人工蜂群算法的无人机航路规划与平滑

航路规划是无人机(UAV)作战任务规划系统的关键组成部分,目标是在适当的时间内为UAV计算出最优或次最优的飞行航路.人工蜂群(ABC)算法是一种最新发展的模拟昆虫王国中蜜蜂群体寻找优良蜜源的群体智能优化算法.采用人工蜂群算法完成无人机的平滑航路规划,首先阐述了人工蜂群算法的基本原理,然后将无人机航路规划问题通过建模转换成为一个多维函数优化问题,利用人工蜂群算法的优势,找到多维函数的最优解,最后对优化后的航路进行了平滑,使UAV对规划后的航路可飞.仿真实验结果表明,此方法可有效规划出航路,且所规划的航路可飞.     

优化蚁群算法在无人机航路规划中的应用

研究无人机航路规划问题,采用基本蚁群算法易陷入局部最优、搜索时间长导致人机作航路规划效率低的难题.为了提高无人机航路规划效率,提高速度和系统品质特性,提出了一种基于改进蚁群算法的无人机航路规划方法.算法前期采用了保留最优解和自适应航路点选择策略对路径进行优化,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛,提高了搜索效率.采用改进的蚁群算法对无人机任务航路进行仿真,仿真结果表明,改进方法避免了陷入局部最优,并缩短了搜索时间,航路规划效率明显提高,证明是一种有效的无人机航路优化方法,可为实际应用提供参考.     

多无人机空中加油的最优会合航路规划

为了空中加油能面向多架无人机,本文提出了空中加油的三维最优会合航路规划算法.多架无人机分布在不同区域,需要加油机沿预定的规划航路飞行会合,以完成空中加油任务.由于加油机可同时服务的受油机数量有限,需要寻找最优分配策略将无人机预分配至不同加油区域与之会合.本文首先根据加、受油机在各加油区域的最短会合时间,将最优分配问题建模为整数线性规划问题,求解得到加油机与各无人机的最优会合点.随后,本文提出了三维空间Dubins路径延长算法,保证各无人机按照分配结果与加油机同时到达会合点.最后,分别针对二维和三维多架无人机空中加油任务进行仿真.仿真结果表明本文提出的最优会合航路规划算法得到的Dubins航路,可以保证空中加油会合任务在最短时间内完成.     

基于粒子群算法的无人机航路规划与建模仿真

研究无人机航路规划问题,解决基本粒子群算法易陷入局部最优、收敛速度慢长导致人机作航路规划效率低的难题.为了提高无人机航路规划效率,提出了一种基于改进粒子群算法的无人机航路规划方法.在无人机航路规划建模过程中,如果粒子失活,该算法对其进行相应的变异与微调,重新激活粒子,保证了粒子群体在进化过程中具有较强的活力,能够快速逃逸出局部极值点,这样就以较快收敛速度找到最优航路.最后用改进的粒子群算法对无人机任务航路进行了仿真,仿真结果表明,相对于基本粒子群算法,该方法避免了陷入局部最优,并缩短了搜索时间,航路规划效率明显提高.该算法是一种有效的无人机航路优化算法.     

基于MapReduce与蚁群优化的航路规划算法

航路规划是提高无人机生存能力的有效途径,可使其安全、快速到达目的地。为在云计算环境中分布式并行地求解航路规划问题,应用云计算技术提出基于MapReduce和多目标蚁群算法的航路规划算法( RPMA)。设计多目标蚁群算法,并采用多种优化策略对传统算法进行改进。 RPMA能预先规划出多条航迹,可根据不同的飞行任务选择不同的航路,并在飞行过程中根据不同需要临时确定合适的飞行航路。仿真实验结果表明, RPMA求解航路问题是可行、有效的,具有较好的收敛性和扩展性,以及对大规模数据的处理能力。     

基于改进蚁群算法的多无人机航路规划研究

无人机的航路规划研究是无人机任务控制系统的关键技术,在用Voronoi图法对威胁环境建模的摹础上,提出了基于Voronoi图的多行为蚁群算法,增强了蚂蚁之间的协同性,有效解决了可行解的收敛性与多样性之间的矛盾,并对求解过程加入了方向性引导,提高了算法的求解效率.在多机协同方面,利用上述算法分同起止点与不同起止点两种情况对多机协同航路规划进行了仿真,针对得到的多条初始航路,利用协同时间指标对多初始航路进行选择.最后用三次样条方法对协同最优航路进行了平滑处理.     

