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。     

增强目标启发信息蚁群算法的移动机器人路径规划

针对传统蚁群算法在前期搜索盲目性大、拐点多等问题,对蚁群算法进行以下改进。首先,为了增强目标位置的启发信息,引入距离增益系数,将目标位置对下一个待选栅格节点的影响进行放大;然后引入带有权重的距离启发因子,在状态转移概率中加入距离启发转移概率,使蚂蚁大概率向目标栅格搜索;其次,采用正弦自适应动态调整信息素挥发因子,增强算法的全局搜索能力;最后通过修改路径减少路径冗余,进行路径安全性检查并重新调整路径,减少转弯的次数,从而提高路线质量。通过MATLAB仿真实验表明,改进蚁群算法转弯次数少,规划路径短且安全,搜索时间较快,提高了算法的收敛速度和寻优能力。     

蚁群算法在旅行商问题中的应用研究

蚁群算法是一种新的启发算法,能够有效的解决组合优化问题.本文通过蚁群算法在旅行商问题中的应用,分析了蚁群算法的设计思想.蚁群算法把可行解表示为蚂蚁走过的路线,通过信息素传递路线优劣的信息,并通过反馈机制强化这些信息,吸引蚂蚁向好的可行解靠拢,从而较快地找到最优解.并且所采用的方法对解决同类组合优化问题也有一定的启发.     

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。     

基于遗传算法的无人机航迹规划

研究了基于遗传算法的无人机全局路径规划算法,建立了综合评价航程总长度、威胁概率和平均地形高度的多目标优化函数,并针对此优化函数设计了基于相对距离转角的遗传算法编码方案,进化计算结果稳定,达到了利用三维地形规避威胁的目的.进而研究了基于路径规划点生成光滑航迹的鲁棒性算法,利用MATLAB和VRML接口实现了无人机全局航迹...     

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。     

一种基于蚁群算法无线传感器网络负载均衡策略

为了提高室内定位无线传感器网络的生命周期,提出一种基于蚁群算法的网络负载均衡策略.将节点分成多个群集子网,以监测位置数据包为全局蚂蚁,在传递的同时实现信息素的全局更新,通过局部蚂蚁的信息素更新使节点了解邻居信息,以能量、距离、跳数构造启发函数,数据包依据信息素轨迹及启发信息自主选择下一跳节点,无需建立与维护路由表完成整网数据收集.仿真结果表明:该算法能有效均衡网络负载与能耗,网络能耗利用率达88.22%.     

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%.     

一种新的量子蚁群优化算法

 针对蚁群算法在求解连续空间优化问题时易于陷入局部最优和收敛速度慢的问题,提出了一种新的基于量子进化的蚁群优化算法。 该算法采用量子比特的概率幅表示蚂蚁当前位置信息;设计了一种新的量子旋转门更新蚂蚁位置, 完成蚂蚁的移动;最后采用量子 非门实现蚂蚁所在位置的变异, 增加位置的多样性。不仅从理论上证明了所提出算法的收敛性,而且通过仿真实验表明该算法可使 搜索空间加倍,比传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力。     

基于蚁群算法和遗传规划的跨单元调度方法

针对运输能力受限的跨单元调度问题,提出了一种基于蚁群算法与遗传规划的超启发式算法.通过蚁群算法搜索合适的启发式规则,并且利用遗传规划生成可以适用于问题模型的启发式规则,用以扩充规则集;同时引入时间窗的概念,用来决策每个小车运输时的等待时间.实验表明,提出的算法可以搜索出优质规则,并且通过遗传规划很大程度上改善了候选规则集,提升算法性能.同时时间窗策略的采用可以提高小车的利用率以及最小化总加权延迟时间.      

采用约束蚁群优化的贝叶斯网结构学习算法

针对贝叶斯网络结构学习问题,提出了一种约束蚁群优化算法.该算法根据贝叶斯得分的局部一致性原理设计了一种增边规则,并且将此规则引入蚁群算法的框架中,从而实现了在搜索过程中利用启发式信息动态缩减搜索空间、同时减少运行时间的目的.此外,还从理论上证明了增边规则的正确性,而且从实验角度讨论了约束蚁群优化算法的参数敏感性.实验结果表明,在解决较大规模的贝叶斯网络结构学习问题时,约束蚁群优化算法在保证求解精度的条件下比蚁群优化算法的运行时间减少40%以上.     

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。     

基于多蚁群遗传算法的分布式数据库查询优化

针对单一普通算法在查询优化方面的不足,提出了一种结合遗传算法与蚁群算法优点的多蚁群遗传算法,克服了蚁群算法前期搜索的盲目性,并引入多蚁群概念,更好地防止了算法陷入局部最优的情况,以获取更优的查询路径.类比实验表明,该算法较传统蚁群算法,在查询方面,能获得更好的查询路径.     

云模型蚁群算法在无人机航迹规划中的应用

为中高空飞行的无人机提出了一种新型航路规划算法。该方法基于云模型蚁群算法。基本蚁群算法有着突出的缺陷:易陷入局部最优解而且需要计算时间长。提出的改进型蚁群算法,通过云模型来控制信息素强度Q和挥发系数ρ的大小,从而得到更好的收敛性与避免陷入局部最优解,并进行了TSP问题的仿真计算。通过将无人机任务地图网格离散化,运用云模型蚁群算法进行航迹规划。     

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。     

基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法.该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型.将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较.研究结果表明:本文方法得到的均方根相对误差为1.71％,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61％和1.05％.     

基于蚁群优化算法求解最大团问题的研究

蚁群算法是一种通过模拟自然界中蚂蚁觅食行为而发展而来的新型启发式仿生优化算法,提出至今被研究人员广泛应用于各种组合优化问题.最大团问题是图论中著名的NPC问题,本文对于基本蚁群算法进行了分析与讨论,针对基本蚁群算法的容易陷入局部最优解、收敛速度慢等问题进行了改进,提出了一种新型蚁群优化算法.本文提出的新型蚁群优化算法增加了结点度和历史选择次数表策略影响蚂蚁选点;另外提出了构造独立的局部信息素更新机制.最后通过对比实验验证,数据结果证明新提出的优化算法相对于基本蚁群算法的优越性和可行性.