基于遗传算法的无人机航迹规划研究

本文研究了一种用遗传算法进行无人机航迹规划的方法,指出了无人机航迹规划的定义;提出了一种给定威胁及障碍分布下的无人机路径规划算法。根据威胁及障碍分布情况构造无人机可能飞行的航路集voronoi图,采用Dijkstra算法搜索威胁及障碍分布图,求解初始最短路径。在初始最短路径基础上,采用遗传算法优化初始路径。最后进行仿真实验,结果验证了遗传算法能提高航迹质量。     

基于引导点的无人机三维航迹规划方法

为提高无人机航迹规划的速度,提出了一种基于引导点的航迹规划方法. 该方法结合了不同规划方法的优势,将无人机航迹规划分为两个层次:全局规划和局部规划. 全局规划利用遗传算法规划出最优或次优的区域点集,然后产生区域的引导点列;局部规划根据全局规划提供的引导点列,利用SAS(sparse A search)算法快速规划出满足约束条件的可行航迹. 仿真实验表明,该方法较好地结合了遗传算法和SAS算法的优势,规划航迹效果优于单一的遗传算法和SAS算法,并且有效地提高了规划速度.      

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.     

一种无人机分层三维航迹规划方法

针对SAS算法在三维航迹规划问题应用中的不足,提出了一种基于分层策略的三维航迹规划方法。该方法分为两个层次:粗粒度的SAS快速航迹规划和细粒度的遗传算法优化。SAS算法以较大步长快速找到搜索图中的最优解,建立航迹通道。在航迹通道内利用改进的遗传算法对航迹进行优化。设计了一种定向变异算子用于航迹的平滑。仿真实验表明,该方法规划的三维航迹能满足地形跟随和规避威胁的要求,同时具有良好的平滑特性。     

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。     

基于自适应多态融合蚁群算法的无人机航迹规划

为解决传统航迹规划最短路径算法易陷入局部最优及复杂地形情况下的无人机航迹规划问题,提出了一种基于自适应多态融合蚁群算法的航迹规划方法。通过对航迹规划问题进行描述,建立数学模型,将自适应和蚁群算法相结合,与多态蚁群形成了全局、局部并行搜索模式,以提高算法寻找全局最优值的能力;提出自适应并行策略和自适应信息更新策略,以提升其全局搜寻能力。仿真结果表明,自适应多态融合蚁群算法较传统蚁群算法和多态蚁群算法具备更好的性能,能有效地提高搜索路径的长度和收敛速度,从而避免在求解过程中陷入局部最优,因此在求解最优航迹规划问题上有很好的应用前景。     

复杂动态环境下基于DMPC-PSO的多无人机在线航迹规划

本文采用"有限集中指挥-分布式自主协调"的控制结构,研究多无人机协同低空突防航迹规划,对战场环境信息部分已知的情况,提出了多无人机航迹"预规划-在线轨迹跟踪"的模式,采用分布式模型预测控制和粒子群优化(DMPC-PSO)算法对多无人机的航迹进行预测和优化.仿真结果表明:利用该方法规划的多无人机的航迹不仅要满足低空突防的要求,具有良好的地形跟随、地形回避、威胁回避性能,更具有高的实时性与环境适应性,能在复杂战场环境发生变化时,及时在线调整以满足无人机安全、航迹最优等性能的要求.     

基于ALCE-SSA优化的三维无人机低空突防

针对无人机在三维低空突防时存在环境复杂、路径规划计算量大等问题以及现有的麻雀搜索算法算法路径搜索能力不足、易陷入局部最优等缺陷,提出一种基于改进麻雀搜索算法（ALCE-SSA）的三维无人机低空突防的航迹规划方法.首先,建立三维地形模型、威胁源模型和无人机物理约束模型,确定代价函数;其次,设计随机Tent映射初始化种群,提高初始化种群的质量;然后针对麻雀搜索算法算法中发现者位置更新的不足,设计一种自适应领头雀引导策略,减小依靠单一父代更新的不利影响,能够同时提升前期全局探索和后期局部寻优的能力;最后,针对种群多样性不足、易陷入局部最优的问题,设计一种中心变异-进化因子,扩大搜索空间,进一步提升全局寻优能力.和灰狼算法、飞蛾扑火算法和麻雀搜索算法相比,ALCE-SSA的能耗更优,路径更平滑,收敛速度更快,可使无人机有效地利用地形优势来躲避威胁源,表现出较好的寻优能力.     

