摘要   随着计算机技术、智能芯片、控制技术的不断研究，无人机作为一种新兴产业不断地深入现实生活中的各个领域，并且起着越来越重要的作用。无人机的市场规模在逐渐扩大的同时，人们也在不断研究如何提高无人机在复杂的环境场景中执行任务的可靠性和效率性，例如在茂密的树林里实施搜救任务，在大城市中进行配送服务，要如何保证无人机在飞行过程中感知到障碍物或者遇到禁飞区等信息时，进行有效的路径规划从而更好的避障。   本文的主要研究内容为基于蚁群算法的无人机飞行路径规划。在传统的路径规划基础上，提出智能仿生方法，对无人机在未知环境中执行飞行任务进行路径优化，以提高无人机的可靠性和效率性。

关键词 蚁群算法；无人机；路径规划

UAV Flight Path Planning Based on Reinforcement Learning Abstract   With continuous progresses in the development of computational technology, artificial intelligence chips, and control technology, as a new industry, unmanned aerial vehicle, UAV for short, is being applied and playing an increasingly important role in every aspect of human’s life. It’s noticed that as the market of UAV expands, scholars keep doing researches on the ways to improve the reliability and efficiency of UAV when carrying tasks in complicated circumstances, for instance, rescuing tasks in woody forest, or delivery service in metropolitan. They spare their efforts studying how UAV plans the available and effective flight path to circumvent obstacles when it acquires such information as the existence of obstacles, no-fly zone, etc. during its flight.

  The main research content of this paper is UAV flight path planning based on ant colony algorithm. Based on the traditional path planning, an intelligent bionic method is proposed to optimize the path of UAV in unknown environment, so as to improve the reliability and efficiency of UAV.

Key words：Ant Colony Algorithm; UAV; Path planning

1. 绪论

1.1 选题背景及意义

  无人机“UAV”是无人驾驶飞机的简称。根据我国制造业的发展情况，综合考虑现如今国内外的发展环境和趋势，我国提出了打造一个制造强国的战略目标。而制造业的强弱又与技术创新能力、可持续发展能力、产业结构息息相关。无人机领域就是作为国家的重点研究方向之一。
  进入21世纪，无人机在世界各国越来越重视无人机技术领域的发展。在农业方面，无人机可以代替人工实现对农作物进行监测、喷洒、播种等任务作业，使用植保无人机进行药物喷洒，对农作物施肥，操作简单的同时，大大降低人工成本，又可以提高效率。相较于人工对农作物进行检测，无人机携带热成像、病虫色谱等摄像设备进行检测任务显得效果更好。在地理测绘、电力巡检方面，无人机同样可以替代人工。尤其是在西北方的广阔土地上，地形复杂，在一些恶劣环境中对电路线架的检查与维护显得困难且危险。无人机同样可以在一部分任务作业中替代人工完成，给无人机装配上GPS和摄像机，通过自主巡航功能，可以对电力设备进行沿路排查，将拍摄的到画面实时传输，由专业操作人员在电脑上查看与操纵。在军事领域方面，随着近些年我国的积极发展，我国无人机军事领域已经跻身世界前列。可以预见，未来作战中无人机会成为战场上的首选作战武器之一，不管是在侦查监视、物资运输、军事打击、联络通讯等方面都起着非常重要的作用，掌握了无人机的应用技术就是掌握了主动权。
  无人机之所以能够应用的越来越广泛，得益于人们对于无人机的控制技术和路径规划能力的不断提高。无人机的控制技术是对于无人机自身姿态和周围环境感知及无人机的垂直、俯仰、翻滚等飞行姿态的运动控制技术。无人机的控制技术非常重要，拥有优异的无人机控制技术是能够执行不同领域中各项任务的基础，同时也决定了能够执行任务的复杂程度。无人机路径规划是在某一特定环境场景下，从指定的某一位置出发，能够在避开飞行途中的所有障碍物及干扰的条件下尽可能的选择最优路径到达设定的目的地。
  本文的主要研究内容为基于蚁群算法的无人机飞行路径规划。在传统的路径规划基础上，提出智能仿生方法，对无人机在未知环境中执行飞行任务进行路径优化，以提高无人机的可靠性和效率性。

