基于Q学习算术优化算法的无人机三维航迹规划

针对传统方法求解无人机三维航迹规划易导致规划代价高、精度差和容易陷入局部最优的不足,提出基于Q学习算术优化算法的无人机三维航迹规划算法。为了提升算术优化算法的寻优精度,引入Circle混沌映射提高初始种群多样性和分布均匀性,引入Q学习根据个体状态自适应调整数学优化加速函数更新,均衡算法全局搜索与局部开发,设计最优解邻域扰动优化全局搜索能力。通过建立无人机三维航迹规划模型,将航迹规划转化为多目标函数优化问题,并利用改进算法求解无人机三维航迹规划,以综合考虑航迹代价、地形代价和边界代价的目标函数评估粒子适应度,对航迹规划迭代寻优。仿真实验结果表明,所提算法规划的航迹具有更低的总代价和适应不同复杂地形环境的稳定性。

基于混合蚁群算法的无人机航迹规划

由于传统方法在无人机航迹规划实际应用中规划的航迹长度较长,文章提出基于混合蚁群算法的无人机航迹规划。由山峰模型和天气模型组建无人机航迹环境数学模型,描述无人机飞行航迹环境情况,以无人机航迹代价最小建立目标函数,并对无人机航迹长度、高度、速度、转弯角度进行约束,采用混合蚁群算法对目标函数求解,求出最优航迹规划策略。实验证明,文章设计方法规划的航迹长度最短为1032.58 m,规划航迹长度较短,在无人机航迹规划方面具有良好的应用前景。

基于自适应蚁群算法的无人飞行器航迹规划

为求解无人飞行器航迹规划问题,提出自适应蚁群算法,区别于标准蚁群算法的全部搜索模式,该算法采用局部搜索模式。首先根据起始节点与目标节点的相对位置关系选择相应的搜索模式,然后计算各个待选节点的转移概率,最后按照轮盘赌规则选择下一个节点。仿真结果表明,自适应蚁群算法具有搜寻节点数少、速度快等优点,在降低了航迹代价的同时,减小了计算时间。此外,自适应蚁群算法可以避免奇异航迹段的出现,从而保证所获的航迹实际可飞,表明所提算法整体性能明显较标准蚁群算法优异。

粒子群算法在惯性/地磁组合导航航迹规划中的应用

高效的航迹规划是水下运载器隐蔽航行的关键技术之一。结合水下航行器的地磁导航环境特征约束因素,建立了航迹代价评估模型,采用最短路径算法在约束区域内按路径长度的次序递增、迭代,规划出一条粗选航迹。在此基础上,采用粒子群优化算法将时间信息作为搜索空间的粒子,改进惯性权重值和编码方式,对粗选航迹进行优化,实现全局最优。仿真结果表明,粒子群优化算法缩小了搜索范围,提高了搜索效率,收敛更快,将适应度由49.211提高至43.304,所需代价更小,且所获取的航迹可以有效规避非适配区,保证了全局最优、局部最优。

基于改进遗传算法的UAV航迹规划

针对实际作战环境中的UAV航迹规划,提出一种基于改进遗传算法的UAV航迹规划方法;通过骨架化算法生成规划搜索空间,对规划搜索空间中的信息进行提取,求解出规划搜索空间中航迹点的杀伤概率;根据规划搜索空间中的信息,采用特殊的基因编码方式,使用遗传算法为UAV找到K条备选航迹,提高了航迹规划效率;根据设定的航迹选取原则,求出最优航迹并对其按不同步长进行平滑处理,最终得到满足UAV机动性要求的可飞航迹。

强生存条件下的飞行器变权重航迹规划研究

在防空系统日益完善的信息化战场,利用常权代价函数进行航迹规划所得的可飞航迹已经逐渐不能满足飞行器的强生存力要求。运用变权综合理论改进了传统的常权代价函数,在仿真中结合微分进化算法,给出了常权航迹规划和变权航迹规划的结果并进行了分析,得出基于变权理论的航迹规划可以改善飞行航迹的生存力,提高飞行器战场生存性能的结论,仿真结果也表明该方法的可行性。

