本发明涉及无人机协同航迹规划，具体为基于mp-pg算法的多无人机协同航迹规划方法、装置、设备和介质。
背景技术：
1、目前已有的多无人机协同航迹规划方法主要分为两种，分别是传统的航迹规划算法，如a*算法、dijkstra方法、快速探索随机树(rapidly expanding random tree，rrt)算法、人工势场法等，以及受生物进化思想所启发的智能优化类算法，例如较传统的粒子群算法、遗传算法、蚁群算法以及新提出的蜣螂算法、灰狼算法、人工蜂群算法等；
2、传统算法在求解高维复杂约束问题时存在计算量大，耗时长等问题，因此常用于二维空间的航迹规划，且难以融合多种代价函数和约束条件，未综合考虑多无人机协同航迹规划问题的航迹最优问题；
3、智能优化类算法求解具有局限性，其计算复杂度通常较高，用于处理大量的样本数据时，需要使用更多的计算机内存，对计算机的计算能力有很高的要求，并且容易出现局部最优、算法收敛率低等问题；
4、pg算法每次计算只进行单航迹寻路，在求解多个无人机的协同航迹规划问题时，会导致求解时间延长，影响计算效率。并且该算法并未考虑航迹规划问题中，包括多无人机协同性在内的多种代价函数和约束条件。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本发明提供了基于mp-pg算法的多无人机协同航迹规划方法、装置、设备和介质，具备降低计算过程的复杂性等优点，解决了上述技术问题。
3、(二)技术方案
4、为实现上述目的，本发明提供如下技术方案：一种基于mp-pg算法的多无人机协同航迹规划方法，包括以下步骤：
5、s1、获取三维地图信息、多无人机协同参数信息以及威胁信息，并将威胁信息建立成圆柱体模型，设定航迹规划的起始点和目标点；
6、s2、依据获取的三维地图信息、多无人机协同参数信息以及威胁信息中的数据，构建多个代价函数和约束，包括航迹长度代价函数cl、飞行高度代价函数ch、威胁代价函数、航迹段长度约束、最大航程约束、机动性能约束、时间协同约束和空间协同约束，并对每一个约束建立罚函数，之后结合罚函数与代价函数构建多无人机协同航迹规划多目标适应函数；
7、所述威胁代价函数包括对于地空导弹、防空高炮、恶劣气候造成的威胁代价函数cdefense和对于探测雷达造成的威胁代价函数cradar
8、s3、对多目标适应函数进行求解，得到多无人机由起始点到达目标点的最优协同航迹。
9、作为本发明的优选技术方案，所述步骤s1中建立的圆柱体模型表达式如下：
10、
11、其中，和分别表示第i个地空导弹、防空高炮、恶劣气候的环境威胁区和第i个雷达探测威胁区构成的圆柱体模型，表示环境威胁区的中心点，表示雷达探测威胁区的中心点，和分别表示环境威胁区和雷达探测威胁区的高度，和分别表示环境威胁区威胁半径和雷达探测威胁区的探测半径，x,y,z分别表示环境或雷达威胁区中的任意点三维坐标。
12、作为本发明的优选技术方案，所述步骤s2中航迹长度代价函数cl的表达式如下：
13、
14、其中，cl表示航迹长度代价函数，li,j表示在第i段航路第j个航迹点与其后一个航迹点之间的航迹段距离，pi,j表示第i段航路中的第j个航迹点的位置三维坐标，pi,j+1表示第i个航路中的第j+1个航迹点的位置三维坐标，表示以pi,j为起点pi,j+1为终点的航迹段，表示航迹段的长度，表示对内部n-1个航迹段的长度进行求和。
15、作为本发明的优选技术方案，所述飞行高度代价函数ch的表达式如下：
16、
17、其中，ch表示飞行高度代价函数，hi,j表示在第i段航路第j个航迹点的飞行高度代价，hk表示飞行高度代价单位系数，zi,j表示第i段航路中的第j个节点的高度坐标，zmax表示最大高度，zmin表示最小高度，|*|表示对内部数据的绝对值运算，表示对内部n个航迹点高度代价进行求和。