1.2 研究现状

1.2.1 路径规划的研究现状

  随着智能芯片、传感器、高新技术材料、自动控制技术、计算机技术的不断发展，机器人在军事工业、日常生活等领域中都有着广泛的运用。不管是在环境复杂的森林、热闹非凡的城市，路径规划问题在现实世界的各个领域都具有非常重要的研究意义，是新一代机器人研究热点领域之一。
  在现代智能算法中，根据已知地图信息进行路径规划是图搜索法的主要特点，如在1959年提出的Dijkstra算法，以起始点为中心，采用广度优先搜索，向外层扩展，通过不断迭代更新最小值，直至扩展到目标点。这种算法采用贪心策略，虽然一定可以找到最短路径，但是只适用于结点数较少的情况，如果遍历的结点过多，会导致计算量大且耗时久的问题。A*算法的提出则是在Dijkstra算法的基础上进行优化，改进搜索过程为启发式搜索，为达到提高效率的目的，减少遍历过多不必要结点，运用了估价函数来计算结点，与Dijkstra相比确实大大提高了算法的搜索效率。
  根据1980年两位学者提出的可视图法，我们可以通过不加考虑的将无人机使用小黑点来表示，忽略障碍物的尺寸，使用直线将其连接起来，从起点出发绕过障碍物到达终点，对这些直线的距离长度赋予权值，就可以根据{S，G，V}对最优路径进行求解。可视图法搜索可以帮助我们求解简单的最短路径，同时降低搜索的时间。但是因为简化了太多因素，导致对周围环境信息的表示不准确。每次更新信息，需要初始化一次可视图，来改变起点等等。过多的障碍物会增加搜索时间，降低搜索效率。因此可视图法灵活性低，每次更新起终点信息或障碍物信息都要重构可视图。基于可视图法的不足，之后引出了切线法，切线法用障碍物的切线表示弧，于是可以让无人机飞行时遇到障碍物能够基本贴着障碍物向前飞行，此时若产生误差，那么碰撞障碍物概率比较大；反观Voronoi图法，则是让弧线尽量的远离障碍物，这样当无人机飞行过程有误差时可以较大的避免与障碍物发生碰撞，更好的对算法进行了优化。
  人工势场法APF是可以根据无人机所携带的传感器搜集所处环境信息，将信息处理加工后构建出虚拟力场，方便无人机进行飞行局部路径规划的方法。设定两个力场，一个是由目标点建立引力场，让无人机有朝目标点飞去的趋势；另一个是由障碍物建立斥力场，让其对无人机产生排斥力，通过这两个势场叠加产生的总势场对无人机进行共同作用指引无人机飞行时能够避开障碍物的同时朝向目标点移动，从而产生最优路径。无人机会从高势能向低势能移动，当无人机与目标点的距离变化会改变无人机的势能变化，靠近目标点时势能减小。当无人机与障碍物的距离变化会改变无人机的势能变化，靠近障碍物时势能增加。人工势场法使得无人机的路径规划的效率和实时性得到提高。人工势场法有不足之处，当无人机位于临近的障碍物之间时容易陷入局部极小点。
  于是有人对人工势场法的不足做出了优化，对势场函数进行可调节，同时根据预测距离合理设置临时目标点解决陷入局部区域陷阱和局部极小点问题。
  蚁群算法（Ant Clony Optimization, ACO）顾名思义，用自然界的蚂蚁命名是因为该算法是由人工蚂蚁觅食的智能仿生算法，由Marco Dorigo提出。最开始研究的这个新型算法被用于解决旅行商（TSP）问题上，后因其显著的效果被后人不断的研究改进，且渐渐应用到其他各个领域之中，在物流车辆配送、群体智能、网络路由优化等方面都有涉及，已经成为分布式人工智能研究的一个热点。

2. 四旋翼无人机

2.1 四旋翼无人机简介

  四旋翼无人机如图 2.1的四个旋翼是由四个前后左右成中心对称的电机组成，且处于同一高度平面上，无人机的控制器外设等则安装在中间。四旋翼无人机可以通过其四个旋翼的不同旋转状态组合来控制自身的姿态和位置，四个输入实现六个自由度的输出。通过垂直、偏航（Yaw）、前后、滚转（Row）、左右、仰俯（Pitch）等动作使无人机可以完成各种复杂的任务动作。

