多平台反舰导弹协同航迹规划

为了提高反舰导弹突防概率,基于遗传算法提出了一种多平台反舰导弹协同航迹规划算法．首先,重点讨论了协同航迹的评价问题．为了达到同步攻击目的,同时使飞行代价最小,研究提出了随种群进化而变化的时间协同度评价策略．其次,探讨了多平台反舰导弹协同航迹规划算法的分解．最后,通过仿真算例校验了该算法寻优得到的诸航迹不仅可使导弹实现协同攻击,而且可以很好地规避威胁．     

基于贝叶斯优化的三维飞行航迹规划

提出了一种基于贝叶斯优化算法的飞行器三维航迹规划方法。把飞行航迹编码为离散时间间隔上飞行器速度向量的变化序列。采用固定时间间隔时,这种编码方法把每一步速度向量的变化量都限制在飞行器最大加速性能之内,所以这种编码方法对应的物理轨迹是可飞的。利用每代种群中的可行解集合构造贝叶斯网络,用贝叶斯网络的结构体现染色体基因位之间的联系,用贝叶斯网络参数体现染色体基因位之间的联系程度。设计了一个多变量K2度量评价网络的优劣。用贝叶斯网络产生新的染色体以体现种群的进化,这取代了传统遗传算法的交叉和变异过程。如果种群中最优个体不满足终止条件,则用新一代种群的可行解集合构造贝叶斯网络,直到满足终止条件。仿真结果验证了算法昀有效性。     

基于细菌进化及多属性决策的航迹规划方法研究

为了优化和完善航迹规划,将细菌进化算法和多属性决策理论相结合。对转弯角的编码考虑了飞行器过载限制;生成初始种群时初始角度分散选取,以保证种群多样性防止早熟;通过变异和基因转移,减少种群数目,加快进化速度;采用生存概率、路径长度、转弯角度综合评价航迹,应用多属性决策方法选择最优航迹。仿真结果表明,优化效率显著提高,规划的航迹有效地规避了威胁。     

无人飞行器海上航迹规划差分进化算法研究

为研究海洋环境下的无人飞行器（UAV）航迹规划问题,提出了一种基于差分进化算法（DE）的航迹规划方法。该方法通过对规划环境进行预处理将岛屿处理成地形威胁区,使问题简化为二维平面规划。采用实数编码方式对航迹进行编码,建立了航迹代价函数的数学模型,从航迹质量、算法稳定性和收敛速度3个方面比较了DE与遗传算法（GA）和粒子群优化算法（PSO)的性能。仿真实验结果表明,所提方法能在复杂的海洋环境下为飞行器规划出一条安全的可飞航迹。     

基于进化计算的多无人飞行器协同航迹规划

提出了一种在已知静态环境下利用进化计算实现多无人飞行器的分层离线协同航迹规划方法．针对多无人飞行器从不同起始点出发同时攻击某一预定目标问题，该方法可规划出由一系列导航点组成的三维航迹，并确保多无人飞行器在按一定的速度飞行时能避免相互碰撞、远离威胁障碍，满足航迹条件及协同限制．结果表明了该方法的可行性．     

单平台反舰导弹协同航迹规划算法研究

单平台反舰导弹协同攻击的核心是协同航迹规划算法。针对单平台反舰导弹协同攻击的问题,提出了基于协同进化的反舰导弹协同航迹规划算法,首先介绍了基因编码方式,然后分析了反舰导弹航迹约束条件和航迹评价函数,建立了CCRP算法模型,最后,通过算例对该算法的有效性进行了检验。该算法可有效解决单平台反舰导弹协同航迹规划问题。     

基于Voronoi图与改进遗传算法的航迹规划

以巡航导弹航迹规划为应用背景,提出了一种基于Voronoi图与改进遗传算法的巡航导弹分层航迹规划算法。该算法基于Voronoi图建立威胁模型对规划环境进行描述,生成初始航迹及导航点;采用变长度染色体整数编码方式,基于回溯深度优先算法产生初始种群,并设计了相应的遗传算子。进行了仿真试验,通过与遗传算法规划结果进行对比,验证了该方法在巡航导弹航迹规划快速性与最优性方面的提高。     

基于网络图的多航迹快速规划方法

针对飞行器多航迹快速规划展开了研究.在航迹片段构成的网络图的基础上,提出了一种基于遗传算法的多航迹快速规划方法.该方法结合航迹片段和网络图的特点,使用特定的编码方式,快速生成可行的初始航迹,再通过与编码方式相关的遗传算子得到最优航迹.实验结果表明,该方法能快速得到多条飞行航迹,更具有战术选择上的灵活性.     

