基于粒子群优化算法的无人机航迹规划

提出一种基于粒子群优化算法的无人机路径规划方法,利用粒子群优化算法,将约束条件和搜索算法相结合,从而有效减小搜索空间,得到一条全局最优路径。仿真结果表明：该方法能够快速有效地完成规划任务,获得满意的三维航迹。     

基于改进粒子群优化算法的路径规划方法研究

文中充分利用粒子群优化算法收敛速度快、机理简单和编码实现容易的优点，提出了一种新颖的极坐标空间粒子群路径规划方法，并将其应用于真实海图数据环境中。通过仿真实验表明改进的粒子群算法同传统的PSO算法及遗传算法相比，在解决路径规划问题上具有更快的收敛速度和更高的收敛精度。     

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.     

基于免疫克隆粒子群算法的无人机航迹规划

针对无人机飞行中可能遭遇突发移动威胁的情况,为了提高无人机路径规划的安全性和快速性,文中提出基于免疫克隆粒子群算法的航迹规划策略。该策略在标准粒子群算法中,结合变结构优化搜索理论,引入免疫克隆优化搜索。与同类路径规划算法的对比仿真发现,该策略有效改善粒子群算法的局部和全局搜索能力。仿真结果表明,文中提出的规划策略,满足无人机航迹规划需求,且在速度和安全性能两方面较其他算法更优。     

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。     

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。     

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。     

越野环境下基于势能场模型的智能车概率图路径规划方法

复杂越野环境下的路径规划是实现智能车无人驾驶的一项关键技术。越野环境中存在多种影响车辆运动的障碍物、环境威胁和越野道路,传统路径规划方法以路径长度或时间最短为优化目标,难以在复杂越野环境中正确规划安全可行的车辆行驶路径。针对该问题,提出了基于势能场模型的概率图（AFP-PRM）算法,采用人工势能场算法对越野环境建模,评估车辆通行风险。使用概率图算法以优化节点间多维度通行代价为目标进行路径规划;考虑车辆动力学特性,用动态曲率平滑法对行车轨迹优化;应用AFP-PRM算法在模拟越野环境下进行路径规划仿真实验。仿真结果表明：AFP-PRM算法在路径规划过程中采用人工势能场算法,综合了越野环境中障碍物、环境威胁和道路条件的耦合作用;使用概率图算法,建立采样点之间的多维度通行代价评估矩阵;在复杂的越野道路条件下生成可行、安全、高效的通行路径,为智能车提供了一种多目标优化路径规划算法。     

离散交通信号控制模型及其优化算法

离散交通信号控制模型在自适应粒子群算法中引入变异算子,以更新粒子群算法的个体极值点和全局极值点.在此模型基础上,应用四种自适应变异粒子群算法优化城市交通信号控制配时方案,同时比较分析各变异算子的优劣.然后选出最优的自适应变异粒子群算法对不同的交通流进行连续优化控制.仿真表明该混合算法可解决易陷入局部收敛的缺陷并能够有效实现交通信号优化控制.     

基于微分平坦的分层轨迹规划算法

为充分考虑横纵向耦合和汽车运动学特性对轨迹规划的影响，提出一种分层优化的轨迹规划算法框架。利用贝塞尔曲线的凸包性设计安全走廊约束，以轨迹平滑性为目标函数得到一个基于贝塞尔曲线节点的下层规划器。在上层规划器中，基于下层规划器求解得到的横纵向贝塞尔曲线和车辆运动学模型的微分平坦输出进行三维耦合，构建满足车辆乘坐舒适性、高效性和安全性的目标函数，利用粒子群优化算法对贝塞尔轨迹初始参数进行二次优化得到综合性能最优的行驶轨迹。仿真结果表明：新算法在保证安全性的同时，具有良好的乘坐舒适性和可跟踪性；由于二次规划与粒子群优化算法的求解效率高，此框架实时性强，具有概率完备性。     

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。     

一种无人侦察机监控航线规划方法

提出了一种基于粒子群优化算法的监控航线规划，探讨了粒子群中单个粒子的编码方式和解码顺序，研究了航线光顺方法．最后进行了仿真检验．结果表明，该算法切实可行，初步解决了无人侦察机的监控航线规划问题，在一定程度上提高了无人侦察机的监控效率．     

