采用自适应原始对偶迭代的无人机编队协同航路规划方法

针对目标通过机动进入无人机雷达探测盲区、导致雷达跟踪不稳定的问题，提出一种无人机编队协同航路规划方法。首先，根据雷达多普勒速度盲区、雷达探测视角、距离边界区等建立协同航路规划约束条件；然后，以机动目标稳健跟踪为目的建立优化目标函数，并结合约束条件构建协同航路优化模型；最后，设计了一种自适应原始-对偶迭代算法，对建立的航路优化模型进行快速求解，得到无人机飞行实时航路。对比仿真结果表明：所提方法能够实现无人机编队协同航路快速规划，达到对机动目标持续稳定跟踪的目的；与传统的高斯伪谱法和模型预测控制算法相比，所提方法求解速度提升了10%,算法复杂度相对较低；所提方法求解的无人机航路平滑性较好，可减少无人机飞行油耗，便于长时留空探测。     

基于全局优化的无人机编队协同攻击航路规划模型

为使无人机编队协同攻击航路从总体上达到最优,引入一种全局优化方法,分析了该方法在无人机编队协同攻击航路规划中的应用,建立了无人机编队的协同攻击航路规划模型,并对该模型的求解进行了分析,给出了求解的全过程。应用该模型对无人机编队协同航路进行了仿真研究,仿真结果表明,基于全局优化方法建立的模型可以满足约束条件下的航路规划要求,具有较强的工程实用性。     

无人机航路规划问题初步研究

本文通过对无人机航路规划的研究,概括和总结了无人机航路规划问题的几个重要方面,构建了航路规划的基本框架。文章重点介绍了航路规划的约束条件、威胁模型的建立以及航路规划的算法,并对今后无人机航路规划的发展提出了展望。     

基于分层策略的多无人机最优协同航路规划

基于分层策略将多无人机协同航路规划分为航路规划层、协同控制层和航迹控制层进行研究。航路规划层采用基于K均值和遗传算法的航路规划方法,为每架无人机提供多条备选航路;针对传统协同控制算法在求解协同变量出现无解的情况,设计了新的协同变量求解步骤;航迹控制层基于无人机六自由度模型和协同变量建立了终端时间固定的最优航迹控制模型,并采用勒让德伪谱法将最优控制问题转化为非线性规划问题,并利用CFSQP对模型进行了求解,实现了对无人机航迹控制变量和姿态的规划。仿真结果表明,利用该方法得到的无人机协同航路具有较高的可操作性,且计算量较小,效率较高,得到的无人机控制指令平滑,易于操控。     

元胞蚁群算法的城市楼宇间无人机航路规划

近年来,城市环境中小型无人机越来越多,然而传统的航路规划算法通常将威胁简化,并不能很好地解决无人机在城市环境的航路规划问题。因此引入"元胞"定义飞行区间,对"数字元胞地图"以及"航路罚函数"进行定义,并利用蚁群算法进行航路规划,使其可以对任意不规则威胁进行规避。仿真对比实验表明,所提的基于元胞蚁群的算法可以在不对障碍模型进行简化的情况下进行合理规避,为无人机在城市环境中规划出一条安全可飞的航路。     

面向无人机路径规划的双层多目标粒子群算法

无人机路径规划问题是一个复杂的多目标优化问题，目前常用粒子群优化算法及其变种算法来解决此类问题。本文在基于使用无人机执行物资投放任务的场景下，提出与之相应的无人机路径规划问题模型，并根据其特点分析其约束条件以及目标函数，在传统需要优化的基本目标函数之外，额外增加了等待时间与延迟时间这一对相互冲突的目标函数。然后提出一种基于分解的双层多目标粒子群优化算法(double layer multi-objective comprehensive learning swarm optimization algorithm framework based on set decomposition, MODCS-PSO/D)，该算法使用集合和概率表示粒子的速度与位置，将连续空间中的问题转化到离散空间内，然后结合综合学习策略构建双层粒子群算法，并在此基础上引入基于分解的多目标优化框架(multi-objective evolutionary algorithm based on decomposition, MOEA/D)平衡多个待优化目标，同时增加了额外的搜索策略以避免出现早熟现象。最后通过进行对比...     

基于弹道下降方式的无人机风险评估与航路规划

针对无人机系统失效后对地面人员及财产安全的威胁,提出了一种基于弹道下降方式下的无人机风险评估及航路规划方法。分析了无人机失效后的下降特点及规律,采用栅格法划分空域环境,以地面不同属性构建低空空域环境风险评估模型。结合无人机飞行的风险值、路径长度和空域情况,建立了多目标、多约束的无人机飞行航路规划模型。利用改进蚁群算法进行求解：优化转移概率,避免蚂蚁陷入死区间和减少盲目搜索;对信息素的更新进行改进,调整自适应系数增强最优路径的信息素浓度,提高算法收敛速度与稳定性。相比传统蚁群算法的路径规划,运行时间缩短6.7%、最优路径风险值降低41.45%、整体性能提高18.0%。仿真结果表明：本文模型及改进算法可以在提高路径安全性的前提下,缩短规划路径生成时间且保障运行的经济性。     

