无人机在线协同航迹规划时序问题

提出了一种满足时序约束的无人机在线协同航迹规划方法。首先采用按时间推进的协同规划机制解决了在线协同规划中信息交互存在时间间隔的问题;其次通过设计协同函数,采用自主分布计算协同变量的方法解决其时序问题,实现了协同无人机按照指定时间间隔先后达到目标区域。仿真选取同时到达和按等时间间隔到达两类典型时序问题,结果表明该方法可以快速生成符合协同时序要求的协同航迹,且满足实时性要求。

基于启发式预测窗口的UAV实时航迹规划方法

考虑移动目标及移动威胁,根据机载传感器实时获得的目标及威胁信息,提出一种基于启发式预测窗口的无人机实时航迹规划方法。根据敌我态势估算预测窗口,并结合卡尔曼滤波预测目标及威胁的状态,构建基于矢量夹角原理的目标函数,评估威胁及航程代价并满足无人机的机动约束。该方法通过最速下降法在线优化得到一系列的无人机航向角,完成航迹规划。仿真结果表明该方法可以有效追击移动目标,并规避移动威胁,实现无人机实时航迹规划。

利用动态规划和电势理论规划UAV三维航迹

用改进的电势理论规划无人机的三维航迹。充分考虑了地形威胁、火力及雷达威胁同时存在的情况,并对它们的权重对航迹规划的影响进行了研究。通过限制航线到包含任务起止点直线的距离,不但克服了电势法无法收敛目标点的问题,而且可以缩短飞行航程;研究惩罚函数中各因素不同权重对飞行航线的影响,选择出最优权重系数;通过仿真试验可知,该方法能够成功地为无人机规划出安全的飞行路径。

采用新型蚁群算法的UAV动态航迹规划

航迹规划对UAV完成任务具有重要的意义。为解决突发威胁下的UAV航迹规划问题,提出了一种改进蚁群算法。采用全新的目标吸引策略、引入信息素增量调节因子并将优先级和信息素挥发系数进行组合优化来对基本蚁群算法进行了改进,提高了算法的求解效率,并进行仿真验证。根据战场已知威胁源生成Voronoi加权图,并与所提的改进蚁群算法相结合求解规划空间中的最优航迹。仿真结果表明,利用改进的蚁群算法能够有效地提高收敛速度和寻优能力,可以较好地解决突发威胁下的UAV航迹规划问题,保证UAV能够回避战场威胁,顺利飞抵目标点。

基于SAS算法的三维多UAV协同航迹规划方法

在实际应用中航迹规划着重考虑的是规划出的航迹应具有良好的可靠性能,针对多UAV协同航迹规划有多个约束条件且环境复杂、规划耗时长等问题,使用智能算法解决多UAV协同航迹规划问题无法确保规划航迹的可靠性能。因此,提出了一种启发式SAS算法,用以解决此问题。仿真结果证明,使用该算法规划出的航迹具有较高的可靠性。

基于粒子群算法的无人机航迹规划问题

首先将无人机航迹问题转换为多目标的TSP问题数学模型,建立了航迹规划问题的数学模型.然后将轨迹规划问题转换成一个求最短路径的单目标的有约束是优化问题,针对这类问题的求解,采用了一种新的粒子群算法并利用软件编程求解.最后验证了结果的可行性,同时讨论了结果的稳定性和收敛性.

基于粒子群算法的无人机航迹规划问题

文章首先将无人机航迹问题转换为多目标的TSP问题数学模型,建立了航迹规划问题的数学模型。然后将轨迹规划问题转换成一个求最短路径的单目标的有约束的优化问题,针对这类问题的求解,采用了一种新的粒子群算法并利用软件编程求解。最后验证了结果的可行性,同时讨论了结果的稳定性和收敛性。

