基于遗传算法的无人机避障路径规划
无人机导航系统的路径规划方法研究
无人机导航系统的路径规划方法研究随着无人机技术的快速发展，无人机导航系统的路径规划方法成为无人机技术领域的研究热点之一。
路径规划是无人机成功完成任务的关键环节之一，它涉及到如何选择最优路径、避开障碍物以及保证安全性等问题。
在无人机导航系统的路径规划方法研究中，主要有以下几个方面的内容：一、无人机路径规划的问题描述无人机路径规划问题是将无人机从起点迅速准确地到达目标点的问题。
该问题包括了路径选择以及障碍物避开等子问题。
路径选择主要是考虑到无人机在远距离飞行时的能耗、稳定性以及时间等因素，而障碍物避开问题则是为了确保无人机飞行的安全性。
二、基于图的无人机路径规划方法基于图的无人机路径规划方法是一种经典的路径规划方法。
通过构建一个图模型来描述无人机的飞行环境，以及起点和目标点之间的连接关系。
然后使用图搜索算法，如Dijkstra算法、A*算法等，在图中找到一条最短路径或最优路径。
这种方法简单高效，适用于无人机飞行环境较为简单的情况。
三、基于遗传算法的无人机路径规划方法基于遗传算法的无人机路径规划方法是一种启发式搜索方法。
通过模拟自然界中的进化过程，利用基因编码、选择、交叉和变异等操作来优化路径规划问题。
这种方法能够很好地处理复杂的问题，但计算复杂度较高。
四、基于强化学习的无人机路径规划方法基于强化学习的无人机路径规划方法是一种机器学习的方法。
通过建立一个强化学习模型，将无人机路径规划问题转化为一个马尔可夫决策过程，在多轮决策中不断优化路径选择。
这种方法可以根据不同的飞行环境和任务需求进行自适应学习，但需要大量的训练数据。
五、基于协同探索的无人机路径规划方法基于协同探索的无人机路径规划方法是一种多无人机协同工作的方法。
通过多个无人机之间的通信和数据共享，在没有先验地图的情况下，实现对飞行环境的共同探测和路径规划。
这种方法适用于无人机任务需要同时覆盖较大面积的场景。
在无人机导航系统的路径规划方法研究中，以上提到的几种方法仅仅是众多方法中的一部分，每种方法都有其特定的适应场景和优缺点。
基于遗传算法的路径规划方法
基于遗传算法的路径规划方法现今，路径规划技术在实际应用中扮演着至关重要的角色。
在机器人自主导航、无人驾驶、航空管制等领域，路径规划成为了一项核心技术。
目前，遗传算法在路径规划领域的应用不断被研究和探索，具有不同于传统优化方法的显著优势。
本文将从遗传算法的基本概念、路径规划问题的建模以及遗传算法在路径规划问题中的应用等方面进行探讨。
一、遗传算法基本概念遗传算法是一种基于仿生学的智能优化算法，通过模仿生物进化过程中的选择、交叉和变异操作，来寻找最优解。
遗传算法具有自适应性、并行搜索性和全局优化性等特点，同时不需要事先定义优化问题的方程，因此能够处理多样化且复杂的问题。
遗传算法主要包含三个操作：选择、交叉和变异。
其中，选择是根据适应度函数选取优良个体进行繁殖，交叉是模拟生物的基因重组，将不同个体的基因结合产生新的后代，变异是模拟生物的基因突变，用小概率改变某些后代基因的值。
通过这些基本操作，遗传算法能够产生新的种群，并不断更新和优化结果，从而达到全局优化的目的。
二、路径规划问题的建模路径规划问题是在给定起点和终点之间，寻找一条最短路径或者最优路径来避开障碍物或者避免不良影响。
通常，路径规划的建模可以采用基于图的方法。
将问题转化为一个图论问题，其中起点和终点为图上的两个节点，节点之间的边代表路径，边的权值代表路径的长度或代价，图中的障碍物则可以被视为不可通行的节点或边。
在建模的过程中，需要考虑的问题包括可行性约束以及路径的优化目标。
例如，在无人机导航中，需要考虑无人机飞行的安全性、避开建筑物和电线杆、拍摄角度等因素，同时视觉效果也需要得到优化。
三、遗传算法在路径规划问题中的应用基于遗传算法的路径规划方法在实际应用中具有广泛的应用价值。
遗传算法能够快速得到近似最优解，并能够同时满足不同的路径优化目标。
