基于优化粒子群算法的无人机航路规划

针对粒子群优化(PSO)算法的无人机(UAV)航路规划问题,引入惯性权重和自然选择对粒子群算法进行优化,以提高基本粒子群算法收敛速度,防止陷入局部最优。算法分析惯性权重对粒子群算法的影响,进而调整惯性因子,提高算法的搜索能力;利用自然选择的便利性和规律性等特点,更新粒子群算法的粒子;同时通过对无人机的可行航向进行限定,缩小搜索范围。仿真实验表明:基于粒子群优化算法的无人机航路规划不仅缩短了最优航路,而且提高了搜索速度。

基于改进遗传算法的无人机航路规划

针对已知源-目标的最短最优航路规划问题,首先对无人机航路规划相关约束及算法仿真环境进行了综合分析,构建了航路规划算法仿真环境,明确了无人机的性能约束,进而提出了一种可以融合多种约束条件的航路评价函数;然后,针对遗传算法存在的早熟收敛以及后期搜索迟钝等问题,考虑其问题之间存在的耦合关系,提出了适应度值标定、种群多样化和精英保留策略的融合改进方案。实验结果表明改进的遗传算法会节省约11.8%的燃油损,同时无人机机动转弯相对更少,提高了无人机飞行的安全性和高效性。

基于IBA-MOEA的无人机航路规划多目标优化方法

为进一步增强传统无人机航路规划模型的适用性,提高求解此类问题的计算效率,首先建立以复杂山区和敌我双方对抗条件为背景的无人机路径规划模型,在此基础上提出了一种基于改进蝙蝠算法的多目标进化算法(IBA-MOEA),并使用此算法对模型进行了有效求解。所提算法将卷积粒子滤波与蝙蝠算法进行融合,并根据蝙蝠种群的特点,加入蝙蝠种群的交叉、变异策略,在克服算法搜索易进入局部最优的缺点时使用了搜索区间的自适应扩大方法,使算法性能具有较大优势。仿真结果表明,所提算法成功对模型进行了求解并获得了无人机规划航路,且在算法收敛性和种群分布性上相比同类算法具有相对较大优势。

基于改进蚁群算法的无人机航路规划软件开发

随着无人机应用的不断深入,无人机航路规划的研究显得尤为重要。因此,从无人靶机项目的需求出发,针对传统蚁群算法的收敛效率低和易陷入局部最优的缺陷,在算法运行机制层面引入自适应混沌算子,利用混沌的遍历性增强算法全局寻优能力,在此基础上根据无人机自身特性,通过几何平滑算法开发一款具有实用性和良好交互性的无人机航路规划软件,以满足工程应用需求。

基于柱坐标系的可变密度栅格无人机终端区航路规划

由于城市低空风险分布不均匀,无人机起降场终端区附近障碍物密集,多无人机在起降场终端区汇聚运行,传统基于直角坐标系的均匀密度栅格法难以解决该特定场景下的航路规划。针对以上难题,本文基于柱坐标系构建空域模型,分别提出基于A^(*)算法与遗传算法的可变密度栅格法用于无人机终端区的航路规划。仿真结果表明,基于A^(*)算法的柱坐标系可变密度栅格法比基于A^(*)传算法的柱坐标系可变密度栅格法比基于遗传算法的直角坐标系传统栅格法的航路规划效率提高了71.72%,路径总长度缩短了1.29%。本文方法解决了传统栅格法无法兼顾规划效率与环境描述精度的研究难题。

多源性能约束的无人机可靠动态航路规划算法

为提高无人机动态航路规划的安全性,提出一种基于机载导航系统实际导航性能和无人机机动性能的多源性能约束的改进A^(*)航路规划算法。分析了无人机航路规划系统架构及约束条件,构建了融合无人机最大允许转弯角、导航系统位置不确定度和最短路径的加权启发函数,实现无人机动态航路规划的多约束适应性,最后进行了仿真分析验证。仿真结果表明:在相同的运行环境下,基于性能约束的改进A^(*)算法所规划航路的安全裕度比传统A^(*)算法提高1.8倍,角度变化百分比降低为传统算法的42.4%,航路规划用时缩短28%,所规划航路的安全裕度和无人机机动性能符合度都得到有效改善。

