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。     

基于混合算法的无人机路径规划

针对无人机多目标攻击路径规划问题,提出了一种基于Voronoi图的遗传模拟退火算法。首先构建了威胁与障碍的Voronoi图,得出了无人机可行路径的集合,然后给出了目标函数,接着利用Dijkstra算法进行了模型简化,最后利用遗传模拟退火算法进行计算。计算表明,该方法在解决无人机路径规划问题上与单纯的遗传算法相比具有寻优快且好的特点。     

基于蚁群算法的无人机最短航路规划

为解决无人机在执行多航点任务过程中,由于航点数量较多而导致的多种飞行轨迹问题,提出一种仿生 蚁群觅食路径选择的无人机航点任务轨迹规划方法。介绍算法原理,计算信息点的信息素浓度,通过工蚁航点转换 规则和信息素浓度修改规则进行算法实现,并对其进行计算仿真和结果分析。仿真结果表明：该算法能够保证飞行 器以最短路径飞行完成所有航点任务,提高了无人机的任务执行效率,减少了控制系统的时间损耗,便于无人机编 队飞行系统的实现。     

一种基于分割法的无人机路径规划新方法

为解决无人机快速可靠的路径规划问题,提出了一种在威胁分布已知条件下的无人机飞行路径规划新方法。在Matlab软件平台下,运用Voronoi图法根据已知威胁分布获取无人机的初始安全飞行路径,然后采用Dijkstra算法进行路径搜索获取最短路径,再利用提出的分割法对最短路径进一步优化并减少其拐点,最后利用spcrv函数对路径进行平滑以获取最优路径,并通过一系列的仿真证明了该算法可行并具有很好的时间性能。     

基于马尔可夫模型的无人机路径规划的线性化

研究了利用马尔可夫模型对无人机路径规划问题建模,以及马尔可夫模型的线性化问题,提出了离散的马尔可夫模型线性化的方法,并利用数学归纳法进行了证明。仿真结果表明,对状态流程图进行线性化以后,由初始状态到终止状态的每条路径的状态转移概率变得更加直观,能够从状态流程图中清楚地得到各个因素对整个系统任务的影响。     

基于改进A*算法的无人机航路规划方法研究

提出了一种基于改进A^＊算法的无人机航路规划方法,解决了A^＊算法大空间搜索耗时多的问题。仿真结果表明,该方法计算速度快,易于实现。     

基于组合优化算法的无人机航迹规划方法研究

根据遗传算法与蚁群算法各自的特点。将两者进行有机结合构成GA-ACO（genetic algorithm-ant colony optimization）组合优化算法,并将其应用在航迹规划路径寻优中以获取高质量的飞行航路。首先采用全局搜索能力强的遗传算法进行全局快速搜索,选取遗传算法得到的较优解集合,构成蚁群算法中初始信息素分布．再利用蚁群算法正反馈机制的特点求精确解,该组合优化算法在克服两种算法缺点的同时发挥了各自的优点,达到优势互补。仿真结果表明,与基本蚁群算法相比,GA-ACO在提高效率的同时改善了解的质量,是可行和有效的。     

基于改进人工鱼群算法的无人机路径规划

针对使用基于网格划分策略的改进人工鱼群算法计算无人机路径规划问题中寻优精度与算法计算量的矛盾,提出一种改进人工鱼群算法,该算法引入自适应步长和执行概率自适应分段网格遍历策略.算法前期用较大步长全局搜索较优路径,后期用较小步长及网格分段遍历策略在较优解附近进行局部遍历得到更精确最优解.仿真结果表明所提改进人工鱼群算法比原始鱼群算法和自适应步长人工鱼群算法结果更精确、稳定,较基于简单网格划分策略的人工鱼群算法计算量更小.     

未知环境下基于PF-DQN 的无人机路径规划

为解决无人机无模型路径规划的问题,提出一种环境信息未知情况下基于势函数(PF)奖赏的DQN 路径 规划方法。建立无人机在环境中的连续状态空间,将360?等分成若干个角度作为航向角建立无人机的动作空间,设 计目标和障碍物对无人机的势函数奖赏,刻画不同动作对无人机的影响,并进行仿真实验。实验结果表明：PF-DQN 算法能较好地实现无人机在环境信息未知下的无碰撞路径规划,且势函数奖赏能加快无人机路径规划网络的训练 速度。     

