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。     

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。     

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.     

基于改进人工鱼群算法的复杂地貌无人机三维路径规划

针对无人机在复杂海域地貌中的三维路径规划,在人工鱼群算法的基础上提出了一种改进的适应性人工鱼群算法。首先,利用数学模型建立地貌的三维模型,选取路径最短为性能评价函数,保证路径规划的合理性;其次,考虑到传统的人工鱼群算法前期收敛速度慢,后期需要精确搜索提高算法精度,提出自适应步长和自适应视野范围来更新个体的位置。为了避免算法陷入局部最优,在追尾行为中引入鱼群中的社会经验位置进行更新;最后,利用MATLAB对在3个复杂程度不同的地图中与传统的人工鱼群算法与粒子群算法对比,仿真结果表明改进后的人工鱼群算法在三维路径规划问题求解中具有更好的收敛速度和精度。     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

基于混合粒子群算法的农情监测无人机路径规划

用无人机对果树病虫害进行巡航拍摄是有较大潜力的农情监测方法,本文以飞行时间最短为目标,建立了农情监测无人机路径规划的数学模型。结合遗传算法、模拟退火算法的思想,在粒子群算法中引入交叉、变异、替换操作,提出了一种混合粒子群算法来求解无人机路径规划的数学模型。实验表明,无人机路径规划数学模型可以被混合粒子群算法有效求解,且混合粒子群算法的性能优于遗传算法和模拟退火算法。     

面向绿色再制造系统的AGV路径规划研究

为了解决绿色再制造系统中的自动导引运输车(AGV)路径规划问题的问题,提出一种粒子群遗传融合的AGV全局路径优化的自适应算法.该方法集成了遗传算法(GA)和粒子群算法(PSO)二者的优点,为了改善传统PSO-GA融合算法迭代前期寻优速度慢的问题,引入了自适应惯性权重;为了提高算法进入迭代后期的收敛精度,提出了一种双重交叉变异策略,使得改进的PSO-GA融合算法比传统的PSO-GA融合算法搜索能力更强,进化速度更快,收敛精度更高.为了验证改进后算法的优越性,采用栅格法模拟自动导引运输车运行环境并通过MATLAB对标准粒子群、遗传、传统的PSO-GA融合、改进PSO-GA融合四种算法解决路径优化问题进行试验对比,结果证明了改进后的PSO-GA算法的可行性和有效性.     

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.     

基于改进粒子群算法的城市物流无人机路径规划

城市物流无人机路径规划是无人机任务规划系统的一项核心内容。为安全、高效实现物流无人机路径规划问题，首先，采用栅格法进行环境建模，考虑无人机性能限制，以路径长度最短、无人机高度变化以及栅格危险度最小为目标，建立多约束物流无人机路径规划模型。其次，针对传统粒子群算法存在的问题，引入Singer映射改进粒子初始分布、线性调整加速因子和最大速度，粒子位置新更新策略，及动态调整惯性权值，应用改进的粒子群优化算法求解模型。最后，进行了算例仿真分析。当栅格粒度取5米，路径节点取5个，代价函数权值分别取0.1、0.4和0.5时，与其他4种算法相比，本文算法总代价值最佳，分别减少44.5%、3.5%、42.8%和30%。结果表明，本文的模型与算法用于无人机路径规划是可行的和有效的。     

多约束条件下基于改进遗传算法的移动机器人路径规划

针对在多约束条件下移动机器人在路径规划中搜索效率低、收敛速度慢的缺点,提出多约束条件下基于改进遗传算法的移动机器人路径规划,充分考虑路径长度、平滑度以及困难度这3种因素的影响,通过分析多约束条件下遗传算法在初始化种群时计算方法的不足,提出利用SPS(surrounding point set)算法,通过在障碍物周围生成点来产生初始路径,以提高算法快速生成初始种群的能力;增加平滑算子和删除算子,删除相对最终路径而言不必要的点,同时使路径更加平滑;结合小生境法以保持种群多样性,避免出现算法早熟现象.仿真结果表明,改进后的算法在路径长度,路径平滑度以及路径困难度方面均有一定的优势,同时算法的收敛速度也略有提高.     

融合多种策略的改进粒子群算法及其在电子商务多级物流中的应用研究

为了提高粒子群优化算法(PSO)求解复杂优化问题的能力,本文对基于细菌趋化的粒子群优化算法(PSOBC)进行改进。PSOBC算法是PSO算法的一种新思路,可以有效地克服其易陷入局部最优、后期粒子多样性差的缺点,故将一般反向学习策略和自适应惯性权重与PSOBC算法相结合,得到一种改进的粒子群优化算法。改进的粒子群优化算法的开发能力和勘探能力都得到了很大的提高;在求解复杂性优化问题时种群能够在搜索范围内快速收敛到局部最优处,并且当种群密度足够小时,及时增大种群密度即进行去全局寻优。最后将改进后算法应用到电子商务多级物流中心选址及路径规划问题上。