Optimal search path planning of UUV in battlefeld ambush scene

Aiming at the practical application of Unmanned Underwater Vehicle(UUV)in underwater combat,this paper proposes a battlefield ambush scene with UUV considering ocean current.Firstly,by establishing these mathematical models of ocean current environment,target movement,and sonar detection,the probability calculation methods of single UUV searching target and multiple UUV cooperatively searching target are given respectively.Then,based on the Hybrid Quantum-behaved Particle Swarm Optimization(HQPSO)algorithm,the path with the highest target search probability is found.Finally,through simulation calculations,the influence of different UUV parameters and target parameters on the target search probability is analyzed,and the minimum number of UUVs that need to be deployed to complete the ambush task is demonstrated,and the optimal search path scheme is obtained.The method proposed in this paper provides a theoretical basis for the practical application of UUV in the future combat.

采摘机器人的路径规划系统动态性优化研究

为进一步改善采摘机器人的工作性能,提出以动态调控为主导的理念,针对整机的路径规划系统展开优化研究。以当前果园采摘机器人的通用性结构组成为前提,将云平台数据处理与路径规划核心算法有效融合后搭建动态控制模型,分别针对路径规划系统的硬件配置与软件控制进行合理设计,得到可应用于采摘实践且布局完整的路径规划系统。展开动态性优化下的采摘作业试验,结果表明:优化后采摘机器人路径规划系统的整体路径搜索率与路径平滑性得到明显提升,相对提升度分别为10.93%和9.71%,路径偏离率相对降低了50%左右,很好地优化了机器人的避障能力,满足系统稳定性需求,具有较高的实用价值。

公交辅助无人机的城市物流配送模式研究

电子商务迅猛发展倒逼物流行业不断转型升级,针对各地政府鼓励公共交通发展,倡导绿色低碳的物流配送方式,研究了一种公交辅助无人机的配送模式。对问题做出说明后,构建了以配送成本最小的数学模型,并设计了智能通用变邻域搜索算法对问题求解,同时为提高算法求解效率,引入K-means分簇与贪婪算法生成初始解。针对不同规模算例,进行多种局部搜索策略、多种算法对比实验,验证了算法有效性;选取标准CVRP算例,将单卡车配送、卡车无人机协同配送与公交辅助无人机配送模式进行对比,证明其成本、时间优势;选取北京快速公交2号线及周边客户点,通过改变公交站点间距、发车间隔做出敏感度分析,实验结果证明增大站点间距的影响大于发车间隔的改变。

非冷链商品配送路径优化研究--以京东配送为例

如何有效降低商品配送成本是物流企业的关注重点,学界已就带时间窗的商品配送路径优化算法展开了相关研究,但相关算法还存在着过早陷入局部最优或无法收敛的问题。由此提出一种改进的变邻域遗传搜索算法(VNS-GA),以非冷链商品配送为研究对象,构造起求解物流配送车辆路径规划的数学模型。首先,以配送成本和缺货惩罚成本的最小化作为实现目标,构建了包括车辆使用成本、配送运输成本和时间窗口惩罚成本的配送路径优化模型;其次,运用变邻域遗传优化算法来实现多目标物流配送路径的优化;最后,以京东某北京配送中心的物流配送为例,运用MATLAB软件对VNS-GA算法模型的科学性及有效性进行仿真验证。经实证,VNS-GA算法与传统算法相比具有更好的全局和局部搜索能力。研究期望为配送车辆调度与配送路径规划提供更优的路径选择模型,从而降低物流配送成本和减少便利店因缺货造成的损失。

一种基于改进的布谷鸟搜索算法的无人机三维航路规划算法

针对布谷鸟搜索算法收敛速度慢且易陷入局部最优等缺点,对标准布谷鸟搜索算法进行改进,提出一种改进的布谷鸟搜索算法。受其他群智能算法启发,在获取新鸟巢的过程中,通过轮盘赌选择某个鸟巢并在最优解附近进行搜索;以一定概率执行类似狼群算法奔向最优解的操作,较好地平衡了局部和全局搜索能力;最后在弃巢的过程中保留了最优解,提高了算法的搜索效率。四个标准测试函数及无人机三维航路规划的实验结果表明,改进布谷鸟搜索算法在求解精度和鲁棒性方面效果显著,航路规划用时少且更优。

