飞行器航迹规划与三维显示

主要讨论了航迹规划的国内外现状及意义,建立了简化威胁源模型,并采用改进遗传算法进行参考航迹规划,算法采用飞行指令编码和自适应交叉、变异算子,改进了简单遗传算法,仿真结果表明该方法快速收敛到全局最优解并能够很好的规避威胁,是一种有效的航迹规划方法。最后通过OpenGL导入三维模型,并利用算法改变飞行器的飞行姿态,逼真地展现了飞行器的三维航迹。     

不确定环境中基于概率威胁的航迹规划研究

针对不确定战场环境航迹规划问题进行了研究,提出一种基于概率表示的飞行器航迹规划方法。根据威胁源的存在概率函数、位置分布概率函数和静态威胁概率函数模型,建立不确定威胁源的威胁概率函数模型。将遗传算法运用到航迹规划中,并进行了仿真实验,仿真结果验证了模型及算法的有效性。     

基于Voronoi图和遗传算法的航迹规划

面对复杂的作战环境,如何快速地规划出满足约束条件的飞行轨迹,是实现无人机突防攻击的关键.提出了一种基于Voronoi图和改进遗传算法的航迹规划方法,该方法采取分层规划的思想,首先由Voronoi图生成初始航迹,并综合考虑约束条件,赋予各条航迹相应的权值;然后采用遗传算法在生成的航迹空间中寻优, 从而得到满意的航迹.为避免产生不可行解,采取了基于优先级编码的改进遗传算法,详细介绍了其编码与解码原理,并给出了相应的操作算子.仿真结果表明,整个航迹规划的思路是可行的.     

用改进蚁群算法实现突发威胁下的航迹规划

航迹规划对UAV完成任务具有重要的意义。为解决突发威胁下的UAV航迹规划问题,根据Voronoi图的局域动态特性提出了一种基于改进蚁群算法的实时重规划方法。采用全新的目标吸引策略、引入信息素增量调节因子并自适应调整信息素挥发系数来对基本蚁群算法进行了改进,提高了算法的求解效率,并进行仿真验证。根据战场已知威胁源生成Voronoi加权图,并与所提的改进蚁群算法相结合求解规划空间中的最优航迹。仿真结果表明,利用改进蚁群算法能够有效地提高收敛速度和寻优能力,可以较好地解决突发威胁下的UAV航迹规划问题,保证UAV能够回避战场威胁,顺利飞抵目标点。     

量子粒子群算法在地磁匹配航迹规划中的应用

针对基本粒子群算法在飞行器地磁匹配航迹规划中容易陷入局部收敛的问题,借鉴粒子群算法和量子进化算法,将量子粒子群算法应用在基于地磁匹配的航迹规划中。结合飞行器的性能约束和地磁匹配自身特点,设计了一种适用于地磁匹配航迹规划的评价函数作为适应度函数。仿真结果表明,量子粒子群算法具有较快的收敛速度且改善了最优解,验证了量子粒子群算法应用于地磁匹配航迹规划的有效可行性。     

基于改进混沌遗传算法的无人机航迹规划

如何快速地规划出满足约束条件的飞行航迹,是实现无人机自主规划的关键。提出了一种基于混沌遗传算法的航迹规划方法,该方法首先由Voronoi图生成初始航迹,然后采用混沌遗传算法在生成的航迹空间中寻优。主要对近年来出现的混沌遗传算法进行了改进以使其更具智能化。该方法采用幂函数载波代替传统混沌优化算法中的线性载波;为进一步提高混沌映射迭代序列的均匀性,提出了确定区间的随机幂指数概念并将其应用到混沌遗传算法中。仿真结果表明,该方法可以提高混沌遗传算法收敛的精确性。     

