一种多无人机协同侦察航路规划算法仿真

无人机协同侦察航路规划的算法复杂,数据量大,不易收敛。针对这些特点,采用了基于分散规划、集中调整思想的层次分解策略来确定参考航路。首先改进了粒子群优化算法,并运用该算法确定无人机的协同任务初始航路;然后给出了一种新的航路光顺优化指标,对初始航路平滑修正。仿真实验结果表明,该方法能够解决无人机的协同侦察航路规划问题,是一种效率较高的规划算法。     

末段反TBM火力目标匹配优化及APSO求解算法

末段反导作战火力任务分配建模是一个复杂的不确定多约束问题建模,首先建立了末段双层反战术弹道导弹火力〖CD*2〗目标匹配模型,其次对传统粒子群优化算法（particle swarm optimization,PSO）进行改进给出了一种吸引子PSO（attractor PSO,APSO）,APSO引入吸引子,在保持群体多样性的基础上,将粒子聚集在最优值附近,增加相应区域的粒子密度。其中,为了方便问题求解,将火力目标匹配优化任务进行分解,转化成多个子时间段,再用APSO对多个子时间段进行求解。仿真实例表明,APSO有更加优良的收敛精度尤其是收敛速度,满足了反TBM作战火力任务分配的高时效性要求。     

城市区域多物流无人机协同任务分配

针对城市区域多无人机协同物流任务分配问题, 综合考虑不同无人机性能、物流时效性、飞行可靠性等影响因素, 以经济成本、时间损失和安全风险最小为目标函数, 构建多无人机协同物流任务分配模型。因问题规模大、求解复杂度高, 设计改进的量子粒子群算法进行求解。首先，为增强粒子遍历性和多样性, 采用均匀化级联Logistic映射进行粒子初始化; 其次，为避免算法陷入局部最优解, 引入基于高斯分布的粒子变异方式; 最后，为提高算法运行效率, 运用自适应惯性权重方法对粒子赋值。仿真实验结果表明，所构建的模型能够实现任务分配多目标优化, 贴近城市区域无人机物流配送实际; 所提算法与传统量子粒子群算法和遗传算法相比, 任务分配代价分别下降了5.9%和6.3%;并进一步对参数权重设置进行分析, 当3个子目标函数权重系数分别为0.225、0.275和0.500, 种群规模为150时, 算法规划的结果最优。     

基于协同Memetic自适应QPSO算法的传感器目标分配问题求解

对复杂防空作战环境下的传感器目标分配(sensor target assignment,STA)问题进行了研究,建立了基于识别、跟踪、定位多阶段综合作战效能〖JP3〗的分配模型。针对该模型,首先基于粒子群聚集度和进化度判断,对传统量子粒子群(quantum particle swarm optimization, QPSO)算法进行了改进,提出了自适应QPSO算法。然后,结合多粒子群协同和Memetic搜索策略,提出了基于协同Memetic自适应QPSO算法的STA求解方法。同时,为使粒子位置矢量反映分配方案,依据不同战场环境设计了两种特殊的粒子编码方案。最后通过仿真实验验证了所提算法的有效性。     

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...     

无人机集群网电攻击行动协同目标分配建模

以一体化综合防空系统中的雷达为作战对象,从体系对抗的高度研究了无人机集群网电攻击行动协同目标分配的思路与方法,并以目标重分配规则与有人机/无人机协同规则为重点构建了基于协同目标分配规则的协同目标分配模型。然后研究了基于智能优化算法的协同目标分配模型求解方法,运用混合离散粒子群优化算法模拟有人机目标分配,运用基于协议规则算法模拟无人机目标分配。最后进行了仿真实验测试,实验结果证明了协同目标分配模型的有效性,并反映了集群自组网状态对于集群作战效能的重大影响,为无人机集群以及反无人机集群的战法设计提供定量依据。     

多波次火力进攻战斗中作战单元使用任务规划

作战单元使用任务的完成是作战训练任务执行的基础和前提。为了保证作战单元能够顺利执行作战训练任务,需要考虑武器系统的可靠性维修性保障性等质量特性对其使用任务进行合理规划。以作战单元多波次进攻战斗为背景,建立了基于任务效能的使用任务规划模型,并提出了一种改进的基于遗传-离散粒子群混合优化算法来求解规划模型。通过与离散粒子群算法和遗传算法的实例比较,结果证明了该方法的有效性和优越性。     

