基于云自适应遗传算法的无人机路径规划技术研究

摘要

遗传算法是在自然界生物进化理论的基础上而总结出来的一种随机优化搜索算法，能够解决各种函数优化问题。其优点在于：首先，编码技术和遗传操作相对比较简单，限制性条件较少；其次，该算法的并行性和全局搜索能力较强。但传统遗传算法也存在诸多弱点，比如算法的交叉算子和变异算子的随机性和盲目性太强，容易产生早熟收敛、收敛速度慢、局部搜索能力差等问题。自适应遗传算法正是在此基础上提出的，现有的自适应遗传算法大致可以分为线性自适应遗传算法和非线性自适应遗传算法两种。线性自适应遗传算法采用线性函数自适应调节交叉率和变异率，这对于增加种群多样性、保留优秀个体十分不利，且使得算法收敛速度较慢，更有可能得到局部最优解；非线性自适应遗传算法采用非线性函数自适应调节交叉率和变异率，此类算法虽然不存在线性自适应遗传算法的以上缺点，但与线性自适应遗传算法相同，此类算法的参数也需要根据多次试验来设定，十分不利于在复杂多变的环境下运行。此外，无论是线性的还是非线性的自适应遗传算法都存在一个共同的缺陷：即在交叉算子和变异算子的概率调节公式中，确定的个体适应度对应唯一一个交叉率和变异率，十分不利于算法跳出局部最优解。
　　本研究将云理论引入到自适应遗传算法中，并运用 X条件云发生器改进交叉率和变异率调节公式，构造出一种基于云理论的自适应遗传算法，本文将该算法命名为云自适应遗传算法。云模型中云滴的随机性和倾向性使得交叉率和变异率既具有传统遗传算法的趋势性，可以满足快速寻优能力，又具有一定随机性。当个体适应度为一确定值时，该个体的交叉率和变异率并不是一个固定的数值，而是服从特定分布的随机值，这样既可以避免算法陷入局部最优解中，又可以提高种群多样性。将云自适应遗传算法运用于无人机路径规划中，得到在不完全已知环境下的无人机路径规划结果，仿真结果表明在无人机路径规划应用中，云自适应遗传算法比现有的线性和非线性自适应遗传算法更有效。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 本文主要内容与创新点

第2章 无人机路径规划环境建模

2.1 规划空间表示方法

2.2 规划空间的更新

2.3 无人机机动性能约束

2.4 无人机飞行环境威胁约束

2.5 综合代价模型

2.6 本章小结

第3章 自适应遗传算法

3.1 自适应遗传算法概述

3.2 自适应遗传算法基本原理

3.3 自适应遗传算法构成要素

3.4 自适应遗传算法实现过程

3.5 现有自适应遗传算法

3.6 本章小结

第4章 自适应遗传算法的改进

4.1 云理论概述

4.2 自适应遗传算法的改进

4.3 云自适应遗传算法

4.4 本章小结

第5章 仿真实验与分析

5.1 实验设计

5.2 基于CAGA算法的无人机路径规划与重规划

5.3 基于SAGA算法的无人机路径规划与重规划

5.4 对比分析

5.5 本章小结

结论

参考文献

攻读硕士期间发表论文和取得科研成果

致谢