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。     

基于蚁群算法的滑移预测路径规划研究

月球车是搭载探测任务的可移动多功能机器人.月球车在实际地形行驶中,从起点到目标点之间除了选择最优路径,还应该将地形、障碍物等影响因素考虑进去.地形的主要影响因素是陡坡方向和陡坡坡度,其他因素归类为滑移,这些在很大程度上增加了路径规划的长度和时间复杂度,更影响了其安全性.而传统蚁群算法只是单纯地寻求路径规划中的最优解,存在收敛速度慢、时间复杂度高、寻优能力不平衡等问题,且没有考虑滑移、地形等因素,应用在月球车预测路径规划问题中极易陷入局部最优解.提出了基于三维栅格地形环境下融合坡度、坡向的滑移预测改进蚁群算法路径规划;通过设置相同的信息素启发因子和信息素挥发系数,改变滑移预测地形参数,得到了基于滑移预测的综合代价函数,改进了传统蚁群算法;分析了基于滑移预测的综合代价函数对改进蚁群算法路径长度、收敛速度、时间复杂度和迭代次数的影响.最后利用实验仿真数据结果验证了本文改进后的蚁群算法在滑移预测路径规划问题中有更高的有效性.     

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。     

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。     

基于改进的多目标量子行为粒子群优化算法的多无人机协同任务分配

为在给定的时间内以最小代价和最大效益完成任务,建立了多无人机协同任务分配问题的多目标优化模型.采用改进的多目标量子行为粒子群优化算法求解最优任务分配方案,定义了一种从所求候选方案中选取最优分配方案的自主选择准则.对比分析多目标粒子群优化、多目标进化算法和该文算法所求的最优分配方案.仿真结果表明该文算法能够较快地求解问题,而且所求最优任务分配方案的性能优于其它三种算法.     

基于改进粒子群优化的多无人机协同航迹规划

由于航迹规划可以为多无人机飞行控制提供参考指令,且当前粒子群航迹规划算法存在收敛速度慢,成功率不高的缺点,故提出了一种综合改进粒子群的多无人机协同航迹规划算法,考虑了无人机性能约束、障碍与威胁约束、空间协同与时间协同约束。首先,通过对学习因子线性化调整,实现了粒子惯性和最优行为的平衡;其次,引入混沌初始化,改善了粒子分布质量;然后,基于遗传变异思想设计了取代策略,同时提出了调速机制,提升了算法收敛速度。最后,将综合改进粒子群算法进行仿真验证,规划结果成功率高、收敛速度快且航迹代价小,可见改进算法的有效性。     

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....     

多对多无人机空战的智能决策研究

针对能够进行自主空战的无人机,设计了一套空战流程.建立了基于双方位置、姿态和能量等的优势函数评价体系,通过改进的混合粒子群优化算法实现了多对多空战的目标分配,结合改进的Double Q-learning算法设计了无人机的机动决策策略,并在4对4空战场景下进行仿真验证.仿真结果显示无人机可以很好地追踪并击败敌方目标,还能...     

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。     

基于改进灰狼优化算法的无人机三维航迹规划

为了解决三维复杂环境下的无人机航迹规划问题,提出一种基于改进灰狼优化算法的无人机三维航迹规划方法.模拟真实的地理环境,建立三维地形模型和禁飞区模型,构造合理的评价函数.在改进算法中,设计一种基于贪婪思想和变异策略的初始化方法,提升了初始种群的平均适应度值;将一种非线性递减函数引入距离控制参数,解决了灰狼优化算法开发能力不足的问题;设计一种动态加权平均和静态平均混合的位置更新策略,解决了灰狼优化算法位置更新策略不灵活的问题.仿真结果表明:该算法相比于其他几种相关算法,航迹代价较小、收敛速度较快且效果更稳定.     

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%.     

