基于改进鸽群优化算法的多无人机目标搜索

在三维未知环境中无人机目标搜索是一项非常具有挑战性和现实性意义的任务。鸽群优化算法相比于其他智能算法收敛速度快,搜索效率高,适用于目标优化任务,因此提出一种基于鸽群优化算法的多无人机目标搜索方法,无人机通过搜索目标留下的信息素搜寻目标。针对鸽群优化算法容易陷入局部最优的问题,利用基于差分进化策略对鸽群优化算法进行改进。仿真实验验证了提出的基于改进鸽群优化算法的多无人机目标搜索方法的合理性和有效性。     

基于自适应变异的多目标鸽群优化的无人机目标搜索

无人机在搜索任务中起着关键的作用,它能够在复杂环境中寻找到目标.无人机搜索问题是一个相对复杂的多约束条件下的多目标优化问题.大多数搜索算法不能满足搜索过程中高效率和低功耗的要求.本文所采用的目标搜索方法是一种基于Agent路由和光传感器的解耦滚动时域方法.为了优化目标搜索方法的参数,本文提出一种基于Agent路由和光传感器的自适应变异多目标鸽群优化(AMMOPIO)算法.利用自适应飞行机制可以获得较好的鸽群分布,种群具有多样性和收敛性.利用变异机制简化了鸽群优化算法中的模型,提高了搜索效率.实验仿真结果验证了所提出的AMMOPIO算法在目标搜索问题中的可行性和有效性.     

针对动态目标的多无人机协同组合差分进化搜索方法

针对多无人机动态目标协同搜索问题,提出一种组合差分进化无人机协同搜索航迹规划方法.建立动态目标协同搜索环境信息图模型及无人机运动模型.基于改进差分蝙蝠算法和自适应差分进化算法,设计基于种群数量自适应分配的组合框架,将差分进化算法中的变异、交叉和选择机制引入蝙蝠算法,构建组合差分进化算法的协同搜索算法,并对无人机动态目标协同搜索的航迹进行优化.针对待搜索目标轨迹随机多变且具有规避侦察特性的现实场景,建立可回访数字信息图和自适应目标搜索增益函数,从而提高无人机对动态目标的捕获能力.最后,通过仿真结果验证所提出的无人机动态目标协同搜索算法的有效性.     

基于自适应变异的多目标鸽群优化的无人机目标搜索（英文）

无人机在搜索任务中起着关键的作用,它能够在复杂环境中寻找到目标.无人机搜索问题是一个相对复杂的多约束条件下的多目标优化问题.大多数搜索算法不能满足搜索过程中高效率和低功耗的要求.本文所采用的目标搜索方法是一种基于Agent路由和光传感器的解耦滚动时域方法.为了优化目标搜索方法的参数,本文提出一种基于Agent路由和光传感器的自适应变异多目标鸽群优化(AMMOPIO)算法.利用自适应飞行机制可以获得较好的鸽群分布,种群具有多样性和收敛性.利用变异机制简化了鸽群优化算法中的模型,提高了搜索效率.实验仿真结果验证了所提出的AMMOPIO算法在目标搜索问题中的可行性和有效性.     

多运动目标的多无人机协同搜索追踪策略

针对多无人机协同搜索追踪区域内多运动目标问题,考虑无人机的传感器与避撞等约束和目标随机运动等特征,提出了以垂线搜索为基础的多无人机协同搜索追踪策略.策略包含任务分配和航迹规划两部分.在任务分配部分,设计了航道均分垂线搜索算法,将搜索资源在区域内均匀分配,提高协同搜索效能.在航迹规划部分,设计了改进的人工势场算法,避免发...     

面向不确定目标的多无人机协同搜索控制方法

目标搜索是多无人机协同控制的重要研究内容。多架UAV(Unmanned Aeiral Vehicle)同时对一个未知区域进行搜索,目的在于获取搜索区域的信息,尽可能多地发现目标。针对不确定目标的搜索问题,研究多无人机协同搜索控制的新方法。建立多UAV运动模型,用目标存在概率对搜索环境进行描述,给出基于Bayesian准则的搜索环境更新方法,考虑了环境探测回报、目标发现回报和无人机协同回报,采用MPC实现对多目标优化问题的迭代求解。通过仿真实验和对比分析,证明了该方法具有更好的搜索性能。     