交互策略改进MOFA进化的多UAV协同航迹规划

针对无人机(unmanned aerial vehicle,UAV)多目标优化协同航迹规划方法中Pareto最优解集规模随迭代增长,难以选择适合UAV任务特点的协同航迹等问题,提出一种基于交互策略改进多目标萤火虫(multi-objective firefly algorithm,MOFA)进化的多UAV协同航迹规划方法。首先,采用变量分解策略将萤火虫算法中大规模变量分解成多个子种群,以降低算法搜索的复杂度;然后,利用Tent混沌初始化和多种群循环分裂合并策略提高多目标萤火虫算法的搜索性能;采用双极偏好占优机制、并设计协同度指标在Pareto最优解集中选取适合任务需要且协同度较高的UAV协同航迹。仿真实验表明,所提方法能够根据任务设定生成对应侧重点、且满足协同性的相对最优航迹集,证明了该方法的有效性。

改进强化学习算法的UAV室内三维航迹规划

随着室内导航定位技术的兴起,无人机(Unmanned Aerial Vehicle,UAV)技术在室内环境中的应用得到前所未有的发展,对无人机航迹规划能力提出了更高的要求。由于室内环境空间较为复杂,且现有的强化学习算法收敛速度慢,提出一种基于强化学习的集成方法。通过给定的起点和终点位置的坐标连线,判断出主要障碍物及围绕主要障碍物的节点,减少无用节点的搜索;在Q值初始化过程中通过数学关系构造出方向趋向函数,确定出目标点所在的方向,以提高算法的收敛速度;在三维栅格地图中对优化算法进行仿真验证。仿真结果表明:改进的三维航迹规划算法使得空间搜索节点数目减少了55.49%,收敛时间缩短了98.57%。

带时间窗的多无人机航迹规划两阶段启发式算法

带时间窗的多无人机(Unmanned Aerial Vehicles,简称UAV)航迹规划问题是一类重要的NP-Hard问题,相关启发式算法研究一直是该问题的研究重点和难点。建立了问题的UAV流模型,并提出了一种两阶段启发式算法用于问题求解。算法的第一阶段提出了一种基于"最迟完成服务优先"规则的航迹构造算法,用于获取问题的初始解;第二阶段利用模拟退火算法对初始解进行改进。最后基于Solomon Benchmark数据集对算法进行了测试,实验结果表明该启发式算法可以有效地求解带时间窗的多UAV航迹规划问题。

基于动态步长的无人机三维实时航迹规划

针对直接在三维空间进行无人机(UAV)航迹规划难度较大的问题,将三维规划分解为二维平面规划和高度规划,最后再合成得到三维航迹,使规划空间得以简化,降低问题的复杂度;为实现在威胁区域对航迹的精细搜索,降低危险性,提出了一种根据与威胁的距离而动态调整搜索步长的策略;当无人机遇到突发威胁时,通过设置子目标点,帮助无人机快速修正航迹,实现航迹重规划。仿真试验结果验证了所提方法的有效性,无人机可以安全绕开突发威胁,实现三维规划,采用动态步长,航迹的受威胁程度降低。

基于人机合作的无人机实时航迹规划

针对复杂多变的战场环境,无人机(UAV)在执行任务遇到突发威胁时,提出了一种人机合作的实时航迹规划方法。由人决策和分析威胁信息,给出规避方向和任务紧急程度,无人机据此采用模糊推理的方法,自主解算得到引导点的位置,牵引无人机改变航向,规避突发威胁。仿真结果表明,采用人机合作的实时航迹规划可以将人的智能决策和无人机的快速计算能力有机结合起来,规划更加优化的航迹,能动态调整引导点的位置,可根据任务的紧急程度灵活选择规避路径。

基于遗传算法的无人机航迹规划代价函数

针对当前使用的无人机航迹规划代价函数的不足之处,提出一种利用遗传算法对无人机航迹规划代价函数进行优化的方法。对基本遗传算法进行了局部改进,设计了航迹极坐标编码方式及航迹适应度函数,在采用基本遗传操作算子的基础上采取精英保存策略,提高了算法的效率;采用代价归一化并进行优化的思想,得到优化之后的代价函数权重值。优化结果表明,该方法可以获得代价更低的航迹。

