水下地形辅助导航最优航路规划

为了确保水下地形辅助导航系统在规划航路上能够获得充足的地形信息,提出了一种综合考虑航行任务和地形信息量的最优航路规划方法。该方法首先建立了水下地形熵信息量分布模型,然后以地形信息量和航路长度为优化目标,同时考虑障碍物和航行器机动性能的约束,利用粒子群优化算法在匹配区内全局寻优,得到符合要求的最优航路,最后采用粒子滤波水下地形匹配算法沿该航路进行匹配运算。仿真结果表明,该方法能够给出地形特征充足的最优航路。     

基于威胁建模的PSO 在UAV 3 维航路规划中的应用

为解决无人机(unmanned aerial vehicle,UAV)3维航路规划问题,采用粒子群优化算法(particle swarm optimization,PSO)进行无人机的3维航路规划.对无人机飞行环境中各种威胁进行数学建模,考虑了航程的影响,得出基于航路长度和威胁的航路评价函数.运用粒子群优化算法进行3维航路规划仿真测试,并提出了在天基信息支援下进行无人机二次航路规划的设想.仿真结果表明,该方法具有可行性.     

自主水下航行器多终点航路规划的距离正则化混合水平集算法研究

为进一步提升水平集算法求解自主水下航行器(AUV)时间最优航路的计算效率,结合局部化思想和多项式距离正则化方程,提出一种用于AUV多终点航路规划的混合水平集算法。通过引入简单多项式距离正则化项,融合海流模型,推导新的水平集演化方程,并给出数值实现方法。所提算法无需重复初始化窄带且一次演化就能获得至多终点的所有最优航路集,解决了AUV多终点航路规划时计算效率不高、规划时间过长的问题。仿真结果表明,相较于蚁群算法和量子粒子群算法,在AUV的多终点航路规划中,混合水平集算法计算效率是蚁群算法的6.4倍,是量子粒子群算法的1.6倍,且鲁棒性更佳。     

Memetic算法在无人机侦察航路规划中的应用

为解决无人机侦察航路规划问题,采用文化基因算法(memetic algorithm,MA)进行求解。以粒子群优化算法作为主搜索策略,采用基于模拟退火的加权法对非劣解进行局部搜索。目标函数综合分析了战术效果、航程、安全性、飞行时间等指标要求,并从环境和无人机自身分析航路规划约束条件。最后对算法性能进行了测试,实验结果表明该文化基因算法比单独使用粒子群优化算法具有更高规划效率,得到的初始侦察航路较优。     

无人作战飞机侦察监视航路规划研究

侦察监视航路规划是无人作战飞机（unmanned combat aerial vechicles，UCAV）任务规划系统的一项重要研究内容，其目的是找到一条从起始点出发并最终回到起始点，在某种性能指标下最优的飞行路径。本文提出了一种航路规划的遗传粒子群优化算法，设计了算法流程，给出了规划方法，解决了大范围内单／多机的侦察监视航路规划问题，仿真结果证明了该算法的有效性。     

基于粒子群算法的移动机器人路径规划

基于粒子群算法的移动机器人路径规划,通过建立目标函数、变换坐标等对环境建模,再引入粒子群优化算法,得到全局最优路径.MATLAB仿真结果显示,此方法可有效地解决空间作业机器人路径规划及避障问题.与传统遗传算法比,该法建模容易,计算快捷,可以在不同的障碍物环境下得到不同的优化轨迹,     

基于改进粒子群优化算法的多阵地反舰导弹航路规划

为满足作战实际需要,在使用改进的粒子群优化算法基础上,提出?算法和振荡值理论作为约束条件构建 数学模型,以建立多阵地、多方向突击水面舰艇行动中导弹间建立时间、空间上的协同关系。结果表明：该模型计 算收敛速度快,能有效解决联合行动中导弹航路规划问题。     

滚转机动受限的无人机复杂航路跟随制导方法

无人机在未来作战中的作用逐渐多样化，航路跟随能力将成为发挥无人机作战效能的关键支撑技术。针对固定翼无人机跟随复杂航路的需求，提出一种基于非线性模型预测控制的航路跟随制导方法。该方法通过引入沿预定复杂航路变速运动的参考点，在Serret-Frenet坐标下建立航路跟随的位置和航迹方位角误差模型，结合无人机滚转能力以及动参考点速度约束等，构建了航路跟随的非线性优化问题，采用基于精英保留策略的混沌粒子群算法，求解得到了跟随复杂航路的制导指令。仿真结果表明，该方法可实现使复杂航路稳态跟随精度达到米级，并具有较强的抗风扰能力。     

潜射反舰导弹齐射航路规划算法研究

为了实现潜射反舰导弹齐射航路规划,提出基于Dubins航路的潜射反舰导弹齐射航路规划算法。介绍了Dubins航路设计原理,建立了基于Dubins航路的潜射反舰导弹齐射航路规划算法,研究了障碍物规避、齐射入射角和导弹同时到达的计算方法,归纳了潜射反舰导弹齐射航路规划算法流程。仿真结果表明,基于Dubins航路的导弹航路规划算法能够实现潜射反舰导弹齐射航路规划,校验了该算法的正确性和有效性,为潜射反舰导弹作战应用提供有力支撑。     

