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， 王忠庆， 张鹏军

(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)

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.

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.

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 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)

式中：wii=0；θi为阈值；f(·)是变换函数. 在此取f(·)为二值函数， 即

当所有机动平台按照式(1)改变状态时， 即

i=1,2,…,n.

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

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

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 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Bk(k=1,2,…,m)主要完成对经过点的标记， 避免重复进入[10].

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.

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

其中

C=D-Bk,

式中：dij为蚁群从起始点到目标点的距离；ηij代表蚁群从起始点转移到目标点的启发程度；τij表示蚁群由起始点转移到目标点的信息素， 即轨迹强度；

3) 修改Bk：k每转移一次， 将节点j加入禁忌表Bk.

5) 更新信息素τij为

τij(t+1)=ρτij(t)+Δτij(t,t+1),

其中

式中：Lk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.

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.

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.

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.

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.

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.