传统的路径规划方法需要较为复杂的问题建模和求解过程，而基于遗传算法的路径规划方法则具有更高的优化效率和更广泛的应用范围。
基于改进遗传算法的无人机路径规划
2021⁃02⁃10计算机应用,Journal of Computer Applications 2021,41(2):390-397ISSN 1001⁃9081CODEN JYIIDU http ：//基于改进遗传算法的无人机路径规划黄书召1*，田军委2，乔路2，王沁2，苏宇2（1.西安工业大学电子信息工程学院，西安710021；2.西安工业大学机电工程学院，西安710021）（∗通信作者1945980733@ ）摘要：针对传统遗传算法收敛速度慢、容易陷入局部最优、规划路径不够平滑、代价高等问题，提出了一种基于改进遗传算法的无人机（UAV ）路径规划方法，该算法对遗传算法的选择算子、交叉算子和变异算子进行改进，从而规划出平滑、可飞的路径。
首先，建立适合UAV 田间信息获取的环境模型，并考虑UAV 的目标函数与约束条件以建立适合本场景的更为复杂、精确的数学模型；然后，提出了混合无重串选择算子、非对称映射交叉算子和启发式多次变异算子，寻找最优路径以及扩大种群搜索范围；最后，采用三次B 样条曲线对规划出的路径进行平滑，得到平滑的飞行路径，并且减少了算法的计算时间。
实验结果表明，与传统遗传算法相比，所提算法的代价值降低了68%，收敛迭代次数减少了67%；相较蚁群优化（ACO ）算法，其代价值降低了55%，收敛迭代次数减少了58%。
通过大量对比实验得出，当交叉率的值为（1/染色体长度）时，算法的收敛效果最好。
在不同环境下进行算法性能测试，结果表明所提算法具有很好的环境适应性，适合于复杂环境下的路径规划。
关键词：遗传算法；无人机；交叉算子；B 样条曲线；路径规划中图分类号：TP181；TP13文献标志码：AUnmanned aerial vehicle path planning based on improved genetic algorithmHUANG Shuzhao 1*，TIAN Junwei 2，QIAO Lu 2，WANG Qin 2，SU Yu 2（1.School of Electronic Information Engineering ，Xi ’an Technological University ，Xi ’an Shaanxi 710021，China ；2.School of Mechatronic Engineering ，Xi ’an Technological University ，Xi ’an Shaanxi 710021，China ）Abstract:In order to solve the problems such as slow convergence speed ，falling into local optimum easily ，unsmoothplanning path and high cost of traditional genetic algorithm ，an Unmanned Aerial Vehicle （UAV ）path planning method based on improved Genetic Algorithm （GA ）was proposed.The selection operator ，crossover operator and mutation operator of genetic algorithm were improved to planning a smooth and effective flight path.Firstly ，an environment model suitable forthe field information acquisition of UAV was established ，and a more complex and accurate mathematical model suitable