基于改进粒子群算法的无人机三维航迹规划

针对传统粒子群(Particle Swarm Optimization, PSO)算法在航迹规划的过程中需要根据无人机性能建立约束条件和易陷入局部最优值的缺点,提出了一种结合天牛须(Beetle Antennae Search, BAS)算法的球坐标PSO算法。该改进算法直接利用球坐标系对无人机的航向角和俯仰角进行约束,并且通过BAS算法避免PSO算法陷入局部最优值。根据数字高程地图建立仿真环境,综合考虑航迹长度、平滑度和危险性等因素构建目标函数。仿真结果表明,改进后的算法与其他PSO算法相比,规划的三维航迹质量更高,能够很好地适应无人机在各种环境下的飞行要求。     

无人机三维路径规划的粒子群混合算法

路径规划是无人机控制过程中的重要环节之一,现有基于粒子群等算法的传统路径规划方法存在容易陷入局部最优等问题,无法适应现实场景中复杂环境及高搜索速度的要求。针对已有方法的缺陷,提出了一种无人机路径规划的高性能细菌觅食-遗传-粒子群混合算法,以传统粒子群优化算法为基础,引入细菌觅食算法及遗传算法思想,提高算法计算速度与能力,同时考虑实际场景中无人机的运行约束,进一步提高了方法的可用性。最后,利用仿真实验验证了所提方法的有效性,并通过与传统方法对比证明了所提方法在运行时间、规划航程等方面的优越性。     

改进粒子群算法的巡航导弹路径规划

针对巡航导弹的战术特点,在设定威胁源为分布位置己知的敌方探测雷达、巡航导弹在某一高度上对探测雷达做等速水平规避运动的基础上,提出了一种新的路径规划区域粒度控制图——对称标距图;对近年来出现的粒子群算法进行了改进以使其更具智能化,将它应用于巡航导弹路径规划问题,并进行了仿真计算。仿真结果表明,对称标距图和改进后的粒子群算法能够比较好地解决巡航导弹的路径规划问题。     

基于改进混合粒子群算法的无人机充电路径规划方法

无线可充电传感器网络(Wireless Rechargeable Sensor Networks, WRSNs)是由若干个可无线充电的传感器节点自组织形成的网络。利用无人机(Unmanned Aerial Vehicle, UAV)作为移动电源,对WRSNs网络中传感器节点进行充电,将无人机飞行能耗联合传感器节点充电量作为优化目标,提出一种惯性权重线性递减混合粒子群算法,对无人机的充电路径进行规划。仿真验证表明,相比传统的粒子群(Particle Swarm Optimization, PSO)算法,该算法在收敛速度、无人机飞行能耗以及传感器节点充电量等指标上都有明显的优势。     

基于改进粒子群优化算法的无人机实时航迹规划

在无人机航迹规划中,通过改变惯性权重和采用自适应粒子群编码方式,以最大转弯半径、步进、最短距离和回避威胁作为航迹的评价指标,将约束条件、地形地貌及威胁信息引入适应度函数等方法,对粒子群优化算法进行改进,解决了粒子群算法在寻优过程中易陷入局部最优的问题.仿真结果表明,该方法可实现在线实时航迹规划.     

基于群体智能算法的无人机协同搜索

为解决无人机集群进行协同搜索时的任务分配问题,在基于天牛须搜索的粒子群优化(BSO)算法的基础上设计了一种天牛粒子群混合(BSO-BAS)算法,克服了粒子群优化(PSO)算法易陷入局部最优解、寻优不稳定的缺点。以多旅行商模型(MTSP)为基础构建了多目标、多约束的无人机集群任务分配模型。通过实验仿真与原始寻优算法进行对比,验证了所设计算法求解无人机协同搜索任务分配问题的可行性和稳定性。     

基于改进粒子群算法的多UAV协同侦察任务规划

针对多无人机（UAV）协同侦察的任务规划问题,充分考虑侦察目标的侦察分辨率和时间窗约束,建立了数学模型;提出了一种改进的粒子群算法,使得粒子群能够较均匀地在问题空间内搜索,避免陷入局部极值,在保持传统PSO算法快速收敛的同时,加强了算法局部搜索能力。基于该模型和优化算法,制定了合理的多UAV协同侦察任务计划,使得多UAV协同侦察任务在满足任务要求、平台性能和战场约束的条件下具有最小代价和最优作战效能。     