基于改进A^(*)算法的AGV全局路径规划

采用八邻域搜索策略的传统A^(*)算法对AGV(自动导引车)进行全局路径规划时,存在搜索邻域过多、实时性差和生成路径拐点多等问题,本研究采用三邻域与八邻域混合搜索策略对传统A^(*)算法的搜索策略进行改进,改进后的A^(*)算法在当前搜索点周围不存在障碍物时,选取指向终点的三个栅格作为搜索邻域,当搜索点周围出现障碍物,则转换为传统的八邻域搜索,并在完成搜索后,对搜索路径进行拉直处理,消除多余拐点,减少路径长度。仿真实验结果表明,改进A^(*)搜索算法能有效缩短搜索时间、减少路径拐点数量并缩短路径长度,提高AGV运行效率。

约束空间工业机器人姿态搜索及避障研究

为解决约束空间下机器人无碰撞目标姿态求解问题,提出一种机器人姿态快速搜索算法,并结合4种不同的路径规划算法实现工业机器人的多目标路径规划。首先,对机器人运动框架初步配置完成后,通过计算位姿矩阵得到了场景内物体坐标的动态相对关系,并在ROS中搭建规划场景;其次,提出一种基于模型和机器人逆解的机器人姿态快速搜索算法RFP,并在RoboDK中对其进行验证,验证结果表明该算法有效;最后,根据任务需求设计了路径规划流程并引入二次规划减少算法随机性的影响,提高规划成功率,应用了RRT等算法进行对比分析,仿真结果表明RRT-connect算法的规划速度与成功率高于其它算法,为样机的实现奠定了基础。

基于改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在移动机器人路径规划中存在搜索盲目性、收敛速度慢及路径转折点多等问题,提出了一种基于改进蚁群算法的移动机器人路径规划算法。首先,利用跳点搜索(Jump Point Search,JPS)算法不均匀分配初始信息素,降低蚁群前期盲目搜索的概率;然后,引入切比雪夫距离加权因子和转弯代价改进启发函数,提高算法的收敛速度、全局路径寻优能力和搜索路径的平滑程度;最后,提出一种新的信息素更新策略,引入自适应奖惩因子,自适应调整迭代前、后期的信息素奖惩因子,保证了算法全局最优收敛。实验仿真结果表明,在不同地图环境下,与现有文献结果对比,该算法可以有效地缩短路径搜索的迭代次数和最优路径长度,并提高路径的平滑程度。

复杂城市低空无人机安全风险评估与三维路径规划

针对复杂城市环境内低空无人机飞行安全与效率亟待提升的问题,提出了复杂城市低空无人机安全风险评估与三维路径规划方法。首先,设计了无人机越界冲突率、缓冲空域占比指标,建立了无人机地理围栏安全缓冲间距优化模型,对最佳缓冲间距和栅格粒度进行了标定;然后,构建了由人口密度层、遮蔽层和障碍层构成的无人机风险地图,建立了弹道下降和失控滑行两种模式下的无人机对地风险评估模型,生成了精细化、组合化的城市低空概率风险地图;最后,综合利用地理围栏、概率风险地图和跳点搜索算法,对无人机三维路径进行了初始规划和优化重构。结果表明:弹道下降模式的伤亡风险是失控滑行下降模式的5~75倍;与A*算法相比,跳点搜索算法有效减少了飞行路径的转弯数量,缩短了求解时长,更适合规划无人机飞行路径;与不采用风险地图的方法相比,基于风险地图的无人机路径规划减少了50%的较高风险节点,相应的路径长度仅增加了7.2%和11.4%,整体路径节点的伤亡风险明显降低。研究成果可为复杂城市低空无人机飞行计划制定及安全运行监管提供理论依据和方法支撑。

基于遗传算法的UUV应召搜潜路径规划

针对应召搜潜中的两种常见情况,即目标随机机动和已知目标概略航向,建立了目标位置分布模型。针对无人航行器(UUV)对潜应召搜索中目标运动状态难以准确描述的问题,基于隐马尔可夫模型(HMM)建立了目标运动模型,能够在已知目标起始概率分布、转移概率和探测结果时实时更新目标概率分布。针对传统搜索方法难以保证有限搜索时间内发现概率最大的问题,设计了一种基于改进遗传算法的UUV应召搜潜路径规划方法,在常规遗传算法基础上增加删除和增添等操作,保证搜索路径的连通性;设计保留精英基因操作,使算法快速收敛。通过与扩方搜索、巡逻线搜索、随机搜索等常用搜索方法的对比,验证了该方法的有效性。