基于量子遗传算法的量子细胞自动机仿真方法

利用遗传算法对基于半经典模型的量子细胞自动机进行仿真时,通常会遇到多个极值,容易陷入局部最优。为将量子遗传算法用于量子细胞自动机仿真,对量子遗传算法进行改进,将二进制量子位改为多进制量子位,重新设计了量子旋转门的调整策略,并给出了具体实现步骤。通过对测试函数寻优和量子细胞自动机电路的仿真,结果表明,改进后的量子遗传算法平均误差低,不易陷入局部极值,收敛速度较快,适用于量子细胞自动机仿真。     

应用 D*Lite 算法的目标移动时无人机三维航迹规划

针对不确定环境下目标移动时的无人飞行器三维航迹规划问题,采用改进的D*Lite搜索算法,设计了一种三维航迹快速规划方法。利用改进的代价评估函数,根据突发威胁和移动目标的实时信息,将航迹规划约束条件和改进的搜索算法相结合,给出了地面目标移动时的无人飞行器三维航迹规划方法。仿真结果表明,该算法不但可以满足实时在线的航迹规划要求,能够有效躲避突发威胁,打击移动目标,还能有效地缩小搜索空间,提高搜索效率及寻优能力,能较好地解决不确定环境下目标移动时的航迹规划问题。     

应用D~* Lite算法的目标移动时无人机三维航迹规划

针对不确定环境下目标移动时的无人飞行器三维航迹规划问题,采用改进的D*Lite搜索算法,设计了一种三维航迹快速规划方法。利用改进的代价评估函数,根据突发威胁和移动目标的实时信息,将航迹规划约束条件和改进的搜索算法相结合,给出了地面目标移动时的无人飞行器三维航迹规划方法。仿真结果表明,该算法不但可以满足实时在线的航迹规划要求,能够有效躲避突发威胁,打击移动目标,还能有效地缩小搜索空间,提高搜索效率及寻优能力,能较好地解决不确定环境下目标移动时的航迹规划问题。     

基于改进型Voronoi图的无人机航迹规划研究

常规Voronoi图只能用于等威胁体的航迹规划, 对实际战场环境有较大的局限性。提出一种基于Delaunay三角网的改进型Voronoi图, 并将其用于不同威胁体的航迹规划。主要讨论了改进型Voronoi图的构造步骤以及起始航迹和终止航迹的确定方法, 最终在VC++6.0开发环境下完成了基于改进型Voronoi图的航迹规划。结果显示, 规划出的航迹能有效避开雷达等威胁, 表明了改进型Voronoi图在基于不同威胁体的航迹规划中的可行性。     

一种解决组合优化问题的改进型量子遗传算法

在量子遗传算法(QGA)的基础上,提出了一种解决组合优化问题的改进型量子遗传算法(NIQGA).为充分利用量子态的干涉性和纠缠性,该算法引入了动态调整量子门旋转角步长机制、量子交叉操作和量子变异操作,因而具有更高的搜索效率.利用两种典型组合优化问题——0/1背包问题和路由选择问题进行验证.结果表明,相比于GA和QGA,NIQGA具有收敛速度快和全局搜索能力强的特点,在解决基因间弱关联性的组合优化问题时有更优的性能.     

QoS multicast routing scheme using QGA in IP/DWDM networks

This article studies multi-constraints least-cost multicast routing problem in internet protocol over dense wavelength division multiplexing （IP/DWDM） networks. To address this problem, an individual-difference-based quantum genetic algorithm （IDQGA） is proposed. This algorithm considers individual differences among chromosomes by introducing an adaptive rotation angle step determination scheme and a grouping-based quantum mutation operation. Simulations are conducted over network topologies. The results indicate that compared with other heuristic algorithms, IDQGA has better optimal performance on solving quality of service （QoS） multicast routing problem in IP/DWDM networks and is characterized by strong robustness, high success ratio and excellent capability on global searching.     

一种基于改进量子遗传算法的飞行状态规则提取方法

针对基本遗传算法(GA)和量子搜索算法(QA)的不足,提出改进量子遗传算法(BQGA),通过测试函数测试,其收敛精度明显优于传统算法.以飞行状态特征参数为研究对象,利用改进的量子遗传算法进行组合寻优,获得飞行状态识别的产生式规则.仿真实验表明,该方法得到的规则简洁、正确、有效.     

