基于IKGC-PSO算法的无人机三维路径规划系统

为了解决标准粒子群算法在无人机三维路径规划中存在的易陷入局部最优、动态化不足和路径平滑性差等问题,提出了一种基于粒子群算法和遗传算法的,融入K均值精英化和柯西变异的优化算法;采用K均值聚类算法进行精英初始化,优化粒子种群的分布;动态化学习因子,强化惯性权重的全局性,保留粒子群算法收敛速度快的优点;融入遗传思想,采用柯西变异的方法,提高寻解最优解的能力;在对比实验中,模拟了实际的复杂三维环境,选取了路径总长度、飞行高度差以及马尔科夫生存状态组成目标函数;结果表明改进算法的鲁棒性提高了98%,求解质量相较于IG-PSO算法和IC-PSO算法分别提高了5.8%和10.6%,验证了优化后方法的有效性和鲁棒性。

基于MPC-SSA的动态无人机航路规划

元启发式算法在动态航路规划问题中具有非常广泛的应用。本文针对具有复杂地理环境同时还具有雷达、武器等威胁环境下的无人机航路规划问题,提出一种将模型预测控制(MPC)与元启发算法中的社群蜘蛛算法(SSA)相结合的动态无人机航路规划方案。常用的动态航路规划问题所采用的算法例如粒子群算法(PSO)具有容易陷入局部最优的问题,利用MPC方法可以有效避免陷入局部最优,同时SSA算法可以找到更优秀的航路。本文结合马尔科夫生存状态模型对复杂场景下的无人机航路规划问题进行建模与仿真分析,结果表明MPC-SSA算法相比于PSO算法更稳定,无人机在飞行过程中具有更高的生存概率。