IBA 3种算法分别在第25、22、10次迭代时开始收敛,本文中所提算法从开始迭代到收敛后的适应度值均小于其它两种算法,且收敛时的适应度值分别为1033、934.6、910.1,因此本文中算法不但收敛速度更快,路径规划代价也最低,综上所述, 本文中所提EDS-IBA的算法性能更好。