基于MPC-PSO的无人机在线航迹规划

研究了无人机在战场环境部分已知突然出现动态威胁情况下的三维在线航迹规划问题.采用"预规划-在线轨迹跟踪"的模式,根据已知的环境信息,离线规划出UAV的参考航迹.然后UAV在飞行过程中,需要在跟踪参考航迹的基础上,对UAV未来一段航迹进行预测,然后利用粒子群算法优化出UAV的最优(或次优)的飞行航迹.与传统的在线规划方法粒子群和稀疏A*搜索算法相比,该方法有效地提高了规划航迹的可行性和实时性,降低了算法的复杂度.仿真表明该算法是一种有效的无人机路径规划算法.     

基于改进差分进化算法的无人机在线低空突防航迹规划

为了解决无人机在部分未知敌对环境中的低空突防航迹规划问题,提出了一种改进的差分进化算法.该算法的进化模型采用冯.诺伊曼拓扑结构,并对其进行拓展,使种群在进化初期保持多样性,避免进化早期陷入局部最优,而进化后期加快收敛速度.该算法改进了差分进化算子中的变异操作,从而加快算法的收敛速度,快速找到多目标优化问题的最优解;同时,采用将绝对笛卡儿坐标和相对极坐标相结合的编码方式以提高搜索效率.将该算法用于无人机在线航迹规划仿真实验,并和未改进的算法结果作比较,验证了该算法的有效性.     

基于乌贼算法的无人机航迹规划

乌贼算法是一种新型的启发式仿生优化算法。提出了一种基于乌贼算法的无人机航迹规划算法。所构建的概率地图采用概率密度函数来对各种威胁源进行建模,非常适合表述战场环境的不确定特性。乌贼算法与传统的启发式算法相比,拥有更快的收敛速度。在此基础上设计的基于乌贼算法的概率地图航迹规划算法能够有效的缩小概率地图的规划空间,使得航迹规划搜索范围减少、时间缩短。仿真实验表明,该方案比传统概率地图航迹规划方法更能满足无人机航迹规划的要求。     

基于ALCE-SSA优化的三维无人机低空突防

针对无人机在三维低空突防时存在环境复杂、路径规划计算量大等问题以及现有的麻雀搜索算法算法路径搜索能力不足、易陷入局部最优等缺陷,提出一种基于改进麻雀搜索算法（ALCE-SSA）的三维无人机低空突防的航迹规划方法.首先,建立三维地形模型、威胁源模型和无人机物理约束模型,确定代价函数;其次,设计随机Tent映射初始化种群,提高初始化种群的质量;然后针对麻雀搜索算法算法中发现者位置更新的不足,设计一种自适应领头雀引导策略,减小依靠单一父代更新的不利影响,能够同时提升前期全局探索和后期局部寻优的能力;最后,针对种群多样性不足、易陷入局部最优的问题,设计一种中心变异-进化因子,扩大搜索空间,进一步提升全局寻优能力.和灰狼算法、飞蛾扑火算法和麻雀搜索算法相比,ALCE-SSA的能耗更优,路径更平滑,收敛速度更快,可使无人机有效地利用地形优势来躲避威胁源,表现出较好的寻优能力.     

基于改进MOGOA的无人机群航迹规划研究

针对电子侦察系统中反辐射无人机群进行辐射源无源定位时机群的编队形式会对定位精度产生影响的问题,将克拉美-罗界(Cramer-Rao lower bound,CRLB)作为定位精度方面的优化目标,与其他优化目标、约束一起引入机群的航迹规划中,使无人机群运动过程中保持良好编队,确保无源定位精度.文中针对多优化目标复杂环境中航迹规划算法寻优能力不高的问题,提出了一种基于改进多目标蝗虫算法(IMOGOA)的无人机群3维航迹规划方法,通过对MOGOA的选择方式、收敛参数进行改进从而提高算法的收敛性能以及全局搜索性能.首先,建立无人机群航迹规划的运动学模型,并引入距离约束,除定位精度以外还引入了路程、威胁代价等作为航迹规划的优化目标函数,然后,对改进多目标蝗虫算法进行详细说明,最后设计基于IMOGOA的无人机群航迹规划方案的算法流程,并在设定场景中对该算法的性能进行了仿真分析.结果表明,所提出的IMOGOA能够成功地规划出无人机群从初始位置到辐射源位置处的3维航迹,同时使无人机群在运动过程中保持良好的定位精度,经IMOGOA规划的机群编队定位精度最高可达1.2%,性能明显优于正方形编队和随机编队,并通过将IMOGOA与原始蝗虫算法(GOA)、原始多目标蝗虫算法进行对比,结果表明IMOGOA的收敛速度比MOGOA快11.1%,搜索性能相较GOA提升13.8%.     