基于MPC-PSO的无人机在线航迹规划

研究了无人机在战场环境部分已知突然出现动态威胁情况下的三维在线航迹规划问题.采用"预规划-在线轨迹跟踪"的模式,根据已知的环境信息,离线规划出UAV的参考航迹.然后UAV在飞行过程中,需要在跟踪参考航迹的基础上,对UAV未来一段航迹进行预测,然后利用粒子群算法优化出UAV的最优(或次优)的飞行航迹.与传统的在线规划方法粒子群和稀疏A*搜索算法相比,该方法有效地提高了规划航迹的可行性和实时性,降低了算法的复杂度.仿真表明该算法是一种有效的无人机路径规划算法.     

基于改进MOGOA的无人机群航迹规划研究

针对电子侦察系统中反辐射无人机群进行辐射源无源定位时机群的编队形式会对定位精度产生影响的问题,将克拉美-罗界(Cramer-Rao lower bound,CRLB)作为定位精度方面的优化目标,与其他优化目标、约束一起引入机群的航迹规划中,使无人机群运动过程中保持良好编队,确保无源定位精度.文中针对多优化目标复杂环境中航迹规划算法寻优能力不高的问题,提出了一种基于改进多目标蝗虫算法(IMOGOA)的无人机群3维航迹规划方法,通过对MOGOA的选择方式、收敛参数进行改进从而提高算法的收敛性能以及全局搜索性能.首先,建立无人机群航迹规划的运动学模型,并引入距离约束,除定位精度以外还引入了路程、威胁代价等作为航迹规划的优化目标函数,然后,对改进多目标蝗虫算法进行详细说明,最后设计基于IMOGOA的无人机群航迹规划方案的算法流程,并在设定场景中对该算法的性能进行了仿真分析.结果表明,所提出的IMOGOA能够成功地规划出无人机群从初始位置到辐射源位置处的3维航迹,同时使无人机群在运动过程中保持良好的定位精度,经IMOGOA规划的机群编队定位精度最高可达1.2%,性能明显优于正方形编队和随机编队,并通过将IMOGOA与原始蝗虫算法(GOA)、原始多目标蝗虫算法进行对比,结果表明IMOGOA的收敛速度比MOGOA快11.1%,搜索性能相较GOA提升13.8%.     

基于蚁群算法的无人机航迹规划研究

现如今,无人机应用的关键技术无外于乎航迹规划算法。基于这个现状,该文将针对无人机航迹规划进行系统研究,构建了无人机航迹规划的空间模型,在此之中结合蚁群算法,保证规划的真实可靠性。考虑到现在无人机应用的复杂以及不能完全利用有效空间的问题,提出以蚁群算法为基础的一种新型的航迹规划方法,并在其中考虑到地形,约束条件等外部因素,因此保证了航迹可以在现实中应用。最后,阐述了无人机航迹规划面临的关键问题及未来发展趋势。     

面向任务的无人侦察机航线规划算法

针对高空长航时无人侦察机航线规划问题,引入图像质量方程来预测待侦察目标的图像质量,设计了一种综合考虑目标成像质量、所受威胁因素以及侦察航线路径长度的无人机航迹性能评价函数作为粒子群的适应度函数,利用粒子群算法求出Pareto解集,通过加权确定Pareto解集中的最优解。仿真结果表明:考虑图像质量因素的无人机侦察航迹规划,能够很好地满足无人机成像侦察任务需求。     

无人机航迹规划算法研究

航迹规划算法是无人机应用的关键技术之一。本文主要结合蚁群算法对无人机三维航迹规划进行了系统的研究。针对无人机三维航迹规划的复杂性及其搜索空间大且效率低的问题,提出了一种基于蚁群算法的航迹滚动规划方法,并将地形条件与航迹规划的约束条件加入搜索算法中,以使规划的航迹更符合实际情形。仿真实例结果表明,所提出的规划方法可以规划出满足无人机飞行要求的航迹。     

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.     

