期刊文献+
共找到6篇文章
< 1 >
每页显示 20 50 100
基于多Agent深度强化学习的无人机协作规划方法
1
作者 王娜 马利民 +1 位作者 姜云春 宗成国 《计算机应用与软件》 北大核心 2024年第9期83-89,96,共8页
人机协作控制是多无人机任务规划的重要方式。考虑多无人机任务环境协同解释和策略控制一致性需求,提出基于多Agent深度强化学习的无人机协作规划方法。依据任务知识和行为状态,构建基于任务分配Agent的任务规划器,生成人机交互的相互... 人机协作控制是多无人机任务规划的重要方式。考虑多无人机任务环境协同解释和策略控制一致性需求,提出基于多Agent深度强化学习的无人机协作规划方法。依据任务知识和行为状态,构建基于任务分配Agent的任务规划器,生成人机交互的相互依赖关系;设计一种深度学习强化方法,解决群体行为最优策略和协同控制方法,并利用混合主动行为选择机制评估学习策略。实验结果表明:作为人机交互实例,所提方法通过深度强化学习使群体全局联合动作表现较好,学习速度和稳定性均能优于确定性策略梯度方法。同时,在跟随、自主和混合主动3种模式比较下,可以较好地控制无人机飞行路径和任务,为无人机集群任务执行提供了智能决策依据。 展开更多
关键词 多Agent规划 深度强化学习 无人机协同规划 混合主动行为
下载PDF
面向多目标联合电力巡检的车载无人机协同巡检路径规划方法 被引量:1
2
作者 梁华尘 周稳 +3 位作者 倪旭东 胡康生 王倩倩 周智博 《南方电网技术》 CSCD 北大核心 2023年第11期138-147,共10页
为了应对“碳达峰碳中和”新形势下日益严峻的输电线路电力巡检任务,以及针对现有对多目标联合电力巡检研究的不足和实际场景下无人机可悬停等待这一情形缺乏考虑等情况。在考虑电力杆塔和电力线路多目标联合电力巡检的基础上,提出了基... 为了应对“碳达峰碳中和”新形势下日益严峻的输电线路电力巡检任务,以及针对现有对多目标联合电力巡检研究的不足和实际场景下无人机可悬停等待这一情形缺乏考虑等情况。在考虑电力杆塔和电力线路多目标联合电力巡检的基础上,提出了基于“图论”理论的车载无人机协同巡检路径规划方法。首先,考虑到电力巡检中无人机弧路由和巡检车节点路由相关特点,结合改进中国邮递员问题,设计了基于离散杆塔分割弧算法,以快速求得较优的协同巡检路径初步规划方案,并对比分析了不同场景下不同策略和自然灾害条件下对结果造成的影响。其次,考虑到初步规划方案并非全局最优解,设计了一种符合该研究的模拟退火算法,对初始规划方案进一步优化。最后通过算例验证了路径规划方法的有效性和实用性。 展开更多
关键词 多目标 多场景 电力巡检 车载无人机协同路径规划 改进中国邮递员问题 模拟退火算法
下载PDF
多无人机协同规划的数学建模 被引量:1
3
作者 郭展宏 周佺 沈晔星 《数学的实践与认识》 北大核心 2017年第14期63-72,共10页
针对第十三届全国研究生数学建模竞赛A题的多无人机协同规划问题展开研究.首先建立大路径和小路径的最短路径模型完成对十个目标群的扫描任务,其在雷达范围内航行总时间为10.37小时.然后建立实时自适应无人机作战模型针对未知远程雷达... 针对第十三届全国研究生数学建模竞赛A题的多无人机协同规划问题展开研究.首先建立大路径和小路径的最短路径模型完成对十个目标群的扫描任务,其在雷达范围内航行总时间为10.37小时.然后建立实时自适应无人机作战模型针对未知远程雷达在不同情况下制定三级无人机作战策略,仿真结果显示:攻击方无人机滞留防御方雷达有效探测范围内的时间总和为8.81h. 展开更多
关键词 无人机协同规划 最短路径 实时自适应 数学建模
原文传递
基于人工蜂群算法的无人机协同路径规划 被引量:11
4
作者 夏瑞 赵磊 +1 位作者 吴书宇 李军 《无线互联科技》 2018年第13期13-21,共9页
文章提出一种基于人工蜂群算法的非确定性双向规划机制搜索算法。首先针对不同场景,采用两种方法进行环境建模;其次,结合非确定性搜索机制引入双向规划方法,对人工蜂群算法中食物的产生方式做出改进,优化下一个节点的产生结果,再提出一... 文章提出一种基于人工蜂群算法的非确定性双向规划机制搜索算法。首先针对不同场景,采用两种方法进行环境建模;其次,结合非确定性搜索机制引入双向规划方法,对人工蜂群算法中食物的产生方式做出改进,优化下一个节点的产生结果,再提出一种新的方法对已产生路径进行优化;最后研究了多无人机协同路径规划的两种模型:不同的起点起飞,同时到达同一终点,或按照指定顺序和时间间隔依次到达同一终点,并给出若干实验仿真。仿真结果显示,算法简单快速,能满足无人机执行不同任务的需要,易于工程实现。 展开更多
关键词 人工蜂群算法 无人机协同路径规划 双向规划 非确定性规划
下载PDF
基于反向学习的自适应α约束病毒种群搜索算法 被引量:2
5
