知识引导的智能优化算法在航路规划中的应用

为了提高智能优化算法对航路规划问题的求解质量和效率,提出了一种知识引导型智能优化算法的航路规划求解框架.与传统引导进化不同的是,考虑到以往所用知识的局限性,该框架并不是采用从前期优化过程中挖掘出来的知识,而是采用航路规划特定领域知识.为了描述引导方式,将智能优化算法形式化定义为3个引导对象的集合,从而将引导方式划分为7类单独或组合形式.根据航路规划特定领域知识的各自特点选择对应的引导方式,并将其结构化为能够改进算法性能的元策略,以粒子群优化算法为例对求解框架进行验证,仿真实验结果表明,特定领域知识的引导能够非常显著地提高算法的全局搜索性能和收敛速度.     

竞争量子进化算法的巡航导弹航路规划与重规划方法

针对巡航导弹航路规划问题,提出了一种竞争量子进化算法(CQEA),算法通过双方向进化及自适应变异避免其陷入局部最优解。同时,鉴于航路重规划对实时性的高度要求,借助最小威胁曲面及搜索竖线将三维搜索空间降到一维,并引入功能区域簇初始化思想来保证初始种群皆为非劣个体,从问题的几何本质上提升航路重规划效率。最后利用CQEA算法进行了航路规划与重规划仿真实验,结果表明,与PAQEA相比,CQEA搜索效率更高,稳定性更好;与原三维搜索空间相比,通过削减搜索空间及引入功能区域簇初始化思想后算法搜索速率更快,符合航路重规划对实时性的高度要求。     

航空网络航路点布局的多目标优化设计

航路网络中航路点布局问题（CWLP）是航路网络规划的核心。基于此,从航路网络经济性和安全性出发,考虑航路运行成本和潜在冲突系数两个因素,建立航路点布局多目标优化模型,求解时采用动态递变权重系数的蝙蝠算法以保证运行成本和潜在冲突系数能同时获得较优解。最后对北京飞行情报区进行仿真实验,将蝙蝠算法（BA）与其他多目标算法对比,得到4种算法的非支配解,证明多目标蝙蝠算法在求解航路点布局的大规模优化问题上,能够获得更优解。同时,考虑偏好经济性和偏好安全性两种情况选择两组权重,数据显示,与初始网络相比,这两种情况下网络运行成本和冲突系数减少比例分别为9.99%、15.64%以及-3.97%、65.81%。实验结果表明,该方法能够在航路点布局规划上给决策者以多种优化方案。     

基于蚁群算法的无人机航路规划

为了提高无人机(UAV)作战任务的成功率，在执行敌方防御区域内攻击任务前必需规划设计出高效的无人机飞行航路，保证无人机能够以最小的被发现概率及可接受的航程到达目标点。针对这一问题，对新近发展的蚁群算法进行了讨论，提出适用于航路规划的优化方法，并对无人机的攻击任务航路进行了仿真计算。仿真结果表明该方法是一种有效的航路规划方法。     

航路网络航路点布局的多目标优化设计

航路网络中航路点布局问题(CWLP)是航路网络规划的核心。基于此,从航路网络经济性和安全性出发,考虑航路运行成本和潜在冲突系数2个因素,建立航路点布局多目标优化模型,求解时采用动态递变权重系数的蝙蝠算法以保证运行成本和潜在冲突系数能同时获得较优解。最后对北京飞行情报区进行仿真实验,将蝙蝠算法(BA)与其他多目标算法对比,得到4种算法的非支配解,证明多目标蝙蝠算法在求解航路点布局的大规模优化问题上,能够获得更优解。同时,考虑偏好经济性和偏好安全性2种情况选择2组权重,数据显示:与初始网络相比,这2种情况下网络运行成本和冲突系数减少比例分别为9.99%、15.64%以及-3.97%、65.81%。实验结果表明,该方法能够在航路点布局规划上给决策者以多种优化方案。     

元胞蚁群算法的城市楼宇间无人机航路规划

近年来,城市环境中小型无人机越来越多,然而传统的航路规划算法通常将威胁简化,并不能很好地解决无人机在城市环境的航路规划问题。因此引入"元胞"定义飞行区间,对"数字元胞地图"以及"航路罚函数"进行定义,并利用蚁群算法进行航路规划,使其可以对任意不规则威胁进行规避。仿真对比实验表明,所提的基于元胞蚁群的算法可以在不对障碍模型进行简化的情况下进行合理规避,为无人机在城市环境中规划出一条安全可飞的航路。     

基于运动状态估计的双无人机协同航路规划

在双无人机协同任务过程中,由于会受到敌方雷达、武器等干扰造成跟随机无法准确获得领航机状态,为保证跟随机能够尽可能跟随领航机,提出结合交互式多模型(IMM)算法和自适应差分进化(JADE)算法的方法进行跟踪与寻迹.首先,基于JADE算法为领航机优化一条平滑航路并建立领航机位置状态信息,同时利用多个机动模型匹配估计领航机运动状态;然后,根据估计信息,确定跟随机下一可行航迹点范围;最后,以双机时空协同为目标,设计跟随机优化目标函数,优化产生下一航迹点.仿真实验表明,仅8.8%的航迹点处于双机探测范围外,且短时间内能够回到理想位置,时间和空间上双机能够保持协同.     

