人机协同智能航迹规划算法

人机协同低空突防航迹规划是实现有人机和UAV协同作战的关键技术,结合协同作战的特点和UAV低空突防航迹规划的要求,将人工辅助决策和改进的智能算法结合起来,并利用角度量的变长度基因编码表示飞行航迹,提出人机协同的智能航迹规划算法。该算法能够充分发挥人脑这个超级智能系统,利用人的智慧和经验弥补智能算法的不足,在"高危环境下"下针对突发威胁的覆盖范围来引导航迹求解过程,通过大量仿真计算,结果表明:应用该算法规划的三维航迹能够有效躲避突发威胁,实现威胁回避、地形回避和地形跟随,满足UAV低空突防要求,具有一定的实用价值。     

基于进化算法的多飞行器四维航迹规划方法

鉴于目前的航迹规划方法都局限于二维或三维空间,提出了一种基于进化算法的多飞行器四堆航迹规划方法.该方法在三维航迹规划的基础上加入时间代价约束,通过计算航迹节点在四维空间的坐标,将到达目标的时间与航迹搜索结合起来,使多个无人飞行器能够对目标进行同时打击并避免飞行器在飞行过程中的碰撞.仿真试验结果表明,该方法可以快速有效地完成四维航迹规划,获得满足要求的多飞行器飞行航迹.     

基于改进A*算法的飞行器三维航迹规划算法

提出了改进A*算法并应用于飞行器航迹规划,该算法把地形平滑技术融合到路径搜索的过程中,使平滑处理只需满足路径选择方向的飞行坡度要求和飞行器过载限制,得到的最优航迹更加贴近地形。在相同的条件下对改进A*算法和传统算法进行仿真比较,传统算法需要35 s左右收敛得到优化航迹并且代价函数为32.15;改进算法能在24 s内找到代价函数最优的飞行器三维航迹且代价函数为28.26,仿真结果表明改进A*算法在收敛速度和最优路径代价函数结果都明显优于传统算法,是一种有效的三维航路规划方法。     

高超声速飞行器实时航迹规划研究

提出一种实时航迹规划策略和一种改进变步长稀疏A*算法,并基于ADSP-21364处理器设计了一套高超声速飞行器实时航迹规划系统,该系统能够在离线规划的基础上根据实时探测的威胁对航迹进行重规划。进行了飞行模拟实验以及视景仿真,结果验证了规划策略和改进A*算法的有效性。规划得到的实时航迹能避开各种在线威胁,满足实时规划要求。     

基于粒子群优化的高超声速飞行器航迹规划

提出了一种基于粒子群优化算法的高超声速飞行器航迹规划方法并进行了仿真验证.首先计算了高超声速飞行器的最小转弯半径,然后建立威胁模型,将威胁模型投影到赤道平面内,利用一个有限项的多项式函数采逼近实际航迹在赤道平面内的投影,使航迹规划问题简化为在一个多项式系数空间中的搜索寻优问题.利用粒子群优化算法,鉴于高超声速飞行器特点,规划得到赤道平面内的航迹,根据对应关系,最后得到实际航迹.仿真结果表明,生成的航迹自动避开了威胁.     

基于概率地图方法的无人飞行器快速航迹规划

在复杂大范围环境下,针对可自主导航的低空飞行无人飞行器,设计了一种基于概率地图方法(PRM)的快速规划方法.先采用启发式策略构造概率地图,通过局部规划算法检测路标地图连通性,再应用图搜索算法规划出路径,最后通过剖面规划等优化手段对航迹进行完善.试验表明该方法具有较高的效率和环境适应性,可在单处理器上进行有效的快速航迹规划.     

