基于优化型蚁群算法在多机协同 作战下的路径规划
牛俊财1， 王忠庆1， 张鹏军2
(1. 中北大学 电气与控制工程学院， 山西 太原 030051； 2. 中北大学 机电工程学院， 山西 太原 030051)
摘 要 ： 针对地面无人平台协同作战时路径规划问题， 提出了一种优化型的蚁群算法以寻求战时最佳进攻路线. 通过优化传统蚁群算法， 模拟了单平台的路径规划并获得各参数的稳定值， 进而将其结果拓展到多机协同作战模式下， 以获得各平台由起始点到目标点的最优路径. 为更加真实地体现出战场环境， 在路径规划中提出了战术规避的策略并在2种不同环境模型下验证了算法的实用性. 结果表明， 优化型蚁群算法相比于传统蚁群算法在迭代次数方面提高了64.2%， 搜索路径长度方面提高了57.5%.
关键词 ： 优化型蚁群算法； 路径规划； 协同作战； 战术规避
0 引 言
地面战争是传统的作战模式， 在该模式下开展无人作战平台的研制成为了各军事强国竞相发展的军事力量. 近年来， 多平台协同作战已经成为了一种新型战斗形式. 与无人机集群作战方式相比， 从协同控制、 路径规划、 协同目标分配、 协同感知、 信息决策等方面而言， 地面多机协同作战模式还尚不完善. 其中路径规划是整个作战系统的关键技术之一， 是提高无人平台的生存率和多机协同作战效能的重要保证， 也是减少作战时间和提高作战效率的关键因素.
路径规划的合理性和快速性影响着整个无人平台的机动能力， 要求在多机协同作战模式下有效、 快速地实现各平台以最短的距离到达预定攻击区域， 并且各无人平台之间的作战路径不能出现冲突， 还要作出相应的战术规避. 对路径规划的研究长期以来是作战过程中一项必不可少的环节. 文献[1]中提出并构建了多种平台进行协同作战的相关模型； 文献[2]对多机协同作战模式下的地面无人平台进行了总体方案设计， 提出了多无人系统自主进行编队行进和无人系统集群的感知以及态势共享； 文献[3]主要采用蚁群几何优化算法对小型无人地面机动平台进行了全局路径规划； 文献[4] 通过建立实物模型和算法模型， 在单平台基础上模拟了多平台协同作战时的任务分配和路径规划； 文献[5]利用蚁群优化算法针对多平台多攻击目标下的任务要求进行了实验验证； 文献[6]通过对复杂任务环境的分析， 建立了战场威胁实体模型， 设计了协同进化求解框架和多蚁群协同进化求解算法， 并对路径规划进行了分析研究. 针对以上研究， 本文将蚁群算法和Hopfield神经网络相结合完成对作战任务的路径规划， 要求其不仅能绕过障碍区域还需实现一定程度的战术规避. 通过创建战场环境， 建立多机单目标模型， 采用仿真分析手段， 以实现无人平台作战时的最优路径， 为多机协同作战中的路径规划提供一定的方向.
1 算法机理
1.1 传统蚁群算法原理
传统蚁群算法[7]是一种概率搜索算法， 其主要依托蚂蚁的觅食行为并利用自身的特性， 将前一次的输出值作为每一次搜索时的输入源， 经过多次迭代后找到一条合适的路径.
由于每只蚂蚁在所经过的通道上都会留有一定的信息激素， 其余蚂蚁将会根据信息激素的强度进行判断并选择一个合适的通道， 最终到达食物源. 其原理如图 1 所示， 图中F 为目标点，N 为起始点.
图 1 蚂蚁觅食模拟原理图
Fig.1 Ants foraging simulation schematic
1.2 优化型蚁群算法
基于传统蚁群算法进行路径规划时， 易出现局部最优解， 搜索时间较长， 收敛速度慢等情况[8]. 为了避免搜索时间过长、 消除出现局部最优解的情况以及改善最优路径的收敛速度， 本文引入Hopfield神经网络来提升实际作战时战术规避的能力.
针对战术规避这一实际作战问题， 可以通过构建网络结构的方式， 进行严格分析. 根据作战平台随机分布的这一特点， 当ε →∞时， 则有
与传统蚁群算法相比， 优化型蚁群算法主要在感知战场态势和检索战场威胁方面作出了相应的战术规避， 降低了各平台在实际作战中的危险性. 基于优化型蚁群算法下的路径规划流程图如图 3 所示.