多无人机模糊多目标分布式地面目标协同追踪

针对城市环境中多约束条件下多无人机协同追踪地面目标问题,综合考虑具有不同重要性等级的多个优化目标,提出了一种基于分布式预测控制的模糊多目标航迹规划方法.首先,考虑城市环境中建筑物对无人机视线遮挡、无人机和传感器能量消耗等因素,分别采用目标覆盖度、控制输入代价和开关量形式传感器能耗等为目标函数,将多无人机协同追踪航迹规划转化为多目标优化问题;然后,基于分布式预测控制框架,利用每架无人机未来有限时域内的预测状态,构建多无人机之间的避碰约束,并结合最小转弯半径等约束,形成分布式协同航迹规划模型;最后,针对多个优化目标的不同重要性等级要求,利用模糊满意优化思想将目标模糊化,并根据更重要目标具有更重要满意度的原则,将优先等级表示为松弛满意度序,通过在线求解得到有限时域内每架无人机的局部航迹;与传统多目标加权算法仿真结果对比,验证了所提方法的有效性,充分说明了该方法能够获得同时满足目标优化和重要性等级要求的最优航迹.     

基于集散式模型预测控制的多无人机协同分区搜索

针对多无人机在对大范围目标区域执行协同搜索任务时搜索资源分配不均、容易因频繁转场造成资源浪费等问题,借鉴集中式控制和分布式控制结构的优点,建立了集散式多无人机(unmanned aerial vehicle,UAV)协同搜索结构体系,通过聚类分析和V图划分等方法对目标区域进行分区,结合各子区域任务特点对无人机群进行搜索任务分配,并采用一种经改进后可有效增大UAV预测范围的预测控制模型,研究了动态环境下多UAV集散式协同分区搜索问题,最后,将所提方法与常见几种协同搜索方法进行对比仿真,获取仿真结果验证了所提方法在目标发现概率和搜索效率方面的有效性和优越性.     

基于高维多目标优化的多无人机协同航迹规划

随着无人机应用领域的增多,多无人机协同航迹规划问题变得愈发重要.然而,现存的多无人机协同航迹规划问题大多将多个目标加权转换为单目标问题进行优化,为减少多目标加权的主观性,本文提出一种基于高维多目标优化的多无人机协同航迹规划模型,此模型可以同时优化多无人机航迹距离代价、多无人机航迹威胁代价、多无人机航迹能耗代价,以及多无...     

基于MTPM和DPM的多无人机协同广域目标搜索滚动时域决策

传统的协同搜索决策方法在目标引导和机间协同方面存在不足. 研究建立了基于分布概率预测的目标概率图（Target probability map,TPM）初始化方法和基于贝叶斯准则的目标概率图动态更新方法,形成了修正目标概率图（Modified TPM,MTPM）及其运算机理.考虑对任务子区域进行可控回访,定义了数字信息素图（Digital pheromone map,DPM）,建立了数字信息素图使用方法及更新机理.设计了基于MTPM和DPM的寻优指标,建立了基于滚动时域控制的协同搜索决策方法（MTPM-DPM-RHC method,MDR）.仿真表明： 1） MTPM能有效降低对目标的虚警率和漏检率;2） DPM能有效实现对任务区域可控回访;3） MDR方法的遍历能力、重访能力和目标搜索效率均优于已有方法.     

未知环境中无人机协同搜索信息融合方法研究

针对未知环境中多无人机协同搜索的信息融合问题进行研究,建立了环境模型及无人机搜索模型,在此基础上,提出基于D-S证据理论的无人机协同搜索信息融合方法。在协同搜索中运用该方法不仅能够快速发现目标,并能有效识别不同性质的目标。将该方法与传统的贝叶斯融合方法分别应用于多无人机协同搜索决策中,通过比较仿真结果验证了D-S信息融合方法的有效性及优越性。     

基于鸽群的鲁棒强化学习算法

强化学习是一种人工智能算法,具有计算逻辑清晰、模型易扩展的优点,可以在较少甚至没有先验信息的前提下,通过和环境交互并最大化值函数,调优策略性能,有效地降低物理模型引起的复杂性。基于策略梯度的强化学习算法目前已成功应用于图像智能识别、机器人控制、自动驾驶路径规划等领域。然而强化学习高度依赖采样的特性决定了其训练过程需要大量样本来收敛,且决策的准确性易受到与仿真环境中不匹配的轻微干扰造成严重影响。特别是当强化学习应用于控制领域时,由于无法保证算法的收敛性,难以对其稳定性进行证明,为此,需要对强化学习进行改进。考虑到群体智能算法可通过群体协作解决复杂问题,具有自组织性及稳定性强的特征,利用其对强化学习进行优化求解是一个提高强化学习模型稳定性的有效途径。结合群体智能中的鸽群算法,对基于策略梯度的强化学习进行改进：针对求解策略梯度时存在迭代求解可能无法收敛的问题,提出了基于鸽群的强化学习算法,以最大化未来奖励为目的求解策略梯度,将鸽群算法中的适应性函数和强化学习结合估计策略的优劣,避免求解陷入死循环,提高了强化学习算法的稳定性。在具有非线性关系的两轮倒立摆机器人控制系统上进行仿真验证,实验结果表...     