改进的快速扩展随机树在航迹规划中的应用

通过在快速扩展随机树(rapidly-exploring random tree)算法的基础上融入状态-时间空间(state-timespace)的思想,使改进后的算法能够有效地处理动态环境中的航迹规划问题。仿真试验首先采用四元素法建立航天飞行器的六自由度动力学模型,在三维空间中验证该算法搜索高维空间的能力。其次运用改进的算法在动态环境中进行航迹规划试验,证明了该算法的有效性。     

无人机动态环境实时航迹规划

提出了一种基于实时A*搜索的无人机实时航迹规划算法。该算法将飞行器运动与航迹搜索相结合,在飞行器飞行过程中实时规划出下一段航迹;在搜索过程中,使用了多步寻优搜索的方法,相比单步搜索生成的航迹更加优化;使用最小转弯半径对生成的折线进行连接,使路径平滑可飞;针对算法局限性,给出一种改出局部最优点的策略。最后经仿真证明了该算法能够较好地满足规划要求。     

基于任务分配的多飞行器协同航迹规划

在综合考虑飞行器编队的飞行代价和作战效果的基础上, 研究了基于任务分配的多飞行器协同航迹规划方法, 构建了结合任务分配的飞行器编队协同航迹规划模型, 设计了分解式协同航迹规划算法, 可以有效地对多目标存在的情况进行综合权衡, 得到合理的任务分配和航迹规划方案. 仿真算例表明, 这种航迹规划方法不仅能保证各飞行器选择合理的协同航迹, 也使得作战任务可以获得最佳作战效果, 有效地提高编队作战的效费比.     

带集结区的协同航迹规划方法研究

通过调控飞行器在各介航运段的速度,提出了一种基于进化算法的带集结区的多飞行器协同航迹规划方法.该方法通过将协同时间误差引入进化算法的代价函数中,使得规划出来的航迹能够满足集结区的时间和空间约束,同时使得协同到达目标点时间误差尽可能小.仿真实验结果表明该方法能够达到很好的效果.     

一种自主水下航行器路径规划算法

提出了一种自主水下航行器穿越雷区的路径规划算法。将路径规划分为全局路径规划和局部路径规划两个部分,建立了水雷分布的Voronoi图,采用遗传算法规划出初步的全局最优路径。自主水下航行器按照全局最优路径航行时,利用前视声纳作为探测仪器。根据所测得的障碍物相对于自主水下航行器的位置关系设计出一个模糊推理系统(FIS)求解其避障角度,完成局部路径规划。仿真结果表明了这种算法的有效性。     

基于动态贝叶斯网络的无人机路径规划研究

针对威胁可变及威胁体不尽相同的无人机路径规划问题,提出了一种局部路径重规划的算法。该算法首先构造出战场具有n类威胁体的初始路径图———“改进型Voronoi图”,后应用Dijkstra算法搜索威胁分布图,求解粗略最短路径。在无人战斗机飞行过程中,威胁体威胁等级不断变化,无人战斗机通过多传感器数据融合知识构建动态贝叶斯网络图,感知环境,获取信息,应用Viterbi解码算法获得实时威胁等级,进行局部改进型Voronoi图的重构,以完成局部路径重规划,提高了无人战斗机在实战环境下生存概率。给出了应用该方法的具体步骤,通过仿真实验证明该算法的有效性。     

基于混合人工势场-遗传算法的移动机器人路径规划仿真研究

分析了人工势场模型存在的目标不可到达问题(GNRON)和由于局部最优解的存在而产生的死锁问题,提出了一种建立在改进人工势场模型上的基于遗传算法的最优路径搜索方法。仿真结果验证了本模型的有效性,能有效的解决由于人工势场模型缺陷而带来的路径规划问题。     

基于分布式协商进化算法的多Agent目标冲突消解

针对多Agent系统研究中的目标冲突消解问题,建立了在多个Agent的局部目标和系统全局目标间进行协调优化的多目标优化模型.在多Agent分布式规划的框架下,提出了一种基于遗传算法(genetic algorithm,GA)的分布式协商进化算法,用于求解多目标规划模型.针对GA搜索中保持解的多样性、提高收敛速度等问题,对选择算子进行了设计.通过仿真实验,证明新的选择算子能有效提高解的质量.最后将该算法应用于部队机动协同路线规划的目标冲突消解问题,验证了其有效性.     