一种基于遗传算法的航迹优化方法

目的设计优化一类巡航导弹航迹,且航迹满足避开地空导弹、高炮、歼击机群、电磁脉冲等火力单元和地形地物障碍,并且满足航迹路径长度短、耗油量少等约束条件。方法利用遗传算法进行优化,对遗传算法的交叉操作进行改进。结果提出了一种巡航导弹航迹优化算法和一个航迹规划代价评判模型。结论经仿真实验证明该方法典型性强,处理的信息量小,实时性也较好, 具有一定的理论和使用价值。     

遗传算法在航迹优化中的应用研究

提出一种基于遗传算法的航迹优化方法．主要是用遗传算法设计优化了一类巡航导弹航线．在此过程中根据所设计航迹要满足避开地空导弹、高炮、歼击机群、电磁脉冲等火力单元和地形地物障碍,并且满足航迹路径长度短、耗油量少等约束条件,对航迹优化提出了一种算法和一个航迹规划代价评判模型．建立了一个基于VC^＋＋和MATLAB软件平台开发的巡航弹航迹优化仿真软件．经仿真实验证明该方法典型性强,处理的信息量小,实时性也较好,具有一定的理论和使用价值．     

移动威胁下的无人机三维航迹规划

针对移动威胁下的无人机三维航迹规划问题,采用自适应卡尔曼滤波算法,对移动威胁的状态信息进行了预测,依据其航迹方位角、航迹倾斜角与视线角之间的关系,建立了航迹角控制数学模型,并提出了移动威胁下基于参数调整的航迹规划算法.仿真结果表明,该算法能够保证无人机有效地躲避空中移动威胁,并提高了其规避移动威胁的快速性.     

基于混沌遗传算法的航迹优化研究*

在实际作战环境中,如何选择最优的航迹路线是无人机任务规划系统中最重要的问题之一。首先,在有效巡查区域中建立以总路程最少和时间均衡度最小的双目标航迹优化模型,然后提出一种基于混沌遗传算法的航迹规划;该算法利用Logistic混沌序列确定遗传算法交叉和变异点,保证了算法收敛精度,削弱了因交叉强度大而产生的抖振问题,并将该算法应用到了航空规划问题上进行实验仿真,仿真结果表明该方法提高了遗传算法的精确度。     

基于改进遗传算法的最快爬升航迹的优化分析

主要介绍一种基于改进遗传算法的优化技术,利用遗传算法优越的全局搜索的能力,研究了飞行性能中的最快爬升性能.使用改进遗传算法对快升航迹和最佳爬升速度进行了寻优优化,对遗传算法优化快升的航迹和接近最快爬升方式的航迹进行了对比,表明,以遗传算法优化的快升航迹进行爬升,飞机可以最快的爬升到巡航高度.而且本算法以及程序具有一定的通用性适用于其它求最佳轨迹爬升的航迹优化.     

基于乌贼算法的无人机航迹规划

乌贼算法是一种新型的启发式仿生优化算法。提出了一种基于乌贼算法的无人机航迹规划算法。所构建的概率地图采用概率密度函数来对各种威胁源进行建模,非常适合表述战场环境的不确定特性。乌贼算法与传统的启发式算法相比,拥有更快的收敛速度。在此基础上设计的基于乌贼算法的概率地图航迹规划算法能够有效的缩小概率地图的规划空间,使得航迹规划搜索范围减少、时间缩短。仿真实验表明,该方案比传统概率地图航迹规划方法更能满足无人机航迹规划的要求。