for this scene was established by considering the objective function and constraints of UAV.Secondly ，the hybrid non -multi -string selection operator ，asymmetric mapping crossover operator and heuristic multi -mutation operator were proposed to find the optimal path and expand the search range of the population.Finally ，a cubic B -spline curve was used to smooth the planned path to obtain a smooth flight path and reduce the calculation time of the algorithm.Experimental results show that ，compared with the traditional GA ，the cost value of the proposed algorithm was reduced by 68%，and the number of convergence iterations was reduced by 67%；compared with the Ant Colony Optimization （ACO ）algorithm ，its cost value was reduced by 55%and the number of convergence iterations was reduced by 58%.Through a large number of comparison experiments ，it is concluded that when the value of the crossover rate is the reciprocal of chromosome size ，the proposed algorithm has the best convergence effect.After testing the algorithm performance in different environments ，it can be seenthat the proposed algorithm has good environmental adaptability and is suitable for path planning in complex environments.Key words:genetic algorithm;Unmanned Aerial Vehicle (UAV);crossover operator;B -spline curve;path planning 0引言近年来，受益于轻型高分子材料的发现以及嵌入式、自动化、信号处理、无线通信等技术的发展与成熟，无人机（Unmanned Aerial Vehicle,UAV)在田间信息获取、农业植保、设施巡检、物流配送［1-2］等场景中广受青睐。
基于遗传算法的避障TSP问题算法设计
如果 ｉｉ 。 两点之 间的线段 与 障碍物 的任一 边都无 两 个 交点 ， 则用 两点 距 离公 式 计算 ｖ 否则 ｖ ＭＡ ｉ Ｘ， ￣ ＝ ＭＡＸ是一个 远 大于 两点 距离 数量 级 的常数 ，ｉＭＡ ｖ－ Ｘ ｉ
表示 在该 障碍 图上 ｉｉ 点不能 直接相 连 。 ，两
却 能力不 足。本文 的特点 在于 引入 了基 因库 ， 图用 意
算 １ 利用改进 的遗传算法求解避障 Ｔ Ｐ问题 Ｓ
机
＾
图 １ 一个 简单 的求解避 障 Ｔ Ｐ问题 的数据 Ｓ
