混合蚁群算法求解无人靶车路径问题研究

针对无人靶车路径过程中效率低成本高的问题,构建了无人靶车路径问题(Routing Problem of Un⁃manned Target Vehicle,RPUTV)的混合整数优化模型,该模型以无人靶车行驶路径距离最小化为优化目标。首先,为了提高算法的求解效率和求解质量,在算法的初始阶段引入贪心算法来构建初始解,同时在蚁群算法中引入了邻域搜索算法组成了混合蚁群算法(Hybrid Ant Colony Algorithm,HACA)来提高算法的局部搜索能力。其次,采用标准数据集来验证算法,同其他求解算法进行对比显示,HACA算法求解RPUTV具有更高效性。

无人靶车路径规划及其算法研究

靶车路径问题(Target Vehicle Routing Problem,TVRP)是组合优化领域的热点问题。首次提出了无人靶车路径问题(Unmanned Target Vehicle Routing Problem,UTVRP),建立了以最小化运输成本为优化目标的整数规划模型;其次提出一种带成本最优法的变邻域搜索算法(Variable Neighborhood Search with Cost Optimal Method,VNSCOM)。算法的初始阶段对目标问题进行单基因染色体编码操作。首先,提出成本最优法对问题的初始解进行构造,其次在单基因染色体编码下进行邻域变化,最后通过大量实验仿真,验证了提出算法的有效性。

无人靶车动态避障研究

无人靶车是军事训练中必不可少的一部分。为了测试各类精准打击武器,需要无人靶车自主移动到目标点。由于测试武器的场地环境比较复杂,所以需要无人靶车躲避移动过程中突如其来的障碍物。基于贪心初始化算法的动态避障算法(Greedy Initialization Dynamic Obstacle Avoidance,GIDOA)可以求解无人靶车动态避障路径规划问题(Dynamic Obstacle Avoidance Routing for Unmanned Target Vehicle,DOARUTV)。该算法在传统的D^(*)算法(Digital Smart Technologies for Amateur Radio)的基础上进行改进,结合贪心初始化算法,有效地探索了初始解,加快了算法迭代速度。为了验证该算法的可行性和有效性,使用Python编程语言将GIDOA和迪克斯特拉算法(Dijkstra)、A^(*)算法(A-star Algorithm)进行对比。实验结果表明:GIDOA能够解决具有动态避障功能的无人靶车问题,对比Dijkstra算法和A^(*)算法更适合DOARUTV的求解。

基于预期偏移距离的人机权值分配策略研究

针对智能车辆横向运动控制中驾驶员和辅助系统的控制权限冲突问题,本文中提出一种人机权值分配策略。采用车辆在预瞄点处的预期偏移距离(PDLC)衡量车道偏离危险度,预期偏移距离通过对预瞄偏差修正获取。权值分配函数设计时以PDLC为自变量,以保证驾驶员的权值为优先控制目标,以一定的横向运动控制精度为先决条件。在CarSim/Simulink联合仿真平台和CarSim/Labview RT硬件在环实验台上对提出的控制策略进行了实验验证和数据分析。结果表明,采用权值分配策略协调驾驶员和辅助系统的控制,可在有效跟踪理想道路中心线的前提下保证驾驶员的控制权值,降低其工作负荷以及纠正驾驶员的误操作行为。