无人机群协同作战任务分配方法研究

针对战场环境的多目标、多任务以及无人机能力有限等特点,设计了一种适应于多目标、多无人机、多任务种类的无人机群协同多任务分配模型。结合该模型以及其中的任务偏序约束、协同任务约束、无人机能力约束等约束条件提出了基于任务序列的遗传算法染色体编码方法,和基于同类任务的遗传算法交叉、变异算子。该方法利用遗传算法的全局搜索优化解特点,对无人机群的协同任务分配进行优化。仿真试验表明该方法能够保证满足任务分配约束条件的基础上使任务的分配更加优化。     

多异构无人机任务规划的分布式一体化求解方法

针对多异构固定翼无人机对已知目标群执行侦查、打击、评估任务的规划问题,提出了一种分布式一体化求解方法,该方法将任务执行耗时约束和协同攻击约束加入到协同任务规划模型(CMTAP)中,基于分布式规划架构,通过改进遗传算法的基因编码方式和相关遗传算子,完成任务分配和航迹生成两个子问题的一体化求解。将任务完成的总时间指标加入到代价函数中,保证了各无人机规划航迹的均匀性。建立固定翼无人机六自由度模型,采用矢量场航迹跟踪算法验证了该方法的可用性,并通过蒙特卡洛数学仿真,验证了该方法的快速性。     

一种改进多目标灰狼优化算法的多无人机任务分配

针对多无人机对空中移动目标协同执行多任务问题,本文提出了一种基于并行机制的多目标灰狼优化算法.结合无人机空中态势模型,以最小化执行代价和最小化时间代价为双目标函数,建立了多无人机协同多任务分配模型;将多个无人机视为并行的灰狼子群,对每个子群分别采用分层编码和多目标优化算法保留其最优个体;通过档案室共享策略获得整个群体的...     

无人机对地攻击任务分配问题研究

在不确定条件下的战场环境中,实时有效的动态任务分配是多无人机顺利完成对地攻击任务的关键.由于系统呈现多目标、多任务、多约束等特性,问题的复杂性随问题规模和约束数量急剧增加.文章建立任务分配数学模型,采用NSGA-Ⅱ算法分析并改进,仿真结果验证了所建多无人机攻击任务分配问题模型及所提求解算法的有效性.     

基于蚁群算法的多无人机协同任务规划研究

现代战争中,无人机对战前情报收集、重要空域控制、重点目标监视和打击等起着关键作用.随着攻击方参战无人机的规模增加,相应防御方的防御力度也在提高.无人机群的作战任务面临的是多目标多雷达的防御群.因此,多无人机协同任务规划的研究主要集中在任务分配和路径规划.基于蚁群算法建立了针对目标群简化的数学模型,解决了侦查无人机滞留防御方雷达探测范围内的时间总和最小的航线优化问题,完成了无人机侦查任务拟制最佳路线和调度策略,实现了多无人机的协同任务规划.     

一种招投标机制的多星自主协同任务规划方法

针对多星自主协同遥感背景下非预期任务的快速响应问题,考虑到星上计算资源有限、计算能力较弱等特点,为寻找一种满足星上自主任务规划能力需求的优化算法,提升遥感卫星星群在非预期情况下的快速响应能力,通过多星自主协同规划问题建模、算法设计和仿真分析等模型及算法研究,提出了一种基于招投标机制的自主任务规划方法.该方法首先针对多星自主协同任务规划问题,构建了星上自主任务规划的数学模型,进而在问题求解过程中将一次完整的任务规划合理分解为招标、投标和评标3个过程,并详细设计了求解流程及相应的约束检验规则,由此得到基于招投标机制的多星自主协同任务规划求解算法.该方法与常用智能优化方法相比,能够显著降低计算量,更加适应星上紧张的计算资源约束.通过仿真算例结果表明,针对典型的非预期任务,算法平均仿真运行时间约为1 s,能够在40 s内完成对非预期任务的响应,并且充分保证了原规划任务的完成率,基于此验证了该方法的有效性与正确性.     