图 １所示 的一个 由两个 障碍 物 多边 形 和若 干点 组成 的图形 就是 一个 典 型 的求解 避 障 Ｔ Ｐ问题 的原 Ｓ 始数 据 。 以它 为例 ， ｍ该 图的代 价矩 阵 ， 计算 出一 列 则 个 １￣ ０的邻 接矩 阵 ． ０１ 如图 ２ 其 中 ＭＡ ， Ｘ是 一个 远远 大 于两点 距离数量 级 的常数 。 如果 两点 问 的距离 为 ＭＡ Ｘ，则 这 两点不 能直接
ＭＡＸ
ＶＨ Ｃ
ＶＩ Ｃ
Ｍ ＡＸ Ｍ ＡＸ
Ｃ之间的基因片断， 转至⑦ ；
啦
图 ２ 图 Ｉ的代 价 矩 阵
Ｍ ＡＸ ＭＡＸ
⑥杂交算子： Ｃ的基因库中随机指定一个基因 从
作 为 Ｃ， 断 ： ’ 判 １ 如果 ｓ 中的 Ｃ 位置 与 Ｃ相邻 ， 至⑧ ； ） ・ 转 ２ 将 ｓ 中从 Ｃ 到 Ｃ 之 问 的基 因 片断进 行倒 位 ） ’ ” ’ 操作 ；
ＭＡ Ｘ ＭＡＸ Ｍ ＡＸ
Ｖ Ｈ＾
ＶＩ ＾
⑤变异算子 ： 如果 ０ １ － 之问的随机数小于变异概
Ｖ皿 Ｖｎ Ｖ０Ｂ
基于遗传算法的无人机航线规划优化研究
基于遗传算法的无人机航线规划优化研究无人机技术的飞速发展，使得无人机的应用场景越来越广泛。
然而，无人机的飞行路径规划是个重要的问题，因为它关系到无人机飞行的安全、稳定和效率。
在这个问题上，遗传算法是一种可行的解决方案。
遗传算法是基于自然界进化规律的一种计算方法，它模拟了自然选择、基因交叉、突变等过程，能够搜索解空间中的最优解。
基于遗传算法的无人机航线规划优化研究，旨在设计出一套优秀的遗传算法，以便在航线规划中产生优化的策略和路径。
在进行基于遗传算法的无人机航线规划优化研究时，需要先了解问题背景和目标。
这类问题背景具有复杂、不确定、多目标和多约束等特点。
例如，要规划无人机的航线，需要定义好起点、终点和避障点，同时还需要考虑各种约束条件，如速度、高度、能量等，这些条件可能互相作用，相互制约，而且需要实时调整。
因此，在基于遗传算法的无人机航线规划优化研究中，需要根据具体的应用场景和问题情况，制定出相应的适应度函数，从而能够方便地衡量不同航迹生成的优劣情况。
适应度函数的设计与权重的确定是很关键的步骤，不仅需要考虑问题与目标之间的关系，还要兼顾航迹的实用性和计算量。
具体来说，基于遗传算法的无人机航线规划优化研究需要进行以下步骤：1. 定义问题及约束条件。
明确问题的具体背景、需求和要求，并列出所有的约束条件，例如起点和终点、飞行高度和能量消耗等。
如果问题不是典型的发现型问题，可能需要事先进行建模和仿真。
2. 制定遗传算法的流程和遗传算子。
根据问题和约束条件，确定所需的遗传算子，如选择算子、交叉算子和突变算子等。
同时制定遗传算法的基本流程，包括种群初始化、适应度函数计算、选择、交叉、突变及后处理等环节。
3. 设计适应度函数。
基于问题和约束条件，设计适应度函数，并确定适应度函数的权重。
初始的适应度函数可能存在问题，需要经过多次迭代和调整，才能够得到合适的结果。
通常，设计适应度函数是遗传算法的最重要部分，可以反映一个人对问题深度理解的程度。
无人机自主避障及路径规划技术研究
无人机自主避障及路径规划技术研究无人机作为一种先进的机器人系统，凭借其快速、灵活、高效的特点已成为当前许多领域中的重要工具，如农业、交通监管、医疗救援、灾难救援等等。
无人机的飞行性能是一个至关重要的问题，随着无人机技术不断的发展，在无人机飞行过程中自主避障及路径规划技术成为了一项热门研究方向。
一、无人机自主避障技术无人机自主避障技术主要指在无人机飞行过程中通过一系列的传感器和算法来实现无人机自主避开障碍物的能力。
传感器主要包括视觉、声纳、红外、雷达等，其中视觉传感器和雷达是目前应用最为广泛的传感器。
在实现无人机自主避障过程中即使在障碍存在的情况下，如何保证无人机的稳定运行成为了一项至关重要的技术问题。
对于这个问题，目前主要的解决方法是基于常规 PID 算法的 PID 控制和基于模糊控制的模糊控制算法。
PID 控制的优势是计算速度快并且实现简单，适用于简单的无人机系统，模糊控制算法的优势在于对于非线性问题具有较强的适应性。