改进粒子群算法的UAV突防路径规划

面对复杂地形条件下的无人机突防任务,粒子群算法(PSO)在寻找最优路径的过程中易陷入局部最优、搜索时间过长等困境。针对上述问题,在PSO中引入球坐标系,将所得的路径看作向量。通过向量的距离、仰角和方位角与无人机的速度、俯仰角和转向角的相互关系来实现粒子的迭代更新。最后,引入随机自适应惯性权重,弥补粒子前期局部搜索能力与后期全局搜索能力的不足。仿真结果表明,改进算法能够有效规避威胁区域,收敛速度更快,收敛精度更高,且不易陷入局部最优。     

基于粒子群优化算法的机器人路径规划

文章提出一种机器人路径规划的有效算法,为机器人找到一条从起点到终点最短的无碰撞路径,主要是优化了粒子群的惯性权重,然而其在不同的阶段采用不同的权重值。通过实验发现,改进后粒子群能够收敛得更快,数据收敛得更精确。     

采用改进粒子群算法的无人机协同航迹规划

为合理解决多无人机协同航迹规划问题,提出了两种解决方法。针对提出的空间直接法,将多无人机三维协同航迹规划问题简化为具有时间约束的二维航迹规划,并对传统协同变量和协同函数进行新的构建,最后结合一种改进的粒子群算法作了进一步的仿真实验,并取得了比较理想的结果。     

基于改进灰狼优化算法的三维路径规划

针对移动机器人三维路径规划问题,提出一种基于改进灰狼优化算法的移动机器人三维路径规划方法.首先,利用超立方体抽样初始化灰狼种群,提高初始种群的质量,引入动态权重,加大最优狼比重,加快算法的收敛速度和精度;其次,提出降维-升维的地图处理方法,降低三维地图的复杂程度,加快算法的求解速度;最后,结合人工势场法,对局部未知的动...     

利用人工免疫算法规划三维飞行航迹

利用人工免疫算法来规划的三维飞行航迹.人工免疫算法根据接种方式的不同分为3种情况:随机选择染色体进行接种;所有染色体挨个接种;每个染色体都接种但接种位置是随机的.分别按这3种情况对飞行航迹进行仿真,并对其规划出的航迹进行对比分析.同时,针对威胁的不确定性进行了仿真.最后根据飞机的机动性和适航性对上述规划出的航迹进行了优...     

用改进变异粒子算法实现突发威胁下的无人机航迹规划

针对无人飞行器航迹规划问题,提出一种改进变异粒子群算法及航迹节点拓展法,有效解决了突发威胁下的航迹规划问题,并进行仿真验证。通过引入维量化活性度解决了粒子群算法搜索后期速度下降问题,通过相对坐标转换避免了采用一元多项式函数作为水平航迹丢失部分解的情况。仿真表明,利用改进的变异粒子群算法能够有效地提高搜索速度和精度,适用于突发威胁下的航迹规划问题。     

基于改进遗传算法的机器人路径规划

本文在应用遗传算法进行机器人路径规划时,针对遗传算法的"早熟收敛"和"收敛速度慢"两大难题,结合具体的应用背景,在各种改进遗传操作的基础上,把遗传算法和简单图搜索方法相结合,减少了搜索的盲目性,使得优秀个体能较快地产生,算法在很少的进化代数中就可以求出问题最优解.算法的分析和测试表明,本文算法的改进是有效的.     

基于改进RRT-Connect的协同航迹规划

提出一种基于改进双向快速扩展随机树(RRT-Connect)算法的无人机协同航迹规划方法.首先针对基本RRT-Connect算法效率较低且采样具有随机性的缺陷,提出一种改进RRT-Connect算法,通过控制采样范围、引入目标引力来降低无效采样,加快算法的收敛性;利用混沌序列来保证采样节点一定的随机性.利用改进RRT-...     

基于射线模型的改进全局路径规划算法

针对目前服务于移动机器人的全局路径规划算法存在拐点多、耗时长或递归计算复杂等问题,本文提出一种基于射线模型的改进全局路径搜索算法.利用形态学滤波处理障碍物栅格地图,并引入碰撞估值增加靠近障碍物的栅格的代价值,形成梯度代价栅格地图.结合射线模型从起点向终点进行射线搜索,并在搜索过程中通过逆向优化算法优化路径.通过实验证明...     

改进A*算法的多约束航迹规划

针对当前航迹规划的研究偏于理论、规划效率不高的问题, 从工程应用出发, 分析了航迹规划的多种约束条件, 提出了一种多约束条件下的快速航迹规划方法, 设计了基于航向角有限离散变化思想的工程化搜索策略;改进了A*算法流程, 采用结构体链表式的最小二叉堆技术管理OPEN表和CLOSE表, 显著提高算法的规划效率;提出了删除航路点的航迹优化方法, 对传统A*算法和改进的算法分别进行了仿真。结果表明, 在多约束条件下, 该方法显著提高了规划效率。