交互策略改进MOFA进化的多UAV协同航迹规划

针对无人机(unmanned aerial vehicle,UAV)多目标优化协同航迹规划方法中Pareto最优解集规模随迭代增长,难以选择适合UAV任务特点的协同航迹等问题,提出一种基于交互策略改进多目标萤火虫(multi-objective firefly algorithm,MOFA)进化的多UAV协同航迹规划方法。首先,采用变量分解策略将萤火虫算法中大规模变量分解成多个子种群,以降低算法搜索的复杂度;然后,利用Tent混沌初始化和多种群循环分裂合并策略提高多目标萤火虫算法的搜索性能;采用双极偏好占优机制、并设计协同度指标在Pareto最优解集中选取适合任务需要且协同度较高的UAV协同航迹。仿真实验表明,所提方法能够根据任务设定生成对应侧重点、且满足协同性的相对最优航迹集,证明了该方法的有效性。

带时间窗的多无人机航迹规划两阶段启发式算法

带时间窗的多无人机(Unmanned Aerial Vehicles,简称UAV)航迹规划问题是一类重要的NP-Hard问题,相关启发式算法研究一直是该问题的研究重点和难点。建立了问题的UAV流模型,并提出了一种两阶段启发式算法用于问题求解。算法的第一阶段提出了一种基于"最迟完成服务优先"规则的航迹构造算法,用于获取问题的初始解;第二阶段利用模拟退火算法对初始解进行改进。最后基于Solomon Benchmark数据集对算法进行了测试,实验结果表明该启发式算法可以有效地求解带时间窗的多UAV航迹规划问题。