基于Voronoi图和量子粒子群算法的无人机航路规划

 无人机(UCAV)是自主控制执行任务的无人驾驶飞机,其航路规划是一类复杂优化问题,因此难以在多项式时间内获取精确解,为此提出了一种基于Voronoi图和量子粒子群(QPSO)算法的UCAV航路规划方法。首先,在综合考虑航路的雷达威胁和燃油耗费的基础上定义了航路规划的代价模型;然后,根据已知的威胁源生成Voronoi图,通过连接起点、Voronoi图中顶点以及终点获得初始规划解集;最后,通过引入柯西变异随机数和扰动对QPSO算法进行改进,以增强其全局寻优能力和收敛速度,并定义了采用此改进的QPSO算法对UCAV进行最终航路规划的具体算法。仿真实验表明,该方法能求解出UCAV航路规划的最优解,且与经典的PSO算法和QPSO算法相比,具有全局寻优能力强和收敛速度快的优点。     

基于自适应t分布变异麻雀搜索算法的无人机航迹规划

为使无人机可以在复杂环境中高效率地完成指定任务,提出一种基于自适应t分布变异的麻雀搜索算法的航迹规划方法。建立用于无人机航迹规划的三维空间模型和航迹代价模型,将航迹规划问题转化为多维函数优化问题,并对其进行优化求解。仿真结果表明,相比传统的粒子群算法和麻雀搜索算法,改进后的算法能够得到一条避开障碍物和威胁区域的最优路径,证实该方法在无人机路径规划中具有更强的稳健性和可行性。     

求解一类双层规划的自适应变异动态差分进化算法

针对一类上层函数和约束函数不具有凸性和可微性要求,而下层函数可微且凸的非线性双层规划问题,首先通过Karush-Kuhn-Tucher(KKT)条件将双层规划问题转换为单层约束非线性规划问题,并结合非固定多段映射罚函数法和精确罚函数法对约束条件进行无约束化处理,然后提出一种改进的动态差分进化算法优化对系列无约束优化问题进行求解。对8个测试实例进行数值计算并与现有算法进行比较。测试结果表明,所提方法是一种求解该类双层规划问题的有效方法。     

城市高速公路网络入口流量控制的双层规划模型及求解算法

采用双层规划模型描述城市高速公路网络的入口（匝道）流量控制问题,设计了基于灵敏度分析法的启发式算法,并给出了一个简单的算例．在双层规划模型中,上层模型使整个网络系统最优,同时使从各个入口（匝道）进入网络的流量最大;下层模型是一个标准的用户平衡模型,用于表示网络中用户的路径选择行为     

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...     

基于粒子群算法的固定时间多约束无人机轨迹规划

针对粒子群算法在轨迹规划时,将无人机视为质点,未考虑无人机的飞行时间、角度等参数的不足,提出一种数值方法结合粒子群算法的轨迹规划求解方法。首先,考虑到对每个时刻控制变量进行优化会耗费大量的时间,将无人机的飞行时间离散为一定数量的切比雪夫配点,在这些离散的配点处优化控制变量以减小计算负担;其次,将角速度作为控制变量,运用曲线拟合求解出角速度与时间的函数,经过积分求出无人机的角度、位置与时间的函数;再次,将结果代入粒子群优化模型并结合无人机运动学模型进行优化求解,根据分配的时间计算出最终的角速度、角度以及位置坐标;最后,在复杂环境下进行无人机轨迹规划仿真,通过与已有方法的对比,验证所提求解方法的有效性和可行性。结果表明,所提出的轨迹求解方法可以求出包括位置在内的各个运动学参数,规划出光滑的轨迹并且成功避开前进过程中的障碍物。所提方法有效提升了轨迹规划的求解维度,对实现智能自主化飞行有一定的参考价值。     

全域空间无人机集群协同干扰模型

为了提高无人机集群的协同干扰效果,本文基于3维方向图函数提出了一个全域空间无人机平台分布优化模型,基于遗传算法求解该模型,并进行了性能分析. 仿真结果显示,与传统的球面及柱面分布相比,该模型得到的主波束方向图的峰值旁瓣电平更优. 在此基础上．本文结合应用背景对无人机位置偏差、无人机毁伤情况、无人机集群容量、群内最小间距以及无人机集群分布范围进行了研究,得到了干扰效果对于误差及参数的依赖性．     

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。     

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。     

采用多重启发蚁群优化算法的无人机航迹规划

为解决复杂环境下的无人机航迹规划问题,提出了一种多重启发蚁群优化算法.该算法综合考虑无人机当前位置与待选位置之间的距离和威胁分布,以及待选位置与目标位置之间的距离和威胁分布,将这些已知信息构造为蚂蚁状态转移的多重启发信息,指导蚂蚁的搜索行为.文中对多重启发蚁群优化算法的收敛性进行了分析,并针对航迹不可行和任务区域内存在...     

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。