图 2.1小型四旋翼无人机

2.2 无人机飞行工作原理

  当无人机平衡悬停于空中时，相对的电机同向旋转，是四旋翼达到平衡，即A，B电机顺时针旋转，C，D电机逆时针旋转。要使无人机完成垂直运动，同时增加或减少ABCD四个电机的相同输出功率，使得旋翼（Quadcopter）产生的气流升力大于或小于无人机（Rotorcraft）自身的重力，从而达到垂直上升或者垂直下降的动作要求。
  要使无人机完成滚转、仰俯如图 2.2所示，可控制其中一对同向旋转的旋翼中的电机A增大输出功率，另一个电机C减小输出功率，此时两个旋翼会出现一个上升升力，一个下降升力，而另外一对螺旋桨的电机B,D功率输出保持不变，整体产生的不平衡力矩使无人机机身围绕x轴或y轴旋转。同理，改变另一对同向旋转的旋翼中的电机B,D的功率输出，保持A电机A,C的功率输出不变，可以出现反向的滚转、仰俯动作。
  要使无人机完成前后运动时，可则要保证在垂直方向上的升力与自身重力相同，即只在水平方向上产生前后、左右的推力，可通过控制某一对同向旋转的螺旋桨中的电机一个增大输出功率，另一个减小输出功率，另外一对螺旋桨的电机功率输出保持不变，此时适当增加和减小的功率使机身出现一定程度的倾斜并保持倾斜度，从而能够产生水平拉力，实现前后飞行运动。
  当发电机的输出螺旋桨在转动时，空气阻力会与螺旋桨的转动方向产生相反作用力矩，称为反力矩。当四螺旋桨中在同一对角线上的螺旋桨转动方向同向,但相邻螺旋桨转动方向却相反,所形成的反向力矩彼此抵消，以此保持四螺旋桨飞行器机身平衡。而电动机速度的高低影响反力矩的高低,当四个螺旋桨(QuADCopter)上的电动机速度不完全相同时，反力矩就无法完全抵消，使无人机向某一侧偏航运动。当旋翼电机A,C输出功率上升，转速增大，旋翼电机B，D输出功率下降，转速减小，则A,C的反扭矩大于B，D的反扭矩，使机身保持垂直方向不发生改变下绕Z轴旋转，从而实现无人机偏航运动。

图 2.2六自由度输出

2.2.1 四旋翼动力学模型的建立

根据牛顿第二定律，可得：

$\vec{F}$ 为无人机所以外力之和；
$\vec{V}$ 为无人机的速度；
$\vec{M}$ 为无人机对于某个轴的合力矩；
m 为无人机的质量；
$\vec{H}$ 为无人机相对于地面坐标系的动量矩。

2.3 PID控制器

  PID控制器包括比例、积分、微分环节。一般系统的输入经过PID控制器，再到被控制对象执行输出。流程图如图 2.3：

图 2.3 PID控制器

2.3.1 PID控制器的三个环节各有不同的作用

  比例控制：比例控制是PID控制器的不可或缺环节，它可以一定程度的放大系统中的系统设定值与反馈实际值，并将其作为输出增加量加到系统输出之中，这个输出量可正可负，以此调节系统的输出值使系统向设定值靠近。比例系数的大小会影响系统响应的快慢程度和超调程度。系数就越大的越快，但也越容易强调。系数越小越慢，但不容易超调。只有设置合适的值才能让系统能够较快的到达设定值并且不会出现太大的震荡。
  微分控制：比例控制只能让系统接近设定值，系统稳定时也只能在设定值或者设定值附近的某一值上下波动，无法稳定下来，这就是因为存在惯性误差。此时微分控制的作用就体现出来了，对当前误差曲线进行微分可以进行误差变化的预测，再通过一定放大系数放大后加入的系统输出补偿，用以消除比例控制作用过程中产生的惯性误差，使系统趋于稳定。微分控制的系数也需要适当，当值过大时容易导致超调并且发散，当值过小时容易导致抑制不足。
  积分控制：在比例微分作用下系统稳定值会趋于某一值且不再震荡，但是总与设定值存在一定偏差，这种偏差就叫做静态误差。此时积分环节的作用就是为了消除这种静态误差，将产生的静态误差加以一定的积分系数放大后加入系统输出进行补偿，使能够消除静态误差到达设定值。积分放大系数往往是一个较大的数值，因为其能够不停的累积偏差值，偏差值可正可负，但是在存在较大的偏差时，往往会朝正值或者负值不断累积，导致积分值过大无法回复，所以在加入积分控制时，需要根据实际情况对积分进行处理，可采取只有在某些情况下才加入积分控制，亦或对积分进行幅值限制，避免出现积分累加不可控制的情况。
  因此，我们可以知晓整个无人机的控制流程如图 2.4所示。

