基于有限忍耐度鸽群优化的无人机近距空战机动决策

由于对抗双方态势的快速变化,无人机近距空战机动自主决策困难且复杂,是空中对抗的一个难点。对此,提出一种基于有限忍耐度鸽群优化(FTPIO)算法的无人机近距空战机动决策方法。该方法主要包括基于机动动作库的对手行动预测和基于FTPIO算法的机动控制量和执行时间优化求解两个部分。为提升基本鸽群优化(PIO)算法的全局探索能力,引入有限忍耐度策略,在鸽子个体几次迭代中没有找到更优解时对其属性进行一次重置,避免陷入局部最优陷阱。该方法采用的优化变量是无人机运动模型控制变量的增量,打破了机动库的限制。通过和极小极大方法、基本PIO算法和粒子群优化(PSO)算法的仿真对抗测试结果表明,所提出的机动决策方法能够在近距空战中有效击败对手,产生更为灵活的欺骗性机动行为。

基于拍卖鸽群优化算法的多无人机追踪分布式任务分配

无人机技术已经广泛应用于各种研究领域,任务分配是多无人机协同的关键技术之一,对多无人机任务完成质量的影响极大,针对多个目标追踪场景下的多无人机任务分配问题,提出了一种基于拍卖鸽群优化(auction-PIO)算法的分布式分配方法.首先采用追踪总距离、分配均衡性、任务完成时间3个性能指标,结合追踪任务约束条件,建立了分布式多指标0/1整数规划模型.然后以拍卖策略作为分布式优化框架,无人机作为拍卖者对地面目标进行竞拍出价,通过多轮竞拍确定任务分配方案.为提高拍卖分配的最优性,增强了各无人机间的共享信息量,进而使无人机可对所有目标进行竞拍出价,并引入PIO算法更新各无人机的竞拍价格,将鸽子位置编码为无人机对各地面目标的竞拍增价,利用地图指南针算子和地标算子迭代更新种群位置,实现对无人机竞拍价格的优化更新.在此基础上,设计基于目标优先级的解算策略,用于将竞价矩阵和距离矩阵解算为任务分配方案,并进行了算法的计算复杂度分析.最后对所提拍卖鸽群优化算法分别进行了数值仿真、Gazebo虚拟仿真和实机户外飞行实验,结果表明:所提算法拥有良好的任务分配性能,不但在数值仿真对比中,优化性能比经典拍卖算法提高了12.16%,而且虚拟仿真和户外实验也说明算法能够满足实用性要求.

基于鸽群优化改进动态窗的多无人车协同编队避障控制

在复杂未知的战场环境中,无人车集群较单台无人车可承担更为复杂的任务,无人车集群协同编队避障行驶是群体智能领域研究热点之一.针对未知环境下无人车集群在规避障碍物时容易出现动态位置与预期队形偏差较大问题,本文提出了一种基于改进动态窗的无人车编队协同避障控制方法,在基本动态窗路径评价函数的方位角评价因子、障碍物评价因子、速度评价因子基础上,增加了无人车编队的方向协同因子和队形保持因子.同时,基于变权重鸽群优化算法对改进动态窗的路径评价函数各系数进行优化.当无人车集群感知到障碍物时,通过改进动态窗算法进行相对位置及速度的自适应协同调整,更好地保证无人车编队避障行驶过程中队形位置的精确性.最后,以3台无人车构成三角形编队避障行驶为例进行仿真验证.仿真结果表明基于改进动态窗和变权重鸽群优化算法的无人车编队在规避障碍物时,队形位置偏差相对较小.可见,本文提出的改进算法能够使得无人车集群在规避障碍物过程中提高动态编队的稳定性和精确性.

