基于改进型A*-Markov联合模型的无人机航路规划

实验一种基于改进型A~*算法来对无人机进行任务路径规划.引入了无人机的机动步长、转角限制和飞行高度,有效地缩减了无人机搜索空间,除此之外还引入了地形、任务等约束条件,使航路规划更接近于真实环境.考虑到规划过程中敌方能力的不确定性,以及无人机在航路中的生存概率的不可知性,采用八状态Markov模型评估无人机的飞行状态.该模型与A~*算法结合时在威胁区域内完成任务后,由于时间的积累向外扩展时生存代价值越高,导致迭代次数过多,而同心圆模型越向外扩展时生存代价值越低的优点可避免该问题,因此引入同心圆模型与Markov模型的联合模型.仿真实验结果表明,该方法可以有效地检测航路中飞机的各种状态的概率,以此对整个航路进行评估,并且有效降低了仅采用Markov模型时在威胁区域内完成任务点后规划新航路迭代次数过多的问题.     

不同威胁情况下无人机实时航路规划算法研究

针对无人机实时航路规划问题,分析安全影响威胁,建立了改进的威胁概率模型。在安全回避突发威胁的前提上,增加考虑了偏离预定航路飞行代价影响;以飞行总航程最短为目标建立了新的飞行模型。针对当前飞行航段出现单个突发威胁和多个处于不同排列情况的突发威胁(组)情况,给出了相应的最优航路分析;并设计了基于最短路思想的启发式算法。对三种场景进行算例仿真。仿真结果表明,模型和算法具有有效性和可行性,可以实时分析突发威胁,并规划出相对安全经济的实时航路。     

基于Voronoi图和量子粒子群算法的无人机航路规划

 无人机(UCAV)是自主控制执行任务的无人驾驶飞机,其航路规划是一类复杂优化问题,因此难以在多项式时间内获取精确解,为此提出了一种基于Voronoi图和量子粒子群(QPSO)算法的UCAV航路规划方法。首先,在综合考虑航路的雷达威胁和燃油耗费的基础上定义了航路规划的代价模型;然后,根据已知的威胁源生成Voronoi图,通过连接起点、Voronoi图中顶点以及终点获得初始规划解集;最后,通过引入柯西变异随机数和扰动对QPSO算法进行改进,以增强其全局寻优能力和收敛速度,并定义了采用此改进的QPSO算法对UCAV进行最终航路规划的具体算法。仿真实验表明,该方法能求解出UCAV航路规划的最优解,且与经典的PSO算法和QPSO算法相比,具有全局寻优能力强和收敛速度快的优点。     

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。     

近距空中支援中无人机目标分配问题研究

利用无人机实施近距空中支援作战是当前研究的重点,需针对复杂战场环境对实行多目标火力打击的无人机进行路径优化与目标分配。综合考虑无人机飞行高度、不同武器挂载、目标类型及各项指标、威胁区威胁代价、作战时间代价等因素,构建目标毁伤综合指标提高非对称打击效能,设置威胁区安全阈值提高路径有效性分析,采取自适应权重粒子群协同优化算法求解单无人机单目标航迹总代价,采取0-1规划法求解多无人机对多目标的不平衡任务分配方案,为近距空中支援任务中多无人机对多目标的分配提供决策支撑。     

采用自适应原始对偶迭代的无人机编队协同航路规划方法

针对目标通过机动进入无人机雷达探测盲区、导致雷达跟踪不稳定的问题，提出一种无人机编队协同航路规划方法。首先，根据雷达多普勒速度盲区、雷达探测视角、距离边界区等建立协同航路规划约束条件；然后，以机动目标稳健跟踪为目的建立优化目标函数，并结合约束条件构建协同航路优化模型；最后，设计了一种自适应原始-对偶迭代算法，对建立的航路优化模型进行快速求解，得到无人机飞行实时航路。对比仿真结果表明：所提方法能够实现无人机编队协同航路快速规划，达到对机动目标持续稳定跟踪的目的；与传统的高斯伪谱法和模型预测控制算法相比，所提方法求解速度提升了10%,算法复杂度相对较低；所提方法求解的无人机航路平滑性较好，可减少无人机飞行油耗，便于长时留空探测。     

