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。     

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NSGA-Ⅲ算法的多无人机协同航迹规划

当多架无人机协同作战时,需要进行协同航迹规划,以提升任务成功率.将协同航迹规划中的约束转换为多个目标后,对NSGA(Non-Dominated Sorting Genetic Algorithm)-Ⅲ算法与势场蚁群算法进行融合设计.算法首先对地图进行势场构建,使距离障碍物较近的节点不易被选择,并且引导搜索方向.然后对航迹代价、空间协同约束和时间协同约束进行数学建模,转换为数值指标,并设置为NSGA-Ⅲ算法的多个目标.对NSGA-Ⅲ算法设计了临界层选择方法和进化算法等.最后在二维和三维栅格地图中,改进NSGA-Ⅲ算法利用各种群为各无人机搜索出期望的航迹.仿真实验表明,规划所得到的各无人机航迹安全且代价较小.     

基于自适应多态融合蚁群算法的无人机航迹规划

为解决传统航迹规划最短路径算法易陷入局部最优及复杂地形情况下的无人机航迹规划问题,提出了一种基于自适应多态融合蚁群算法的航迹规划方法。通过对航迹规划问题进行描述,建立数学模型,将自适应和蚁群算法相结合,与多态蚁群形成了全局、局部并行搜索模式,以提高算法寻找全局最优值的能力;提出自适应并行策略和自适应信息更新策略,以提升其全局搜寻能力。仿真结果表明,自适应多态融合蚁群算法较传统蚁群算法和多态蚁群算法具备更好的性能,能有效地提高搜索路径的长度和收敛速度,从而避免在求解过程中陷入局部最优,因此在求解最优航迹规划问题上有很好的应用前景。     

基于改进蚁群算法的多旋翼无人机航迹规划研究

航迹规划需要无人机快速到达目标点来减少航程,同时要躲避障碍物减小威胁。针对传统的蚁群算法在无人机航迹规划中易出现极值、收敛速度慢等缺陷,文章提出了一种改进的蚁群算法。对环境地图进行坐标转换来避免蚂蚁在最后节点可能横跨多个单元;利用起始点与目标点位置来初始化信息素分布,信息素挥发因子采用时间和空间的自适应更新策略,增强了算法的全局搜索能力和效率;设计了方向和角度最优的启发信息,并构造相应的综合评价函数;最后对航迹采用三阶B样条曲线平滑处理。仿真结果表明,改进后的蚁群算法能够快速收敛于最优航迹,并能很好地适应无人机的飞行要求。     

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。     

基于蚁群算法的无人机航迹规划研究

现如今,无人机应用的关键技术无外于乎航迹规划算法。基于这个现状,该文将针对无人机航迹规划进行系统研究,构建了无人机航迹规划的空间模型,在此之中结合蚁群算法,保证规划的真实可靠性。考虑到现在无人机应用的复杂以及不能完全利用有效空间的问题,提出以蚁群算法为基础的一种新型的航迹规划方法,并在其中考虑到地形,约束条件等外部因素,因此保证了航迹可以在现实中应用。最后,阐述了无人机航迹规划面临的关键问题及未来发展趋势。     

基于蚁群算法的无人机航路规划

为了提高无人机(UAV)作战任务的成功率，在执行敌方防御区域内攻击任务前必需规划设计出高效的无人机飞行航路，保证无人机能够以最小的被发现概率及可接受的航程到达目标点。针对这一问题，对新近发展的蚁群算法进行了讨论，提出适用于航路规划的优化方法，并对无人机的攻击任务航路进行了仿真计算。仿真结果表明该方法是一种有效的航路规划方法。     

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。     

基于改进的烟花-蚁群算法和B样条曲线的农业机器人路径规划

根据蚁群算法收敛速度较慢,易陷入局部最优等问题,提出了一种改进烟花-蚁群(improved fireworks-ant colony algo-rithm,IFWA-ACO)混合算法,解决静态环境下农业机器人的路径规划问题,首先针对基本烟花的交互机制和选择策略做出改进,提出爆炸与迁移相结合的策略以及密度峰值火花、探测火花概念,提升烟花算法寻找最优解的能力,然后把改进烟花算法得到的最短路径作换算成蚁群算法中的信息素加强值,从而避免蚁群盲目搜索,最后采用B样条插值方法进行曲线化拟合,生成平滑路径,有利于机器人平稳行进.试验仿真结果表明,IFWA-ACO算法能快速的规划出机器人的最优路径,降低农业机器人能耗,提高工作效率.     

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。     

基于四叉树和改进蚁群算法的全局路径规划

为解决机器人在大范围二维平面区域内的路径规划问题,提出一种四叉树和改进蚁群算法相结合的路径规划方法.基于四叉树分解法,对路径规划的二维区域进行环境建模,在环境建模的基础上,采用改进蚁群算法进行高效的路径规划.四叉树在完整地记录环境信息的同时对环境信息进行了高效地压缩,改进蚁群算法可以规划出与障碍物保持一定安全距离的路径,提高了规划出的路径的实用性.仿真实验表明,提出的路径规划方法在执行效率和路径的实用性上取得了良好的平衡,可以高效地对大区域进行路径规划.     