图 2 优化型蚁群算法结构图
Fig.2 Diagram of optimized ant colony algorithm structure
将Hopfield神经网络与传统蚁群算法相结合构建新型函数如下
(1)
3) 修改B k ：k 每转移一次， 将节点j 加入禁忌表B k .
或
当所有机动平台按照式(1)改变状态时， 即
i =1,2,…,n .
推荐理由:《南北朝佛教编年》入选国家出版基金资助项目，是一部全面反映南北朝佛教发展的史纲性学术著作。该书充分发掘整合了传世文献和出土文献，吸收纪事本末体的优点，以时间和事件为线索，将不同文献中的同一事件之记载考辨归纳，对中国佛教历史资源的挖掘以及中华传统文化的传承与保护等均具有积极作用。
由于Hopfield神经网络是一种由非线性元件构成的反馈系统， 稳定性较好[9]. 其采用Hebb规则(用输入模式作为目标模式)来设计连接权.
观察两组的治疗总有效率、治疗前后的骨密度(应用X线骨密度检测仪对患者的L2~4椎体、左侧髋骨进行骨密度的检测)。
式中：ε 为网络节点数；φ 代表吸引半径.
2 改进型蚁群算法模型
2.1 算法流程图
以多平台为例， 设平台数量为n ， 每个平台的输出量均连接到其他平台的输入端实现信息交互功能， 从而寻求出最优作战路径. 图 2 为优化型蚁群算法结构图.
图 3 优化型蚁群算法流程图
Fig.3 Flow chart of optimized ant colony algorithm
2.2 算法执行步骤
考虑到战术规避这一特性， 当无人平台在实际运动过程中除了要绕过现有的障碍区域还需避让潜在的威胁， 例如地面雷达. 在算法执行过程中， 可选的路径节点相比之前会有所减少， 其将会变得没有规律可言. 其中可选路径节点D ={0,1,5,7,…,S -3,S -1}， 禁忌表B k (k =1,2,…,m )主要完成对经过点的标记， 避免重复进入[10].
Gastric cancer after successful H. pylori eradication is often difficult to diagnose by endoscope because of the indistinct borderline or disappearance of the characteristic surface structures of tumors.
超出激光测径仪的规格测试使用比较测量法来获取待测件在各个截面处的直径。以初次测量大直径塞规为例，测量流程如下：
建立地面无人作战平台工作环境(二维空间RS)， 通过栅格划分的方法将整个工作环境分为可行区域(白色部分)和不可行区域(黑色部分). 采用序号标记法将栅格由上到下从左至右进行排序， 其中每一个序号代表一个栅格依次为1,2,3,…,n . 栅格划分示意图如图 5 所示， 其中0和1组成的m ×n 矩阵表示该平台所处的环境信息， 0对应于可行区域， 1代表不可行区域.
其中
C =D -B k ,
式中：d ij 为蚁群从起始点到目标点的距离；η ij 代表蚁群从起始点转移到目标点的启发程度；τ ij 表示蚁群由起始点转移到目标点的信息素， 即轨迹强度；
式中：w ii =0；θ i 为阈值；f (·)是变换函数. 在此取f (·)为二值函数， 即
4) 当蚂蚁个数m 未迭代完成时， 算法将继续推算概率
和修改B k ， 直至m 值到达阈值后， 记录蚂蚁个体所走过的路径长度.
“我终于听明白了。所以你们今天来的意思，就是要聘任我这种在你们眼里有能力的小下属，以挽救公司的实力，是吗？”
1) 初始化路径节点和禁忌表， 输入起始点F 、 目标点N 、 信息素挥发系数ρ 、 迭代次数S 、 每次迭代所需的蚂蚁数m 、 信息素增加强度系数Q 、 信息素重要程度参数α 、 启发式因子重要程度参数β .
5) 更新信息素τ ij 为
τ ij (t +1)=ρτ ij (t )+Δτ ij (t ,t +1),
其中
厄贝沙坦联合氨氯地平对糖尿病高血压合并高尿酸血症患者降压及降尿酸疗效的Meta分析 … …………… 奚艳 唐海沁 蒋品 等（1）36
式中：L k 代表第k 只蚂蚁在一个周期内所走过的路程.
6) 依据上述执行流程， 筛选出从起始点到目标点的最优路径， 若无法筛选时， 将继续执行上述步骤.