18、作为本发明的优选技术方案，所述威胁代价函数包括对于地空导弹、防空高炮、恶劣气候造成的威胁代价函数cdefense和对于探测雷达造成的威胁代价函数cradar，具体表达式如下：
19、
20、其中，u表示地空导弹、防空高炮和恶劣气候构成的环境威胁区的总数，表示环境威胁区的威胁代价函数，μ表示威胁系数，表示以pi,j为起点pi,j+1为终点的航迹段，lj表示的子路径中第j个节点dj到威胁区中心的径向距离，表示第k个环境威胁区的威胁半径，表示对内部n-1个航迹段的威胁代价数据进行求和，表示对内部u个数据进行求和，本文μ＝10；
21、
22、其中，g表示雷达探测威胁区数量，λ表示雷达探测强度，lj表示的子路径中第j个节点dj到威胁区中心的径向距离，表示第k个雷达探测威胁区的威胁半径，表示雷达探测威胁区的威胁代价函数，表示对内部n-1个航迹段的威胁代价数据进行求和，表示对内部g个数据进行求和，e表示自然对数，本文λ＝5。
23、作为本发明的优选技术方案，所述步骤s2中航迹段长度约束、最大航程约束、机动性能约束、时间协同约束和空间协同约束的表达式分别如下：
24、航迹段长度约束：
25、li，j≥lmin，j∈[1,n-1]
26、其中，li,j表示在第i段航路第j个航迹点与其后一个航迹点之间的航迹段距离，lmin表示航迹段的最短长度，n表示航路中的航迹点个数；
27、最大航程约束：
28、
29、其中，li,j表示在第i段航路第j个航迹点与其后一个航迹点之间的航迹段距离，lmin表示航迹段的最短长度，表示无人机的往返航程，lmax表示无人机执行任务的最大航程，n表示航路中的航迹点个数；
30、机动性能约束：
31、
32、其中，表示第i段航路第j个节点的偏航角，θi,j表示第i段航路第j个节点的俯仰角，和θmax分别表示最大偏航角和最大俯仰角，且偏航角和俯仰角的表达式如下：
33、
34、其中，ki表示以pi,j-1为起点pi,j为终点的航迹段在水平方向的投影，ki+1表示以pi,j为起点pi,j+1为终点的航迹段在水平方向的投影，arccos和arctan分别表示反余弦三角函数和反正切三角函数，|*|表示模运算，xi,j+1、yi,j+1、zi,j+1分别表示航迹点pi,j+1的三维坐标，xi,j、yi,j、zi,j分别表示航迹点pi,j的三维坐标；
35、时间协同约束：
36、ti≤tmax
37、其中，ti表示第i个无人机完成航迹的飞行时间，tmax表示多无人机到达各自目标点的约束时间；
38、空间协同约束：
39、di-j≥dsafe
40、其中，di-j表示第i个无人机与第j个无人机航迹点之间的最小距离，dsafe表示无人机之间最小安全飞行距离；
41、所述罚函数的表达式如下：
42、
43、其中，表示第i个无人机的罚函数；
44、所述多无人机协同航迹规划多目标适应函数的表达式如下：
45、
46、其中，cl表示航迹长度代价函数，ch表示飞行高度代价函数，cdefense表示环境威胁区的威胁代价函数和cradar表示雷达探测区的威胁代价函数，k1、k2、k3和k4分别表示权重系数，且权重系数之和为1，表示罚函数，表示第i个无人机航迹规划的航迹代价函数，z表示多无人机协同航迹规划多目标适应函数，min表示最小值，m表示无人机总数。
47、作为本发明的优选技术方案，所述步骤s3的具体步骤如下：
48、s3.1、初始化，采用mp-pg算法生成满足约束的无人机航迹，并存储为种群中的个体α；
49、s3.2、评价函数指标，对所有个体α进行聚类；
50、s3.3、适应度函数计算航迹种群的适应度值；
51、s3.4、比较种群中个体的适应度值，存储种群最优个体；
52、s3.5、对所有种群进行约束处理，舍弃不满足约束的航迹，保留次优种群个体，更新种群；
53、s3.6、合并所有子种群，比较适应度值，得到所有子种群的最优解；
