无人机编队时差定位时的空间布局分析

为解决多站站址布局问题,提出一种基于改进樽海鞘群算法(SSA)的无人机编队站址布局优化算法。通过将樽海鞘群算法与反向学习策略(OBL)结合,以提高樽海鞘种群的多样性,可扩大搜索范围,提升全局勘探能力,从而提升算法寻优能力。以最小化目标所在区域内平均定位误差作为目标函数,对无人机编队进行被动时差定位的站址布局进行优化。在测量误差固定的条件下,实现辐射源目标进行被动时差定位时定位精度的提升。仿真结果表明:算法可有效优化无人机编队进行时差定位时的站址布局,提升无人机编队的时差定位精度。改进后的SSA寻优稳健性要优于樽海鞘群算法、粒子群算法(PSO)、差分进化算法(DE)、改进粒子群算法(IPSO)和自治群粒子群算法(AGPSO)。     

基于改进粒子群优化的多无人机协同航迹规划

由于航迹规划可以为多无人机飞行控制提供参考指令,且当前粒子群航迹规划算法存在收敛速度慢,成功率不高的缺点,故提出了一种综合改进粒子群的多无人机协同航迹规划算法,考虑了无人机性能约束、障碍与威胁约束、空间协同与时间协同约束。首先,通过对学习因子线性化调整,实现了粒子惯性和最优行为的平衡;其次,引入混沌初始化,改善了粒子分布质量;然后,基于遗传变异思想设计了取代策略,同时提出了调速机制,提升了算法收敛速度。最后,将综合改进粒子群算法进行仿真验证,规划结果成功率高、收敛速度快且航迹代价小,可见改进算法的有效性。     

基于NSGA-Ⅲ算法的多无人机协同航迹规划

当多架无人机协同作战时,需要进行协同航迹规划,以提升任务成功率.将协同航迹规划中的约束转换为多个目标后,对NSGA(Non-Dominated Sorting Genetic Algorithm)-Ⅲ算法与势场蚁群算法进行融合设计.算法首先对地图进行势场构建,使距离障碍物较近的节点不易被选择,并且引导搜索方向.然后对航迹代价、空间协同约束和时间协同约束进行数学建模,转换为数值指标,并设置为NSGA-Ⅲ算法的多个目标.对NSGA-Ⅲ算法设计了临界层选择方法和进化算法等.最后在二维和三维栅格地图中,改进NSGA-Ⅲ算法利用各种群为各无人机搜索出期望的航迹.仿真实验表明,规划所得到的各无人机航迹安全且代价较小.     

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。     

基于改进高斯伪谱法的多无人机协同轨迹规划

针对当前伪谱法求解无人机轨迹存在的计算量大、运算时间长以及难以保证最优性等问题,提出了将粒子群算法与高斯伪谱法相结合的改进方法。首先,使用粒子群算法进行航迹预规划,保证近似最优解的快速实现;其次,针对高斯伪谱法配点的相对位置选取,对粒子群预规划的航迹点做拟合处理,并以此作为高斯伪谱法的初始参考指令,从而解决伪谱法的初值敏感问题,加快优化算法的收敛速度。最后,综合考虑无人机编队性能指标、飞行环境以及协同飞行约束等进行实验。实验结果验证了初值选取的重要性,同时表明了所设计算法可提升解的最优性与收敛速度。研究结果可为多无人机协同飞行控制快速规划出多维度、高精度的引导指令,对实现智能自主化飞行有一定参考价值。     

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。     

基于Q学习的无人机三维航迹规划算法

针对现有的基于强化学习的无人机航迹规划方法因无法充分考虑无人机的航迹约束而使规划获得的航迹可用性较差的问题,提出一种更有效的无人机三维航迹规划算法.该算法利用无人机的航迹约束条件指导规划空间离散化,不仅降低了最终的离散规划问题的规模,而且也在一定程度上提高了规划获得的航迹的可用性,通过在回报函数中引入回报成型技术,使算法具有满意的收敛速度.无人机三维航迹规划的典型仿真结果表明了所提出算法的有效性.     

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DPSO-GT-SA算法的大规模UCAV协同任务分配

无人作战飞机(UCAV)编队任务分配是研究UCAV编队飞行作战的关键.针对复杂约束环境下大规模UCAV协同任务分配问题,提出改进离散粒子群算法.根据现有UCAV编队空对地饱和作战模式,建立UCAV编队作战环境中任务分配模型,通过采用离散粒子群优化-郭涛-模拟退火算法(DPSO-GT-SA)进行求解.根据粒子编码方式建立粒子与UCAV及目标之间的映射,通过粒子交叉变异进行搜索与寻优,并通过模拟退火Metropolis准则跳出局部最优.在复杂约束条件下,为解决离散粒子群-郭涛算法(DPSO-GT)陷入局部极小问题,引入改进模拟退火算法.为解决模拟退火后期收敛速度慢问题,在DPSO-GT-SA算法中加入动态温度衰减因子.仿真结果表明,改进离散粒子群算法可以更好地解决大规模UCAV协同任务分配问题.     

