基于改进哈里斯鹰算法的无人飞行器路径规划

针对无人飞行器三维路径规划问题,提出一种基于哈里斯鹰优化（Harris hawks optimization,HHO）算法的无人飞行器三维路径规划算法。首先根据路径规划代价指标和无人飞行器自身性能,建立路径规划模型确立代价函数和约束条件。接着针对传统HHO算法的不足,引入非线性能量因子来平衡全局搜索和局部搜索的关系,使算法避免陷入局部最小值;引入混沌映射对HHO算法进行初始化种群并对其进行局部混沌搜索,增强算法种群多样性和搜索能力。最后通过仿真实验证明,改进的哈里斯鹰优化（improvement Harris hawks optimization,IHHO）算法可以有效规划出安全的无人飞行器航线,并且能够跳出局部最小值和具备较优的收敛速度。     

知识引导的智能优化算法在航路规划中的应用

为了提高智能优化算法对航路规划问题的求解质量和效率,提出了一种知识引导型智能优化算法的航路规划求解框架.与传统引导进化不同的是,考虑到以往所用知识的局限性,该框架并不是采用从前期优化过程中挖掘出来的知识,而是采用航路规划特定领域知识.为了描述引导方式,将智能优化算法形式化定义为3个引导对象的集合,从而将引导方式划分为7类单独或组合形式.根据航路规划特定领域知识的各自特点选择对应的引导方式,并将其结构化为能够改进算法性能的元策略,以粒子群优化算法为例对求解框架进行验证,仿真实验结果表明,特定领域知识的引导能够非常显著地提高算法的全局搜索性能和收敛速度.     

改进的人工蜂群算法

人工蜂群算法是一种新兴的群智能优化算法,以其独特的寻优机制被广泛应用。然而,该算法存在着"早熟"收敛和进化后期搜索能力较差的缺点,针对这一问题,采用反向学习的种群初始化方法,并引入受差分进化算法思想启发的搜索方程,提出了一个改进的人工蜂群算法(简记为DEABC)。通过5个测试函数的仿真实验并与其他算法比较,结果表明DEABC算法具有更好的优化效率和优化性能。     

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。     

基于改进灰狼优化算法的区域监测机器人路径规划

为了解决大任务量作业监测中机器人路径规划问题,提出了一种区域监测的机器人路径规划算法。模拟大任务量监测真实环境进行问题建模。针对传统灰狼优化算法求解模型时全局搜索能力差且易陷入局部最优解的问题,提出了一种改进的灰狼优化算法。引入Logistic混沌映射,以加强初始化种群的多样性;引入一种控制参数的自适应调整策略,以平衡灰狼优化算法的搜索能力和开发能力;引入静态加权平均权重策略,更新种群位置,加快收敛速度。将机器人载电量与路径长度短作为约束,引入K-means算法进行任务聚类,通过改进灰狼优化算法对模型进行离线求解以规划出路径,将大任务量监测作业自动转换成分时分步作业。实验结果表明:通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高。通过50任务点与100任务点作业场景对机器人路径规划模型进行算法仿真,验证了算法的真实有效性,且任务量越大模型优越性越好,路径缩短比例越高。     

一种求解约束优化问题的进化规划型文化算法

为了求解复杂约束优化问题,提出了一种新的进化算法——进化规划型文化算法。求解过程中,在基于自适应的文化算法中引入进化规划,有效利用进化过程中相关知识引导种群进化。针对约束优化问题,对这一算法的信念空间进行了设计,并利用基准函数和丁烯烷化生产调度问题进行了仿真,仿真结果表明该算法具有较好的全局搜索能力,而且大大减少了计算量。     

基于图搜索与数值优化方法的分层轨迹规划方法

针对结构化道路场景中多约束的轨迹规划问题,提出一种路径和速度协同搜索、解耦优化的分层轨迹规划方法. 上层初始轨迹规划器考虑动态障碍物风险场与时空信息,构造时空代价地图,通过三维A*算法搜索得到安全可行的初始轨迹,保证初始轨迹解的质量. 下层运动轨迹规划器将轨迹规划解耦为路径规划和速度规划,以最小曲率、最大速度以及舒适性等为目标,采用数值优化算法构建路径和速度样条优化模型,使其在避障过程中能够充分发挥车辆的动力性能,同时保证驾乘舒适性,并以局部时空隧道思想简化约束条件,提高求解效率. 通过试验验证本文提出的方法具有较好的行驶效率、舒适性以及实时性.     

基于改进型A*-Markov联合模型的无人机航路规划

实验一种基于改进型A~*算法来对无人机进行任务路径规划.引入了无人机的机动步长、转角限制和飞行高度,有效地缩减了无人机搜索空间,除此之外还引入了地形、任务等约束条件,使航路规划更接近于真实环境.考虑到规划过程中敌方能力的不确定性,以及无人机在航路中的生存概率的不可知性,采用八状态Markov模型评估无人机的飞行状态.该模型与A~*算法结合时在威胁区域内完成任务后,由于时间的积累向外扩展时生存代价值越高,导致迭代次数过多,而同心圆模型越向外扩展时生存代价值越低的优点可避免该问题,因此引入同心圆模型与Markov模型的联合模型.仿真实验结果表明,该方法可以有效地检测航路中飞机的各种状态的概率,以此对整个航路进行评估,并且有效降低了仅采用Markov模型时在威胁区域内完成任务点后规划新航路迭代次数过多的问题.     

基于遗传蚂蚁混合算法的AUV全局路径规划

针对三维空间环境下的全局路径规划问题存在搜索最优解效率不高、时间较长等问题,提出了一种基于遗传蚂蚁混合的算法.该算法对模型进行了必要的简化,合理设计了子区域的划分方法,减少了种群的搜索范围;采用了新的遗传蚂蚁混合策略,提高了两种基本算法的融合效率;依据安全性和时间原则设计了算法的评价函数.三维环境下的仿真结果表明:本算法与已有的遗传蚂蚁混合算法相比,在保持搜索精度的同时,搜索到最优解的时间和迭代次数均有明显减小,具有可行性与合理性.     

基于IBES优化的三维无人机自主避障

针对三维空间环境复杂，航迹规划计算量较大，而现有BES算法受路径搜索能力不足等因素制约，无人机易在低空自主避障时陷入局部最优、难以完成复杂任务等缺陷的情况，提出了一种基于IBES算法的三维无人机自主避障方法。首先，构建威胁源模型、无人机物理约束模型以及三维山地模型，建立代价函数；其次，设计了随机Tent映射来初始化种群，提高初始化种群的质量；然后，针对BES算法在第一阶段——选择搜索空间阶段过早收敛，易陷入局部极值点的情况，引入Levy飞行策略修订此阶段更新公式，跳出局部最优；再后，设计了融合自适应指数权重的黄金正弦指引机制，提高秃鹰在既定空间全面探索并利用搜索空间的能力，解决了BES算法在既定空间内搜索猎物能力不足的问题；最后，设计了动态选择自适应t分布变异算子，提高了全局能力，同时，利用样条插值随机取点解决了路径点过于密集的问题，进一步提升了算法精度。仿真实验结果表明，提出的IBES算法规划的路径相比灰狼算法、改进的飞蛾扑火算法、麻雀算法及秃鹰搜索算法，航程分别降低了23.05、10.55、13.44和3.20 km,代价相比其他4种算法分别降低了7.26、9.51、8.27和4....