图 2.4无人机姿态控制流程图

2.3.2 PID公式

  式中的e(k)是该次输入与设定值的偏差值，前面的$k_p$用于放大偏差值；${\sum }_{j=0}^{k}e(j)dt$则是对偏差值进行积分累加，同时前面的$k_i$作为积分的放大系数；$\frac{[e(k)+e(k-1)]}{dt}$则是对偏差值进行微分，用于预测下一次的变化趋势，前面$k_d$作为微分放大系数。

3. 路径规格基础

3.1 前言

  在前人不断的研究之中，路径规划的相关算法都已较为全面，作为四旋翼无人机执行任务作业的重要途径之一，目的是使四旋翼无人机能够通过自身的多种智能传感器在执行任务时获取周围环境信息，通过控制处理器计算出在当前所处环境中的最优路径的过程。随着近年来国内外科研人员对无人机控制领域问题的不断探索，在无人机路径规划领域取得了丰厚的成果，如今有着众多关于无人机路径规划的算法，可以根据不同算法其优缺点能够运用的各个不同应用场景和范围。

3.2 迪杰斯特拉算法

  迪杰斯特拉算法的核心思路是贪心算法，在解决单源短路问题可以使用。
流程如下：

1. 从当前的全部未确定最短路径的点中找到距离源点A的直接最短路径的点作为标记点x，此时列出每个点到源点A的距离。
2. 找出所有的点到标记点x距离最短的点，令其作为新一个标记点x，同时更新其他点到经由此前标记点到源点路径的距离。
3. 重复上述循环遍历完所有的点，直到所有的点被标记为确定最短路径。

3.3 粒子群算法

  粒子群算法（PSO）是前人通过观察日常生活中的鸟群觅食，思考总结并模拟其行为的优化算法，作为一种智能仿生算法现用来解决路径最优化问题。该算法模拟鸟群在觅食，且在觅食的范围内只有一个地方存在食物，鸟儿只能感受到一定范围内食物距离自己的远近。那么我们有着两个可以考虑的因素，一个是鸟儿飞行过程中，一路上存在一个距离食物最近距离时的位置坐标，另一个是其他鸟儿飞行时，某只距离食物最近的鸟儿当时的位置，通过这两个位置因素分析。

图 3.1粒子群算法流程图

  粒子群算法如图 3.1的核心步骤是更新粒子位置和速度，其中 “速度更新” 最为重要。
速度更新公式：

  式中，now_v为当前粒子速度，rand∈[0,1]，c1为学习因子我们设c1=1，pbestposition为该粒子历史中最好的位置，c2为学习因子，设c2=1，gbestposition为当前种群中有粒子在最好的位置，w为惯性因子，我们设为w=0.5。

位置更新公式：

  在此，我们取t=1。

3.4 蚁群算法

  通过科学观察发现，蚂蚁的视觉方面并不发达，可以通过整个群体的力量，在往返于洞穴和食物的无数条道路之中，渐渐走出一条最短、最方便的路径。哪怕在这个过程中，食物因为某些因素更换了位置，再次被蚂蚁群体搜寻到时，又能够非常迅速的，在洞穴和食物的无数条道路的往返之中渐渐地又能够探索出新的最佳路径。
  原来蚂蚁群体在外出寻找食物如图 3.2的途中，其体内释放出一种能够让其他有经过此路径的同类察觉到的物质，这种遗留在路途上的物质随着时间的推移渐渐消失。当一条路径上有着许多蚂蚁爬行经过时，上一次的信息物质还没完全挥发消失，下一次的信息物质又来了，不断积累之下，那么在这条路径上蚂蚁留下的信息素会越来越多。虽然自然界中蚂蚁寻找食物时走的路线是随机的[4]，但是当某条路径上的信息素多的时候，这会影响蚂蚁的决策，蚂蚁这条路径吸引并选择，从而又走上这条路，形成了一个正向循环，渐渐的就会形成一条最优的路径了。而我们的蚁群算法正是基于这个原理设计的。