基于改进蚁群算法的多旋翼无人机航迹规划研究

航迹规划需要无人机快速到达目标点来减少航程,同时要躲避障碍物减小威胁。针对传统的蚁群算法在无人机航迹规划中易出现极值、收敛速度慢等缺陷,文章提出了一种改进的蚁群算法。对环境地图进行坐标转换来避免蚂蚁在最后节点可能横跨多个单元;利用起始点与目标点位置来初始化信息素分布,信息素挥发因子采用时间和空间的自适应更新策略,增强了算法的全局搜索能力和效率;设计了方向和角度最优的启发信息,并构造相应的综合评价函数;最后对航迹采用三阶B样条曲线平滑处理。仿真结果表明,改进后的蚁群算法能够快速收敛于最优航迹,并能很好地适应无人机的飞行要求。     

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.     

一种增强型改进麻雀搜索算法的三维航迹规划

针对无人机在三维复杂环境中多约束的最优化问题,提出了一种增强型改进麻雀搜索算法用于航迹规划问题的求解。首先,利用Logistic-tent混沌序列初始化麻雀搜索算法,增强种群初始位置的随机性,提高算法全局搜索能力。然后在发现者-警戒者位置更新中加入了动态自适应调整策略,扩大算法搜索范围,提高算法的收敛速度。其次通过高斯-柯西变异策略,对麻雀个体进行位置更新,增强算法前期的全局搜索能力和后期局部发掘能力。最后选取11种测试函数和Wilcoxon秩和检验验证改进算法的有效性。仿真结果表明,增强型改进麻雀搜索算法在寻优精度、算法稳定性和收敛速度方面要优于其他对比搜索算法,并且可以在复杂的多约束环境中找到一条无碰撞的全局最优路径。在三维航迹规划中EMSSA算法相较于ISSA算法寻优精度提升了4.11%,相较于SSA算法提升了9.51%。     

基于改进粒子群算法的对地攻击最优航迹规划

提出了一种基于粒子群算法的战斗机空地攻击航迹规划模型,针对传统算法收敛精度低的问题,基于算法参数和迭代公式做了改进.通过构造战斗机作战攻击中面对敌防空火力、地形等威胁要素和战斗机技战术性能等各种约束条件,设计了一种适用于战斗机航迹性能评价函数作为粒子群的适应度函数,用VC++.NET进行算法仿真并将最优航迹在MATLAB中显示.仿真结果表明:改进后的粒子群算法规划出的最优航迹能较好地实现威胁规避,较传统算法收敛精度高,运算速度快,满足了战斗机机动性能约束和航程较短要求,且规划的效率和精度较高.     

基于启发式搜索算法的无人机航迹快速规划

基于无人机导航系统的自身特点,无人机在导航过程中会出现无法精确定位的情况,从而产生定位误差。如果不能及时校正随时间累积的定位误差,会使无人机无法到达预定目的地,从而导致飞行任务失败。为避免这种情况的发生,本文研究了考虑定位误差的无人机航迹快速规划问题。以航迹距离最短为目标,考虑定位误差校正约束与航迹约束,建立了混合整数规划模型。根据深度优先搜索算法与回溯算法的特点,设计了启发式深度优先搜索+回溯算法来求解问题,并在此算法基础上加入模拟退火机制对解的质量进行优化。以某飞行区域的数据为例进行仿真实验,结果表明启发式深度优先搜索+回溯算法可以快速有效地求解考虑定位误差的无人机航迹规划问题。     

森林火灾多机型救援三维航迹规划

为解决通用航空森林火灾救援时机群调度存在的航迹优化问题,提出一种针对多机型的自适应三维改进A^*航迹优化算法。目前常用的传统A^*算法存在搜索节点多、计算速度慢和受限于二维空间等缺点,综合考虑不同救援航空器实际飞行时的性能限制,从三维空间上改进搜索节点;提出考虑救援成本的代价函数,同时采用自适应方法动态调整权重。仿真结果表明,该算法能有效减少航迹规划时间和航迹长度,加快搜寻救援方案的生成速度,有效提高救援机群调度效率,更符合通用航空器实际林火救援飞行。研究成果可为提高通航森林火灾救援效率提供理论依据,具有一定的参考意义。     

