基于改进蚁群算法的无人机三维航迹规划研究

针对蚁群算法进行无人机航迹规划时,易陷入局部极值,且收敛速度较慢的问题,提出了基于改进蚁群算法的无人机三维航迹规划。将三维航迹规划分成基于改进蚁群算法的二维平面规划和高度规划两部分,采用几何优化方法增强了蚂蚁搜索的引导性,并根据航迹点与威胁源之间的距离及高度约束,调节航迹点的高度,规划出无人机三维航迹。同时,利用自适应调节参数方法提高蚁群搜索能力与个体之间交互能力,有效摆脱原算法易陷入局部最优的情况。此外,建立了指标函数并对路径进行了平滑处理。仿真结果表明,所提出的改进算法在三维环境下不仅可以安全避开威胁,而且找到最优解的能力及收敛速度优于原算法。     

一种新型启发式搜索算法研究

提出了一种用于解决复杂优化问题的新的启发式算法--蚁群算法.采用该算法进行了无人机的航路规划,为求解无人机航路规划问题提供了一种新的算法.该算法对传统蚁群算法进行了改进,更好地解决了无人机的航路规划问题,文中进行了相应的仿真,仿真结果表明了算法的有效性.     

基于微分进化-蚁群优化算法的潜航器航路规划

航路规划是包括新型巡航鱼雷和诱饵、远程布雷系统等潜航器完成指定任务的关键技术之一;为了解决蚁群优化算法在航路规划时存在的容易陷入局部最优、收敛速度慢等问题,引入了微分进化原理,对蚁群优化算法进行了改进,提出了微分进化-蚁群优化混合算法;该算法将微分进化的随机偏差扰动产生新个体的思想融入到蚁群优化算法中,对蚁群算法的信息素进行优化;最后以潜航器航路规划问题为实例,对改进后的混合算法进行了仿真研究;结果表明:提出的混合算法不仅能够得到更好的解,还能显著地提高算法的收敛速度。     

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。     

基于任务区分的无人机航路规划方法

军用无人机飞行航路必须基于作战任务规划,在任务完成和飞行安全之间体现不同侧重.文中将无人机航路规划问题区分为固定航路规划和突防航路规划,阐明了各自的规划要点,提出的基于任务完成度的固定航路规划方法和基于改进蚁群算法的突防航路规划方法,能够满足无人机不同作战任务需求.通过算法仿真和作战仿真系统的应用实践,证明了文中方法的合理性和实用性.     

基于改进量子进化算法的巡航导弹航路规划方法

针对巡航导弹作战区域广阔、航路规划效率低的问题,提出了基于改进量子进化算法(IQEA)的巡航导弹航路规划方法。首先分析并确定巡航导弹航路规划空间,建立航路评价的代价指标;针对实数编码量子进化算法容易早熟、陷入局部最优的缺点,引入染色体的概率表达特性,使得每条染色体均能以一定概率表达优化问题的所有可行解;借鉴遗传算法的思想,在IQEA中引入染色体繁殖机制,结合动态量子门实现染色体的进化,实现算法局部搜索和全局搜索的平衡。仿真实验结果表明,基于带繁殖机制的IQEA的航路规划算法能够快速、稳定地搜索到代价更低的航路,所规划航路能够有效进行威胁规避、地形回避和地形跟随。     

基于改进蚁群算法的多约束供应保障网络路径优化

针对网络优化领域中的多约束网络路径优化问题,以战时供应保障路径优化问题为研究对象,建立一种保障代价最小的路径优化模型。分析保障路径优化中存在多约束限制问题的特点,在基本蚁群算法的基础上引入蚂蚁相遇策略,融合了多约束条件对保障路径优化的影响,通过正、逆反馈同时作用,对信息素更新策略进行改进,并对搜索最优保障路径实例的仿真。仿真结果显示:改进蚁群算法平均执行时间较基本蚁群算法提高了40.1%,说明改进的蚁群算法能在更短的时间内找到最优解,而且在避免陷入局部最优解方面具有更好的效果。     

限定搜索区域的分层遗传算法无人机路径规划

为克服简单遗传算法易陷入局部最优解的缺点,减小路径搜索范围,提出了限定搜索区域的分层遗传算法无人机路径规划方法,该方法将分层遗传算法引入无人机路径规划的优化搜索问题中,将路径节点的二维坐标作为基因进行编码,根据威胁的分布情况缩小路径规划算法的搜索范围,使子种群可以获得包含不同优良模式的新个体,为子种群提供更加平等的竞争生存机会,使优化搜索有较为明确的搜索方向。仿真结果表明:与基于分层遗传算法的路径规划方法相比,该方法提高了路径寻优算法的性能,减少了绕行路径的出现几率,缩短了最优路径的长度。     

复杂环境下无人机三维航迹规划方法研究

复杂环境下规划无人机三维航迹时,随机型的粒子群优化由于问题维度高导致收敛性差难以获得最优甚至可行航迹;而确定型的稀疏A~*算法易陷入局部搜索导致搜索时间长且计算量大。基于分层思想,将高维航迹规划问题转换为多个低维问题。首先通过粒子群优化规划出少量导引航迹点集,然后采用稀疏A*算法计算导引点间的航迹段。仿真结果表明该方法能在获得满意解的前提下提高复杂环境下无人机航迹规划效率。     