单站航路机动对纯距离目标定位精度影响分析

针对单观测站航路机动对纯距离目标定位精度的影响问题,在目标定位跟踪精度下限的基础上,使用精度几何散布作为性能评估指标,采用最小二乘算法进行仿真实验,分析了观测站在一次转向航路和匀速转弯航路时,对静止目标定位精度的影响.仿真结果表明:纯距离观测条件下,观测站不同机动航路对目标定位精度有很大影响,可以通过选择合适的机动航路来改善定位跟踪算法的性能,提高纯距离系统对目标的定位精度.     

一种自主水下机器人航路规划算法研究

在基本蚁群算法的基础上,提出了一种用于实现自主水下机器人路径规划的自适应蚁群算法,该方法通过改进概率的选择和调节信息素挥发系数,保证AUV以更安全的航路接近目标,同时提高了搜索最优路径的收敛速度,并对路径进行平滑处理使结果更可行.用Matlab对控制算法进行仿真,仿真结果表明该算法能明显改善路径规划性能.     

六自由度弹道仿真航路规划评价方法

针对飞行器航路规划评价方法单一、缺乏合理性与动态特性验证等问题,提出了基于六自由度弹道仿真的航路规划评价方法.分析了影响航路评价的几种因素,并建立起基于Simulink的六自由度弹道模型.将已规划航路输入六自由度弹道模型中,通过仿真得到飞行器沿航路飞行时的各飞行参数实际响应,从动态角度分析已规划航路的合理性,以更加接近真实情况的仿真手段实现对规划效果的全面评价.仿真结果表明,该评价方法可以实现对规划航路动态特性的验证.     

基于改进DWA的动态环境路径规划算法

摘 要 在涉及机器人自主运动和目标跟踪等场景中,动态障碍物的存在可能会对实时规划产生威胁。因此,生成一条安全路径以确保机器不会与动态障碍物发生碰撞显得至关重要。为此,提出一种改进的动态窗口法(dynamic window approach,DWA),其基于参考速度障碍物（velocity obstacle,VO)的思想,通过考虑障碍物的速度计算基于障碍物的危险区域,进行DWA节点选择排除不可行的路径,并且通过引入人工势场法作为评价函数选择最佳节点以避免与动态障碍物发生碰撞且能够快速到达期望目标点。结果表明：相对于传统的DWA算法,本文提出的DWA-VO算法在动态环境中相对于传统的DWA算法具有更高的成功率和更好的规划质量。     

基于增强拓扑神经演化强化学习的水面无人艇局部路径规划

针对水面无人艇(unmanned surface vessel, USV)在复杂环境下的局部路径规划问题,对USV路径规划问题进行了数学建模,提出了基于增强拓扑神经演化(neuroevolution of augmenting topologies, NEAT)算法的局部路径规划方法;设计了神经网络初始结构和演化参数,对初始神经网络结构进行演化实现避障及到达指定目标的路径规划任务;通过设计适应度函数,实现路径点数目的优化。仿真结果表明:利用NEAT算法演化神经网络的方法能够使USV在复杂的环境中准确避开障碍物并到达目标点,且在路径点数目和鲁棒性方面优于传统的模糊逻辑算法与人工势场算法。     

流量拥堵空域内一种基于Q-Learning算法的改航路径规划

目前,空中流量激增导致空域资源紧张的问题越发凸显,为了缓解这一现状,将基于流量管理层面对航空器进行改航路径的研究。首先采用栅格化的方式对空域环境进行离散化处理,根据航路点流量的拥挤程度把空域划分为三种不同类型的栅格区域。其次通过改进强化学习中马尔科夫决策过程的奖励函数对其进行建模,并基于 策略运用Q-Learning算法对该模型进行迭代求解,对相应的参数取值进行探究比较以提高结果的可适用性。最后经过仿真运行,计算出不同参数赋值下的最优路径及相应的性能指标。研究结果表明：应用该模型和算法可以针对某一时段内的流量拥堵空域搜索出合适的改航路径,使飞机避开流量拥挤的航路点,缩短空中延误时间,有效改善空域拥堵的现况。     

基于改进萤火虫算法与动态窗口法融合的移动机器人动态路径规划

针对传统萤火虫算法无法有效躲避未知障碍物、收敛速度慢、易陷入局部最优等问题,对其进行了改进,并将其与动态窗口法相结合,从而提出了一种移动机器人动态路径规划新算法。通过三种策略对萤火虫算法进行了改进：首先,采用Skew Tent混沌映射产生混沌序列对萤火虫种群进行初始化,提高萤火虫算法的全局收敛速度;其次,引入自适应步长平衡萤火虫算法全局和局部最优;最后采用差分进化算法通过变异、交叉和选择操作加强萤火虫算法的搜索能力。然后将改进萤火虫算法与动态窗口法相结合,使移动机器人在全局最优路径的基础上进行实时动态路径规划,在能保证全局最优路径的基础上有效躲避未知障碍物。本文基于MATLAB进行了仿真,仿真结果验证了所提算法的有效性。     