基于改进的量子遗传算法的多用户检测

为了加快量子遗传算法(QGA)的收敛速度,减小基于QGA的多用户检测的计算复杂度,提出了一种基于改进的量子遗传优化算法(MQGA)的多用户检测算法.通过引入小生境协同进化策略初始化量子种群,并采用自适应更新旋转角策略,改善了QGA的收敛性能和寻优能力.仿真结果表明,提出的多用户检测算法在收敛速度、误码率、抗远近能力及系统容量方面都优于遗传算法多用户检测器、量子遗传算法多用户检测器和传统多用户检测器.     

一种基于粒子群优化方法的改进量子遗传算法及应用

本文采用粒子群优化(PSO)方法代替量子门来更新量子比特状态,得到一种改进的量子遗传算法(QGA)——PSQGA,并根据QGA自身概率特性,引入了最优解方差函数来评价该算法的稳定性能.利用四种典型连续函数寻优问题和0/1背包问题,分别对PSQGA和改进的使用量子门的量子遗传算法(IQGA)进行了测试;并将它们应用到图像稀疏分解的实例中.结果表明,PSQGA算法的寻优能力及稳定性均优于IQGA,且具有更好的收敛性以及更强的连续空间搜索能力,适合于求解复杂优化问题.     

基于Voronoi图与蚁群算法的UCAV航路规划

提出一种基于Voronoi图和蚁群优化算法(ACO)的无人作战飞机航路规划的方法.首先根据已知威胁源建立威胁源的Voronoi图,并构建了起始点、目标点与威胁场的Voronoi图赋权有向图,从而建立了无人机搜索路径的集合,结合初始集合,然后给出无人作战飞机航路规划的具体实现过程,最后对UCAV在多种威胁环境下的航路规划进行了仿真实验,仿真结果表明这种航路规划方法是可行和有效的.     

应用于六旋翼飞行器航迹规划的改进Voronoi算法

六旋翼飞行器是一种新型的旋翼飞行器,文中主要针对该飞行器在航迹规划时的Voronoi算法进行了改进,优化了飞行器的航迹规划路线.通过对电院大草坪的树林作为障碍物的情况下,飞行器穿过树林到达空旷地方的航迹规划的数学建模发现,使用传统的Voronoi算法的航迹规划的距离为169.113m,使用改进的Voronoi算法的航迹规划的距离为152.8753m,比起传统的Voronoi算法规划出来的航迹的距离缩短了10.6％.     

量子干扰交叉遗传算法及其应用研究

针对遗传算法中传统交叉算子交叉效率低下等缺点,提出改进型全干扰量子交叉遗传算法.与基于位置信息的经典量子全干扰交叉模型不同,改进型交叉算子通过距离比较,能够获取质量更高的候选解.通过对旅行商问题(TSP)求解的对比实验表明,改进量子交叉遗传算法能有效平衡全局搜索和局部探索,具有更强的稳定性和寻优能力.     

无人机航路规划中的变步长A*算法

为了实现无人机在不同条件下的自主航路规划,提出一种变步长的A*方法.此时,每步迭代的可拓展点为搜索区域内不同搜索角度、不同拓展步长的点阵.这样保证了每次搜索能在一个较大的区域进行,并能保证每次搜索对地图的分辨精度.然后,依据稀疏A*方法(SAS)的思想,对单步迭代的拓展方法给出了减少运算量、加快运算速度的改进方案;依据...     

一种解决组合优化问题的量子遗传算法QGA

本文在量子变异的基础上,提出了一种解决组合优化问题的量子遗传算法QGA,它融合了遗传量子算法GQA和经典遗传算法的优点,只用一个个体就可在很短的时间内搜索到最优解,并针对一个典型的组合优化问题——0/1背包问题进行了对比实验,实验结果表明本文所提出的量子遗传算法QGA优于传统遗传算法和遗传量子算法GQA.