无人机多机协同航迹规划的研究及发展

构建了无人机协同航迹规划的结构框架,并阐述了其发展,分析了无人机系统约束及威胁场约束,探讨了无人机航迹几何建模方法及协同规划算法的国内外研究概况,并着重分析了协同规划算法如遗传算法、神经网络及蚁群算法。最后,阐述了无人机协同航迹规划面临的关键问题及发展趋势。     

基于协进化多子群蚁群算法的多无人作战飞机协同航迹规划研究

协同航迹规划是有效提高多无人作战飞机( UCAV)协同作战效能的关键技术之一。分析了多UCAV协同航迹规划问题中的空间协同约束、时序约束以及任务时间约束，建立了基于“协同系数”的协同航迹性能评价指标；在此基础上，通过引入蚂蚁子群间的协同进化策略，并对蚁群算法状态转移规则、信息素更新机制进行了改进，设计并实现了基于协进化多子群蚁群算法的协同航迹规划算法。仿真实验结果表明：本文方法能够很好地处理多UCAV协同任务中的各类约束条件，是一种有效的协同航迹规划方法。     

基于遗传算法的无人侦察机航迹规划

提出了基于遗传算法的URAV航迹规划,将航迹规划的多种约束与算法相融合,综合考虑了多种约束条件对航迹规划的影响.算法采用了改进的航迹极坐标编码方式,算法参数采用了自适应的交叉率和变异率,实现了URAV以最小的被发现概率到达目标点,仿真结果表明该方法是可行而有效的.     

基于遗传算法的反舰巡航导弹协同航迹规划

针对反舰巡航导弹的协同作战问题,结合遗传算法思想,提出了一种协同航迹规划方法.简述了反舰巡航导弹航迹规划的特点,在此基础上构建了航迹规划模型,规划模型巧妙地把时间协同和方向协同问题转化为航迹代价指标,便于遗传算法求解.仿真结果表明,该方法快速有效,很好地解决了反舰巡航导弹的离线协同航迹规划问题.     

多无人飞行器在线协同航迹规划技术综述

多飞行器协同作战是未来无人飞行器作战的重要趋势。在线协同航迹规划是实现协同作战的重要手段。系统地梳理了近年来多无人飞行器协同航迹规划领域的研究现状,从规划框架、协同规划模型、规划框架和优化方法等方面进行总结,归纳了现有协同航迹规划的主要手段,指出了其中存在的问题,并分析了未来协同航迹规划领域的发展趋势。     

基于遗传算法的军用飞行器航迹规划

为规划出飞行器在低空突防时的最优路径，本文主要采用遗传算法进行航迹规划。文中分析了遗传算法在求解路径规划问题时相对于其它算法的优点，并针对低空突防的特点和飞行器的机动能力，设计了有效的路径遗传算子，改进了简单遗传算法。其结果表明：该方法加快了遗传算法的收敛速度，避免了收敛到局部最优解，并能合理地利用规划区域内的地形与飞行器的机动能力，达到躲避敌方火力单元、有效打击目标的目的。     

基于遗传算法的军用飞行器航迹规划

为规划出飞行器在低空突防时的最优路径,本文主要采用遗传算法进行航迹规划.文中分析了遗传算法在求解路径规划问题时相对于其它算法的优点,并针对低空突防的特点和飞行器的机动能力,设计了有效的路径遗传算子,改进了简单遗传算法.其结果表明该方法加快了遗传算法的收敛速度,避免了收敛到局部最优解,并能合理地利用规划区域内的地形与飞行器的机动能力,达到躲避敌方火力单元、有效打击目标的目的.     

基于自适应A~*算法和改进遗传算法的反舰导弹航路规划

以计算时间和航程距离为优化指标,以反舰导弹机动性、最大动力航程、各种通行障碍为约束条件,提出了反舰导弹射前航路优化的改进A*算法和改进遗传算法。改进A*算法通过构建一个网络来搜索次优路径,在搜索过程中,网络节点间距和节点密度随战场环境自适应改变。该算法以更小的计算量获得更优的航路,而且能够应对复杂程度很高的战场环境。改进遗传算法通过实数编码技术和初始种群智能化创建方法,生成具有可变长的染色体和全部由可行解组成的初始种群,避免了初始种群中由于存在大量非可行解而导致搜索效率降低的问题。最后,对两种改进算法在不同复杂程度的作战环境中进行了仿真实验,结果表明,改进A*算法适合用于复杂战场环境下的实时航路规划,改进遗传算法则适合用于导弹发射前并且精度要求高的航路规划。     

基于改进A-Star算法的无人机航迹规划算法研究

针对传统A- Star算法在无人机航迹规划问题应用中的局限性,提出了一种结合飞行器简化运动学方程的改进A- Star算法,并将该算法应用于解决无人机在未知危险环境中的威胁规避问题;研究了综合考虑各路径代价影响因素情形下的航迹规划方法。最后对无人机参考航迹规划的数字仿真证明了改进算法的有效性。     

基于改进遗传算法的多弹协同攻击航路规划

针对多弹协同攻击航路规划问题,提出一种基于改进遗传算法的多弹协同航路规划方法。通过优化航路 种群初始化的方法,生成能够满足最大航路点个数约束以及最小航路段长度约束的航路;采用亚种群归类将航路区 分为不同的走向,得到多种攻击航路结果;利用进化算子对子代航路进行微调,生成更符合要求的多条航路,并对 多弹攻击航路进行仿真验证。结果表明,该算法可得出最优和多条次优航路,符合多弹协同作战的目的和要求。     

飞行器三维航迹规划算法

提出了一种应用改进遗传算法进行飞行器三维航迹规划的方法。航迹由B样条曲线得到，以代表航迹的B样条曲线的控制顶点坐标值作为染色体的基因位进行浮点数编码。在计算染色个体的适应值函数时充分考虑了飞行器的动力约束以及规避障碍能力。仿真结果表明了该方法的有效性。     

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.