基于Swarm的城市无人机4D路径规划

为保障空域安全，提高空域运行效率，本文研究了无人机在城市环境下作战的4D路径规划问题。文献研究表明，无人机的协调路径规划问题是站在运营商的立场上解决的，缺乏对空域情况的全局考虑。引入空中交通管制员的视角，对无人机进行协调，确定其飞行方案。

首先，使用“AirMatrix”的概念来描述城市环境和无人机的飞行规则。在多路径规划层面，考虑了单个飞行路径约束和两个飞行路径的差值，以最短飞行路径为适应度函数。在任务调度层，在任务优先级已知的情况下，以每架无人机的起飞延误、飞行速度和飞行路径数为输入，建模两架无人机飞行路径之间的冲突;从空域情况和运营商需求出发，建立了反映解决方案质量的三层适应度函数。

为了求解所建立的模型，提出了CIACO算法，为每架无人机生成多个飞行路径。该算法在聚类过程中采用了拥挤机制，聚类的数量由解的质量决定，而不是由一个特定的数量决定。此外，在迭代的不同阶段，提出了多种策略来提高基本蚁群算法的探索和开发能力。在任务调度问题中，在“分布式-集中式”调度策略下，设计了基于遗传算法的最优飞行方案，并提出了“交叉”方法来计算复杂的三层适应度值。

在仿真研究中，对CIACO多路径规划算法和基于GA的任务调度算法进行了验证。该算法能够为每架无人机生成多个可供选择的飞行路径，且与标准蚁群算法相比，飞行路径长度也可以缩短。在基于GA的任务调度算法中，随着无人机数量的增加，无人机的飞行接受率降低，平均延迟增加。通过与分布式策略、SA算法和EDA算法的比较，验证了所提出的“交叉”策略的优越性。此外，当可供选择的飞行路径数量增多时，飞行方案并不总是会变得更好。研究结果可为空域容量的设计和经营者的偏好提供参考。未来，其他形式的空中运输，如空中出租车、监视和紧急救援的路径规划问题可以建模，其他先进的生物启发算法有望提高无人机行动的安全性和效率。