基于改进粒子群算法的多UCAV任务分配仿真研究

针对多无人作战飞机(UCAV)协同任务分配问题,提出了一种基于改进粒子群算法的任务分配方法.分析了影响任务分配的关键战技指标,考虑单架UCAV任务载荷限制的情况,建立了对地攻击任务背景下多UCAV协同任务分配模型.采用连续粒子群算法对问题进行求解,建立离散问题空间与连续粒子运动空间映射,通过位置饱和策略及买卖合同机制有效地解决多约束条件下粒于寻优.最后通过仿真实验,对模型和算法的有效性进行了验证.     

反导预警作战资源调度方法

针对反导预警作战中多部预警资源协同探测多批弹道导弹目标的问题,根据反导预警作战资源调度的特点,提出了反导预警作战任务分解策略,并以调度效益、交接次数和资源负载均衡度为目标建立了多目标优化模型。通过重新设计粒子编码方式以及对重新定义粒子群优化算法中的位置更新公式,使其适用于求解离散变量优化问题。针对粒子群优化算法容易过早收敛的缺点,在进行局部搜索时使用变邻域搜索算法,从而增强算法的寻优能力。通过仿真实验验证,将两种算法相结合能够快速有效地解决反导预警作战资源调度问题。     

多机协同电子战规划压制干扰布阵研究

针对电子战任务规划中的多机协同压制敌防空雷达网的干扰布阵问题,提出了航线规划安全区概念,基于数学形态学方法对安全区最小宽度进行求解,以安全区最小宽度和各部干扰机距敌方雷达网中心距离之和作为目标函数,构建了干扰布阵的多目标优化模型,采用多目标粒子群优化算法对模型进行求解,通过仿真实验对求解出的Pareto最优解集进行分析,得出了各部干扰机压制敌雷达网的最优干扰布阵方式,验证了所建多目标优化模型的正确性,同时也表明多目标粒子群优化算法在求解多机协同电子战干扰布阵问题是可行的、有效的     

无人机任务分配与航迹规划协同控制方法

针对无人机协同控制问题,提出一种多无人机任务分配与航迹规划的整体控制架构。将威胁和障碍区域考虑为合理的多边形模型,使用改进的A*算法规划出两个航迹点之间的最短路径。并利用该路径航程作为任务分配过程全局目标函数的输入,采用与协同系统相匹配的粒子结构进行改进粒子群优化(particle-swarm optimization,PSO)任务分配迭代寻优。根据分配结果并考虑无人机性能约束,基于B-spline法平滑路径组合,生成飞行航迹。仿真结果表明,算法在保证计算速度和收敛性能的同时,能够产生合理的任务分配结果和无人机的可飞行航迹。     

复杂环境中多无人机协同侦察的任务分配方法

现有多无人机协同规划方法往往将航迹规划与任务分配拆开单独解决,导致在复杂环境下协同方案并不是最佳。建立多无人机协同侦察异构目标的代价矩阵,针对复杂环境中多种障碍约束和无人机运动及航迹特点,以改进的PSO-AFSA (Particle Swarm Optimization-Artificial Fish Swarms Algorithm)求解单无人机航迹规划模型,利用匈牙利算法完成各架无人机侦察任务协同分配。仿真结果表明：该算法能使单无人机航程更短且航迹更光滑的同时,实现与任务协同分配紧耦合,使无人机集群总航程的全局总代价最低,提高了任务分配合理性。     

战场环境下多无人机时敏任务动态分配算法

时敏目标呈现的持续时间和出现空间不稳定等特点加大了无人机编队任务分配难度,将影响无人机编队的任务执行效果。针对该问题,在Leader-Follower编队结构下提出一种多无人机时敏任务动态分配算法,实现战场环境下多架无人机对多个时敏目标的打击。该算法在时敏目标时间窗口约束下,通过综合评估目标威胁代价、距离代价、任务执行时间、毁伤能力和打击收益完成编队任务动态分配,保证了无人机编队打击多个时敏目标的效能最大化。仿真结果证明了该算法的有效性。     