基于无监督学习离散鸽群优化的多无人机侦察任务分配

多无人机集群协同规划是无人机自主控制领域的前沿热点之一。提出了一种基于无监督学习离散鸽群优化的多机侦察任务分配方法。通过Dubins路径建立无人机模型,给出了简化的传感器模型和侦察目标的模型,并建立了无人机集群任务分配的模型和性能指标函数。采用无监督学习方法对侦察目标进行柔性分组,利用改进离散鸽群优化策略对该任务分配模型进行了求解,以有效解决无人机机间任务负载不平衡问题,可提高无人机集群侦察的效率。通过仿真对比实验和三维态势视景仿真平台综合实验,验证了所提出方法的可行性和有效性。

针对运动目标的多无人机协同鸽群优化搜索方法

针对多无人机协同运动目标搜索问题,本文设计了改进鸽群优化算法的协同搜索决策.首先,基于运动目标的独立性,建立了服从正态分布的目标概率信息图模型;为了提高环境中目标存在的确定度,建立了搜索环境的确定度信息图.其次,通过建立的吸引和排斥数字信息素图,引导无人机向未搜索区域飞行,减少重复搜索概率,提高协同目标搜索效率,并基于传统的鸽群算法,通过加入速度更新修正机制和精英代机制对其进行改进.然后,结合环境中目标的存在概率信息以及无人机搜索目标的探测信息,使用改进鸽群优化算法,规划无人机的最优搜索飞行路径.并设计避碰机制,以有效防止无人机搜索过程中的碰撞.最后,通过比较仿真实验验证了改进鸽群优化算法对运动目标协同搜索的有效性.

基于扩张鸽群优化的舰载无人机横侧向着舰自主控制

舰载无人机着舰会受到舰尾流、航母甲板运动的干扰。为加快无人机在着舰时横侧向响应以及提高舰载机着舰对干扰的鲁棒性,本文提出了一种基于扩张鸽群优化算法的显式模型预测控制方法,并将其应用于舰载机姿态控制器设计,用于解决所设计控制器的参数优化问题。与基本鸽群优化算法、粒子群算法的仿真对比实验表明,相比传统智能优化算法,本文所提出的扩张鸽群优化算法收敛更快,普适性和稳定性也更强,采用显式模型预测控制的舰载无人机着舰系统相比比例-积分-微分控制下的系统响应更快,鲁棒性更强。

鸽群优化算法研究进展

仿生智能优化一直是智能计算领域的一个热门研究领域,在生命科学、系统科学、控制科学、计算机科学、管理科学和社会科学等学科均已得到了广泛应用.鸽群优化(pigeon-inspired optimization,PIO)算法是近年来才出现的一种群体智能优化算法,它是受自然界中鸽群自主归巢行为的启发而提出的.因此,对自然界中的鸽群机制和鸽群优化算法基本原理进行了阐述,介绍了鸽群优化模型,并对其在无人机(unmanned aerial vehicle,UAV)编队、控制参数优化、图像处理等领域的典型应用进行了评述,最后展望了未来的发展方向.

采用威胁启发鸽群优化的武装直升机航路规划

针对复杂地形和威胁环境下武装直升机对地攻击航路规划问题,对鸽群优化进行了改进,提出了融入威胁启发机制的改进鸽群优化。充分利用作战区域中已知的威胁信息,将其作为启发信息反馈到鸽群中指导信鸽飞行,增强个体在搜索过程中的方向性。此外,采用航路点允许列表构成鸽群优化的寻优空间,缩小搜索空间,并保证了生成航路的可行性。仿真结果表明,所提出的方法能够有效地规划出直升机的最优航路,且规划航路具备避开地形障碍和敌方威胁的能力。

引入迷失探索与集群分裂机制的改进鸽群优化算法

鸽群优化算法(pigeon-inspired optimization,PIO)作为一种新兴的优化技术,具有收敛速度快、精度高等优点,但其对于一些具有局部最优值的问题的求解效果并不理想.将自然界中鸽群飞行时的迷失探索和集群分裂机制引入原始鸽群优化算法,提出了一种迷失探索与集群分裂鸽群优化算法(lost and split pigeon-inspired optimization,LSPIO),迷失探索机制的引入加强了算法的全局搜索性能,而集群分裂机制增加了种群多样性.选取9个标准测试函数进行算法性能评估,并与标准鸽群算法和粒子群算法进行对比.结果表明,LSPIO算法在保持良好收敛性质的同时可以有效地避免早熟问题,且提高了种群多样性.