改进麻雀算法的无人机三维路径规划

为解决无人机在三维环境下的路径规划问题,本文通过麻雀搜索算法研究了路径规划方法。传统的麻雀搜索算法求解该问题时存在易陷入局部最优、收敛精度低等问题,针对该问题提出改进方法。首先,对种群中的发现者加入动态权重因子,使其能够提高局部搜索能力,同时提高收敛速度,同时引入高斯变异;追随者采用量子粒子群生成新解的方式;并且加入额外的柯西变异进行扰动,柯西变异的扰动幅度较小,可以增强局部搜索能力。通过仿真实验,.算法改进后分别与麻雀算法以及其他改进的麻雀算法进行对比,结果表明该算法收敛速度更快,求解精度更高,证明了该算法的有效性和可行性,可见在无人机三维路径规划中具有很大的发展前景。     

基于混合蛙跳算法多无人机航点规划

提出了一种自适应混合蛙跳算法(SFLA),用于解决寻找源点出发的各个无人机所走路径代价函数总和最小的多无人机航点规划问题.在该优化算法中,对各个航点采用插入分割点的方法进行航点序号整体编码,同时运用交换子交换序的方法对种群中序列个体进行更新.通过对经典混合蛙跳算法加入自适应算子,动态改变进化步长,提高算法收敛速度与精度.通过仿真实验表明所提出的自适应混合蛙跳算法对于解决非对称的多无人机航点规划问题是有效的.     

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。     

世界上最无畏的动物

<正>面对凶猛的群狮、慎人的毒蛇、狡猾的鬣狗等动物的攻击,蜜獾会选择怎么办?答案是:咬回去!中国的网友们把蜜獾称为"平头哥",平头是因为蜜獾的头部造型,"哥"一词的江湖气息则跟蜜獾的"流氓"秉性十分吻合,在这霸气的名字下却是一副可爱的面孔,这样的"反差萌"让平头哥迅速走红。永不放弃的战斗机蜜獾是鼬科蜜獾属下唯一一种     

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。     

不同威胁情况下无人机实时航路规划算法研究

针对无人机实时航路规划问题,分析安全影响威胁,建立了改进的威胁概率模型。在安全回避突发威胁的前提上,增加考虑了偏离预定航路飞行代价影响;以飞行总航程最短为目标建立了新的飞行模型。针对当前飞行航段出现单个突发威胁和多个处于不同排列情况的突发威胁(组)情况,给出了相应的最优航路分析;并设计了基于最短路思想的启发式算法。对三种场景进行算例仿真。仿真结果表明,模型和算法具有有效性和可行性,可以实时分析突发威胁,并规划出相对安全经济的实时航路。     

基于Dubins路径的无人机避障规划算法

研究了一种基于Dubins路径的无人机的避障规划算法. 通过采用遗传算法,结合无人机的飞行性能和最小转弯半径,提出了一种在已知障碍空间位置前提下的无人机路径规划方法,并通过算法改进,将其推广成为在未知障碍位置等先验知识的前提下的无人机实时避障算法. 仿真结果表明,该算法原理正确,对于多障碍环境下无人机避障策略的获取具有较好效果.      

面向多机协同的Att-MADDPG围捕控制方法设计

多无人机对动态目标的围捕是无人机集群作战中的重要问题.针对面向动态目标的集群围捕问题,通过分析基于MADDPG算法的围捕机制的不足,借鉴Google机器翻译团队使用的注意力机制,将注意力机制引入围捕过程,设计基于注意力机制的协同围捕策略,构建了相应的围捕算法.基于AC框架对MAD-DPG进行改进,首先,在Critic网络加入Attention模块,依据不同注意力权重对所有围捕无人机进行信息处理;然后,在Actor网络加入Attention模块,促使其他无人机进行协同围捕.仿真实验表明,Att-MAD-DPG算法较MADDPG算法的训练稳定性提高8.9％,任务完成耗时减少19.12％,经学习后的围捕无人机通过协作配合使集群涌现出更具智能化围捕行为.     

多无人机编队协同目标分配的两阶段求解方法

多无人机编队协同目标分配是一类组合优化问题,常规的求解方法难以满足战场环境对求解速度的要求。文章提出了一种两阶段目标分配方法,将该问题分解成编队级分配和编队内分配2个阶段。首先通过K-Medoids聚类算法实现编队级目标分配,将目标簇分配到无人机编队,然后通过混合整数线性规划模型和蚁群算法实现编队内目标分配,将目标分配到无人机。通过两阶段求解,降低多无人机编队协同目标分配问题的求解难度。仿真结果表明,该方法可行且有效,能够提高求解效率,大幅度缩短求解时间。