面向多无人机协同对地攻击的双层任务规划方法

无人机(unmanned aerial vehicles, UAVs)的任务规划包含任务分配、执行顺序确定以及航迹优化等。为了达到任务规划的全局最优,需要全盘梳理任务的各个方面,提出高效的优化策略。综合考虑任务规划过程中任务分配、执行顺序确定以及航迹优化等方面的需求和相互间影响,首先从优化框架出发, 设计了双层互耦的任务规划求解策略, 而后将任务规划模型分为上层任务分配和下层任务序列优化, 并对每一层的优化方法和优化步骤进行了详细设计。在任务分配问题中, 基于模拟退火算法, 提出了可跳出局部最优的模拟退火-撒点(simulated-annealing-shooting, SAS)算法, 并详细探讨了算法参数的设计原则。最后通过仿真分析, 验证了所提出的规划框架和SAS优化算法的有效性。     

多无人机3D侦察路径规划

针对现有路径规划方案忽略侦察区域优先级以及缺乏对侦察区域中新发生事件的跟踪,而导致规划路径不能适应动态环境和无法根据侦察区域重要性来执行优先侦察等问题。首先,提出将侦察区域重要性作为必要优化指标,与无人机能耗和飞行风险值等7个优化指标加权联合,构成路径优化过程中评估生成路径的多目标效用函数,从而使得规划路径可以反映侦察区域优先级特性。然后,提出了基于事件检测的侦察区域重要性值更新机制以提升路径规划方案对动态环境的适应性。最后,采用粒子群算法求解最优路径。仿真结果表明,利用所提路径规划方案生成的侦察路径能最大限度优先覆盖重要侦察区域,并且所提更新机制能够跟踪侦察区域中发生的新事件。     

基于细菌觅食算法的多异构无人机任务规划

针对多无人机任务规划问题, 以细菌觅食算法为基础, 融合遗传算法的交叉变异操作, 进行任务分配。为了提高算法的收敛能力, 动态自适应调节算法的游动步长、繁殖次数和迁徙概率。基于Lyapunov导航向量场和避障向量场构建融合向量场, 模拟真实静态和动态障碍物环境, 在任务分配阶段完成航迹规划; 基于合同网拍卖算法, 进行无人机坠毁后的任务重分配。仿真结果显示, 改进算法满足任务规划需求, 在考虑静态和动态障碍物的环境下, 能够高效的完成多异构无人机的任务分配以及重分配且总代价最小。     

一种自适应粒子群优化算法及其仿真研究

分析了粒子群优化(PSO)算法易于发生早熟收敛的原因。在此基础上提出的自适应粒子群优化(APSO)算法根据群体早熟收敛程度和个体适应值自适应地调整粒子的惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个很好的折衷。对两个经典函数仿真的结果表明APSO算法能够有效地避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。     

无人机协同中继过程中的路径规划与通信优化

通信网络是保证无人机在协同搜索时获取更多的战场信息,发挥协同作战优势的基础。主要研究多无人机完成通信中继任务过程中的搜索路径规划和通信性能优化问题。搜索路径规划的目的是确定未知地面移动人员具体方位并对其组网,以便无人机执行中继任务;而通信优化问题则是针对无人机中继过程中可能出现的通信中断、失真等问题,分析通信网络信息传输的路由选择,选取通信延时为性能指标,通过改变无人机的路径选择来提高通信网络的性能。仿真结果表明了本文实现通信中继和通信网性能提高的有效性。     

基于D-NSGA-Ⅲ算法的无人机群高维多目标任务分配方法

随着人工智能技术的快速发展, 种类繁多的无人机在军事领域得到了广泛应用。受单平台资源配备和执行能力限制, 大多数复杂任务需由多个无人机协同完成, 最优任务分配是其中需解决的重点和难点问题之一。最优任务分配方案求解问题已被证明是一个NP难问题, 针对多无人机系统的组织架构, 将非支配排序遗传算法与岛屿模型、主从模型结合, 构建一种分布式高维多目标演化算法D-NAGA-Ⅲ并对实际应用场景中4个目标进行优化, 并引入迁移策略和贪心算法对任务分配方案进行局部提升, 提高算法寻优能力和解质量。实验结果表明: 该方法在求解高维多目标的分布式无人机任务分配问题方面具有一定的效果。