高速无人飞行器航迹规划算法与仿真

文章根据遍布威胁的战场环境,构造了基于威胁源的Voronoi图,得到规避威胁的航迹路线;综合各种威胁的强度信息,计算出每条航迹路线的代价;最后采用Dijkstra算法,搜索出最优航迹路线,并运用C#编制图形化界面,实现了仿真结果的图形显示。

飞行器航迹规划的多目标优化方法

飞行器航迹规划问题通常需要满足多个优化目标,建立合适的航迹性能指标是解决问题的关键。针对基于Voronoi图的航迹规划方法,研究了航迹规划性能指标的多目标综合优化问题。首先,分析了目前广泛采用的多目标优化性能指标的不足及合理建立指标的困难:在现有的性能标中,因为各优化目标的物理意义不同,且同一优化目标会受到任务、飞行环境等的影响,本身的代价值变化也很大,这使得在不同情况下,不同优化目标代价值在相对重要性方面缺乏可比性;如何直观反映决策者对各个目标趋优满意程度的主观意愿,是合理建立性能指标的关键和难点。针对这一问题,对性能指标中的子目标函数进行模糊隶属化,对多目标综合采用模糊优化策略,改进了现有指标存在的不足,解决了航迹规划多目标综合优化的困难。结合实际算例,验证了提出的新性能指标的正确性及方法的合理性。

基于循环寻优RRT算法的无人机航迹规划

针对快速扩展随机树(RRT)算法在无人机在线自主航迹规划中的寻优性问题,提出基于循环寻优RRT算法。将航迹长度代价约束作为启发条件引入RRT算法,可以有效地剪除搜索空间的无用节点,获得较优航迹。通过引入已规划可行航迹的航迹长度代价约束作为下一次算法运行的启发条件,采用循环迭代策略有效地剪除搜索空间的无用节点,使得算法每次运行后的航迹长度代价减小,多次运行后最终得到的航迹接近最优航迹,充分利用航迹长度代价的启发性,克服了RRT算法的缺点,同时获得了一系列不同航迹代价的可行备选航迹,在协同任务中可以根据协同到达时间进行快速选择。仿真结果表明该算法能够快速生成安全并且满足无人机动力学约束的较优航迹。

基于互利共生与变异的GOA及UAV路径规划应用

针对标准蝗虫优化算法(GOA)搜索精度低、容易得到局部最优解和稳定性差的不足,提出一种基于互利共生与混合变异策略的改进GOA。首先,引入一种针对收敛因子的非线性重构方法,均匀算法全局搜索与局部开发,设计一种基于高斯-柯西分布的个体混合变异机制,有效避免局部最优解;再引入一种互利共生策略,增强个体多样性,提升算法全局寻优能力;然后,建立了UAV路径规划的代价模型,并将路径规划转化为多维函数优化问题,利用改进GOA求解路径规划问题,以综合考虑威胁代价和能耗代价的目标函数评估个体位置的适应度,迭代求解最优路径,并引入B样条曲线对最终散点串连路径作平滑处理。实验结果表明,改进算法具有更高的搜索精度,求解路径可以成功规避所有威胁区域,对车联网(IOV)中的路径规划问题具有较好的参考意义。

基于A~＊定长搜索算法的多无人机协同航迹规划

基于多无人机同时作业情况下的航迹规划问题,提出了一种A*定长航迹搜索算法。该算法通过选择代价值最接近给定值的节点作为最佳节点,得到定长规划航迹,接着进一步通过限定最佳节点的选择范围,改善了航迹的可飞性。仿真结果表明,利用该算法规划的定长航迹长度误差可以控制在1.4%以内,协同航迹长度误差可以控制在0.8%以内,能够满足多无人机同时到达的一般要求。