基于探测概率的UUV搜潜路径规划

针对无人航行器(Unmanned UnderwaterVehicle,UUV)在潜搜索中目标运动状态难以准确描述、传统搜索方法难以保证有限搜索时间内发现概率最大的问题,本文提出一种基于探测概率的UUV搜潜路径规划方法。首先,将搜索区域栅格化,建立基于隐马尔科夫模型(HiddenMarkovModel,HMM)的目标运动模型,可实时更新目标的后验概率分布。然后,以探测概率为目标函数,采用改进的遗传算法对UUV搜索路径进行规划,使得在确定的搜索时间内对潜探测概率最大。在仿真实验中,通过与经典算例对比,验证了方法的正确性;通过与矩形搜索、随机搜索2种常用搜索方法的对比,验证了该方法的有效性。

基于ISSA和IA^(*)的AGV集成作业调度及其路径规划

针对单一算法在求解车间调度和路径问题时最优性和多样性方面的缺陷,提出了优化飞鼠搜索算法ISSA(improved squirrel search algorithm)和优化A^(*)算法并建立集成作业调度和AGV路径规划的双层模型。首先,采用贪婪策略融合飞鼠搜索算法建立考虑能耗的AGV集成作业调度上层模型;其次,将安全距离因子引入A^(*)算法,构建AGV路径规划下层模型,并通过梯度下降法进行路径平滑;进而,运用6个测试函数和kacem实例验证ISSA的寻优能力,结果表明ISSA的其收敛速度较快,运行效率较高,且不容易陷入局部最优;最后,基于栅格法建模进行对比仿真实验,IA^(*)比A^(*)算法拐点数量降低了22%,同时节约了21%的行驶时间,ISSA和IA^(*)均得到了良好的验证。结果表明,ISSA和IA^(*)能够更有效求解AGV集成作业调度及其路径规划问题。

基于融合A^(*)-蚁群优化算法的移动机器人全局优化

针对传统蚁群算法在室内移动机器人全局路径规划中,存在的搜索效率低下、路径不够平滑、易陷入局部最优及死锁状况等问题,设计出一种融合改进A^(*)算法的双向搜索蚁群优化算法。首先利用改进A^(*)算法在栅格环境中快速收敛得到初始路径,构建初始信息素矩阵,并引入障碍物因子来减少蚂蚁死锁状况的发生;其次设定双向搜索蚁群优化算法规则,并改进双向搜索中的启发函数模型,引入精英蚂蚁搜索策略和自适应信息素挥发因子策略;最后利用三阶贝塞尔曲线对路径进行平滑处理。通过Pycharm平台仿真结果表明,该算法融合了A^(*)算法全局搜索能力强及蚁群算法正反馈的特性,使得融合改进后算法比传统蚁群算法和麻雀算法在路径长度上优化12.85%和7.76%,搜索时间上优化38.17%和23.46%,迭代次数上优化67.71%和54.41%,全局路径优化效果较明显。

时变指向约束下姿态参数空间离散化路径规划方法

为满足深空探测器在复杂动态环境约束下的姿态机动任务需求,解决时变指向约束下姿态路径规划求解困难、路径优化性能差的问题,提出了一种基于修正罗德里格斯参数(MRP)和动态路径搜索的姿态参数空间离散化路径规划方法。通过MRP空间的笛卡尔网格划分和非奇异空间构建,实现航天器姿态的参数空间离散化和指向约束表征。考虑指向约束的时变动态特性,在三维动态空间中搜索初始到目标姿态的机动路径,并引入路径节点的时间特性,在约束冲突时对路径进行实时修正,设计非奇异空间时变约束路径搜索算法,生成执行路径节点序列。进一步,对生成的路径节点进行插值拟合,基于逆动力学方法计算角速度和控制力矩,完成姿态机动轨迹规划。仿真结果验证了该方法的有效性,可为深空探测器在时变指向约束下规划出姿态机动执行路径。

