基于粒子群优化算法的多无人机多目标航迹路径规划

针对多无人机多目标航迹路径规划中容易陷入局部最优,机间碰撞以及时效低等问题.提出一种多无人机多目标下改进的粒子群算法（Multi UAV Multi-Objective Improved Particle Swarm Optimization, MUMOIPSO）.该方法将改进的粒子群算法与Dubins算法相结合.首先,通过目标置换以及粒子交叉等方法对粒子群算法中速度和位置更新方式进行改进;通过将自身速度引起位置变化的目标进行置换操作,将个体极值和全局极值影响自身位置变化的粒子进行交叉操作,使改进的粒子群算法适合多无人机多目标航迹路径规划.其次,应用反正切函数改进惯性因子,线性递减函数改进非负的加速度系数,在前期提高无人机全局搜索能力,在后期提高无人机局部搜索能力避免陷入局部最优.最后,采用Dubins算法结合Intersection Type方法规划出一条无碰撞的平滑路径.仿真结果表明,所提出的算法在保证良好稳定性的前提下,其搜索效果与路径规划方式更优,较对比其他算法在适应度函数和总航程方面分别提高16.3%和10.2%.     

基于自适应变异粒子群算法的无人机航迹规划

提出一种基于自适应粒子群算法的航迹规划方法.航迹规划是低空突防过程中的关键技术,目的是得到一条既安全可靠又全局代价最优的三维航迹.针对基本粒子群优化算法容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用自适应粒子群优化算法,仿真结果表明该方法能够快速有效地完成规划任务,获得满意的三维航迹.     

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。     

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.     

混合粒子群和差分进化的定位算法

针对传统无线传感器网络(wireless sensor network,WSN)中节点定位精度不高的问题,提出了一种混合粒子群(particle swarm optimization,PSO)和差分进化优化(differential evolution,DE)算法。首先在PSO中引入惯性权重的自适应更新策略,以兼顾开发和勘探能力,在种群经过PSO进化后,然后根据提前设定的阈值,将其分为适应度值较大的Su种群和适应度值较小的In种群,In中的粒子使用DE算法继续优化。HPSO-DE算法结合PSO算法和DE算法的优点,达到较好的性能。然后用标准测试函数来检测该算法的性能,验证结果表明所提出的HPSO-DE在寻优速度和收敛精度较PSO和DE而言都有了较大提高。接下来将HPSO-DE方法应用到WSN网络节点定位场景上,从实验测试结果可以看出,其精度相比PSO平均提高了0.5 m左右,在定位上具有更大的优势。     

改进粒子群算法的多无人机航迹优化

针对多无人机协同搜索多运动目标航迹优化问题,建立基于搜索概率图的信息环境模型,提出了一种基于人工势场与自适应参数调整粒子群优化的搜索算法(APF-APSO算法),用于不确定环境中的动态目标搜索。利用人工势场中无人机与山体之间、无人机之间的虚拟排斥力进行有效避障,以及无人机与目标之间的虚拟吸引力加快目标搜索;通过非线性的指数函数参数调整法对粒子群参数进行调整,并根据无人机搜索过程中得到的栅格单元信息确定度和目标存在概率对搜索概率图进行实时更新,来引导无人机对目标进行搜索。仿真结果表明,与其他算法相比,所提算法在搜索目标方面具有很大的优势,缩短了路径长度;避免了陷入局部最优解,具有较好的收敛性;能够有效地实现多无人机之间的协同搜索,提高了搜索效率。     

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。     

采用粒子群优化算法的无人机实时航迹规划

战场环境是动态变化的,很难预先获得全局精确的威胁信息,因此需要无人机具备一定的实时航迹规划能力.采用连续型粒子群优化(PSO)算法进行无人机参考航迹的实时规划,以最大转弯半径、步进、最短距离和回避威胁作为适应度函数的评价指标,得到代表最优航路的离散点.对算法进行了相应的仿真,结果表明该方法费时短,占用内存少,可以满足在线实时航迹规划的要求.     