一种改进蚂蚁算法的无人机多目标三维航迹规划

传统的标准蚂蚁算法及A*算法求解无人机多目标三维航迹规划存在需设置导航节点及构建VORONOI图等缺陷,针对这一问题,提出了一种改进的蚂蚁算法.该算法将导引因子引入到状态转移策略中,减少了蚂蚁局部搜索的盲目性,确保蚂蚁形成有效航迹,解决了将该算法应用于航迹规划的两个构造难题,即航迹节点不固定和局部搜索难以到达目标节点这两个难题.将雷达、导弹、高炮及大气威胁模型的最大作用距离和有效作用距离等约束条件引入代价函数及启发因子计算中,解决了航迹规划多约束求解困难等问题.仿真结果表明,该算法构造合理,蚂蚁算法无需导航节点及VORONOI图便可自主寻找到目标节点,且收敛速度满足航迹规划要求,生成的航迹代价较小.     

基于遗传算法的多无人机协同逆推式路径规划

综合了多无人机群的任务和任务区域的特点,在优化过程中考虑了机群综合获利效益、无人机(UAV)的的最大转弯角限制和多无人机成员间防碰和威胁区域的生存概率,合理构建了UAV任务的目标函数和约束条件。将协同逆推预测控制(CRH)方法引入无人机机群路径规划方法的研究中,并采用遗传算法求出了满足目标和约束要求的控制量。仿真算例表明采用介绍的协同逆推式路径规划算法,任务空间中无人机能够自动地分别访问不同的目标以得到最大的获利值,证明了算法的有效性。     

面向多点侦察和通信服务的多无人机协同任务分配

针对多无人机对多个异构任务目标进行侦察和通信服务的协同优化问题,通过考虑不同目标的任务要求和价值,以及多机协同增益与任务行为制约关系,构建斯坦伯格博弈模型,将上层无人机建立为博弈领导者,下层无人机建立为博弈的跟随者,并提出一种分布式策略更新迭代算法,实现了多无人机任务分配方案的稳定收敛以及系统任务收益优化.仿真结果显示,所提方法能有效提升多无人机系统同时完成多个任务的效益,并能在不同环境下实现面向异构任务价值的高效协同.     

多人合作多目标交叉规划的一种算法

随着现代社会经济的飞速发展,各个经济系统的联系不断加强,如何实现各个系统的利益最大化和成本最小化,成为人们日益关注的焦点.针对该类问题,研究了一类多人合作多目标交叉规划.首先给出了多人合作交叉多目标规划的模型,从该模型出发给出了求解多人交叉多目标规划的一种算法:对交叉规划问题中的每个子目标函数求解,将交叉规划问题转化为非线性规划问题,通过引入罚因子,用外罚函数法求出非线性规划的最优解.该解也是多人多目标交叉规划问题的非劣解,从该非劣解出发进行搜索,寻找最优解.最后通过算例验证了算法的可行性和有效性.     

多UCAV协同打击多目标实时三维航迹规划

为提高无人作战飞机(Unmanned combat aerial vehicle, UCAV)协同实时航迹规划的实时性和可操作性,针对多架UCAV协同执行对地作战任务过程中的协同实时航迹规划问题,提出一种基于自学习策略和Lévy飞行的正弦余弦优化算法(Sine cosine optimization algorithm with self-learning strategy and Lévy flight, SCASL)的多UCAV协同打击多目标实时三维航迹规划方法.首先,构建三维任务空间模型并根据UCAV平台性能设计了飞行速度、飞行高度、相对距离以及威胁规避等约束条件;其次,基于UCAV的三自由度运动学和动力学质点模型设计了协同实时航迹规划的决策变量;最后,根据UCAV作战使用战术原则构建了目标函数将协同实时航迹规划问题转化为优化问题,采用所提出的自学习策略和Lévy飞行的正弦余弦优化算法对模型进行求解,并采用病毒搜索算法(Virus colony search, VCS)求解模型作为对比实验.仿真结果表明,同等条件下,VCS求解模型得到的仿真结果满足协同性要求但不满足实时性要求,SCASL求解模型得到的仿真结果满足实时性与协同性要求,验证了本文所提出的基于SCASL的多UCAV协同实时航迹规划方法的有效性与优越性.     