二、路径规划技术无人机路径规划技术的主要目的是实现自主飞行，并且在飞行过程中选择最短或最优路径，以确保飞行的效率和安全。
路径规划算法是实现此目的的关键，目前可行的路径规划算法主要有 A * 算法、Dijkstra 算法和Genetic 算法等。
其中，A * 算法的优点在于高效、速度快，适用于从一个点到另一个点的简单路径规划，而Dijkstra 算法的优势是可用于复杂的图形路径规划。
基于图形的遗传算法是一个比较新的路径规划技术，它的优势在于适用于高精度、高复杂度的路径规划问题，并且可以很大程度上提高搜索效率。
三、结合避障和路径规划的研究无人机的飞行过程是一个非常复杂的过程，必须结合无人机的自主避障和路径规划技术，在飞行过程中确保无人机的高效、安全、稳定，达到实际应用的要求。
这需要基于有效的算法和传感器技术的结合，将这些复杂的问题建模和解决。
在实际应用中我们还需要将避障和路径规划技术与目标检测、轨迹跟踪、自主着陆等技术结合起来。
无人机路径规划算法的优化方法研究
无人机路径规划算法的优化方法研究无人机技术的迅猛发展使得无人机应用领域愈加广泛，其中路径规划算法的优化成为无人机自主飞行的重要研究方向之一。
优化路径规划算法可以提高无人机的效率、安全性和可靠性，进一步拓展了无人机的应用领域。
本文将介绍几种常见的无人机路径规划算法优化方法，并深入研究其优缺点及适用范围。
一、遗传算法优化方法遗传算法是一种模拟生物进化的优化方法，它模拟了进化的过程：交叉、变异和选择。
在无人机路径规划中，可以将路径规划问题建模为一个遗传算法优化问题。
首先，将无人机飞行区域划分为一个个离散的网格点，然后将每个点作为遗传算法的基因。
通过交叉和变异操作，产生新的基因组合，即路径。
最后，根据预定义的评估函数对生成的路径进行选择。
遗传算法优化方法的优点是可以处理复杂的路径规划问题，同时具备全局搜索能力。
然而，由于遗传算法本身的特点，其计算复杂度较高，需要进行大量的迭代次数才能找到最优解。
因此，适用于无人机路径规划问题中对效率要求不高且规模较小的情况。
二、模拟退火算法优化方法模拟退火算法是一种基于概率的全局优化算法。
它通过模拟固体物质冷却时的退火过程来搜索最优解。
在无人机路径规划中，路径的选择和生成过程可以类比为固体物质的结晶过程。
通过不断降低温度，达到寻找全局最优解的目的。
模拟退火算法优化方法的优点是具有一定的全局搜索能力，并且相对于遗传算法来说，其计算复杂度较低。
然而，模拟退火算法难以克服局部最优解的困扰，容易陷入局部最优解而无法找到全局最优解。
因此，适用于规模较小且对效率要求不高的无人机路径规划问题。
三、蚁群算法优化方法蚁群算法是一种模拟蚂蚁觅食行为的优化算法。
在蚁群算法中，每只蚂蚁根据信息素信息选择路径，并通过释放信息素来引导其他蚂蚁选择路径。
这样，整个群体通过信息素的正反馈调节逐渐趋于全局最优解。
蚁群算法优化方法的优点是具有较强的适应性和鲁棒性，能够有效地处理复杂的路径规划问题。
同时，蚁群算法也具有一定的并行计算能力，能够加速路径规划的过程。
避障路径规划的算法研究
避障路径规划的算法研究避障路径规划是在机器人、无人驾驶等领域中非常重要的技术，用于避免机器人或车辆在运动过程中遇到障碍物。
随着科技的不断发展，避障路径规划算法的研究也越来越受到。
本文旨在探讨避障路径规划算法的研究现状、方法及其优缺点，展望未来的研究方向，并对其进行详细综述。
避障路径规划算法的研究始于20世纪80年代，随着计算机技术和机器人技术的不断发展，越来越多的学者投入到该领域的研究中。
目前，国内外的研究现状主要包括以下几种方法：基于几何的方法：该方法利用几何学的原理，通过计算机器人与障碍物之间的距离和角度来确定避障路径。
代表性的算法有欧几里得距离算法和可视图法。
基于搜索的方法：该方法通过搜索算法来寻找机器人从起始点到目标点的最优路径，同时避免障碍物。
代表性的算法有A*算法、Dijkstra 算法和Bellman-Ford算法等。