面向动态目标搜索与打击的空地协同自主任务分配方法

面向复杂城市环境中的运动目标搜索与打击任务,单域无人平台受视野范围和运动能力等限制,易出现目标遗漏和任务完成率低的问题。针对这些问题,提出一种面向动态目标搜索与打击的空地协同自主任务分配方法,通过结合无人机视野范围广以及无人车机动性强的特点,提升空地无人系统的任务执行效率和区域覆盖率。一方面,针对未知运动目标,提出一种基于数字信息素的目标搜索模型,以平台协同收益和区域覆盖率为优化指标,保证在尽可能短的时间周期内发现区域中的所有目标。另一方面,面向动态到达的打击任务,构建基于可行路径规划的任务分配模型,以平台能耗和任务完成时间为目标函数,在保证任务完成率的同时,提高空地协同系统的资源利用率。与现有方法相比,所提方法能够在最短的时间内发现所有目标,区域覆盖率达到55%以上,且资源利用率为84.4%。实验结果表明,所提方法具备较好的目标搜索和任务执行能力。

面向电磁目标探测的无人机集群区域分割方法

针对电磁目标搜索任务中现有覆盖式路径规划算法存在的无人机初始分布不合理、集群任务起止时间一致性差等问题,依据现实无人机集群集中投放的初始场景,设计了一种等时倾向的区域分割算法。该算法以最小化无人机间最大任务用时差为优化目标,通过改变无人机搜索区域大小影响无人机的任务用时。算法具有二级结构,第一级初始粗分割,解决边界点迭代次数过多的问题;第二级以任务时间偏差值作为调整值,保证了各机的任务用时一致性。仿真实验表明:该算法更适用于无人机集中投放的场景,缩短了无人机个体间的任务等待时间,便于资源的二次调度,有利于多阶次任务的同步执行。

基于时间的关键字路网路径规划

为了便于道路网距离的计算、对象文本信息和时间信息的组织和快速获取,改进G-Tree,在索引结构上增加时间戳和倒排序列相关信息,称包含时间戳和倒排序列相关信息的G-Tree为IGT-Tree.并基于构建的IGT-Tree设计了两种推荐算法:一种是基于时间的目标点查询算法,另一种是在目标点查询算法基础上的路径推荐算法.最后,在基于时间的关键字路网通过实验对比G-Tree的算法验证了所提算法的高效性.

面向人员岸滩行进的三维路径规划算法研究

针对当前无法为人员岸滩行进提供科学合理的路径规划这一问题,论文基于蚁群算法提出了面向岸滩行进的最优路径规划算法。首先对基本的蚁群算法进行了改良,包括路径搜索方式、信息素更新策略和启发函数的合理设计等,改善了算法的收敛效率;然后定量结合多类岸滩场路径规划影响因子,构建了满足岸滩行进的代价函数;最终实现了面向岸滩行进的算法构建。该算法可为实现复杂地形条件下岸滩行进的最优路径解算和基于蚁群算法的相关三维路径规划分析研究提供参考借鉴。

三维环境中机器人路径规划算法改进

为解决快速扩展随机树算法(rapid-exploration random tree,RRT*)在三维环境中盲目搜索路径以及缺乏节点扩展记忆性等问题,提出一种融合蚁群算法的双向搜索算法ACO-RRT*。为适应精细化三维建模环境和解决地面起伏不平坦等问题,对RRT*算法进行改进优化。采用双向搜索策略,在起点和终点同时运行改进后的RRT算法和蚁群算法,相向而行,对路径长度和运行时间进行优化。针对生成路径不够平滑等问题,引入B样条曲线平滑策略优化路径。仿真结果表明,所提算法能够有效用于机器人三维路径规划。

基于军事新闻图谱的事理路径寻优方法

基于事理图谱的事理路径分析是辅助决策的重要手段,现有的重要事理路径寻优方法中对于事理路径价值评估指标的设计较为单一,大多只是以输出最短路径作为路径寻优的目标。为能够更加充分地反映事理路径的重要性信息,根据节点重要性、路径稀缺性和关系边得分情况三方面提出新型路径价值评估函数,以丰富事理路径价值评估方法。同时为解决经典路径搜索算法应用场景单一、搜索效率低的问题,基于Dijkstra算法设计偏离路径搜索算法,旨在满足路径寻优的不同场景,并提高搜索效率。最后采用自定义的国际军事新闻事理图谱作为数据集进行实验,结果显示上述搜索算法在运行内存占用方面能够达到与经典路径搜索算法同等的水平,并在搜索速度上有所提升,输出的重要性路径满足预设要求。