图 3.2蚁群寻找食物图

3.5 基于matlab的栅格地图建模

  几种常见的matlab地图建模：尺度地图、拓扑地图（如图 3.3）、语义地图等。尺度地图指有实际物理意义的地图。

图 3.3栅格地图与拓扑地图

3.5.1 点云地图

  点云地图是尺度地图的一种，由无数的点云构成，能够大量保留原始的环境信息，更好的描述环境，但是会带来大量的存储信息，所以无法对数据进行实时处理。

3.5.2 栅格地图

  栅格地图广泛运用于智能小车移动、四旋翼无人机导航、机器人等领域中，在路径规划、实时避障中构建地图有着重要的作用。一般绘制栅格地图有两种方式，一种是通过手机或者单反相机等摄像设备进行场景拍摄，导入电脑中进行绘制，二是通过雷达扫描获取周围环境。栅格地图的优势在于可以将地图进行单位化，固定长度，并且可以根据需求更改栅格长度。坐标与栅格对应，方便计算和处理。
  栅格建模的步骤：栅格大小的选取、障碍物栅格的确定、未知环境栅格地图的建立。
  栅格大小由栅格的长宽确定，格子的长宽为x和y决定栅格的分辨率，栅格越小，分辨率就越大，表示栅格存储的数据越精细。所以栅格大小和环境信息存储量大小、决策速度能力密切相关，尤其是在障碍物繁多的场景中，需要根据实际情况适当选择栅格大小以让规划路径的能力达到最佳。
  障碍物栅格的确定需要根据具体情况决定。当初始化好栅格地图后，通过雷达扫描等手段，尽量遍历整个环境，获取一定高度范围内的三维点，投影在二维栅格上，人为设定阈值，通过比较实际值和阈值的大小，判别栅格地图中的每一个栅格是否为障碍点。通过赋予每个栅格不同的值，0代表空地，1代表障碍，2代表未知地形，3代表走过的路径，4代表为走过的路径，并将栅格按照不同的值赋予不同的颜色区分，由此绘制出局部障碍的栅格地图。在仿真的时候，我们可以随机生成障碍物以搭建具有障碍物环境的栅格模型，例如生成山峰、山地曲面模型等。

4 蚁群算法

4.1 蚁群算法基本原理

  通过模拟蚂蚁寻找食物的过程，巢穴作为起点，食物源作为终点。那么不同蚂蚁从巢穴到达食物源所走的不同路径就是路径规划中的一个解，蚂蚁所走的所有路径就作为路径规划中解的集合。而在蚂蚁寻找食物源所走的路径的过程中，受到信息素的影响，随着时间的推移，蚂蚁群体会渐渐集中的走到某一条路径上，那么此时这条路径便作为我们路径规划之中的一个最优解。

表 4.1蚁群觅食现象和蚁群优化算法的基本定义对照表

蚁群外出觅食现象	蚁群算法
蚁群	探索空间的一组有效解（种群规模m）
觅食空间	问题的搜索空间（表现为问题的规模，解的为数m）
信息素	信息素浓度变量
蚂蚁从巢穴到食物的一条寻找路径	一个有效路径解
蚁群最终共同路径	最优路径解

4.1.1 旅行商问题（Travelling Salesman Problem，TSP）

4.1.2 蚁群算法步骤

  蚁群的算法基本步骤简单，如图 4.1所示流程，可以分为以下几个步骤。
  步骤1：相关参数初始化，蚂蚁种群数m、信息素因子参数、城市规模大小、启发式因子参数、信息素挥发因子ρ参数、信息素常数Q、最大迭代次数等。
  步骤2：蚂蚁种群全部随机分配置于不同城市之中，计算每只蚂蚁访问下一个城市的概率大小，根据禁忌表让蚂蚁访问完所有的城市。
  步骤3：随着迭代次数的增加，记录蚂蚁的路径信息，记录当前路径最优解，对不同路径上的信息浓度进行更新，并记录迭代次数。
  步骤4：判断迭代次数是否满足需要继续迭代，不需要则输出最优解，否则继续迭代。