无人机群航路规划定量验证方法研究

无人机群航路规划是实现无人机群对目标协同搜索的关键，针对无人机群航路规划的优化、解算问题，提出了一种针对无人机群航路规划的定量验证方法，该方法运用概率迁移系统与随机多主体博弈模型构建了无人机群航路时空系统模型，使用概率空间时态逻辑对无人机群航路规划的质量指标进行了描述，通过自动验证算法实现质量指标的验证。该方法可实现对无人机群航路规划的建模、分析工作，完成对无人机群航路规划在任务完成度、飞行安全度和性能发挥度这3个方面质量指标的计算，为确定无人机群的较优航路提供理论依据。     

无人机三维航路动态规划及导引控制研究

为研究无人机三维航路动态规划,提出了一种工程实用性强的A*三维航路优化算法,将无人机的机动性能、飞行航程、飞行高度等约束条件有效分割到解空间。为了加快搜索速度,引入启发式权重系数对搜索策略进行改进,利用加权值自适应方法对算法的评价函数进行设计,提高航迹点搜索效率,并设计了导引控制律,基于优化算法获取的航路,能够使无人机很好地跟随规划的最优路径,同时生成的期望控制指令充分考虑了无人机本身的机动性能以及实时性要求,解决了航迹规划与航迹跟踪之间的问题,最后进行了仿真验证,结果表明,该方法是可行和有效的,有着较高的优化效率;易于实现,工程实用性强。     

基于行为协同和虚拟目标相结合的无人机实时航路规划

针对实时航路规划问题,综合考虑航路最优、平滑性、全局收敛性以及从威胁域的逃逸能力等限制时,还没有有效的规划算法.为此提出了一种基于行为协同和虚拟目标相结合的无人机实时航路规划方法.该方法将无人机的航路规划行为分为局部和全局行为:局部行为采用基于模糊控制的方法,用来实现威胁体规避;全局行为使用全局算法,通过全局目标和虚拟目标的切换实现了全局目标收敛和威胁域边界跟踪,然后通过模糊控制器对两种行为进行协同.最后通过分析、证明以及几种不同情形下的仿真表明该方法具有航路短、平滑和全局收敛的特点.     

采用组合优化策略的电子侦察卫星规划方法

对电子侦察卫星任务规划问题进行了分析,建立了问题的多目标规划模型;设计了一种基于带后优化过程MOEO(Multi-objective Extremal Optimization)的多目标规划算法对模型进行求解,该算法包含MOEO主算法过程和基于禁忌搜索(TS)的后优化过程两部分:MOEO主算法中采用插入变异、模式变异及删除变异等算子对解空间进行搜索,基于Pareto最优概念的解排序确保了解在多个目标上的有效优化,精英策略避免了丢失进化过程中产生的非劣解;TS后优化过程中提出了多种邻域结构,使用各种邻域算子或算子的组合,对主算法Pareto最优解进一步优化,以得到更好的解。最后给出了仿真实例证明本文模型及算法对解决电子侦察卫星任务规划问题的有效性。     

帝国竞争算法在无人机三维航线规划中的应用研究

针对实际飞行环境中无人机的三维航线规划问题,提出了一种创新启发式优化算法——牛顿帝国主义竞争算法(NICA,Newtonian imperialist competitive algorithm).该算法能够根据无人机的飞行轨迹,从起始位置到任务目标位置生成平滑的航线路径,约束航线规划,使得目标完成任务的时间最小化.该算法也能为无人机在真实地形上的航线提供最佳轨迹路径.最后通过与ICA、GA和PSO算法进行比较,验证了改进算法的有效性.结果表明:改进帝国算法提高了全局最优解的搜索能力,在收敛速度和精度上优于其他3种算法,适合用来解决无人机的三维航线规划问题.     

基于区域分割的无人机路径规划

研究无人机路径规划优化问题,针对在城市环境下执行飞行任务前,需要根据所经城市内已知的建筑物信息以及飞机本身性能的限制计算出飞行轨迹,并根据规划出的路径完成飞行任务。在给定起始点和目标点上,提出了一种城市建筑物遮挡模型的无人机路径规划方法。主要包含两方面的内容:一是利用圆柱虚拟城市建筑物环境使建筑物对无人机的遮挡面积可计算;二是在计算出无人机飞行的水平平面上(x,y)点遮挡值的基础上,给出了无人机搜索区域等分的沿对角线折线走法的优化路径规划,得到一条遮挡面积最小的路径并进行仿真。仿真结果表明,规划方法能够快速有效地完成规划任务,获得满意的航迹,为无人机优化路径提供了依据。     

基于贝叶斯网络和蚁群算法的航路优化

为了提高无人机（UAV）的作战效率和生存概率,在UAV执行任务前,必须为其设计高效的飞行航路。采用将贝叶斯网络模型威胁强度评估算法与蚁群算法相结合的航路规划方法,根据UAV航路规划问题的特点对蚁群算法进行改进。仿真结果表明,该方法能更好地满足实时战场需要,得到良好的优化航路。     

基于优化粒子群算法的无人机航路规划

针对粒子群优化(PSO)算法的无人机(UAV)航路规划问题,引入惯性权重和自然选择对粒子群算法进行优化,以提高基本粒子群算法收敛速度,防止陷入局部最优.算法分析惯性权重对粒子群算法的影响,进而调整惯性因子,提高算法的搜索能力;利用自然选择的便利性和规律性等特点,更新粒子群算法的粒子;同时通过对无人机的可行航向进行限定,缩小搜索范围.仿真实验表明:基于粒子群优化算法的无人机航路规划不仅缩短了最优航路,而且提高了搜索速度.     