MAUV协同搜索多智能目标的路径规划

本文针对复杂水下环境中多自主式水下机器人(MAUV)协同搜索多个智能目标这一重要课题展开研究. 首 先, 利用马尔科夫链建立智能目标的决策状态转移模型的同时考虑了智能目标决策与行动的对应关系, 并结合不同 光照反射强度下传感器探测概率受限模型, 设计新的目标概率图更新策略. 然后, 结合MAUV系统的约束条件和搜 索效率建立实时适应值函数. 接着, 本文提出一种改进的多狼群算法(IMWPA)搜索策略, 包括: 1) 利用人工势场法 调整步长因子, 使启发式算法更加适应探索过程. 2) 设计多狼群嚎叫环节, 建立了狼群间的信息交流渠道. 3) 提出 新的狼群淘汰更新机制, 保障了人工狼多样性的同时避免算法趋于完全随机. 最后, 通过MATLAB仿真实验对比验 证了本文算法的可行性及优越性.     

随机运动目标搜索问题的最优控制模型

提出了Rn空间中做布朗运动的随机运动目标的搜索问题的最优控制模型.采用分析的方法来研究随机运动目标的最优搜索问题,并将原问题转化为由一个二阶偏微分方程(HJB方程)所表示的确定性分布参数系统的等价问题,推导出随机运动目标的最优搜索问题的HJB方程,并证明了该方程的解即是所寻求的最优搜索策略.由此给出了一个计算最优搜索策略的算法和一个实例.     

基于Powell局部搜索策略的全局优化布谷鸟算法

为了解决布谷鸟搜索算法后期收敛速度慢、求解精度不高、易陷入局部最优等缺陷,提出了一种基于Powell局部搜索策略的全局优化布谷鸟搜索算法.算法将布谷鸟全局搜索能力与Powell方法的局部寻优性能有机地结合,并根据适应度值逐步构建精英种群候选解池在迭代后期牵引Powell搜索的局部优化,在保证求解速度、尽可能找到全局极值点的同时提高算法的求解精度.对52个典型测试函数实验结果表明,该算法相比于传统的布谷鸟搜索算法不仅寻优精度和寻优率有所提高,并且适应能力强、鲁棒性好,与最新提出的其他改进算法相比也具有一定的竞争优势.     

A hierarchical neighbourhood search method for topology optimization

This paper presents a hierarchical neighbourhood search method for solving topology optimization problems defined on discretized linearly elastic continuum structures. The design of the structure is represented by binary design variables indicating material or void in the various finite elements.Two different designs are called neighbours if they differ in only one single element, in which one of them has material while the other has void. The proposed neighbourhood search method repeatedly jumps to the best neighbour of the current design until a local optimum has been found, where no further improvement can be made. The engine of the method is an efficient exploitation of the fact that if only one element is changed (from material to void or from void to material) then the new global stiffness matrix is just a low-rank modification of the old one. To further speed up the process, the method is implemented in a hierarchical way. Starting from a coarse finite element mesh, the neighbourhood search is repeatedly applied on finer and finer meshes.Numerical results are presented for minimum-weight problems with constraints on respectively compliance, strain energy densities in all non-void elements, and von Mises stresses in all non-void elements.     

高效的线搜索寻优方法

在涉及计算机寻优等许多工程领域,都需要使用多元函数的最优化。线搜索是多元函数的最优化中已知搜索方向求最优步长的关键技术。为了提出一种高效的线搜索算法,对线搜索进行详细研究,提出一种新的线搜索寻优方法--类康托法。主要方法是去除了Fibonacci法中两个试探点必须保留一个的限制,每次把搜索区间三等分,根据试探点的导数值,来决定去除哪两个子区间。通过理论和实例的证明,结果发现类康托法比0.618法和Fibonacci法更高效,计算速度更快。其中最重要的结论是类康托法为这两种方法收敛速度的高阶无穷小。特别是在精度要求很高的时候,类康托法比这两种算法具有更明显的优势。此外,该方法具有较强的适用性,不但能用于凸函数,也能用于凹函数。