3 地图创建
通过机载光电系统进行目标探测和目标识别， 将捕捉的图像信息进行处理和分析， 并圈出图像中的禁行区域， 以便在路径规划中作出相应的战术规避. 如图 4 所示.
2) 蚁群依据路径节点和禁忌表， 从起始点移动至目标点的概率为
通过上述各实验波形及带载对比实验基本可以得到以下几点:首先,实验平台可以保证系统的单位功率因数运行。其次,从各组对比实验及波形可知,系统可以实现50 Hz市电变换成20 kHz高频高压交流电,最后从介质阻挡放电管的带载对比实验可以看出系统的带载能力满足要求,在变换负载电极参数时系统比较稳定,没有出现震荡或者过流过压等故障情况。因此,所搭建的实验平台基本满足设计要求。
图 4 战术规避示意图
Fig.4 Diagram of tactical avoidance diagram
图 5 栅格划分示意图
Fig.5 Raster division diagram
4 仿真分析
利用Matlab建立环境模型， 通过修改m ,α ,β ,ρ ,Q ,S 等参数证明优化型蚁群算法在该环境下的实际效果. 在此次实验中， 栅格序列号从1～1 024， 起点栅格号为200， 目标点栅格号为1 017， α =1，β =15，ρ =0.95，Q =1，m =30，S =100， 运行仿真程序可以显示出所有蚁群在该工作环境中的搜索轨迹， 如图 6(a) 所示； 从图 6(b) 可以得出最优路径， 通过收敛曲线图 7 可以分析出当迭代次数在23次左右时， 最小路径长度基本稳定在42左右.
结合引理2.1、2.2可知若{xn}是关于ρ0的Cauchy-列,则{xn}关于ρ0收敛,且只能收敛到0或者1。从而此度量空间完备。
图 6 搜索路径和最优路径
Fig.6 Search paths and optimal paths
图 7 收敛曲线
Fig.7 Convergence curve
通过修改仿真参数， 将影响因子保持在相对稳定状态， 确定了m ,α ,β ,ρ ,Q ,N 的有效值， 从而为多机协同作战中的路径规划建立反应机制.
由于在作战时， 各无人平台所处的位置随机分布， 并且当锁定目标后， 各平台开始向同一目标进发， 此时系统通过建立的环境模型进行路径规划并规划出各平台从起始地点到目标位置的最优路径； 以三个无人作战平台为例， 其路径规划如图 8 所示. 图中扇形区域表示敌方雷达侦查范围， 带有1，2，3标号的路线表示各平台的最优路径.
图 8 路径规划示意图
Fig.8 Path planning diagram
在模型中随机选取参考点即起点栅格号不同， 进而模拟不同无人平台所处的位置. 各平台到达目标位置时所需的迭代次数与路径长度如表 1 所示， 各平台的收敛曲线如图 9 所示.
下午笔录结束后老邓和小李回家了，丁主任把他们送到门口，并拿了几根腊肉和几斤白糖，并再三请求他们保密，毕竟村里其他人知道了脸上也挂不住，如果没向上级汇报之前能破获此案就太好了，丁主任暗自思索着，他再也不想给潘家打任何交道了，更不想低声下气，这么多年，真是受够她们一家人了。
表 1 协同路径规划收敛汇总表
Tab .1 Collaborative path planning convergence summary table
按照上述方法创建不同作战环境， 对优化型蚁群算法在战术规避条件下的路径规划的可行性加以验证. 图 10 为在另一种作战环境下的路径规划. 图中1，2，3标号的路线为各平台的最优路径.
数据表搭建有：机井信息表、监控历史记录表、配水方案表、机井实时数据表、配水项目表、配水结构表，具体关系见图2。
图 9 各平台收敛曲线
Fig.9 Convergence curve of each platform
图 10 不同环境模型路径规划示意图
Fig.10 Schematic diagram of path planning for different environment models
通过模拟在不同作战环境下的路径规划， 优化型蚁群算法相比传统蚁群算法在路径搜索时长和收敛速度方面都有了较为显著的改善， 迭代次数明显减少， 由原来的40次降至17次， 路径长度由原先的74.13缩短至26.51， 如图 11 所示. 性能对比结果如表 2 所示.