自适应多启发蚁群算法的无人机路径规划

为了解决蚁群算法在无人机实现路径规划中容易陷入局部最优的问题,提出改进的蚁群算法。对信息素的挥发因子以及信息素进行上、下限设置,防止由于较短路径上的信息素过高以及较长路径上的信息素过低,使蚂蚁陷入局部最优,同时在多启发因素的影响下,将路径的整体长度作为决定状态转移概率的一个自适应启发函数因子,当路径长度很大时,自适应启发函数因子较小,使得蚁群选择该路径的概率减小。实验结果表明,改进的算法在路径长度上减少了6.4%,最优路径长度方差降低了85.78%,增加了对环境整体性的考虑,缩短了路径长度,降低了迭代次数,跳出局部最优。在环境复杂度加大的情况下,引入自适应启发函数因子之后的算法可以有效地选择较好的路径,为无人机路径规划提供了理论依据。     

室内服务机器人路径导航系统设计及算法

随着各行业智能化的快速发展,室内服务机器人逐渐地走进了人们的日常生活中。针对日益复杂的室内环境以及对机器人路径规划技术要求的不断提高,本文采用激光雷达、底盘驱动、人机交互等功能模块相结合,设计了一种室内服务机器人路径导航系统。同时对传统蚁群算法进行改进,提出了自适应信息素浓度和动态信息素挥发因子,使改进后的蚁群算法具有较高的全局搜索能力,避免了传统蚁群算法前期易陷入局部最优的问题,最后将改进后的蚁群算法应用到移动机器人路径规划上。为了验证改进蚁群算法的有效性,用MATLAB软件进行仿真分析,仿真结果证明了改进蚁群算法在移动机器人路径规划时具有较强的全局寻优能力,同时提高了收敛速度。     

基于势场导向的对数蚁群算法的移动机器人路径规划

针对蚁群算法存在收敛速度慢,易陷入局部最优的问题,提出了一种将人工势场和对数蚁群算法相融合的新算法.该算法是在蚁群算法的基础上,将势场的影响因素引入到蚁群算法的状态转移概率函数和启发函数中,并通过对数函数模型对蚁群算法的信息素更新策略进行改进,使得路径算法搜索不再具有盲目性,并加快算法的收敛速度.为了验证改进算法的有效性,分别在不同环境的2维栅格地图中进行仿真.仿真结果表明,相比改进前的蚁群算法,改进后的蚁群算法在路径规划中收敛速度更快,规划效率更高.将基于势场导向的对数蚁群算法应用于Hokuyo激光建图的实际机器人上进行路径规划实验.实验结果表明,改进后的蚁群算法路径搜索效率较改进前提高了约52％.     

多策略蚁群算法求解机器人路径规划

针对基本蚁群算法的缺点,提出用多策略的蚁群算法求解机器人路径规划问题.采用栅格法建立机器人全局路径规划工作空间模型,进行两次凸化改进处理.提出惩罚策略,并配合使用保健算子策略、治病算子策略,同时引入遗传算子策略、精英蚂蚁策略和最大最小蚂蚁策略.介绍在Matlab环境下编程实现的方法及步骤,求解100个栅格点的路径规划问题,得到最优距离为15.070.仿真结果表明,即使在复杂的地形环境中用本算法也可迅速规划出令人满意的最优路径.     

基于改进蚁群算法的CVRP问题研究

车辆路径优化问题归属于NP-hard问题;针对基本蚁群算法求解效率低下,可行解质量不高,容易陷入局部最优解的情况,在充分考虑具有一般性的车辆路径优化问题的数学模型与解决方案后,提出了一种带有轮盘赌运算与2-opt优化运算相结合的改进蚁群算法,算法在运算过程中对选取路径的概率进行二次计算,扩大了全局的搜索范围;同时对得到的路径进行内部优化,增强了局部搜索能力,提高了解的质量;通过MATLAB软件进行仿真实验的结果表明:相较于基本的ACO算法以及遗传算法得到的结果,改进的蚁群算法在性能上和求解的质量具有很大的优势,可以更好地解决带有容量约束的车辆路径优化问题,为相应的企业更好地节省物流成本。     

面向车辆路径问题的改进蚁群算法研究

为解决基础蚁群算法在求解车辆路径问题时出现收敛速度慢、易陷入局部最优解等问题,提出了一种改进蚁群算法.首先,引入节约矩阵更新选择概率公式引导蚂蚁搜索;其次,运用分段函数改进挥发因子,调整算法的收敛速度;再次,使用2-opt法,提高算法的局部搜索能力;最后,选取车辆路径问题国际通用数据集进行仿真,运用控制变量法找到信息素...