基于粒子群算法的无人机航路规划与建模仿真

研究无人机航路规划问题,解决基本粒子群算法易陷入局部最优、收敛速度慢长导致人机作航路规划效率低的难题.为了提高无人机航路规划效率,提出了一种基于改进粒子群算法的无人机航路规划方法.在无人机航路规划建模过程中,如果粒子失活,该算法对其进行相应的变异与微调,重新激活粒子,保证了粒子群体在进化过程中具有较强的活力,能够快速逃逸出局部极值点,这样就以较快收敛速度找到最优航路.最后用改进的粒子群算法对无人机任务航路进行了仿真,仿真结果表明,相对于基本粒子群算法,该方法避免了陷入局部最优,并缩短了搜索时间,航路规划效率明显提高.该算法是一种有效的无人机航路优化算法.     

基于流体扰动计算的无人机三维无碰撞航路规划

针对三维多架无人机(UAV)入侵的情况,提出一种基于流体扰动计算方法与交互多模型(IMM)算法相结合的无碰撞航路规划算法.首先将流体扰动计算方法用于三维单机入侵情况下的无碰撞航路规划,并简要分析该方法的特点.然后将改进的流体扰动计算方法运用到三维多机入侵的情况,并采用机动目标多模型跟踪算法对机动入侵机进行跟踪并对其未来运动态势进行预测,再结合滚动优化思想在线调整影响系数,在无人机性能约束要求下对避撞航路进行实时的局部优化,最终规划出一条三维可飞行的无碰撞航路.仿真结果表明,该算法能够规避多架入侵机,航路平滑可飞,满足实时性要求.     

基于文化蚁群算法的三维飞行器航路规划

研究飞行器航路规划问题时,由于目标函数复杂,计算量大,采用蚁群算法,存在航路搜索速度慢,容易陷入局部最优从而得不到最优航路的问题,把蚁群算法嵌入到文化算法中,提出了一种文化蚁群算法来解决航路规划问题.计算模型包括蚁群算法的群体空间和利用群体空间最优解的信仰空间.群体空间的群体演化采用蚁群系统,并加入了奖惩机制.信仰空间由群体空间中的最好个体组成,并利用遗传算法的思想进行更新,以指导群体空间的进化.仿真结果表明,提出的算法拥有更快的搜索速度,得到的航路也更好.     

改进布谷鸟搜索算法的无人机三维航路规划

针对无人机三维航路规划问题,结合差分进化算法,提出了一种改进布谷鸟搜索算法进行无人机航路规划。对无人机飞行的三维真实环境进行建模,将其分为城市楼宇环境和山峰环境。对不同的地形环境采用不同的编码方式,将航路最短距离和规避威胁作为评价函数。仿真实验表明,改进后的布谷鸟搜索算法能够寻找多条切实可行的三维航路且鲁棒性较好,是一种行之有效的航路规划算法。     

基于改进蚁群算法的多无人机航路规划研究

无人机的航路规划研究是无人机任务控制系统的关键技术,在用Voronoi图法对威胁环境建模的摹础上,提出了基于Voronoi图的多行为蚁群算法,增强了蚂蚁之间的协同性,有效解决了可行解的收敛性与多样性之间的矛盾,并对求解过程加入了方向性引导,提高了算法的求解效率.在多机协同方面,利用上述算法分同起止点与不同起止点两种情况对多机协同航路规划进行了仿真,针对得到的多条初始航路,利用协同时间指标对多初始航路进行选择.最后用三次样条方法对协同最优航路进行了平滑处理.     

优化蚁群算法在无人机航路规划中的应用

研究无人机航路规划问题,采用基本蚁群算法易陷入局部最优、搜索时间长导致人机作航路规划效率低的难题.为了提高无人机航路规划效率,提高速度和系统品质特性,提出了一种基于改进蚁群算法的无人机航路规划方法.算法前期采用了保留最优解和自适应航路点选择策略对路径进行优化,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛,提高了搜索效率.采用改进的蚁群算法对无人机任务航路进行仿真,仿真结果表明,改进方法避免了陷入局部最优,并缩短了搜索时间,航路规划效率明显提高,证明是一种有效的无人机航路优化方法,可为实际应用提供参考.     

基于改进ACO算法的无人作战飞机航路规划设计

为了使无人作战飞机能在敌方防区内以最小的发现概率和航路代价到达目标点,提出一种基于改进蚁群算法对UCAV进行航路规划的方法;首先,根据燃油代价和威胁代价设计了目标函数,并根据敌方防区威胁源生成VORONOI图,然后通过对信息素初始化方式、蚂蚁转移规则以及信息素更新规则进行改进以优化传统的ACO算法,最后定义了使用改进ACO算法对UCAV进行航路规划的具体算法;仿真实验证明文中方法能实现UCAV航路规划,且与经典ACO算法相比,文中方法具有较快的收敛速度和较强的全局寻优能力。     