基于鸽群优化算法的图像分割方法研究

图像分割是一类需要在非线性参数空间中寻求最优解的有约束非线性优化问题.为提高此类优化问题的寻优精度,提出了一种基于鸽群优化算法的图像分割方法.首先以分割阈值为优化变量,将图像分割建模为以最大间类方差为优化目标,以像素概率分布有限为约束条件的非线性优化问题;随后,以随机的分割阈值作为迭代初值,采用鸽群优化算法(PIO)求解最优参数;最后,利用所得最优解作为最佳阈值实现图像分割.为验证方法的有效性,分别对具有两类不同特征的图片进行分割实验,并采用重叠度及时间效率对算法进行评估,进一步与PSO、KSW智能优化算法对比.结果表明,该算法重叠度最高,运算时间最短.并且对算法中的参数进行修改,将图像分割结果进一步优化.

基于改进鸽群优化的直升机协同目标分配

针对多直升机协同目标分配问题,建立了基于敌我相对态势的对地打击多目标的分配模型。引入多Agent系统机制,加快了有益信息在系统中的流动;并借助雁群成员在飞行中借鉴雁群整体经验的操作,来修正鸽群算法中地标算子的寻优方向,进而提出了基于多Agent的改进鸽群优化的问题求解策略。最后,以典型的直升机对地作战目标分配问题为背景,仿真验证了模型及其求解算法的合理性和有效性。

模糊变异算子的改进鸽群优化算法

针对鸽群优化算法易于早熟收敛、陷入局部最优的问题,提出了一种改进的鸽群优化算法。改进算法基于鸽群优化算法中地图和指南针算子与地标算子的位置更新公式,受差分进化算法的启发,引入模糊交叉变异算子,构建修改的个体位置更新公式来增强算法的搜索能力。与其他3种算法在19个测试函数上进行比较,比较结果表明:改进算法在测试函数上寻优率从47.4%提高到94.7%,在旅行商问题(TSP)上相对误差从1.63%下降到0.19%,优于其他3种对比算法。

基于鸽群优化改进的粒子滤波算法

针对粒子滤波算法重采样导致的样本贫化问题,提出基于鸽群优化(PIO)思想改进的粒子滤波算法。将鸽群不断从较远位置飞向适应度值高的地方的归巢过程引入到粒子滤波中,驱使粒子不断向高似然区域移动,并将自适应交叉操作加入到鸽群优化过程当中,保障样本多样性。通过非线性模型仿真实验表明,所提算法相对于标准粒子滤波算法,精度提高了45%,稳定性提高了72%,同时降低了状态估计所需的粒子数量。

面向大规模农业传感器网络的多目标鸽群优化定位算法

针对单目标优化函数的农业传感器网络定位精度不高问题,基于多目标鸽群优化算法,提出了多目标鸽群定位算法,用于求解传感器网络的多目标优化定位问题.多目标优化函数由空间距离函数与几何拓扑函数构成,通过多目标鸽群优化算法得到其优化解.仿真实验表明,该方法具有良好的鲁棒性,极大地提高了传感器节点的定位精度.