图 11 收敛曲线对比图
Fig.11 Comparison of convergence curves
表 2 性能对比结果
Tab .2 Comparison results of performance
5 结 论
以地面无人平台协同作战为背景， 通过建立不同环境模型分析了优化型的蚁群算法在路径规划中的稳定性和快速性， 并能找到最优路径， 达到了战术规避的效果. 通过多参数设置和仿真分析， 实验结果表明该算法在路径规划中是可行的， 相比于传统蚁群算法， 该算法缩短了搜索时间， 加快了收敛速度， 具备较好的实用性， 对多平台
多机型协同作战有一定的指导意义.
参考文献 ：
[1] 姚传明. 任务式多平台协同控制系统架构[J]. 指挥信息系统与技术， 2018， 9(5)： 80-85.
Yao Chuanming. The architecture of task-based multi-platform collaborative control system[J]. Command Information System & Technology， 2018， 9(5)： 80-85. (in Chinese)
[2] 雷明远. 基于多机协同作战模式下的地面无人平台设计[D]. 太原： 中北大学， 2018.
[3] 刘杰. 小型无人地面机动平台的路径规划技术研究[D]. 北京： 北京理工大学， 2014.
[4] 吴波， 周武， 金彬. 地面小型无人平台协同[J]. 指挥信息系统与技术， 2014， 5(3)： 55-58.
Wu Bo， Zhou Wu， Jin Bin. Coordination of small-scale unmanned platforms on the ground[J]. Command Information System and Technology， 2014， 5(3)： 55-58. (in Chinese)
[5] 周帅. 考虑时效性的多地面无人平台多目标路径规划研究[D]. 北京： 北京理工大学， 2015.
[6] 卢江松. 基于改进蚁群算法的多机协同突防航迹规划方法研究[D]. 长沙： 国防科学技术大学， 2011.
[7] 杨懿森， 崔建昆. 基于蚁群算法的无人机抢险救灾的优化方案[J]. 农业装备与车辆工程， 2018， 56(10)： 98-100.
Yang Yusen， Cui Jiankun. Optimization scheme of UAV rescue and disaster relief based on ant colony algorithm[J]. Agricultural equipment and vehicle engineering， 2018， 56(10)： 98-100. (in Chinese)
[8] 周敬东， 郑小玄. 基于改进蚁群算法的路径规划方法[J]. 湖北工业大学学报， 2018， 33(5)： 50-52.
Zhou Jingdong， Zheng Xiaoxuan. Path Planning Method Based on Improved Ant Colony Algorithm[J]. Journal of Hubei University of Technology， 2018， 33(5)： 50-52. (in Chinese)
[9] 李国勇， 杨丽娟. 神经·模糊·预测控制及MATLAB实现[M]. 北京： 电子工业出版社， 2013.
[10] Can Cui， Nan Wang， Jing Chen. Improved ant colony optimization algorithm for UAV path planning[C]∥Software Engineering and Service Science (ICSESS)， 2014： 291-295.
Path Planning Based on Optimized Ant Colony Algorithm in Multi -Machine Cooperative Operations
NIU Jun-cai1, WANG Zhong-qing1, ZHANG Peng-jun2
(1. School of Electrical and Control Engineering, North University of China, Taiyuan 030051, China；2. School of Mechatronic Engineering, North University of China, Taiyuan 030051, China)
Abstract ： To investigate the strategy of path planning for cooperative operation of unmanned ground platform, an optimized ant colony algorithm was proposed to find the best attack route in wartime. The path planning of the single platform was simulated and the stable values of each parameters were obtained by optimizing the traditional ant colony algorithm, these results were extend to the coordinated operation of multi-machine and the optimal path of platform from the starting point to the target point was obtained. In order to reflect the battlefield environment more realistically, the tactical avoidance strategy was proposed in the path planning and the practicability of the algorithm was verified under two different environment models. The results show that the optimized ant colony algorithm improves the number of iterations by 64.2% and the search path length by 57.5% compared with the traditional ant colony algorithm.
Key words ： optimized ant colony algorithm; path planning; cooperative operation; tactical avoidance
中图分类号 ： V279; TP18
文献标识码： A
doi： 10.3969/j.issn.1673-3193.2019.02.008
收稿日期 ：2018-12-24
作者简介 ： 牛俊财(1994-)， 男， 硕士， 主要从事武器系统测控技术研究.
文章编号 ：1673-3193(2019)02-0137-06
标签：优化型蚁群算法论文; 路径规划论文; 协同作战论文; 战术规避论文; 中北大学电气与控制工程学院论文; 中北大学机电工程学院论文;