一种基于Voronoi图的航路规划方法

Voronoi图是一种根据战场多威胁源分布情况获取可行航路点的图形算法,而蚁群算法是一种新型的模拟进化启发式算法。提出一种基于Voronoi图算法的无人机航路规划解决方法,提升了在多威胁源分布的情况下的无人机航路规划效率。首先,根据已知威胁源的数据信息生成加权Voronoi图,并定义每条Voronoi边的代价为组成Voronoi边的2个端点的直线距离;然后利用蚁群算法结合可飞行航迹点集合对无人机在多威胁源分布的飞行环境下进行航路规划。仿真结果验证了所提方法在不同战场环境下解决无人机航路规划问题上的可行性和有效性。

基于狭窄通道路径树的快速航路规划算法

针对无人机在障碍间存在狭窄通道的城市环境中进行低空航路规划的问题,根据障碍之间的空间几何关系确定障碍之间的狭窄通道,再综合所有狭窄通道生成复杂环境中的狭窄通道路径树。设计了结合狭窄通道路径树的双向快速扩展随机树(Rapidly-exploring Random Tree,RRT)算法,在两棵搜索树的扩展过程中,通过判断搜索树与狭窄通道路径树的位置关系,将狭窄通道路径树添加到搜索树上,实现搜索树在狭窄通道中的快速扩展,减少两棵搜索树的无用扩展,提升航路树生成的速度。仿真结果表明,该方法能够解决无人机在存在狭窄通道的复杂环境中进行快速有效航路规划的问题。

基于拉普拉斯分布与鲍德温效应的教与学算法及其应用

教与学优化算法(TLBO)是一种进化能力非常强大的算法,近年被广泛应用于各种优化问题。但是,在TLBO算法进化的后期,随着进化迭代次数的增加和求解范围的缩小,种群的多样性逐渐降低,从而导致陷入局部最优和过早收敛。基于此,提出一种基于拉普拉斯分布和鲍德温学习效应的教与学优化算法(LBTLBO)。该算法利用拉普拉斯分布的扰动来拓展探索空间,采用鲍德温学习效应识别出更多有前途的解,使算法更具有竞争性。实验结果表明,与原始TLBO、基于拉普拉斯分布的TLBO、基于鲍德温学习的TLBO以及改进版本的TLBO进行比较,LBTLBO提高了解的精度,具有很强的竞争力。最后,将LBTLBO应用于无人机航路规划问题,并进行了仿真实验,结果显示,与上述改进版本的TLBO相比,LBTLBO能获得更加准确的路径与收敛速度。

An Air Route Planning Model of Unmanned Aerial Vehicles Under Constraints of Ground Safety

With the rapid growth of the number and flight time of unmanned aerial vehicles(UAVs),safety accidents caused by UAVs flight risk is increasing gradually.Safe air route planning is an effective means to reduce the operational risk of UAVs at the strategic level.The optimal air route planning model based on ground risk assessment is presented by considering the safety cost of UAV air route.Through the rasterization of the ground surface under the air route,the safety factor of each grid is defined with the probability of fatality on the ground per flight hour as the quantitative index.The air route safety cost function is constructed based on the safety factor of each grid.Then,the total cost function considering both air route safety and flight distance is established.The expected function of the ant colony algorithm is rebuilt and used as the algorithm to plan the air routes.The effectiveness of the new air route planning model is verified through the logistical distribution scenario on urban airspace.The results indicate that the new air route planning model considering safety factor can greatly improve the overall safety of air route under small increase of the total flight time.