摘要:基本遗传算法易早熟和局部搜索能力欠佳,为此,基于多生境遗传算法的无人机航迹规划将多生境遗传算法应用于无人机灾情巡查路径优化。基本思想是：在适应值共享基础上，在选择算子中引入排挤机制，在交叉算子中采用间隔交叉，并使用最相似个体中适应度最差的个体替换技术。数值实验表明，多生境遗传算法可以大大提高种群的多样性，在很大程度上避免早熟，获得比基本遗传算法更优的巡查路径。关键词：无人机；航迹规划；多生境遗传算法；局部收敛性DOI：10.11907/rjdk.172886:TP319文献标识码:A：1672-7800(2018)007-0166-03Abstract：Aimingattheshortcomingsofthebasicgeneticalgorithmwhichiseasytoprematureandthelocalsearchabilityispoor,themultinichegeneticalgorithmisappliedtotheUAVdisasterpatrolpathoptimization.Thebasicideaisthatonthebasisoffitnesssharing,thecrowdingoutmechanismisintroducedintotheselectionoperator,theintervalcrossoverisadoptedinthecrossoveroperator,andtheindividualsubstitutiontechniquewiththeworstfitnessamongthemostsimilarindividualsisadopted.Numericalexperimentsshowthatthenichegeneticalgorithmcangetbetterpatrolpaththanthebasicgeneticalgorithm.KeyWords：UAV；pathplanning；multi-nichegeneticalgorithm；localconvergence0引言无人机已广泛应用于军事侦察与打击、城市规划、资源调查、灾情巡查等领域。无人机任务规划中最重要的是航迹规划,即在一定约束条件下，寻找从起始点到目标点的最优路径。合理的航迹规划不仅节省资源，提高飞行效率，还可有效规避威胁，提高生存概率。常用无人机航迹规划方法有随机搜索法、Voronoi图法和优化方法［1］。无人机航迹规划往往包含复杂约束大规模优化问题，主流方法是启发式智能优化算法，如蚁群算法、粒子群算法、模拟退火算法、遗传算法等。早在1998年，Patcher[2]就讨论了路径规划问题中的关键优化技术及其复杂性；Dong、Zheng和Nikolos等系统研究了路径规划中进化算法的优化原理[3-5]；Wu[6]最早将遗传算法应用于航行器的路径问题。目前，无人机航迹规划优化工作多集中于对已有启发式智能优化zrvVZAh。y\/uL•上u」o基本遗传算法(SGA)对搜索空间和目标函数要求不高，适用面广，鲁棒性强，具有隐并行性，且全局搜索能力较强。但在求解复杂优化问题时，基本遗传算法经常表现出易陷于局部最优解和局部寻优精度不高的缺陷。为此，本文将多生境遗传算法(MNGA)应用于无人机航迹规划问题，并根据数据实验对该算法进行了性能测试。1航迹规划问题无人机航迹规划通常指在综合考虑无人机的机动性能、碰地概率、突防概率、油耗、威胁和飞行时间约束等各种因素下,找到一条从起始点到目标点的最优飞行轨迹。1.1无人机航迹规划基本要求无人机航迹规划是从众多的飞行航迹中选择满足一系列约束条件的最优航迹，既要尽量减少被敌方摧毁的概率，又要降低自身可能撞地的概率，同时还要满足无人机各种性能的约束条件。一般来说，无人机航迹规划需要考虑下列因素：(1)突防要求。无人机航迹规划首要因素是规划航迹的隐蔽性，要使敌方雷达捕获不到我方无人机，或者虽捕获却不能有效拦截。达到突防要求通常采用两种方式：一是使航迹远离威胁源；二是利用地形遮挡降低被敌方探测到的概率。(2)无人机性能要求。航迹规划必须考虑无人机的性能约束。无人机的性能对航迹的约束主要有：①最大转弯角一一此参数限制航迹只能在小于或等于该角度范围内转弯；②最大爬升/俯冲角一一此参数限制航迹在垂直平面内上升和下滑的最大角度；③最小航迹段长度一一此参数限制无人机在开始改变飞行姿态前必须直飞的最短距离；④最低飞行高度一一虽然低空飞行可以减少被敌方探测到的概率，但飞得过低往往使与地面相撞的概率增加，所以航迹应满足最小飞行高度限制。此外，无人机航迹规划还必须考虑燃油限制和通信限制等。(3)实时性要求。如果预先已掌握规划区域完整、准确的信息，即可规划出一条从起点到终点的最优航迹。但现代战场环境瞬息万变，不能保证事先所获信息不再发生变化。另外,由于任务的不确定性，无人机往往...