基于粒子群优化算法的无人战斗机路径规划方法

对于无人机的路径规划问题,从和机器人路径规划问题的差别入手,通过粒子群优化算法对有限数目的采样航点的优化,使用高次B样条曲线拟合出满足路径最短且威胁最小的无人战斗机的飞行路径。研究了路径规划约束的数学模型、粒子构造方式和粒子的评价适应度函数。通过仿真对目前出现的基于粒子群优化算法的无人机路径的多项式拟合方法和所提出的基于B样条拟合的方法进行了比较。仿真结果表明,使用粒子群算法优化出来的B样条曲线比多项式拟合法和几何方法更加合理有效。     

用于多峰函数优化的免疫粒子群网络算法

针对多峰函数优化问题,借鉴粒子群优化特性和免疫网络理论,提出一种免疫粒子群网络算法。该算法利用粒子群的信息共享和记忆功能,通过加强粒子对自身经历的认知,提高算法的局部搜索能力;采用动态网络抑制策略,保持种群的多样性,自适应地调节粒子群的规模。多峰函数优化的仿真结果表明,该算法能有效地改善种群的多样性,较好地实现全局优化和局部优化的有机结合,具有更强的多峰函数优化能力。     

一种排异竞争的粒子群优化算法

提出一种基于排异竞争机制的粒子群优化算法。算法取消传统PSO算法中的全局最优值＂gbest＂,通过设定竞争区域,使得当前种群中所有粒子和上一代种群中的精英粒子,一同参与竞争。并采取适应值竞争策略、适应度选择策略和粒子间的排异策略,来保证种群的多样性,避免了算法初期陷入局部极值的可能;并通过对排异策略的动态调整,提高了算法后期的收敛速度和精度。通过对几类典型函数的仿真测试表明,算法具有较好的全局搜索能力和收敛速度。     

一种多无人机协同侦察航路规划算法仿真

无人机协同侦察航路规划的算法复杂,数据量大,不易收敛。针对这些特点,采用了基于分散规划、集中调整思想的层次分解策略来确定参考航路。首先改进了粒子群优化算法,并运用该算法确定无人机的协同任务初始航路;然后给出了一种新的航路光顺优化指标,对初始航路平滑修正。仿真实验结果表明,该方法能够解决无人机的协同侦察航路规划问题,是一种效率较高的规划算法。     

基于信息扩散机制的双子群粒子群优化算法

针对粒子群算法在多峰、高维函数的全局优化中易陷入局部极值的问题,在分析算法早熟收敛原因的基础上,提出一种基于信息扩散和多样性反馈机制的双子群粒子群优化算法。算法将粒子群划分力两纽搜紊方向相反的主、辅子群协同进化,通过引入信总扩散函数,根据不同粒子的位置及相应适应值与当前群体最佳位置和最佳适应值的关系,控制粒子变尺度向群体当万矿最佳位置移动,岁倦于多样性反馈机制动态调节惯性权重和分配主、辅子群的粒子数量。对基准函数的仿真优化结果表明,改进算法与其他PSO改进算法相比,具有抑制早熟、收敛速度快、求解精度高的特点。     

基于种群密度的粒子群优化算法

为提高粒子群优化算法的收敛性能,提出了基于种群密度的多子群粒子群优化算法。该算法把生态学中的协同进化思想引入到粒子群优化算法中,充分考虑了环境和子群间相互竞争的关系,通过多种群的Lotka-Volterra竞争方程,动态调整各粒子群的密度,从而提高了粒子的多样性,加快了算法的进化速度。实验仿真结果表明,与单种群的粒子群优化算法相比,该算法提高了收敛速度和收敛精度。     

无人机任务分配与航迹规划协同控制方法

针对无人机协同控制问题,提出一种多无人机任务分配与航迹规划的整体控制架构。将威胁和障碍区域考虑为合理的多边形模型,使用改进的A*算法规划出两个航迹点之间的最短路径。并利用该路径航程作为任务分配过程全局目标函数的输入,采用与协同系统相匹配的粒子结构进行改进粒子群优化(particle-swarm optimization,PSO)任务分配迭代寻优。根据分配结果并考虑无人机性能约束,基于B-spline法平滑路径组合,生成飞行航迹。仿真结果表明,算法在保证计算速度和收敛性能的同时,能够产生合理的任务分配结果和无人机的可飞行航迹。     

一种改进的粒子群优化算法

针对非线性优化问题讨论了一种基于迭代进程和适应值综合的自适应变异粒子群优化算法,该算法按照自适应变异方法从迭代进程上、以及从目标函数适应值上调整速度惯性因子,同时结合正态变异算子调整搜索方向。采用专用测试函数进行仿真测试分析,结果表明改进算法收敛,具有很高的搜索效率和求解精度。     

基于双重遗传算法机制的路径规划

静动态障碍物同时存在的复杂环境下进行路径规划是一个比较难解决的课题.引入双重的遗传算法机制,提出了第一重遗传机制负责静态障碍物的避碰,第二重遗传算法机制以第一重机制规划出的最优路径为基础,负责动态障碍物的避碰的方法;设计优化算子,引入自适应技术提高路径的生成速度.实验表明,该方法能综合考虑多种因素,收敛到全局最优路径.     