基于概率的方法：该方法通过概率论的原理，建立机器人与障碍物之间的概率模型，从而确定避障路径。
代表性的算法有粒子群算法和遗传算法等。
本文采用基于搜索的方法研究避障路径规划算法，具体实现过程如下：建立机器人运动的数学模型，包括机器人的运动学参数、动力学参数和环境参数等；利用A*算法搜索出机器人从起始点到目标点的最优路径；在搜索过程中，将障碍物作为约束条件加入到搜索过程中，避免机器人与障碍物碰撞；研究结果通过实验验证，本文所研究的避障路径规划算法可以在不同的场景下有效地避开障碍物，找到最优的路径。
同时，该算法具有较低的时间复杂度，可以在实时性要求较高的场景下应用。
然而，该算法仍存在一些局限性，例如在复杂环境下搜索效率有待进一步提高。
本文对避障路径规划算法进行了详细综述，并提出了基于搜索的避障路径规划算法。
通过实验验证，该算法可以有效地避开障碍物，并在不同的场景下找到最优路径。
然而，该算法仍存在一些局限性，未来研究可以以下几个方面：复杂环境下的避障路径规划：针对复杂环境下的避障路径规划，可以研究更为高效的搜索算法，提高算法的搜索效率和鲁棒性；多机器人协同避障：针对多机器人协同运动时的避障问题，可以研究多机器人之间的协调与协作机制，实现多机器人的协同避障；动态环境下避障路径规划：针对动态环境下的避障路径规划，可以研究环境模型的动态更新与预测方法，以适应环境的变化；混合智能避障路径规划：将传统方法与智能方法相结合，利用混合智能优化算法进行避障路径规划，提高算法的性能与适应性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于遗传算法的无人机避障路径规划1基于遗传算法无人机避障模型设计随着无人机在诸多领域的广泛应用，与之配套的具有避障功能的路径规划算法成为了需要重点讨论的关键问题。
伴随着计算机技术的发展，基于智能算法的无人机避障路径规划研究也取得了长足的进展。
其中，遗传算法以其优越的计算性能与极强的问题普适性受到了最为广泛的关注。
在无人机避障路径规划问题上，遗传算法相较于其他类型算法有较为突出的优势。
首先，不同于各个类型的神经网络算法，遗传算法不要求适应度函数具有可导或连续的属性，仅要求适应度函数值为正即可。
另外，大多数其他类型的优化算法的本质为单点搜索算法，面对较大规模的搜索区域时极易陷入局部最优解，全局搜索性能较差，而遗传算法作为一种多点搜索算法在面对大规模复杂区域时可以表现出极强的搜索性能，更易于获得全局最优解。
基于这些优点，遗传算法近年来被大量的应用于路径规划问题的解决。
但针对于无人机避障问题而言，相关的研究仍然较为缺乏，为了确保无人机稳定运行以及工作任务的实现，本文提出了基于遗传算法的无人机避障路径规划模型来实现复杂环境下无人机避障问题的解决。
为了能够有效描述待规划区域地图，本文采用栅格法对路径规划场地进行划分。
假设路径规划场地为矩形，根据场地具体尺寸可以确定栅格边长，由此即可以将场地划分为多个小正方形栅格，得到一个m ×n 的栅格状地图。
为了便于对模型进行描述以及与实际场地结合，同时采用坐标法与序号法对栅格地图中的栅格进行编号，两种方法可以依据实际比例相互换算得到。
如图4.15所示为10×10规模的区域栅格模型，栅格旁的行列标号为栅格横纵坐标，栅格坐标可用于快速获得该栅格在地图中的位置。
栅格中间标号为栅格序号，栅格序号适用于栅格的访问和路径的记录。
本文中所说栅格N 即指栅格序号为N 的栅格，这个序号可以由栅格中心点对应的坐标值(x, y)计算得到，计算公式为：N =x -10y +99(4.34)同样的，当由遗传算法优化路径完成后，需要对路径进行解码方能画出最优路径，这一过程的变换公式为：()101010x N%y int N /=⎧⎨=-+⎩（4.35）y图4.15 避障区域10×10栅格模型关于遗传算法的基本理论已经在本文的4.2.2.1部分进行了介绍。
利用遗传具体的算法内容如下：（1）初始化种群。