基于弹道下降方式的无人机风险评估与航路规划

针对无人机系统失效后对地面人员及财产安全的威胁,提出了一种基于弹道下降方式下的无人机风险评估及航路规划方法。分析了无人机失效后的下降特点及规律,采用栅格法划分空域环境,以地面不同属性构建低空空域环境风险评估模型。结合无人机飞行的风险值、路径长度和空域情况,建立了多目标、多约束的无人机飞行航路规划模型。利用改进蚁群算法进行求解：优化转移概率,避免蚂蚁陷入死区间和减少盲目搜索;对信息素的更新进行改进,调整自适应系数增强最优路径的信息素浓度,提高算法收敛速度与稳定性。相比传统蚁群算法的路径规划,运行时间缩短6.7%、最优路径风险值降低41.45%、整体性能提高18.0%。仿真结果表明：本文模型及改进算法可以在提高路径安全性的前提下,缩短规划路径生成时间且保障运行的经济性。     

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。     

飞机空中加油航路规划的最优化研究

航路规划是空中加油的重要课题,通过对空中加油问题进行系统性分析,针对受油机往返各加一次油的情况,建立了空中加油航路规划的数学模型.该数学模型考虑了任务总耗油问题,即加油机和受油机的耗油总量;同时还考虑了将受油机前往执行任务的飞行距离列入优化对象(不含返程).并提出了基于遗传算法求解空中加油航路的规划模型.运用所提出的方法,实际计算表明,所建模型具有良好的适应性,能够适合不同的作战环境和不同作战要求;采用遗传优化算法研究空中加油问题,优化效率高、具有全局性,并易于计算机实现;所得的加油方案是合理的.     

防空火力压制任务中反辐射无人机搜索航路优选

反辐射无人机在执行对敌防空火力压制任务时典型的搜索航路有跑道形和"8"字形2种。建立"视场覆盖率"这一指标来衡量两典型搜索航路对目标雷达的压制效果,实现对这两典型搜索航路的优选。为此,首先通过建立数学模型的方法分别求得两种搜索航路的视场覆盖率,然后分别分析了无人机转弯半径、航路规划空间直线长度对两搜索航路视场覆盖率的影响,最后综合考虑了无人机导引头水平机械视场周期扫描对两搜索航路视场覆盖率理论计算值的影响。计算结果表明:在航路规划空间大小、无人机转弯半径一定的情况下,两典型搜索航路的视场覆盖率均低于50%,但"8"字形搜索航路视场覆盖率明显高于跑道形搜索航路,对目标雷达的压制效果更好。     

云模型蚁群算法在无人机航迹规划中的应用

为中高空飞行的无人机提出了一种新型航路规划算法。该方法基于云模型蚁群算法。基本蚁群算法有着突出的缺陷:易陷入局部最优解而且需要计算时间长。提出的改进型蚁群算法,通过云模型来控制信息素强度Q和挥发系数ρ的大小,从而得到更好的收敛性与避免陷入局部最优解,并进行了TSP问题的仿真计算。通过将无人机任务地图网格离散化,运用云模型蚁群算法进行航迹规划。     

基于并行粒子群和RL的无人机航路规划算法设计

设计了一种基于并行粒子群和RL(reinforcement learning,RL)的无人机航路规划方法.首先,定义了引入转角角度约束的航路规划的代价模型,然后,提出了一种基于RL中的Q-Learning算法的初始航路规划方法,将其作为粒子的初始位置,将粒子群划分为多个种群进行并行寻优,得到所有种群局部最优解,计算其最优值获取全局最优解;最后设计了基于并行粒子群和RL的无人机航路规划算法.仿真实验表明文中方法能实现复杂威胁情况下UCAC航路规划,具有较高的规划效率,且与其他方法相比,具有收敛速度快和全局寻优能力强的优点,具有较强的可行性和实用性.     