图 4.1蚁群算法基本流程图

4.1.3 蚁群算法的不同参数设置影响

表4.3 蚁群算法中主要参数的选择

参数符号	定义	参数影响析
α	信息素因子	α值影响蚂蚁对以往路径的选择程度，值越大，影响越受过往路径的影响，导致搜索未知路径能力降低，当α值过小时，容易陷入局部最优的情况。
β	启发式因子	β值蚁群对探索路径的能力，增大可以使收敛速度加快，但是全局性降低，容易使蚁群陷入局部最优的情况。
m	蚁群数量	M数量可以决定解出最优解的精确程度，但是当数量过多时会产生较多重复解。并且当收敛到最优路径附近时，正反馈作用降低，效果不再明显，增加了工作量和复杂度。
ρ	信息挥发因子	ρ值影响各个城市之间路径上遗留的信息素的消失速度，过小时会导致路径的无效信息素遗留过多，不利于最佳路径的搜索，同时影响到算法的收敛速率。

4.2 改进的蚁群算法

4.2.1 精英策略的蚂蚁算法

  虽然蚁群算法的优势是能够较好的选择出最优路径，但是也有收敛速度慢的缺点。对于寻优路径的参数设置不合理，容易陷入局部最优情况等问题。因此在后续的研究当中，提出精英策略蚁群算法对原本蚁群算法进行改进，其流程如图 4.2所示。此法能够弥补蚁群算法的一些不足，使其在一次迭代过程中，选出其中的几只走出较优解的蚂蚁，作为精英蚂蚁，并且在一次循环结束后额外增加精英蚂蚁走过路径的信息素浓度，使其在下一次的循环中能够更加吸引蚂蚁到来。

图 4.2引入精英蚂蚁的蚁群算法流程图

4.2.2 信息素的更新策略

  当蚁群系统中引入了精英蚂蚁策略，则系统中的信息素更新也随之变化。在蚂蚁的一次寻路过程中，保持普通蚂蚁的信息素更新方式不改变，对精英蚂蚁的在寻路过程中的更新信息素方式做出调整。此时精英蚂蚁所走的精英路径的信息浓度需要根据路径长度给予不同的比例参数，即信息素浓度的大小受精英路径长度的影响。而因此信息素的挥发因子参数就被分为了全局和局部两部分且各有不同的作用和意义。这样避免了算法过早收敛的同时又提高了效率，很好的优化了收敛过慢的问题。
信息素更新规则：

最优路径信息素更新：

其余普通路径信息素更新：

  式中，比例参数w代表精英蚂蚁的更新比例参数，w-r则代表第r只精英蚂蚁。
  △${\tau }^{best}$(i,j)则代表栅格坐标（i，j）的信息素浓度。

4.2.3 最大-最小蚂蚁系统

  最大-最小蚂蚁系统（MMAS）是一种基于蚁群算法的优化系统，与蚂蚁系统相对比，MMAS最大的不同是只对本次迭代之中的所有蚂蚁之中的最优的一只蚂蚁的信息素进行更新，并且将所有蚂蚁之中最优的一只蚂蚁信息素轨迹初始化为${\tau }_{max}$，使其更加注重对最优路径的选择，防止算法过早停滞。但是使部分信息素增长过快的同时，也可能导致算法陷入局部最优解。为了防止其无限制的增长，MMAS把信息素${\tau }_{ij}$的大小在限制在[${\tau }_{min}$,${\tau }_{max}$]之间。
MMAS信息素更新规则：

式中，$C^{best}$是$T^{best}$的长度，$T^{best}$是至今最优路径。

5. 实验设计与仿真

  Matlab是一款功能非常强大的软件，在本次实验仿真中可以提供大量的函数和多功能工具箱，设计GUI界面方便进行人机交互，能够很好地帮助我们解决规划的仿真问题，因此本章采用matlab对实验进行无人机的地图仿真搭建环境，对蚁群算法及其改进行探究。