基于障碍物可达区域预测的机器人实时避障算法

针对复杂环境下的机器人路径规划与自主避障问题,提出了基于动态障碍物可达区域预测的实时避障算法.对静态障碍物进行描述和建模,建立动态障碍物状态更新预测方程,实现对动态障碍物质心可达区域的预测.分别面向动态、静态障碍物提出基于可达区域预测的多步椭圆包络势场和基于新型Sigmoid函数的势场,修正目标的对数Lyapunov引力场,给出多类型障碍物空间下的机器人实时避障算法.数值仿真和实验结果表明,与传统方法相比实时避障算法可使机器人避障过程中的路径长度更短、安全性更高及最大行驶角变化幅值更小.     

风帆构型波浪滑翔器局部路径规划研究

风帆构型波浪滑翔器（sailboat architecture wave glider,SWG）是一种新型单体式欠驱动海洋观测平台。相较于传统波浪滑翔器,风帆构型波浪滑翔器以海洋可再生能源—风能与波浪能为动力,克服了机动性能弱和抗流能力差等缺点,有效实现持续动能转换,执行面向大范围海域快速巡航等任务。考虑到风帆构型波浪滑翔器对风场环境的依赖性,传统路径规划方法对风帆构型波浪滑翔器的适用性很低,因此本文提出了一种适用于风帆构型波浪滑翔器在风场环境下的局部路径规划算法。算法通过改进引力势场与斥力势场,克服了传统人工势场算法中机器人无法到达靠近障碍物的目标点和碰撞远离目标点的障碍物的缺陷。算法引入了一种风势场,使算法针对不同风场规划出不同的路径,并且规划路径满足风帆构型波浪滑翔器的运动学约束。最后通过MATLAB仿真和海试实验,验证了所提出的局部路径规划算法对风帆构型波浪滑翔器的适用性。     

水面无人艇冗余路径点约减方法研究——基于最优路径代价估计

针对复杂海洋环境下USV在线路径规划问题,提出一种顺序-随机两模式的冗余路径点约减方法。利用估计通过路径点的最优路径来制定其被约减的概率,并通过概率值的自适应变化考虑更多路径点的组合方案。采用顺序方法控制随机约减范围,快速发现潜在的优化路径。在约减过程中考虑海流等复杂海况对USV运动的影响,从而降低USV的碰撞概率。实验结果表明,本文方法可有效地简化并优化USV路径。     

考虑液氧泄漏的改进A*算法及其应用

针对国内工厂液氧泄漏事故频发,工人紧急处理不得当以及逃离路线不安全问题,提出了一种更注重安全和效率的改进A~*算法并将其嵌入到应急演练系统中。通过在启发函数中加入权重因子和方向因素使得A~*算法能更好地应用于复杂地址中,同时根据风险模型的计算对路点进行安全距离的判断从而保证了寻路路线的安全性。对比实验结果表明:在标准A~*算法获得的路径中较多路点处于液氧泄漏危险区里;仅修改启发函数的A~*改进算法获得的路点数小于第一组实验所获得的路点数且更快地向目标点靠近,但仍有较多路点处于危险区域;既修改启发函数又考虑风险模型的改进A~*算法所获得的路点均处于液氧泄漏危险区域以外。由此可知,改进A~*算法较标准A~*算法获得的路径更加安全,同时更快地向目标点收敛。     

基于态势感知的滑行路径优化算法

为提高繁忙机场场面运行效率,以优化航空器滑行路径、减少航空器滑行延误时间为目标,通过分析滑行道的运行态势,构建了机场滑行路径优化模型,并提出基于态势感知的滑行路径优化模型求解算法.算例结果表明:基于态势感知的滑行路径优化算法与传统的先到先服务优化算法相比,航空器在整个滑行过程中的总运行时间下降了 5％.可见基于态势感知...     

面向城市超低空物流场景的最小风险路径规划算法

随着城市超低空物流运输场景的迅速发展,无人机路径规划的安全性显得尤为重要,针对现有路径规划算法无法满足超低空物流运输无人机在密集障碍物场景下进行安全轨迹规划的问题,本文基于A*算法,将三维环境依据飞行高度划分为多个高度层,以规划风险最小轨迹为目标,从时间、风险两个维度对A*算法的成本估计函数进行重构,从而提出面向城市超低空物流场景的最小危险路径规划算法。仿真实验一表明,本文提出的最小风险路径规划算法在3种不同城市场景,15种不同运行环境中,相比于传统轨迹规划算法,规划得到的路径安全距离平均增加60%,安全性显著提高;本文也将该算法应用于多无人机多高度层的复杂城市场景中,实验结果表明,本文提出的最小风险路径规划算法在兼顾航程的同时可以为多架无人机规划安全性更高的路径;在实验三中运用蒙特卡洛法证明本文算法在路径规划算法中的可靠性与鲁棒性,为城市超低空物流场景提供了安全性更高的路径规划方法。