多旋翼无人机低空航迹规划问题

无人机航迹规划是确保飞行安全高效的重要因素,针对使用二维地图进行航迹规划飞行存在航点精度差、飞机姿态不稳定等问题,通过对多旋翼无人机飞行状态特性分析,讨论了一种利用倾斜摄影三维模型进行复杂地域航迹规划的新方法,并采用实装飞行的方式进行验证,结果表明该方法对在地形复杂地区航迹规划具有较好实用价值.     

无人机航迹规划算法研究

航迹规划算法是无人机应用的关键技术之一。本文主要结合蚁群算法对无人机三维航迹规划进行了系统的研究。针对无人机三维航迹规划的复杂性及其搜索空间大且效率低的问题,提出了一种基于蚁群算法的航迹滚动规划方法,并将地形条件与航迹规划的约束条件加入搜索算法中,以使规划的航迹更符合实际情形。仿真实例结果表明,所提出的规划方法可以规划出满足无人机飞行要求的航迹。     

基于遗传算法的无人机航迹规划

研究了基于遗传算法的无人机全局路径规划算法,建立了综合评价航程总长度、威胁概率和平均地形高度的多目标优化函数,并针对此优化函数设计了基于相对距离转角的遗传算法编码方案,进化计算结果稳定,达到了利用三维地形规避威胁的目的.进而研究了基于路径规划点生成光滑航迹的鲁棒性算法,利用MATLAB和VRML接口实现了无人机全局航迹...     

基于A*算法的远程导弹三维航迹规划算法

提出了一种基于A*算法的三维航迹规划方法.该方法将远程导弹的运动学模型离散化,利用导弹过载作为控制量,并结合约束条件,直接对三维空间进行最优航迹搜索.航迹规划过程不仅结合了导弹的本身机动特性,并且充分利用地形信息进行地形回避和威胁回避.仿真实验表明,该方法能够直接规划出三维空间中满足导弹过载约束的最优航迹.     

基于动态加权A*算法的无人机航迹规划

随着无人机航迹规划高维空间的扩展,无人机的飞行环境变得异常复杂,其外部威胁不再是简单的二维静态威胁,传统的蚁群算法和人工势场算法已经不能满足实时性和高复杂环境的要求。为解决上述问题,提出新的基于动态加权A^*算法的无人机航迹规划。首先对无人机的飞行环境进行建模,通过研究航迹规划的转弯半径、航迹段长度和最大航程限制等约束条件,用于保证无人机的安全飞行,从而降低坠机率和威胁概率;其次,通过研究无人机的航迹和外部威胁参数,设计出新的航行方式,降低航行危险和减少损失;然后,通过扩展顶点势能定位和网格图整体变化的动态权重,获得动态环境下的代价函数,增加避障搜索速度、精度和加深回避程度。最后,通过仿真结果表明,在同一应用环境下,所提算法与蚁群算法和人工势场算法相比,航迹路径最优、威胁代价最小和算法执行的时间最短。综上,基于动态加权A^*算法很好地应用于无人机航迹规划,降低了无人机航迹代价,缩短了算法完成时间,提高了复杂环境下无人机航迹规划的搜索速度和精度。     

一种基于地形跟踪的航迹优化算法

以地形跟踪／地形回避为基础,提出了用轨迹的侧向仰角代替航迹的高度作为航迹规划的隐蔽性代价的概念．该方法结合航迹的航程代价和飞行器的各种机动能力约束,可以达到对已有航迹的优化作用,同时也可直接进行简单的控制点航迹规划．仿真研究结果表明,该算法满足飞行器飞行的各种条件,是一种可行方法,该方法速度快、规划出的航迹可以有效提升飞行器在飞行过程中的生存能力,可以在用于任务规划的同时,达到对航迹进行优化的目的．     

基于演化深度神经网络的无人机协同无源定位动态航迹规划

 针对多无人机在无源定位过程中协同动态规划航迹提高定位精度问题,提出基于演化深度神经网络的分布式动态航迹优化方法。首先将演化计算与深层前向反馈神经网络结合,设计基于演化神经网络的无人机协同无源定位动态航迹规划框架。以多无人机到达角（AOA）协同定位为例,利用定位过程中对目标估计的克拉美罗界（CRLB）生成最优训练集。通过无人机下一时刻与目标形成的相对构型作为系统学习的行为,从而得到下一时刻优化后的航迹点。实验结果表明,该方法相对于传统中心控制的无人机协同定位方法,具有更低的处理延时,能够以更短时间达到定位精度。     