基于RRT 优化算法的移动机器人路径规划

针对快速扩展随机树算法(rapidly-exploring random trees,RRT)存在的不足,以移动机器人的研究为背景, 对RRT 算法进行改进优化。依据RRT 算法扩展原理,构建仿真环境地图,通过完成基于概率P 的RRT 优化算法和 基于双向RRT 优化算法仿真实验,将这2 种优化算法结合,提出了基于概率P-双向的RRT 优化算法,并进行了仿 真实验验证。仿真结果表明,经过优化后的RRT 算法在复杂障碍环境中有着良好的收敛效果和鲁棒性。     

基于进化算法的无人飞行器路径规划研究

提出了一种基于遗传算法和B-样条曲线的路径规划新方法。以昏样条曲线控制点的坐标作为遗传因子用遗传算法来进行规划；根据这些控制点，运用B-样条曲线在3维坐标系中生成飞行器路径轨迹。该轨迹是由一些小的B-样条曲线光滑连接而成。由于只对控制点进行规划减小了系统的计算量，极大提高了系统的实时性。仿真表明运用该算法规划的路径可以以最优的轨迹把无人飞行器指引到预定的目的地。     

一种基于遗传算法-模式搜索法的无人机路径规划

为改善遗传算法局部寻优精度较差的固有缺陷,提出一种基于遗传算法-模式搜索法的无人机路径规划算法.采用简单的一维编码表示路径,构造了路径最优化的目标函数和适应度函数.先用遗传算法全局搜索,得到全局近似最优路径,在此基础上使用局部寻优精度好的模式搜索法,得到精度更好的路径.仿真结果表明所提的遗传算法-模式搜索法改善了单一遗传算法局部寻优精度较差的缺陷,提高了路径规划的精度.     

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。     

基于改进蚁群算法的无人机2 维航路规划

针对传统蚁群算法在无人机3 维航路规划中存在搜索时间长、容易陷入局部最优解的问题,提出一种蚁 群算法的改进策略。将固定翼无人机的性能约束条件作为待扩展节点是否可行的判断条件,减小计算量和算法搜索 时间;对航路点的高度规划采用直接设定策略,将3 维航路规划问题简化为2 维航路规划问题,减小算法的复杂性; 改进全局信息素更新规则和安全启发因子,解决了局部最优解和威胁源规避问题。仿真结果表明：改进蚁群算法与 传统蚁群算法相比,能够有效规划出一条从起点到终点的飞行航路,具有更高的有效性和实用性。     

基于流函数法的无人机航路规划

针对无人机的自身特点和飞行任务要求,研究了流函数法在无人机航路规划中的应用.在二维平面中,将地形障碍和雷达等威胁等效为圆柱,无人机目标点等效为汇（sink）,推导了流体运动的复势.提出了流函数法避障时存在滞点问题的解决方案,并将其应用到存在多个障碍物的环境中.考虑无人机最小平飞距离和最小转弯半径约束,用流函数法得到了无人机的规划航路.仿真结果表明,修正后的流函数法可以规划出平滑的航路,同时满足无人机航路规划的要求.     

未知环境中基于A*算法改进的遍历式路径规划算法

针对如何减少未知环境中因复杂地形造成规划路径中存在无效重复路径段问题,提出APF-A*算法。采 用最近邻边界点选择策略保证规划路径对未知环境的高覆盖率,利用人工势场算法改进传统A*算法中估值函数。算 法在栅格地图上进行了实验验证。结果表明：APF-A*算法规划出的路径与A*算法相比在路径总长度方面降低了5.3% 以上,在平均路径重复率方面降低了5.4%以上,APF-A*算法有效减少了无效重复路径段。     

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.     

改进蚁群融合DWA算法的移动机器人路径规划

为实现机器人在动态环境下的自主导航,基于蚁群算法规划出全局最优路径的情况下采用DWA算法进行局部避障。根据距离障碍栅格的远近计算邻接栅格的初始信息素,提出初始信息素不均匀分配原则;对启发式函数进行自适应调整的改进,提高算法的搜索速率;利用狼群法则改进信息素更新方式,对最优、最差和普通层蚂蚁进行分类更新,提高算法的寻优能力;使用二次路径优化的方法,有效减少路径长度,提高路径的平滑度;以蚁群算法全局规划路径的关键点为目标点,采用DWA算法进行局部路径规划。仿真结果表明：改进后的融合算法能减少最优路径长度,减少路径转弯次数且有效躲避障碍物。