基于改进蚁群算法的无人机动态航路规划

研究无人机航路规划,针对基本蚁群算法易于陷入局部最优、规划航路耗时长的问题,对基本蚁群算法进行了改进;引入航路点的动态自适应选择策略和信息素挥发因子动态自适应调整准则,有效克服了基本蚁群算法的不足,并对规划出的航路进行了平滑处理,使其更加满足无人机实际飞行需求;通过仿真分别规划出无人机在静态威胁和动态威胁中的航迹,仿真结果表明,与基本蚁群算法和遗传算法相比,改进的蚁群算法在两种飞行环境中均能规划出较优的航路。     

基于优化粒子群算法的无人机航路规划

针对粒子群优化(PSO)算法的无人机(UAV)航路规划问题,引入惯性权重和自然选择对粒子群算法进行优化,以提高基本粒子群算法收敛速度,防止陷入局部最优.算法分析惯性权重对粒子群算法的影响,进而调整惯性因子,提高算法的搜索能力;利用自然选择的便利性和规律性等特点,更新粒子群算法的粒子;同时通过对无人机的可行航向进行限定,缩小搜索范围.仿真实验表明:基于粒子群优化算法的无人机航路规划不仅缩短了最优航路,而且提高了搜索速度.     

基于蚁群遗传算法的三维飞行器航路规划

关于飞行器航路优化设计问题,航路规划是任务规划系统的一部分,是飞行器自主控制的关键技术.为了能够快速的寻找到最优航路且得到的航路有更少的制动点,在航路问题描述的基础之上,把蚁群算法和遗传算法相结合,提出了一种蚁群遗传算法的三维航路规划方法.设计了具有方差因子的航路评价函数,给出了一种关于面的规划空间的构造方法,并在规划空间中,进行蚁群遗传算法的种群初始化,所采用的遗传算子,给出了算法的流程.仿真结果证明了算法的正确性和有效性.     

高空飞艇航迹规划的多种随机搜索算法

针对高空飞艇的航迹规划问题进行了分析和计算.考虑到高空飞艇的飞行特征,首先对其航迹规划问题进行了适当简化,转变为求解巡回旅行商问题(TSP),并给出相应的数学描述;然后在此基础上介绍遗传算法、蚁群算法和模拟退火算法,并运用这三种随机搜索算法求解高空飞艇最优航迹;最后通过仿真算例简要地分析和比较了各个随机搜索算法的性能.仿真结果表明以上三种随机搜索算法对于解决规模较大的高空飞艇航迹规划问题是行之有效的,求解效率高于传统搜索算法.     

基于改进教学算法的无人机航路规划

针对传统教-学优化（TLBO）算法进行航路规划时收敛速度慢、容易陷入局部最优的问题,提出一种自适应交叉教-学优化（AC-TLBO）算法。首先,该算法令传统教-学优化（TLBO）算法的教学因子随着迭代次数而发生变化,提高算法的学习速度;其次,当算法可能要陷入局部最优时,加入一定的扰动,使算法尽可能地跳出局部最优;最后,为了进一步提升算法的收敛效果,在算法中引入遗传算法的交叉环节。利用传统教-学优化（TLBO）算法、自适应交叉教-学优化（AC-TLBO）算法和量子粒子群优化（QPSO）算法进行无人机航路规划,仿真结果表明,在10次规划中,自适应交叉教-学优化（AC-TLBO）算法有8次找到了全局最优路径,而传统教-学优化（TLBO）算法和量子粒子群优化（QPSO）算法分别只找到了2次和1次;而且自适应交叉教-学优化（AC-TLBO）算法的收敛速度高于另外两种算法。     

基于混合算法的航天器轨道规划方法

空间在轨服务过程中,当目标航天器周围有若干小卫星环绕时,服务航天器要避开小卫星的安全范围,与目标航天器成功交会并进行在轨服务,航天器的机动轨道规划是其重要前提;在路径规划中,遗传算法应用广泛,但是求解实际问题的时间容易受到染色体基因等算子数目的影响,求解效率未得到保证;提出了一种混合遗传算法,将遗传算法全局搜索能力和模拟退火算法较强的局部搜索能力进行整合,以服务航天器机动轨道的路径安全、任务时间、燃料消耗、总路程等为约束条件,并对算子进行特殊设计,规划出最优机动轨道路径;通过场景假设和仿真实验证明,该混合遗传算法能够规划出符合约束条件的最优机动轨道路径,并且极大地提高了求解效率。     

基于人工鱼群算法的高级综合生产计划优化研究

充分考虑了多产品多阶段多分销商企业生产过程各种影响因素及其相互关系后，构造了它的计划优化模型。在此基础上，应用人工鱼群算法，对该模型进行研究，并在计算机上得以仿真实现。仿真结果表明，该算法不受问题规模的限制，对于解决大规模复杂的问题更显示出其优越性，为企业生产计划优化提供了有利工具。     