区域覆盖的多机协同探测任务分配策略

为满足战场环境下对兴趣区域进行覆盖探测的任务需求,提出了一种基于区域覆盖的多无人机协同探测任务分配策略。首先通过最小圆覆盖法确定无人机在兴趣区域中的目标航迹点,其次进行多机协同任务规划,在目标分配模型的基础上进一步建立时间分配模型,然后利用改进灰狼算法对任务分配模型进行求解,最终实现资源优化分配决策方案的获取。仿真结果表明,所提算法相比其他算法具有更快的收敛速度,能够更加有效地解决区域覆盖探测资源优化分配问题。     

基于数字地图预处理的飞行器航迹规划

针对飞行器在低空复杂空域下航迹的规划,研究了地形条件以及地表威胁对飞行器飞行的影响。通过对数字地图以及静态威胁的分析,探究了数字地图的处理方法,并用埃尔米特插值函数进一步对地图进行平滑处理,减少最优航迹的搜索范围。通过设计地形跟随、地形回避以及威胁躲避的方法,保障了飞行器的安全。深入分析粒子群算法,在飞行器执行任务前实现对三维航迹的规划。通过仿真,展示了地图处理前后的区别,实现了三维最优航迹的离线规划。     

一种快速3维无人机航迹规划方法

无人机三维航迹规划由于规划约束众多,同时面临在巨大的搜索空间中寻优,往往规划速度慢,规划效率低.结合二维规划和高度规划实现三维规划是一种有效提升规划速度的解决方案,在利用Fast M arching Method(FMM)进行二维规划的基础上,采用Sparse A-star(SAS)搜索算法进行高度规划,分阶段考虑航迹规划的各种环境约束和机动约束,从而压缩规划空间.实验表明,该方法航迹规划速度快,所得到的三维航迹具有良好的地形跟随能力和避障能力.     

基于二维自由空间的无人机实时航迹规划

针对未知环境中无人机的实时航迹规划,提出了一种利用方向引导向量的航迹规划方法。通过仿真实验证明,该算法在完全未知的环境中,可以很好地引导无人机找到目标点,实现无人机在线的实时决策。     

水面无人艇全局航迹多目标规划算法

为了有效提升水面无人艇(USV)全局航迹规划算法的性能,从多目标优化的角度就USV的全局航迹规划问题展开研究.以电子海图为基础构建了栅格化环境模型,提出了USV全程航迹规划的多目标约束优化数学模型,采用距离函数和双惩罚函数对约束条件进行处理,并引入Pareto强度和最小代沟模型,设计了一种基于多目标遗传算法的全局航迹规划算法.实验结果表明算法能够有效兼顾多个优化目标,为USV规划出性能更优的全局航迹.     

一种基于蚁群智能算法的航迹优化方法

航路规划是飞机地形回避系统的一个关键环节,是完成低空飞行任务的基础。针对飞机地形回避过程的航路规划技术进行研究,利用k均值算法对地形采样点进行聚类,建立地形障碍空间模型。运用狄克斯特拉算法进行初始航迹规划,然后利用蚁群智能算法对航迹进行优化,缩短整个航线的航程。通过仿真验证了方案的可行性和合理性。     

基于人工势场法的无人机局部航迹重规划

无人机飞行中受复杂环境的影响，在预设航线飞行时容易遇到突发障碍物，这要求无人机及时避障并重新设计轨迹.为实现无人机在飞行过程中主动避障并平滑地返回预设航迹，提出了一种改进人工势场法的局部航迹重规划方法.在引力场函数中加入线势场，使无人机避障后在线势场力的作用下重回原预设航线.通过在斥力场函数中加入无人机与目标点的决策因子，解决无人机在临界点震荡，无法到达预设目标位置的问题.通过引入动态力，解决无人机原地停滞，局部极小值问题.研究在二维环境下进行了Matlab仿真验证，试验结果表明，改进的人工势场法能够实现主动避障和无人机局部航迹的重规划.     

基于随机策略的无人机巡逻路径规划

多无人机协同巡逻是多无人机协同控制的重要内容之一.在敌对情况下固定周期性的巡逻路径容易被敌方预测到而失去巡逻效果.提出了一种以随机策略为基础的巡逻路径的规划方法,实现了敌对环境下分布式的多无人机协同巡逻.用仿真算例研究了算法的性能.