贝叶斯网络的对地攻击无人机自主能力评估

作战任务条件下评估对地攻击无人机自主能力，是无人机作战使用亟待解决的关键问题之一。针对对地攻击无人机作战流程与特点，选取感知探测、规划决策、作战执行、安全管理和学习进化5个紧密贴合其作战运用特点的自主能力影响因素，构建面向全任务过程的对地攻击无人机自主能力评估指标体系。基于贝叶斯网络建立自主能力评估模型，利用改进熵权法确定根节点的先验概率，并运用贝叶斯软件Netica进行实例仿真。针对对地攻击无人机任务前、任务中和任务后的自主能力，利用因果推理、截断分析推理和影响因素推理3种推理模式进行仿真验证及推理分析，根据仿真验证结果给出了各个阶段自主能力的动态调整建议。     

无人机遥感多载荷任务规划方法

针对装载多个载荷的无人机遥感问题,研究一次飞行可对遥感区域进行多种类型勘测的任务规划方法.根据不同载荷对无人机飞行高度、飞行速度、航路精度等指标的特殊要求,对航路与任务载荷进行建模和规划.采用基于XML（eXtensible Markup Language）对遥感任务进行建模,制订通用性好的任务规划规范标准,提高无人机遥感飞行效率以及适应性;且通过KML（Keyhole Markup Language）对规划结果在Google Earth上实时显示,对规划结果进行基于地理信息系统的直观显示和有效评估.     

基于多因素融合建模下无人机航行环境评估方法

当前无人机(unmanned aerial vehicle,UAV)任务路径的研究已日益广泛。现实环境中执飞空域将由多机种多机型共同参与,针对无人机间,以及与载人运输机间的航行环境分析及空域密度评估,还处于研究初级阶段。为正确分析大型无人机在复杂区域内执行任务对航行环境的影响,综合考虑尺寸与性能数据、空域结构、空中交通服务和飞行技术安全等因素,首次建立多种因素融合下的无人机航行环境评估模型,并获取量化评估结果。计算结果表明:通过分析模型计算得出航空器间最小距离,可为制定航路航线间隔,判断空域密度等问题提供数据参考。为未来低空空域开放,实现载人运输机和无人机安全、协同飞行创造条件。     

基于空间分解网络的无人机航路规划

设计了一种无人机航路规划方法,首先通过作战任务想定构造Voronoi图,利用空间分解网络和Rosenthal算法确定初始航路,然后进行样条插值对初始航路光顺修正,最终得到一条可飞航路。仿真计算表明该方法简单、有效。     

基于自适应遗传算法的无人机航路规划

在规划区域内随机产生一系列威胁点和相应威胁半径来量化无人机(UAV)任务环境,通过纵向剖分目标区,将航路点的表示由二维缩减到一维,采用实值编码以提高运算精度.针对遗传算法(GA)早收敛和收敛慢的问题,在交叉和变异中设计了自适应算子.计算仿真表明该控制算法能使无人机在复杂环境中回避威胁,快速选择最短路径,提高了规划效率.     

基于改进蚁群算法的无人机航迹规划

针对无人机在指定地点执行侦察、 巡逻或攻击等任务, 将无人机执行任务的航迹代价模型转化为旅行商问题, 采用改进蚁群算法实现航迹规划。通过引入去交叉禁忌搜索策略, 对基本蚁群算法进行改进, 以解决在收敛后期易陷入局部最优的问题。同时, 利用数值仿真对所研究的基于改进蚁群算法的无人机航迹规划算法进行验证。仿真结果表明, 该算法能提高了无人机航迹优化能力。     

基于改进DPSO非退出故障下多无人机任务规划

针对非退出故障下多无人机协同任务规划问题,提出了一种基于混合策略改进的离散粒子群算法。该方法首先采用Sobol序列进行种群初始化,提高解空间的覆盖率;然后,提出非线性时变策略,加快算法的收敛速度;并引入柯西算子,增强离散粒子群算法的搜索空间;同时,还提出自适应交叉学习策略,丰富种群多样性,进而提升算法的全局寻优能力。综合改进的离散粒子群算法不仅加快了收敛速度,并且解的最优性也得到了提高。此外,运用三次样条插值算法进行无人机航迹规划,最后,将改进算法在三维空间中进行无人机故障前后的对比仿真实验,结果表明所设计的算法具有显著的寻优有效性,为部分无人机发生轻微故障后,多机协同执行任务规划的问题提供了理论依据。