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...     

考虑搜索收益平衡的多无人机运动目标协同搜索方法

针对无人机集群协同搜索特定区域内多个运动目标问题,考虑无人机群的飞行约束、传感器的探测概率与虚警概率、云台扫摆拍照探测等特征,提出基于搜索收益平衡的多无人机协同搜索动目标方法.以无人机集群搜索的短期收益、长期收益和协调收益的平衡为核心,设计只涉及目标存在概率和环境不确定度,高效率动态更新的搜索信息图,建立了多无人机协同搜索数学规划模型,并基于滚动规划架构和路径剪枝策略进行模型求解.典型无人机集群协同搜索的数值算例验证了本文方法的有效性.数值仿真结果表明,本方法可以搜索到更多的目标且具有更少的误判次数,有效提升多无人机协同搜索效能.而且只采用目标存在概率和环境不确定度来构建搜索信息图,避免了繁琐的计算和参数设置,能高效更新环境信息,有效引导无人机捕获更多的目标,并在秒级的时间内做出每架无人机航迹决策.     

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.     

两阶段模型协同搜索的昂贵多目标进化优化

近年来,昂贵多目标优化问题的求解获得了越来越多的关注.然而,随着决策空间维度的升高,模型的有效性和准确性很难保证.因此,本文提出了一种两阶段模型协同搜索的昂贵多目标进化优化.在该方法中,每轮种群进化前构建全局模型,以辅助加快对最优解集的搜索.随后,利用搜索到的种群选择其邻域样本训练局部模型,对二者集成辅助算法进行进一步搜索.最后,提出基于不确定度的填充采样策略选点,进行真实评价.为了验证算法的有效性,将本文算法与4个算法分别在DTLZ和MaF测试集以及两个实际问题上进行比较,实验结果表明其具有良好的性能.     

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.     

蚁群协同模式搜索算法及其收敛性分析

提出了一种解决无约束连续空间优化问题的蚁群协同模式搜索算法.该算法通过目标函数值启发式信息素引导群体进行区域搜索,而每个个体的模式搜索为算法提供进一步的局部搜索,其搜索结果以信息素融合的方式进行信息共享,为下一次的区域搜索提供依据.通过随机模式搜索算法理论得出了算法的收敛性定理.详细的测试结果体现算法的涌现智能特征,与其他算法的比较结果说明了算法的有效性及群体协同的优势.     

采用捕鱼策略的优化方法

引入一种采用渔夫捕鱼策略的新的优化方法。该优化方法主要采用移动搜索、收缩搜索和加速搜索三种搜索技术。设初始时在搜索域中随机分布有若干个点,每个点看作一个“渔夫”,每个“渔夫”通过移动、收缩和加速三种搜索方式在搜索空间中独立开展寻优活动,以搜寻全局的最优解或最优点。测试结果表明,该算法具有较好的全局搜索能力,因而该优化方法是有效的和可行的。     

优化复杂函数的粒子群-鸽群混合优化算法

针对复杂函数优化问题;提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进;引入惯性因子和跳跃算子增强了粒子群算法的搜索能力;提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合;形成两阶段混合优化算法;同时定义了一种多样性函数对种群进行实时监测;以保证种群的多样性。采用两组经典测试函数;对算法性能进行测试。结果表明;算法适用于求解复杂函数优化问题;且具有较好的收敛速度和收敛精度。     

跨摄像头运动目标检测与识别

跨摄像头运动目标跟踪是目前智能网络临控的一个重点研究方向.本文首先提出了一种局部背景更新法,有效地解决了背景更新的稳定性与平滑性等问题;其次,本文提出了一种基于自适应阈值的运动目标提取与方法,同时通过形态学滤波有效地去除了提取目标时的噪声干扰与空洞问题;最后,文章提出了一种基于YCbCr通道的运动目标直方图特征提取算法...     

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...     

离散
算法的研究

β算法是求解全局优化问题的高效算法,通过利用子算法的组合、搜索空间的压缩来快速求解全局优化问题。针对组合优化问题有限解空间和复杂高维邻域系统的特点,引入表达求解该问题的邻域系统的实值函数,以此为基础提出了离散β算法（DBA）,并讨论了其基本性质和收敛性。