交互策略改进MOFA进化的多UAV协同航迹规划

针对无人机(unmanned aerial vehicle, UAV)多目标优化协同航迹规划方法中Pareto最优解集规模随迭代增长, 难以选择适合UAV任务特点的协同航迹等问题, 提出一种基于交互策略改进多目标萤火虫(multi-objective firefly algorithm, MOFA)进化的多UAV协同航迹规划方法。首先,采用变量分解策略将萤火虫算法中大规模变量分解成多个子种群, 以降低算法搜索的复杂度; 然后, 利用Tent混沌初始化和多种群循环分裂合并策略提高多目标萤火虫算法的搜索性能; 采用双极偏好占优机制、并设计协同度指标在Pareto最优解集中选取适合任务需要且协同度较高的UAV协同航迹。仿真实验表明, 所提方法能够根据任务设定生成对应侧重点、且满足协同性的相对最优航迹集, 证明了该方法的有效性。     

基于双重遗传算法机制的路径规划

静动态障碍物同时存在的复杂环境下进行路径规划是一个比较难解决的课题.引入双重的遗传算法机制,提出了第一重遗传机制负责静态障碍物的避碰,第二重遗传算法机制以第一重机制规划出的最优路径为基础,负责动态障碍物的避碰的方法;设计优化算子,引入自适应技术提高路径的生成速度.实验表明,该方法能综合考虑多种因素,收敛到全局最优路径.     

基于无人机实时数据多波次任务规划模型分析

针对导弹部队多波次作战任务规划问题,依据无人机的实时数据,构建了基于路径的多层规划模型,并设计了模型的算法求解流程.使用遗传算法与禁忌搜索混合算法,得出了任务规划中的最优路径规划,并在此基础上进行了冲突的消除.通过仿真案例表明,用无人机协同配合导弹部队作战,实时传输作战数据,能够解决战场信息模糊不确定的问题;使用多层规...     

基于精英族系遗传算法的AUV集群路径规划

针对传统路径规划算法仅能规划单一最短路径且不能调节路径宽度而难以适用于自主式水下航行器(autonomous underwater vehicle, AUV)集群航路规划的缺陷, 提出了精英族系遗传算法(elite family genetic algorithm, EFGA)。该算法将基因适应度加入适应度评价函数中, 同时在进化过程中标记精英个体作为多路径规划结果, 并在该算法基础上针对AUV集群路径规划问题设计了一种多智能体路径规划(multi-agent path planning, MAPP)方法。仿真结果表明, 该算法可以求解无冲突路径集合实现MAPP, 通过实现AUV集群的最优多路径航行方案减少集群的航行耗时, 且能够满足不同AUV编队规模对可调路径宽度的需求。     

基于Voronoi图和蚁群优化算法的无人作战飞机航路规划

无人作战飞机(UCVA)航路规划是一类复杂优化问题.在众多航路规划算法中,Voronoi图是一种根据战场多威胁源分布情况获取可行航路的图形算法,而蚁群优化(ACO)算法是受到蚂蚁觅食行为启发而形成的一种启发式仿生算法.根据已知威胁源生成Voronoi加权图,其中每条Voronoi边的总代价可以由威胁代价和燃油代价计算得出;然后给出了在Voronoi图条件下,用于航路规划的改进ACO算法模型和具体实现方法;最后,将Voronoi图与ACO算法相结合,并针对某UCAV多种空战态势下的航路规划问题进行了系列仿真实验.实验结果验证了所提方法在解决UCAV航路规划问题时的可行性和有效性.     

基于改进蚁群算法的建筑火灾疏散路径规划研究

针对综合建筑火灾中人员疏散路径动态规划问题,以待疏散人员所需逃生时间最短为目标,考虑火灾产物和人群密度对人员逃生速度的影响,构建基于改进蚁群算法的人员疏散路径规划模型。建立由障碍物顶点栅格构成的疏散网络数据模型,改进蚁群算法的启发函数、死锁处理策略,引入烟花算法中的爆炸算子优化蚂蚁路径,以某综合建筑为例进行仿真实验。结果表明：该模型不仅能够避免疏散路径经过危险区域,还可根据建筑环境状况和人员分布情况实时调整疏散路径,提高了人员疏散路径安全性。