时序耦合约束下的多无人机协同任务决策研究

针对多无人机协同执行压制敌防空系统任务时各任务间所具有的特定时序耦合约束,建立相应的异构多无人机协同任务决策模型,提出了一种基于遗传算子的混合引力遗传搜索算法(GSA-GA)来进行问题求解,针对任务之间的时序耦合约束特点,设计了相应的编解码模式,融合遗传算法特有的交叉、变异操作算子对GSA-GA中的个体进行最优解搜索,仿真结果表明该算法能够有效地解决具有时序耦合约束时的多异构无人机协同任务决策问题。通过与传统DPSO算法进行对比分析,不仅具有明显的性能提升,且算法的编解码更易于操作,从而为无人机执行具有时序耦合约束任务时的协同任务分配问题提供了科学的决策依据。     

基于群体智能算法的无人机蜂群拓扑构型方法

面向特定任务场景，无人机蜂群需要通过拓扑构型自主形成特定的拓扑形状以实现高效群体协同机制。拓扑构型通常包含从初始拓扑到目标拓扑的最佳映射和最优拓扑构型位置这两个问题，它们相互影响并直接关系到无人机蜂群的全局能量消耗。基于全局能耗最小化为目标的无人机蜂群拓扑构型联合优化模型，建立了基于群体智能算法的一般化求解框架，给出了基于灰狼优化算法(GWO)、均衡优化算法(EO)和穷富优化算法(PRO)的具体求解方法，并讨论了基于群体智能算法求解优化模型的加速收敛策略。仿真结果证明了该无人机蜂群拓扑构型方法的有效性。在典型拓扑构型场景下，该优化方法在8次迭代内即可实现算法收敛。     

基于分层规划思想的无人机协同优化

无人机自身具有的航空特性和可以进行大面积巡查的特点,使得其在洪水、旱情、地震等自然灾害实时监测方面具备特别优势.在完成灾情巡查、生命迹象探测、通信中继和对地数据传输等协同任务时,需要对无人机进行任务分配与航迹规划.对于无人机巡查重点区域任务规划问题,基于分层规划思想建立了多旅行商数学模型,并使用遗传算法进行求解.首先分配重点区域之间的无人机任务,其次再规划重点区域内部无人机的路线,最后根据无人机的限制条件,在既定路线上进一步优化无人机路线.     

一种改进博弈学习的无人机集群协同围捕方法

针对无人机集群对单智能化目标协同围捕问题,文中提出一种改进博弈学习的无人机集群协同围捕方法。根据集群和目标的运动学关系,建立了一种结合博弈论与阿波罗尼斯圆的协同围捕模型;依据集群之间的相互合作关系和追逃双方的博弈关系,基于Q-Learning算法和学习到的奖赏均值动态调整贪婪因子以构建和完善状态-动作矩阵;根据状态-动作矩阵求解支付矩阵的纳什均衡解,完成集群对单目标的协同围捕。研究结果表明：通过该协同围捕方法各围捕无人机获得的平均奖赏值较传统Q-Learning算法分别提高了48%,32.4%,50.8%,完成围捕任务所需的平均行走步数减少了58.7%,能够有效对单目标进行围捕,且围捕时效性更强。     