基于改进A*算法的多无人机协同战术规划

多无人机协同作战是未来无人机作战方式的重要发展趋势。为增强多无人机系统的任务执行能力,提高系统整体作战效能并实现高效资源分配和调度,提出一种基于改进A^*算法的多无人机协同战术规划方法。按照离线规划和重规划两方面,设计战役层和战术层的作战目标迭代优化方案;建立编队协同作战的数学模型,以编队成员间的时间协同和碰撞协同代价为变量,得到多约束条件下的综合编队目标函数;结合多层变步长搜索策略和单步扩展的搜索方式,基于改进A^*算法,用于求解复杂战场环境下的多无人机编队协同作战航路。分别利用改进A^*算法和传统A^*算法进行对比仿真实验。仿真结果表明,多无人机协同战术规划方法能够较好地完成作战任务,改进A^*算法能够获得更优的航路,从而验证了所提算法的有效性。     

基于蚁群算法的无人机航迹规划技术及研究现状

配置适当的算法是无人机航迹规划的关键技术之一。介绍了一种基于蚁群算法的无人机航迹规划技术的基本原理,并采用网格图建模,演示了无人机二维航迹规划问题的一般实现步骤。然后从改进算法、更换其它模型、多无人机航迹规划、动态航迹规划等四个方面探讨了基于蚁群算法的无人机航迹规划技术的研究现状,并指明了配置更完善的算法实现复杂条件下的实时航迹规划等问题是无人机航迹规划未来的主要研究方向。     

基于多蚁群系统的多无人机协同目标搜索方法

针对多UAV协同搜索问题,建立了基于搜索概率图的UAV环境信息描述模型,提出了一种基于多蚁群算法的协同目标搜索算法。该算法由多个蚂蚁种群构成,每个蚂蚁种群负责搜索一架无人机的路径。蚂蚁个体在搜索路径时通过其所在群体的信息素的引导以趋向最优路径,同时,受到来自其它种群的信息素的排斥作用进而避免无效搜索。实验结果表明,该方法能有效地实现多UAV之间的协同,实现路径搜索,减少路径交叠,提高了搜索效能。     

遗传-蚁群算法在目标分配问题中的应用研究

针对传统算法很难满足大型水面舰艇编队防空武器的武器目标分配(weapon target assignment,WTA)问题,提出一种将遗传算法融入蚁群算法的混合算法。分析了遗传算法和蚁群算法的优缺点、利用遗传算法快速全局随机搜索能力生成一组粗略解,用其作为蚁群算法的初始信息素,再利用蚁群算法的并行性、正反馈机制,最后求得最优解,并对遗传-蚁群算法与蚁群算法、遗传算法这3种方法进行仿真比较。分析结果证明:遗传-蚁群算法用更少的时间获得最优的火力分配方案,缩短了武器系统反应时间,在求解质量方面有较大优势。     

基于蚁群算法的多连接查询优化问题研究

介绍了蚁群算法在数据库查询中的应用,在给出蚁群算法的基本原理和程序流程的基础上,对传统蚁群算法进行了改进,将伪随机状态转移规则和局部信息素更新规则引入蚁群算法,提出了基于蚁群系统解决数据库多连接查询优化的方法,建立了多连接查询优化问题的数学模型,并进行了相关的实验;结果表明：当数据库的表数目较多时,基于蚁群系统算法对解决多连接查询优化问题有良好的求解性能,在求最优解品质和求最优解时间上都有较好的效果。     

基于成像传感器特性的侦察无人机航迹规划研究

针对携带成像传感器的侦察无人机的航迹规划问题,提出整体与局部航迹规划结合的方法;将侦察无人机航迹规划问题分解为两步:第一步,利用遗传算法全局搜索的优势对蚁群算法初始信息素过低进行改进,对无人机进行整体航迹规划;第二步,利用几何限制原则结合侦察无人机携带的成像传感器的特点进行局部航迹再规划;通过按照该方法规划出侦察无人机的航迹并取得较好效果的一个实例证明,该方法计算简化、贴合实际、针对性强,可为实际战场侦察无人机航迹规划提供了参考.     

基于改进蚁群算法的巡航导弹巡航段航路规划

为提高巡航导弹的突防概率,在对敌防御区域内的目标进行打击时,必须保证它能以较小的被发现概率和可接受的航程接近目标.针对这一问题,提出一种新的航路规划区域粒度控制图--圆径图,对传统的蚁群算法进行了讨论和改进,使其更具智能化,将它们应用于巡航导弹的航路规划问题,详细地考虑了巡航导弹航路规划中的各种影响因素,提出合理的代价函数,进行了仿真计算.仿真结果表明,圆径图和改进后的蚁群算法能够较好地解决巡航导弹的航路规划问题,改进后的算法收敛速度快,全局寻优能力强.     

无人机雁行仿生群飞路径规划

为解决单架无人机因互相之间没有通信机制而无法独立进行路径规划的问题,提出一种仿生雁群路径航 路选择的无人机群飞路径规划。介绍算法原理,将无人机初始化为粒子后,在无人机群中确定主机、僚机。依据遗 传算法基础原理,将仿生学引入到无人机群协同编队飞行航点规划当中,使用遗传算法对组群飞行的主机航路进行 路径规划,产生需要的解或最优解;通过模仿雁群跟随的策略,设计僚机跟随主机的算法,从而实现组群飞行,并 进行了实验验证。实验结果表明,该研究对无人机群飞行控制有一定的参考价值。     

基于改进蚁群算法的软件测试方法

为了降低软件的测试成本,提高软件测试效率,提出一种基于改进蚁群算法的软件测试方法.将Markov决策模型应用到软件测试过程当中,采用测试用例约简技术对测试用例集进行简化,利用贪心算法求得的较优解增强蚁群算法初始时刻信息素,通过改进的蚁群算法求得最优解,并进行仿真分析.仿真结果表明:改进的测试方法比采用基本蚁群算法的测试方法求得解更优,说明改进的测试方法可以使搜索时间更短,并可降低软件的测试成本.