54、s3.7、迭代更新。重复步骤s3.3-s3.6，当迭代过程进行到预定最大次数或适应度值不再改变时，输出最优协同航迹组和最优值，作为多无人机协同航迹规划问题的最优解；否则回到步骤s3.3继续更新。
55、本发明还提供一种基于mp-pg算法的多无人机协同航迹规划装置，用于实现如上述的基于mp-pg算法的多无人机协同航迹规划方法，包括数据收集模块、计算构建模块和结果输出模块；
56、所述数据收集模块用于获取三维地图信息、多无人机协同参数信息以及威胁信息，设定航迹规划的起始点和目标点；
57、所述计算构建模块用于建立多个代价函数和约束，并对每一个约束建立罚函数，之后结合罚函数与代价函数构建多无人机协同航迹规划多目标适应函数
58、所述结果输出模块用于对多无人机协同航迹规划多目标适应函数进行迭代求解，计算出最优解。
59、本发明还提供一种基于mp-pg算法的多无人机协同航迹规划装置，用于实现如上述的基于mp-pg算法的多无人机协同航迹规划方法，所述设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如上述的基于mp-pg算法的多无人机协同航迹规划方法。
60、本发明还提供一种基于mp-pg算法的多无人机协同航迹规划装置，用于实现如上述的基于mp-pg算法的多无人机协同航迹规划方法，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如上述的基于mp-pg算法的多无人机协同航迹规划方法。
61、与现有技术相比，本发明提供了基于mp-pg算法的多无人机协同航迹规划方法、装置、设备和介质，具备以下有益效果：
62、1、本发明通过将该算法应用到优化问题领域，能够提高算法寻优能力，提高多无人机协同航迹规划问题求解效率，同时将多无人机协同航迹规划问题建模为一个多目标适应函数的优化问题，旨在降低问题的复杂性。
1.一种基于mp-pg算法的多无人机协同航迹规划方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于mp-pg算法的多无人机协同航迹规划方法，其特征在于：所述步骤s1中建立的圆柱体模型表达式如下：
3.根据权利要求2所述的基于mp-pg算法的多无人机协同航迹规划方法，其特征在于：所述步骤s2中航迹长度代价函数cl的表达式如下：
4.根据权利要求2所述的基于mp-pg算法的多无人机协同航迹规划方法，其特征在于：所述飞行高度代价函数ch的表达式如下：
5.根据权利要求2所述的基于mp-pg算法的多无人机协同航迹规划方法，其特征在于：所述威胁代价函数包括对于地空导弹、防空高炮、恶劣气候造成的威胁代价函数cdefense和对于探测雷达造成的威胁代价函数cradar，具体表达式如下：
6.根据权利要求2所述的基于mp-pg算法的多无人机协同航迹规划方法，其特征在于：所述步骤s2中航迹段长度约束、最大航程约束、机动性能约束、时间协同约束和空间协同约束的表达式分别如下：
7.根据权利要求6所述的基于mp-pg算法的多无人机协同航迹规划方法，其特征在于：所述步骤s3的具体步骤如下：
8.一种基于mp-pg算法的多无人机协同航迹规划装置，用于实现如权利要求1-7任意一项所述的基于mp-pg算法的多无人机协同航迹规划方法，其特征在于：包括数据收集模块、计算构建模块和结果输出模块；
9.一种基于mp-pg算法的多无人机协同航迹规划设备，其特征在于：所述设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的基于mp-pg算法的多无人机协同航迹规划方法。
10.一种基于mp-pg算法的多无人机协同航迹规划存储介质，其特征在于：所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的基于mp-pg算法的多无人机协同航迹规划方法。