基于IMM的无人机在线路径规划决策建模

为提升无人机对目标的自主跟踪能力,以部分可观测马尔科夫决策过程(POMDP)为理论框架,建立起无人机路径在线规划POMDP模型。分析并描述了POMDP模型中的各个要素,针对目标运动规律的复杂性,引入交互多模型(IMM)方法描述POMDP模型中的状态转移规律,以适应目标的机动变化。同时以POMDP模型中的累加代价函数为目标函数,结合使用名义信念状态优化(NBO)算法求解无人机的行动策略,产生的行动策略控制无人机飞行。仿真结果表明,所建立的模型能够实现对无人机路径的自主规划,能够控制无人机对目标进行有效跟踪,规划的无人机路径较之使用单一的目标状态转移规律更加合理高效。     

基于HACO-ALNS的车辆与无人机协同配送问题研究

针对物流配送需求增大、“最后一公里”交付困难、车辆或无人机配送均具有一定局限性等问题,作者提出了带有动态能耗约束的车辆与无人机协同配送问题,以最小化总配送成本为目标建立了混合整数规划模型,在约束中考虑了无人机一次起飞可完成多点配送、客户点差异等限制。设计了一种基于自适应大邻域搜索的混合蚁群算法进行求解,在蚁群算法中融入遗传算法,设计新的启发式因子。实验结果表明,该算法在不同规模算例上均具有良好的求解精度和运行速度。与不同配送模式的对比表明,多点配送的无人机装载率比单点配送高22.1%,动态能耗模式的成本与固定能耗相比平均降幅为3.31%。     

基于鸽群优化的复杂环境下无人机侦查航迹优化

地表环境的复杂性以及机载探测装置探测范围的约束,使得无人机在某些方位无法实现对地面目标的有效监测.因此,在设计无人机侦查航路时需要综合考虑无人机飞行性能与目标可视范围等条件.针对这一问题,提出了一种基于改进鸽群优化与动态规划算法的无人机侦查航路优化方法.首先,通过分析机载探测装置视场与地表环境的相对空间关系,得到了目标周围空域的可视范围.随后,结合鸽群优化理论框架与动态规范方法对无人机的最优侦查航迹进行求解.为提高鸽群优化算法在求解目标排序问题中的效率,提出了一种离散化的鸽群优化改进机制.仿真结果表明,侦查航迹优化算法在提高任务完成度的同时具有很高的求解效率和准确性.     

站间操作者不同的并行拆卸线平衡问题优化

针对现有并行拆卸线对各拆卸线任务定义不明确且数学模型均为概念模型,考虑站间操作者不同,构建以最小化工作站数目、机器人数量、拆卸成本和空闲时间均衡指标为优化目标的并行拆卸线平衡问题的混合整数规划模型. 提出适应该问题的改进头脑风暴优化算法,该算法通过双层编码构造可行拆卸序列,离散化原始操作,设计单个个体和2个个体产生机制的变异交叉方式. 为了增加种群个体的多样性,设计四点交叉的操作策略. 针对优化目标的多重性,引入Pareto解集思想和拥挤距离筛选多目标非劣解. 应用CPLEX和LINGO求解小规模算例精确解,与算法求解结果对比,验证了该模型的正确性与算法的有效性. 应用该算法求解P25经典算例,与现有的多篇文献结果对比,验证了该算法求解性能的优越性. 将所建模型和所提算法应用于电视机与电冰箱的并行拆卸线实例中,通过不同的对比实验验证了所提算法的优越性.     

基于IBA-MOEA的无人机航路规划多目标优化方法

为进一步增强传统无人机航路规划模型的适用性,提高求解此类问题的计算效率,首先建立以复杂山区和敌我双方对抗条件为背景的无人机路径规划模型,在此基础上提出了一种基于改进蝙蝠算法的多目标进化算法(IBA-MOEA),并使用此算法对模型进行了有效求解.所提算法将卷积粒子滤波与蝙蝠算法进行融合,并根据蝙蝠种群的特点,加入蝙蝠种群...