炼钢连铸作业计划的混合遗传优化与仿真分析

为提高炼钢连铸作业计划制定的效率和质量,面向生产工艺流程网络图,建立了一种基于遗传算法与蚁群算法相结合的混合智能优化方法,进行炼钢连铸生产作业计划的编制,并可实现常见扰动情况下的重计划制定;利用基于元胞自动机思想建立的炼钢连铸流程仿真模型,进行生产作业计划的仿真分析和评价。将计划编制模型与仿真模型有机结合,为作业计划的在线动态评价和自动调整提供了一种有效手段。针对某钢厂的仿真实验研究表明：提出的智能优化方法能较好地解决炼钢-连铸生产作业计划的时间不确定性优化问题,可快速生成炉次间作业无冲突的优化生产作业计划。     

改进BIT*与DWA算法的动态路径规划

传统批通知树（batch informed trees,BIT*）算法结合了RRT*算法和A*算法的优势,但是该算法在复杂环境下无法躲避未知的动态障碍物,无法完成动态路径规划。针对该问题,提出了一种将改进的BIT*算法和改进的DWA算法相融合的算法。在传统BIT*算法的基础上对路径进行拉伸优化,提取关键转折点,减少路径长度;对传统DWA算法的距离评价函数进行改进、引入轨迹点评价函数,避免局部规划过分偏离,也减少了已知障碍物对路径的影响;将改进的BIT*算法与改进的DWA算法相融合,将提取的关键转折点作为DWA的中间目标点,弥补全局规划算法无法躲避动态障碍物的缺点以及局部规划算法全局能力低下的缺点。在动静态地图中对RRT*算法、BIT*算法、DWA算法、改进BIT*算法以及融合算法进行仿真实验,仿真结果表明：在复杂环境中,改进的BIT*算法具有更短的路径和更少的拐点;与传统的DWA算法相比,融合算法规划的路线更平滑,机器人既能实时动态避障抵达终点,又能更加贴近全局路径,保证路线全局最优。     

一种人机交互的大区域路径规划方法

提出了一种在大面积规划区域内为运动物体规划一条从起始点到终点的满意路径的方法。首先通过地形分析，把整个规划区域分成不同类型的子区域；其次在规划区域内选择候选点；最后给出了一种带有运动约束和规划规则的Ａ算法获得所需要的满意路径。     

无人飞行器航迹规划研究

航迹规划的目的是要利用地形和敌情等信息,规划出生存概率最大的无人飞行器突防轨迹。通过对航迹规划任务的仿真需求分析,对无人飞行器的航迹规划进行了研究。首先根据遍布威胁的战场环境,构造了基于威胁源的Voronoi图,得到规避威胁的航迹路线;然后采用Dijkstra算法,搜索出最优航迹路线;最后利用Visual Studio .Net 2010开发平台,在MS SQL Server 2008数据库支持下,运用Visual C# 2008编制图形化界面,设计开发了无人飞行器航迹规划仿真系统,并给出了开发结果,实现了仿真结果的图形显示,为进一步的研究航迹规划奠定了基础。     

基于深度强化学习的节能工艺路线发现方法

由于传统基于固定加工环境的工艺路线制定规则,无法快速响应加工环境的动态变化制定节能工艺路线。因此提出了基于深度Q网络(deep Q network,DQN)的节能工艺路线发现方法。基于马尔可夫决策过程,定义状态向量、动作空间、奖励函数,建立节能工艺路线模型,并将加工环境动态变化的节能工艺路线规划问题,转化为DQN智能体决策问题,利用决策经验的可复用性和可扩展性,进行求解,同时为了提高DQN的收敛速度和解的质量,提出了基于S函数探索机制和加权经验池,并使用了双Q网络。仿真结果表明,相比较改进前,改进后的算法在动态加工环境中能够更快更好地发现节能工艺路线;与遗传算法、模拟退火算法以及粒子群算法相比,改进后的算法不仅能够以最快地速度发现节能工艺路线,而且能得到相同甚至更高精度的解。     

融合简化稀疏A*算法与模拟退火算法的无人机航迹规划

针对无人机航迹规划问题,提出了一种融合简化稀疏A^*算法与模拟退火算法（Fusion of Simplified Sparse A^* Algorithm and Simulated Annealing algorithm,简称FSSA-SA）的航迹规划方法.首先,在对威胁环境进行建模之后,将模拟退火思想与具体航迹规划问题求解相结合,给出了模拟退火算法求解航迹规划问题的具体设计与实现方法.其次,利用简化的稀疏A^*算法在规划起止点之间进行一次往返搜索,并将所得结果中较优的一条航迹作为模拟退火算法的初始解,实现了两种算法的融合.然后,当退火进行至低温区时,通过对位置存在冗余的航迹节点的剔除,进一步改善了算法的求解质量.最后为了验证算法的优越性,将本文算法与稀疏A^*算法、模拟退火算法进行了仿真对比试验.试验结果表明,本文提出的FSSA-SA算法相比于上述两种算法,具有较少的规划耗时;相比于稀疏A^*算法,在所得航迹的综合代价相差不大的情况下,内存占用量少了两个量级;相比与模拟退火算法,在相同的退火条件下,其规划所得航迹的综合代价平均减少了35%左右.