基于改进PH曲线的无人机航迹规划

 航迹规划是无人机任务规划的重要组成部分。针对现有航迹规划存在的不足, 提出一种基于改进pythagorean hodo-graph(PH)曲线的航迹规划方法。该方法结合了PH 曲线的曲率连续性和粒子群优化算法的快速搜索特点, 将PH 曲线的控制点选取通过粒子群算法进行优化, 可以快速得到避障安全、满足最大曲率限制和曲率连续的最优PH 路径。仿真结果表明了该方法的有效性。     

无人机编队协同追踪控制律和编队信息架构

针对"长机-僚机"模式的无人机编队追踪运动目标出现姿态信息和位置信息不一致而导致碰撞的问题,设计了一种协同追踪控制器并对该控制器进行稳定性分析。该控制器以3架无人机构成的编队作为控制体,采用拉氏矢量场方法获取无人机编队追踪运动目标的轨迹,同时构建无人机之间的信息架构,实现无人机编队按照预期的姿态和位置信息在运动目标周围的圆形轨道飞行的目的。研究单架无人机的航迹规划和多无人机编队协同追踪:对于单架无人机的航迹规划,采用反馈控制完成航向收敛证明;对于多无人机编队,采用一种多变量控制器可以保持无人机编队在圆形轨道运动,同时使用未知风和运动目标的自适应估计量来确定无人机编队在圆形轨道飞行的稳定性。仿真结果表明:在追踪过程中,3架无人机能够快速(15 s)以相同的姿态和位置渐进靠近目标,同时保持相对稳定;在满足航向速率和空速条件时,任意两架无人机相对距离误差能够快速(10 s)收敛到稳定值。该控制器突破了多无人机编队近距协同追踪目标的局限,可为多无人机分布式控制器设计提供方法借鉴。     

基于选择策略的简化蝗虫优化算法

针对蝗虫优化算法(Grasshopper optimization algorithm, GOA)收敛速度慢、收敛精度不高的问题，提出基于选择策略的简化蝗虫优化算法(Simplified grasshopper optimization algorithm, SGOA)。首先运用选择策略处理初始种群，有助于快速缩小算法的搜索范围。其次通过选择策略将整个种群分为精英种群和一般种群，精英种群由当前最优蝗虫指导位置更新，有利于实现算法的趋优和加速；一般种群的位置更新取决于自身位置、精英种群及当前最优蝗虫位置，有利于保持算法的稳定。为验证SGOA求解高维复杂函数的广泛适用性，选取GOA、经典的粒子群优化算法(Particle swarm optimization, PSO)、高效的灰狼优化算法(Gray wolf optimization, GWO)以及鲸鱼优化算法(Whale optimization algorithm, WOA)作为SGOA的对比算法。以上5种算法求解9个标准测试函数的统计结果表明：SGOA的收敛精度、稳定性以及寻优成功率均显著高于其他算法。     

基于4VA信息素的蝗虫优化算法

针对标准蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)存在的不足,基于对蝗虫活动习性和行为特征的模拟,结合GOA模型,提出一种基于4-乙烯基苯甲醚(4-vinylanisole,4VA)信息素的蝗虫优化算法(Grasshopper Optimization Algorithm Based on 4-vinylanisole Pheromone,VAGOA)。首先,基于4VA是蝗虫的聚集信息素,设计4VA信息素表达式;其次,对不同蝗虫群体(群居型蝗虫和散居型蝗虫)中的个体分别采用不同的搜索策略,在探索和开发之间取得平衡,使算法全局探索能力和局部开发能力均得到有效提升,增强算法的全局寻优能力和规避陷入局部最优的能力。通过12个基准函数的仿真实验,并与GOA、PSO、HCUGOA、SA_CAGOA算法相比较,结果表明VAGOA的全局搜索能力有明显提高,在函数优化中明显具有更快的全局收敛速度及更好的稳定性。     

基于改进量子头脑风暴算法的UAV三维航迹规划

针对复杂环境中的无人飞行器航迹规划问题，提出了一种基于改进量子头脑风暴优化(QBSO)算法的UAV三维航迹规划方法．在进化前期，两个种群独立进化，从而提升算法的全局搜索能力．在进化后期，对每个种群中的个体进行排序，每个种群中较优的(排名前50%)个体形成一个新种群，该新种群按照QBSO的进化机制继续进行进化，从而加快算法收敛速度．此外，为进一步提升算法的全局搜索能力，提出了一种改进的待变异个体产生方式．实验结果表明：与基本BSO、QBSO、改进BSO及全局最优BSO算法相比，改进QBSO算法在解决航迹规划问题上具有更高的全局搜索能力、收敛精度和更强的稳定性．