基于改进型Voronoi图的无人机航迹规划研究

常规Voronoi图只能用于等威胁体的航迹规划,对实际战场环境有较大的局限性。提出一种基于Delaunay三角网的改进型Voronoi图,并将其用于不同威胁体的航迹规划。主要讨论了改进型Voronoi图的构造步骤以及起始航迹和终止航迹的确定方法,最终在VC++6.0开发环境下完成了基于改进型Voronoi图的航迹规划。结果显示,规划出的航迹能有效避开雷达等威胁,表明了改进型Voronoi图在基于不同威胁体的航迹规划中的可行性。

基于改进蚁群算法的无人机航迹规划

针对无人机在指定地点执行侦察、巡逻或攻击等任务,将无人机执行任务的航迹代价模型转化为旅行商问题,采用改进蚁群算法实现航迹规划。通过引入去交叉禁忌搜索策略,对基本蚁群算法进行改进,以解决在收敛后期易陷入局部最优的问题。同时,利用数值仿真对所研究的基于改进蚁群算法的无人机航迹规划算法进行验证。仿真结果表明,该算法能提高了无人机航迹优化能力。

基于新的几何算法的多无人机多威胁航迹规划

针对多无人机超低空突防的航迹规划问题,在分析约束条件和假设下简化为水平航迹平面规划。通过证明几何最短路径定理,研究单威胁情况下考虑最小转弯半径和攻击方位角限制下的最短航迹并计算导航点。其次讨论了突发威胁情况的航迹规避与调整,考虑多威胁圆重叠情况下的导航点坐标的推导,提出了一种新的多威胁规避最短切线逆推航迹规划几何算法,最后仿真验证该算法用于求解多威胁圆航迹规划问题的合理性和有效性。

基于云模型蜂群算法的无人机航迹规划

针对无人机(UAV)在复杂战场环境下的生存问题,提出了一种基于云模型的人工蜂群算法的航迹规划。在算法中引入一维正态云模型,利用云模型随机性和稳定性的特点来提高传统人工蜂群算法(ABC)的鲁棒性并避免陷入局部最优,同时引入一个新的概率选择策略来保证种群的多样性。采用改进算法来处理UAV的航迹规划问题时,首先将航迹规划问题通过建模转换成一个多维函数优化问题,然后结合云模型和ABC算法的优势,最后用UAV航迹规划任务对新算法进行测试。仿真实验验证了改进算法在解决UAV航迹规划上的可行性和优越性。

无人机航迹规划算法综述

随着无人机技术的发展,飞行器自主飞行是无人机发展的主要趋势,无人机航迹规划问题日益受到重视。对航迹规划问题进行分类,将无人机航迹规划问题分为二维和三维环境进行深入分析。将现有航迹规划算法按照传统经典算法,如人工势场法和A^(*)算法等,和现代智能算法,如遗传算法、蚁群算法、粒子群算法等进行分类,并且详细介绍了各改进算法的优劣性和应用。归纳了目前新兴的航迹规划算法,分析了目前航迹规划所面临的问题。

高空飞艇航迹规划的多种随机搜索算法

针对高空飞艇的航迹规划问题进行了分析和计算。考虑到高空飞艇的飞行特征,首先对其航迹规划问题进行了适当简化,转变为求解巡回旅行商问题(TSP),并给出相应的数学描述;然后在此基础上介绍遗传算法、蚁群算法和模拟退火算法,并运用这三种随机搜索算法求解高空飞艇最优航迹;最后通过仿真算例简要地分析和比较了各个随机搜索算法的性能。仿真结果表明以上三种随机搜索算法对于解决规模较大的高空飞艇航迹规划问题是行之有效的,求解效率高于传统搜索算法。

基于地形数据插值技术的无人机航迹规划研究

文中采用多种插值方法模拟真实的地形环境,将传统的PSO算法改进为适用于山区等复杂区域的SPSO算法并求解航迹.与未改进的PSO算法相比,航迹长度变化率减少了85.68%,计算时间减少了59.65%,规划出的航迹更符合实际需求.