多UAV协同区域覆盖搜索研究

针对多无人机协同区域覆盖搜索问题,为降低问题求解的复杂度,将其分解为多UAV任务区域分配和完全覆盖路径规划两个子问题,对子问题分别优化求解。建立了无人机任务执行代价模型,采用分层模糊推理求解无人机的性能评估指数,根据性能评估指数采用基于面积的区域分割方法实现多无人机搜索任务区域的分配。分析了无人机实现区域内覆盖搜索的最优路径问题,给出了在特定多边形区域下最小代价的搜索模式和搜索路径。仿真实验结果验证了所给方法的有效性。     

复杂环境中多无人机协同侦察的任务分配方法

现有多无人机协同规划方法往往将航迹规划与任务分配拆开单独解决,导致在复杂环境下协同方案并不是最佳。建立多无人机协同侦察异构目标的代价矩阵,针对复杂环境中多种障碍约束和无人机运动及航迹特点,以改进的PSO-AFSA（Particle Swarm Optimization-Artificial Fish Swarms Algorithm）求解单无人机航迹规划模型,利用匈牙利算法完成各架无人机侦察任务协同分配。仿真结果表明：该算法能使单无人机航程更短且航迹更光滑的同时,实现与任务协同分配紧耦合,使无人机集群总航程的全局总代价最低,提高了任务分配合理性。     

运动目标的多无人机编队覆盖搜索决策

针对无人机搜索运动目标时,由于目标运动状态的不确定性,传统静态环境下的无人机覆盖搜索航迹规划算法不再适用的问题,分析了无人机覆盖搜索的基本原则,提出了运动目标垂线搜索（moving target with vertical line search pattern, MTVL）算法,证明了在MTVL策略下的任务完成条件。对MTVL算法进行了改进,通过控制无人机的运动方向与搜索区域边界的角度,提出了运动目标斜线搜索（moving target with slanting line search pattern, MTSL）算法,从理论上分析了在MTSL策略下的任务完成条件并进行了仿真验证。仿真结果表明,提出的两种搜索策略在满足一定条件下都能够完成对指定区域的搜索任务,而无人机完成任务的能力取决于无人机速度与目标速度的比值、无人机数目等因素;完成同样的搜索任务,与MTVL算法相比,MTSL算法对无人机速度和无人机数目的要求更低。     

无人侦察机路径规划方法研究

将无人机的侦察任务分为点状,线形和区域三类典型侦察任务.综合考虑探测传感器的特性,针对线形侦察任务,提出侦察走廊的概念;改进启发函数,基于A*算法有效解决点状、线形侦察任务路径规划问题;考虑飞机转弯半径限制,提出解决探测盲区的方法;针对带禁飞区的复杂区域搜索侦察任务,将全区域分割成若干无禁飞区的子区域,采用深度优先遍历算法,获得子区域的搜索顺序,在保证侦察无遗漏的前提下,利用往复前进式搜索方式,就可对区域侦察任务进行全区域覆盖的路径规划.仿真结果证实了规划方法的合理性和有效性.     

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。     

车载多无人机协同多区域覆盖路径规划方法

针对小型无人机在区域信息采集中的优势，考虑到复杂多变的应用情景，提出一种面向大面积多区域覆盖扫描任务的车载多无人机协同模式。该模式中，车辆可作为无人机的移动基站，与多架无人机协同完成多个大面积区域的覆盖扫描任务。充分分析新问题特点后，建立了优化车辆地面行驶路径和多无人机协同空中飞行路径的0-1整数规划模型，提出了一种基于三阶段的智能优化算法，先后对多无人机区域覆盖路径以及车辆协同路径进行规划，快速构造可行解，而后基于自适应大规模邻域搜索算法对可行解进行优化。本文设计了包含8个目标区域的实际案例，验证了车载多无人机协同模式的优势和算法有效性，并进一步通过10个随机案例验证了算法性能。对比实验证明，车载多无人机协同模式在执行多个大面积区域覆盖任务上，相比车载单无人机模式能够显著缩短任务时间。     

小型无人机协同覆盖侦察路径规划

针对多架小型无人机对含有障碍的区域覆盖侦察最佳路径规划问题,首先用方形单元格将待侦察区域离散化,利用基于初始位置的划分方法划分出与无人机对应的子区域,把问题转化为单无人机优化问题以降低计算复杂度;然后在最小生成树的基础上提出节点交换法,对各子区域的形状和最小生成树进行调整优化;最后依据优化后的最小生成树为每个子区域构建侦察路径。仿真验证了该方法产生的规划路径能够完全覆盖指定区域且无重叠,路径长度和转弯数最小。     