作者 李牧东 赵辉 +3 位作者 吴利荣 陈超 李建勋 韩博 《四川大学学报(工程科学版)》 CSCD 北大核心 2017年第3期144-152,共9页
为了提高该算法求解约束优化问题的能力,提出一种新的约束病毒种群搜索算法。首先,提出自适应α-level比较策略,以在算法的不同阶段充分利用可行个体与不可行个体的有效信息;其次,为了进一步提高算法求解约束优化问题的收敛速度和搜索精... 为了提高该算法求解约束优化问题的能力,提出一种新的约束病毒种群搜索算法。首先,提出自适应α-level比较策略,以在算法的不同阶段充分利用可行个体与不可行个体的有效信息;其次,为了进一步提高算法求解约束优化问题的收敛速度和搜索精度,针对算法的病毒扩散行为,提出了结合反向学习机制的搜索方程,以提高种群多样性并加速全局收敛。对CEC2006中13个约束优化函数的对比仿真结果表明,本文算法在搜索精度、收敛速度以及稳定性方面,相比于αSimplex算法、粒子群遗传算法算法、交叉人工蜂群算法算法以及约束改进差分进化算法算法具有明显优势。同时将该算法应用于无人机协同实时航迹规划约束优化问题中,通过仿真实验并与利用约束改进差分进化算法对这一问题进行求解的方法进行对比,验证了本文算法在规划效率、规避威胁等方面的优越性。 展开更多
关键词 病毒种群搜索算法 约束优化 自适应α-level比较策略 反向学习 无人机协同航迹规划
下载PDF
Dynamic collision avoidance for cooperative fixed-wing UAV swarm based on normalized artificial potential field optimization 被引量:5
6
作者 LIU Wei-heng ZHENG Xin DENG Zhi-hong 《Journal of Central South University》 SCIE EI CAS CSCD 2021年第10期3159-3172,共14页
Cooperative path planning is an important area in fixed-wing UAV swarm.However,avoiding multiple timevarying obstacles and avoiding local optimum are two challenges for existing approaches in a dynamic environment.Fir... Cooperative path planning is an important area in fixed-wing UAV swarm.However,avoiding multiple timevarying obstacles and avoiding local optimum are two challenges for existing approaches in a dynamic environment.Firstly,a normalized artificial potential field optimization is proposed by reconstructing a novel function with anisotropy in each dimension,which can make the flight speed of a fixed UAV swarm independent of the repulsive/attractive gain coefficient and avoid trapping into local optimization and local oscillation.Then,taking into account minimum velocity and turning angular velocity of fixed-wing UAV swarm,a strategy of decomposing target vector to avoid moving obstacles and pop-up threats is proposed.Finally,several simulations are carried out to illustrate superiority and effectiveness. 展开更多
关键词 fixed-wing UAV swarm cooperative path planning normalized artificial potential field dynamic obstacle avoidance local optimization
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部