基于混沌映射的自适应退火型粒子群算法

粒子群优化算法是一种新型的群体智能算法,具有参数少、使用方便、效果好等优点,因而得到了广泛应用。为了改进粒子群算法的性能,在自适应粒子群算法和模拟退火粒子群算法的基础上提出基于混沌映射的自适应退火型粒子群算法,在局部最优解附近添加混沌扰动算子,使其具有突跳能力,进而提高全局搜索能力;将传统的惯性因子改为双重选择策略,不仅使惯性因子随着目标函数的变化而变化而且随着粒子当前位置与上一时刻位置的距离的变化而变化;采用线性递减加速因子来动态调整自身经验和群体经验在迭代中的作用。通过数值实验验证了改进算法的性能,结果表明改进的算法对于不同类型的函数的寻优能力要优于自适应粒子群算法和模拟退火粒子群算法。     

针对机动目标的三维实时滚动优化制导策略

为解决目标机动策略未知条件下的飞行器拦截问题, 提出一种基于神经网络的三维滚动优化制导策略。首先, 针对全局最优导引律终端时刻难以确定的问题, 在滚动时域优化框架下, 引入零效脱靶量设计局部最优导引律, 并使用粒子群优化算法进行求解。其次, 为了提高制导律在线求解效率, 构建神经网络, 对优化算法滚动求解得到的若干组制导训练数据进行离线学习, 并将经过训练的网络用于制导指令在线滚动优化。仿真结果表明, 神经网络-滚动优化制导策略对采取各类机动方式的目标均具有较好的制导性能, 有效提高了制导指令在线优化效率, 可以为飞行器制导律实时滚动求解提供参考。     

基于多适应值全参数自主变异粒子群的立体相机标定

基于视觉测量的目标参数获取为仿真系统的性能分析与评估提供可信的数据支持,相机参数标定的精度又决定着测量结果的可靠性。提出采用多适应值全参数自主变异粒子群的相机标定方法,利用传统标定法获取相机的初始内参,通过惯性系数收缩调整、给出基于粒距的全局因子学习调节策略、引入多适应值函数以及设计自主变异律,实现基于粒子群优化标定算法的快速和全局化收敛。实验结果显示本文方法在一定程度上提高了相机的标定精度并可以应用于实际工程之中。     

求解混合变量约束优化问题的改进粒子群算法

针对工程设计中混合变量约束优化问题,提出一种基于模拟退火的粒子群算法。通过引入模拟退火算法,重新生成停止进化粒子的位置,增强了全局搜索能力。鉴于最优解位于可行域边界的特点,结合一种自适应保持群体中不可行解比例的策略,采用个体比较准则处理约束。同时结合混合变量优化问题的特点,通过转换函数,使算法真正在离散空间中进行搜索,保证了解的可行性。仿真结果表明:该算法能够快速准确地找到最优解,具有较好的稳定性。     

基于局部弹性路由层的关键航路段改航规划

空中交通流量管理中,改航规划是一项重要工作,可为失效的航班提供新的飞行路径,减小延误损失,提高空域利用率。目前的改航策略往往只考虑静态网络中的最短路问题,忽略了流量负载均衡,不利于解决多航段故障问题。本文提出了一种基于局部弹性路由层(local resilient routing layer, LRRL)的改航规划策略:利用连边删除评估法识别航路网络中的关键航路段集合,对其建立LRRL,通过二进制粒子群优化(binary particle swarm optimization, BPSO)算法进行优化,形成最优改航规划预案。仿真结果显示,该方法在多机场多航段故障时可提供兼顾流量负载均衡、重要航路保护度及其改航成本的改航预案,辅助管制指挥人员决策。     

基于模型解耦的双通道旋转弹分数阶控制

为了提高旋转弹系统的控制品质,采用分数阶控制器进行双通道旋转弹控制系统设计。建立了旋转弹系统控制模型,进行线性化处理和解耦控制,并对解耦后的数学模型设计了分数阶PI^λD^μ控制器。针对分数阶控制器的参数整定问题,提出一种基于惯性权重的自适应粒子群优化算法,引入惯性权重非线性调整策略来平衡控制全局与局部搜索,从而得到全局最优解。仿真结果表明,该控制模型和控制器的设计合理可行。     

Rotary unmanned aerial vehicles path planning in rough terrain based on multi-objective particle swarm optimization

This paper presents a path planning approach for rotary unmanned aerial vehicles(R-UAVs)in a known static rough terrain environment.This approach aims to find collision-free and feasible paths with minimum altitude,length and angle variable rate.First,a three-dimensional(3D)modeling method is proposed to reduce the computation burden of the dynamic models of R-UAVs.Considering the length,height and tuning angle of a path,the path planning of R-UAVs is described as a tri-objective optimization problem.Then,an improved multi-objective particle swarm optimization algorithm is developed.To render the algorithm more effective in dealing with this problem,a vibration function is introduced into the collided solutions to improve the algorithm efficiency.Meanwhile,the selection of the global best position is taken into account by the reference point method.Finally,the experimental environment is built with the help of the Google map and the 3D terrain generator World Machine.Experimental results under two different rough terrains from Guilin and Lanzhou of China demonstrate the capabilities of the proposed algorithm in finding Pareto optimal paths.     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

武器-目标分配问题的粒子群优化算法

建立了武器-目标分配问题的优化模型,分析了各种解决此模型的方法的优缺点。经典的粒子群是一个有效的寻找连续函数极值的方法,结合遗传算法的思想提出粒子群算法来解决武器-目标分配问题。经过比较测试,4种粒子群算法的效果都比较好,特别交叉策略A和变异策略B的混合粒子群算法是最好的且简单有效的算法。     

基于改进粒子群优化极限学习机的弹丸参数辨识

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。