考虑韧性的无人机集群自组织区域覆盖方法

为提高无人机集群执行自组织区域覆盖任务成功率,提出一种基于个体相互作用力、边界排斥力、重点区域吸引力3种虚拟力的分布式自组织覆盖算法。在此基础上,进一步考虑无人机个体自身故障或毁伤等失效的影响,将集群韧性指标纳入到覆盖关键阈值调节机制中。仿真实验结果表明,该方法能有效使无人机集群对目标区域及重点区域进行覆盖,且能在集群发生故障或遭受毁伤后迅速进行自组织恢复,获得较高的任务成功率。     

基于多目标优化算法的多无人机协同航迹规划

多无人机协同航迹规划是无人机协同作战的关键技术之一。本文提出的一种针对多无人机协同航迹规划的多目标优化算法,即协同非支配排序进化算法(cooperated non dominated sorting genetic algorithms II,CO-NSGA II),针对多架无人机的航迹距离、安全性、时间以及空间的协同性进行规划。运用多目标优化算法,克服了传统航迹规划中需要为各目标函数取权值的不足,并且可以生成多组可供选择的解。同时引入协同进化策略,将各无人机的航迹规划视作子种群,各子种群间进行合作,子种群内采用非支配排序进化算法(non-dominated sorting genetic algorithms II,NSGA II)进行独立优化。考虑到各机间的协同约束,用时间空间协同系数替代传统算法中的“拥挤距离”参数。仿真结果表明通过本文算法能够有效实现多无人机协同航迹规划。     

基于VORONOI图的无人机航迹规划

无人机的航迹规划对发挥无人机的自主飞行和执行任务中起着至关重要的作用。在分析VORONOI图的性质基础上,以无人机仿真环境中作战想定与任务规划成员为背景研究基于VORONOI图的航迹规划技术。重点讨论了如何根据威胁分布的VORONOI图建模,计算航路代价,航迹搜索和航迹优化。最后总结了算法的优缺点,提出算法的改进新方法。     

多无人机集结问题分布式求解方法

针对多无人机协同对地打击的任务区集结问题,建立了基于一致性理论的分布式控制结构,设计了结合航迹规划与轨迹控制的策略以实现多无人机同时到达。以提高一致性算法收敛速度为目的,引入状态观测器,改进了含有虚拟Leader的一致性控制算法,并对新算法的收敛性和快速性进行了数学证明。仿真结果表明,本文的方法能够有效实现多无人机同时集结到目标位置,改进的算法具有更快的收敛速度。     

多基地雷达传感器栅栏覆盖矩形区域的优化方法

为解决栅栏覆盖中多基地雷达传感器的优化布站问题,提出了一种基于最小化部署费用的优化布站方法。首先，针对多基地雷达覆盖区域的特点,通过理论证明提出了多基地雷达传感器栅栏覆盖的优化布站模式。接着，考虑到多基地雷达中发射器与接收器的费用差异,提出一种基于等分覆盖宽度的对称布站策略。然后，为求解优化布站问题,利用栅栏单位面积费用的特点降低算法计算量,进而确定最小布站费用以及对应的布站模式与数量。最后,通过仿真实验证明了所提优化布站方法的有效性。     

多基地雷达传感器栅栏覆盖矩形区域的优化方法

为解决栅栏覆盖中多基地雷达传感器的优化布站问题,提出了一种基于最小化部署费用的优化布站方法。首先，针对多基地雷达覆盖区域的特点,通过理论证明提出了多基地雷达传感器栅栏覆盖的优化布站模式。接着，考虑到多基地雷达中发射器与接收器的费用差异,提出一种基于等分覆盖宽度的对称布站策略。然后，为求解优化布站问题,利用栅栏单位面积费用的特点降低算法计算量,进而确定最小布站费用以及对应的布站模式与数量。最后,通过仿真实验证明了所提优化布站方法的有效性。     