基于改进型多目标粒子群优化算法的武器-目标分配

在作战中武器-目标分配(WTA)问题包含众多的变量,是典型的非确定性多项式完全问题。针对毁伤效能最大和用弹量最少两个目标函数,建立了基于改进型多目标粒子群优化(MOPSO-Ⅱ)算法的WTA模型。由于粒子群优化算法存在“维数灾难”瓶颈,应用了变量随机分解策略和合作协同进化框架,按照带精英策略的非支配排序遗传(NSGA-Ⅱ)算法中的排序方法对粒子群编码数据进行非支配排序。通过实例仿真分析,结果表明MOPSO-Ⅱ算法比NSGA-Ⅱ算法具有更好的求解精度与运行效率,能够获得满意的分配结果,且计算快速有效,比较适合较大规模的WTA问题实时求解。在作战中武器-目标分配(WTA)问题包含众多的变量,是典型的非确定性多项式完全问题。针对毁伤效能最大和用弹量最少两个目标函数,建立了基于改进型多目标粒子群优化(MOPSO-Ⅱ)算法的WTA模型。由于粒子群优化算法存在“维数灾难”瓶颈,应用了变量随机分解策略和合作协同进化框架,按照带精英策略的非支配排序遗传(NSGA-Ⅱ)算法中的排序方法对粒子群编码数据进行非支配排序。通过实例仿真分析,结果表明MOPSO-Ⅱ算法比NSGA-Ⅱ算法具有更好的求解精度与运行效率,能够获得满意的分配结果,且计算快速有效,比较适合较大规模的WTA问题实时求解。     

基于混沌DESAPSO算法的无人机三维航迹规划

粒子群(PSO)算法易陷入局部最优,将其运用于无人机三维航迹规划会导致航迹品质不高,针对这一问题,提出了将差分进化(DE)算法、模拟退火(SA)算法嵌入PSO算法中,构成混沌差分进化模拟退火粒子群(DESAPSO)算法,从三个方面提高了航迹品质:一是利用DE算法的变异、交叉及竞争选择增加种群多样性;二是利用SA算法概率突跳能力跳出局部最优解;三是对PSO算法参数进行混沌优化,进一步增强种群多样性.仿真结果表明:混沌DE-SAPSO算法改进航迹品质效果明显,获得了满意的无人机三维航迹.     

粒子群算法在翼伞空投系统航迹规划中的应用

针对当前翼伞系统研究中未考虑到地形威胁、火力威胁对航迹规划影响的问题,对地形威胁和火力威胁进行了建模,结合翼伞飞行特性,引入最小威胁曲面生成三维航迹搜索空间,并利用粒子群算法搜索优化翼伞系统的航迹。仿真结果表明,粒子群算法能有效地减小搜索空间,提高规划的效率,且使规划出的航迹能够躲避威胁,满足航程和高度的要求。     

防空武器多目标优化分配建模与决策

在对决策机理分析的基础上,建立了防空武器系统的多目标分配决策模型,实现了防空导弹的多目标优化分配。在此基础上,提出一种改进的粒子群优化(PSO)算法以求解防空武器的最优分配,通过与遗传算法的实例比较,结果证明了该方法的有效性和优越性。     

粒子群算法在武器装备保障资源优化中的应用

为简单方便地实现武器装备保障资源优化,采用粒子群优化算法求解资源约束项目调度问题。具体方法主要包括：确定不违反前后约束的活动进行次序、确定资源约束项目调度问题的解空间、确定修复策略、计算粒子适应度。同时,编制了粒子群优化程序,对某型武器装备技术保障资源进行了优化。优化结果有助于保障资源合理配置,对提高装备战斗力有重要的军事价值。     

蚁群算法在水下滑翔器航路规划中的应用

水下滑翔器作为一种超低能耗的水下航行器,有非常广阔的应用前景。本文利用蚁群算法,并引入了海流矢量因子,对水下滑翔器的航路规划进行了模拟,仿真结果表明,这种航路的规划方法能有效地优化航路,保证航路的质量。     

基于指标函数集合排序法的UUV航路规划

潜艇艇载战术无人水下航行体（UUV）的军事应用要求其全局航路规划求解算法必须兼顾计算快速性与任务适应性要求。使用动态规划算法求解该问题较其他算法具有求解速度快的优势，而传统动态规划使用单一指标函数存在任务适应性不高的问题，为此提出使用指标函数排序集合的改进方法，说明了该方法的使用时机与程序实现要点。该方法用一个可变的指标函数集合代替了单一的指标函数，其程序流程与传统方法基本相同，只是初始化模块、算法模块以及一些预备工作有所不同。仿真结果证明了改进方法的有效性，且在任务适应性上有明显提高，可降低整个航路规划的时间消耗。     

基于改进粒子群算法的UCAV二维路径规划

采用粒子群算法实现了有限数目航点的优化,提出了新的解决PSO路径规划中因基于航点适应度优化计算导致的威胁感知盲点问题的办法,研究了路径规划约束的数学模型、粒子构造方式和粒子的评价适应度函数。用数学仿真方法实现了改进后的PSO路径规划。     

An Improved Particle Swarm Optimization Algorithm Based on Ensemble Technique

An improved particle swarm optimization （PSO） algorithm based on ensemble technique is presented. The algorithm combines some previous best positions （pbest） of the particles to get an ensemble position （Epbest）, which is used to replace the global best position （gbest）. It is compared with the standard PSO algorithm invented by Kennedy and Eberhart and some improved＇PSO algorithms based on three different benchmark functions. The simulation results show that the improved PSO based on ensemble technique can get better solutions than the standard PSO and some other improved algorithms under all test cases.