基于稀疏A*算法的三维航迹并行规划算法

提出三维稀疏A*算法的规划时间组成,并分析该算法的时间复杂度和并行性,随后给出并行任务划分的不同策略．判断OPEN表中是否存在与新节点相同节点的准则修改为：只比较OPEN表中代价比新节点代价小的节点,新准则可以有效地减少对共享式OPEN,CLOSED表的瓶颈效应．提出的三维航迹并行规划算法在并行机群环境中实现,实验结果表明时间效果改善明显．     

基于气象威胁场的无人机三维航迹规划

针对无人机航迹规划中气象威胁要素模糊性强、不确定性高等特点,提出了改进的BP神经网络的气象威胁度评估方法,对区域内气象威胁要素进行评估以建立表征气象威胁的气象威胁场。在所建立的气象威胁场上采用改进稀疏A*算法进行三维航迹规划,改进稀疏A*算法通过引入自适应操作提高了收敛速度以及效率。仿真结果表明,这种威胁评估方法可较为准确地评估区域内的气象威胁,改进稀疏A*算法能够准确、快速地在三维气象威胁场上寻找到最优航迹,具有一定的应用价值。     

基于A~*的快速三维航迹规划算法

针对标准启发式A*搜索算法所存在的规划速度慢以及受限于二维空间问题,提出了一种基于A*的快速三维航迹规划算法.该方法以基本A*算法为理论基础,并将约束条件结合在搜索算法中,在三维规划空间中将地形高度信息通过所确立的高度代价转换函数简化计算并达到快速规划要求.算法分析和实验表明,该方法能在三维环境空间中快速规划出所需航迹以满足任务需求.     

基于空间综合威胁体的无人机航迹规划方法研究

传统规划多数在平面中模拟威胁,难以真实表达威胁对无人机的影响范围,为了提高无人机飞行中的安全性和稳定性,在航迹规划中尽量规避周围环境的威胁,本文提出了一种基于空间综合威胁体的航迹规划方法,在目标区域内建立空间综合威胁体模型并进行分析及计算,最后进行航迹规划.空间综合威胁体的限制可有效减少待扩展节点的数量,提高航迹规划计算的效率.     

基于Q学习的无人机三维航迹规划算法

针对现有的基于强化学习的无人机航迹规划方法因无法充分考虑无人机的航迹约束而使规划获得的航迹可用性较差的问题,提出一种更有效的无人机三维航迹规划算法.该算法利用无人机的航迹约束条件指导规划空间离散化,不仅降低了最终的离散规划问题的规模,而且也在一定程度上提高了规划获得的航迹的可用性,通过在回报函数中引入回报成型技术,使算法具有满意的收敛速度.无人机三维航迹规划的典型仿真结果表明了所提出算法的有效性.     

基于改进蚁群算法的巡航导弹三维航迹规划

针对巡航导弹三维航迹规划的复杂性及其搜索空间大且效率低的问题,提出了一种基于改进蚁群算法的航迹规划方法.将生存概率的优化目标函数由乘积最大化形式转化为和最小化形式,并与航迹段长度的优化目标函数形式一致,提出了允许后续航迹点的概念,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且搜索空间减小,从而提高三维空间航迹规划的效率.仿真实例结果表明,所提出的规划方法可以规划出具有较大生存概率且可接受航程的航迹.     

基于改进A*算法的一种智能车路径规划方法

轨迹规划是智能车安全行驶的关键技术。本文基于A*算法在复杂地图轨迹规划耗时长,拐点多等问题,提出了一种基于图论及几何方法的改进A*算法的避障与导航方法。该方法在传统A*算法的基础上结合图论进行路径规划,同时剔除路径中冗余节点,并采用Labview进行具体的仿真实验来验证轨迹规划算法的性能。结果表明：该算法在复杂环境中仍能有效找到距离短且平滑路径,提高了智能车的运行效率降低了能耗,可用于实际的智能车安全行驶管理中。     

基于A*改进算法的机械臂避障路径规划

为解决机械臂在运行时可能与工作空间中的障碍物发生碰撞,提出圆柱体包络碰撞检测法和基于A*算法的变步长分段搜索法.运用圆柱体包络碰撞检测法,将碰撞检测问题转化为计算圆柱体间的位置关系.变步长分段搜索法解决了应用传统A*算法可能出现的搜索数据量大甚至搜索死循环等问题.分别在基于OpenGL的三维仿真实验平台和实际系统中验证了该方法的有效性和可行性.     

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。     

两种改进的最优路径规划算法

在对经典Dijkstra算法和A*算法分析的基础上对它们分别进行了改进.在经典Dijkstra算法中,针对当前不相连节点间路径长度为无穷大这一特点,首先对两个节点是否相连进行判断;若发现两个节点并不相连时,则舍去相应计算,从而减小计算量.针对A*算法在实际应用中搜索效率低的缺点,将经典A*算法搜索出的原始最优路径中的节点依次进行封堵后,再按照经典A*算法搜索出相应的新最优路径,最后再将原始最优路径与这些新最优路径进行对比,以便确定最终的最优路径.仿真研究表明:改进的Dijkstra算法可以减少大量的无关节点计算,提高运算的效率;改进的A*算法则可以提高搜索到最优路径的成功率.     