基于指数平均动量鸽群优化的多无人机协同目标防御

针对多无人机(UAV)协同目标防御问题,提出了一种基于指数平均动量鸽群优化(EM-PIO)算法。针对三维空间中的多无人机协同目标防御系统进行建模,得到了无人机支配区域的曲面约束方程,并获得了双方无人机的最优控制输入量。采用多级罚函数法构造了优化算法的目标函数,并通过所提出的EM-PIO算法来求解最优目标点。将所提EM-PIO算法与遗传算法(GA)和粒子群优化(PSO)算法进行仿真对比实验,验证了所提EM-PIO算法更加有效解决多无人机协同目标防御问题。

基于鸽群优化算法的支持向量机在电力需求总量预测中的应用

电力需求总量的科学预测是经济转型阶段电力系统规划与运行的重要依据。引入融合分段二次Lagrange插值函数的新型灰色关联理论,从经济发展、产业结构、用电环境以及居民生活4个方面分析社会经济新常态指标与电力需求总量之间的相关程度,筛选出影响电力需求增长率波动的关键因素;进而以电力需求总量及相关因素为训练数据集,利用融合莱维飞行特征的改进鸽群优化算法对支持向量机的参数进行优化,建立具有最佳参数、强泛化能力的电力需求总量预测模型。基于我国某电网区域电力需求历史实测数据的算例结果表明,所建模型具有更好的优化效率和预测精度。

基于自适应学习策略的改进鸽群优化算法

鸽群优化(PIO)算法已广泛用于无人机编队和控制参数优化等领域,但标准PIO算法容易陷入局部最优。提出了一种基于自适应学习策略的改进鸽群优化(ALPIO)算法。该算法引入了基于容差的搜索方向调整策略、基于自学习的候选者生成策略以及基于竞争学习的预测策略,通过增强种群的多样性,可提高算法全局最优概率,其已在8个基准函数上进行测试。仿真试验结果表明:所提算法在多峰函数优化问题中的收敛精度和收敛速度有了显著提升,并且能够更有效避免陷入局部最优解。

基于鸽群优化算法的含分布式电源配电网状态估计

随着配电网中分布式电源比例不断增加,对配电网的运行管理模式提出了更高的要求,为了能够保证配电网运行的可靠性和经济性,针对含分布式电源配电网的特点,基于鸽群优化算法,提出这类配电网的状态估计方法。以配电网中分布式电源和负荷的有功功率为状态变量,以状态变量与量测量差值的平方和最小作为目标函数,以潮流方程作为等式约束,以状态变量上下限值作为不等式约束,构建了含分布式电源配电网状态估计优化模型。采用鸽群优化算法和遗传算法分别求解了所构优化模型的最优解,算例表明,依据磁场、太阳和地标模拟鸽群自主归巢行为的鸽群优化算法,能获得比遗传算法估计精度更高的状态估计结果,可为含分布式电源配电网状态估计提供一个新途径。

基于自适应变异的多目标鸽群优化的无人机目标搜索

无人机在搜索任务中起着关键的作用,它能够在复杂环境中寻找到目标.无人机搜索问题是一个相对复杂的多约束条件下的多目标优化问题.大多数搜索算法不能满足搜索过程中高效率和低功耗的要求.本文所采用的目标搜索方法是一种基于Agent路由和光传感器的解耦滚动时域方法.为了优化目标搜索方法的参数,本文提出一种基于Agent路由和光传感器的自适应变异多目标鸽群优化(AMMOPIO)算法.利用自适应飞行机制可以获得较好的鸽群分布,种群具有多样性和收敛性.利用变异机制简化了鸽群优化算法中的模型,提高了搜索效率.实验仿真结果验证了所提出的AMMOPIO算法在目标搜索问题中的可行性和有效性.

基于鸽群优化算法的实时避障算法

为保证机器人能安全无碰撞地抵达目标位置,提出一种在改进版圆形扩张(CSE+)法中融合鸽群优化算法的实时避障算法。所提算法引入对障碍物密集程度的判断机制,在障碍分布密集时选择最安全的路径,在障碍物分布稀松的环境中,利用鸽群优化算法在安全范围内寻找下一目标最优位置。此外,还引入了搜索树,可实现死角的检测与避免。仿真结果显示:所提避障算法能提高路径规划的性能,在障碍物分布稀松时效果更加明显,且可实现死角检测并能通过狭长通道。