基于文化算法的无人飞行器航迹规划*

现有航迹规划方法无法保证规划最优路径的同时满足实时性要求,因此文中提出基于文化算法的无人飞行器航迹规划算法.利用文化算法的特性,将在线航迹规划方法与离线航迹规划方法相结合,融入文化算法种群空间中.知识提取,将初始航迹提取为形势知识,将航迹中特征节点可变化范围提取为规范知识,使用知识限定规划空间,缩短规划时间.通过知识结合不同规划方法,弥补现有方法的缺点.实验验证文中算法在复杂动态环境下能有效寻找目标点,相比其它在线航迹规划方法,规划速度更快,规划航迹更短,有效减少飞行器执行任务的时间.     

基于深度强化学习的多无人机电力巡检任务规划

无人机因其成本低、操控性强等优势,在电网线路与电塔的巡检任务中取得了广泛的应用。在大范围电网巡检任务中,单台无人机由于其续航半径有限,需要多架无人机协作完成巡检任务。传统任务规划方法存在计算速度慢、协作效果不突出等问题。针对以上问题,本文提出一种基于多智能体强化学习值混合网络（QMIX）的任务规划算法,采用集中训练、分散执行的框架,为每架无人机建立循环神经网络,并通过混合网络得到联合动作值函数指导训练。该算法通过设计任务奖赏函数以激发多智能体的协作能力,有效解决多无人机任务规划协作效率低的问题。仿真实验结果表明所提算法的任务时间相比于常用的值分解网络（VDN）算法减少了350.4 s。     

无人机自主航路规划平台设计

基于人机交互的需求,设计了一款无人机自主航路规划平台。该平台主要应用于无人机飞行前的航路规划工作,能够在已知任务环境信息的基础上,根据任务需求,规划出一条有效航路,同时具备控制无人机飞行、飞行状态监控等功能。首先,在国内外无人机系统适航标准规范的基础上,针对突发或紧急任务下无人机地面操作员工作负荷增大等问题,对无人机航路规划系统设计的安全性要求和人机交互需求进行了归纳梳理;然后,基于航路规划系统功能需求,从航路规划、通信、控制、状态监控等方面,构建了航路规划平台,并采用MATLAB APP Designer完成了软件平台的开发;最终试验测试表明该平台符合设计需求。     

基于群智能-一致性理论的无人机编队全过程飞行航迹规划方法

针对无人机编队执行任务全过程飞行规划问题,提出一种基于多步粒子群优化的无人机编队航迹规划算法.首先,对无人机和执行任务策略进行建模,将编队执行任务全过程划分为编队成形、执行任务、返航、解散和无人机降落5个阶段,设计不同阶段的飞行策略;其次,针对不同的终端约束条件,设计多类多层优化指标,提出多步粒子群算法,并引入模型预测控制滚动优化航路点,得到适用于不同阶段的能严格满足约束条件的航路规划方法;然后,建立旋转坐标系,将航路点信息转换为编队控制律中的理想航向和高度信息,得到能通过航路点的编队控制算法;最后,利用编队控制算法去执行航路规划方法给出的航路点,生成航迹,得到编队航迹规划算法.仿真结果表明,所提规划方法比传统方法更适用于编队飞行,能为编队规划执行任务全过程的平滑航迹,具有良好的通用性.     

面向城市巡防的多无人机协同航迹规划

无人机（UAV）因其低成本、高动态性与低部署性等优点被逐渐应用于城市巡防中。为提高异构无人机航迹规划的效率,首先建立了考虑无人机的任务执行率、航迹代价和撞击代价的多无人机任务规划模型。其次针对传统优化算法容易陷入局部最优解,均匀性差等问题,将差分策略和Levy飞行策略引入乌鸦搜索算法中对算法进行改进,提出基于Levy飞行策略的混合差分乌鸦搜索算法（LDCSA）,将剪枝处理和Logistic混沌映射机制加入快速遍历随机树（rapidly-exploring random trees,RRT）算法中,并通过改进的RRT算法进行航迹初始化。最后建立了3维的城市模型进行仿真实验,将所提算法与粒子群（PSO）、模拟退火（SA）、乌鸦搜索（CSA）算法对比,仿真结果表明该算法能提高全局收敛性与鲁棒性、缩短收敛时间、提高无人机执行覆盖率和减少能耗,在解决多无人机航迹规划问题中更具有优势。