基于A^＊算法的机器人路径规划实现

A^＊算法是一种启发式搜索方法,即通连用一个比较特殊的估价函数使得在路径优化问题中得到较优方案。应用此算法实现机器人在规划空间中行走路径的选择,通过仿真表明,此算法能得到较优的路径选择策略,有利于机器人在规划空间的行走。     

基于遗传算法的巡航导弹航迹规划的一种收敛速度分析方法

航迹规划收敛速度的分析是其理论研究中人们所关注的一个重要问题.首先给出了描述表征巡航导弹航迹的7个特征变量,制定相应的编码方案,而后利用泛函分析的几何收敛理论定义了两条航迹的距离和个体适应度函数值.对于给出的第t代群体,定义了最大适应度值、最小适应度值和平均适应度函数值.在此基础上,定义了收敛速度(最大适应度函数收敛速度、最小适应度函数收敛速度、平均适应度收敛速度);然后利用数理统计理论,分别得到关于7个特征变量的满意度函数fxi(xi),i=1,2,…7;由此,个体适应度函数定义为F(X)=7∑i=1ωif xi(xi),其中为权重值.据此,就可得到其收敛速度的阶的估计,进一步得到了在大地方位角约束模型条件下的其收敛速度的表达式.结论是:巡航导弹航迹规划的收敛速度只与特征变量的满意度和相应的权值的乘积有关.     

移动机器人路径规划安全A*算法

针对移动机器人路径规划时安全性不高的问题,提出一种路径规划安全A^*算法.首先,通过扩展搜索邻域,减小路径转角角度,避免不必要的折角;然后,在启发式函数中引入新的评价指标,增加移动机器人与障碍物的距离.最后,提出安全性指数S,对路径安全性进行量化.通过MATLAB软件进行仿真对比,仿真结果表明:文中算法的路径质量和安全性更佳.     

基于A*算法优化的无人水面艇路径规划

为了解决A*算法在无人水面艇路径规划中无约束条件导致的安全问题,提出一种对A*算法的搜索优化和平滑优化方法。首先,对电子海图数据中的海洋环境信息进行提取,采用栅格法建立路径搜索空间的海洋环境模型,并使用坐标对栅格统一编号;其次,引入安全距离约束对A*算法进行搜索优化;最后,通过引入转向角约束,消除冗余节点达到平滑优化的效果。实验结果表明,通过对A*算法的优化处理,提高了无人水面艇路径规划的安全性,满足无人水面艇在复杂环境中全局路径规划的需求。     

一种无人机分层三维航迹规划方法

针对SAS算法在三维航迹规划问题应用中的不足,提出了一种基于分层策略的三维航迹规划方法。该方法分为两个层次:粗粒度的SAS快速航迹规划和细粒度的遗传算法优化。SAS算法以较大步长快速找到搜索图中的最优解,建立航迹通道。在航迹通道内利用改进的遗传算法对航迹进行优化。设计了一种定向变异算子用于航迹的平滑。仿真实验表明,该方法规划的三维航迹能满足地形跟随和规避威胁的要求,同时具有良好的平滑特性。     

基于二维自由空间的无人机实时航迹规划

针对未知环境中无人机的实时航迹规划,提出了一种利用方向引导向量的航迹规划方法。通过仿真实验证明,该算法在完全未知的环境中,可以很好地引导无人机找到目标点,实现无人机在线的实时决策。     

基于D*算法的场面滑行动态规划研究

研究了机场场面滑行路径动态规划问题.基于三种滑行冲突约束,建立了使航班总体滑行时间最短的动态优化模型.改进了传统的D*算法,提出了基于时间权值的冲突预测和代价修正函数.案例计算相比Dijkstra算法得到的结果减少了203s,有效减少总滑行时间,提高场面运行效率.该算法不仅可以用于滑行路径的初始规划,也适用于场面实时滑行引导的实施.     

健康投资对中国经济发展的影响研究——基于省级面板数据的空间计量检验

针对全局路径规划问题提出了一种改进的A*算法.首先,采用栅格方法建立环境模型,使用A*算法进行初步的路径规划.其次,针对A*算法规划的路径冗余点较多以及路径长度和转折角度较大的缺陷,提出将A*算法规划出的路径按较小的分割步长进行分割,得到一系列路径节点.最后,从起点开始依次用直线连接终点,当直线没有穿过障碍物时,则将中间路径点剔除,减小路径长度和转折角度.在仿真实验和实物实验中,分析和比较了本文算法与A*算法以及另一种改进A*方法.另外还研究了在不同障碍率、任务点数量和分割步长的情况下,本文算法与其他算法的优劣.结果表明,本文算法能有效地减小路径长度和转折角度.     

基于引导点的无人机三维航迹规划方法

为提高无人机航迹规划的速度,提出了一种基于引导点的航迹规划方法. 该方法结合了不同规划方法的优势,将无人机航迹规划分为两个层次:全局规划和局部规划. 全局规划利用遗传算法规划出最优或次优的区域点集,然后产生区域的引导点列;局部规划根据全局规划提供的引导点列,利用SAS(sparse A search)算法快速规划出满足约束条件的可行航迹. 仿真实验表明,该方法较好地结合了遗传算法和SAS算法的优势,规划航迹效果优于单一的遗传算法和SAS算法,并且有效地提高了规划速度.