带信息素回访机制的多无人机分布式协同目标搜索

为了提高无人机对目标的搜索捕获能力和对不确定度较高的区域的回访能力,进而提高多无人机协同搜索效率,提出了一种带信息素回访机制的多无人机协同目标搜索方法。首先,建立了包含目标存在概率地图、不确定地图和数字信息素地图在内的环境感知地图及其更新机理,使得无人机对任务区域中环境和目标信息的感知更加全面和准确,为无人机在线自主地进行搜索决策奠定基础。其次,考虑到任务子区域的可控回访需求,借鉴信息素“释放-传播-挥发”的特性,设计了基于信息素的网格回访机制,来引导无人机对目标存在可能性较大的区域或者不确定度较高的区域进行回访搜索。最后,设计了基于环境感知地图的协同搜索决策性能指标,在分布式滚动时域优化框架下,建立了多无人机协同搜索决策方法。使用蒙特卡罗方法验证了无人机数量、传感器探测靶面半径、传感器性能对搜索效率的影响。对比仿真表明,信息素回访机制能够保证较强的遍历能力和回访能力,使得无人机能够尽早搜索到更多的目标,尽快地降低整个搜索区域的不确定度。     

面向多无人机协同对地攻击的双层任务规划方法

无人机(unmanned aerial vehicles, UAVs)的任务规划包含任务分配、执行顺序确定以及航迹优化等。为了达到任务规划的全局最优,需要全盘梳理任务的各个方面,提出高效的优化策略。综合考虑任务规划过程中任务分配、执行顺序确定以及航迹优化等方面的需求和相互间影响,首先从优化框架出发, 设计了双层互耦的任务规划求解策略, 而后将任务规划模型分为上层任务分配和下层任务序列优化, 并对每一层的优化方法和优化步骤进行了详细设计。在任务分配问题中, 基于模拟退火算法, 提出了可跳出局部最优的模拟退火-撒点(simulated-annealing-shooting, SAS)算法, 并详细探讨了算法参数的设计原则。最后通过仿真分析, 验证了所提出的规划框架和SAS优化算法的有效性。     

基于混合多目标进化算法的多无人机侦察路径规划

由于侦察任务的复杂性和不确定性,无人机对其目标的侦察时间往往是不确定的。将多无人机对观测时间不确定目标的侦察路径规划问题建模为使任务时间、编队总耗时和编队规模同时最小化的多目标优化路径规划问题。对此,在基于ε 占优的稳态多目标进化算法基础上引入多目标局部搜索,给出了混合ε 占优多目标进化算法,提出了一种使用插入最近点方法的启发式遗传操作。实验结果表明,算法能够有效解决所研究的问题,并且其优势随着问题规模的增大而显著。     

不确定环境下多无人机协同区域搜索算法

针对通信约束在不确定环境下对多无人机协同区域搜索问题的影响,提出了一种基于预测控制思想的多无人机协同区域搜索算法,研究各种通信约束对多无人机协同区域搜索效能的影响。首先,根据多无人机协同搜索的行为准则建立了无人机运动模型和搜索模型。其次,分析了通信约束对于多无人机协同搜索的影响,结合预测控制思想,使多无人机在执行区域搜索任务时同时考虑当前搜索代价和长期搜索代价,提高了多无人机的协同搜索效能。使用蒙特卡罗方法对各种情况进行仿真,仿真结果验证了基于预测控制的多无人机协同区域搜索算法的合理性和有效性。     

装备体系多阶段任务可靠性高效解析算法

体系作战任务可靠性的实时评估是未来作战的必然要求。为了实时计算装备体系多阶段任务可靠性,基于k/n(G)表决模型,设计了一种考虑冗余的可靠度高效解析算法。在体系结构分析及任务概述基础上,建立了冗余故障树以及由冗余故障树转化的二元决策图(binary decision diagram,BDD)模型。针对传统可靠性解析计算算法复杂度高的问题,本文利用递归算法改进了k/n(G)表决模型的计算过程,提高了计算效率。以航空装备体系远程目标打击任务为例,数值计算表明,本文的改进解析算法有效得出了体系多阶段任务可靠度计算结果,且相比传统算法运算效率得到显著提高,有利于应用到体系作战任务可靠度实时计算评估,指导任务统筹和规划。     

多机器人组合最大覆盖面积寻优及预测方法

针对多机器人协同情况下最大覆盖面积的最优控制问题,提出了一种遵循叠加原则和强度径向衰减圆盘模型的多机器人组合有效覆盖面积估计、寻优、预测方法。使用蒙特卡罗法对机器人组合的有效覆盖面积值进行估算;使用多种群遗传算法得出组合的最大有效覆盖面积;使用支持向量回归机预测机器人个数与最大有效覆盖面积之间的关系。针对寻优以及预测结果进行了仿真实验,结果表明：在目标函数复杂和训练样本数少的情况下该方法具有良好的寻优和预测性能。