无人机的运动路径表现为一系列的连续栅格序号，利用遗传算法进行最优路径搜索时，首先将种群S 初始化为包含有P 个染色体个体。
定义无人机运动起点为0号栅格，则这些个体当中必然会包含有栅格序号0，其余序号则随机生成。
（2）适应度函数。
个体适应度函数需要能够反应每个个体对问题给出解答的性能情况，针对无人机的避障问题，本文将规划后的路径长度作为种群中的路径优化标准。
针对某一路径能否有效避开障碍物这一问题，模型引入惩罚因子进行评估，当路径经过障碍物区域时，该个体将受到“严厉”的适应度惩罚，因此不再参与到下一代计算。
（3）遗传算法的计算算子。
遗传算法的算子包括选择、取代、交叉和变异等操作。
选择算子采用轮盘赌选择法，即依据个体适应度值的高低来决定其被遗传到子代种群中的概率。
取代算子采用进化策略和最优保存策略实现，即用新一代种群中适应度值优秀的个体替换掉当前代种群中适应度值最小的个体。
交叉算子是指交换两个父代个体间的位值，本文采用单点交叉且交叉位置可变。
变异算子则采用遗传算法中常规变异方法进行操作。
需要说明，每一代个体中适应度函数值最优的个体将不再参与交叉、变异等操作而直接进入下一代个体种群中，以保留当前代的最优解，增强算法的收敛性。
在利用遗传算法进行无人机避障路径规划时，遗传代数将成为模型中重要的参数。
其原因在于当遗传代数较低时，目标函数尚未达到最优，模型对应的全局最优解存在偏离，使得模型性能降低，进而导致无人机路径规划不佳。
当遗传代数过高时，模型计算过程过度冗余，浪费计算资源，同时使得规划过程耗时过长。
因此需要对遗传代数参数的选择问题进行研究。
以图为例，无人机以0号栅格为起点开始运动，目标位置为99号栅格。
显然在全局无障碍的情况下，路径一为最佳路径规划。
但当遗传代数不足时，模型会给出路径二、路径三作为最优解，这显然不能满足实际需要。
y在路径规划问题中通常将遗传代数G选择在200~1000的范围内。
以上述问题为例，在这一范围内对基于遗传算法的无人机避障模型性能进行研究与评估。
图4.18为模型的适应度函数值与进化代数的关系图像，可以看出，当进化代数达到500代之后模型达到稳定。
图4.18避障路径规划模型中世代数与适应度函数相关关系图4.19为在MATLAB环境下利用Tik-Tok计时器获取的不同代数对应的程序运行时间情况。
可以看出模型的计算时间随着遗传代数的增加而增加。
在200-700代范围内，计算时间与代数基本呈线性关系，当算法达到700代以上时，计算时间将显著增大。
综合考虑模型稳定性与时间性能两个方面的因素，模型选择遗传代数为600。
图4.19 避障路径规划模型中世代数与计算时间相关关系在传统的遗传算法中，交叉概率p c 与变异概率p m 均为常数，在模型计算时不会发生变化。
然而在解决路径规划问题时，固定不变的参数值往往会导致模型性能的降低。
当选择较大的交叉概率p c 时，在模型初始阶段可以较大程度的丰富个体类型，增加全局最优解的可靠性，但在模型运行的中后段，较大的交叉概率p c 则会增加优秀个体被破坏的概率，导致模型收敛性降低。
反之，如果选择较小的交叉概率p c 值，具有优秀性能的潜在个体将很难被开发出了，影响模型中种群的多样性，降低全局最优解寻找的可能性。
同样的，对于变异操作，当选择较大的变异概率时，每代种群中的优秀个体将难以保留，导致收敛性下降。
当变异参数较小时，则会拖延最优解的开发过程，影响模型效率。
针对这一问题，本文提出了改进的遗传算法避障路径规划模型。
改进后的模型中交叉概率p c 与变异概率p m 将随着模型中种群世代数与收敛情况作出自适应调整。
改进后的交叉概率p c 与变异概率p m 表达式为：()12max avg max avgc avg k f f f f f f p k f f '-⎧'>⎪-=⎨⎪'≤⎩(4.36)()34max avg max avgm avg k f f f f f f p k f f -⎧>⎪-=⎨⎪≤⎩(4.37)式中：f max 是种群中最优性能个体对应的适应度函数值；f avg 是某代种群中所有个体的适应度平均值；f’是进行交叉操作的两个个体中适应度较高的个体；f 是进行变异操作的个体适应度值。