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。     

基于模拟退火算法的岛礁补给路径规划

为了高效、准确地解决岛礁补给最优路径规划问题,基于模拟退火算法对该问题进行了研究.采用路径长度最短作为海岛补给路径规划的最优指标,利用模拟退火算法求解最短路径.并分别对蚁群算法和模拟退火算法路径规划进行仿真分析,仿真结果表明:在岛礁补给路径规划问题上,模拟退火算法不仅可以高效准确地解决岛礁最优路径规划问题,而且相对于蚁群算法具有能避免陷入局部最优,计算结果稳定且效率更高等优势.该方法不仅可以用于岛礁补给路径规划,还可以用于解决无人平台、飞行器等路径规划的问题.     

多平台协同突防航路规划

为解决多平台协同突防航路规划问题,提出协同突防航路规划方法框架。通过控制点基于分段保形二次插值描述与生成航路,建立包含平均航路长度、航路长度标准差、累积威胁程度的优化指标,并合成为加权综合目标函数,给出包含转弯半径判断、航路交叉判断以及障碍冲突判断的约束条件,通过粒子群优化算法进行航路控制点优化求解。在不同场景下进行航路规划求解,并分析了优化参数对于方法求解的影响。结果表明,方法能够给出可行且优化的协同突防航路。同时,优化指标的选取与约束条件的建立和航路规划过程解耦,可以在本方法框架的基础上根据实际问题需求自行配置优化指标与约束条件,一定程度上拓展了方法的通用性。     

基于遗传算法的机器鱼水中路径规划

针对机器鱼水中路径寻优的具体要求,提出一种以遗传算法为基础的机器鱼路径规划方法。通过介绍遗传算法的3种基本操作,将遗传算法应用到试验场景中规划出最优路径,分析研究了一种根据目标点与机器鱼的距离变化而改变机器鱼运动速度的策略,并进行仿真分析和实验。仿真结果表明：采用遗传算法的水中救援路径规划可将救援时间缩短30%以上,提高了寻优效率。说明遗传算法对机器鱼的路径规划具有积极效果和快速寻优特性。     

基于优先排序与粒子群优化的装备保障任务规划方法

针对装备保障任务规划过程中保障资源占用冲突及保障任务逻辑关系约束的实际问题,构建基于任务优先排序的解空间模型,并进一步提出基于优先排序与改进粒子群优化的装备保障任务规划方法。该方法将分解后的保障任务按照其重要性和逻辑顺序进行优先排序,并根据排序结果对粒子群优化算法得到的任务与资源匹配解空间进行调整,以解决资源占用冲突和逻辑顺序问题。为保证每次迭代后的粒子为可行解,提出不可行粒子的多维异步处理机制,提高了粒子群优化算法的搜索效率。通过实例应用仿真分析,验证了该方法在装备保障任务规划中的有效性和优越性。     

基于改进粒子群算法的野战油库选址优化

针对标准粒子群算法容易陷入局部最优,提出了改进粒子群算法;对粒子的自适应性和惯性权重进行改进,建立了野战油料选址模型;通过仿真,发现改进粒子群算法克服了标准粒子群算法容易陷入局部最优的问题,且寻优能力强,对部队的野战油库选址具有指导作用。     

安全性A*算法融合动态窗口法的路径规划

针对移动机器人在路径寻优过程中,传统A*算法搜索效率差、所规划路径缺乏安全性、拐点多、转角大 且无法实现动态避障等问题,提出一种安全性A*算法和动态窗口法(dynamic window approach,DWA)结合的融合算 法。全局路径规划中,在传统A*算法的评价函数中引入安全估值,并拓展启发式搜索邻域和精简搜索方向;进行二 次路径优化,删除冗余节点,并平滑路径;运用改进的动态窗口评价函数,将安全性A*算法与动态窗口法融合实现 机器人沿全局路径行进中的动态避障。仿真实验结果表明：改进A*算法相比文献算法在路径长度上和拐角数量上平 均减少了2.39%和25%,并在动态复杂环境下验证了其动态避障效果,能满足机器人路径规划的实际需求,具有一 定的应用价值。