5.1 路径规划二维栅格仿真设计

5.1.1 二维栅格环境搭建

  本次仿真通过设计一个20*20的二维静态栅格地图，综合考虑路径规划使用了蚁群算法进行规划，并采用GUI人机交互界面（如图 5.1）进行参数调节。

图 5.1 GUI人机交互界面

  此次路径规划的二维栅格地图如图 5.2所示，其中采用绿色标记栅格地图为无人机出发点、红色标记栅格地图为无人机的目的地、黑色栅格无人机代表障碍物或者禁飞区。

图 5.2二维静态栅格地图初始化

5.1.2 实验参数设置

  本次仿真实验设置了普通组和精英组，对蚁群算法中的相关参数进行配置，采用控制变量法探究引入精英蚂蚁数对路径规划的影响情况。

表5.1 参数设置表

参数名称	普通组	精英组
起点坐标	1	1
终点坐标	400	400
蚂蚁数量	40	40
精英蚂蚁个数	1	5
迭代次数	100	100
运行次数	10	10
启发式因子	3	3
信息素因子	2	2
全局信息素挥发因子	0.1	0.1
局部信息素挥发因子	0.08	0.08
最优值	30.9706	30.9706
多样性	4.2086	4.0573
收敛代数	27	43

5.1.3 实验结果与分析

  设定迭代次数为100次，运行10次。我们所初始化的轮盘赌阈值为0.8，同时根据普通组合精英组分别设定精英蚂蚁数为1和5，其他如启发因子等参数如上表5.1所示。
  通过普通组和精英组可以分别得到多样性曲线如图 5.3和图 5.4。

图 5.3普通组多样性曲线图

图 5.4精英组多样性曲线图

  在蚁群算法的参数调整中，我们遵循的准则是在保证解的最优性基础上，使算法尽快的收敛。上述的某两次实验中，我们采用控制变量法仅仅更改引入精英蚂蚁的数量。从多样性的对比上可以发现，随着迭代次数的增加，与图 5.3相比，图 5.4的多样性下降的更快，收敛更快，说明精英蚂蚁能够使收敛速度加快，更多普通蚂蚁在精英蚂蚁的影响下探索路径更向精英蚂蚁靠近，能够更快的缩小蚁群搜索路径的多样性，意味着能够更快的找到最优路径。

图 5.5普通组收敛曲线图

图 5.6精英组收敛曲线图

  根据普通组和精英组的收敛曲线（分别如图 5.5和图 5.6）可以发现，普通组的局部收敛曲线与全局收敛曲线的拟合程度，并没有精英组的拟合效果好，这说明精英蚂蚁能够让收敛局部收敛更加趋近于全局收敛，且收敛速度更快。
  以下是普通组和精英组的最优值和多样性的计算结果分别如图 5.7和图 5.8。

图 5.7普通组算法统计图

图 5.8精英组算法统计图

  以及普通组和精英组的算法规划路线图分别如图 5.9和图 5.10。

图 5.9普通组路线规划图

图 5.10精英组路线规划图

  结论：在蚁群算法的参数调整中，我们遵循的准则是在保证解的最优性基础上，使算法尽快的收敛。上述的某两次实验中，我们采用控制变量法仅仅更改引入的精英蚂蚁数量。从算法的统计结果看，在仅仅精英蚂蚁数量不同的算法中，计算的最优值是一样的，但是精英蚂蚁数量多的组别多样性更小，且收敛更快。意味着精英蚂蚁的加入能够在保证算法最优性的同时，使其更快的收敛，提高了效率。

6. 总结与展望

6.1 总结

  当今基于蚁群算法的无人机路径规划越来越成为研究热点，尤其是在复杂环境下的执行任务，让无人机具有优秀的决策能力显得尤为重要，同时也是一项具有难度的技术挑战。本文采用引入精英蚂蚁的策略以改善原本的不足，通过实验和仿真测试证明引入精英蚂蚁策略对于算法的改进有着良好的优化，使无人机在规划路径方面更加具有适应性。

6.2 展望

  相比于蚁群算法，引入精英蚂蚁策略的蚁群算法能更加有效的帮助无人机进行路径规划，更好得到适应环境，同时优化收敛速度较慢问题，但是在一些细节方面改进，如挥发因子的权值确定，遇到动态障碍物的处理策略等问题。为更好的帮助无人机规划路径以适应执行任务时的环境因素，因此还需在后续的研究中进一步优化和改进。

相关资料链接下载

基于matlab的二维栅格地图的精英蚁群算法的路径规划算法仿真