基于混合蚁群算法的无人机航迹规划

由于传统方法在无人机航迹规划实际应用中规划的航迹长度较长,文章提出基于混合蚁群算法的无人机航迹规划。由山峰模型和天气模型组建无人机航迹环境数学模型,描述无人机飞行航迹环境情况,以无人机航迹代价最小建立目标函数,并对无人机航迹长度、高度、速度、转弯角度进行约束,采用混合蚁群算法对目标函数求解,求出最优航迹规划策略。实验证明,文章设计方法规划的航迹长度最短为1 032.58 m,规划航迹长度较短,在无人机航迹规划方面具有良好的应用前景。     

基于粒子群和差分进化的混合算法的配电网重构

根据粒子群和差分进化算法的特点相结合,提出了一种混合算法来解决配电网重构问题。并对粒子群和差分进化的混合算法原理作了详细的描述,根据电力系统的特点对配电网重构混合算法的具体步骤作了详细的描述。该算法以网络损耗最小为目标函数应用于IEEE16节点典型模型的配电网络重构中,仿真的结果表明,该混合算法在重构问题中的可行性和有效性。     

一种多群竞争进化规划算法

易早熟收敛是传统进化规划算法的致命缺点.本文在分析了导致进化规划算法早熟原因的基础上,提出了一种改进的多群进化规划算法.在该算法中,进化在多个不同的子群间并行进行,子群间的竞争决定个体的变异能力,子群间的信息交流通过子群重组实现.对典型算例的数值仿真表明,该算法能够改善传统的进化规划算法易早熟收敛的弱点,同时具有良好的快速收敛性和参数鲁棒性.     

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。     

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。     

多策略差分进化的元胞多目标粒子群算法

为了增加Pareto解集的多样性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种多策略差分进化的元胞多目标粒子群算法.该算法在分析粒子群优化原理基础上,将元胞自动机理论融入粒子群算法,研究粒子种群的交流结构和信息传递机制.为了避免粒子飞行速度过快陷入局部收敛,提出一种限制粒子飞行速度的策略,并引入一种多策略差分进化选择算子增加对粒子的扰动.实验证明,该算法相对于比较算法,有更好的收敛性和多样性.     

基于队形变化的多无人机航迹规划算法

针对多无人机在复杂环境下的航迹规划问题,文中提出基于队形变化的多无人机航迹规划算法。利用领航-跟随的无人机拓扑结构,设计了一种以时间与航程作为衡量指标的代价函数,求解出最优的编队集结点。采用改进的Informed-RRT*算法求解出领航者的渐近最优航迹,结合队形变化策略实现了跟随者的航迹规划与避障。在定义队形变化量、路径长度比、航向稳定性性能指标的基础上,文中进行了仿真实验并对生成航迹进行评价与对比。仿真结果表明,无人机编队实现了在复杂环境下航迹规划与避障,同时为跟随者规划出最优航迹,与领航者最优航迹长度相差不到1%,验证了该算法的实用性与有效性。     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.     

一种基于离散粒子群的多星任务规划算法

对地观测卫星的任务规划是卫星管控中的关键内容,其本质是一个优化决策的过程。面向多对地观测卫星任务规划的问题特点,建立了问题的数学模型,提出了一种基于离散粒子群的优化算法,设计了离散粒子群的位置变化公式。仿真结果表明,离散粒子群算法具有收敛速度快、寻优能力强等优点,能够有效地解决多约束条件下的多星任务规划问题。     

无人机航迹规划群智能优化算法综述

无人机航迹规划是指根据任务目标规划出满足约束条件的飞行轨迹.航迹规划的好坏,对任务的完成产生重大的影响.因此,对航迹规划的研究成为了无人机技术研究的重要内容.本文综述了无人机航迹规划研究的现状,分别介绍了粒子群算法、蚁群算法、蜂群算法三种常见的群智能优化算法及其优缺点,最后对无人机航迹规划群智能优化算法的发展趋势进行了展望.     

基于Voronoi图和离散粒子群优化的无人机航迹规划

航迹规划是根据任务目标规划出满足约束条件的飞行轨迹,是实现无人机突防攻击的关键技术.由于无人机航迹规划的复杂性,提出了一种无人机分层航迹规划的方法,该方法首先由Voronoi图生成初始航路,然后考虑各约束条件,赋予各航路相应的权值,最终应用离散型粒子群算法搜索出满意的规划解.仿真结果表明,该方法规划效率高,占用内存少,...