且有0<k 1, k 2, k 3, k 4<1。
进一步考虑到模型计算过程中，不同世代数下的具体要求有所区别。
在模型计算初期，某代种群中的最优个体未必是全局最优解，而依据上式，模型未考虑算法初期对种群丰富度的要求，导致较优个体基本不发生变化，因而导致了模型收敛于局部最优解的可能。
针对这一缺陷，根据代数增加过程中个体适应度值的具体情况，对自适应算子计算公式进一步改进如下：102109avg max f avg avgf f f c avg k .f f p e .f f -'-⎧'-≥⎪⎪=⎨+⎪'<⎪⎩(4.38)25101avg max f avg avgf f f m avgk f f e p .f f --⎧≥⎪⎛⎫⎪ ⎪+=⎨ ⎪⎪⎝⎭⎪<⎩(4.39)依据上式计算得到的交叉概率p c 与变异概率p m 可以满足模型在不同阶段对于算子的区别要求，符合遗传算法中的计算规律。
当种群中的某一个体的适应度高于种群平均适应度之值时，取较低的交叉概率p c 与变异概率p m ，这时该优解将以较大概率直接进入下一代种群当中而避免遭到破坏。
改进后的遗传算法避障路径规划模型中的算子不仅可以随适应度变化而自主变化，而且可以避免模型“沉溺”与当前的优解中产生停滞，帮助算法能够跳出局部最优解，并能够以更高效率给出全局最优解。
2 无人机避障模型效果对比分析为了能够实现无人机避障线路规划的有效性，模型需要从两个方面保证所给出路径的性能：（1）路径不经过障碍区域；（2）所给出路径长度为最短。
按照本文4.3.1给出的基于遗传算法的避障路径规划模型，在MATLAB 环境下展开仿真试验。
如图所示，在待规划区域内布置20个障碍栅格。
无人机目标是由0号栅格移动到99号栅格。
为了验证基于改进后的自适应遗传算法的无人机避障路径规划模型的性能，利用基于传统遗传算法模型实现的避障模型作为对比。
为了增加对比性，对模型参数进行统一设置如表 4.3所示，其中自适应遗传算法中参数k 1=2，k 2=0.5。
表4.3 遗传算法模型中的参数设置参数名称 参数值 种群规模（G ） 30 最大进化次数（MAXGEN ）600 个体长度（L ）18选择概率（p r）0.95交叉概率（p c）0.7变异概率（p m）0.01图4.20为布置20个障碍区域时仿真得到的路径规划结果。
路径一是基于传统遗传算法计算得到的路线规划方案，对应适应度函数值为15。
路径二是基于改进后的自适应遗传算法模型获得的避障线路规划方案，对应适应度函数为14。
路径一对应的计算时间为2.7760s，而路径二的计算时间仅为0.9841s。
y图4.20改进前后的遗传算法路径规划比较事实上，两种避障路径规划算法模型均存在一定的随机性，每次规划得到的路线也会有所区别。
导致这一现象发生的原因有两个，一是算法自身限于局部最优解而无法求得全局最优解，其二在于问题本身具有多个相同适应度函数值相同的最优解。
为了能够更加全面的分析与评估改进前后的遗传算法避障路径规划模型的性能，本文通过在相同的障碍条件下，分别利用两个避障模型模型进行路径规划计算，以此来比较两个模型的具体效果。
具体操作在10×10规模的区域内分别设置了5组障碍物个数Obs为10~30的测试区域，利用两个模型在每组区域内分别计算30次。
图4.21为不同障碍布置下，两种模型在某次计算后给出不同路径规划结果的图像。
(a) Obs=10 y(b) Obs=15y(e) Obs=30图4.21改进前后的遗传算法在不同障碍物数量下的路径规划结果比较统计每组适应度函数与计算时间的平均值可以得到图4.22。
图中Model 1为基于传统遗传算法避障路径规划模型，Model 2为改进后自适应遗传算法避障路径规划模型。
可以看出随着障碍区域数量的增加，两个模型给出的最优避障路径的长度与计算时间均逐渐增加。
总体而言，改进后的自适应遗传算法模型的优化路径与计算时间均显著优于改进前的传统模型。